ビクター・デイは、企業の分野におけるAI、暗号、データサイエンス、メタバース、サイバーセキュリティを扱うテクノロジー編集者兼ライターです。彼は、VentureBeat、Metaverse Post、Observerなどの有名メディアアウトレットで5年以上のメディアおよびAIの経験を持っています。ビクターは、オックスフォード大学や南カリフォルニア大学などのトップ大学のアクセラレーター・プログラムで学生起業家を指導し、データサイエンスとアナリティクスの修士号を持っています。
新しいAIフレームワークは、人間の洞察が不要な、自己改善するマシンに向けた革命的な飛躍を遂げています。これまで、最も高度なAIモデルは、修正できないトレーニングデータに基づいて応答を予測する、受動的なエンジンのままだった。しかし今日、AIの次の章を定義するのは、モデルのサイズではなく、モデルの自己進化能力である。最近、MITの研究者は、自己適応型LLM（SEAL）と呼ばれる新しいAIフレームワークを発表しました。このアプローチにより、大規模言語モデル（LLM）は、自己修復と自己更新のための内部フィードバックループを使用して、自己改善を実現できます。研究者がエラーを特定したり、新しいプロンプトを書いたり、追加の例を提供したりする必要はありません。モデルは自己の進化を完全に所有しています。「大規模言語モデル（LLM）は強力ですが静的です。新しいタスク、知識、または例に対してその重みを適応させるメカニズムが欠けている」と、MITの研究者はブログ投稿で書いています。「知識の統合と少数샷の一般化に関する実験では、SEALは新しいデータに対して自己指向の適応が可能な言語モデルへの有望なステップであることを示しています。」初期テストでは、この自己編集ループにより、モデルは複雑な抽象的推論パズルで完全な失敗から成功に移行し、GPT-4.1を上回る72.5パーセントの成功率で、従来の方法では失敗しました。さらに、SEALは人間の監視を85パーセント削減しながら、精度と適応性を向上させていると報告されています。自己教師付きAIフレームワークの台頭SEALは、自律的なマシンインテリジェンスに向けたより広いトレンドの一部です。例えば、Sakana AIの研究者は、Darwin-Gödelマシンと呼ばれる、自己のコードを書き換えることができるAIエージェントを紹介しました。「自己改善を生成し、パッチの検証ステップ、ファイルの表示、編集ツールの強化、複数の解決策を生成して最適なものを選択する、試みたこととその失敗理由の履歴を追加します」と、Sakana AIはブログ投稿で書いています。同様に、AnthropicのAIエージェントは、Claude 4によって動作し、コードベースとビジネストール間のワークフローを自己で調整できます。「アセットの種類、環境、履歴に基づいて自己を再構成するシステムは、反応的な対応から継続的な予防戦略への移行を可能にします」と、FracttalのCEO兼共同創設者であるChristian Struveは私に話しました。「重要なのは、モデルが進化することではなく、それが人間が定義する目標に沿ったものであることです。」これらの取り組みを結びつけるものは、AIが大きくなる必要はないという共通の信念です。AIは適応性を高める必要があります。「スケーリングは大きな利益をもたらしましたが、サイズだけでは達成できる限界に達しています。自己適応型の学習モデルは、システムが時間の経過とともに成長し改善することを可能にする、次の重要なステップです」と、Datacoの創設者兼CEOであるJorge Rieraは私に話しました。「自己進化型モデルは、静的なベンチマークから、適応性、学習効率、長期的な安全な改善の尺度への進歩を評価することを可能にします。モデルがデプロイ時に何を知っているかをテストするのではなく、どのように学び、保持し、時間の経過とともに進化するかを評価することができます。」AIエコシステムと自律性への世界的な競争への影響このレベルの自律性は、AIの展開の経済学を書き換えます。新しい脅威に対して自己を更新する不正検出システムや、学生の行動に基づいて教え方を変更するAIチューターを想像してみてください。ロボティクスでは、自己適応フレームワークは、再プログラミング不要の自己学習マシンを可能にします。中東諸国は、UAEやサウジアラビアなど、適応性を設計した基礎モデルを急速に構築しています。UAEのFalconやG42のJaisは、地域の関連性を念頭に置いて構築されたオープンソースLLMです。一方、サウジアラビアのALLaMやAramco DigitalのMetabrainは、スマートシティ、ヘルスケア、ロジスティクス向けの自律AIエージェントの分野に進出しています。これらの取り組みはまだMITのSEALに相当する自己編集能力を持っていませんが、受動的なAIシステムから能動的な進化エージェントへの共通の軌道を反映しています。SEALと同様に、これらの取り組みは堅牢なガバナンスフレームワークによって裏付けられており、AIの自律性は責任と一体化する必要があるという認識が高まっていることを示しています。「これは、人間の介入なしに自己を管理するシステムの第一歩です。AIは知能を再定義するのではなく、人間とAIの関係を再考させるのです。重要なのは、モデルが進化することではなく、それが人間が定義する目標に沿ったものであることです」と、Struveは話しています。Gorilla LogicのCTOであるJeff Townesも、ガバナンスがAIの進化に追いつく必要性を強調しています。「問題は、AIが進化できるかどうかではなく、企業がそれに追いつけるかどうかです。ガバナンスは、AIの適応を明確な成果とKPIに固定し、リーダーが測定して信頼できるようにしなければなりません。そうすれば、イノベーションはリスクではなく自信を持って拡大します。」自己書き換えAIに備えているかSEALが提起する最も挑発的な質問は、技術的なものではなく、モデルが自己を教える方法を決定できる場合、人間はその価値観、優先順位、方向性を形成する役割を果たすかというものです。専門家は、自己適応型AIシステムが自律性を獲得するにつれて、自己改善の急速な進歩が倫理的なガイドラインの確立を上回らないように警告しています。「すべてのAIシステムには、少なくとも3つの基本的な倫理原則を組み込まなければならない」と、KryterionのCTOであるJacob Evansは話しています。「第一に、AIは自己をAIとして識別できなければなりません。第二に、AIは人間の判断を支援し、代替するのではなく、人間中心のものでなければなりません。第三に、AIはその限界と不確実性を認識し、深刻な危害をもたらす可能性のある情報を提供することを拒否しなければなりません。そうでない場合、AIは操作のツールではなく、信頼できる支援ツールになる可能性があります。」「モデルをプロダクションで自己改善できるようにするには、静的なトレーニングではなく、動的なフィードバックループが必要です。有効な方法の1つは、デジタルツインまたは高度なサンドボックス環境を使用して、AIが自己の自己生成された改善を安全にテストして検証することです。その後、ユーザーにデプロイする前に、それらをデプロイすることができます」と、AutomotusのコンピュータビジョンエンジニアであるGanesh Vanamaは話しています。ガバナンスについて、Vanamaは、「人間がループ内にいる」監視は絶対条件であると付け加えました。「モデルが適応することを望みますが、人間の監視者が安全性やパフォーマンスのレビューに失敗した場合、モデルが自己の更新を却下またはロールバックできるようにするシステムが必要です。」しかし、他の専門家は、真正な自己改善AIを構築することはまだ大きな課題であり、ガイドラインを開発する時間はまだあると主張しています。「そのようなモデルはまだ、信頼性を持ってリアルタイムで自己を再プログラミングする能力が欠けています。エラーの強化を防ぐ、カタストロフィックな忘却を避ける、更新中の安定性を確保する、内部の変更についての透明性を維持するという課題が残っています。そうした課題が解決されるまで、完全な自己指向的適応は現実ではなく、フロンティアです」と、Rieraは話しています。MITの研究者は、SEALを必要な進化と見なしています。MITのリード科学者は、「これらのシステムは、人間の学習をより密接に反映するものであり、経験から学び、メモリを管理し、時間の経過とともに目標を追求することができる、適応型アーキテクチャへの移行を示唆しています。方向性は明確です。モジュラーで、コンテキストに応じたインテリジェンスが、継続的に自己を調整できるものへの移行です。まだ実験段階ですが、このアプローチは、より自律的で堅牢なAIシステムへの有意義なステップです」と話しています。これが、より個別化されたシステムや、まったく新しい形式の機械的代理店につながるかは、まだ見えてきません。自己教師付きAIの時代が到来しました。それは、自分のコードだけではなく、機械が何になるかを規定するルールを書き換えています。
メディケイドは、共和党の法律家が税制減税を支援するために大幅な削減を推進する、激しい政治的戦いの中心となっています。ドナルド・トランプ大統領とGOPのリーダーは、次の10年間でメディケイドの支出を880億ドル削減することを目指しており、プログラムの予算の約10％を削減することになります。ただし、その結果は深刻となる可能性があります。メディケイドは、約8300万人の低所得アメリカ人、包括して高齢者や障害者に医療保険を提供しているからです。メディケイドの将来を確保するために、人工知能（AI）は医療費の増加に対する潜在的な解決策として浮上しています。今日、AI駆動の予測分析により、医療提供者は緊急医療を必要とする前に高リスク患者を特定できます。「メディケイドは予算の制約に直面していますが、AIは品質を犠牲にせずコストを削減できます。」グレース・チャン、KintsugiのCEO兼創設者は私に話しました。「運用上の非効率、たとえば診断の見逃しや患者へのフォローアップの不十分さは、目に見えないものの非常に高額です。AIはERの過剰使用や薬剤の非順守のリスクがある患者を特定できます。これらの分野はシステムから数十億ドルを吸い取るものですが、適切なツールで解決できます。」カリフォルニア州を拠点とするAIヘルスケアスタートアップKintsugiは、抑うつ患者向けの初期スクリーニングを自動化するためにボイスバイオマーカーを使用しています。これにより、臨床医の評価時間が短縮されます。チャンは、ほとんどのヘルスケアシステムがすでに人員不足であり、AIが最も必要な人の優先順位を付け、最も重要なときに支援するのに役立つと主張しています。創設者によると、ヘルスケアの最も難しい問題を解決するためにAIを使用しないことの本当のリスクは、「ケアの重要なギャップを埋めるためにそれを使用しないことです。」メディケイドと医療費の一般的な削減におけるAIの役割管理上の非効率性は医療費の重要な部分を占めています。しかし、国立生物工学情報センター（NCBI）の研究によると、AIは管理プロセスの最適化により、医療業界に年間最大1500億ドルの節約をもたらす可能性があります。また、国立経済研究所は、次の4年間でAIの自動化により医療支出を200〜360億ドル削減できる可能性があると推定しています。今日、AIはメディケイドと医療において、疾患の発生や人口動態の変化を予測し、予防的なリソース配分を可能にし、医療の効率と成果を向上させる上で重要な役割を果たしています。また、AIは個別化医療を促進し、患者ごとに治療を最適化することでより効果的な治療戦略と予防医療につながります。最新のテクノロジーを活用することで、複数のAI駆動型ヘルスケアスタートアップがメディケイドにおけるAIの採用を促進し、診断を加速し、治療の成果を向上させるために最前線に立っています。たとえば、ボストンを拠点とするQuantivlyは、MRIとCTスキャナーの利用を最適化するためのAIベースのプラットフォームを通じて放射線科の効率を向上させています。AIは画像処理のボトルネックを特定し、患者待ち時間の短縮、スキャナーのスループットの向上、病院の収益性の向上につながります。「ヘルスケアシステム、特にメディケイド人口を対象とするシステムは、より少ないリソースでより多くのことを行うよう求められています。さらに、低収益の現実に対処するために、より多くのスキャンを実行する必要があります。」ロバート・マクダグラル、Quantivlyの共同創設者は私に話しました。「医療用画像処理における運用AIは、スタッフに負担を加えずにスループットを管理するのに役立ちます。AIはスケジューリングなどの分野で活用できます。ここでは、タスクの調整が人間が手作業で管理するには複雑すぎます。」マクダグラルによると、スケジューリングシステムは、スキャン時間に影響を与える重要な要素、たとえばスキャナーハードウェア、プロトコルの複雑さ、患者移動性、鎮静の必要性を無視しています。これらの変数をリアルタイムで管理することは人間の能力を超えています。したがって、AIはスケジューリングと効率を最適化するための不可欠なツールとなり、病院の収益性にも貢献します。同様に、AI駆動型の薬剤管理プラットフォームArineは、薬剤のレジメンの最適化と不要な薬剤の特定により、処方箋のエラーを削減するのに役立ちます。「AIは、患者ごとの薬剤歴、社会的決定要因（SDOH）データ、臨床的および医療関連の文献を迅速に接続して、各患者に個別の推奨事項を提供できます。」ヨナ・キム、ArineのCEO兼創設者は説明しました。彼女は、患者が既存の病状に悪影響を及ぼす可能性のある新しい薬剤を処方された場合、AIはリアルタイムで問題を特定し、合併症が発生する前にそれを防ぐことができることを付け加えました。「AIは繰り返しのタスク（例：文書化、要約）を自動化できますが、患者ケアの場合、臨床医が管理する必要があります。」とキムは述べました。医療の効率と成果を向上させるAIの潜在能力を考えると、法律家はその採用を優先するでしょうか、それとも予算の制約と財政政策がアクセスを影に落とすでしょうか。どのようにこの議論が展開されるかはまだ見えてきません。「運用AIの目的は、リソースの使用方法を改善することでアクセスを拡大することです。同じ機器で患者をスキャンする回数を増やせずにスタッフの負担を加えずに、アクセスを改善できます。特にリソースが限られている地域でです。重要なのは生産性であり、制限ではありません。」マクダグラルは強調しました。
セキュリティコミュニティは、2025年1月に大きな変化を経験しました。競合他社が団結して、静的アプリケーションセキュリティテストツールであるセムグレップのフォークであるOpengrepを立ち上げました。以前はオープンソースのコミュニティ主導の精神で称賛されていたセムグレップは、2024年12月にライセンスモデルを変更し、論争を引き起こしました。このライセンスの変更により、寄付ルールの商用製品での使用が制限され、重要な機能が有料化されました。セムグレップは、複数のプログラミング言語での脆弱性を検出する能力により、世界中の開発者の必須ツールとなりました。しかし、会社の決定は、現代のサイバーセキュリティにとって重要な分野でのイノベーションを抑制する可能性があります。この論争の中、DevSecOpsスタートアップのDeepSourceは、新しいオープンソースのコードセキュリティツールキットであるGlobstarを立ち上げました。スクラッチから作成され、MITライセンスの下でリリースされたGlobstarは、コードへの無制限な商用および公共へのアクセスを提供することを目的としています。「Globstarを通じて、私たちはカスタム静的分析に新しいアプローチを提供しています。セキュリティチームのニーズに応じて設計されています。これは、私たちが内部フレームワークとして開発した脅威検出のためのものです。セムグレップはすでに有能なチームの手にあり、私たちの目標は別の道を歩むことです。私たちは自分たちをセムグレップの代替ではなく、別の視点を提供する代替案として見ています。」と、DeepSourceの共同創設者兼CEOであるSanket Sauravは私に話しました。同社は、合計770万ドルの資金を調達しており、現在はY Combinatorの投資家によって支援されています。Goプログラミング言語を使用して開発され、Tree-sitterと統合されたGlobstarは、20以上のプログラミング言語をサポートしています。ツールキットには、カスタムセキュリティチェッカーを作成するための直感的なYAMLインターフェイスと、複雑なクロスファイル分析のための高度なGoインターフェイスが含まれています。「プロジェクトがフォークされると、別の軌道を辿ることが多いですが、既存の製品の上に構築することには限界があります。イノベーションが制限される可能性があります。カスタムコードチェッカーを書くプロセスを簡素化するシステムを作成しました。」とサンケットは述べました。ビジネス上の必要性とオープンソースの保存2024年12月13日、セムグレップはライセンスモデルを変更して、第三者による寄付ルールの商用製品での使用を制限しました。また、同社はオープンソース版を「セムグレップ CE」（コミュニティエディション）にリブランドしました。セムグレップは、ライセンスの変更は知的財産を保護し、持続可能な収入を確保するために必要であると主張しています。同社は、商用使用の制限により、無許可の再パッケージ化を防ぎ、長期的なイノベーションを支援することを主張しています。「エンジニアが問題を解決するためにコードを書くとき、静的分析はコードを実行せずにパターンと潜在的な問題を検出します。セムグレップはこの分野で尊敬されるプレーヤーであり、私は彼らを高く評価しています。ただし、彼らの商用ユーザー向けのライセンスの変更は、より広い現実を反映しています。ベンチャーキャピタルによる支援を受ける会社は、オープンソースの原則と持続可能なビジネスモデルをバランス良く維持する必要があります。」とサンケットは述べました。彼は、変更がエンドユーザーに直接影響しなかったものの、オープンソースが完全に制限されないまま残るべきか、長期的な持続可能性を確保するために進化すべきかについて、継続的な議論を引き起こしたと指摘しています。2025年1月、10のDevSec会社（Aikido Security、Arnica、Amplify Security、Endor Labs、Jit、Kodem、Legit Security、Mobb、Orca Security）がコンソーシアムを結成して、セムグレップの決定に挑戦するためにOpengrepを立ち上げました。伝統的に激しい競争相手であった新しいコンソーシアムは、商業的な利益のために機能を制限するセムグレップの決定に直接対抗することを計画しています。Endor Labsのブログ投稿では、静的コード分析は「制限されるべきではない」と述べられています。ただし、Opengrepがレガシーコードを単に再パッケージ化しているのか、完全に新しいソリューションを提供しているのかはまだ明らかではありません。オープンソースの代替案の台頭DeepSourceは、開発者がレガシーの制約を受けないツールを必要としていることを認識しました。「企業顧客は複数のツールを扱いたくない、それは統合の課題を生み出し、すべてを一つのソリューションで提供することを求める」とサンケットは説明しました。「静的分析はコードアーキテクチャを理解する上で重要な役割を果たすため、私たちは統一されたプラットフォームとして自分たちを位置付けました。」しかし、DeepSourceのGlobstarは唯一の代替案ではありません。セムグレップのライセンス論争を受けて、静的コード分析の代替案が注目されています。例えば、SonarQubeはコード分析プラットフォームであり、無料のコミュニティエディションと有料版を提供しています。また、ShellCheckはシェルスクリプトを分析するための代替案であり、開発者が後に重大なバグや非効率性につながる可能性のあるスクリプティングエラーを検出するのに役立ちます。ShellCheckはコマンドラインから実行でき、CI/CDパイプラインに簡単に統合できるため、人気の選択肢となっています。Opengrepがレガシーツールのオープンソースのルーツを保存しようとしている一方で、SonarQube、Globstar、ShellCheckなどの代替案も新鮮で前向きなソリューションを提供しています。オープンソースの論争が進むにつれて、開発者と企業は、コード分析の景観を再定義する可能性のある重要な選択に直面しています。
Anthropicの革新的なモデルコンテキストプロトコル（MCP）は、断片化されたデータを解決し、AIパワードソリューションの効率を高めることを目的としています。コンテキストアウェアAI統合の標準になる可能性がありますか。現在のAIイノベーションにおける最大の課題の1つは、大規模言語モデル（LLM）がリアルタイムデータから隔離されていることです。この問題に対処するために、サンフランシスコを拠点とするAI研究および安全会社Anthropicは、AIモデルがデータとどのようにやり取りするかを再定義するための独自の開発アーキテクチャを発表しました。同社の新しいモデルコンテキストプロトコル（MCP）は、オープンソースプロジェクトとして公開され、AIパワードアプリケーションとリアルタイムの多様なデータソースとの「双方向通信」を通じて、AIの効率を高めることを目的としています。このアーキテクチャは、リアルタイムデータとの接続が不足しているために古くなったAI出力が発生するという問題に対処するために設計されています。Anthropicは、統一されたプロトコルが、ビジネス向けのAI開発と機能を強化し、リアルタイムのコンテキスト認識を通じて、AIをより人間のようにすることができるという主張しています。同社によると、各新しいビジネスデータソースには、カスタマイズされたAI実装が必要になり、非効率性が生じます。MCPは、開発者が普遍的に採用できる標準化されたフレームワークを提供することで、この問題に対処しようとしています。「アーキテクチャは簡単です。開発者は、MCPサーバーを介してデータを公開するか、MCPクライアントとして機能するAIアプリケーションを構築できます。各データソースに個別のコネクタを維持するのではなく、開発者は標準プロトコルに対して構築できます」と、Anthropicはブログ投稿で説明しています。「エコシステムが成熟するにつれて、AIシステムは、さまざまなツールやデータセット間でコンテキストを維持するようになり、今日の断片化された統合をより持続可能なアーキテクチャに置き換えます」AIモデル、Anthropicの旗艦アシスタントClaudeを含む、はGoogle Drive、Slack、GitHubなどのツールと統合できます。専門家は、MCPが、サービス指向アーキテクチャ（SOA）や他のプロトコルがアプリケーションの相互運用性を革命したのと同様に、ビジネスAI統合を変革する可能性があると指摘しています。「LLMとデータソースの間のデータパイプラインに業界標準のプロトコルを持つことは、ゲームチェンジャーです。ソフトウェア業界におけるRESTやSQLと同様に、MCPのような標準化されたプロトコルは、チームがGenAIアプリケーションをより迅速に、かつ信頼性の高いものにするのに役立ちます」と、AIモデル評価プラットフォームCometの共同創設者兼CEOであるGideon Mendelsは私に語りました。「これは、過去6ヶ月間に、優れたLLMモデルだけでは十分ではないという市場の認識に続くものです」Anthropicは、ブロックやアポロなどの早期エンタープライズ採用者がすでにMCPをシステムに統合していることも明らかにしました。開発ツールプロバイダーのZed、Replit、Codeium、Sourcegraphは、MCPと協力してプラットフォームを強化しています。このパートナーシップは、AIモデルやエージェントがより関連性の高い情報をリアルタイムデータから取得し、コンテキストをより効果的に把握し、エンタープライズタスクのためのニュアンス豊かな出力をより効率的に生成することを可能にすることを目的としています。「AIモデルがより人間らしく、自己認識を持つことで、テクノロジーがより親しみやすく感じられ、より広く採用される可能性があります」と、One Way VenturesのEntrepreneur in ResidenceであるMasha Levinは私に語りました。「まだAIに対する多くの恐怖があり、多くの人がそれを単なる機械と見なしています。AIモデルを人間らしくすることで、恐怖を和らげ、日常生活への統合をスムーズにすることができます」しかし、Levinは潜在的な欠点についても警告しています。「ビジネスがAIに過度に依存し、極端な方法で決定を下す可能性があり、有害な結果をもたらす可能性があります」しかし、MCPの真のテストは、広く採用され、競合他社を上回る能力にあるでしょう。Anthropic MCP vs. OpenAIとPerplexity：AIイノベーションの標準化への闘いAnthropic MCPのオープンソースアプローチは、AIイノベーションにおける重要な進歩を示していますが、テックの大手企業であるOpenAIやPerplexityが支配する競争的な市場に参入しています。OpenAIの最近の「Work with Apps」機能は、ChatGPTの類似の機能を示していますが、オープンスタンダードよりも、緊密なパートナーシップを優先するプロプライエタリなアプローチを取っています。この機能により、ChatGPTは、ユーザーの許可があれば、他のアプリのデータやコンテンツにアクセスして分析できます。開発者が手動でコピーして貼り付ける必要がなくなり、ChatGPTは、リアルタイムのインターネットデータとの統合により、より賢い、コンテキストアウェアな提案を提供できます。さらに、同社は、ボイスアシスタントがより効果的に応答できるように、リアルタイムデータアーキテクチャ「Realtime API」を発表しました。たとえば、ボイスアシスタントは、ユーザーの代わりに注文を出すか、パーソナライズされた応答を提供するために関連する顧客情報を取得できます。「Realtime APIとChat Completions APIのオーディオを使用すると、開発者はこれらの体験を実現するために複数のモデルを組み合わせる必要がなくなります」と、OpenAIはブログ投稿で述べています。「内部的には、Realtime APIは、GPT-4oとの間で永続的なWebSocket接続を確立することを可能にします」同様に、PerplexityのAI用リアルタイムデータプロトコル「pplx-api」は、開発者が大規模言語モデル（LLM）にアクセスできるようにします。このAPIにより、アプリケーションは自然言語クエリを送信し、Webから詳細なリアルタイム情報を受け取ることができます。単一のAPIエンドポイントを通じて、最新の情報に基づいたデータの取得とコンテキストアウェアな応答が可能になり、開発者は最新の情報と一致するアプリケーションを構築できます。「通常、業界はオープンソースソリューションの1つに標準化する傾向がありますが、それには数年かかります。OpenAIがより多くのプロトコルを導入しようとする可能性は高いですが、MCPが最初の標準として広く採用されれば、テクニックやベストプラクティスがそれを中心に標準化し始める可能性があります」と、Mendelsは述べています。Anthropic MCP：コンテキストアウェアAI統合の標準になる可能性MCPは潜在力を秘めていますが、重大な課題にも直面しています。セキュリティは主な懸念事項であり、AIシステムが機密性の高いエンタープライズデータにアクセスできるようにすることで、システムが暴走した場合に漏洩のリスクが生じます。また、既存のエコシステムに根付いている開発者がMCPを採用することを説得することは困難になる可能性があります。IT開発会社Making SenseのヘッドオブデータサイエンスであるJD Raimondiは、「Anthropicは、大きなコンテキストを生み出す実験のリーダーですが、大きなコンテキストを扱うと、モデル精度が大幅に低下します。時間の経過とともに改善される可能性はありますが、パフォーマンス面では、速度を維持するための多くの工夫があります」と私に語りました。Anthropicは、MCPがAIのデータの取得とコンテキスト化能力を向上させることを主張していますが、主張を裏付ける具体的なベンチマークが不足していることで、採用が妨げられる可能性があります。「あなたがAIツールの開発者であっても、既存のデータを活用しようとしているエンタープライズであっても、またはAIの最前線で探索している初期採用者であっても、私たちと一緒にコンテキストアウェアAIの未来を築きましょう」と、Anthropicは述べています。開発者がMCPの能力をテストするにつれて、業界はこのオープンスタンダードがコンテキストアウェアAI統合のベンチマークになるために必要なトラクションを獲得できるかどうかを注視しています。Mendelsは、標準化はAnthropicにとって賢い動きになる可能性があり、相互運用性を高め、チームがさまざまなツールの組み合わせを試して、どれが最も適切かを判断できるようにする可能性があると示唆しています。「現在、AIエコシステムの多くのプロセスが標準化されていると言うにはまだ早いと思います。イノベーションが急速に進んでいるため、今日のベストプラクティスは来週には古くなっている可能性があります。MCPのようなプロトコルがコンテキストデータの取得を標準化できるかどうかは、時間が答えを出すでしょう」と、Mendelsは述べています。
感覚を持つロボットは、数十年間にわたってサイエンスフィクションの定番であり、魅力的な倫理的疑問を提起し、人工意識の創造の技術的障壁を照らしている。今日、テクノロジー界が達成した人工知能（AI）の多くは、最近のディープラーニングの進歩に拠るものであり、ディープラーニングにより、マシンはトレーニング中に自動的に学習することができる。このブレークスルーは、手間のかかる手動の特徴エンジニアリングの必要性を排除するものであり、ディープラーニングはAIとテクノロジー革新において変革的な力として際立っている。この勢いを背景に、Meta（Facebook 、WhatsApp、Instagramの所有者）は、先進的な「タクティルAI」テクノロジーに着手している。同社は最近、3つの新しいAI駆動ツール、スパルシュ、デジット360、デジットプレクサスを発表し、ロボットに人間の知覚を模倣したタッチ感覚を与えることを目的としている。目標は、ロボットが単にタスクを模倣するのではなく、人間のように周囲と積極的に関わるようにすることである。スパルシュは、サンスクリット語で「触覚」を意味する言葉にちなんで命名された、汎用のエージェントAIモデルであり、ロボットがリアルタイムで感覚的なヒントを解釈し、反応することを可能にする。また、デジット360センサーは、ロボット用の人工指先であり、針の突きや圧力の変化などの微妙な物理的感覚を感知することができる。さらに、デジットプレクサスは、タクティルセンサーを様々なロボットデザインに統合するための標準化されたフレームワークを提供し、タッチデータの取得と分析を容易にする。Metaは、これらのAI駆動ツールが、特に医療分野で、感覚と精密さが重要な複雑なタスクにロボットを取り組ませることを可能にするだろうと考えている。しかし、感覚ロボットの導入は、より大きな疑問を提起する。たとえば、こうした技術が新しいレベルの協力関係を解放するか、または社会が対処できない複雑さをもたらすかという疑問である。「ロボットが新しい感覚を解放し、高度な知能と自律性を獲得するにつれて、我々は社会におけるロボットの役割を考慮し始める必要がある」と、アリ・アハメド氏、Robomartの共同創設者兼CEOは私に語った。 「メタの努力は、ロボットに人間のような感覚を提供するための重要な第一歩である。人間がロボットと密接に関わるにつれて、ロボットを生活のパートナー、相棒、さらにはロボットだけの生活を築く相手として扱い始めるだろう」人間とロボットの調和のためのフレームワーク、未来？タクティルAIの進歩と並行して、MetaはPARTNRベンチマークを発表し、人間とロボットの協力関係を大規模に評価するための標準化されたフレームワークを提供している。計画、推論、協力的な実行を必要とする相互作用をテストするように設計されたPARTNRにより、ロボットは構造化された環境と非構造化された環境の両方で人間と一緒にナビゲートできる。さらに、人間とロボットの協力関係を導くために、大規模言語モデル（LLM）を統合することで、PARTNRはロボットを調整、タスク追跡などの重要な要素で評価し、ロボットを単なる「エージェント」から人間のパートナーへと変えることができる。「現在の論文はベンチマークのために非常に限定的であり、自然言語処理（NLP）においても、LLMを現実世界で完璧にするには相当な時間がかかった。8.2億人の人口と限られたラボ環境で一般化することは、巨大な課題となるだろう」と、ラム・パラニアッパン氏、TEKsystemsのCTOは私に語った。 「この研究論文を実用的なパイロットにまで昇華させるには、より大きな専門的な努力が必要となるだろう」Metaは、GelSight Inc.とWonik Roboticsと提携して、これらのタクティルAIの進歩を市場に導入する計画である。GelSightは、来年発売予定のデジット360センサーを製造することが予定されており、研究コミュニティに先進的なタクティル機能を提供する。Wonik Roboticsは、デジットプレクサスを統合した次世代のAllegro Handを製造することが予定されており、ロボットが新しいレベルの精密さで、繊細なタッチ感覚を必要とする複雑なタスクを実行できるようにする。しかし、ロボットに感覚を与えることの倫理的影響については、専門家の間で意見が分かれている。たとえば、アグスティン・ウエルタ氏、Globantのデジタルイノベーション担当シニアバイスプレジデントは、「ロボットに人間レベルの感覚を与える必要はない。ロボットは単に追加のデータポイントとして機能するだけである」と述べた。MetaのタクティルAIの進歩は、ロボットが人間のように感覚を持ち、人間と協力する未来の可能性を示唆している。ロボットはすでに医療、物流、製造などの分野で人間と協力しているが、ロボットが人間のように感覚を持ち、人間とより密接に協力できるようになれば、人間とロボットの関係はさらに変化する可能性がある。ロボットが人間のように感覚を持ち、人間と協力する未来は、まだ確実なものではない。しかし、MetaのタクティルAIの進歩は、ロボットが人間のように感覚を持ち、人間と協力する未来の可能性を示唆している。ロボットはすでに医療、物流、製造などの分野で人間と協力しているが、ロボットが人間のように感覚を持ち、人間とより密接に協力できるようになれば、人間とロボットの関係はさらに変化する可能性がある。ロボットが「感じる」準備はできているか？ロボットが人間のように感覚を持ち、人間と協力する未来は、まだ確実なものではない。しかし、MetaのタクティルAIの進歩は、ロボットが人間のように感覚を持ち、人間と協力する未来の可能性を示唆している。ロボットはすでに医療、物流、製造などの分野で人間と協力しているが、ロボットが人間のように感覚を持ち、人間とより密接に協力できるようになれば、人間とロボットの関係はさらに変化する可能性がある。ロボットが人間のように感覚を持ち、人間と協力する未来は、まだ確実なものではない。しかし、MetaのタクティルAIの進歩は、ロボットが人間のように感覚を持ち、人間と協力する未来の可能性を示唆している。ロボットはすでに医療、物流、製造などの分野で人間と協力しているが、ロボットが人間のように感覚を持ち、人間とより密接に協力できるようになれば、人間とロボットの関係はさらに変化する可能性がある。ロボットが人間のように感覚を持ち、人間と協力する未来は、まだ確実なものではない。しかし、MetaのタクティルAIの進歩は、ロボットが人間のように感覚を持ち、人間と協力する未来の可能性を示唆している。ロボットはすでに医療、物流、製造などの分野で人間と協力しているが、ロボットが人間のように感覚を持ち、人間とより密接に協力できるようになれば、人間とロボットの関係はさらに変化する可能性がある。「ロボットが人間のように感覚を持ち、人間と協力する未来は、まだ確実なものではない。しかし、MetaのタクティルAIの進歩は、ロボットが人間のように感覚を持ち、人間と協力する未来の可能性を示唆している。ロボットはすでに医療、物流、製造などの分野で人間と協力しているが、ロボットが人間のように感覚を持ち、人間とより密接に協力できるようになれば、人間とロボットの関係はさらに変化する可能性がある」と、アグスティン・ウエルタ氏は述べた。ロボットが人間のように感覚を持ち、人間と協力する未来は、まだ確実なものではない。しかし、MetaのタクティルAIの進歩は、ロボットが人間のように感覚を持ち、人間と協力する未来の可能性を示唆している。ロボットはすでに医療、物流、製造などの分野で人間と協力しているが、ロボットが人間のように感覚を持ち、人間とより密接に協力できるようになれば、人間とロボットの関係はさらに変化する可能性がある。「ロボットが人間のように感覚を持ち、人間と協力する未来は、まだ確実なものではない。しかし、MetaのタクティルAIの進歩は、ロボットが人間のように感覚を持ち、人間と協力する未来の可能性を示唆している。ロボットはすでに医療、物流、製造などの分野で人間と協力しているが、ロボットが人間のように感覚を持ち、人間とより密接に協力できるようになれば、人間とロボットの関係はさらに変化する可能性がある」と、アグスティン・ウエルタ氏は述べた。「ロボットが人間のように感覚を持ち、人間と協力する未来は、まだ確実なものではない。しかし、MetaのタクティルAIの進歩は、ロボットが人間のように感覚を持ち、人間と協力する未来の可能性を示唆している。ロボットはすでに医療、物流、製造などの分野で人間と協力しているが、ロボットが人間のように感覚を持ち、人間とより密接に協力できるようになれば、人間とロボットの関係はさらに変化する可能性がある」と、アグスティン・ウエルタ氏は述べた。「ロボットが人間のように感覚を持ち、人間と協力する未来は、まだ確実なものではない。しかし、MetaのタクティルAIの進歩は、ロボットが人間のように感覚を持ち、人間と協力する未来の可能性を示唆している。ロボットはすでに医療、物流、製造などの分野で人間と協力しているが、ロボットが人間のように感覚を持ち、人間とより密接に協力できるようになれば、人間とロボットの関係はさらに変化する可能性がある」と、アグスティン・ウエルタ氏は述べた。「私は、AIの感覚能力の向上が倫理的な境界を越えるものではないと考えている。ロボットが人間のように感覚を持ち、人間と協力する未来は、まだ確実なものではない。しかし、MetaのタクティルAIの進歩は、ロボットが人間のように感覚を持ち、人間と協力する未来の可能性を示唆している。ロボットはすでに医療、物流、製造などの分野で人間と協力しているが、ロボットが人間のように感覚を持ち、人間とより密接に協力できるようになれば、人間とロボットの関係はさらに変化する可能性がある」と、アグスティン・ウエルタ氏は述べた。
人工知能（AI）が進化するにつれて、そのエネルギー需要はデータセンターを限界まで追い込んでいます。次世代のAI技術であるジェネレーティブAI（genAI）は、業界を変革するだけでなく、CPU、メモリ、加速器、ネットワークなどのデータサーバーのほぼすべてのコンポーネントのエネルギー消費に影響を与えています。genAIアプリケーション、たとえばMicrosoftのCopilotやOpenAIのChatGPTは、以前よりも多くのエネルギーを必要とします。2027年までに、これらのAIシステムのトレーニングとメンテナンスだけで、1つの小さな国を1年間動かすのに必要な電力を消費することになります。さらに、CPU、メモリ、ネットワークなどのコンポーネントの電力需要は、2030年までに160%増加する見込みであるとゴールドマン・サックスの報告では示されています。大規模言語モデルもエネルギーを消費します。たとえば、ChatGPTのクエリは従来のGoogle検索よりも約10倍の電力を消費します。AIの巨大な電力需要を考えると、業界の急速な進歩は持続可能な方法で管理できるのでしょうか。マッキンゼーの最近の調査によると、データセンター市場の急増する需要の約70%は、先進的なAIワークロードを処理できる施設に向けられていることがわかります。この変化は、データセンターが構築され、運営される方法を根本的に変え、genAIタスクのユニークな要件に適応しています。「従来のデータセンターは、多くの場合、エネルギー効率の低い機器と固定容量で運営されており、変動するワークロードに適応するのに苦労し、結果として大量のエネルギーが浪費されています」と、分散クラウドコンピューティングプラットフォームAethirのチーフストラテジーオフィサー兼共同創設者であるマーク・ライドンは述べています。「集中運用は、リソースの可用性と消費ニーズの間にバランスをとることが多く、業界は重要な局面に立たされています。AIドリブンの需要が増加するにつれて、環境目標を損なうリスクがあります」。業界のリーダーは現在、データセンターのよりグリーンな設計とエネルギー効率の高いアーキテクチャへの投資に注力しています。活動の範囲は、再生可能エネルギー源の採用から、genAIワークロードによって生成される大量の熱を相殺できる効率的な冷却システムの開発まで広がっています。データセンターをよりグリーンな未来に向けて革命的に変えるレノボは最近、ThinkSystem N1380 Neptuneを導入しました。これは、データセンターの液体冷却技術における大きな進歩です。同社は、この革新により、組織が高性能コンピューティングをgenAIワークロードで実行できるようになり、データセンターのエネルギー使用量を最大40%削減できることを主張しています。N1380 Neptuneは、NVIDIAの最新ハードウェア、BlackwellとGB200 GPUを活用し、コンパクトなセットアップで1兆パラメータのAIモデルを処理できるように設計されています。レノボは、専用の空調が不要な100KW以上のサーバーラックを備えたデータセンターの道を切り開くことを目指しています。「現在の顧客から、大きな要望がありました。データセンターは、AIワークロードを処理する際に、旧来の冷却アーキテクチャと伝統的な構造フレームワークにより、より多くの電力を消費しています」と、レノボのAIグローバルディレクターであるロバート・デイグルは述べています。「これを理解するために、私たちは高性能コンピューティング（HPC）の顧客と協力して、彼らの電力消費を分析し、40%のエネルギー使用量削減が可能であると結論付けることができました」。彼は、ファン電力や冷却ユニットの電力消費を標準システムと比較し、レノボのデータセンター評価サービスを通じて、これらの要素を考慮して新しいデータセンター・アーキテクチャをNvidiaと共同で開発したと付け加えました。イギリスを拠点とするITコンサルティング会社AVEVAは、予測分析を使用して、データセンターの圧縮機、モーター、HVAC機器、エアハンドラーなどの問題を特定しています。「ジェネレーティブAIの事前トレーニングが大量の電力を消費することがわかりました」と、AVEVAのAIおよび高度な分析の責任者であるジム・チャペルは述べています。「私たちの予測AIドリブンのシステムを通じて、SCADAまたは制御システムよりも前に問題を特定し、データセンターの運用者が重大な問題になる前に機器の問題を修正できるようにします。さらに、制御システムとネイティブに統合されたビジョンAIアシスタントを備えており、熱イメージカメラと組み合わせて使用することで、温度ホットスポットなどの他の種類の異常も検出できます」。一方、クラウド上のGPUを介したAIトレーニングと開発のための分散コンピューティングが、代替手段として浮上しています。Aethirのライドン氏は、計算タスクをより広範で適応性の高いネットワークに分散することで、リソースの需要と可用性を一致させ、無駄を大幅に削減できることを説明しています。「大規模な集中型データセンターに頼るのではなく、私たちの『エッジ』インフラストラクチャは、計算タスクをデータソースに近いノードに分散することで、データ転送のエネルギー負荷を大幅に削減し、待ち時間を短縮します」とライドン氏は述べています。「Aethir Edgeネットワークは、作業負荷を単一の場所に集中させるのではなく、さまざまな環境に分散させることで、常に高電力の冷却が必要な集中型データセンターの需要を最小限に抑えることができます」。同様に、アマゾンやグーグルなどの企業は、データセンターの電力需要を管理するために、再生可能エネルギー源の実験に取り組んでいます。マイクロソフトは、データセンターのエネルギー消費を削減するために、再生可能エネルギー源と効率性向上技術に大量に投資しています。グーグルも、データセンターで電力使用量を最小限に抑える冷却システムの開発に取り組んでいます。「核エネルギーは、カーボンフリーのデータセンターへの最も迅速な道であると思われます。マイクロソフト、アマゾン、グーグルなどの主要なデータセンター提供者は、将来のためにこの種の発電に大量に投資しています。小型モジュラー・リアクター（SMR）では、柔軟性と生産までの時間が、ネット・ゼロを達成するためのより実行可能な選択肢となっています」と、AVEVAのチャペル氏は述べています。AIとデータセンターの持続可能性は共存できるか?AIインフラストラクチャプラットフォームMinIOのCTOであるウグル・ティグリ氏は、AIが進化するにつれてエネルギー消費が大幅に増加する未来を望むことは現実的ではないと述べています。「長期的な影響は予測が難しいですが、労働力の変化が起こり、AIがエネルギー消費の改善に役立つでしょう」と彼は述べています。ティグリ氏は、エネルギー効率が市場の優先事項になるにつれて、コンピューティングの成長と他の分野でのエネルギー使用量の減少が見られるだろうと考えています。特に、他の分野がより効率的になるにつれてです。また、グリーンなAIソリューションに対する消費者の関心が高まっていることも指摘しています。「90%の効率で動作するAIアプリケーションが、半分の電力しか使用しないようなイノベーションが、実際に広まる可能性があります」と彼は述べています。AIの未来は、イノベーションだけではなく、データセンターの持続可能性についても考える必要があることは明らかです。ハードウェアの効率性を高めたり、リソースの使用方法を賢くしたりすることで、AIのエネルギー消費をどのように管理するかが、データセンターの設計と運用に大きな影響を与えるでしょう。ライドン氏は、持続可能なデータセンター設計、エネルギー効率の高いAIワークロード、およびオープンなリソース共有に焦点を当てた業界全体の取り組みの重要性を強調しています。「これらは、よりグリーンな運用に向けた重要なステップです」と彼は述べています。「AIを使用する企業は、環境への影響を減らすソリューションを作成するために、テクノロジー企業と提携する必要があります。協力して、AIをより持続可能な未来に向けて導くことができます」。
レノボのTech World 2024では、レノボとモトローラが、消費者技術におけるハイパーパーソナライゼーションの境界を押し広げるという目標で、画期的な人工知能（AI）イノベーションを発表しました。レノボは、「AI Now」と呼ばれるジェネレーティブ人工知能（genAI）システムを発表しました。これは、MetaのLlama 3.1 AIモデルをベースにしており、PCをより賢くし、パーソナライズされたデジタルアシスタントに変えることを約束しています。注目すべき機能は、ユーザーのプライバシーを損なうことなくハイパーパーソナライゼーションを実現することです。ほとんどのAIシステムがクラウドコンピューティングに依存しているのとは異なり、AI Nowはデバイス上でローカルに保存されたインタラクションを保持します。さらに、PC上で実行されるgenAIアシスタントは、システムハードウェアとローカル・ラージ・ランゲージ・モデル（Local LLM）によって動作し、クラウドとのAIのやり取りを制限し、インターネット接続なしでユーザーのクエリに応答できる、業界初の革新的な技術です。同様に、モトローラ（レノボの会社）は、「Moto AI」と呼ばれるgenAIアシスタントをプレビューしました。これは、スマートフォンをハンズフリーで操作できるように設計されています。ユーザーは、ボイスコマンドでデバイスを操作でき、機能として「Catch Me Up」や「Pay Attention」が提供され、パーソナルなコミュニケーションや会話を要約または書き留めることができます。「Remember This」機能を使用すると、ユーザーはボイスコマンドとジェスチャーでライブの瞬間や画面上の情報をキャプチャできます。「私たちのエージェントAIシステムは、ユーザーのコンテキストとメモリを保持し、情報を再導入する必要なく、より自然で継続的なやり取りを可能にします。従来の大規模なAIモデルを7億パラメータの自律システムに圧縮することで、レノボとモトローラのエコシステム全体でハイパフォーマンスAIを提供しながらアクセシビリティを維持することを目指しています。私たちの目標は、消費者デバイス内にユーザーのニーズに合わせた独自のプライベート知識ベースを開発することです」と、レノボ・グループのCEO、楊元慶は私に話しました。両社は、次世代のAI駆動型消費者テクノロジーを推進するために、genAIに賭けています。しかし、これらのAIの進歩は、ユーザーのプライバシーを損なうことなく約束を果たすことができますか?新時代のアシスタント：機密データをAIに信頼できるかレノボのAI Nowは、ユーザーデータをユーザーのシステムハードウェア内にローカルに保存することで、ハイパーパーソナライズされたAI機能を提供します。AIは、ドキュメントを要約したり、会議を書き留めたり、自然言語入力に基づいてデバイス設定を調整したりすることができますが、すべてこれらの機能はインターネット接続なしで実行されます。この革新は、CPU、GPU、NPUを組み合わせてAIシステムとユーザーのやり取りをローカルで動作させる独自のアーキテクチャによって推進されており、デバイス上に完全に保存されたパーソナル・ノウレッジ・ベース（PKB）を作成します。AI Nowは、単にタスクを実行するのではなく、コンテキストとメモリを保持するため、ユーザーは自分の好みを再度紹介する必要がありません。これにより、より自然で継続的なやり取りが可能になります。レノボは、ローカルLLMアーキテクチャは、データプライバシーを保護しながらパーソナライズされた消費者体験を提供できる、業界初の革新であると主張しています。「AIの未来は、パーソナライズされたもの、予測されたもの、そして先見的なものです。AI Nowは、消費者向けのアジェンチーAIシステムを開発するための私たちの第一歩です。私たちのAIは、ユーザーの好みを知り、ユーザーの独自の認知行動を理解し、ユーザーに代わって自律的に動作します」と、レノボのCTO、トルガ・クルトグルは私に話しました。「これは、静的なチャットボット駆動のユースケースを超えて、ユーザーの日常活動やPCとのやり取りのデータを処理し、それを生産性を高めるための実行可能な成果に変えるものです」モトローラのMoto AIも、ローカルLLMとLAM技術の力を利用して、スマートフォンでの日常タスクをストリームライン化します。例えば、ユーザーが写真を撮ると、Moto AIはバックグラウンドで動作し、画像に関する重要な詳細やコンテキストを抽出します。ただ一点のボイスコマンドで、ユーザーはいつでもその瞬間を振り返ることができます。デモの際、モトローラは、Moto AIがユーザーが画面に触れる必要なく、人間のようなやり取りを模倣して動作することを実証しました。ユーザーは、たとえば「Uberを予約する」または「好きなレストランで夕食を予約する」というコマンドを話すと、AIがそれらのタスクを実行し、人間のスマートフォン操作と同様のインターフェイスを提供します。モトローラの革新的なアプローチは、OpenAI、Stability AIなどの複数のAIモデルを統合し、AIが特定のタスクで優秀性を発揮できるようにしています。同社は、Moto AIを、AppleのSiriやGoogleのGeminiなどの既存のAIアシスタントのリーダーと直接競合させることを目指しています。ただし、Moto AIの注目すべき側面は、電話内の活動を継続的に記録する能力であり、通知、電子メール、メッセージを内部的に読み取ることができます。したがって、Moto AIは本当に消費者にとって安全ですか?プライバシー対便利性：これらのAIシステムはどれほど安全ですかこれらのAIアシスタントの便利性は明らかですが、プライバシーの問題は依然として大きな懸念事項です。これは、電話のAIアシスタントがユーザーの個人生活について、ユーザーよりも多くのことを知っている可能性があるという警鐘を鳴らすかもしれません。消費者データのプライバシーに関する懸念に対して、モトローラのAIおよびソフトウェア体験担当ヘッド、ジェフ・スノウは、AIアシスタントが電話自体に機密性の高いユーザーデータを集中させていると強調しました。「私たちは、AIを搭載した電話が、ユーザーにとって強力な生産性ツールであると感じられるようにします。AIはアプリデータに触れませんが、ユーザーの行動を記録することで、ユーザーがAIとどのように共同作業できるかを提案します。現在、ベータ版を開発中で、機能を追加してユーザーの課題を解決することを計画しています」とスノウは私に話しました。レノボとモトローラは現在、AIによる便利性とプライバシー保護のバランスを取ることに焦点を当てています。デバイス上のAIシステムは、強化されたパーソナライゼーションを提供しますが、AIアシスタントに対する公衆の信頼は、ユーザーがデータセキュリティに自信を持っているかどうかにかかっています。ユーザーは、完全に安全であるとは思わないまでも、便利性を受け入れるでしょうか。その答えは、AI駆動型消費者テクノロジーの未来を形作る可能性があります。
