記事とガイド

黄仁勲氏の東京訪問は、日本の計算基盤、ロボット、自動車、半導体サプライチェーンを一つの構想に結び付けた。NvidiaはGPU販売にとどまらず、日本の産業AI基盤そのものに入り込もうとしている。

Appleによる営業秘密訴訟は、OpenAIのハードウェア参入と将来のIPO計画に新たな不確実性をもたらしている。裁判の結論を待たずとも、開発速度や投資家向け説明に影響する可能性がある。

Current AIは、巨大モデルの競争ではなく、言語や文化を取り残さない公共AIの土台づくりに挑んでいる。開発の中心にあるのは、開放性、地域性、そしてコミュニティの主導権だ。

奇異摩爾はWAIC 2026で、国産GPUと国産RDMA NICを直結するIBGDAデモ、超ノード向けの全栈相互接続方案、そしてCPO白書を披露した。単なる製品紹介ではなく、国産AI基盤を“つなぐ力”で底上げする狙いが見える。

WAIC 2026 で安謀科技が示したのは、単体アクセラレータではなく、制約の多い端末側で AI を動かすためのシステム設計だった。CPU、NPU、VPU、AIOS を組み合わせ、ローカル AI 基盤を構成しようとしている。

雲天励飛は、Prefill、Decode、Decode段階のFFNに最適化した3種類のDeepVerse推論チップ計画を示した。狙いは単体チップの性能競争ではなく、異種混在クラスタによるToken生成コストの低減にある。

黎曼動力が発表した Riemann-1.0 は、RoboCasa-365 で 62.6% の成功率を記録した。注目点はスコアだけではなく、人間の一人称作業動画を大量に使い、ロボット動作へ接続する学習手法にある。

Moonshot AIの新しいKimiモデルは、中国発のオープンウェイトAIをめぐる議論を再燃させた。焦点は性能だけでなく、開放された高性能モデルを誰が信頼し、誰が規制するのかに移っている。

Kimi K3 は公開直後にモデル広場へ掲載され、注目を集めました。話題の中心は、巨大なパラメータ数だけでなく、コーディングや長時間タスク、検索、表計算、フロントエンドまで広くこなす点です。

米政府は、医療保険の事前承認にAIを使う試験を進めている。無駄な支出を減らす狙いがある一方、必要な治療までより速く拒否されるのではないかという懸念が強まっている。

AWS の複数事例は、AI エージェントや生成 AI 用の認証情報が暴走・漏えいした場合、請求データの反映前に高額費用が発生し得ることを示している。従来型の予算アラートだけでは、API 速度の消費を止めにくい。

Token Time Continuous Diffusion（TTCD）は、連続空間で動作し、トークンごとに異なる生成時間を導入する拡散型言語モデルです。高速生成時の品質低下を抑え、条件付き生成での改善を狙います。

RoboTTT はテスト時学習をロボット基盤モデルに組み込み、推論遅延を増やさずに最大 8K タイムステップの視覚運動コンテキストを扱う手法です。

VIABench は、盲人・視覚障害者が記録または共有した一人称動画を用いて、マルチモーダル大規模言語モデルの実用的な支援能力を評価するベンチマークです。

DeepLoop は、同じ Transformer ブロックを繰り返し使うと残差スケーリングの前提が変わる点に注目した研究です。名目上の層数だけでなく、パラメータが何度訪問されるかを考慮した設計を提案しています。

GRASPは、Agentic RAGが「いつ検索するか」「どの検索手段を使うか」「どこまで文脈を読むか」を学習するための強化学習フレームワークです。意味検索、キーワード検索、段落読解を組み合わせ、多段推論での証拠取得と回答品質の向上を狙います。

LongStraw は、百万 token 級の推論能力と短い文脈に留まりがちな RL 後学習のギャップを埋めようとする実行スタックです。共有プロンプトを勾配なしで処理し、応答分岐を再実行することでメモリ負荷を抑えます。

UniVR は、画像テキスト対に頼らず、純粋な視覚デモから複雑な推論、物理ダイナミクス、長期計画を同時に学ぶことを目指す研究です。中核には VR-GRPO と、純視覚評価のための VR-X ベンチマークがあります。

SearchOS-V1 は、長時間のオープンドメイン検索で Agent が進捗を見失い、同じ検索を繰り返す問題に取り組む。証拠、未解決領域、失敗履歴を外部状態として管理し、複数 Agent の協調を安定させる。

新しい論文は、検証済みの知識をバイト単位で一致する KV Cache 状態として保存し、後の推論に接ぎ木する方法を提案している。繰り返し問題では大きな効率化を示す一方、再現性と能力向上の解釈には注意が必要だ。

SEED は、完了した on-policy 軌跡を自然言語の「事後スキル」に変換し、その行動上の効果を方策モデルへ蒸留するエージェント向け強化学習フレームワークです。