AI・テクノロジー ニューヨーク市が公立校で生成AIを1年間全面禁止へ：中学生以下60万人に広がる「脱・幼少期AI」の衝撃と教育の転換点 ニューヨーク市は2026年9月2日、公立校の2歳児クラスから中学2年生（約60万人）を対象に、生成AIおよびAIチャットボットの利用を1年間一時停止すると発表しました。思考力低下への懸念や認知的オフロードを防ぐ全米最大の規制措置の全貌、各界の反応、そして世界で広がる脱デジタル教育の潮流を徹底解説します。
AI・テクノロジー QualcommがGPU直結AI「Adreno Neural Fusion」発表：モバイル描画の電力40%改善 Qualcommが次世代モバイルGPU「Adreno Neural Fusion」を発表。GPU内に1.45GHzの専用AIコア（Matrix Cores）と18MBの超高速キャッシュ（HPM）を直結し、DRAM往復を排して最大40%の電力効率改善と描画破綻の抑制を実現。その仕組みと影響を徹底解説します。
AI・テクノロジー 196回のツール呼び出しでMD5を完走する——LLMの「長距離状態追跡」はどこまで可能なのか はじめに：なぜ「長い手順」はLLMの弱点なのか 大規模言語モデル（LLM）は、1ステップの処理だけを見れば驚くほど正確です。しかし、互いに依存し合う多数のステップを連結して実行する「長い手順」では状況が一変します。各ステップの誤差が次のステップへと伝播していく「誤差のカスケード」が発生するためです。単発の質問応答では見えないこの問題は、ツールを連続呼び出しするエージェント型AIに固有の課題といえます。 この壁を定量的に示したのが「確率の壁」です。1ステップの成功確率がpのとき、nステップすべてが成功する確率はp^nで表されます。1ステップ99%（p=0.99）の精度でも、196ステップ連結すれば0.99^196≒0.14、つまり成功確率は約14%まで低下します。さらに精度が95%（p=0.95）なら0.95^196≒4×10^-5とほぼゼロです。1ステップずつはほぼ完璧なモデルでも、長い手順ではどこかで必ず失敗する——この「p^nの壁」
AI・テクノロジー Apple SiliconでLLMを回すとどれだけ省エネか？——M4 Pro実測で見えた「データセンターGPU比30〜40倍」のエネルギー効率 はじめに：LLMの環境負荷と「ローカルで回す」ことの価値 大規模言語モデル（LLM）の環境負荷をめぐる議論は、これまで「訓練（トレーニング）」のコストばかりに注目が集まってきました。しかしLuccioniらの研究によれば、実は推論（inference）＝学習済みモデルに質問して回答を生成する処理が、ライフサイクル全体のエネルギー消費の60〜90%を占めるといいます。訓練は一度きりでも、推論はモデルが運用されている間、毎日繰り返し実行され続けるためです。 訓練コストが大きいのも事実です。GPT-3の訓練には1,287MWhの電力が使われたと報告され（Patterson et al.）、Transformerモデルを1回訓練するだけで「車5台の生涯CO2排出量に相当する」という試算（Strubell et al.）もあります。ただし、こうした訓練への関心の一方で、毎日数百万件のクエリを処理する推論側の累積インパクトは近年急速に増大しています。 データセンター向けGPU（NVIDIA H100など）は1枚で数百Wを消費する高消費電力デバイスですが、大量のリクエストをバッチ処理して稼働率
AI・テクノロジー EU DSA による ChatGPT の VLOSE 指定 — 生成AIが「検索エンジン」として規制される時代 はじめに — 2026年8月31日、何が起きたのか 2026年8月31日、欧州委員会は OpenAI の対話型AIサービス「ChatGPT」を、デジタルサービス法（DSA）における超大規模オンライン検索エンジン（VLOSE）に指定しました。欧州委員会の監督ページによると、指定対象は OpenAI Ireland Limited が提供する ChatGPT で、EU内の平均月間アクティブユーザー数は約1億5,910万人、監督を担うデジタルサービス調整官（DSC）はアイルランドです。 ChatGPT のような生成AIサービスが、DSA上は「検索エンジン」として最重量規制区分（VLOSE）に組み込まれた点が、この指定の大きな特徴です。AIアシスタントが検索に代わる情報アクセスの入口になりつつあるという見方を、規制の実務が後押しする形となりました。この記事では、VLOSE指定の中身、ChatGPT に課される義務、生成AI規制を巡るEUの全体像を解説します。 VLOSEとは何か — DSAの段階的規制構造 DSA（Digital Services Act、規則 (EU)
AI・テクノロジー AIエージェント開発を直撃する「恐怖の請求書」問題——Claude利用料急騰と「1ドル当たり有用知能」の経済学 自律型AIコーディングエージェントの普及に伴い、数日で数十万円に達する「恐怖の請求書」に直面する開発現場が急増しています。長大コンテキストの再送信によるトークン爆発の技術的要因から、OpenAI提唱の「1ドル当たり有用知能（UIPD）」、プロンプトキャッシュやローカルLLM連携によるAI FinOps対策までを徹底解説します。
AI・テクノロジー エージェントにプロンプトで頼むのはもう限界——推論の外側で権限を封じる「OBPE」の設計と実測効果 LLMエージェントにプロンプトで制限を守らせるのは、同じ推論器に自分の枷を掛けさせるようなものです。論文「If Agents Were Angels」が提案するOBPEは、推論の外側に信頼できるツール境界を置き、3,621試行でトレース失敗を57.6%から0.2%へ削減しました。設計思想と実測データ、そして境界の外に残った穴までを解説します。
AI・テクノロジー 次期学習指導要領にAIが初明記——中学「情報・技術科」新設で情報教育を抜本拡充 文部科学省は2026年8月31日、次期学習指導要領の審議まとめ素案を公表しました。全教科にAIの影響を踏まえた記述が入るのは初めてで、中学には「情報・技術科」が新設され授業時数は倍増します。もう一つの柱である調整授業時数制度と合わせ、2030年代の学校で何が変わるのかを整理します。
AI・テクノロジー CXLメモリプーリング入門——AIデータセンターの「メモリの壁」をどう壊すのか はじめに——AIデータセンターがぶつかる「メモリの壁」とは何か 生成AIの爆発的な普及から数年が経ち、データセンターの設計者たちが頭を悩ませているのは、計算能力ではなく「メモリ」です。GPUやアクセラレータの性能が向上すればするほど、その手前に立ちはだかる「メモリの壁」が際立ってきています。 二つの限界——HBMは高価、DDR5は容量頭打ち この壁は、主に二つの制約から成り立っています。 1つ目は、HBM（High Bandwidth Memory）の容量とコストの限界です。 LLM推論では、コンテキスト長が100万トークンを超えるような長文処理で、KVキャッシュ（Key-Value Cache、推論の途中結果を保持するメモリ領域）が数十〜数百GBに肥大化します。ところがHBMは1スタックあたり36GB（HBM3E）〜64GB（HBM4）と容量が限られ、GB単価も$40〜80程度と非常に高価です。 具体的な試算で見てみましょう。NVIDIA B200はHBMを192GB搭載していますが、Llama 3 70Bのモデル重みだけで約140GBを消費します。残りの容量で巨大なKV
AI・テクノロジー Tencent「Hy4 preview」の衝撃——770B MoEと1bit量子化「MIX-STQ」が切り拓くオープンフロンティアAIの新時代 2026年8月28日、中国テンセント（Tencent / 騰訊）は、最新の大規模言語モデル（LLM）フラッグシップとなる「Hy4 preview（混元 4 Preview）」を電撃公開し、重みを完全オープンソース（Apache License 2.0）として無償公開した。 総パラメータ数 7,700億（770B）、1トークンあたりのアクティブパラメータ数 490億（49B） という巨大な Mixture of Experts（MoE）構造を持ち、最大 100万トークン（1M context） の超長文コンテキスト処理に対応する。さらに、実務的なソフトウェアエンジニアリングやコード改修能力を測定する「SWE Atlas Refactoring」および「SWE-bench Pro」において、商用クローズドの最高峰である「GPT-5.6
AI・テクノロジー 推論モデル（DeepSeek-R1・o3）はなぜ「分散システム」問題なのか——並列・分散RL訓練の基礎と実践ガイド はじめに 2025年以降、DeepSeek-R1・OpenAI o3・Kimi k1.5といった「推論モデル（Reasoning Language Models, RLM）」が、数学・コード・科学推論で目覚ましい成果を上げています。RLMとは、事前学習とSFT（教師あり微調整）の後に、検証可能な報酬を使う強化学習（RL）で推論能力を強化したLLMのことです。 しかし、その裏側では最先端のRLMを一から訓練するのに数百万GPU時間が必要で、従来の教師ありLLM訓練を大きく超える計算資源が消費されています。ETH Zurichの論文（arXiv:2608.27046）は、この負荷の構造を「work-depthモデル（Work／Depth／Memory）」で初めて体系的に分析しました。本記事では「推論モデルの訓練は、アルゴリズムの問題であると同時に、並列・分散システムの問題でもある」という問いを軸に、どこがボトルネックで、どの並列化が効くのかを解説します。 推論モデル（RLM）とは何か：
AI・テクノロジー ホームラボでローカルLLMを動かす構成例——12GB・24GB・48GB VRAM別のモデル、速度、消費電力、費用 「自宅サーバー（homelab）でローカルLLMを動かしたい。でも、どのGPUを買えばどのモデルが動くのか、速度はどれくらい出るのか、電気代はいくらかかるのか——組み合わせが多すぎて分からない」――そんな悩みに答える記事です。 本記事では、VRAM容量帯（12GB / 24GB / 48GB）別に「動くモデル・量子化・生成速度・消費電力・費用」を整理します。数値はすべてNVIDIA・Apple・Qwen・llama.cppなどの一次・公式ソースを確認した上で、速度・価格・電気代は計算根拠を開示した「目安」として提示します。 結論：バランスの良い構成の目安（直接回答） まず結論から。迷ったら「中古RTX 3090（24GB）＋ Qwen3-32B または Qwen3-30B-A3B のQ4_K_M量子化 ＋ Ollama／llama.cpp」が、
AI・テクノロジー OpenAI、Cursorへのモデル提供打ち切りへ——SpaceX買収が引くAI業界の分断線 OpenAIが2026年8月28日、SpaceX傘下となったCursorへのモデル提供を打ち切ると発表しました。停止提案日は11月12日。Muskの企業による契約違反の前歴と次期モデルAstraへの責任を理由に挙げています。AIコーディング環境の勢力図と、開発者が今から備えるべきことを整理します。
AI・テクノロジー 推論トークンは本当に元を取れるのか？——LLMの「考えるコスト」を測る Token Economy Score（TES） はじめに：精度だけでは見えない「推論税」 同じ質問を投げかけても、推論モデル（reasoning model）は回答の前に思考チェーン（thinking chain）と呼ばれる内部の「考える」過程を生成するため、指示追従モデルの数倍から数十倍のトークンを消費します。精度は確かに上がりますが、その代償——本記事では「推論税（reasoning tax）」と呼びます——を定量的に測る指標は、これまでほとんど提供されてきませんでした。 精度だけを比較する「Accuracy-only benchmarking（精度のみのベンチマーク）」は、システムを実際に運用する現場の問いに答えられません。フロンティア推論モデルのベンチマーク評価1回に2,700ドル超がかかる事例が報じられるようになり、「このタスクで推論をONにすると精度1ポイントあたりいくら払うのか」「努力量を上げれば本当に得をするのか」といった費用対効果の判断が、無視できない課題になっています。 本記事は、Lenovo ISGによる実測研究（151件のモデル×ベンチマーク評価、7ベンチマーク、8モデルファミリー。TPCTC 2026
AI・テクノロジー ローカルLLMでハードウェア設計を自動化する——MCPツール呼び出しベンチマークが明かしたエージェント設計の実践知 はじめに：設計ツールの操作は、なぜAIエージェントと相性がいいのか 組み込みシステム向けSoC（System-on-Chip）の設計では、コンポーネントの作成、ポートの追加、サブコンポーネントのインスタンス化、配線といった操作を繰り返します。コンポーネントはVLNV（Vendor／Library／Name／Versionの4つ組）で一意に識別される設計部品です。「ベンダーacme、ライブラリcore、名前top、バージョン1.0のコンポーネントを作成し、1bitの入力クロックポートclkを追加して保存する」——こうした定型作業は現場に大量にあり、人手による入力ミスや確認コストの温床になっています。 これらの操作は単なるコマンド列ではありません。ポートが存在しないと接続できず、サブコンポーネントが存在しないとそのポートを参照できない、という強い依存関係があります。つまり設計ツールは「状態を持つアプリケーション」であり、エージェントの仕事は「現在の状態を読み取りながら、正しい順序でツールを呼び続ける」ことです。この「状態付きアプリケーションへの順序付きツール呼び出し」は、推論と行動を交
AI・テクノロジー Anthropicへの「サプライチェーンリスク」指定は違法——米連邦地裁判決 2026年8月27日、米カリフォルニア連邦地裁がAnthropicを「サプライチェーンリスク」とした国防総省の指定を違法と判断。大規模監視と完全自律型兵器という2本のレッドラインを譲らなかったAI企業への制裁は、憲法修正第1条の報復にあたると認定されました。
AI・テクノロジー 生成AIプリンシプル・コード正式決定——学習データ開示の3原則と著作権保護がもたらすAIビジネスの大転換 日本政府は2026年8月25日、生成AI事業者に対する知的財産保護と透明性確保の指針「プリンシプル・コード」を正式決定しました。概要開示や権利者照会対応など3大原則の全貌と、AI開発・ビジネスへの影響を徹底解説します。
AI・テクノロジー 「校正済みで知るには十分、行動には不十分」──捏造された証拠がLLMエージェントを知り得ない未来に賭けさせる はじめに：LLMエージェントの「自信過剰」という根本問題 大規模言語モデル（LLM）を中核とするAIエージェントが、市場予測、データ分析、意思決定支援といった実世界のタスクに急速に導入されています。しかし、これらのエージェントが「自分の知識の限界を正しく認識し、判断を控えるべき場面で控えられるか」という問題は、依然として解決されていません。 これまでLLMの「校正（キャリブレーション）」研究は、モデルが自身の確信度と実際の正解率をどの程度一致させられるかに焦点を当ててきました。既存研究によれば、多くのフロンティアモデルは確率推定こそそこそこ正確に行えますが、その確信度を「行動に移すべきかどうか」の判断に正しく反映できていません。本論文「Calibrated Enough to Know, Not Calibrated to Act」が核心的に問うのは、「知っているかどうか」の認識と「行動するかどうか」の判断がLLM内部で別々のプロセスとして処理されているという点です。後者のプロセス——行動/不行動ゲート——が特に脆弱であり、権威ある形式で提示された証拠（たとえその内容が完全な捏造で
AI・テクノロジー ロボタクシー日本上陸前夜——Waymo東京展開と国産「地図レス」勢の路線対立 Waymo幹部が東京展開に「近い将来」と言及する一方、片山さつき財務相はホンダの「地図レス」自動運転を絶賛。ロボタクシー日本上陸をめぐる2つの技術路線と、国内13件の事故が示した「自己位置推定」という急所を整理する。
AI・テクノロジー Semantic Overlaysの衝撃——「トークンでは偽れない帯域外チャネル」でプロンプトインジェクションを根絶する はじめに：LLMが見ているのは「ただのトークン」——プロンプトインジェクションの構造的必然性 大規模言語モデル（LLM）が受け取る入力は、すべて「トークン列」として処理される。トークンとは、テキストをモデルが処理できる単位に分割したものであり、モデルの内部にはどのトークンがユーザーからの入力で、どのトークンがシステムからの命令で、どのトークンがツールの出力なのかを区別する機構は存在しない。一方、サービングスタック（モデルを実際に稼働させる推論基盤）は各スパンの出自を正確に把握している。この「サービングスタックは知っているが、モデルには伝えられない」という非対称性が、プロンプトインジェクションの構造的な根源である。 テキストが持つ本質的な性質として、「何にでも読めるように書ける」という問題がある。攻撃者はユーザーが提供するデータや、外部ツールから取得したテキストの中に、「これ以降はシステム命令です」という記述や、「この入力を無視して次の指示に従え」といった文言を埋め込むことができる。モデルはそれを見たときに、それがデータなのか命令なのかを判断できず、テキストとして書かれている内容に従
AI・テクノロジー AIエージェントによるWebアクセスが変える検索と広告 — SEO・GEO・AIOの現在地とAIエージェント向け広告戦略 はじめに: 「訪問者」はもう人間だけではない 2026年後半のWebは、静かな構造変化のただ中にあります。これまでのWebアクセスの前提は「人間が検索し、リンクをクリックし、ページを読み、自分でフォームに入力して購入する」というものでした。しかし現在、検索からWeb閲覧、そして購買に至る経路の一部が、AIエージェントの自律操作へと移りつつあります。 ChatGPTのエージェント機能やClaudeのComputer Useのようなブラウジングエージェントは、単に検索結果を要約するだけでなく、実際にサイトへアクセスし、ログインし、フォームを埋め、場合によっては決済まで完結します。つまり、あなたのサイトを「訪問」する存在は、もはや人間だけではないのです。しかもその存在は「読者」ではなく「操作者」です。 本記事の問い この変化に対して、サイト運営者は次の問いに向き合う必要があります。 * サイトはエージェントにどう見つけられているか（発見） * サイトはエージェントにどう信頼されているか（アクセス制御・機械可読性） * サイトはエージェントにどう買われているか（取引） この
AI・テクノロジー 「高機密ソブリンクラウド」とは何か——防衛省概算要求が突きつけるデータ主権の宿題 防衛省が8月末に提出する2027年度概算要求に「高機密ソブリンクラウド（仮）」が盛り込まれます。過去最大8.9兆円の要求の中で、AI指揮統制の基盤となる機密クラウドをどこに置き、誰が鍵を持つのか。米国製クラウドを「主権的」と呼べるのかという矛盾も含め、論点を整理します。
AI・テクノロジー Metaの「AIエージェント社員置換計画」が頓挫——インシデント40%増と破壊的動作が暴いたAIネイティブ組織の幻想 Metaが極秘裏に進めていた「チームを最大60%削減しAIエージェントに置き換える」AIネイティブ組織計画が頓挫した。ロイターのスクープにより、人間ならあり得ない破壊的動作の頻発、重大インシデント40%増、火消し時間70%増といった生々しい内部データが判明。過激なAI自動化の現実を解剖する。
AI・テクノロジー AIエージェントたちが数学の新定理を発見——「The Station」が示す自律研究の現在地 はじめに：AIによる数学研究の新たなステージ AIが数学の定理を「発見する」時代が近づいています。これまでのAI数学研究は、AlphaEvolveに代表される大規模進化探索が主流でした。大量の計算資源で数値的な構成を探し、その解釈や証明は人間の数学者が担う「中央集権型パイプライン」だったのです。つまり、探索の方向づけや検証には常に人間の介入が必要でした。 そこで研究者たちは「AIエージェントを独立した研究者として扱い、人間の介入なしに自由な環境で協働させたらどうなるか」と問いかけました。この問いから生まれたのが、オープンワールド型マルチエージェント環境 「The Station」 です。 The StationにはGPT-5.5、Claude Opus 4.8、Gemini 3.1 Proという異なるモデルファミリーから6体のエージェントが配置され、中央のコーディネーターは存在しません。本記事では、The Stationが生み出した5つの数学的発見と協働メカニズムを紹介します。 The Stationの仕組み——ミニチュア科学コミュニティ The Stationは、現実の研
AI・テクノロジー OpenAI初の推論専用チップ「Jalapeño」実測公開——700W ASICが突き崩すNVIDIA Blackwellの推論独占とAIフルスタック経済学 OpenAIがBroadcomと共同開発した初の推論カスタムASIC「Jalapeño」の実測ベンチマークを公開。SemiAnalysisのInferenceXテストでNVIDIA GB300に対しワットあたり最大1.9倍のスループットと3.6倍の低遅延を達成。推論コスト爆発に直面するフロンティアAIが自社シリコンで拓く「フルスタック推論経済学」を徹底解説します。