CONTACT →
Daily AI Briefing
毎日のようにAI関連のニュースが届きますが、その多くは一次情報ではなく、ノイズも少なくありません。研究機関・開発企業・第一線の専門家による発信の中から、本当に押さえておきたい情報だけを厳選してお届けします。
OpenAI の Greg Brockman 氏が、7つのミレニアム懸賞問題の一つである Navier-Stokes 問題の解決を発表しました。AI と数学の双方にとって大きなマイルストーンであり、科学的発見のルネサンスが近いことを示すものだとしています。モデルが生み出した知識が広く役立つことを期待する、と述べています。
数学の未解決問題を AI が解いたという発表で、査読や検証の行方を含めて今後の続報を追う価値があります。「AI が科学的発見をする」というフェーズが現実の話として語られ始めた点は押さえておきたいところです。
Emad Mostaque 氏は OpenAI の発表を受け、報告書によれば今回の能力向上を示した新モデルは 8月28日から学習を始めたばかりで、すでに問題を数分で解いていると指摘しました。数学は「bitter lesson」の対象になりつつあり、物理も続くことを期待していると述べています。
学習開始からわずか十数日でこの結果という点は、モデル開発の速度感を測るうえで注目に値します。報告書の記述を読んだ上での指摘なので、一次資料にあたるきっかけとしても使えます。
Google DeepMind の Demis Hassabis 氏が AlphaGenome Atlas を発表しました。AlphaFold でタンパク質の宇宙を地図化したのに続き、今度はヒトゲノムの地図化に取り組むものです。起こりうる 90億通りすべての一塩基 DNA 変異の影響を予測でき、疾患の理解に役立つとしています。学術研究向けに無償で提供されます。
AI モデルの予測結果を検索可能なデータベースとして公開する形は、AlphaFold DB と同じ「研究インフラ化」の流れです。生物学分野で AI がどう使われるかを見る具体例として押さえておきたいところです。
OpenAI が API 向けの新しい画像モデル GPT-Image-2.5 Flare と Sunburst を発表しました。より鮮明なディテール、スタイル指定への高い追従性、編集に対するより細かな制御が特徴だとしています。
画像生成を API から使っている場合は、既存の gpt-image 系モデルとの差し替え候補になります。2 種類のモデル名が出ているので、それぞれの用途や価格の違いはドキュメントで確認しておきたいところです。
Meta がユーザーの代わりにタスクをこなすパーソナルエージェント Muse を発表しました。基盤モデルは Muse Spark 1.3 です。どのように構築したか、何ができるかを紹介するページも公開されています。
Meta が自社モデルの上に「エージェント製品」を直接出してきた点が注目です。Muse Spark 1.3 というモデル名も含め、Meta のモデル体系がどう整理されているかを確認しておきたいところです。
Dwarkesh Patel 氏が、2019 年から 2025 年までの各年を代表するオープンモデルのレシピとデータコーパスを組み合わせ、小規模で事前学習を行った結果を共有しました。事前学習の進歩は主にデータの改善から来ているようだと述べています。データ改善の寄与は計算量の 3.24 倍だったとしています。
「モデルの進歩はスケールか、データか」という議論に実験ベースの数字を出した点が興味深いです。小規模実験なので一般化には注意が必要ですが、自前で学習する際のデータ投資の優先度を考える材料になります。
Anthropic の CI チームでは、オンコールの一次対応者を Claude Tag というエージェントが務めています。アラート・メトリクス・ログを読んで状況報告(SITREP)を書き、学んだことを lessons.md に蓄積していきます。テンプレートとスキルを含むセットアップが公開されました。
「学びを lessons.md に書き溜める」という単純な仕組みでエージェントを育てる設計は、そのまま自分たちの運用にも持ち込めます。テンプレートが公開されているので、まず読んでみる価値があります。
Anthropic が、Claude Managed Agents 上でプロダクトを構築している Wispr Flow、Actively、Pendo の創業者と対談しました。outcomes、sandboxing、memory といった機能をどう使ってプロダクトをスケールさせたかが語られています。
Managed Agents の機能名(outcomes / sandboxing / memory)が実運用でどう使われているかを知る材料です。エージェント基盤を自前で組むか、マネージドに寄せるかを検討する際の参考になります。
Nathan Lambert 氏は、エージェントの数に関するスケーリング則を見てみたいと述べました。単体の推論モデルにおける CoT の長さによる推論時スケーリングと同じくらい、スウォーム内のエージェント数のスケーリングが重要なのであれば、AI の将来をめぐる多くの議論にとって非常に重要になるとしています。
「1 体を賢くする」から「多数を並列で動かす」へ軸が移るなら、コストやインフラの設計も変わります。マルチエージェント構成を試している人には、効き目を測る観点として参考になる問いです。
NVIDIA が CUDA 13.3 に合わせて CUDA Python 1.0 をリリースしました。Python から CUDA プラットフォーム全体を扱えるライブラリとツール群です。PyTorch や CuPy といった主要ライブラリは共通の cuda.core 基盤の上に構築されるようになり、バージョン衝突や相互運用のバグが減るとしています。
PyTorch と CuPy が同じ基盤を共有するのは、環境構築で悩まされてきた CUDA バージョン問題の緩和につながります。1.0 という節目なので、依存関係の整理を検討するタイミングです。
DeepLearning.AI によると、OpenAI と Anthropic が企業向けのデータポリシーを書き換えました。Anthropic は Claude Fable 5.1 などの上位モデルを使う企業が、データを自社サーバーに 30 日間保持できるようにしました。OpenAI は新しい安全処理の仕組みとともにゼロデータリテンションを約束しています。
顧客データを扱うシステムに LLM を組み込む際、データ保持の条件は導入可否を左右します。両社で方式が異なるので、自分のケースに合う方を原文の規約で確認しておきたいところです。
こうした動きを、自社の業務にどう活かせばいいか ―
迷ったときに相談できる窓口があります。