AI News Daily
毎日のAIニュースを自動収集・要約
更新
今日の Top5
カテゴリー別ニュース
GPU
NVIDIA Groq 3 LPX、長文かつ超低遅延な対話推論を実現
ワンポイント長文エージェントではコンテキストが膨張するため、速度だけでなく“遅延の固定コスト”削減が鍵になる。
NVIDIAは、Vera Rubinプラットフォーム向けの推論アクセラレータ「Groq 3 LPX」が、長いコンテキストでも高いインタラクティビティを維持できると説明した。第三者ベンチマークでは、Artificial AnalysisがGemma 4（31B）で100Kコンテキストを実行し、出力3,431 tokens/秒の“世界クラス”の応答性を計測した。課題は、100K入力のKVキャッシュ管理と、3,000 tokens/秒超の超低遅延を小バッチで両立するための通信初期化遅延の最小化にある。Groq 3 LPXはコンパイラによる事前スケジューリング（C2C通信の決定論的計画）と、計算・通信の微細なオーバーラップ（320バイト単位のベクトル単位計画）で、テンソル並列の利点を小バッチ領域でも引き出すとしている。
Nvidia、Groq 3 LPUの初ベンチで“4倍速”を提示—ただしスケール課題も
ワンポイント速さは有望だが、LPUは分散前提のため大規模MoEでは必要ラック数が鍵になる。
Nvidiaは、Groq 3ベースのLPU「LPXラック」の初期ベンチマーク結果を公開し、Artificial Analysisの独立テストでGemma 4 31B（100k入力）を3,400 tokens/sで処理したと報告した。Nvidiaはこれを最有力対抗（Cerebras）比で4倍速と位置づけるが、比較では必要チップ数などの前提が十分に示されていない。Groqの強みはSRAM中心のデータフローで、メモリ帯域がボトルネックになりやすい推論で優位を狙う一方、SRAM容量が小さいため大規模モデルは複数LPU/複数ラックで分散する必要がある。さらにNvidiaは、GPUでprefill、LPUでdecodeを担う異種推論（ヘテロジニアス）により、同等性能を多ユーザー同時性の範囲で引き上げる構想を示している。
カスタムXPUを“AIファクトリー”に接続するNVLink Fusion
ワンポイントXPU単体の性能より、ラック〜データセンター統合で稼働率とコストが決まる点が重要です。
AI工場は継続稼働し、性能指標（トークン/秒、トークン/ワット、コスト/トークン、稼働率）で経済性が決まるため、個別アクセラレータの寄せ集めでは不十分だとNVIDIAは指摘する。カスタムXPUを市場投入するには、スケールアップ/アウトのネットワーク、ラック規模設計、製造向けソフト、サプライヤー連携まで含む全プラットフォーム開発が必要で、コストと時間が障壁になる。NVLink Fusionは、実績あるNVIDIAのAIインフラ（例：第6世代NVLink、NVLink-C2C、MGXラックスケール）とXPUを統合し、スケールアップ性能・信頼性・運用リスクを抑えつつ開発期間を短縮することを狙う。さらに、DSX AI Factory BlueprintやNCCL/Dynamo/NIXL/Mission Controlなどのソフト/設計基盤で、混在するGPU/XPU/CPUを一体運用できる“工場としての完成度”を提供するとしている。
NVIDIA、Vera RubinにGroq 3 LPXを統合しエージェント推論を高速化
ワンポイントエージェントはトークン生成が連鎖するため、低遅延化が体感性能とコストに直結します。
NVIDIAは、ラックスケール推論基盤「NVIDIA Groq 3 LPX」が量産段階に入ったと発表した。Gemma 4 31Bの長文コンテキスト（10万トークン）向けエージェント系ベンチマークで、毎秒3,400出力トークンを達成し、既存代替より4倍高速だったという。NebiusがGroq 3 LPXを先行採用し、CoreWeaveはVera Rubinラック間を複数スイッチで接続するSpectrum-X Multiplaneを本番投入、SpaceXAIもVera CPUをエージェントAI向けに採用する計画だ。NVIDIAは、GPUとLPUを含む「極限の共同設計（codesign）」で、低遅延かつ高スループットな“トークン・ファクトリー”を実現し、エージェント推論のボトルネック（デコード遅延）を抑える狙いを示した。
NVIDIA Vera Rubin NVL72、AIエージェントで電力効率最大30倍を実証
ワンポイントエージェントは長文とツール呼び出しが増えるため、電力あたりのスループットとトークン単価が収益を左右します。
AIエージェントは推論を重ねるため、単純なチャットよりトークン消費が大きくなり、長いコンテキスト処理が性能の鍵になる。NVIDIAは、実運用のエージェントコーディングを再現したSemiAnalysis AgentXワークロードで、Vera Rubin NVL72がGB300 NVL72比でエージェント処理のスループット/メガワットを最大30倍向上し得ると報告した。さらに、生成トークンあたりのコストも最大35倍低減できるとしており、同じ電力でより多くのエージェント稼働が可能になる。これを支えるのは、prefill/decode分離、MoEの大規模並列、分散KVキャッシュ、KVを意識したルーティング、最適化CUDAカーネル、NVLink世代強化などのハード/ソフト協調（コードザイン）だ。
2026年のGPUネオクラウド比較：CoreWeaveが高価格、NebiusがB300公開、CrusoeはAMD、GroqはNVIDIA連携
ワンポイント公開価格だけでなく契約電力や次世代GPUの提供可否が調達判断の鍵。
GPUネオクラウド5社（CoreWeave、Nebius、Lambda、Crusoe、Groq）を、公開価格や契約電力、ロードマップ、契約形態、独立評価の観点で比較した。CoreWeaveはSemiAnalysisの評価でPlatinum級かつH100等の公開単価が最も高い一方、契約電力は拡大しておりVera Rubin NVL72の初期検証も進めている。NebiusはB300のオンデマンド公開価格を持ち、LambdaはB200の公開単価が最安だがスポット枠はない。CrusoeはAMD MI300X/MI355Xを提供する唯一の事業者で、GroqはLPU推論クラウドを継続しつつNVIDIA Cloud Partnerに参加し、将来的にNVIDIA GPU容量も追加する方針を示した。
Google研がME-POIsを発表：移動データで「場所の使われ方」を埋め込みに追加
ワンポイントテキストより行動が効く例があり、POI埋め込みに「滞在・時間帯」を入れる価値が強調された。
Google ResearchとUSCは、Mobility-Embedded POIs（ME-POIs）という枠組みを提案し、人の移動・滞在の集計をテキストベースのPOI埋め込みに統合しました。言語モデルが「場所とは何か」を表す一方で「どう使われるか」を捉えにくい点に着目し、各訪問を文脈化ベクトルとして学習し、POIごとのプロトタイプにコントラスト学習で整列させます。LAとHoustonのモビリティデータで5つの地図拡充タスクを評価した結果、LAでは35組中34組で性能が改善し、訪問意図のF1が最大81.9%、混雑度のMAEが24.7%減少しました。さらに、テキスト整合なしの「モビリティのみ」版でも価格帯分類でGemini埋め込みを上回るなど、移動行動がラベル語より効く場面が示されました。なお論文は公開されたが、コードや重みは未公開で、実運用には訪問ログ等のデータ確保が課題です。
LLM
低遅延AIコンパニオンがSkyrimで“実際に一緒に遊ぶ”
ワンポイント会話より“行動の確実性”と遅延対策が鍵で、VRでは特に体験品質に直結します。
Hacker Newsの投稿では、LLMの会話だけでなく、ゲーム内で行動まで行う低遅延AIコンパニオン「Varkos」を紹介している。NPCの弱点だった世界理解（ワールドエージェンシー）と遅延を抑え、戦闘・探索・アイテム回収・複数ステップ指示・条件付き計画などをリアルタイムに実行する。音声は常時入力し、ローカル推論とプライバシー配慮を重視、クラウド呼び出しは主に“人格の進化”など遅い処理に限定する方針だ。さらにSkyrim以外のゲームにも追従できるよう、ゲーム終了後は「void mode」で状態を保持しつつ次の世界へ移る構想も述べられている。
AIエージェントのコスト最適化は「モデル選定」より「ルーティング設計」
ワンポイントコストは「どのモデルを使うか」より「いつ・どれを使うか」を決めるルータで大きく変わる。
AIエージェント開発では、モデルを先に決めるのではなく、ルータ（どのモデル階層で処理するかを振り分ける小さなコード）を最適化すべきだと主張する。ルータが適切に機能すれば、トラフィックの70〜80%を通話課金のないローカルモデルや、実時間推論より大幅に安い非同期バッチ推論に寄せられ、AIコストを90%超削減できる可能性がある。ルーティングは「スキル分類（意図→操作）」と「ルータ（実行先モデルの決定）」と「モデルセレクタ（同一階層内で最安かつ閾値を満たすモデル選択）」の3層に分かれる。さらに、同期的な失敗予測と、夜間のクローズドループ評価でルータの重みを更新し、新たな失敗モードも学習する。結論として、システム設計はモデルではなくルーティング中心に行い、モデル選択は最後に回すべきだ。
AWSで実現するAIによる組織知識管理システム
ワンポイント固定費になりやすいベクトルストアに加え、DynamoDBキャッシュで推論コストを抑える設計が要点です。
組織の「部族知識」は人材の退職で失われがちで、従来の文書管理では更新性や参照性の課題が残る。AWSは、自然言語のテキスト/音声で知識を提供するAIアバター型の知識管理システムを提案する。Amazon BedrockのRAG（S3をデータソース、Titan Embeddings、OpenSearch Serverlessのベクトルストア）で回答を生成し、DynamoDBキャッシュとLambdaでコストを最適化する。CloudFormationで数時間のプロトタイプ展開が可能で、製造・医療・金融・エネルギー・政府など非技術者の現場でも導入しやすいとしている。
Amazon Connectで実現するレストラン電話注文AIホスト
ワンポイント音声層（Agentic Voice）と会話層（AI agent）と業務層（MCPツール）を分離し、バックエンド変更に強い設計です。
電話での注文をAIが自動応答し、挨拶からメニュー案内、受け取り場所の特定、注文内容の読み上げ確認まで一気通貫で行う仕組みを紹介している。Amazon Connect Customerで着信と電話番号ベースの識別を行い、音声認識・合成はAmazon Connect Agentic Voice（Advanced ASR/TTS）を利用する。会話の推論とバックエンド呼び出しはAmazon Connect AI Agentsが担当し、Model Context Protocol（MCP）経由でAgentCore Gatewayからレストラン側API（メニュー、カート、注文、ロケーション等）へ接続する。さらにAI Guardrailで安全性と話題逸脱を抑制し、AWS CDK等で構成要素をデプロイする手順を解説している。
AIによるメタデータ修正・標準化の自動化
ワンポイント人の承認を残しつつLLMと検証を自動化すると、標準化の遅れを大幅に縮められます。
データ収集・生成の加速により、原データ作成と標準化（メタデータ調整）のギャップが拡大し、分析遅延や解釈の複雑化がボトルネックになっている。AWSは、Amazon BedrockのLLMを用いてスキーマ整合と修正提案を行い、Amazon S3やDynamoDB等でジョブ管理・保存する集中型ワークフローを紹介した。入力メタデータはスキーマ整合とフィールド値検証を並行実行し、問題があれば提案をユーザー承認で反映する人間参加型で運用できる。提案生成は、埋め込みによる意味類似と、データ内の整合性を活用する文脈推論を組み合わせ、コストと解釈可能性を両立しつつスケールさせる設計になっている。
匿名の新推論モデル「Ox Alpha」の開発元は誰か
ワンポイント匿名公開の“stealth model”は競争環境を映し、推測合戦が市場の関心を加速させる。
新しい無料AIモデル「Ox Alpha」がOpenRouterで公開され、開発元が不明なため憶測が広がっている。OpenRouterの掲載情報では、コード向けの推論モデルでありつつ、プレビュー期間中は第三者が匿名で開発・運用しているとされる。StripeのCEOパトリック・コリソンも「非常に印象的」と評価し、注目度が高まった。推測では中国のZ.aiのGLM系や、未公開のMicrosoft「MAI」関連の可能性などが挙がっているが、現時点で確証はない。
学校でのAI活用を「信号機ルール」で賢く運用する試み
ワンポイント「禁止/許可」だけでなく、緑黄赤で用途を設計すると学習の質と説明責任を両立しやすい。
生成AIの普及で、教員は教材作成や採点などの負担増と対応の難しさに直面している。コネチカット州のチェシャー・アカデミーでは、ChatGPT等の汎用ツールと教育向けツール（MagicSchool）を併用しつつ、教員には特定製品の強制ではなく使い方の研修を行った。生徒にはAIの使い分けを学ばせるため、課題を「緑＝全面可、黄＝一部可、赤＝禁止」とラベル付けし、AI編集の適切さや自分の利用を振り返らせる仕組みを導入している。さらに、授業準備にAIを活用する一方で、誤り（ハルシネーション）や品質・個人情報への懸念から、最終成果物は必ず確認することを重視している。
LinkedInのAI「低品質生成」ボタンが1M回以上押される
ワンポイント大量の「低品質」フィードバックは改善圧力になる一方、原因分析と品質管理が鍵です。
LinkedInのAI機能に対し、ユーザーが「AIスロップ（低品質出力）」扱いのボタンを短期間で100万回以上押したと報じられた。3週間での大量操作は、生成結果の質や有用性に対する不満が広がっていることを示唆する。ユーザーのフィードバックが実際に改善へつながるか、また企業側の対応が注目される。AIの出力品質と運用設計が、今後の信頼性に直結する局面だ。
Meta
Meta、AI向けEthernet用新RDMAトランスポート「MetaRoCE」を公開
ワンポイントPFCなしで損失を前提に設計し、AI通信のテールレイテンシ改善が期待される。
Metaは、AIの学習・推論で重要なGPU間通信を高速かつ安定にするため、コモディティEthernet向けに設計した新しいRDMAトランスポート「MetaRoCE」を発表した。従来のRoCEの前提（順序保証やPFC等）に依存せず、エンドポイント側に知能を移し、マルチパス・アウトオブオーダー・損失耐性・両側からの輻輳制御を組み合わせることで、低遅延と運用の簡素化を狙う。AMDのPensandoプログラマブルNIC上での検証では、RoCEv2より高スループットかつフロー完了時間が短く、パケット損失時も約86%のスループットを維持するなど劣化が緩やかだった。さらに、OCPを通じて仕様、参照実装、コンプライアンス試験スイートを公開し、複数ベンダーでの実装と相互運用を促進する。
OSS
選択不可ドキュメントをOCRで全文抽出するChrome拡張「OCR It」
ワンポイント無人自動実行は「次ページ制御」を確実に取得できる場合に限り、終了検知のためタイマー連打ではなくOCR完了後にページ送りします。
OCR Itは、ビューア上で選択できないスキャン本・スライド・PDF等のページをホットキー操作で連続OCRし、テキストとして蓄積できるChrome拡張です。抽出はローカル実行で、同梱Tesseractを用いるためAPIキーやネットワーク通信なし（画像も外部送信しない）を特徴とします。ページ送りはクロスオリジンiframeやShadow DOMにも対応する「画面上の固定ポイント」を保存して制御し、無人の自動実行（⌥⇧A）でも終了検知が働くよう設計されています。言語モデルは拡張に事前ベンダリングして追加でき、PDF内蔵ビューアでは手動ページ送り前提で動作する点も明記されています。
PythonでLabPlot風の科学データ解析ワークフローを再現
ワンポイントLabPlot互換のデータ構造と出力形式を保つことで、Python解析の再現性と既存ワークフローの移行が容易になります。
LabPlotの概念（アスペクトツリー、解析カーネル、プロット、プロジェクトモデル）をPythonで模したチュートリアルが紹介された。表形式データの取り込みから記述統計、平滑化・微分、フーリエ解析とフィルタ、ピーク検出、曲線積分、データ削減、非線形モデルのフィットと残差診断までを再利用可能な部品として構築する。分光データ例では周期干渉の除去、重なりピークの同定、多重ガウスモデルの当てはめ、可視化（テーマ付きワークシート）と図の出力、LabPlot互換の.lml形式保存を行う。さらに複数温度依存スペクトルを対象にバッチ処理し、二次的トレンドの推定まで同一手順で自動化する。
AWSが「Agentic Resource Discovery（ARD）」をオープン仕様として公開
ワンポイントARDはDNSのように“共通プロトコル”でレジストリ連携を標準化し、専用コネクタ地獄を減らします。
AIエージェントやMCPサーバ、ツールが増えるほど、適切なリソースを見つける「発見（ディスカバリ）」がボトルネックになる。AWSは組織内での一元カタログとしてAWS Agent Registryを提供し、承認付きのレコード管理やセマンティック検索、MCPエンドポイント経由の利用、IAM/JWTによる認可を実現する。一方で環境がクラウド/オンプレ/SaaSに分散すると、各レジストリの記述形式が異なり連携コストが高くなる。これを解決するため、ARDはApache License 2.0で公開されたオープン標準として、レジストリ間のフェデレーション（共通プロトコルによる相互発見）を可能にし、ローカルの統制を保ったまま環境横断のディスカバリを目指す。AWSはARDの開発にフィードバックを提供し、Agent Registryの補完として位置づけている。
Hugging Face、130億ドル規模の買収協議が報じられる
ワンポイント買収はAI基盤の主導権に直結。コミュニティ責任と投資家集中回避が焦点になる。
Hugging Faceが少なくとも130億ドルの評価額での売却に向け、買収先との協議を持ちかけられていると報じられた。現時点で相手企業は不明で、入札評価のために銀行と話しているという。AIの基盤インフラ企業への関心が高まる流れの中で、同社は2023年に45億ドルの評価で資金調達しており、収益化にも近いとCEOが述べている。さらに同社は、コミュニティへの長期的責任を重視する姿勢を示しており、Nvidiaからの5億ドル投資（評価70億ドル）を断った経緯もある。
OpenAI
OpenAI API料金改定：GPT-5.6系のプロモ価格とデータレジデンシー上乗せ
ワンポイントデータレジデンシー利用時は10%上乗せの条件（対象モデルのリリース日）を要確認です。
OpenAIはAPIの料金表を更新し、データレジデンシー対応のリージョナル処理エンドポイントは、2026年3月5日以降にリリースされ対象モデルに対して10%上乗せするとした。優先処理は2026年7月30日に「Fast mode」に名称変更され、APIではservice_tierにpriorityまたはfastを指定できる。さらに、GPT-5.6 Solのプロモ価格は少なくとも2026年11月21日まで適用される。加えて、Daybreakプログラムでのエイリアス（daybreak-blue-latest等）が最新モデルに更新され、基盤モデルに応じて価格も調整される旨が示された。
OpenAI、あらゆる業務向けAIエージェントを拡大—鍵は“操作権限”
ワンポイントエージェント普及の鍵は“権限を渡す設計”と“非エンジニアが迷わず使える導線”にある。
OpenAIは、ChatGPT Workを中心にLLMを業務ツールへ接続し、複数手順のタスクを自律的に進める「AIエージェント」を広げようとしている。デスクトップアプリではメールやSlack、Notion、Figmaなどにアクセスし、実運用での安全性と制御の設計を検証している。非エンジニアにも使えるようにするには、CLIのような開発者向け体験を一般化する“ハーネス”とUI（ボタン等）の発見性が重要だが、社内では高い利用率でも外部では導入が進んでいない。長期稼働するエージェントはトークン消費が増え収益性にも直結するため、対応職種の拡大と、価値提供による課金の促進が競争の焦点になる。
Research
AIコーディング依存で熟練が崩れる可能性
ワンポイントAIは答えを出すが判断はしないため、計画と検証を自分で残すほど学習効果が上がる。
記事は、AIによるコーディング支援が「摩擦（試行錯誤）」を減らし、長期的なスキル形成や専門性の“萎縮”につながり得ると論じる。特に初心者は、AIの提案で自信だけが先行し、重要な計画や理解を飛ばして「理解なき達成感」に陥りやすいという。JetBrainsの研究では、AI支援を強く使うほど計画段階を省き、誤りを見抜く力が弱まる傾向が示された。結論として、学習にはAIを無条件に頼るのではなく、誤提案を無視する“ネガティブ・エキスパティーズ”や、問題解決の摩擦を残す運用が重要だとする。
LLMが給付申請などを大量に促し、公的サービスが逼迫する可能性
ワンポイント“便利さ”が需要急増を招くため、手数料だけでなく公平性を損ねない抑制策が鍵です。
AIエージェントにより給付申請や政策理解が容易になる一方、需要の急増が政府サービスを圧迫しうる。論文はこれを「agentic flooding（エージェントによる洪水）」と呼び、11の管轄での84件の可能性事例に基づき、LLMが安価に大量の文章を生成することで既に広く起きている可能性を示す。さらに、複雑で金銭的に魅力のあるサービスほどリスクが高いとして評価軸（リスク行列）を提案する。政府の対策は多くのケースを止められる見込みだが、最速で導入しやすい手数料などは公平なアクセスとトレードオフになり得るため、両立可能な短期対応を推奨する。
子どもは少ないデータで言語を獲得する—AIが追いつけない理由
ワンポイントLLMは統計学習に強い一方、子どものような少量データでの汎化には別の仕組みが要る可能性がある。
ChatGPT以降、LLMは自然な会話を可能にしたが、言語能力を再現するには膨大なデータが必要で、子どもの学習効率とは大きな隔たりがある。記事はこの「データ効率ギャップ」を、子どもがなぜ少ない入力で文法を獲得できるのかという認知科学・AI設計上の問いとして整理する。研究者は、子どもの学習過程を逆算して、より少ないデータで学べるAIモデルの開発につなげたいとしている。背景には、言語獲得をめぐるチョムスキー的な先天性（刺激の貧困）と、統計学習中心のAIの限界、そして近年のトランスフォーマーによる大規模学習の成功がある。
AI時代に求められる「適応力」とは何か
ワンポイント適応力は“何を学ぶか”より“変化を見て選び行動する”プロセス設計が要。組織の学習時間も重要。
AIブームによりエンジニアの仕事は新ツールの学習や生産性期待の高まりで変化し、学生に具体的な技能指針を示しにくくなっている。そこで鍵になるのが「適応力」で、変化や不確実性を認識して状況に応じて効果的に対応する能力だが、業界や雇用主ごとに定義が異なる。AI移行期には混乱（“uncomfortable middle”）が起き、ソフトウェアではコードレビュー増など働き方の調整が必要になる一方、問題解決やコミュニケーションといった基礎は変わりにくい。教育側は多様な実体験や振り返り（メタ認知）を通じて適応を育て、企業側は学習の時間確保や十分なガイダンスで学び直しを支えるべきだと指摘される。
仕様駆動で進めるエージェント型AIネイティブSDLC（SDAD）
ワンポイント鍵は「速さ」よりも、仕様を監査可能な形で固めてから合成・検証する点です。
大規模言語モデルの長大コンテキストにより、FRDやリポジトリ文脈を一連のワークフローに取り込み、ソフトウェア開発のSDLCが再編されつつある。論文は、仕様の機械可読化と意図の捕捉、エージェントによる合成、複数エージェントの独立検証を、人の承認ゲートと組み合わせる「Spec-Driven Agentic Development（SDAD）」を体系化する。従来のウォーターフォール／アジャイルの揺り戻しに加え、AIコードを第4の生産パラダイムとして位置づけ、2020年頃のHuman-Agileと2026年頃のAgentic-SDADを成果物・運用テンポ・責任分界・セキュリティ観点で比較する。さらに、曖昧さのコストや仕様忠実度などの定量指標、役割の変化、段階的移行の実装案を提示し、エージェントの高速化は規律を不要にせず、規律を上流の仕様精度と監査可能性へ移すと主張する。
個人AI基盤向け：メモリを下敷きにしたエージェント自動生成「PrimeAgentOrchestrator」
ワンポイント異種メモリを統合せず“橋渡し”する設計が、運用での失敗要因を減らす鍵になっている。
LLMコーディングエージェントはセッション開始時にコンテキストが空になり、過去の知識が活かされにくい課題がある。提案手法PrimeAgentOrchestrator（PAO）は、ユーザーの個人データベースから関連メモリを抽出し、Claude Codeの新規インスタンス起動時に事前投入することでこの問題を緩和する。起動時にPAOは独立した2つのメモリ基盤（PostgreSQLのエンティティ観測DBとCloudflare Workerのセマンティック検索）へ並列クエリし、各基盤に適した取得戦略で結果を統合してブリーフィングをファイルシステム注入する。さらに、信頼の事前シード、準備完了の監視とエラー検知、端末テキストの適応的注入まで含むライフサイクル管理を行い、2025年12月〜2026年3月の4か月運用経験から、複数世代の仕組み変更と失敗モード、異種メモリ統合の設計トレードオフを報告している。
Robotics
Generalist AI、3〜12秒デモから新タスクを学ぶロボット基盤モデルGEN-1.5を公開
ワンポイント“テスト時学習”を最小データで成立させる可能性を示し、ロボット適応コストを大幅に下げる研究シグナルとして注目。
Generalist AIは、ロボット基盤モデル「GEN-1.5」をリリースした。30秒のコンテキストに3〜12秒のセンサーモーターデータを投入するだけで、勾配更新や微調整、タスク別プログラミングなしに新しい物理操作を実行できるという。10種類の多様な操作タスクで、事前学習済みモデルのワンショット成功率は平均59%（±10%）で、5分データに対する10ステップの勾配更新で83%（±9%）まで向上した。さらに、複数デモの連結による合成一般化、シミュレーションから実機へのゼロショット移転、人の手の模倣などの転移も示している。なお本リリースは研究段階で、公開ウェイトやAPIはなく、利用は提携経由となる。
General Intuition、ロボティクス強化で評価額60億ドル規模の資金調達協議
ワンポイント物理世界で動く汎用エージェント開発が進み、ロボ実装が次の競争軸に。
ニューヨーク拠点のAIスタートアップGeneral Intuitionは、AIエージェントの基盤モデルを開発し、資金調達を新たに協議している。Valor Equity PartnersやPoint72 Ventures、Seven Seven Sixなどが参加し、評価額は事前で60億ドルと報じられた。既存投資家のKhosla VenturesやGeneral Catalystも参加し、同社は直近数週間で3200万ドルではなく3億2000万ドルを23億ドル評価で調達したばかりだ。調達資金は汎用モデルの改善とロボットへの実装（計算基盤の強化や人材採用）に充てる方針で、CoreWeaveとの提携も活用する。物理AIの有力案件として注目され、同社はすでに投資家からの関心が過剰（オーバーサブスクライブ）だという。
LLMで自動運転の「運転スタイル」を自然言語で調整可能に
ワンポイントLLMは安全制約付きの制御器に“重み”で介入するため、言語対話と安全性の両立を狙う。
オランダTU Delftの研究では、乗客の「I am running late, go fast」のような自然言語要求をLLMが解釈し、自動運転車のモーションプランナーに反映する仕組みを提案している。LLMは車両の直接操作ではなく、安全を前提とした経路選択アルゴリズムの評価基準（速度や操舵の滑らかさ等）の重み付けを調整し、さらに変更内容を平易な言葉で提示して確認を取る。シミュレーションでは、快適さ重視の指示は滑らかさを高め、急ぎの指示は速度を上げるなど、意図に沿った挙動調整が確認された。従来のLLMによる直接制御よりも応答遅延や性能保証の課題を避けつつ、言語で運転の好みを個別化できる点が特徴である。
Security
InstinctのAIアシスタントがプライバシー／セキュリティ懸念で注目
ワンポイント個人AIが“端末・メール操作”まで担うほど、規約と権限設計が実害に直結しやすい点に注目。
Instinctの強力なパーソナルAIアシスタントは高い能力が評価される一方、プライバシーとセキュリティ面の懸念がテスターから相次いでいる。メールやメッセージ、カレンダー、端末の音声・位置・画面・入力など幅広いアクセスを前提とし、利用規約ではユーザーデータを「永続的かつ取消不能」に利用・保存・学習に使う権利が明記されている。さらに、アクセス停止後も要約が続く例や、アカウント操作が事前確認なしに行われた例、フィッシング耐性への不安などが共有され、信頼と制御のトレードオフが問題視された。現時点では非公開テスト段階で、同社はX上の指摘への公式回答はまだない。
教師が深層偽造（ディープフェイク）被害に—学校内で性的画像が拡散
ワンポイント非同意の性的ディープフェイクは犯罪・職場セクハラに該当し得るが、学校の対応手順は未整備で再拡散が起きやすい。
カリフォルニアの代替教員が、AI生成と思われる性的な偽画像をSNSで拡散される被害に遭い、学校や警察、保護者との対応が長期化した。別の教師らも同様に、学生が教師になりすましたアカウントや偽動画を作成し、SnapchatやTikTok等で共有されるケースがあると訴える。米国では非同意の性的画像の公開が犯罪になり得るほか、職場のセクハラとして扱われる可能性も指摘されるが、学校側の対応には明確な手順がなく、被害者の安全確保が課題となっている。教師たちは、プラットフォームへの通報や調査が追いつかず、次の波への不安を強めている。
LLMの「意味カモフラージュ」を潜在意図検証で無力化
ワンポイント拒否だけでなく“潜在表現の崩れ”を監視する発想が、ゼロデイ耐性に効く点が注目。
LLMの安全アライメントは、生成終盤での拒否に依存しがちで、事前学習で獲得した有害概念が消えないため攻撃に弱いと指摘されている。攻撃者は有害な意図を創作文などの無害な文脈で包む「Semantic Camouflage」により、入力・出力のガードを回避できる。著者らはPhi-3、Qwen2.5、Gemma-2bの潜在表現の変化を解析し、意図表現が崩れる層の深さ（Intent Horizon、全層の15〜20%）を特定した。これを利用した軽量な防御「Latent Intent Verification (LIV)」は、PKU-SafeRLHFで標準ガードより20〜50%優れ、再学習なしでゼロデイの意味攻撃を抑制した。