シミュレーション（ユースケース）に関するニュース一覧

米ゼネラル・モーターズ（GM）は2026年6月、AIとシミュレーションを活用して自動車などの開発期間を大幅に短縮する取り組みを公開しました。中国のBYDなどが2年以内で新型EVを市場投入する速さに対抗する狙いです。陣頭指揮を執るのは、テスラのオートパイロット開発やオーロラ・イノベーション共同創業で知られ、昨年6月に最高製品責任者として迎えられたスターリング・アンダーソン氏です。

中核となるのは、これまで個別に開発していた電装や熱制御、安全、操縦性などの機能を単一の仮想開発ツールに統合する手法です。アンダーソン氏によると、構造エンジニアは設計変更が完成車に与える影響を、従来の15時間に対しわずか1分ほどで確認できるようになりました。物理的な試作前にハードとソフトを同時に最適化できる点が特徴です。

効果は具体的な数字に表れています。フロント部の衝突解析は確率を用いたAI手法により、15時間の計算が1分未満に短縮されました。電動の「GMCハマー」は設計から店頭まで2年と、通常の4〜5年から開発期間が半減したといいます。自動運転開発では1日で100日分の走行を再現し、週におよそ200万回のシミュレーションを実行しています。

適用範囲は乗用車にとどまりません。GMはこの手法を自動運転車やLMR電池、キャデラックのF1参戦、軍事防衛システム、そしてNASAのアルテミス計画向け月面ローバーにも広げています。技術者はソフト上で重力を調整し、ミシガン州の室内で月面のタイヤ開発に必要な走行条件を再現できると説明します。

象徴的なのが、収益性の高いシボレー・コルベットへの応用です。重い複合素材のハッチを支えるブラケットの設計に生成的な物理ベース設計を用い、木の根のような形状で従来品より軽く硬く耐久性の高い部品を生み出しました。フィッシャー氏は「これがGMの新たな標準になりつつある」と語っています。

AWSは6月17日、ロボット開発の各工程を一つのAIエージェントから自然言語で操作できるオープンソースSDK「Strands Robots」を公開しました。Hugging Faceのロボット学習基盤LeRobotの機能をエージェント用ツールとして束ね、これまで記録・学習・シミュレーション・実機展開・複数台連携の5つに分かれていた作業を一本化します。ライセンスはApache2.0です。

最大の特徴は、シミュレーションと実機のコードがほぼ同一である点です。ロボットを生成する関数は標準でMuJoCoベースの仮想環境を返し、引数をmode="real"に変えるだけで物理ロボットに切り替わります。仮想環境で記録したデータも実機の記録も同じLeRobotDataset形式で保存されるため、片方向けに書いた学習スクリプトをもう片方でもそのまま使えます。

ポリシー推論も共通の入口で扱えます。NVIDIAのGR00Tやローカル推論、MolmoAct2のチェックポイントを同じインターフェースで呼び出せるほか、ACTやSmolVLA、π0なども利用可能です。GPUやDocker、Hugging Faceの認証情報がなくても、模擬ポリシーを使えばノートパソコン上でシミュレーションを最後まで動かせる設計です。

複数台の連携には、ブローカー不要のP2PプロトコルZenohを使ったメッシュ機能を採用しました。新しいロボットは起動した瞬間にメッシュへ参加し、エージェントが一斉に指示を出せます。IPアドレスの管理や探索コードの記述は不要です。

物理的に動作する命令には人間の承認を介在させる仕組みが標準で入っています。一斉送信や緊急停止などはLLMの引数とは別経路で操作者の許可を求めるため、プロンプトインジェクションで承認を偽装する攻撃を防げます。本番運用ではmTLS認証が必須とされ、信頼できないデータを与えない設計が推奨されています。

この統合の狙いは、LeRobotが持つ資産を作り直さず、エージェントから扱える表層だけを足すことにあります。Hub上のあらゆるデータセットがエージェントの拡張・学習・展開の対象になり、仮想と実機の境界は設計上の分断ではなく単なる展開手順の違いになります。AWSはArmと協力した本番向けネットワーク層「Device Connect」も用意しており、コードを変えずに規模を広げられるとしています。

ロボット学習データの収集・整備を専業とする米新興企業XDOFが2026年6月17日、ステルス状態を脱して事業を公開しました。Thrive CapitalやSpark Capital、a16zなどから7000万ドルを調達済みで、最先端AI研究所を含む20社とすでに取引しているといいます。AIの次の難所はモデルやチップではなく、ロボットに物理世界との対話を教えるためのデータの供給網だという賭けに出ています。

背景には、大規模言語モデルが公開テキストの海で学習できたのに対し、ロボットは物理的な接触を捉えたデータをほとんど持たないという事情があります。YouTube動画やギグワーカーの撮影映像は精度が低く、現実世界と整合させるのが難しいのが実情です。共同創業者でCEOのフィリップ・ウー氏はUCバークレーの博士課程でこの鶏と卵の問題に直面し、まずデータ収集の手段を作る必要があると痛感したと振り返ります。

ウー氏らは安価な遠隔操作システム「GELLO」を開発し、人がロボットアームを操作して学習データを生成する仕組みで注目を集めました。これを足がかりに2024年10月、ロボット開発企業向けのデータ基盤を提供するXDOFを立ち上げます。データ提供だけでは行き詰まると考え、洗浄・ツール・注釈までを手掛けることで自己強化型のフィードバックループを築く狙いです。

出発点として同社はUCバークレーのAI研究所と組み、これまでで最大級と称する高品質なロボット学習データ群「ABC」を公開します。13万件の操作軌跡、300時間のシミュレーション、100時間の評価データを含み、Tシャツたたみや箱の平たん化、AirPodsの収納といった作業の学習にすでに活用されました。学術界がこの規模の事前学習データを使えるのは初めてだといいます。

同社はデータピラミッドの3層で事業を展開する計画です。最も価値が高いのは実際に配備するロボット上で集める遠隔操作データで、次が汎用的な遠隔操作データ、最後が人が日常作業を行う一人称視点データで、ここでは独自の装着型センサーを開発します。なぜ大手研究所が自前でやらないのか。数十万平方フィートの倉庫と数百台のロボット、その校正と操作者育成が必要で、多くの研究所は外部委託を選ぶとウー氏は説明します。

社名のXDOFはロボット工学用語「自由度（degrees of freedom）」をもじったものです。人間の腕は肩から手首まで7自由度、Figure AIの最新ロボットは30自由度を持ちます。頭の「X」には任意かつ無限の自由度を目指すという同社の野心が込められています。物理AIが次のフロンティアとなる中、地味で泥臭いデータ収集こそが競争の鍵になるのか、注目が集まります。

OpenAIは6月16日、新モデルのリリース前に実際の挙動を予測する「Deployment Simulation（デプロイメントシミュレーション）」という手法を公開しました。過去の本番会話からモデルの応答部分を取り除き、リリース候補の新モデルで応答を再生成することで、ユーザーに届く前に現実的な文脈での挙動を検証する仕組みです。望ましくない挙動が新たに生じるか、どの程度の頻度で現れるかを事前に見積もれます。

従来の事前評価は、合成データや手作業で作成した敵対的プロンプトを使い、稀に起こる高深刻度の状況をストレステストすることに強みがありました。一方でこの手法は、実際の利用に近い分布を用いることで網羅性と選択バイアスの課題を回避します。トラフィックを多く再現するほどカバー範囲が広がるため、評価品質が人手ではなく計算資源に応じて拡張する点が特徴です。

OpenAIはGPT-5.4 Thinking向けに20種類の望ましくない挙動の発生頻度を事前登録し、予測精度を検証しました。予測の誤差の中央値は1.5倍にとどまり、従来のChallenging Promptsベースラインを上回りました。さらに、リリース前に「計算機ハッキング」と呼ばれる報酬ハッキングを唯一の新規ミスアライメントとして検出できたといいます。

もう一つの利点が、モデルがテストされていると気づくことによる挙動の歪みを減らせる点です。GPT-5.2は本番トラフィックを評価らしいと判定した割合が5.4%、シミュレーションでは5.1%とほぼ同水準でした。これに対しSWE-Benchなどの合成的な従来評価は、ほぼ100%が評価だと見抜かれていました。

この手法はツールを多用するエージェント設定にも拡張できます。OpenAIは社内のコーディングエージェントの12万件の軌跡を使い、ツール呼び出しを別のLLMで模擬することで、実データと見分けがつかない水準まで再現の忠実度を高めました。識別器による勝率は11.6%から偶然レベルに近い49.5%まで改善しています。

ただしOpenAIは、この手法が敵対的評価やレッドチーミングの代替ではなく補完だと強調します。1000万会話に1回しか起きないような稀少な失敗は検出が難しく、誤差の主因となる再現環境の忠実度の向上も今後の課題です。経営者やエンジニアにとっては、AIの安全性評価がより現実的かつ定量的になる方向性を示す事例といえるでしょう。

アリゾナ大学のチー・クワン・チャン研究員が2026年6月11日、OpenAIのCodexを用いてブラックホール周辺のプラズマを模擬する新たな計算アルゴリズムを導出していると明らかにしました。従来の手法では極端な物理現象を現実的に再現できず、数十年にわたり研究の壁となってきた課題に、AIで挑む取り組みです。

チャン氏は、史上初のブラックホール画像を2019年に公開した国際協力プロジェクト「イベント・ホライズン・テレスコープ（EHT）」の一員です。チームは現在、M87銀河中心の超巨大ブラックホールを対象に、初の動画制作へ向けた観測を進めています。観測を科学的理解に変えるには、膨大なデータ処理と極限の物理を扱うシミュレーションが欠かせません。

最大の難所が、ブラックホール周辺のプラズマのモデル化です。高温で希薄な領域では電子とイオンがほとんど衝突せず、磁力線の周りを螺旋状に回ります。この運動を正確に追うには微小なタイムステップが必要で、世界最速のスーパーコンピューターでさえ、本来調べたい大きな挙動より粒子の細かな動きの計算に時間の大半を費やしてしまうのです。

そこでチャン氏は、粒子の運動を数学的に変換し、細かな螺旋を直接追わずに済む新手法に着目しました。手作業ですべての可能性を探るには膨大な時間がかかるため、Codexに候補アルゴリズムの導出と既知解との照合を任せたのです。生成された手法には誤りも多く含まれますが、検証可能であれば問題ないと同氏は言います。

Codexの特徴は、結論だけでなく数値手法そのものを提示し、研究者が検査・試験・物理的理解できる点にあります。「アインシュタインや優秀な学生、AIモデルから出た案だから受け入れるのではない。繰り返し試験して初めて受け入れる」とチャン氏は強調しました。検証と再現性に根ざす科学こそ、現在のAIの最良の用途の一つだとの見方です。

もしこの手法が成功すれば、ブラックホール周辺の数兆個の粒子を模擬できるようになる可能性があります。それは数十年にわたり手の届かなかった物理現象の解明につながると、同氏は期待を寄せています。

AIスタートアップのDecartは2026年6月10日、写実的な運転環境をリアルタイムに生成するインタラクティブな世界モデル「Oasis 3」を発表しました。自動運転車メーカー向けに希少な走行シナリオを大規模にシミュレーションすることを主な用途とし、今後はロボティクスなど物理AIへの展開も予定しています。APIは初日から公開され、価格は1秒あたり0.02ドルです。

Oasis 3は同社の基盤モデル「Lucy」をベースに開発されました。前方1台・側方2台のマルチカメラ構成で物理的に正確な環境を生成し、時間制限なく無限にシナリオを拡張できる点が特徴です。自動運転開発者にとっては、限定的なデモではなくエッジケースを際限なく試行できることが大きな利点となります。同社の垂直統合型最適化スタック「DOS」により、競合他社より1桁以上低いコストでモデルを運用できるとCEOのDean Leitersdorf氏は説明しています。

一方で技術的な課題も残っています。テスト記事によれば、初期シーンはプロンプト通りに高品質で生成されるものの、走行を続けるとテーマの整合性が急速に崩れ、都市の特徴が汎用的な風景に変化してしまいます。他の車両をすり抜けるなど物理シミュレーションの正確性にも問題があり、Leitersdorf氏はこれを「現在取り組んでいる重要な研究課題」と認めています。自己回帰的に1フレームずつ生成する構造上、コンテキストウィンドウが急速に埋まることが根本原因です。

競合環境は激化しています。GoogleのGenie 3、Fei-Fei Li率いるWorld Labsの「Marble」、LumaやRunwayなどが世界モデル市場に参入しています。Decartは数週間前に3億ドルの資金調達を完了し、評価額は約40億ドルに到達しました。Toyota、Adobe、eBayが戦略的投資家として参加し、既存投資家のNVIDIAも出資しています。

Leitersdorf氏は、APIを開放することでLLM黎明期のOpenAIのように開発者エコシステムが自然発生的に成長すると期待を示しています。既に10万人超の開発者がeコマースやライブストリーミング分野でLucyを活用しており、Oasis 3で物理AI領域への拡大を狙います。世界モデル分野はまだ初期段階にあるものの、開発者による予想外のユースケース創出が技術の進化を加速させるというのが同社の見立てです。

Hugging Faceは2026年6月8日、エージェント型強化学習（RL）の実行環境を標準化するオープンソースライブラリOpenEnvを、コミュニティ主導のガバナンス体制へ移行すると発表しました。新たに設置された運営委員会にはMeta（PyTorch Foundation）、NVIDIA、Reflection、Unsloth、Modal、Prime Intellect、Mercor、Fleet AIなどが参画し、リポジトリもhuggingface/OpenEnvとして公開されています。

OpenEnvが解決するのは、オープンソースモデルにおけるエージェント訓練の断片化です。Claude CodeやCodexといったフロンティア企業のエージェントは、モデルとハーネスが一体で最適化されていますが、オープンソースではモデル・ハーネス・推論エンジンがばらばらに組み合わされます。OpenEnvはこれらの間に共通のインターフェース層を提供し、どの組み合わせでもエージェントを効率的に訓練できるようにします。

技術的には、Gymnasium互換のAPI（reset・step・state）をクライアント/サーバー構成で提供します。環境はDockerでパッケージ化され、HTTPやWebSocketといった標準プロトコルで通信します。さらにMCP（Model Context Protocol）をファーストクラスでサポートしており、訓練・評価時のシミュレーション環境と本番環境で同じ環境定義を一貫して利用できます。

重要な設計方針として、OpenEnvは報酬関数や訓練ループの定義には踏み込みません。あくまでRL環境の公開・デプロイ・消費を標準化する「プロトコル層」と位置づけ、報酬設計やスコアリングは既存の専門ライブラリに委ねます。今後はデータセット連携（RFC 006）、外部報酬統合（RFC 007）、環境品質の自動検証（RFC 008）などが計画されています。

PyTorch Foundation、vLLM、Lightning AI、Scale AI、Stanford Scaling Intelligence Labなど幅広い組織がすでにOpenEnvの採用・支援を表明しています。オープンソースのエージェント訓練基盤として事実上の標準となるか、今後の普及が注目されます。

NVIDIAとLGグループは2026年6月8日、ロボティクス・自動運転・データセンター技術・GPUクラウドサービスにまたがるAI工場を共同で建設すると発表しました。NVIDIAのフルスタックAI基盤とLGの家電・モビリティ・スマートスペース領域の知見を組み合わせ、物理AIシステムの開発から展開までを統合するワークフローを構築します。

ロボティクス分野では、LGエレクトロニクスが家庭用ロボット「CLoiD」の開発にNVIDIA Isaac SimやIsaac Labを導入し、物理的に正確な仮想環境でのシミュレーション・訓練・検証を進めます。さらにNVIDIA Isaac GR00Tモデルの採用も検討しており、ロボットに人間のような推論能力と複雑なタスクの実行力を持たせることを目指しています。訓練データ不足の課題に対しては、LGがNVIDIA Cosmosを活用した物理AIデータファクトリーを構築し、合成データの大量生成で対処する計画です。

AI工場インフラの面では、LGエレクトロニクスとLGエナジーソリューション、LG Uplusが連携し、NVIDIA DSXプラットフォームに準拠したスケーラブルな液冷AIファクトリーの構築を進めます。冷却分配ユニットやコールドプレート、プレハブ式モジュラー設計など、次世代GPU向けの電力・熱管理技術で協力します。LGエナジーソリューションは800ボルト直流給電ソリューションの共同開発にも取り組む予定です。

モビリティ領域では、LGエレクトロニクスが先進運転支援システム（ADAS）や車載AIをNVIDIA DRIVE Hyperionアーキテクチャに対応させる取り組みを強化します。AIコックピットやエッジAI処理を含む将来のモビリティ用途にNVIDIA DRIVE AGXを活用する計画で、グローバル自動車メーカー向けのポートフォリオ拡充を狙います。

主権AIの領域では、LG AI Researchが韓国を代表するAIモデル「EXAONE」の開発にNVIDIA Blackwell GPUやNeMoフレームワークを活用しています。LGグループはChatEXAONEなどのプラットフォームを通じ、エージェント型AIの全社展開とソフトウェア主導のオペレーション変革を加速させる方針です。

気象・気候科学におけるAIの活用が注目を集めていますが、その実態は「革命」というよりも着実な進化です。Ars Technicaの分析記事は、この分野で使われているAIが大規模言語モデル（LLM）ではなく、機械学習（ML）であることを強調しています。

2026年初頭には、米国立気象局（NWS）の事務所がSNS用にAI生成画像を使用した際、アイダホ州の予報図に「Whata Bod」「Orangeotild」といった架空の地名が表示される失態がありました。ただしこれは実際の予報モデルとは無関係で、あくまでソーシャルメディア用の画像生成での問題です。

記事が指摘する重要な点は、気象予報と気候シミュレーションで異なるML手法が使い分けられていることです。機械学習はデータ中のパターンを検出する技術であり、単純な線形回帰から複雑なニューラルネットワークまで幅広い手法があります。気象・気候の研究者たちは長年にわたってこれらの技術を研究し、その強みと限界を十分に把握しています。

AI全般への過大な期待が広がるなか、気象・気候分野では地に足のついた活用が進んでいます。気象学者や気候科学者がLLMのプロンプトエンジニアに置き換えられる状況にはなく、既存の科学的知見と組み合わせた堅実なML応用が成果を上げています。

AI開発企業Hugging Faceは2026年6月6日、小型モデル活用ハッカソンの第2弾レポートを公開しました。経済シミュレーションゲーム「Thousand Token Wood」のv2では、登場する各エージェントが異なるラボの小型モデルで動作し、プレイヤーは裏で糸を引く金融家「森の庇護者」を演じます。単に眺めるだけだった初代から、操作して遊べるゲームへと再構築した点が大きな変化です。

中核となるのはモデルの異質性です。v2はgpt-oss-20b（OpenAI）、MiniCPM3-4B（OpenBMB）、Nemotron-Mini-4B（NVIDIA）、自作の微調整済みQwen 0.5Bという4ラボのモデルを同時に走らせます。異なるデータと事後学習で訓練されたモデルが議論することで、市場参加者が本当に異なる「生きた論争」が生まれると筆者は説明します。

技術的な学びは、難所がモデリングではなくサービング層にあった点です。vLLMがCUDAツールキットを要求するためにベースイメージを修正したり、モデルごとにtrust_remote_codeなどの一行設定が必要だったりと、個別の落とし穴が存在しました。それでも、出力を寛容に解析・修復するJSON層を一度作れば、モデル追加は設定の追記で済む構造を実現しています。

ゲームの劇的な核となるのが情報の非対称性です。プレイヤーは真偽不明の密告をささやけますが、その真偽フラグはエージェントに絶対見せてはならないセキュリティ要件として扱われます。フラグはプロンプト外に置き、毎ターン全プロンプトを走査して禁止語の混入を検査するテストが、最も重要な防御線として機能します。

永続的な記憶も、エージェントを生き生きと見せる安価な手段です。各キャラクターは庇護者や仲間への好悪を整数で保持し、敵対すれば融資を拒み、同盟すればカルテルのように振る舞います。ただし生の履歴ではなく一行の要約のみをプロンプトに渡すことで、小型モデルが情報に溺れる事態を防いでいます。

代表的な実行では、微調整済み0.5Bが自己購入0%・有効提案100%を達成し、3Bの教師モデルを上回りました。筆者は、小型モデルは信頼できる形式生成器だが推論は不安定であり、規模ではなく構造・プロンプト・小さな微調整でその差を埋めるべきだと結論づけています。

米国立科学財団（NSF）は、MITが主導するAIと物理学の学際研究所「IAIFI（Institute for Artificial Intelligence and Fundamental Interactions）」への支援を5年間延長しました。年間資金は従来の400万ドルから498万ドルに増額されます。IAIFIは2020年に設立され、AIで物理学の発見を加速し、物理学の知見でAIを改良するという双方向の研究モデルを推進してきました。

IAIFIの研究は素粒子物理学、原子核物理学、天体物理学、基礎AI研究にまたがります。素粒子物理学では大型ハドロン衝突型加速器（LHC）の膨大なデータをリアルタイムで処理するAI技術を開発しました。原子核物理学ではAI生成モデルを用いて格子量子色力学のシミュレーションに取り組んでいます。天体物理学では、MIT主導のLIGO重力波実験の感度向上に機械学習が活用されています。

一方で物理学からAIへの貢献も進んでいます。対称性や幾何学的構造などの物理学的知識をニューラルネットワークに直接組み込むことで、より信頼性が高く解釈可能なAIシステムの構築を目指しています。所長のJesse Thaler教授は「AIと物理学が互いを強化する好循環が複数の分野で実現している」と述べています。

人材育成もIAIFIの特徴です。ポスドクフェロープログラムではこれまで8名が修了し、うち3名が大学教員に、残りはAI企業やスタートアップで活躍しています。毎年開催されるPhDサマースクールには2026年版で約600件の応募が集まり、約100名が対面、300名がオンラインで参加する見込みです。MITでは物理学・統計学・データサイエンスの学際的な博士課程も設置され、2021年以降20件の博士号が授与されました。

NSFのAI研究所プログラムの一員として、IAIFIは今後「AIの物理学」と呼ぶ研究領域をさらに深化させる方針です。物理的推論やツールを用いてAIそのものを理解・改善するというアプローチで、分野横断的な研究者コミュニティとともに次のフェーズに挑みます。

2026年6月3日、NVIDIAはデンバーで開催中のCVPR 2026において、自動運転車・ロボット・ビジョンAIの開発を加速する物理AIエージェントスキル群を発表しました。先日公開されたオープン基盤モデルCosmos 3と連携し、シーン再構築から合成データ生成、ポリシー訓練、評価までの断片的だったワークフローを一気通貫で自動化します。すべてのツールはGitHubでオープン公開されています。

自動運転分野では、走行データから編集可能な3Dシーンを生成するNeural Reconstructionスキルや、数千GPUで強化学習を並列実行するオープンソースフレームワークAlpaGymを提供します。さらに320億パラメータの推論型VLAモデルAlpamayo 2 Superは、認識から計画・行動までの全スタックを統合し、レベル4自動運転の開発基盤となります。研究論文LCDriveは、テキスト推論を潜在表現に圧縮することでトークン数を約半分に削減し、車載ハードウェアでの高速推論を実現しました。

ロボティクス分野では、Isaac Sim 6.0とIsaac Labにエージェント対応スキルを統合し、シーン作成からシミュレーション実行、データ取得まで自動化しました。注目すべきは研究論文GraspGen-Xです。20億回のシミュレーション把持データで訓練された初の把持基盤モデルで、未知のグリッパーと未知の物体に対してゼロショットで把持姿勢を生成できます。ロボット開発者がグリッパーごとに訓練し直す必要がなくなるのでしょうか。

ビジョンAIでは、Metropolisスキルが合成異常データの生成や疑似ラベリングを自動化し、外観検査モデルの精度向上を支援します。また、ゲーム環境で訓練した汎用エージェント基盤モデルNitroGenは1,000以上のゲームと4万時間の操作データから学習し、少数データ環境で従来手法比52%の性能向上を達成しました。NVIDIAの物理AIデータセットはHugging Faceで累計1,500万ダウンロードを超え、研究インフラとしての存在感を強めています。

SpaceXのエンジン開発の第一人者であるTom Mueller氏が設立した宇宙スタートアップImpulse Spaceが、シリーズDで5億ドル（約750億円）を調達しました。137 VenturesとBANNER VCがリードし、Founders Fund、Lux Capital、Linse Capitalが参加しています。調達資金は最大200人の新規採用に充てられます。

同社は宇宙空間での機動力に特化した企業です。米宇宙軍向けの高機動プラットフォーム「Mira」と、衛星を高軌道へ迅速に運ぶ「Helios」を開発しています。米政府が国家安全保障への投資を拡大するなか、宇宙・防衛テック分野への投資家の関心が本ラウンドを後押ししました。

注目すべきは、同社がAIではなく人材採用を優先している点です。社長兼COOのEric Romo氏は、ハードウェア設計の分野ではAIモデルがまだ実用段階にないと指摘しています。SpaceXの13番目の社員だった同氏は、エンジン設計シミュレーションの精度が「正解の20%以内なら成功」だった経験を語り、現在もその状況は大きく変わっていないと述べています。

Romo氏はAIツールの課題として、ターボポンプのシール設計のような専門的な訓練データがインターネット上にほとんど存在しない点を挙げています。ソフトウェアチームではAIコーディングツールを活用しているものの、物理的なエンジニアリングでは「設計し、分析し、製造し、試験台に載せる」以外に代替手段はないとの見解です。

同社は航空宇宙人材の獲得競争に対応するため、コロラドに新拠点を開設しました。ロサンゼルスだけでなく、シアトル、デンバー、テキサスなどエンジニアの選択肢が広がっていることが背景にあります。次のマイルストーンとして、年内にMira宇宙機の新たなミッション打ち上げを予定しています。

半導体大手NVIDIAは6月1日、世界各地のパートナーと連携してAI向け計算基盤「AIファクトリー」の構築を加速していると発表しました。専用クラウド群「NVIDIA AI Clouds」はアフリカのCassava、南米のClaroを加えて6大陸に到達し、企業や新興国、政府の旺盛なAI需要に応える地域容量と主権AI基盤を提供します。同時に、生産拠点である台湾の製造大手がこの世界的な拡大を支えていることも明らかにしました。

AIクラウドの拡大は東南アジア、オーストラリア、南北アメリカで進んでいます。CoreWeave、Firmus、IREN、Nscaleなどが最先端モデル開発や大量推論向けに能力を増強し、Naver CloudやIndosat、Yotta、YTLといった事業者が各国のAI構想や金融、通信、製造、医療を支えています。NVIDIAは競争力の源泉として、ハードウェア性能とソフト最適化、稼働率を総合したトークン単価の業界最低水準を掲げています。

AIファクトリーの設計から運用までは新プラットフォーム「DSX」が担い、検証済みの設計やシミュレーションで容量の早期立ち上げを支援します。電力制約下で計算量を最大化する「DSX MaxLPS」は同じ電力で最大40%多いGPUの搭載を可能にするといいます。CoreWeaveやNebiusは次世代GPU「Vera Rubin」をいち早く採用し、ロボットなど物理AI向けの開発環境も整備しています。

もう一方の記事が示すのは、この基盤を生み出す台湾の存在感です。台湾には500社を超えるNVIDIAのパートナーが集まり、Vera Rubin向け「MGX」ラック部品は25の工場拠点から100万点以上が供給されます。TSMCやFoxconn、Pegatron、Quanta、Wistron、Inventecなどがサプライチェーンの中核を担っています。

注目すべきは、これらの企業が単に基盤を作るだけでなく、自社の製造現場にもAIを取り入れている点です。TSMCは計算リソグラフィ「cuLitho」で費用や処理時間を20〜50%改善し、Foxconnは運用管理エージェントで原因分析を80%高速化、労働生産性を15%向上させたとしています。PegatronやInventecは合成欠陥データの生成でAI検査の展開時間を最大67%短縮しました。

AIがモデル開発から大量の推論・推論処理へ移るなか、基盤の評価軸は発表された容量から、稼働率や資産寿命を反映したトークン出力の経済性へと移りつつあります。世界規模の容量拡張と、それを支える台湾の製造力。両者がかみ合うことで、AIインフラそのものがAIによって作られる循環が現実味を帯びてきました。

NVIDIAは2026年5月28日、国際ロボティクス・自動化学会（ICRA）で採択された28本の研究論文のうち8本の成果を公開しました。いずれもシミュレーションから実世界へのロボット技術移行（sim-to-real）を主題とし、知覚・推論・計画・行動の各段階で汎用的な自律動作を実現する手法を提示しています。研究はNVIDIA Isaac Labなど同社のシミュレーション基盤上で訓練され、実ロボットへのゼロショット転移を達成しています。

動作計画の分野では、複数ロボットアームをGPU上で並列スケジューリングするScheduleStreamが従来比3倍の高速化を実現しました。異なるロボット体型への汎化を目指すCOMPASSは、実世界ナビゲーション試行で約80%の成功率を達成。把持制御のGrasp-MPCは、200万件のシミュレーション軌道で学習し、実ロボットで75%の把持成功率を記録しています。従来手法の41%から大幅に向上しました。

精密組立では、シミュレーション訓練と実機補正を分離するSPARR手法が成功率を38%改善し、サイクルタイムを約30%短縮しました。多段階組立に取り組むRefineryは、シミュレーションで91%の成功率を達成しています。各ステップの完了状態が次のステップに影響する複雑な工程を自動で最適化する点が特徴です。

視覚言語モデルの活用も進んでいます。PEEKパイプラインは、タスク指示に基づいてロボットの視線を必要な物体に集中させる手法で、シミュレーション訓練のみのポリシーに適用すると実世界精度が41倍向上しました。カーネギーメロン大学などとの共同研究SEALは、ロボットの推論内容と実際の動作が乖離する問題を、再訓練なしに実行時補正する手法を提案し、最大15%の精度改善を報告しています。

NVIDIAは研究基盤の拡充も進めており、物理AI向けオープンデータセットは1,500万ダウンロードを超えました。カーネギーメロン大学、MIT、ETHチューリッヒなどの大学チームも同社の技術を活用しており、約50本の採択論文がNVIDIAのシミュレーション・計算基盤を参照しています。ロボティクスの産業応用に向け、sim-to-realがいよいよ実用段階に入りつつあることを示す成果といえるでしょう。

フランスのAIスタートアップMistral AIは2026年5月28日、パリで初の自社カンファレンス「AI NOW Summit」を開催し、産業向けAI事業への本格参入、パリ南部での新たな推論用データセンター建設、消費者向けアシスタントの刷新を発表しました。共同創業者兼CEOのArthur Mensch氏は「AIプロバイダーとしてフルスタックを所有する必要がある」と語り、アメリカの大手クラウド企業に機密データを預けたくない企業の受け皿となる方針を明確にしています。

産業AI分野では、5月に買収したEmmi AIの物理シミュレーション技術とLLMを統合した「Mistral for Industrial Engineering」を発表しました。Airbusとは商用航空機から宇宙部門まで全事業で協業し、BMWは衝突シミュレーション向けの「Large Industry Model」構想でMistralを中核パートナーに選定。最大株主でもあるASMLは、リソグラフィ装置の故障診断にMistralのモデルを導入し、従来と同等の精度で120倍の高速化を達成したと報告しています。

インフラ面では、40億ユーロ規模の「Mistral Compute」計画のもと、フランスとスウェーデンにデータセンターを建設中です。既存のパリ南部40MW施設に加え、2026年第3四半期に推論専用の新施設（10MW）を開設予定。2030年までに1GWの容量を目指します。資金は7行の銀行団による8億3000万ドルのデット・ファイナンスなどで確保しています。

消費者向けアシスタント「Le Chat」はVibeに改称され、企業の生産性ツールとコーディングエージェントを統合したプラットフォームへと進化します。Google WorkspaceやSlack、GitHubと連携し、メール要約やコード修正を一貫して処理できます。料金は無料プランからPro月額14.99ドル、Teams月額24.99ドルまで。モデル戦略ではPixtralやMagistraleなど個別製品を廃止し、旗艦モデルMistral Medium 3.5に機能を集約する方針を示しました。

Mistralは現在従業員1,000人を擁し、2026年の売上目標を10億ユーロ（約13.7億ドル）に設定しています。BNP Paribasでは本人確認プロセスの不備率を80%から10%に削減、フランスやシンガポールなど各国政府との協業も進めています。オープンウェイトモデル、自社インフラ、オンプレミス展開、物理シミュレーション、垂直特化のカスタマイズをすべて一社で提供する戦略で、OpenAIやAnthropicとの差別化を図ります。

NVIDIAは、AIの推論処理を大規模かつ常時稼働で行う新たなインフラカテゴリー「AIファクトリー」の構想を公式ブログで発表しました。産業革命期の発電所がエネルギーを電力に変えたように、AIファクトリーはエネルギーをトークンに変換し、推論モデルやエージェントに知能を供給する施設と位置づけています。その経済性は、秒間トークン数・ワットあたりトークン数・トークン単価・稼働率で測定されます。

性能面では、NVIDIA GB300 NVL72システムがメガワットあたりのトークン生成量で前世代Hopperの50倍を達成し、トークン単価を35分の1に削減したとしています。推論ワークロードをリアルタイムで効率的にさばくため、Dynamoフレームワークがロングコンテキスト推論と大規模スループットを統合管理します。次世代のVera Rubinプラットフォームは、LPXアーキテクチャにより性能電力比をさらに最大35倍に引き上げる設計です。

こうしたAIファクトリーはフルスタックで最適化されます。GPU・CPU・高速ネットワーク・液冷システム・推論ソフトウェア・ストレージが一体設計され、自律型マルチエージェントが常時稼働するワークロードを処理します。エージェントは推論・計画・コード生成・ツール利用を自律的に行い、さらにサブエージェントを生成して専門スキルを獲得するため、推論負荷は従来よりはるかに大きくなっています。

NVIDIA DSXリファレンス設計は、ギガワット級のAIファクトリーを標準化するもので、設計・シミュレーション・運用をOmniverse DSX Blueprintのデジタルツインで統合します。Cisco、Dell、HPE、Lenovo、Supermicroといったパートナー企業と協力し、企業データセンターへの導入を推進しています。NVIDIA自身も社内AIファクトリーを運用し、数百の自律AIエージェントがエンジニアリングや業務を支援している実例を示しています。

NVIDIAの創業者兼CEOであるジェンスン・ファン氏は、6月1日のCOMPUTEX併催GTC Taipeiで基調講演を行う予定です。AIファクトリーは金融・ライフサイエンス・製造・公共部門などあらゆる産業が「構築するか借りるか」を問われる時代の基盤インフラだと、NVIDIAは訴えています。

サンフランシスコのテンダーロイン地区に拠点を置く非営利団体Project Open Handが、食品ロボティクス企業Chef Roboticsの盛り付けロボットを導入しました。Project Open Handは1985年にHIV危機への対応として設立され、心臓病や糖尿病など個別の医療ニーズに合わせた食事を無償で提供しています。コロナ禍以降、企業ボランティアが大幅に減少し、食事の組み立て作業の担い手確保が課題となっていました。

Chef Roboticsのロボットは調理や下ごしらえではなく、盛り付け作業に特化したAIロボットです。約70種類の食材に対応するアタッチメントを備え、ポテトサラダやコーンなどをトレーの所定位置に分配します。CEOのRajat Bhageria氏は「食品は粘りがあり、柔らかく、濡れている。最良のシミュレーションでも完全には再現できない」と食品特有の難しさを語ります。

現場では2台のロボットアームがコンベアライン上で1日数時間稼働しています。人手だけで時間あたり約500食だった生産能力に、ロボットが約200食を上乗せしました。ボランティアはより付加価値の高い野菜のカットや調理といった作業に回ることができます。盛り付けの正確さはまだ完璧ではなく、こぼれた食材を拭き取る人間の補助は必要ですが、「人間より汚いわけではない」と現場スタッフは評価しています。

この提携はBay Area Rapid Transit車内での両組織の従業員同士の偶然の会話がきっかけでした。Project Open HandのCEO Paul Hepfer氏はサブスクリプション方式でロボットをレンタルし、「非営利は欠乏のマインドセットで運営しがちだが、それでは革新や品質向上を見逃す」と語ります。テック企業やAI企業が集まるサンフランシスコにおいて、非営利団体が先端技術を活用する姿勢を示すことで、新たなボランティアや支援を呼び込む狙いもあります。

Googleは2026年5月20日、Google Marketing Liveにて広告運用を横断的に支援するAIエージェント「Ask Advisor」を発表しました。Google Ads、Google Analytics、Merchant Centerなど複数製品に散在していたAIエージェントを統合し、マーケターが一つの対話型インターフェースからキャンペーンの立案・実行・分析までを完結できるようにします。英語アカウント向けにベータ版が提供開始され、年内に機能拡充が予定されています。

Ask Advisorの特徴は、自然言語による指示だけで広告運用の全工程を自動化できる点です。たとえば「ヘアケア商品の新規顧客を見つけて」と伝えると、Merchant Centerから商品情報を取得し、Google Adsでキャンペーンを自動構築します。さらに広告配信後はGoogle AdsとGoogle Analyticsのデータを横断分析し、何が効果的だったかを説明したうえで次のアクションを提案してくれます。

同時にGoogleは、計測基盤の強化も打ち出しました。オープンソースのマーケティングミックスモデル（MMM）である「Meridian」をGoogle Analytics 360に統合します。これにより、ファーストパーティデータとクロスチャネル指標を一元管理し、各チャネルの因果的なパフォーマンスを測定できるようになります。予測シナリオ機能でメディア投資の最適配分もシミュレーション可能です。

加えて、Geminiを活用した新しい予測シグナル「Qualified Future Conversions（QFC）」がGoogle Adsに導入されます。上流ファネルの広告支出とブランド検索などのシグナルを紐づけ、将来の売上につながる見込み顧客を可視化します。QFCは将来的にMeridianとも連携し、MMMの精度をさらに向上させる計画です。

今回の発表は、Googleが広告プラットフォーム全体をAI中心のアーキテクチャへ再編する戦略の具体化といえます。データの専門知識がなくても高度な分析と最適化にアクセスできる環境を整備することで、中小企業から大企業まで幅広いマーケターの生産性向上を狙っています。

ロボットスタートアップのFigure AIが5月13日から開始したヒューマノイドロボットのライブ配信デモが、テック業界で大きな話題を呼んでいます。最新機種「Figure 03」が荷物のバーコードを検査しコンベアベルトに配置する作業を、人間の介入なしに自律的にこなす様子が約1週間にわたって配信されました。

当初の計画は8時間の連続稼働デモでした。同社CEOのBrett Adcock氏は、以前のデモがわずか1時間だったことを踏まえ「何かが壊れる可能性が高い」とX上で期待値を抑えていました。しかし結果として、ロボットは予想を大幅に上回る長時間稼働を達成しています。

このデモはYouTubeやXで急速に拡散し、視聴者がロボットに名前をつけたり、Figure AI側が関連グッズを急遽販売したりする盛り上がりを見せました。一部のユーザーからは「スティーブ・ジョブズの『One More Thing』以来最高のプロダクトデモ」という称賛も寄せられています。

Figure 03の自律動作を支えるのは、同社が開発したニューラルネットワーク「Helix 02」です。1000時間を超える人間の動作データと、20万以上の並列シミュレーション環境での訓練を経て、全身制御と長時間の自律行動を可能にしたとされています。

ただし、こうした印象的なデモが実世界でのロボット能力を正確に反映しているとは限りません。限定的なタスクでの成功と、多様な現場環境での実用性能には依然として差があり、商用展開に向けた信頼性の検証が今後の焦点となります。

NVIDIAとGoogle Cloudは2026年5月19日、Google I/Oカンファレンスにおいて、両社の共同開発者コミュニティが10万人を突破したことを発表しました。昨年のGoogle I/Oで立ち上げたこのコミュニティに、JAXライブラリの新学習パスやNVIDIA Dynamoの推論最適化コードラボなど新たなリソースを追加し、AI開発者の育成を加速します。

コミュニティでは、開発者がNVIDIAのGPUアクセラレーション技術とGoogle Cloudのプラットフォームを組み合わせ、本番環境で使えるAIアプリケーションを構築しています。具体的には、Google Kubernetes Engine上でのRAGアプリケーション開発や、エージェント型ワークロードの可観測性実装などが進んでいます。スポーツ分析やエンタープライズデータパイプラインといった実用的なユースケースでの検証も行われています。

責任あるAIの分野では、NVIDIAがGoogle DeepMindのSynthID技術で業界初のパートナーとなりました。SynthIDはAI生成コンテンツに電子透かしを埋め込む技術で、NVIDIA Cosmosワールドファウンデーションモデルの出力に適用されます。ロボットや自律機械向けの3D知覚・シミュレーション機能を持つCosmosモデルに透明性をもたらし、開発者がエージェント型アプリケーションをより責任ある形で展開できるようにします。

インフラ面では、Google Cloud NextでNVIDIA Vera Rubin搭載のA5XインスタンスやGoogle DeepMindのGeminiモデルを含むフルスタックプラットフォームを拡張しました。OpenAIやSalesforceなど大手企業も活用しており、プロトタイプからエンタープライズ規模のワークロードまでシームレスに拡張できる環境が整っています。開発者はGemma 4、NVIDIA Nemotron、Google Agent Development Kitなどのオープンモデルとツールを組み合わせ、Blackwell GPU搭載のG4 VM上でマルチエージェントアプリケーションを構築できます。

Googleは2026年5月19日、年次開発者会議Google I/Oで、あらゆる入力から動画を生成できる新しいマルチモーダルモデル「Gemini Omni」を発表しました。CEOのサンダー・ピチャイ氏は「あらゆる入力からあらゆるコンテンツを生成できる」と説明し、テキスト予測から現実のシミュレーションへとAIが進化する次の段階だと位置づけています。

Gemini Omniは、テキスト・画像・音声・動画を組み合わせて入力し、単一のモデルで高品質な動画を出力できます。従来のように複数の専門モデルを連携させるのではなく、1つのモデル内で複数のモダリティを横断的に推論するため、一貫性のある編集が可能です。自然言語で指示を重ねる会話的な動画編集に対応し、前の指示を記憶したまま場面を発展させることができます。

最初のモデルとなるGemini Omni Flashは本日からGeminiアプリ、YouTube Shorts、動画編集ツールFlowで提供が開始されました。現時点では10秒の動画生成に対応しており、今後より長い動画にも対応予定です。AI Plus（月額20ドル）以上のサブスクリプションプランで利用でき、開発者・企業向けのAPI提供は数週間以内に予定されています。上位モデルのOmni Proの公開時期は未定です。

企業向けの活用領域は幅広く、マーケティング動画の量産、社内研修コンテンツの作成、製品デモの自動生成などが想定されています。また、ユーザー自身の声と姿を使うデジタルアバター機能も提供され、ディープフェイク防止のため録画と音声による本人認証が求められます。すべての生成動画にはGoogleのSynthID電子透かしが埋め込まれ、AI生成コンテンツの検証が可能です。

競合環境としては、ByteDanceのSeedance、KuaishouのKling AI、英SynthesiaのAIアバターなどが存在します。GoogleはNano Bananaに続くマルチモーダル統合の成果としてOmniを位置づけており、画像やオーディオの出力にも将来的に対応する計画です。企業の導入にあたっては、API公開後にデータガバナンスや利用規約を確認した上で本格運用に移行することが推奨されています。

Google DeepMindは2026年5月19日のGoogle I/O 2026で、汎用世界モデルProject GenieにGoogle Street Viewのデータを統合する新機能を発表しました。これにより、Street Viewが持つ110カ国・280億枚超の実世界画像をもとに、インタラクティブな仮想環境を生成できるようになります。

ユーザーは地図上の地点を選び、「海中世界」「砂漠」「白黒フィルム」などのスタイルを適用して、現実の街並みを自由にアレンジした仮想空間を体験できます。たとえばサンフランシスコのゴールデンゲートブリッジを海底から眺めたり、テキサスの街並みを1920年代風に再現したりすることが可能です。

産業面ではWaymoがすでにGenieを活用し、竜巻や象との遭遇といった極めて稀な状況を自動運転車の訓練に利用しています。Street Viewとの統合により、新たな都市への展開準備や、ロボットの実環境配備前のシミュレーションにも応用が広がります。

一方で現段階ではまだ実験的な位置づけであり、生成される映像はフォトリアルではなくゲーム品質にとどまります。物理演算にも未対応で、人物がサボテンをすり抜けるといった不自然な挙動が残っています。DeepMindの研究者は、動画生成モデルに比べて精度は6〜12カ月遅れと見積もっています。

本機能はまず米国のGoogle AI Ultra（月額200ドル）会員に提供され、数週間以内にグローバルへ拡大する予定です。Googleは教育・ゲーム・ロボティクスなど幅広い分野での活用を見据えており、精度向上と物理シミュレーション対応が今後の課題となります。

Alphabet発のAIスタートアップSandboxAQは2026年5月18日、Anthropicと提携し、自社の創薬・材料科学向けAIモデルをClaudeに統合したと発表しました。これにより研究者は専用の計算インフラを用意せずとも、自然言語の対話インターフェースを通じて高度な分子シミュレーションを実行できるようになります。

SandboxAQが開発するLQM（大規模定量モデル）は、テキストのパターンではなく物理法則に基づいて訓練された独自のAIモデルです。量子化学計算、分子動力学シミュレーション、化学反応の微視的動力学解析を実行でき、候補分子が実験室で実際にどう振る舞うかを事前に予測します。同社のAIシミュレーション部門GMであるNadia Harhen氏は「フロンティア級の定量モデルがフロンティア級のLLM上で自然言語からアクセスできるのは初めて」と述べています。

創薬分野では、有望な分子を1つ見つけるのに10年以上と数十億ドルの費用がかかり、それでも大半の候補が脱落するのが現実です。Chai DiscoveryやIsomorphic Labsといった競合がモデルの科学的精度を追求する中、SandboxAQは「誰が使えるか」というアクセシビリティの問題に焦点を当てています。従来、LQMの利用には専門的なデジタルインフラが必要でしたが、Claude統合によってその障壁が取り除かれました。

SandboxAQはエリック・シュミット元Google CEO が会長を務め、累計9.5億ドル以上を調達しています。同社はバイオ医薬品、金融、エネルギー、先端素材など50兆ドル超の「定量経済圏」を事業ターゲットに掲げており、サイバーセキュリティ事業も展開しています。今回のClaude統合は、計算科学者だけでなく実験科学者や製薬企業の研究者にもAI創薬ツールの門戸を広げる取り組みとして注目されます。

NVIDIAは同社初の自社設計CPU「Vera」の出荷を開始しました。5月16日、最初のVera CPUがAnthropic、OpenAI、SpaceXAIの3社に届けられ、翌月曜にはOracle Cloud Infrastructure（OCI）にも納入されました。NVIDIAのハイパースケール担当副社長Ian Buck氏が自ら各社を訪問し、手渡しで引き渡しを行っています。

VeraはエージェントAIのワークロードに特化して設計された新しいクラスのCPUです。AIエージェントはGPUだけでは動作せず、サンドボックスの実行やツール呼び出し、オーケストレーション、長文コンテキストの検索など、CPU側の処理が不可欠です。Veraは88基のNVIDIA独自設計Olympusコア、1.2TB/sのメモリ帯域幅、従来比50%高速なコア当たり性能を備え、こうした並行処理の負荷に対応します。

Anthropicの計算基盤責任者James Bradbury氏は「エージェントワークロードの解決においてVeraはエコシステムの有望な一部」と評価しました。OCIは2026年中に数十万台規模のVera CPU導入を計画しており、クラウドプロバイダーとしてハイパースケール展開を行う最初の企業となります。SpaceXAIは強化学習やエージェントベースのシミュレーションパイプラインでの活用を検討しています。

VeraはNVIDIAの次世代Rubin GPUやBlueField 4 DPUと連携する統合アーキテクチャの一部でもあります。Vera Rubin NVL72構成ではNVLink-C2Cを介してRubin GPUと統合メモリアーキテクチャを共有し、従来インフラの2倍のエネルギー効率でGPUへのデータ供給を実現します。Jensen Huang CEOが3月のGTCで発表した同製品は、NVIDIAの次なる数十億ドル規模のビジネスと位置付けられています。

AI動画生成スタートアップのRunwayが、動画生成ツールの提供から「世界モデル」の構築へと事業の軸足を移しつつあります。世界モデルとは物理環境をシミュレーションし、現実世界の振る舞いを予測するAIシステムです。共同創業者のGermanidis氏は、言語モデルが人間の記述したテキストから学習するのに対し、世界モデルは観測データから直接学習することで、より偏りのない知能を実現できると主張しています。

Runwayは2018年にNYU芸術学部出身のチリ人2名とギリシャ人1名が創業し、映画制作者向けAIツールで名を上げました。最新モデルGen-4.5やLionsgate・AMCとの提携を通じ、評価額53億ドル、2026年第2四半期だけでARRを4000万ドル積み増すなど商業面でも成長しています。2025年12月には初の世界モデルをリリースし、ロボティクス部門では実環境でのテスト・導入も始まっています。

同社の究極の目標は、動画・音声・センサーなど複数のモダリティを統合した単一モデルで「宇宙のデジタルツイン」を構築することです。Germanidis氏は、科学実験の待ち時間を圧縮できれば科学の進歩そのものを加速できると語り、生物学的世界モデルによる抗老化研究を個人的なムーンショットに掲げています。

しかし競争環境は厳しく、GoogleのVeoとGenieが動画生成・世界モデルの双方でRunwayと直接競合しています。Yann LeCunのAMI Labs（10.3億ドル調達）やフェイフェイ・リーのWorld Labs（12.9億ドル調達）も同じ領域を狙っています。Runwayの累計調達額は8.6億ドルで、OpenAIの約1750億ドルやAlphabetの時価総額4.86兆ドルとは桁違いの差があります。

一方、OpenAIが動画プラットフォームSoraを1日100万ドルの計算コストに耐えきれず3月に閉鎖した事例は、資金力だけでは生き残れないことを示しています。スタンフォード講師のKatanforoosh氏は、ElevenLabsがリソースで劣りながらOpenAIやGoogleを凌駕した例を挙げ、Runwayにも同様の可能性があると指摘します。シリコンバレー外から出発した独自の文化と早期収益化の姿勢が、この競争における同社の武器です。

NVIDIAがAIエージェント基盤と強化学習インフラの両面で大型の取り組みを発表しました。Nous Research開発のエージェントフレームワーク「Hermes Agent」はGitHub星14万超・世界最多利用エージェントとなり、NVIDIAのRTX PCおよびDGX Sparkでの常時稼働に最適化されています。同時に、AlphaGo設計者David Silver氏が設立したIneffable Intelligenceとの強化学習基盤の共同開発も始動しました。

Hermes Agentの最大の特徴は自己改善能力です。複雑なタスクに直面するたびに学習内容をスキルとして保存し、継続的に性能を向上させます。サブエージェントを短命の独立ワーカーとして扱う設計により、300億パラメータ級のローカルモデルでも安定動作を実現しています。Nous Researchがスキルやツールを厳選・テストしているため、他のフレームワークにありがちなデバッグの手間が大幅に削減されています。

ハードウェア面では、Qwen 3.6 35Bモデルが約20GBのメモリで1200億パラメータモデルを上回る性能を発揮し、DGX Sparkの128GB統合メモリ・1ペタフロップスのAI性能と組み合わせることで、高度なエージェントワークフローを終日実行できます。LM StudioやOllamaとの統合もすぐに利用可能で、ローカルAIの導入障壁を下げています。

一方、Ineffable Intelligenceとの提携は強化学習の次世代インフラ構築を目指すものです。事前学習が固定データセットを処理するのに対し、強化学習はデータをリアルタイムに生成するため、インターコネクトやメモリ帯域に独自の負荷がかかります。NVIDIAのJensen Huang CEOは「超学習者 - 経験から継続的に学ぶシステム」のインフラを共同設計すると表明しました。

技術的にはGrace Blackwell上での開発を皮切りに、次世代プラットフォームVera Rubinへの展開も視野に入れています。Silver氏は「人間が既に知っていることを学ぶAIの問題は概ね解決された。次は自ら新しい知識を発見するシステムが必要だ」と述べており、シミュレーションと経験を通じた学習で科学的ブレークスルーを実現する構想です。NVIDIAはエッジからデータセンターまで、AI基盤の全領域で存在感を強めています。

Microsoft Researchの研究チームが、LLMに文書編集を委任する作業の信頼性を測定するベンチマーク「DELEGATE-52」を開発しました。52の専門領域にわたる310の作業環境で、20回の連続編集をシミュレーションした結果、全モデル平均で文書内容の50%が劣化し、Gemini 3.1 Pro、Claude 4.6 Opus、GPT 5.4といった最先端モデルでも25%が破損することが判明しています。

特筆すべきは破損のパターンです。小さなエラーが徐々に蓄積するのではなく、劣化の約80%は1回のやり取りで文書の10%以上が消失する突発的な大規模障害によって引き起こされます。さらに弱いモデルが主にコンテンツを削除するのに対し、高性能モデルは既存の内容を巧妙に書き換えてしまうため、人間のレビューで発見するのが極めて困難です。

コード実行やファイル操作などの汎用ツールをエージェントに与えると、むしろ平均6%性能が悪化することも示されました。研究者は、汎用ツールではなく、ドメイン固有の狭い範囲に絞ったツールを構築すべきだと指摘しています。RAGパイプラインについても、単発の検索ベンチマークではなく複数ステップのワークフローで評価すべきだと警告しています。

研究チームは、完全自律型AIエージェントへの過度な期待に警鐘を鳴らしつつも、改善速度には楽観的な見方を示しています。GPTシリーズだけでも18か月で20%未満から約70%へとスコアが向上しました。ただし企業環境の規模と多様性を考えると、カスタムのドメイン特化ツール構築は今後も欠かせないと結論づけています。

Microsoft Researchの研究チームが、LLMに文書編集を委任する作業の信頼性を測定するベンチマーク「DELEGATE-52」を発表しました。会計、ソフトウェア工学、結晶学、音楽記譜など52の専門領域にわたる310の作業環境を用意し、19のモデルに対して20回の連続編集タスクを実行させた結果、全モデル平均で文書内容の50%が劣化することが明らかになりました。

評価手法には機械翻訳のバックトランスレーションに着想を得た「往復リレー」方式が採用されています。編集指示とその逆操作をペアにし、元の文書がどれだけ正確に復元されるかを自動測定します。各ラウンドは独立した会話セッションで実施されるため、モデルは直前の作業を「覚えて元に戻す」ことはできず、純粋な編集能力が問われます。

Gemini 3.1 Pro、Claude 4.6 Opus、GPT 5.4といった最上位モデルでも平均25%の文書内容が損なわれました。注目すべきは劣化パターンの違いです。低性能モデルは内容を削除する傾向がある一方、高性能モデルはテキストを残しつつ微妙に歪曲・幻覚を混入させるため、人間による検出がはるかに困難になります。劣化の約80%は徐々に蓄積するのではなく、一度に10%以上の内容が失われる突発的な破局的失敗に起因していました。

実務への示唆も重要です。コード実行やファイル操作などの汎用ツールを与えると性能はむしろ6%悪化し、ドメイン特化型ツールの必要性が浮き彫りになりました。RAGパイプラインにおいても、ノイズの多いコンテキストは2回のやり取りでは1%の劣化にとどまるものの、長期シミュレーションでは2〜8%に膨れ上がります。研究者は、自律エージェントの導入には短く透明性の高いタスク設計と、段階的な人間レビューが不可欠だと指摘しています。

GitHub Blogが、コミュニティの手で数十年にわたり開発・維持されてきたオープンソースのローグライクゲーム10作品を特集しました。1987年リリースのNetHackから2010年代のPixel Dungeonまで、いずれも開発終了を宣言されながらもフォークや派生版によって生き続けています。

記事が注目するのは、これらのゲームを支えるコミュニティ駆動型の開発モデルです。NetHackはインターネット普及前からネットワーク越しの協働で開発され、Angbandは2009年に数十年分の貢献者の同意を得てOSSライセンスへ移行しました。Pixel Dungeonは作者が「完成」と宣言した翌年から数十のフォークが生まれ、その一つShattered Pixel Dungeonは数百万ダウンロードを記録しています。

技術的には、Cataclysm: Dark Days Aheadのように栄養学や物理法則をプルリクエストで議論するほどシミュレーションの精度を追求するプロジェクトや、HyperRogueのように双曲幾何学を応用した研究的ゲームも紹介されています。Angbandではブランチモデルの導入が「生産性の爆発」を生み、ほぼ毎晩新バージョンがリリースされる体制を実現しました。

記事は、ローグライクの長寿の要因をタイトなフィードバックループ、可視化されたシステム、離散しないコミュニティの3点に集約しています。7DRL(7日間ローグライク開発チャレンジ)やRoguelike Celebrationといったイベントが創作を刺激し、GhosttyやRatatuiなどターミナル技術の革新とも共鳴する文化圏を形成していると指摘しています。

Google Quantum AIとGoogle.orgは2026年5月11日、量子科学とAIを生命科学に応用する新たな研究プログラム「REPLIQA」の立ち上げを発表しました。この構想はGoogle.orgから1000万ドル（約15億円）の資金拠出を伴い、ハーバード大学、MIT、カリフォルニア大学サンディエゴ校、カリフォルニア大学サンタバーバラ校、アリゾナ大学の5つの主要学術機関での研究を支援します。

REPLIQAが注目するのは、タンパク質の折りたたみや細胞の薬物反応など、原子レベルで起こる極めて複雑な生物学的プロセスです。古典的なコンピュータではこうした相互作用の正確なシミュレーションが困難ですが、量子技術は分子を支配する量子力学そのものを利用して動作するため、本質的な優位性を持ちます。

具体的な応用として、量子センサーによる生体プロセスの超高精度観測や、創薬に不可欠なP450酵素の挙動シミュレーションの大幅な高速化が期待されています。最近の実験では、量子スピンが細胞の機能に関与している可能性も示唆されており、量子生物学の新たな地平が開かれつつあります。

ただし、GoogleはREPLIQAが基礎研究段階の取り組みであることを明確にしています。即座に成果が出るものではなく、量子センサーや量子強化AIアルゴリズムといった将来のブレークスルーに必要な基盤ツールの構築を目指すものです。長期的な視点で次世代の科学的発見を促進する狙いがあります。

ベルリン発のスタートアップParloaは、OpenAIのモデルを活用した企業向け音声カスタマーサービス基盤「AI Agent Management Platform（AMP）」を構築しました。AMPはGPT-5.4を含む最新モデルを基盤とし、設計・展開・管理を一元化するプラットフォームです。小売・旅行・保険など複数業界で数百万件の会話を処理しています。

AMPの特徴は、ノーコードでAIエージェントを構築できる点です。業務担当者が自然言語でエージェントの役割・指示・ツール・制約を定義し、コードやインテントツリーを書く必要がありません。認証や予約変更などの機能をサブエージェントに分離するモジュラー設計により、単一プロンプトの複雑化を回避しています。

本番投入前の品質保証プロセスが差別化要因となっています。GPT-5.4を使い、一方が顧客役・もう一方がエージェント役となるシミュレーションを実行し、LLM-as-a-judgeと決定的ルールの組み合わせで評価します。抽象的なベンチマークではなく、実際の本番エージェントを再現したテストで性能を検証する方針です。

音声対話では低遅延が不可欠です。音声認識・モデル推論・音声合成のパイプライン全体で、わずかな遅延も通話体験を損ないます。ParloaはOpenAIと連携し、リアルタイム用途向けにレイテンシと応答品質を最適化しています。音声認識の単語誤り率テストや、音声合成のブラインドリスニングテストも実施しています。

導入効果として、ある大手旅行会社では有人対応リクエストが80%削減されました。Parloaは今後、電話・チャット・インタラクティブ要素を統合したマルチモーダルな顧客体験への進化を見据えており、AIエージェントがウェブサイトやモバイルアプリと同等の存在になると展望しています。

Google DeepMindは2026年5月7日、Geminiを基盤とする進化的アルゴリズムエージェント「AlphaEvolve」が研究段階を超え、科学・ビジネスの実問題解決に本格展開していると発表しました。AlphaEvolveは1年前に公開され、複雑な問題に対して最適化されたアルゴリズムを反復的に発見する仕組みです。

科学分野では、DNA配列解析のエラー補正精度を向上させたほか、災害予測の精度改善や電力網の安定化シミュレーションで成果を上げています。さらに複雑な分子シミュレーションの高速化や、神経科学における新たな知見の獲得にも寄与しています。

ビジネス面では、Googleの自社インフラ効率化に加え、Google Cloudの顧客企業が機械学習モデルの改善、創薬の加速、サプライチェーンの改善、倉庫設計の最適化に活用しています。自己改善型アルゴリズムの実用範囲は着実に広がっています。

Googleは今後、AlphaEvolveの能力をさらに多くの実世界の課題に展開する計画です。研究成果を実用に転換する自己改善型AIの代表例として、企業のAI活用戦略に影響を与える可能性があります。

Google DeepMindは2026年5月、オンラインゲームEVE Onlineの開発元であるCCP Gamesに少数株式を取得する形で出資し、研究提携を発表しました。DeepMindはEVE Onlineを「複雑で動的なプレイヤー駆動型システムにおける知能」を研究するための実験環境として活用します。同時にCCP Gamesは韓国のPearl Abyssから1億2000万ドルで経営権を買い戻し、Fenris Creationsとして独立しました。

DeepMindは専用のオフラインサーバー上でAIモデルの制御実験を行い、オンラインのプレイヤー体験には直接影響を与えない方針です。研究の焦点は長期的な計画立案、記憶、継続的な学習といった汎用AI能力の検証にあります。両社は今後、これらの技術を活用した新しいゲーム体験の開発も視野に入れています。

DeepMindにとってゲームはAI研究の重要な実験場であり続けてきました。囲碁でのAlphaGoの成果に始まり、AtariゲームやStarCraftでの超人的パフォーマンス達成など、ゲーム環境を通じた機械学習の進展で知られています。最近では「仮想世界モデル」を活用し、AIが物理的な現実世界で動作するための学習にも取り組んでいます。

Fenris CreationsのCEOであるHilmar Veigar Petursson氏は「EVEは知能に関する問いを、すでに生きた世界のように振る舞う環境の中で探究できる数少ない場所だ」と述べています。DeepMindのAlexandre Moufarek氏も「EVEコミュニティが築いたものはゲーム界で類を見ないシミュレーションであり、汎用AIを安全なサンドボックスでテストする理想的な環境だ」と期待を示しました。

ロボティクスAIスタートアップのGenesis AIは2026年5月6日、独自開発した人間サイズのロボットハンドと初の基盤モデルGENE-26.5を公開しました。同社はKhosla VenturesやEclipseが共同リードした1億500万ドルのシードラウンドで資金を調達しており、ソフトウェアとハードウェアの両方を自社で手がける「フルスタック」戦略を打ち出しています。

最大の特徴は、ロボットハンドが人間の手と同じサイズ・形状で設計されている点です。多くのロボティクス企業が2本指のグリッパーを使う中、Genesis AIは人間の手に近い構造を採用することで、実世界との差異、いわゆる「エンボディメントギャップ」を縮小しました。共同創業者でCEOのZhou Xian氏は「人間の手を可能な限り模倣するロボットハンドを設計すれば、大量の人間データを即座に活用できる」と説明しています。

デモ動画では、卵を割りトマトを切る調理タスクや、ピアノ演奏、ルービックキューブの解法、実験室作業など多彩なタスクが披露されました。共同創業者でMistral AI出身のTheophile Gervet氏は、調理タスクが一連の複雑な動作を長時間こなす能力の証明になると強調しています。加えて、同社はセンサーを搭載した軽量グローブも開発しており、製薬や製造業の現場で作業者が装着するだけでロボット訓練用データを収集できる仕組みを構想しています。

Genesis AIはパリ、ロンドン、カリフォルニアに拠点を持ち、約60人の体制で欧米の人材を活用しています。元Google CEOのEric Schmidt氏も出資者に名を連ね、「ロボティクス業界にとって重要なマイルストーンだ」と評価しました。同社は近くハンドだけでなく全身の汎用ロボットを発表する計画で、Zhou氏は「最も高性能なロボットシステムの構築」を目標に掲げています。

スタートアップのBroxは、実在する6万人の「デジタルツイン」を構築し、従来12週間かかっていた市場調査を数時間で完了できるサービスを発表しました。同社は戦略的資金調達ラウンドを完了し、前年比10倍の売上成長を報告しています。CEOのHamish Brocklebank氏は「これらのデジタルツインは実在する個人の1対1のレプリカだ」と説明しています。

Broxの技術は、LLMで生成した架空のペルソナではなく、実際に採用・報酬を支払った被験者への数時間にわたるインタビューに基づいています。1人あたり最大300ページのテキストデータを蓄積し、生い立ちや人間関係、意思決定の動機まで掘り下げます。予測結果には「推論チェーン」が付与され、なぜその反応が起きるのかをステップごとに説明できる点が、既存の合成データとの大きな違いです。

主な活用分野は金融と製薬の2領域です。金融では、地政学的リスクに対する預金者の行動予測に使われ、製薬ではワクチン忌避の変動や政治的発言が処方行動に与える影響をシミュレーションします。高額資産家の協力を維持するため、株式連動型報酬（SAR）を付与するユニークなインセンティブ設計も採用しています。

料金体系は年間10万ドルからの定額SaaSモデルで、大規模契約では最大150万ドルに達します。利用回数の上限はなく、何千回ものシミュレーションを追加費用なしで実行可能です。現在は米国、英国、日本、トルコの4カ国で展開しており、中東やAPAC地域への拡大を計画中。従業員14人の少数精鋭ながら、Scribble VenturesやWonder Venturesなどが出資しています。

Future of Life InstituteのEmilia Javorsky氏が、IEEE Spectrumのインタビューで「がんを治すために超知能AIは必要ない」と主張しました。同氏は医師・科学者・起業家としての経験をもとに、AGI（汎用人工知能）やASI（超知能）への巨額投資がもたらす期待と現実のギャップを指摘しています。

Javorsky氏が強調するのは、がんが単一の病気ではないという事実です。腫瘍ごとに異なる変異が存在し、同じ腫瘍内でも細胞ごとに異なる生物学的特性を持ちます。そのため「一つの万能な治療法で治す」という枠組み自体が誤りであり、医療の現実的な目標は高度に個別化された治療によってがんを慢性的に管理可能な状態にすることだと述べています。

一方で同氏は、現在すでに利用可能なAI技術に対しては楽観的です。AIによる早期がん検出、臨床試験の効率化、創薬における毒性予測、新規バイオマーカーの発見など、実際の臨床現場で成果を上げている分野は数多くあります。さらに、デジタルツイン技術を用いて患者個人の生体をシミュレーションし、最適な治療法を特定する研究にも注目しています。

問題の核心は資本配分にあるとJavorsky氏は論じます。現在はAIの知能・計算能力への投資に偏りすぎており、生体計測ツールの革新や大規模で高品質なデータセットの構築が後回しにされています。医療システムが「病気になってから初めて計測を始める」構造であること自体が、AIの可能性を制限しているのです。

同氏はエッセイの結論として3段階のロードマップを提示しました。第一に腫瘍学で実績のあるAIツールの拡充、第二に有望な生物学分野への投資強化、第三に医療の進歩を阻む制度的・構造的ボトルネックの解消です。「現実は実はかなり希望に満ちている」と同氏は述べ、未来の超知能に頼るのではなく、今ある技術を活かす道筋を示しました。

xAIは2026年5月1日、独自の大規模言語モデル「Grok 4.3」と音声クローニングスイートを発表しました。Grok 4.3は推論を常時有効にした設計を採用し、100万トークンのコンテキストウィンドウを備えています。API価格は入力100万トークンあたり1.25ドル、出力2.50ドルと、前モデルのGrok 4.2から入力で約40%、出力で約60%の値下げとなりました。

第三者ベンチマークでは、法務分野のCaseLaw v2で79.3%の正解率を達成して1位を獲得し、企業財務分野のCorpFinでも首位に立ちました。エージェント型タスクの指標であるGDPval-AAベンチマークではElo 1500を記録し、Gemini 3.1 ProやGPT-5.4 miniを上回っています。一方で汎用コーディングや数学では弱点が残り、ProofBenchのスコアは11%にとどまりました。

新たに提供が始まったCustom Voices機能は、120秒の音声サンプルからユーザーの声を高精度にクローンできるサービスです。話し方のパターンも再現でき、カスタマーサポート風の口調で録音すればそのスタイルが反映されます。ただし利用は米国内に限定され、イリノイ州はプライバシー規制により対象外です。音声エージェントAPIは1時間あたり3ドルで提供されます。

xAIは低価格を最大の差別化要因と位置づけており、Abacus AIのCEOは「Sonnet 4.6と同等の性能で5倍安く速い」と評価しました。ただし、エージェント動作の安定性に課題が指摘されており、シミュレーション上で行動を取らず停止する「ナルコレプシー」問題が報告されています。また過去のGrokモデルで発生した不適切コンテンツ生成の前例もあり、企業導入には慎重な評価が求められます。

英国AI安全研究所（AISI）は2026年5月1日、OpenAIが前週に一般公開したGPT-5.5のサイバーセキュリティ能力評価を公表しました。95種類のCapture the Flag課題を用いたテストで、GPT-5.5はAnthropicが「突出したサイバー脅威」として限定公開したMythos Previewと同等の性能を示しました。

最高難度のExpert課題では、GPT-5.5が平均71.4%を達成し、Mythos Previewの68.6%をわずかに上回りました。ただし統計的な誤差範囲内です。特に注目すべきは、Rustバイナリを逆アセンブルする高難度課題をGPT-5.5が10分22秒、API費用わずか1.73ドルで解いた点です。

企業ネットワークへの32段階のデータ窃取攻撃を再現した「The Last Ones」テストでは、GPT-5.5が10回中3回、Mythos Previewが10回中2回成功しました。過去にこのテストを突破したAIモデルは存在せず、両モデルとも画期的な結果です。一方、発電所の制御ソフトウェアを標的とした「Cooling Tower」シミュレーションには両モデルとも失敗しています。

この結果は、Anthropicが先月Mythosの公開を「重要な業界パートナー」に限定した判断に疑問を投げかけます。同等の能力を持つGPT-5.5がすでに一般公開されている以上、アクセス制限だけではサイバー脅威の抑止にならないことが明らかになりました。AIモデルのサイバー能力に関する誇大な主張と、実際のリスク評価との間にある乖離が改めて浮き彫りになっています。

Google DeepMindは2026年4月30日、AIが医師の診療を補助する「AI co-clinician（AI共同臨床医）」の研究構想を発表しました。WHOが2030年までに世界で1000万人以上の医療従事者不足を予測するなか、AIを臨床チームの一員として機能させ、医師の監督下で患者ケアの質・コスト・アクセスを改善することを目指しています。

臨床支援の面では、98件の現実的なプライマリケア質問を用いた盲検評価で、AI co-clinicianは97件で重大エラーゼロを記録し、医師が広く利用する既存AI2システムを上回りました。また薬剤知識ベンチマーク「RxQA」のオープンエンド形式でも、他の最先端AIモデルを凌駕する成績を示しています。

遠隔医療への応用研究では、GeminiとProject Astraの技術を基盤に、音声・映像をリアルタイムで活用するテレメディカル診察のシミュレーションを実施しました。ハーバード大学とスタンフォード大学の医師と共同で20の臨床シナリオを設計し、吸入器の使い方の修正や肩の回旋腱板損傷の特定など、テキストだけでは不可能な診察支援を実証しています。

ただし140項目の診察スキル評価では、専門医がAIを総合的に上回り、特に危険信号の特定や重要な身体診察の誘導で差が出ました。研究チームはAIが医師の代替ではなく支援ツールとして最も効果的だと結論づけています。安全面では「Planner」と「Talker」の二重エージェント構造を採用し、臨床的に安全な範囲を逸脱しないよう監視する仕組みを導入しました。

今後はアメリカ、インド、オーストラリア、ニュージーランド、シンガポール、UAEなど世界各地の医療機関や学術研究センターと段階的な評価を進める計画です。現段階では診断・治療への直接使用は想定しておらず、責任ある開発と展開を重視する姿勢を示しています。

MIT教授のPulkit Agrawal氏と元Google DeepMind研究者のTuomas Haarnoja氏が共同設立したスタートアップEkaが、ロボットの物体操作能力で注目を集めています。マサチューセッツ州ケンブリッジに拠点を置く同社のロボットは、電球をソケットにねじ込む、鍵の束をつまみ上げるといった繊細な動作を、人間のような自然さでこなします。Wired誌の記者は「10年以上ロボットを取材してきたが、これほど自然に動くものは見たことがない」と評しました。

Ekaのアプローチは、人間のデモンストレーションデータに頼る他社とは一線を画しています。同社のロボットはシミュレーション環境の中で数千時間にわたり自律的に練習し、独自の解決策を編み出します。これはGoogle DeepMindのAlphaZeroがチェスで超人的な戦略を自ら発見したのと同じ原理です。かつてOpenAIがDactylプロジェクトで試みたシミュレーション学習は「行き止まり」とされましたが、Ekaはそのギャップを埋めることに成功しつつあります。

技術的な鍵は、触覚を組み込んだ独自のグリッパーと、vision-force-actionモデルと呼ばれる新しいAIアルゴリズムにあります。このモデルは関節やモーターだけでなく、質量や慣性といった物理法則もシミュレーションに取り込み、物体の重さや動きの速度が操作に与える影響を学習します。その結果、物体が滑り落ちそうになっても自律的に回復する能力を獲得しました。

特に印象的なデモは食品ハンドリングです。テーブルに散らばったチキンナゲットをベルトコンベア上の容器に素早く詰める作業で、容器が遠ざかるとナゲットを短い距離から投げ入れるという即興的な判断も見せました。食品は形状が不均一で繊細な扱いが求められるため、自動化が特に困難な領域です。

Agrawal氏は「人間と同等ではなく、超人的な操作能力が目標だ」と語っています。同じアプローチをiPhoneの組み立てのような精密作業にも適用できるとの見方を示しました。ロボット工学における「ChatGPTの瞬間」が訪れるかどうかはまだ不透明ですが、Ekaが実現しつつある触覚的・身体的知能は、汎用ロボットの実用化に向けた重要な一歩と言えるでしょう。

MITの研究チームが、プライバシーを保護しながらAIモデルを学習させる連合学習（Federated Learning）の効率を大幅に改善する新手法「FTTE」（Federated Tiny Training Engine）を開発しました。従来手法と比較して学習完了までの時間を約81%短縮でき、スマートウォッチやセンサーなどの小型エッジデバイスでも高精度なAIモデルの学習が可能になります。

連合学習では、中央サーバーからAIモデルを各デバイスに配信し、端末上のローカルデータで学習したうえで更新情報をサーバーに送り返します。ユーザーデータは端末から外に出ないためプライバシーが守られますが、メモリやネットワーク接続に制約のあるデバイスでは学習の遅延や失敗が生じていました。特に性能の異なるデバイスが混在するネットワークでは、最も遅い端末がボトルネックとなる問題がありました。

FTTEは3つの技術革新でこの課題を解決します。第一に、モデル全体ではなく精度に寄与するパラメータのサブセットのみを送信し、端末のメモリ負荷を軽減します。第二に、全端末からの応答を待たず一定数の更新が集まった時点で学習を進める半非同期方式を採用します。第三に、受信時刻に基づいて更新の重み付けを行い、古い更新の影響を抑制します。

シミュレーション実験では、数百台の異種デバイスを用いたテストでメモリ使用量80%削減、通信量69%削減を達成しつつ、他の手法と同等の精度を維持しました。デバイス数が増えるほど性能向上が大きくなる拡張性も確認されています。実機での小規模テストも実施済みです。

研究を主導したIrene Tenison氏は「AIを巨大サーバーだけでなく、日常的に持ち歩く小さなデバイスで動かすための重要な一歩」と述べています。今後は各デバイスでのパーソナライズ性能の向上や、より大規模な実機実験を計画しています。この成果はIEEE International Joint Conference on Neural Networksで発表予定です。

MITとIBMは2026年4月29日、AI・アルゴリズム・量子計算の3分野を統合的に研究する「MIT-IBM Computing Research Lab」の設立を発表しました。2017年に設立されたMIT-IBM Watson AI Labを発展的に改組したもので、AIが実用段階に入り量子計算が急速に進展する現在の技術環境を反映しています。両者は計算の数学的基盤そのものを再定義することを目指します。

研究所はAI、アルゴリズム、量子計算の3つの柱で構成されます。AI分野では小型で効率的なモジュール型言語モデルの設計や、信頼性と透明性を重視した企業向けAIシステムの開発に取り組みます。量子分野では材料科学・化学・生物学への応用を見据えた新しい量子アルゴリズムの開発を加速させます。

アルゴリズム分野では、機械学習の数学的基盤やハミルトニアンシミュレーション、偏微分方程式の新手法を研究します。これらの成果は気象・乱気流予測の精度向上、金融市場のリスク低減、タンパク質構造予測による創薬、サプライチェーンの最適化など、幅広い産業への応用が期待されています。

研究所はMITの生成AIインパクト・コンソーシアムや量子イニシアチブとも連携します。IBMは2029年までに世界初の耐故障量子コンピュータの実現を目指すロードマップを掲げており、量子コンピュータと高性能計算・AIアクセラレータを統合する「量子中心スーパーコンピューティング」の推進を研究所の柱に据えています。

前身のWatson AI Labでは150名超のMIT教員と200名超のIBM研究者が参加し、210件超の研究プロジェクトから1500本超の査読付き論文が生まれました。500名以上の学生・ポスドクへの支援実績もあり、新研究所はこの基盤の上に次世代の計算科学者の育成も継続していく方針です。

NVIDIAは、製造業における従来の「設計・製造・テスト」サイクルを根本から変えるシミュレーション先行型のワークフローを推進しています。同社のNVIDIA OmniverseとOpenUSDを基盤に、高精度なシミュレーション環境で合成データを生成し、AIモデルを本番投入前に訓練・検証できる体制が整いつつあります。物理的に正確な3Dアセットの仕様である「SimReady」も、パイプライン間のデータ損失を解消する重要な役割を担います。

ABB Roboticsは、Omniverseライブラリを自社シミュレーション基盤「RobotStudio HyperReality」に統合し、シミュレーション精度99%を達成しました。ロボットステーションをUSDファイルとして表現し、実機と同じファームウェアで動作させることで、生産ライン構築前にAIモデルの検証が可能になっています。その結果、製品導入サイクルは最大50%、コミッショニング時間は最大80%、設備ライフサイクルコストは30〜40%の削減が見込まれています。

英国の自動車メーカーJLRは、同様のシミュレーション先行アプローチを車両空力設計に適用しました。2万件以上の風洞相関CFDシミュレーションでニューラルサロゲートモデルを訓練し、空力熱負荷の95%をNVIDIA GPU上で処理しています。Omniverseで構築した「Neural Concept Design Lab」により、デザイナーが車両形状を変更すると空力特性がリアルタイムで可視化され、従来4時間かかった解析がわずか1分に短縮されました。

工場が稼働した後の課題に対応するのが、Tulip Interfacesの「Factory Playback」です。NVIDIA Metropolis VSSブループリントを基盤に、カメラ映像・センサーデータ・運用コンテキストを統合したタイムラインを構築しています。さらにNVIDIA Cosmos Reasonビジョン言語モデルでオペレーターの行動をリアルタイム解釈する仕組みも備えています。世界40以上の工場を持つ産業機器メーカーTerexへの導入では、歩留まり3%向上と手直し作業10%削減が期待されています。

NVIDIAはSimReadyアセット、Omniverseライブラリ、物理AIスタックを組み合わせた包括的な開発基盤を提供しており、ロボット訓練からデジタルツイン、工場の映像解析まで幅広い用途に対応しています。無料の自習コースやIsaac Sim、Cosmos Cookbookなども公開されており、製造業のシミュレーション先行型への移行を後押しする体制が整っています。

Google DeepMindでAlphaGoやAlphaZeroを開発したDavid Silver氏が、新会社Ineffable Intelligenceを英国で設立し、シードラウンドで11億ドル（約1650億円）を調達しました。評価額は51億ドルに達し、欧州のAIスタートアップとしては異例の規模です。Sequoia CapitalとLightspeed Venture Partnersが共同でリードし、Index Ventures、Google、Nvidia、英国政府系のSovereign AIファンドも参加しています。

同社が目指すのは、人間が生成したデータに頼らず、強化学習によって自律的に知識とスキルを獲得する「超学習者（superlearner）」の構築です。Silver氏はDeepMindで10年以上にわたり強化学習チームを率い、AlphaGoやAlphaZeroでは人間の棋譜を一切使わずにプロ棋士を超える性能を実現しました。この手法を汎用知能に拡張するのが同社の核心的な戦略です。

Silver氏は現在の大規模言語モデル（LLM）中心のアプローチに明確な限界があると主張しています。LLMは人間のデータという「化石燃料」に依存しており、自ら世界を探索して学ぶことができないと指摘。仮に地球が平らだと信じられていた時代にLLMを投入しても、そのまま天動説を信じ続けるだろうと述べています。一方、強化学習ベースのAIはシミュレーション環境内で試行錯誤を重ね、独自の科学的発見に到達できる可能性があるとしています。

安全性についても独自の見解を示しています。シミュレーション内でAIエージェントの振る舞いを観察することで、人間の価値観と整合しない行動を事前に検出できるとSilver氏は説明しています。また、同社から得る個人的な利益はすべて「できるだけ多くの命を救う」高インパクトな慈善団体に寄付すると表明しました。

この動きは、著名AI研究者による大型起業の潮流を加速させるものです。先月にはTuring賞受賞者のYann LeCun氏が共同設立したAMI Labsが10.3億ドルを調達し、DeepMind元主任研究員のTim Rocktäschel氏によるRecursive Superintelligenceも5億ドル規模の資金を集めています。ロンドンがDeepMind卒業生を軸にAI開発の世界的拠点として存在感を高めている状況が鮮明になっています。

GMや日産など大手自動車メーカーが、貿易摩擦や需要変動が激しい環境下で、AIを活用した車両開発期間の短縮に本格的に取り組んでいます。従来60カ月かかっていた新車の設計・開発プロセスに対し、AIによる自動化と高速化が複数の工程で導入されつつあります。

GMのデザイン部門では、手描きスケッチをVizcomというAIツールに入力し、数時間で完全な3Dモデルやアニメーションを生成しています。従来は複数チームが数カ月かけていた作業です。現時点ではこれらは社内のコンセプト検討用途に限られ、最終的なデザイン判断は人間のデザイナーが行うとGMは強調しています。

空力シミュレーションの分野でも大きな変化が起きています。スイスのNeural Concept社はニューラルネットワークを用いたCFD解析で、従来4時間かかっていた計算を1分に短縮しました。Jaguar Land RoverやウィリアムズF1チームが顧客であり、GMも独自のAI仮想風洞を開発中です。これにより設計者がリアルタイムで空力性能のフィードバックを得られるようになりました。

日産はソフトウェア開発のユニットテスト自動化などにAIを活用し、30カ月での新車開発を目標に掲げています。各社はAIによる生産性向上を強調し、人員削減には否定的な姿勢を示しています。

一方、イタリアの自動車デザイン教育者であるマッテオ・リカータ氏は、生産性の劇的な向上がスタジオの人員数に影響しないと考えるのは楽観的すぎると警告しています。トランプ政権の関税政策やEV戦略の転換も重なり、自動車業界は開発スピードの加速を迫られている状況です。

Googleは2026年4月24日、AIアシスタント「Gemini」アプリの第10回Gemini Dropとして大規模なアップデートを発表しました。今回の更新では、macOS向けネイティブデスクトップアプリの提供開始、音楽生成AI「Lyria 3 Pro」による最大3分間の楽曲作成機能の無料開放、NotebookLMとの統合によるノートブック機能など、多岐にわたる新機能が追加されています。

パーソナライズ機能では、Personal IntelligenceとNano Bananaを組み合わせた画像生成が強化されました。ユーザーは自分の生活や趣味に合った画像を生成でき、Googleアプリとの連携により個人に最適化された支援を受けられます。この機能はグローバルに展開が開始されています。

実用面では、Gemini Liveのカメラ連携機能が日常生活を幅広くサポートします。冷蔵庫の中身を映してレシピ提案を受けたり、故障した設備を撮影して修理手順を案内してもらったり、植物の状態を診断してもらうことが可能です。部屋の写真をアップロードしてインテリアの模様替えをシミュレーションする機能も提供されています。

生産性向上の観点では、GmailにおけるGemini統合も注目されます。長いメールスレッドの要約や過去の領収書の検索に加え、米国のUltra Subscriberは受信トレイを自動整理するAI Inbox機能やAgent Modeを利用できます。複雑な概念を3Dモデルやチャートで対話的に可視化する機能も追加され、学習や分析の効率化が期待されます。

NVIDIAとGoogle Cloudは、Google Cloud Next 2026において、AIファクトリー向けインフラの大幅な拡充を発表しました。10年以上にわたる協業の成果として、エージェントAIとフィジカルAIの本番環境への展開を加速する新たなマイルストーンとなります。両社はチップからソフトウェアまでフルスタックで共同設計したプラットフォームを提供し、開発者やエンタープライズのAI活用を支援します。

インフラ面では、次世代Vera Rubin NVL72を搭載したA5Xベアメタルインスタンスが発表されました。前世代と比較して推論コストを10分の1、メガワットあたりのトークンスループットを10倍に改善します。単一サイトで最大8万GPU、マルチサイトでは最大96万GPUへのスケーリングが可能です。

Blackwellプラットフォームでは、A4からA4X Maxまで幅広いVMラインナップを揃えました。OpenAIがChatGPTの推論ワークロードにGB300およびGB200 NVL72システムを採用するなど、フロンティアAIラボによる実運用が進んでいます。また、機密コンピューティング対応のConfidential G4 VMも発表され、規制産業向けにプロンプトやモデルの暗号化保護を実現しました。

エージェントAI領域では、Nemotron 3 SuperがGemini Enterprise Agent Platformで利用可能になりました。NeMo RLベースのマネージド強化学習APIも導入され、クラスタ管理を自動化しながら大規模なRL訓練を実行できます。CrowdStrikeがサイバーセキュリティ向けにNeMoライブラリを活用するなど、実用事例も広がっています。

フィジカルAI分野では、OmniverseライブラリとIsaac SimがGoogle Cloud Marketplaceで提供され、デジタルツインの構築やロボットシミュレーションが可能になりました。Cosmos Reason 2などのNIM マイクロサービスをVertex AIにデプロイすることで、ロボットやビジョンAIエージェントが物理世界で推論・行動できる基盤が整います。SnapやSchrödingerなど大企業からスタートアップまで、9万人超の開発者コミュニティがこのプラットフォームを活用しています。

NVIDIAはアースデーに合わせ、AI技術で地球環境を保護する5つのプロジェクトを紹介しました。気候シミュレーション基盤「Earth-2」による高精度気象予測、絶滅危惧種オランウータンの保全、AIロボティクスによるリサイクル、津波早期警報、衛星画像のリアルタイム解析という5分野で、加速コンピューティングが環境課題の解決を後押ししています。

気象分野では、Earth-2がオープンなAI気象ソフトウェアスタックとして観測データの前処理から15日間の予測まで全工程を高速化します。Earth-2 Nowcastingは生成AIを活用し、国規模の予測をキロメートル解像度・6時間先までの局地予報に数分で変換します。データ同化モデル「HealDA」はNOAAやMITREと共同開発され、単一GPUで大気の全球スナップショットを数分で生成できます。

野生動物保全では、ボルネオとスマトラの熱帯雨林でGPU加速AIがオランウータンの巣をドローン画像から自動検出する研究が成果を上げています。従来は1時間のドローン飛行で30時間の画像分析が必要でしたが、AIモデルは1,800枚の画像を5分以内に処理します。InceptionV3ベースのモデルは99%超の精度を達成し、3種すべてが絶滅危惧種であるオランウータンの迅速な個体数モニタリングを可能にしています。

リサイクル分野では、NVIDIA InceptionメンバーのAMP社がAIロボティクスで廃棄物回収率90%を実現し、従来施設の約75%を大きく上回っています。これまでに20億ポンド以上の素材を埋立処分から転換し、推定73万9千トンのCO2排出を削減しました。NVIDIA Hopper GPUの採用でAI推論の消費電力も半減しています。

防災では、テキサス大学オースティン校のチームがカスカディア断層の津波予測でACMゴードンベル賞を受賞しました。物理モデルの事前計算とGPU処理により、従来手法の100億倍の速度で津波予測を完了し、沿岸住民の避難時間を確保します。また、Planet社はNVIDIAとの協業で衛星の生データからの画像処理パイプラインをGPUネイティブで構築し、山火事などの災害情報を従来の数時間から秒単位で提供する基盤を整えています。

Charlemagne Labsが開発したツールを用いて、5種類のAIモデルによるソーシャルエンジニアリング攻撃の能力が検証されました。テストではAIが攻撃者と標的の両方の役割を演じ、数百から数千回のシミュレーションを実行します。記者自身を標的にした実験では、DeepSeek-V3が記者の関心分野を巧みに織り込んだフィッシングメッセージを生成し、複数回のメールのやり取りを通じて不正リンクへの誘導を試みました。

テストに使われたのはAnthropic Claude 3 Haiku、OpenAI GPT-4o、Nvidia Nemotron、DeepSeek-V3、Alibaba Qwenの5モデルです。すべてのモデルがソーシャルエンジニアリング手法を考案しましたが、説得力にはばらつきがありました。一部のモデルは途中で混乱して不自然な出力を返したり、倫理的な制約から攻撃の続行を拒否する場面もありました。

SocialProof社CEOのRachel Tobac氏は、AIが攻撃の巧妙さを飛躍的に高めたわけではないものの、一人の攻撃者が大規模に攻撃を展開できる点が脅威だと指摘します。音声クローンやディープフェイク動画を使った詐欺事例もすでに報告されており、攻撃パイプライン全体の自動化が進んでいます。

Charlemagne Labsの共同創業者Jeremy Philip Galen氏は、現代の企業攻撃の90%が人的リスクに起因すると述べています。同社はMetaの最新モデルMuse Sparkの能力評価にも協力しました。一方で共同創業者のRichard Whaling氏は、防御側のAIモデル訓練にオープンソースモデルが不可欠であり、健全なオープンソースコミュニティの維持が防御の鍵になると強調しています。

AI検出ツールを開発するPangram Labsが、リアルタイムでSNS投稿のAI生成判定を行うChrome拡張機能の最新版を一般公開しました。月額20ドルの有料プランでは、Reddit、X、LinkedIn、Medium、Substackの投稿を自動的にスキャンし、「人間が書いた」「AI生成」「AIの補助あり」の3段階で分類します。同社は精度99.98%、誤検出率1万分の1と主張しています。

注目を集めたのは、教皇レオ14世の公式Xアカウントに対する判定結果です。AIが人間の精神に及ぼす危険性を論じるスレッドの中で、最初の投稿は「人間が執筆」と判定された一方、続く3つの投稿は「AI生成」とフラグが立てられました。「シミュレーションが常態化すると、人間の識別能力が弱まる」というAIへの警告文が、皮肉にもAI生成と判定されたのです。Pangram CEOのMax Spero氏は「教皇本人がSNSを運営していないのは明らかで、担当者がAIを使っている」と指摘しています。

この拡張機能が浮き彫りにするのは、インターネット上のAIスロップ（AI生成の低品質コンテンツ）の蔓延です。スタンフォード大学らの研究によると、2025年時点で新規ウェブサイトの3分の1以上がAI生成テキストを含んでいます。Redditでは新規アカウントによるAI生成投稿が確認され、LinkedInやSubstackのインフルエンサー投稿にもAI生成の判定が頻出しています。

Pangramの検出精度は第三者機関からも高く評価されています。2025年のシカゴ大学の調査では、AI検出ソフトウェアの中で最高評価を獲得し、特に長文での誤検出率がほぼゼロであることが確認されました。Spero氏は「人間とAIの境界に近い、より難しいサンプルでも訓練している」ことが競合より優れている理由だと説明しています。リアルタイム検出の普及は、読者がより批判的に情報を吟味するきっかけになると期待されています。

スタートアップのVerkor.ioは、AIエージェントシステム「Design Conductor」を用いて、RISC-V CPUコア「VerCore」をわずか12時間で設計したと発表しました。219語の設計仕様書を入力するだけで、設計・実装・テスト・レイアウトまでを自律的に完了し、EDAソフトウェアで使用可能なGDSIIファイルを出力します。これはAIエージェントによるRISC-V CPUコアの完全設計として初の事例です。

Design Conductorは、LLMを構造化されたステップに沿って動作させるハーネスです。人間のチップ設計者が踏む工程を模倣し、仕様分析からRTL記述、電力供給やタイミング検証、レイアウトまでを段階的に処理します。一部のタスクではOpenROADなどの外部ツールも呼び出します。SynopsysやCadenceもAIツールを提供していますが、仕様から完成まで全工程を自律処理する点がDesign Conductorの特徴です。

VerCoreのクロック速度は1.48GHzで、CoreMarkベンチマークで3,261点を記録しました。これは2011年のIntel Celeron SU2300と同等の性能です。最先端CPUには及びませんが、RISC-Vはオープン標準で無償利用可能なため、コスト面での実用性があります。チップはまだ物理製造されておらず、RISC-Vリファレンスシミュレータ「Spike」と学術用7nmプロセスキット「ASAP7 PDK」で検証されています。

ただし、LLMには人間の直感が欠けるという限界もあります。タイミングエラーの修正で非効率な試行錯誤を繰り返すなど、経験ある設計者なら避けられる問題に陥ることがあります。Verkor.ioのDavid Chin副社長は「経験を計算資源で代替している」と表現しています。設計の複雑さが増すほど計算コストは非線形に増大するため、専門家の知見との併用が現実的です。

それでも、小規模チームでのチップ設計を可能にする点で大きな意義があります。Verkor.ioによると、現時点では5〜10人の専門家チームがあれば量産可能な設計に到達できるとのことです。同社は4月末に設計ファイルを公開し、6月のDAC(設計自動化カンファレンス)でFPGA実装のデモを予定しています。

2026年4月、テック業界の大手CEOたちがAIを活用した自身の分身や組織再編を相次いで推進していることが明らかになりました。Metaはマーク・ザッカーバーグの公的発言や行動パターンを学習させたフォトリアルな3Dアバターを開発中で、社員がビデオ通話を通じてアバターに質問や相談ができる仕組みを目指しています。

この動きはザッカーバーグだけにとどまりません。KlarnaのシミアトコフスキCEOやZoomのエリック・ユアンCEOは、すでに2025年に四半期決算説明会の一部をAI分身に担当させており、CEO業務の一部をシミュレーションに委ねる流れが加速しています。

一方、Block社のジャック・ドーシーCEOはさらに急進的なビジョンを打ち出しています。同社は約4000人の人員削減を実施した上で、AIを「インテリジェンスレイヤー」として組織の中核に据え、現在5階層ある管理構造を2〜3階層に圧縮、最終的には全6000人がCEO直属となる体制を目標としています。

ドーシーはSequoiaのルルフ・ボータ氏と共同で「階層から知性へ」と題したブログ投稿を公開し、従来のコパイロット型AI導入ではなく、企業そのものを「ミニAGI」として再構築する構想を示しました。

しかしWIREDは、こうした動きがCEOの権限拡大と不可欠性の強化に向かっている点を指摘しています。AIによる「遍在」が実際に社員や企業全体に利益をもたらすかどうかの実証はまだなく、理論上のショートカットに賭けている段階だと分析しています。

2026年4月20日から24日にかけてドイツ・ハノーバーで開催されるハノーバーメッセ2026で、NVIDIAとパートナー企業群がAI駆動型製造業の最新成果を展示します。加速コンピューティング、AI物理シミュレーション、AIエージェント、ヒューマノイドロボットなど、産業革新の全領域にわたるデモンストレーションが行われます。

インフラ面では、Deutsche TelekomがNVIDIA AI基盤上に構築した欧州最大級の産業用AIクラウドが注目されます。Siemens、SAP、Agile Robotsなどがこのソブリンプラットフォーム上でリアルタイムシミュレーションやデジタルツインを稼働させ、製造業のAI活用基盤として位置づけています。

工場運営の分野では、NVIDIA MetropolisライブラリとCosmosモデルを活用した視覚AIエージェントが品質管理や安全監視を変革しています。Invisible AIのビジョン実行システムはトヨタの自動車工場で成果を上げており、Tulip InterfacesのFactory Playbackは歩留まり3%向上とリワーク10%削減が見込まれています。

ロボティクス領域では、Humanoid社のHMND 01がドイツ・エアランゲンのSiemens工場で自律物流作業を完了しました。NVIDIA Jetson Thorモジュールを搭載し、Isaac SimとIsaac Labによるシミュレーションファーストの開発手法で、従来最大2年かかるハードウェア開発を7カ月に圧縮しています。

さらにHexagon Roboticsの人型ロボットAEONがBMWライプツィヒ工場で組立作業に投入予定であり、ドイツの生産現場におけるヒューマノイド初導入事例の一つとなります。SCHUNKのGROWオートメーションセルも、中小企業向けにフィジカルAIを標準化・展開可能な形で提供し、欧州製造業全体への普及を目指しています。

ロボット向けシミュレーションツールを開発する米スタートアップAntiochは2026年4月16日、850万ドル（約12億円）のシード資金調達を発表しました。評価額は6000万ドルで、ベンチャーキャピタルのA*とCategory Venturesが主導し、MaC Venture Capital、Abstract、Box Group、Icehouse Venturesも参加しています。

Antiochは、ロボット開発における「sim-to-realギャップ」の解消を目指しています。これは仮想環境で訓練したロボットが現実世界で確実に動作するために、シミュレーションの忠実度を高めるという課題です。同社のプラットフォームでは、ロボットのハードウェアを複数のデジタルインスタンスとして起動し、実世界と同等のセンサーデータをシミュレートできます。開発者はエッジケースのテストや強化学習、訓練データの生成をソフトウェア上で完結させることが可能です。

同社はソフトウェア開発ツールCursorのロボット版を標榜しており、NvidiaやWorld Labsなどのモデルをベースにドメイン特化のライブラリを構築しています。現在は自動運転車やトラック、農業・建設機械、ドローンなどのセンサー・認識システムに注力しています。大手多国籍企業との初期的な取り組みも始まっています。

MITのコンピュータ科学・人工知能研究所の研究者David Mayo氏は、AntiochのプラットフォームをLLMの評価に活用しています。AIモデルにロボットを設計させ、シミュレーター上でテストする実験を行っており、LLMのベンチマーク手法としての可能性も示しています。共同創業者のHarry Mellsop氏は「2〜3年以内に、現実世界の自律システムはソフトウェア上で主に構築されるようになる」と語っています。

Anthropicの共同創業者ジャック・クラーク氏は2026年4月14日、同社の新モデルMythosについてトランプ政権にブリーフィングを行ったことを認めました。Mythos Previewはサイバーセキュリティ分野で突出した能力を持つとされ、一般公開が見送られている異例のAIモデルです。クラーク氏はSemafor World Economy Summitでの講演で、政府との連携の重要性を強調しました。

Anthropicは今年3月、国防総省からサプライチェーンリスク企業に指定されたことを受け連邦政府を提訴しています。軍によるAIの無制限利用、とりわけ国民の大規模監視や完全自律型兵器への転用に同社が反対したことが背景にあります。クラーク氏はこの指定を「狭い範囲の契約上の紛争」と位置づけ、訴訟が国家安全保障上の対話を妨げるべきではないとの立場を示しました。

一方、英国AI安全研究所（AISI）はMythos Previewのサイバー攻撃能力に関する独自評価を公表しました。個別のCTF（Capture the Flag）課題では、GPT-5.4やOpus 4.6など他の最新モデルと5〜10%程度の差にとどまり、単体タスクでの優位性は限定的でした。

しかしMythosが際立ったのは、多段階攻撃の連鎖実行能力です。AISIが開発した「The Last Ones」と呼ばれる32ステップの企業ネットワーク侵入シミュレーションで、Mythosは従来モデルが突破できなかった全工程を初めて完遂しました。このテストは訓練された人間でも約20時間を要する高難度の課題です。

トランプ政権関係者がJPモルガンやゴールドマン・サックスなど大手銀行にMythosのテストを促しているとの報道もあり、金融業界への影響も注目されています。クラーク氏はAIによる雇用への影響について、現時点では「一部の大学院卒の初期雇用にわずかな弱さ」が見られる程度としつつも、大規模な雇用変動に備えていると述べました。

ロンドンの開発者3人が立ち上げたPixel Societiesは、ユーザーごとにカスタマイズされたAIエージェントを仮想空間内で自律的に交流させ、現実世界での友人・同僚・恋愛パートナー候補を発見するプロジェクトです。各エージェントはLLMをベースに、公開SNSデータや性格診断の回答などを学習した「デジタルツイン」として振る舞います。

このプロジェクトは2026年3月、ロンドン大学で開催されたNvidia・HPE・Anthropic共催のハッカソンで2日間に開発されました。Anthropicから最優秀エージェントツール活用賞を受賞しています。開発者らはOpenClawの「ソウルファイル」概念に着想を得て、エージェントに個性を持たせる仕組みを実装しました。

既存のマッチングアプリは外見偏重で「容姿の格差」を生むと批判されていますが、Pixel Societiesはエージェント同士の会話から「繊細な相性」を見出せると主張しています。一方、UC Davisの心理学者Paul Eastwick氏はスピードデーティング研究を引用し、趣味・価値観・職業などの自己申告情報では相性をほぼ予測できないと指摘しています。

開発チームはプロトタイプを数百人に試用させており、最も多いリクエストは恋愛マッチングだといいます。今後はクローズドなシミュレーターからオープンなソーシャルプラットフォームへの転換を目指しています。ただし、シミュレーションのコスト、データ量の非対称性、長期関係を求めるユーザーと継続利用を前提とするプラットフォームのインセンティブ不整合など、事業化には多くの課題が残ります。

Googleは2026年4月10日、AIアシスタントGeminiを活用して期末試験の勉強を効率化する6つの方法を公式ブログで公開しました。学生が抱える「資料が散在して管理しきれない」「効率的な復習方法がわからない」といった課題に対し、Geminiの各機能を組み合わせた具体的なワークフローを提案しています。

第一のステップとして紹介されたのが、今週から提供が始まったGeminiノートブック機能です。講義のPDF、ホワイトボードの写真、過去のチャット履歴などをひとつのノートブックにまとめ、学習の進捗を記録しながら中断した箇所から再開できます。現在はGoogle AI Ultra・Pro・Plusの有料ユーザー向けにウェブ版で展開中で、今後モバイルや無料ユーザーにも拡大予定です。

資料のアップロード後は、Geminiが数百ページの生のノートから構造化された学習ガイドやフラッシュカードを自動生成します。さらにAudio Overview機能では、2人のAIホストが対話形式で教材を解説するポッドキャストを作成でき、移動中でも耳から学習できます。視覚的な理解が必要な場合は、分子モデルの回転や物理シミュレーションなど、インタラクティブな3D可視化をチャット内で直接操作することも可能です。

理解度の確認では、特定の科目に特化したカスタム模擬試験の作成や、Gemini Liveを使った口頭での知識チェックが紹介されています。AIが追加質問を投げかけることで、理解の抜け漏れを発見できます。難解なトピックにはGuided Learning機能が有効で、答えを直接教えるのではなく、オープンエンドの質問を通じて段階的に理解を深めるアプローチを採用しています。手書きの数式や図の写真をアップロードして添削してもらうことも可能です。