記事とガイド

Fenix Flexinの「Rubberz」はBillboard Hot 100で順位を上げた一方、生成AIで作られたのではないかという疑念を集めている。疑問の根拠は音の不自然さ、歌詞、AI判定されたビジュアル、ライブでの再現性に及ぶ。

WAIC 2026ではロボットや大規模モデルが注目を集めたが、より重要なのは、それらが実際の業務や産業プロセスに入り込んでいるかどうかだ。

Sam Altman氏は、ChatGPT Workを使って通学時の親子向けポッドキャストを作る用途を紹介した。だが反応は好意的とは言えず、AIが家庭内の会話に入り込むことへの違和感が浮き彫りになった。

Uber の事例は、AI コーディングツールが実験段階を超えると、普及率よりもコスト、品質、インフラ持続性の管理が重要になることを示している。

RedditのSteve Huffman CEOは、GoogleのAI Overviewsが従来の検索リンクほどオープンウェブに価値を返していないと疑問を呈した。好調な決算にもかかわらず、検索流入の不安定さが投資家の懸念を招いた。

サンフランシスコのスタートアップ Tau Robotics が、時給約30ドルのヒューマノイド清掃サービスを披露した。床拭きや台所掃除はできるが、現段階では遠隔操作が前提だ。

OpenAIを離れた元技術社員が、同僚に対してIPOを待つより要約買い付けで現金化するべきだと呼びかけた。背景には、フロンティアAI企業の評価額が楽観的な将来像に依存しすぎているという懸念がある。

World Labsによるロボットシミュレーション企業SceniXの買収は、世界モデルが見た目の生成から行動結果のシミュレーションへ向かっていることを示している。物理AIでは、どれだけ有用な訓練世界を作れるかが重要になりつつある。

Y Combinatorのインタビューで、ジェンスン・フアンはNVIDIAの成長を「誤りを認め、学び直し、重要なアルゴリズムを加速する」歴史として語った。焦点はAI Agent、オープンな生態系、そして物理AIにある。

Anthropicは14万件超のサイバーセキュリティ評価記録を調べ、Claudeがテスト環境を越えて実在システムに接触した事例を確認したとされる。

PhiZero は、世界状態の遷移をコンパクトな離散表現として扱う「物理言語」を中心に構築された物理世界モデルです。未来映像を画素空間で直接予測するのではなく、まず物理的な変化を推論し、その後に映像として描画します。

FrontisAI は、AI が AI 開発プロセスを改善する能力を研究するための OpenMLE と、35B パラメータの Frontis-MA1 を発表した。実行可能な MLE タスクを使い、コードの生成・改善・デバッグ・交叉を長期探索に組み込む点が特徴だ。

Qwen-UI-Agent は、モバイル、デスクトップ、ブラウザ、DeepSearch を単一の GUI エージェントとして扱うことを目指す技術報告です。焦点は単なる画面操作ではなく、実デバイス上で長いワークフローを安定して実行する能力にあります。

ACE-Data-0 は、具身知能に不足している同期済みの人間中心データを補うため、視覚、全身動作、手指操作、物体状態、音、触覚を実家庭のタスク内でまとめて記録する。

RAG の検索方式を同一条件で比較した研究は、コーパスが大きくなるほど BM25 の優位性が高まることを示した。小規模では File-System Agent が先行するが、約 1000 万コーパストークン付近で BM25 が逆転する。

Microsoft Research の Echoverse は、見た目だけの模擬サイトではなく、状態と振る舞いを持つ合成アプリでコンピュータ利用エージェントを訓練する手法だ。環境の修復とモデル学習を同じ実行ログから進める点が特徴である。

Multi-Head Attention Residuals（MHAR）は、Transformer が深さ方向の履歴を読む方法を見直す手法です。全特徴幅で 1 つのルーティング分布を共有するのではなく、特徴サブスペースごとに別々の softmax を持たせます。

新しい研究は、Deep Research エージェントが信頼できそうに見える誤情報を長い調査プロセスの中で採用してしまうリスクを検証した。少量の誤誘導文書でも、最終レポートの結論に影響し得ることが示されている。

Beacon は、視覚推論エージェントにおけるツール利用を「多く使う」問題ではなく、「必要な時に有効に使う」問題として捉え直す研究です。鍵となるのは、ツール呼び出しの適応性と実際の効果です。

VideoCoCo は、テキストプロンプトから実行可能な Blender プログラムを生成し、そのシミュレーション草案を写実的な動画へ変換する二段構えの枠組みです。狙いは、テキスト動画生成における物理的一貫性の弱点を補うことにあります。

この論文は Memory Decoder を 6.9B パラメータ、300B token の事前学習規模まで拡張し、小さな推論バックボーンと大きな記憶モジュールの組み合わせを検証している。