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。
Anthropic は Claude Code のデスクトップ版・Web版で Projects の提供を開始した。Project は Claude との1つの会話で、Claude 自身が作業をスレッドに分割し、並列のクラウドセッションとして実行する。スレッド間でコンテキストを受け渡し、ユーザーが離席しても作業を継続する。現在は一部ユーザー向けのベータ。
これまで手元で複数の Claude Code を並べて回していた作業を、Claude 側がオーケストレーションする形に寄せてきた。「離席しても進む」がどこまで安心して任せられるかが評価ポイントになりそう。
Ethan Mollick は Claude Projects について、ユーザーはメインのオーケストレーターと会話し、そこから専門エージェントが立ち上がる構造だと説明している。要するに課題解決のための「組織」を作るもので、ユーザーの好みに応じて高価なエージェントと安価なエージェントを混ぜて使える点が興味深いと述べた。
モデルの使い分け（高性能で高コスト／軽量で安価）をオーケストレーター側に任せる設計は、自前でマルチエージェントを組むときにも参考になる観点。
OpenAI は Codex に音声で対話できるエージェントを追加した。「自分はトレーニング、Codex はリポジトリを担当」というコピーで、音声エージェントは GPT-Live-1 で動作する。
コーディングエージェントへの指示をキーボードから離れて出せるようになる。歩きながら・別作業をしながらリポジトリを進める使い方が現実的になってきた。
Greg Brockman は、法律事務所の業務を加速するためのツールとスキル群「Astra for Law」を紹介した。データプライバシーを中核機能として備え、ChatGPT で使える法律業務向けプラグインとしてパートナー製26件、コミュニティ製47件が含まれる。
Astra を業種別のパッケージとして展開する流れ。プラグインをパートナー製とコミュニティ製に分けて数を出しているあたり、エコシステム作りを意識している。
Google DeepMind によると、Broad Institute や University of Exeter などの研究者が AlphaGenome Atlas をすでに使い、疾患の原因となりうるDNA変異の特定と、その役割の解釈に取り組んでいる。詳細はスレッドで紹介されている。
AlphaGenome がモデル公開にとどまらず、Atlas という形で外部研究者の実務に入り始めたという報告。ゲノム解析での利用事例が具体的に出てくるフェーズに入った。
Nathan Lambert は、Claude が Anthropic の AI R&D 業務の26%を「主導」しているとする内容について、AI R&D 業務の範囲が定義されておらず、「RSI（再帰的自己改善）で何が起きているか」という問いに答えていないと述べた。納得はしていないが、透明性という点では正しい方向への一歩だと評価している。
「AIがAI開発をどれだけ担っているか」の数字は今後も出てくるはず。何をR&Dと数えるかの定義が伴わないと比較できない、という指摘は覚えておきたい。
AK が紹介した論文「Agora: Git as Shared Memory for Collective AutoResearch」は、Git を共有メモリとして使い、複数のエージェントによる自動研究を集団的に進める枠組みを提案している。論文は Hugging Face Papers で公開されている。
エージェント間の状態共有に専用のメモリ基盤ではなく Git を使う発想。履歴・差分・ブランチがそのまま研究の記録になるので、開発者には馴染みやすい設計に見える。
PyTorch Conference North America 2026 で、LinkedIn の Dhritiman Das 氏（Staff Software Engineer、ML Infrastructure）が torch ネイティブの検索エンジンを発表する。検索・フィルタリング・ランキングの主ランタイムとして PyTorch を使う構成だという。
検索基盤を専用エンジンではなく PyTorch 上で完結させる事例。モデル推論と検索処理を同じランタイムに乗せることで何が楽になるのか、発表内容を追いたい。
Towards Data Science の記事で Mostafa Ibrahim 氏が、LLM 推論における prefill-decode 分離を検討している。prefill と decode を分けて効果が出るには満たすべき条件が3つあり、そのしきい値に達しない規模では chunked prefill を既定にするのが正しいと整理している。
推論サーバーの構成を決めるときに「分離は常に正義ではない」という判断基準がまとまっている。自前で vLLM などを運用している人向け。
Towards Data Science の記事で Nhu Hoang 氏が、AI コーディングエージェントに自律性を与えてもデバッグの質が上がるとは限らないと報告している。28回の実験から、エージェントにとってはコードの複雑さより情報の欠落のほうが乗り越えにくいことが分かったという。
「もっと自由にやらせれば解ける」ではなく、必要な情報を渡せているかが効く、という結果。エージェントに渡すコンテキストの設計を見直す材料になる。
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。