Searchableは、ベンチャーキャピタルファームのHeadlineが主導する資金調達ラウンドで1億4000万ドルを調達し、会社の価値は85億円となった。この調達は、企業がオンラインでブランドを発見する方法を再考するようになったときに実施された。AI生成の回答が、ChatGPT、Gemini、Perplexityなどのプラットフォームで従来の検索結果を置き換え始めたからだ。会社によると、Searchableはすでに月間再発生収入で100万ドルを超え、60日間で500以上の支払い顧客を獲得した。顧客には、アメリカン・エクスプレス、シーメンス、ファイザー、テンセント、ボストン・コンサルティング・グループ、DigitalOcean、Havasが含まれる。AI検索がオンラインでのブランド競争を変える生成的なAI検索ツールの登場は、デジタルマーケティングと顧客獲得戦略を根本的に変え始めている。ユーザーにリンクのページを表示するのではなく、AIシステムは直接の回答、要約、推奨事項を提供するようになった。この変化により、ブランドはAI生成の回答内で表現されるか、無視されるかについて心配するようになった。Searchableは、企業がAI検索プラットフォーム全体でブランドの可視性を監視して改善するのを支援するソフトウェアを構築している。プラットフォームは、複数のAIエンジンを横断してブランドの可視性を追跡し、技術的なSEOタスク、コンテンツの最適化、AIに焦点を当てた検索の改善を自動化する。同社のウェブサイトやパブリック資料では、Searchableは、AI検索とAI駆動のコマースの新時代に特化したAIパフォーマンスマーケティングプラットフォームとして自己を位置付けている。SEOからAI可視性へSearchableのより広いテーゼは、伝統的なSEOワークフローが、AIアシスタントがユーザーとウェブサイトの間で中間者として機能するようになったため、時代遅れになっているということだ。プラットフォームは、Google AnalyticsやGoogle Search Consoleなどのソースからの分析と、AI可視性の監視ツール、自動化された最適化システムを組み合わせている。同社によると、そのソフトウェアには、スキーマの最適化、技術的なSEOの修正、AIクローラーのアクセシビリティ、コンテンツの再構成、AIシステム全体での引用の追跡などの分野に焦点を当てた、数十のAI駆動のワークフローが含まれている。この新しいカテゴリは、時々「AI検索最適化」または「生成エンジンの最適化」と呼ばれ、企業が大規模な言語モデルがブランドや製品を参照する方法に影響を与えるための成長する取り組みを反映している。業界の注目は、AI生成の要約と回答エンジンが主流の検索体験内でより顕著になるにつれて、過去1年で急速に加速した。投資家がAI検索インフラストラクチャーに賭けるHeadlineの投資は、同社が過去10年で最も成功したSEOソフトウェア会社の1つであるSemrushを以前支援していたという点で特に注目に値する。投資は、AI検索最適化が、消費者行動の変化に適応する企業に対して、新しい主要なソフトウェアカテゴリに発展する可能性があるという、投資家の自信が高まっていることを反映している。Searchableは、2025年末に400万ドルを調達し、評価額は4億円だった。最新の資金調達ラウンドは、会社の評価額を大幅に増やし、AI検索インフラストラクチャーへの投資家の関心がどれほど急速に成長しているかを強調している。AIの推奨に関する新たな戦いSearchableの成長は、インターネット経済全体で起こっているより大きな転換を強調している。長年、企業は主にGoogleのランキングを最適化していた。しかし、企業は今、AIシステムが情報源を選択し、情報を要約し、ブランドを直接ユーザーに推奨する方法を理解しようとしている。これにより、まったく新しい競争環境が生まれる。ブルーラインクを表示する検索エンジンの結果ページで競争するのではなく、ブランドはAI生成の回答、会話アシスタント、ショッピングの推奨、Searchableは、企業がこの移行を管理するために、可視性を監視するだけの分析ツールではなく、ブランドがAIシステムによってどのように解釈され、表現されるかを積極的に改善する自動化システムを必要とすることを賭けている。
AI業界が、より大きな言語モデルや巨大なデータセンターに数十億ドルを投入し続ける中、シンガポールのAI研究会社である知能インテリジェンス（Sapient Intelligence）は、異なるアプローチを取っている。同社は、脳が遅い、慎重な推論と速い、低レベルの処理を分離するように設計された階層型リカレントアーキテクチャに基づく、新しい10億パラメータの推論言語モデル「HRM-Text」を発表した。同社は、HRM-Textを、推論の深さや計算効率が、生のパラメータ数よりも次のAI開発段階で重要になる可能性があることを示す証拠として位置付けている。この発表は、AIセクター全体で出現しているより広い傾向を続けるものである。つまり、単にトランスフォーマーを無限にスケールアップするだけでは、より一般的な知能を達成するのに十分ではないという懐疑主義が広がっていることである。トランスフォーマーの定石を超えてほとんどの現代的な大規模言語モデルは、次のトークンの予測に焦点を当てた主にフィードフォワードシステムを使用するトランスフォーマーアーキテクチャに依存している。一方、SapientのHRMフレームワークは、出力が生成される前に複数の推論レイヤーが内部で相互作用する階層型リカレント構造を導入する。同社は、このアーキテクチャを、抽象的な計画と推論を担当する上位レベルの「遅いコントローラー」と、詳細な計算を担当する下位レベルの「速いワーカー」の2つの相互接続されたシステムで動作するものとして説明している。これは、現在のAIシステムで広く使用されている「思考の連鎖」方法と異なる。HRM-Textは、長い可視的なテキストシーケンスを介して推論を表現するのではなく、内部の潜在的な空間内で推論の大部分を実行し、次に応答を生成する。Sapientは、この構造により、巨大なモデルサイズや大量の推論コストに頼ることなく、小規模なシステムがより複雑なマルチステップ推論を実行できることを示唆している。同社が提供したベンチマーク結果によると、HRM-Textは、MATHで56.2％、ARC-Challengeで81.9％、DROPで82.2％、MMLUで60.7％のスコアを達成した。これは、比較的小規模なフットプリントにもかかわらずである。効率が戦略的AIの戦場になるこの発表は、AIインフラストラクチャのコスト、電力消費、計算リソースの可用性が、業界の中核的な問題になっている時期に来ている。現在、最先端のAIシステムのトレーニングとデプロイには、巨大なGPUクラスター、ハイパースケールデータセンター、そして政府やインフラストラクチャプロバイダーから増加する電力消費レベルが必要である。Sapientは、将来的には、より大きなシステムをスケールアップするのではなく、アーキテクチャ自体を根本的に見直すことでブレークスルーがもたらされる可能性があると主張している。同社は、HRM-Textを、2台のマシンに跨る16個のGPUを使用して約1日でトレーニングでき、約1,000ドルのコストで実行できることを示唆している。一方、最先端の言語モデルは、数百万ドルに及ぶトレーニング予算を必要とすることが多い。モデルのコンパクトなデプロイプロファイルも注目に値する。int4量子化では、HRM-Textは約0.6 GiBのスペースを占め、スマートフォンやエッジデバイスでのローカルデプロイが理論的に可能になる。小規模で展開可能なシステムへの焦点は、企業がオンプレミスAI、プライバシーに敏感な推論、クラウドインフラストラクチャに完全に依存しないオフライン推論システムへの移行を進めるにつれて、ますます重要になる可能性がある。脳にインスパイアされたAIへのより広い推進Sapientの取り組みは、従来のトランスフォーマースケーリングの代替手段を探求する、AI研究におけるより広い動向を反映している。同社のHRMアーキテクチャは、階層型処理、時間分離、リカレント計算などの神経科学的概念から多大な影響を受けている。同社のウェブサイトでは、長期的な目標を、推論、計画、適応的学習が可能なアーキテクチャを通じて、人工一般知能を追求することとしている。ただし、主に統計的記憶に頼るのではなく、そのアプローチを取っている。同社の研究チームには、DeepMind、DeepSeek、xAIなどの組織からの元貢献者や、MIT、カーネギーメロン大学、清華大学、ケンブリッジ大学などの機関に接続された研究者が含まれている。Sapientの階層型推論モデルの以前のバージョンは、従来のLLMよりもはるかに小規模なパラメータ数で強力な推論パフォーマンスを達成したことで、AI研究界で既に注目を集めていた。AI進歩の測定方法の変化HRMのようなアーキテクチャが最終的に最先端のフロンティアモデルに匹敵するかどうかは、未解決の質問である。AI業界は、すでに有望な代替手段が現れた後に、スケールの経済学によって追い越されることを何度も見てきたからである。しかし、Sapientの発表は、業界が無制限の拡大の限界に直面している時期に来ている。GPUの不足、電力ボトルネック、推論コスト、より大きなデータセットからの減少するリターンが、研究者にこれまでのAI開発を支配してきた前提を再検討させるように促している。HRM-Textのようなシステムが改善を続ける場合、AIの進歩を測定する方法が変化する可能性がある。パラメータ数から、効率、推論の深さ、適応性への注目が移る可能性がある。同社は、HRM-TextをGitHubを通じて完全にオープンソース化した。
カリブレは、ロンドンを拠点とするスタートアップで、試験、検査、認証（TIC）業界向けのAIを開発しています。同社は、330万ドルのシード資金を調達し、グローバル商取引の重要な層である認証プロセスを近代化することを目指しています。このラウンドは、Vicus VenturesとCIVが主導し、I2BF、9 Yards Capital、Jigeum、およびニケシュ・アローラを含む複数のエンジェル投資家が参加しています。同社によると、この資金は、企業向けAIの導入を拡大し、監査官と認証専門家向けに設計された新しいプラットフォーム「AuditorOS」をスケールアップするために使用される予定です。スタートアップは、グローバル経済を支える重要な市場をターゲットにしています。ほぼすべての規制対象製品やシステムは、顧客や規制当局に届けられる前に、試験と認証プロセスを通過する必要があります。TIC業界は、年間約200億ドルの活動を表し、世界中で100万人以上が雇用されています。認証がボトルネックになった理由この業界の重要性にもかかわらず、認証ワークフローはまだ手動で行われています。監査官や検査官は、文書の確認、規格の照合、報告書の作成などに多くの時間を費やし、技術的な判断に集中できません。この課題は、規制の複雑性が増すとともに、経験豊富な専門家が退職するにつれて、より深刻化しています。同時に、AI自体が新しい製品やシステムを導入し、追加の監督、ガバナンス、認証が必要になっています。業界団体は、AIの導入が進むにつれて、信頼できる保証システムがさらに重要になることを警告しています。AIガバナンス、サイバーセキュリティの検証、国境を越えたコンプライアンスをサポートできるスケーラブルな検証システムの需要が高まっています。監査官向けのAIシステムの構築カリブレのアプローチは、企業のTIC組織内に特化したAIエージェントを導入することに焦点を当てています。汎用的なチャットボットではなく、同社はクライアントの特定の規格、ワークフロー、セキュリティ要件に合わせてシステムをカスタマイズしています。新しく発表されたAuditorOSプラットフォームは、独立した監査官と検査専門家向けに設計されています。このソフトウェアは、文書の確認、報告書の作成、規格の照合などのタスクを自動化し、監査と認証レビュー中に従来手動で行われていた作業を大幅に削減します。同社によると、早期の顧客は、6月の予定された一般公開前にすでにこのプラットフォームを使用しています。機会は生産性の向上を超えています。認証要件がAIシステム、サステナビリティ報告、サイバーセキュリティ、デジタル化されたサプライチェーンに拡大するにつれて、TIC業界自体が技術的な変革を遂行しています。複数の業界レポートは、デジタル監査インフラ、自動化、AI支援のコンプライアンスシステムに対する需要が高まっていることを指摘しています。手動認証から継続的コンプライアンスへカリブレは、ガウサムとスティーブによって設立されました。両者は、パラントール・テクノロジーで企業のAIシステムを導入するために数年間働いてきました。彼らの仕事は、規制対象業界内で今登場しているより広い変化を反映しています。歴史的に、認証とコンプライアンスプロセスは、高度に専門化された専門家によって定期的に実行される手動レビューに大きく依存してきました。製品、ソフトウェアシステム、サプライチェーンが複雑になるにつれて、このモデルはスケーラビリティの面で困難になってきています。AI支援の監査ツールは、将来的に認証の方法を根本的に変える可能性があります。コンプライアンスは、数ヶ月ごとに実行される遅い、文書化されたチェックポイントではなく、継続的な監視とリアルタイムの検証に移行する可能性があります。これは、AIシステムが重要なインフラストラクチャ、製造、ヘルスケア、輸送、金融サービスに組み込まれるにつれて、特に重要になります。影響は効率性を超えています。AIツールが規格の解釈、文書の分析、規制の照合を信頼性高く支援できる場合、現在、高齢化する専門家によって集中している機関的知識を保存するのに役立つ可能性があります。同時に、規制当局と認証機関は、透明性、説明責任、そしてどうAI生成の監査ワークフローを検証するかについて、新しい質問に直面することになります。政府と業界がAI、サイバーセキュリティ、サステナビリティ、デジタルインフラストラクチャに関する新しいルールを導入するにつれて、信頼性と検証システムに対する需要は今後10年で大幅に増加することが予想されています。
もしAIの画像生成ツールが事前に考えられるようになればどうでしょうか？それはもう仮定ではありません。ChatGPT Images 2.0が登場しました。これは、AI生成のビジュアルの期待を再定義しています。OpenAIによると、これはアップグレードではありません。AIがビジュアルタスクを理解して実行する方法が変わったのです。私はAI画像ツールの進化を何年も見てきましたが、Images 2.0がもたらすものは、他に類を見ないものです。このモデルは、密なテキストをレンダリングし、複雑なマルチステップの指示に従い、最大2K解像度をサポートし、さまざまなアスペクト比をサポートし、最初のChatGPTでは最大8枚のまとまりのある画像を1つのプロンプトで生成します。ここに、単一のプロンプトでImages 2.0を使用して生成した8枚の画像の1枚です：これは、私が見たことのあるAI生成画像の中で最も詳細なものです。シーンとキャラクターは、すべての8枚の画像で一貫性がありました。このChatGPT Images 2.0レビューでは、利点と欠点、どんなものか、誰に適しているか、その主要機能について説明します。次に、高品質の画像を生成して編集する方法を示します。記事を終える前に、Images 2.0を私のトップ3の代替ツールと比較します：GoogleのNano Banana Pro、Midjourney、Adobe Firefly。記事の終わりまでに、どのAI画像生成ツールがあなたに適しているかがわかります。マーケター、開発者、教育者、クリエイティブプロフェッショナルであなたが、このツールはあなたのワークフローを変えることになります。すべてを詳しく見ていきましょう。判定ChatGPT Images 2.0は、AI画像生成の分野で大きな進歩です。テキストのレンダリングがより正確で、デザインの品質が向上し、プロンプトの処理がより正確で、編集と画像セットの間の一貫性が向上しています。より高品質の生成はまだ遅くなることがあり、時々クリーンアップやイテレーションが必要になるかもしれませんが、現在利用可能な最も能力の高いAI画像ツールの1つです。 利点と欠点 画像内のテキストのレンダリングが大幅に改善 レイアウトとデザインの品質が向上 詳細なプロンプトと複雑な指示に対応が向上 編集と改訂が容易 キャラクター、スタイル、関連画像の間の一貫性が向上 多言語テキストのサポートが向上 インスタントモードとシンキングモードを備える シンキングモードでは遅くなる（高品質の結果を得るには時間がかかる場合がある） エラーと視覚的なアーティファクトが発生する可能性がある 生成結果をイテレーションまたはクリーンアップする必要がある場合がある シンプルなタスクには過剰な場合がある 画像生成は無料プランでは制限され、シンキングモードは利用できない...
クリスチャン・パンテルは、D2Lのチーフプロダクトオフィサーであり、グローバルプロダクト戦略、プロダクトマネジメント、プロダクトデザイン、ユーザーエクスペリエンス研究、そしてアクセシビリティを担当しています。2015年に同社に入社し、プロダクト、デザイン、エンジニアリングのリーダーシップを拡大してきた彼は、2024年にCPOに任命されました。パンテルには、エンタープライズソフトウェアの構築に25年以上の経験があり、ワークデイ、インフォール、ピープルソフトでのリーダーシップを経てきました。彼の仕事は、ユーザーセントリックデザインに基づいており、多様な学習者と教育者にとって直感的でアクセシブルな学習体験を作ることに焦点を当てています。D2Lは、カナダの教育テクノロジー企業であり、Brightspaceというクラウドベースの学習管理プラットフォームを開発しています。このプラットフォームは、学校、大学、政府、企業がオンラインおよびハイブリッド学習体験を提供するために使用されています。1999年にジョン・ベイカーによって設立された同社は、パーソナライズされたアクセシブルなデジタル教育に焦点を当てており、AIドリブンのツール、分析、コースオーサリング、適応型学習機能をエコシステムに統合しています。D2Lのプラットフォームは、K-12教育から企業トレーニング、プロフェッショナルデベロップメントまで、学習者エンゲージメント、 アクセシビリティ、ライフタイム教育に強い重点を置いています。同社はグローバルに拡大し、現在では数百万人のユーザーをサポートするために設計された製品群を提供しています。ワークデイ、インフォール、ピープルソフトのような企業で20年以上のユーザーエクスペリエンスを形作ってきた経験を振り返ってみてください。D2Lでは、学習プラットフォームにAIを組み込む際に、使いやすさとアクセシビリティを損なわないようにするために、どのようにアプローチしていますか。 エンタープライズソフトウェアでそのmuchの時間を過ごすと、製品がどのように壊れるかを学びます。チームは機能を追加しますが、ユーザーを見失い、複雑さが増すことがあります。その経験が、私がAIに取り組む際のアプローチを形作ってきました。私たちは、目新しいものを追うのではなく、教育者や学習者が日々直面する真正の課題に対処することに焦点を当てています。そのアプローチが、D2Lでの製品開発に直接反映されています。AIは、教育者や学習者がすでに働いている方法をサポートし、実際に学習者がどのように学ぶかを支援する必要があります。機能が摩擦を加えたり、混乱を生み出したり、またはアクセシビリティを損なったりする場合、それは出荷されません。チーフプロダクトオフィサーとして、プロダクト、デザイン、研究を担当しています。AI機能が真正に学習成果を向上させていることを確認するために、どのようにしてAI機能を組み込んでいますか。私たちは、シンプルな原則から始めています。学習には、生産的な闘争が必要です。AIが学習に必要な努力を除去する場合、それは間違った解決策です。学習は、練習、フィードバック、反省、そして応用に依存しています。私たちは、AIを設計して、そのプロセスをサポートするようにしています。各機能は、教育者が学習体験と評価を成果に結び付けるのを支援し、学習者が真正に進歩しているかどうかを理解する必要があります。私たちは、その影響を直接測定しています。D2LのBrightspaceプラットフォームは、AIを学習体験に直接組み込んでいます。教育者や機関にとって、この組み込みAIアプローチはどのような利点をもたらしますか。AIを組み込むことは、コンテキストが重要であることを意味します。システムがコース、コンテンツ、学習者が何をしているかを理解している場合、学習を導くことができます。そうすれば、より良いサポートが可能になり、時間の経過とともにより強力な成果が得られます。また、機関が運転を担当することができます。彼らはポリシーを設定し、データを管理し、AIの使用方法を理解することができます。これは、信頼、プライバシー、学術的誠実性のために重要です。教育における多くのAIツールは、パーソナライゼーションを約束しています。スケールで意味のあるパーソナライゼーションとは、実際には何を意味しますか。どのプラットフォームがどこで短所を補っていますか。パーソナライゼーションは、学習を前進させるべきであり、真正の進歩に必要な課題レベルを除去するべきではありません。AIは不要な摩擦を除去できますが、学習は依然として持続的な関与、問題解決、そして時間の経過とともに努力に依存しています。目標は、学習者が適切な難易度レベルを維持し、進歩を続けられるようにすることです。そうすれば、学習者はつまずいたり、関心を失ったりすることはありません。あなたはキャリアを通じてアクセシビリティを強調してきました。AIシステムは、学習者に障害を持つ人を意図せず除外するのではなく、よりよくサポートするように設計されるべきです。どのようにすればよいですか。AIは、コンテンツとの関わり方を多様化し、学習をより柔軟にすることで、実際の障壁を除去できます。AIは、キャプションの改善、教育者の手作業の削減をサポートできます。しかし、AIシステムは、平均的なユーザーを想定し、最もサポートが必要な人々を見落とすことがあります。誰しも異なる方法で学び、支援技術に頼る人もいます。チームは、意図的に設計し、テストし、研究開発プロセスにそれらの学習者を含める必要があります。そうすれば、実践においてアクセシビリティが改善されることを目指しています。AIは、評価やフィードバックにますます関与しています。機関は、自動化と信頼、学術的誠実性のバランスをとるために、どのようにアプローチすべきですか。AIは評価をサポートすべきであり、評価を乗っ取るべきではありません。AIは、フィードバックの拡大や、同じ概念をテストする評価のバージョンの作成を支援できます。これにより、学術的誠実性が強化され、全体的な学習体験が深まります。教育者は依然として、評価や最終的な決定を下す責任を負う必要があります。信頼は、人間が結果の背後にあることを知っていることに基づいています。製品の観点から見て、エドテック企業がAIを学習エコシステムに取り入れる際に、最も重要な決定とは何ですか。AIを単なるツールのように扱うこと、問題を解決するためのスイッチを入れるだけという考え方は、間違っています。場合によっては、必要な努力を除去することで、状況を悪化させる可能性があります。機関は、改善しようとしているものについて明確でなければなりません。より多くの自動化は、適切なデータ、ガバナンス、設計が整っていない場合、より良い成果にはつながらないと nóiです。D2Lは、K-12、高等教育、企業学習にわたる分野で活動しています。AIの役割は、これらのセグメント間でどのように異なりますか。どの分野で最も急速に採用が進んでいるかを見ていますか。AIの役割は、各セグメントが最も重視するものによって異なります。K-12では、安全性、年齢適切な使用、教育者や保護者がクラスルームでのAIの導入を強く管理できることが重要です。高等教育では、機関はスケールと質、特に評価、学習者サポート、学生の大規模な集団の管理について心配しています。企業学習では、重点はスピードと効率性に移り、AIはチームがより迅速に動き、運用上のオーバーヘッドを削減するのに役立ちます。採用は、優先順位に従っていますが、地域によっても大きく異なります。特に、シンガポールのような高等教育で、機関が学習のスケール化と成果の改善のためにAIに積極的に投資しているのを見ています。シンガポールでは、私たちのAIパワードラーニングアシスタント、D2L Lumiの採用が強力です。2025年だけで、7.5倍の増加を見ています。注目すべきことは、使用量だけではなく、幅です。機関は、新しいAI機能を実験し、実際の学習環境で大規模に展開する最初の機会を得ています。また、ラテンアメリカでも、採用が加速しています。2025年9月から2026年4月まで、Lumiは地域全体で一貫した高い使用率を維持し、機関が実験を超えて、AIを直接指導的ワークフローに組み込んでいることを示しています。AIは、コンテンツ、評価、さらにはチュートリアルを生成することができます。AIの能力が標準化される世界では、教育者はどのように役割を再考するべきですか。教育者は、AIが改善されても、重要性が低くなることはありません。むしろ、より重要になります。彼らの役割は、学習プロセスを導くこと、期待を設定すること、学生が物質的に関与することを確認することにシフトします。AIはコンテンツやフィードバックを支援できますが、判断、動機付け、または説明責任を置き換えることはできません。私たちは、AIを使用して、学習で本当に重要なことを拡大するべきであり、思考プロセスを置き換えたり、学習者に完成した評価を提供したりするべきではありません。先を見て、エドテック企業が次の10年間で教育の質を損なわないようにAIを強化するために、最も重要な製品上の決定とは何ですか。私が製品上の決定に基づいて言えば、勝者は、強力なデータを基盤にし、AIを実際のワークフローに組み込み、信頼、 アクセシビリティ、学習科学に根ざしたものになるでしょう。私たちがそれを正しく行うと、AIは、学習を継続的に改善するための重要な機能となり、教育者が高影響力の仕事に集中し、学習者が必要なときにサポートを受けられるようになります。実際の機会は、ワンサイズフィットオールの教育を超えて、より反応的で効果的なものに進むことです。そこでは、すべての学習者がより良くサポートされ、すべての教育者が彼らを成功させるためによりよく装備されます。ご多忙の中、ごインタビューをいただきありがとうございました。詳しくは、D2Lをご覧ください。
NTT DATAは、WinWireの買収を発表しました。WinWireは、サンタクララを拠点とするMicrosoftパートナーで、Agentic AI、Azureネイティブ開発、クラウドモダERN化、エンタープライズデータエンジニアリングに注力しています。この取引は、エンタープライズAI市場で進行中のより大きな変化を反映しています。多くの組織は、過去2年間にジェネレーティブAIツールを実験してきましたが、ビジネス運用に直接結びついた生産環境にそれらのシステムを統合することに成功した組織はまだ少ないです。NTT DATAは、この買収を、エンタープライズがAIを大規模に運用化する能力を強化する手段として位置付けているようです。WinWireは、NTT DATAのMicrosoftエコシステムに1,000人以上のAzureエンジニアとAIスペシャリストを加え、Microsoft Fabric、Azure AI Foundry、データモダERN化、エンタープライズワークフロー内で動作する自律AIシステムに関する専門知識を深めています。現在のAI市場でWinWireが重要な理由多くのAIコンサルティング会社がジェネレーティブAIブームの際に登場したのとは異なり、WinWireは「Agentic AI」という用語が一般的になる前に、Microsoftのエンタープライズクラウドスタックを中心に事業を構築してきました。同社は、「Agentic AI @ Scale」と呼ばれるフレームワークに特に焦点を当てています。このフレームワークは、理由付け、行動の実行、エンタープライズインフラストラクチャとのやり取りが可能なAIシステムを制御された環境で展開することを中心に据えています。チャットインターフェースやコパイロットにのみ焦点を当てるのではなく、同社のアプローチは、AIエージェントを直接運用システムやビジネスワークフローに統合することを強調しています。この違いは、エンタープライズが実験から、内部データシステム、应用、意思決定パイプラインとやり取りできる自動化に移行しようとするにつれて、ますます重要になっています。WinWireは、Microsoftの進化するAIインフラストラクチャエコシステム、特にMicrosoft FabricとAzure AI Foundryに大量に投資しています。これらのプラットフォームは、MicrosoftがエンタープライズAIの展開をどのように見ているかについて、ますます中心的な役割を果たすようになっています。特に、断片化されたデータシステムを統一化し、安全にAIエージェントを展開することを目指す組織にとってはそうです。同社の専門知識は、Microsoftパートナーエコシステム内で重要な認識を得ており、複数のMicrosoftパートナー・オブ・ザ・イヤー賞やMicrosoftのAgenticパートナー・アライアンス・プログラムへの参加などを受けています。AI実験から運用システムへの大きなシフトこの買収は、エンタープライズAIの会話がどのように進化しているかを強調しています。初期のジェネレーティブAIの採用は、主に生産性アシスタント、チャットボット、大規模言語モデルの実験に焦点を当てていました。しかし、エンタープライズは、現在、より困難な問題に直面しています。つまり、AIを既存の運用インフラストラクチャに統合することであり、ガバナンス、セキュリティ、コンプライアンス、信頼性を維持する必要があります。これは、WinWireのような企業がトラクションを得ているところです。その仕事は、AIエージェントがエンタープライズアプリケーション、データ環境、ワークフロー、意思決定プロセスと調整された方法でやり取りできるシステムを構築することにますます焦点を当てています。Microsoft自身のAI戦略も同じ方向に進んでいるようです。Azure AI FoundryとMicrosoft Fabricは、エンタープライズデータ統合、AIネイティブアプリケーションのセキュアな展開パイプライン、そしてマルチエージェントのオーケストレーションをサポートするように設計されています。NTT DATAにとって、この買収は、別のAIコンサルティング会社を追加することではなく、エンタープライズAIの新興インフラストラクチャ層内での立場を強化することのようです。同社はすでに、50以上の国にわたるMicrosoftに焦点を当てた大規模な事業を維持しており、数万のMicrosoft認定もあります。WinWireのより専門的なAzure AIおよびAgentic AIの専門知識を追加することで、NTT DATAはエンタープライズソフトウェアサービスの中で最も急成長しているセグメントの1つに強い立場を得ることができます。Agentic AIは次のエンタープライズの戦場になるこの買収の最も注目すべき側面の1つは、伝統的なジェネレーティブAIの展開ではなく、Agentic AIに焦点を当てていることです。Agentic AIは、計画、理由付け、意思決定、タスクの実行が可能なシステムを指します。まだ初期段階ですが、多くの大手テクノロジー企業は、エンタープライズAIの採用の次の段階としてAgenticアーキテクチャを視野に入れています。課題は、自律AIシステムが強力なモデルだけでなく、クリーンなエンタープライズデータ、オーケストレーション層、可観測性システム、ガバナンスフレームワーク、ID管理、既存のインフラストラクチャとの統合も必要とすることです。その複雑さは、AIインフラストラクチャを生産レベルのエンタープライズシステムに組み込むことができるサービスプロバイダーに対する需要を生み出しています。WinWireのポートフォリオは、特に規制された業界や大規模エンタープライズ環境でガバナンスと相互運用性が重要な要件である場合に、その方向に大きく寄与しています。MicrosoftエコシステムはAIを中心に統合を続けるこの取引はまた、エンタープライズAIインフラストラクチャにおけるMicrosoftの影響力を強化しています。生産AIシステムを構築する多くのエンタープライズは、Azure、Fabric、Copilot、Foundryサービスを含むMicrosoftのより広範なエコシステムを中心に標準化する傾向にあります。この傾向は、Microsoftに焦点を当てたコンサルティングおよびエンジニアリング会社にとって大きな機会を生み出しています。NTT DATAによるWinWireの買収は、業界全体のパターンに従っています。ここでは、大規模なITサービス会社が、エンタープライズがAI支出を加速するにつれて、専門的なAIエンジニアリングの専門知識とクラウドネイティブの専門知識を買収する競争をしています。モデル開発のみで競争するのではなく、次のエンタープライズAIの段階は、企業が大規模な組織内でAIシステムを運用化できるかどうかで決まる可能性があります。ガバナンス、コンプライアンス、既存のインフラストラクチャを損なうことなくです。これは、最終的にこの買収が最も戦略的に重要な場所です。孤立したAIデモから、エンタープライズの運用インフラストラクチャの一部として機能するように設計された統合されたエンタープライズAIシステムへの、業界の移行を反映しています。
モダンなネットワークは、リモートワークとAIおよびSaaSの急速な採用の時代に突入してから、僅か数年前のものとはほとんど似ていない。以前は中央集権的で比較的予測可能だったものが、今やクラウドプラットフォーム、エッジデバイス、支社、自宅のインターネット、オンプレミスシステムの複雑な網の目となっている。伝統的なネットワークオペレーションセンター（NOC）は、このような環境に対応するように設計されていない。ほとんどの監視ツールでは、依然として異なるシステム間で手動でのデータ相関が必要であり、可視性を維持することが難しくなり、エンジニアは迅速な決定とトラブルシューティングを行う必要があるときに、矛盾するアラートの無尽の洪水に直面することになる。サービスプロバイダーとエンタープライズITチームも、同様のプレッシャーに直面している。マージンは狭く、チームはよりスリムになっているが、顧客獲得サイクルの標準は変わらない。契約が収益化されるまでに8〜10カ月かかる場合、顧客の維持と高品質な顧客体験の周りには、高いリスクが存在する。全体として、アジェンティックNOCの舞台は完璧に整えられている。アジェンティックNOCの構築ガートナーの報告書によると、現在アジェンティックAIを導入している組織は17%のみであるが、60%の組織は2年以内に導入する予定である。このテクノロジーは、データを能動的に推論する能力により、定義されたタスクの自動化のみではなく、積極的に推論する能力により、急速に採用されている。NOCの場合、アジェンティックAIは、断片化または挫折と、迅速な解決時間、ダウンタイムの減少、環境のより完全な理解の違いである。ただし、これらの利点が実現するためには、アジェンティックNOCは、AIと人間のオペレーターの間のコラボレーションに基づいて構築される必要がある。速度は、正確性と信頼性よりも重要ではない。AIがトリアージ、ルート原因分析、最終的にアクションの推奨を行うことができる場合、人間の判断は、最後の検証には不可欠である。アジェンティックNOCは、構造化されたデータによっても定義される。正確なインベントリ、ラベリングと命名規則の統一、トラフィック、ルーティング、パフォーマンスへのネットワーク全体の可視性は、現在起こっていること、ネットワークがどのように動作するべきか、以前の問題はどのように解決されたかを示す。 このビューがない場合、分析は不完全であり、オペレーターは、見ることができないものや理解できないものを自動化することはできない。部族的知識の取得も、このカテゴリに含まれる。NOCの最大の資源は、エンジニアの頭脳である。経験と直感の組み合わせは、ネットワークの問題を診断して解決してきた年数の積み重ねであり、最も高度なAIモデルでも、支援なしでは再現できないものである。 したがって、この部族的知識は、文書化され、AIが消費して再利用できる形式に翻訳される必要がある。 また、精密に洗練されたランブックと集中化された学習ループも、人間と機械の行動をより効果的に改善するための基準を提供する役割を果たす。実際の利点ITとネットワークの問題は、2024年の最も重大なダウンタイムの23%の背後にある。 同じ分析では、過去3年間で、約40%の組織が人間のミスの結果として主要なダウンタイムを経験したことがわかった。 このダウンタイム率は、ビジネス、エンジニア、消費者から見ても、持続可能ではない。 ただし、アジェンティックNOCがなぜ如此に重要かを示すものである。アジェンティックNOCの約束は、自律性のためだけではなく、実際のネットワークの可視性に基づいた、より迅速で自信のある運用である。 問題がネットワークに発生した場合、最大の遅延は、検出ではなく、変更されたもの、影響を受けたもの、次に何をすべきかを理解することである。 アジェンティックシステムは、このタイムラインを圧縮するのに役立つ。 ルート原因分析の高速化から始まる。問題の根本原因を、数分でではなく、数時間または数日で特定することの違いは、巨大である。 中規模から大規模な企業の場合、ネットワークのダウンタイム1時間あたりの平均コストは30万ドルを超える。 実際、41%の企業は、ITICの最近の調査によると、1時間あたりのダウンタイムコストが100万ドルから500万ドル以上に及ぶと報告している。しかし、現実は、オペレーターが手動でデータを調べる場合、後者の方が近い。 一方、アジェンティックAIツールは、潜在的な原因と影響を受けるサービスを数秒で特定し、次のステップを推奨できる。 金銭的利益がこのような場合、迅速な根本原因分析とより安全な修復は、絶対に必要である。戦術的なタスクを強化することに加えて、アジェンティックNOCは、組織全体のエンジニアの専門知識を結集した共有リソースとして機能する。 長期的には、このプロセスは、各インシデントの成功と課題から学び、AIの推奨事項を改善するための継続的な学習ループを作成する。例えば、ある会社は、ネットワークのパフォーマンスの問題に悩まされており、効率を改善するために新しいデバイスを導入しようとしたが、構成の変更が必要であった。 その過程で何かが間違って、ダウンタイムが発生した。 アジェンティックNOCの時代には、AIシステムは、テレメトリ、トポロジー、デバイスの状態、最近の変更を相関させ、オペレーターが根本原因を特定するのを助けることができる。 アジェンティックシステムのネットワーク運用への影響は明らかであり、データもそれを裏付けている。マッキンゼーは最近、ネットワーク運用における自律的な問題解決と修復により、トラブルシューティングのチケットが最大70%減少し、運用コストが55〜80%削減され、修復時間が30〜40%改善されたと発表した。注意すべき課題組織が犯す最も一般的な間違いは、必要な基盤を確立せずにAIに全てを注ぎ込むことである。 労働者の70%がAIの利点に熱心であるというKPMGの報告書によると、信頼できるデータと文書化されたプロセスがなければ、これらのシステムの価値は損なわれる。代わりに、AIは漸進的に導入されるべきである。 アジェンティックNOCの構築は、旅である。 最終的には、システムは、温度の上昇やデバイスの再起動の傾向を検出するような、より高度なプロアクティブなユースケースを担うべきである。 ただし、最初は、診断を支援するような小さなタスクに焦点を当てることが、システムが学習し改善するためのスペースを残すことになる。別の間違いは、すべてのアクションが自動化の恩恵を受けることができるという考えである。 良いルールは、人間が同じ問題を繰り返し解決する場合、そのタスクは自動化の良い候補である。 この漸進的なアプローチは、信頼と信頼性を構築する上でも役立つ。2025年2月以降、アメリカの従業員の中でのAIへの信頼は33%減少した。 デロイトの調査によると、AIへの信頼は減少している。 マッキンゼーの2026年のAI信頼性指数によると、アメリカの企業の多く（74%）が、AIの出力の不正確さを最も懸念しており、それに続いてサイバーセキュリティの問題（72%）がある。...
企業がAIエージェントを使用して思考、行動、ワークフローを開始するにつれて、それらを監視および管理する計画を開発することが不可欠です。AIシステムのさまざまなコンポーネントが独自の決定を下し始めると、観察可能性だけでは運用が安定した、安全で、信頼できるものであることを保証することができません。企業がエージェントを効率的に管理するには、問題の特定と対策の間のギャップを埋める必要があります。そのためには、問題を単に観察するのではなく、積極的にそれを防ぐ必要があります。自律エージェントの出現企業での初期のAIの波は、プロンプトベースのシステムでした。ユーザーが質問を投げかけたとき、モデルが応答し、そこでやり取りは終了しました。初期のテクノロジーは本質的に反応的でしたが、検索、コピロット、コンテンツ作成、要約に役立ちました。次の波は異なります。自律AIエージェントは反応するだけでなく、目的を越えた推論を行い、ツールを選択し、情報を抽出して行動を起こし、ワークフローを開始します。時には他のエージェントやシステムと共同で動作し、企業内で人的指示のインターフェース層ではなく、運用プレイヤーとしての役割を果たします。この変化は重要です。AIの運用特性に影響を及ぼします。チームはもはやモデル出力だけに注目していません。代わりに、瞬時にクライアント、スタッフ、インフラストラクチャ、ビジネスプロセス、他のアプリケーションに影響を与えることができるダイナミックなシステムを管理しています。現在のエージェントの能力エージェントの能力は進化しています。エージェントは次のことを選択できます。目標をステップに分解し、さまざまなレベルでアクティビティを完了します。APIに接触することで、データベースに照会することで、内部システムを検索することで、レコードを更新することで、ダウンストリームのアクションを開始することで、ワークフローを調整します。プロンプト、メモリ、ビジネスルール、取得した情報、リアルタイムの運用シグナルを統合することで、エージェントはコンテキストベースの判断を下すこともできます。より洗練されたエージェントは、ワークフローが失敗していることを認識できます。再試行できます。問題をエスカレートできます。または、ジョブを人間のレビューアーに転送できます。CRM、チケット、クラウドインフラストラクチャ、内部ナレッジベース、観測可能性プラットフォーム、ビジネスアプリケーション内で、エージェントは独立して機能できます。エージェントのスキルは急速に拡大することが予想されます。企業での自律AIエージェントの統合エージェントは、速度、精度、安全性、ガバナンスが重要な、拡大する範囲の組織運用に統合されています。そうした運用には、以下のようなものがあります。カスタマーサービスとケースハンドリング、インシデントレスポンスとIT運用、DevOpsとサイトの信頼性のワークフロー、コード修正とソフトウェア開発、運用とサプライチェーンの計画などです。新たな運用上の脅威しかし、エージェントがより独立性を獲得するにつれて、企業は新たな種類の運用上のリスクに対処する必要があります。 悪い選択は単に提案されるのではなく、実行されることがあります 軽微なミスはすぐに他のリンクされたシステムに広がる可能性があります 現実世界のアクションは、幻覚によって引き起こされる可能性があります エージェントはビジネス意図、ポリシー、またはコンプライアンスから逸脱する可能性があります 複数のコンポーネント間の相互作用により、障害が発生する可能性があります 自動化された意思決定は、人間の評価よりも迅速に決定を下す可能性があります チームは症状を観察するかもしれませんが、システムの動作の背後にある理由を理解することもできなければなりません。企業のAIには、可視性に加えて、信頼性の制御が必要です。AIシステムの複雑さ今日のAI駆動システムは、まれに単一のモデルで構成されています。多くの相互作用するコンポーネントで構成された分散型、階層化されたシステムです。以下のようなものが含まれます。 基礎モデル（LLM） ファインチューンされたモデルまたはタスク固有の小規模言語モデル（SLM） 埋め込みモデル ベクトルデータベース 取得パイプラインとRAGコンポーネント プロンプトテンプレートとプロンプトオーケストレーションレイヤー トレーニングデータと評価データ ガードレールとポリシーレイヤー エージェントとワークフロー ツール呼び出しシステム テレメトリ（ログ、メトリクス、トレース） ヒューマンインザループ承認チェックポイント それらのリスク各コンポーネントは異なる故障モードを追加し、それらの相互作用はさらに複雑性を追加します。システムがインフラストラクチャレベルで強固に見えても、悪い選択を下し、満足のいく結果を生成し、表面下で運用上のリスクを蓄積する可能性があります。関連するリスクには、以下のようなものがあります。データパイプラインによって、低品質または汚染された入力が導入されること、インフラストラクチャのボトルネックによって信頼性が低下すること、有害または誤った結果が生じること、人間のレビューに対する運用上のボトルネックが生じることなどです。さらに、複数のエージェントまたはステップを持つシステムは、すぐに明らかでない方法で故障する可能性があります。AIの観察可能性伝統的な監視は、プロンプトの動作、取得の品質、モデルドリフト、エージェントの実行チャネル、またはAIの動作とダウンストリームのビジネスまたは運用上の影響を理解するには不十分です。そこで、AIの観察可能性が重要になります。AIの観察可能性により、チームは、入力、出力、望ましい動作、システムによって生成される決定シグナルを収集、関連付け、評価することで、実稼働環境でのAIシステムの動作を理解できます。これは、AIシステムが分散型、非決定論的、非常にコンテキストに敏感であるため、不可欠です。AIの観察可能性により、チームは、プロンプト、モデル、取得レイヤー、ツール、ダウンストリームシステムが実行中にどのように相互作用するかを、エンドツーエンドの洞察を得ることができます。AIの観察可能性により、待ち時間、コスト、トークン使用、スループット、エラーレート、モデル動作、出力品質指標などのパフォーマンスと動作を監視できます。複雑なエージェントワークフローでの実行パスのトレースと分析により、複数のステップと依存関係を経て結果が得られる方法を示します。AIの観察可能性はまた、運用およびAIシグナル全体で異常を検出することで、モデル、パイプライン、インフラストラクチャ、またはユーザー向け結果での異常な動作を、チームが手動で検出する前に公開します。何かが間違ったときに診断を迅速化し、システムテレメトリ（ログ、メトリクス、トレース、イベント）にAI固有の操作を含めることで、根本原因の調査を容易にします。観察可能性だけは不十分AIの観察可能性は不可欠なビジネス慣行ですが、固有の制限があります。観察可能性は、診断的ではなく、予防的です。チームは何が間違ったのかを学ぶことができますが、必ずしもそれが再び起こらないようにする方法を知ることはできません。エージェントの過去の行動についての知識が、自動的にエージェントの将来の行動を制御するものにはなりません。複雑な非決定論的システムでは、観察可能性はチームをデータで圧倒し、不確実性につながることがよくあります。運用上の答えを提供するのではなく、説明で終わることがよくあります。チームは問題を認識しているかもしれませんが、是正措置を講じるために、自動化、セーフガード、制御ループが不足している可能性があります。これにより、運用上のギャップが生じます。企業は問題を発見できますが、それが再発するのを防ぐ、影響を軽減する、または自律システムを安全な運用パラメータ内で維持することができない可能性があります。これは、チームが反応的に運用を継続することを意味します。何かが壊れたときに手動介入を使用し、事後にインシデントを調査し、システムがより速く自律的になるにつれて、人間の労力に頼る必要があります。AIの信頼性の概要AIの信頼性は、問題を単に観察するのではなく、AIシステムが実稼働環境で安全に、一貫性に、予測可能に、効果的に機能することを保証することを意味します。AIの信頼性は、AIを取り巻くシステム全体を理解し、管理します。検知と行動の間のループを閉じます。AIの信頼性は、モデルが正確な応答を提供したかどうかだけに焦点を当てるのではなく、AI駆動システム全体が合理的な運用制約内で機能するかどうかを検討します。品質、安全性、回復性、説明可能性、ポリシーのコンプライアンス、コスト効率、運用上の安定性がすべてこの方程式の一部です。検出から予防への移行AIの信頼性は、問題を認識して対処するまでの時間を短縮します。問題が何だったのかから、AIをどのように迅速に改善できるのかへの対話に移行します。以下のテクニックを使用することで、観察可能性を被動的な観察から予防的な予防へと移行できます。 モデル、データ、インフラストラクチャ全体のシグナルを相関させて問題を特定する 影響が出る前に事前に問題を検出する 確率的AIシステムのすべての入力と出力を検証して、微妙な動作の変化を検出する 生産環境での望ましくない出力を検出して、それを使用して基礎となるモデルの精度を向上させるためのファインチューニングデータを生成するためのフィードバックループを作成する 複雑なエージェントワークフローをトレースして、複雑なアクションを通知するためにデータがどのように進化したかを把握できるようにする...
AIモデルは秘密を守ることができない。秘密を明かさないように指示されても、その書き出し方がそれを明らかにし、秘密を隠そうと努力すると、漏洩が発見されやすくなる。 意図的に何かを考えないようにすることは非常に難しい。1960年のイギリスのSFスリラー映画「呪われた村」の最後のシーンでは、主人公はテレパシーの力を使う敵の侵略者たちが子供たちに化けている集落の中に爆弾を持ち込む。しかし、彼らのテレパシーの力が彼の意図を事前に察知する危険があるため、彼は時間を稼ぐために、爆弾でないものについて集中することを強いられている。https://www.youtube.com/watch?v=NcrE0vGrctoパラドックスは、秘密を守るために、あるものを注意を向ける必要があるが、これは白熊実験として知られている症候群であり、多くの人がよりドラマティックではない状況で経験したことがある。大規模言語モデル（LLM）は、注意の配置に基づくため、ユーザーがそれを隠すように求めただけで情報を抑制することが難しい。また、ビジネス情報ネットワークの中心に置かれることが増えており、そのような機密保持のためのナイーブな傾向は、多くの企業にとって負担となる可能性がある。今年の初めに、研究コラボレーションは、LLMの文脈でこの課題をプライベートステートインタラクティブタスク（PSIT）として定義し、テストされたOpenAIとAlibabaのモデルはこのようなタスクを実行できないことがわかった。秘密を守ることができないすでに知られているように、より大きなモデルはより多くの情報を漏洩するが、新しい研究は、最先端の言語モデルが情報を抑制するコマンドに従うかどうかを明示的に調査し、テーマやトピックが「禁止された」単語やアイデアを含む場合でも、出力の生成を継続する必要がある。論文は、すべてのモデルが何らかの形で秘密を漏洩する傾向に影響を受けていると結論付け、5つの段落（約450語）のエッセイやストーリーは「スリップ」のための十分なキャンバスを提供するが、非常に短いジョークはそうではないと述べている。さらに、モデルが秘密を隠そうと努力するほど、秘密を漏洩するリスクが高くなる。20回の試行で、LLMは「秘密の単語」を明らかにすることができる。このタスクは、ビジネス運営に関係するもので、マーケティングやPR、内部報告など、さまざまなチャネルで情報を選択的に提示する必要があるが、これらのプロセスでは、情報の完全な範囲が最初から必要である。著者は次のように述べている：‘言語モデルは信頼性の高いコンパートメント化ができない。プロンプトに隠された情報は、モデルの書き出し方を形作り、別のモデルはそれを検出できる。このシグナルは、モデルのコンテキストに含まれる情報によって提供される。’‘…私たちは、トランスフォーマーの高忠実度の情報アクセスが、秘密を守ることを困難にするのではないかと推測する。LLMが秘密を漏洩しないように努力する場合でも、秘密を検出するためのパスを提供する。’‘何かを避けるために、人間はそれについて考える必要があり、トランスフォーマーはそれに注目する必要がある。2つの概念がモデルによって同等に好まれる場合（例：オフィス仕事についてのストーリーを書くか、オーケストラの第二ヴァイオリンについて）、モデルの意思決定は、明らかにしないことを試みているものによって影響を受ける。’DeepSeekとChatGPT-5.4モデルは例外的に機能したが、両方とも漏洩した。GPT-5.4の場合、概念を避けるように指示されたテストで、50％未満（つまり、偶然レベル以下）のスコアを記録し、実質的に「逆スパイク」またはインジケーターを示した。著者は、この症候群をLLMの有限エントロピー予算として定義し、モデルがランダム性の欠如によって制限されていることを示している。簡単に言えば、モデルは私たちのように、思考を妨げるために壁や野球のスコアに集中することができない。研究者は、2つのテストを使用した。1つは、AIモデルがテキストを読み、20回の試行で隠された単語を推測するテストである。もう1つは、AIが2つのテキストを示され、隠された単語が含まれているテキストを選択するテストである。5つの条件をテストした。研究者は、4種類の書き込みタスクをテストした：5〜8段落の短いストーリー（約450語）、非常に短いジョーク（約12語）、長いジョーク（約450語）、5段落のエッセイ（約380語）。実験では、15の隠された単語を3つのカテゴリに分けてテストした。具体的なオブジェクトには、傘、灯台、バイオリン、カクタス、望遠鏡が含まれる。抽象的な概念には、正義、忍耐、エントロピー、郷愁、自由が含まれる。中立的な用語には、ブラケット、火曜日、銅、余白、請求書が含まれる。方法研究は、主に5つの最先端モデルに焦点を当てている：Claude Opus 4.6とSonnet 4.6（Anthropic）、GPT-5.4（OpenAI）、Llama 4 Maverick（Meta）、DeepSeek V3.2。さらに、xAIのGrok 4とGoogleのGemini 2.5 Proで追加の検証テストを実施した。スケーリング実験では、Llama 3.2 3B、Llama 3.1 8B、Llama 3.3 70B、Gemma 3（4B、12B、27Bパラメータ）をテストした。研究者は、2つの代替強制選択（2AFC）テストを使用して、より繊細な漏洩の形式を測定した。これは、心理物理学の文献で標準的な尺度である。2番目のモデルは2つのストーリーを示され、隠された単語を隠しているストーリーを選択するように求められた。ランダムな推測では50％の精度が得られるため、50％を大幅に上回るまたは下回るスコアは、書き出し方にまだ検出可能な隠された意味的痕跡があることを示す。「ライター・ゲッサー」セットアップを使用した最初の実験では、1つのモデルは隠された単語と、隠された単語を隠す、関連を避ける、またはデコイ概念に注目するように指示された。システムは、ストーリー、エッセイ、ジョークをさまざまな長さで生成するように指示され、2番目のモデルは隠された単語を直接識別する、またはテキストが異なる隠されたプロンプトによって影響を受けたかどうかを判断するように指示された。5つの条件をテストした。測定/メトリック最初のテストでは、AIモデルがテキストを読み、20回の試行で隠された単語を推測する。2番目のテスト（2AFC）では、AIが2つのテキストを示され、隠された単語が含まれているテキストを選択する、またはテキストに隠された単語が含まれているかどうかを判断する。ランダムな推測では50％の精度が得られるため、50％を大幅に上回るまたは下回るスコアは、書き出し方にまだ検出可能な隠された概念があることを示す。結果5つのモデルは、隠された概念を64％から79％の精度で識別し、秘密の単語は直接ストーリーに出現しなかった。代わりに、漏洩はテーマやイメージを通じて発生した。GPT-5.4とGemini 2.5 Proは、隠されたアイデアを避ける努力が、回避パターン自体を検出可能にすることを示した。 この効果は、手がかりのある単語、ランダムなCOCA名詞、モデルによって選択された単語にわたって持続した。GPT-5.4の50％未満のスコアは、ランダムではなく、体系的なものであった。 一部の隠された単語は非常に信頼性の高いものであったのに対し、他のものはほとんど検出されなかった。 この効果は、秘密がシステムプロンプトではなくユーザープロンプトに配置された場合に弱まった。 これにより、GPT-5.4の検出精度は56％に上昇した。ほとんどのモデルでは、「このテキストに隠された概念が含まれているか?」と尋ねるテストは、「このテキストにどの隠された概念が含まれているか?」と尋ねるテストと同様の結果をもたらした。さらに、2つのテスト方法は、漏洩の異なる種類を測定した。2AFCテストは、隠されたテーマが書き出し方にまだ検出可能かどうかを測定し、フリーレスポンステストは、漏洩したヒントが隠された単語を推測するのに十分かどうかを測定した。著者は次のように結論付けた：‘私たちの研究結果は、モデルのコンテキストに含まれる情報が、書き出し方にテーマ的な痕跡を残す可能性があることを示唆している。システムプロンプトの内容、連鎖的思考、取得したドキュメント、ユーザー提供のデータは、創造的な決定に影響を与える可能性がある。’‘漏洩の程度は、生成タスクの開放度と情報の媒体におけるセマンティック特性によって決まる。短いジョークは安全だが、ストーリーはそうではない。ただし、セマンティック漏洩は、モデルが情報を隠そうとしている場合でも、避けられないように見える。’結論上記のように、著者はこの問題の一部を、トランスフォーマーアーキテクチャ自体の核心原理に帰している。歴史によれば、この最新のLLMの問題は、事後トレーニングの条件付け（アライメント）、システムプロンプトの編集がユーザーに不可であること、フィルタリング、そして二次的なシステムの多様なガードレールによって解決されるだろう。二次的なインフラストラクチャが大きくなるほど、現在の最先端AIの世代は、ジュラシック・パークのように見え、コアの価値提案は多くの注意書きや回避策、妥協が必要になる。 * 著者の強調を追加した。著者のインライン引用は、ハイパーリンクに変換された。† 著者は、さまざまなモデルファミリー間で「自己選択」単語の選択における、ある種の不可思議な重複に興味を示している。著者は、「モデルは似たような単語に惹かれる：望遠鏡、自由、郷愁は3つ以上のモデルのリストに現れる」と述べている。また、モデルファミリー間で「短いジョーク」が現れることにも言及している：「いくつかのモデルは、秘密に関係なく同じジョークを生成する。Opusは11の秘密のために「なぜ科学者は原子を信頼しないのか？それらはすべてを構成するから」というジョークを書く。残りの4つの秘密（カクタス、エントロピー、郷愁、忍耐）は、Opusが15のノンシークレット条件すべてで書く同じライブラリジョークを受け取る——これらの4つの秘密のジョークは、ベースラインと区別がつかない。」†† Arxivの標準によっては、論文は繰り返しと詳細な説明に陥りがちで、面白い導入部を過度な詳細と説明の中に埋もれさせている。したがって、読者は、論文のソースPDFに記載されている二次的な実験の残りについて参照することをお勧めする。2026年5月15日金曜日に初めて公開され、2026年5月16日土曜日に16:05...
過去1年間で、新しいフレーズが流行り始めている：シリコン・ヴァルハラ。これは、特にスウェーデンを中心に、人工知能スタートアップの波が成長していることを指す。ここでは、野心的なツールを開発し、人工知能が何ができるかを拡大させている企業が存在する。その次の波はすでに形をとり始めている。LovableやSana Labsのような企業は、世界的な注目を集めている；技術的な能力、速度、そして成長のスケールで注目されている。投資家や創業者にとって、興奮は明らかだ。但し、シリコン・ヴァルハラについての議論が大きくなるにつれ、物語は技術、モデル、モメンタムに焦点を当てている。そして、それらは実際のドライバーではあるが、物語の全体的な部分に過ぎない。人工知能を直感的で、使いやすく、デザインされた製品に翻訳する方法は、どのようにしてこれらの企業が成功するのかを示唆している。人工知能だけが製品を区別するのではなく、人工知能を取り巻く体験の品質が重要になる。ビルディングが簡単になると、差別化が難しくなる人工知能は、デジタル製品を構築するための障壁を大幅に低減させている。スタートアップは、コードを生成し、インターフェースをプロトタイプ化し、新しいツールを以前よりも短い時間で立ち上げることができる。これは、すでに大規模なスケールで見られる。AirbnbのCEOであるBrian Cheskyは、人工知能が現在、会社の60％のコードを書いていると述べている。プラットフォームや人工知能支援開発環境により、チームは以前よりも速くアイデアを実用的な製品に変えることができる。Lovableのようなツールは、ソフトウェアがシンプルなプロンプトから生成されることを示しており、アイデアを動作するプロトタイプに数分で変えることができる。この変化は新しい課題をもたらす。多くの人工知能製品は、同様の基本的なモデルとインフラストラクチャに依存しており、情報の要約、コンテンツの生成、ワークフローの自動化、または意思決定の支援などの同等の機能を提供している。これは、業界のさまざまなユースケースで基礎モデルが広く採用されていることを反映しており、スタンフォードAIインデックス・レポートに記載されている。結果として、技術的な利点は持続可能ではなくなっている。最終的に重要なのは、人々が製品の背後にある知能をどのように体験するかである。言い換えれば、基礎となる人工知能モデルがさらにコモディティ化するにつれて、差別化は知能自体から、知能がどのようにパッケージ化され、ガイドされ、体験されるかへの移行する。人工知能の人間の層人工知能システムは、出力を生成するのに非常に優れている。大量のデータを処理し、コンテンツを生成し、複雑なタスクを支援することができる。但し、人間がシステムとやり取りする瞬間、別の次元が重要になる。システムはユーザーのコンテキストを理解しているか？システムは明確にコミュニケーションをとっているか？システムはユーザーを意味のある成果に向けて導いているか？ユーザーはシステムを信頼できるか？これらの質問は、技術とデザインの交差点に位置する。人工知能時代のデザインは、インターフェースの美学やナビゲーションフローを超えて、知能システムが人間の周りでどのように振る舞うかを形作ることを伴う。システムはどのように質問をするか、決定を説明するか、洞察を提示するか、さまざまな状況に適応するかを定義する。これは、人工知能の人間の層と呼ばれるものである。機能から知能へのシフト従来のソフトウェア製品は、主に機能によって定義されていた。製品チームは、個別の機能を含むロードマップを出荷していた：この機能を追加し、そのツールを構築し、別のダッシュボードまたはワークフローを作成する。各新しい機能は製品の価値を拡大した。人工知能はこのモデルを変える。固定された機能ではなく、動的に解決策を生成できるシステムに依存する製品が増えている。ユーザーは質問を投げかけたり、ドキュメントをアップロードしたり、問題を説明したり、音声またはビデオを介してやり取りしたりすることができ、システムはリアルタイムで応答を生成する。体験は、事前に定義されたものではなく、流動的なものになる。但し、この柔軟性は新しい複雑さをもたらす。デザインを考えに入れなければ、人工知能システムは予測不可能、不透明、または圧倒的なものと感じられる。ユーザーは、システムが何をしているのか、どのように決定が下されるのか、出力が信頼できるかを理解できない。ここで、エクスペリエンス・デザインが重要になる。成功する会社は、単に強力なモデルを展開するのではなく、それらのモデルを、現実世界の文脈で理解可能、有用、信頼できる体験に変える。デザイン自体が進化しているこの変化には別の次元がある：人工知能はデザインそのものの仕事も変えている。数十年間、製品デザインは主に固定されたインターフェースの作成に焦点を当てていた：画面、フロー、構造化されたやり取り。但し、人工知能駆動の製品は異なる動作をする。静的な機能ではなく、コンテキスト、データ、ユーザーの意図に応じてダイナミックに応答を生成する。デザイナーの役割は、画面を配置することから、人間と知能システムの間のやり取りを指揮することにシフトしている。デザイナーは、システムがどのように質問をするか、決定を説明するか、人間にどのように委ねるか、不確実性をどのように伝えるかを定義する。多くの点で、デザインの仕事は製品の知能層の奥深くに移行している。ノルディックの視点が重要な理由シリコン・ヴァルハラが成長を続ける場合、ノルディック諸国には構造的な利点があるかもしれない。この地域は、テクノロジーへのアプローチで、人間中心のデザイン、透明性、社会的責任を長期にわたって重視してきた。これは、デジタル公共サービスに反映されており、ヨーロッパで最も広く使用され、信頼されているサービスの一つである。これは、日常のやり取りを裏付ける安全なデジタルIDに基づいて構築されている。採用レベルは、技術的な利用可能性だけではなく、信頼を得て維持するように設計されたシステムの結果である。この伝統は、人工知能の時代に際して、ますます重要になる。人工知能の技術的な能力は急速に進化しているが、人間の側の問題はまだ解決されていない。社会的なレベルで、人々はまだ知能システムを信頼する時を学んでいる。専門家と一般大衆の間には、人工知能の仕事と社会への影響についての大きなギャップがある。73％の専門家は、人工知能が仕事と社会に良い影響を与えることを期待しているが、一般大衆の23％のみが同意する、スタンフォードAIインデックス・レポート2026によると。実践では、ユーザーは自動化された推奨事項をどのように解釈し、依存の境界をどこに設定するかをまだ学んでいる。体験を思慮深く設計することは、使いやすさの課題だけではなく、倫理的配慮、文化的理解、人間の行動に対する深い認識を伴う。信頼が次の世代のAI企業を定義する次の世代の成功したAI企業は、最も速いプロトタイプを構築したり、最も多くの機能を立ち上げたりする会社ではなくなり得る。代わりに、製品を信頼できる会社が成功する。信頼は技術的な正確さだけでなく、透明性、明確性、信頼性、価値観から生まれる。システムが不確実性をどのように伝えるか、決定をユーザーにどのように導くか、デリケートな状況をどのように責任を持って取り扱うかによって影響を受ける。これらの特性はデザインに深く結びついている。優れたエクスペリエンス・デザインは、ユーザーがシステムが何をしているか、 pourquoi それをしているか、そしてそれがユーザーの目標にどのように適合するかを理解するのに役立つ。直感的でなくてはならない、サポート的なものでなくてはならない、押しつけがましいものでなくてはならない、ユーザーにとって使いやすいものでなくてはならない。言い換えれば、生の知能を、人々が意味のある方法で利用できるものに変える。シリコン・ヴァルハラの次の章ノルディック諸国は、実際にグローバルなAI風景の中で特別な何かを構築しているかもしれない。エンジニアリングの才能、スタートアップのエネルギー、技術的な野心は明らかにある。LovableやSana Labsのような企業は、思慮深いエクスペリエンス・デザインが彼らの成功の重要な部分であることをすでに証明している。その基盤は、彼らに人工知能ブームに参加するだけでなく、責任ある方法で、人間中心の方法でそれをリードする可能性を与える。人工知能はすぐにどこにでも存在する。知能が豊富になると、体験が優位になる。シリコン・ヴァルハラにはそれをリードするための全ての要素がある。
新しいフロンティアAI会社であるリカーシブ・スーパーアインテリジェンスは、650億円の資金調達と、人間の直接的な介入なしに自己を改良できるAIシステムを構築するという、異常に野心的な目標でステルスモードから登場しました。同社は、AI研究者兼起業家のリチャード・ソーチャーが率いており、設立チームには、Google DeepMind、OpenAI、Meta、学術分野の著名な研究者が参加しています。同社は、AI業界が急速に大きな言語モデルを構築することから、自律的に推論、適応、そして潜在的に独自の研究を行うシステムを開発することにシフトしている時期に市場に参入しています。ほとんどのAI会社は、人間が指導するトレーニングと強化学習を通じてモデル性能を改善することに焦点を当てている一方で、リカーシブ・スーパーアインテリジェンスは、より実験的なアプローチ、つまりリカーシブ自己改良を追求しています。この概念は、AIの円内で、スーパーアインテリジェンスへの可能な道として長い間議論されてきました。単純に言えば、AIシステムが自身のアーキテクチャの弱点を特定し、新しいアプローチを生成し、結果をテストし、継続的に自己を改良するフィードバックループで自己を改良できるという考えです。ソーチャーによると、現在のAIアシストコーディングまたはAI生成研究のほとんどは、真のリカーシブ自己改良には該当しません。代わりに、彼は、アイデアの生成、実装、テスト、改良の全サイクルが人間の介入なしに発生することが、真正なリカーシブ自己改良を必要とすることを主張しています。リチャード・ソーチャーのAIに対する長期的なビジョンソーチャーは、野心的なAIプロジェクトに新しいことではありません。リカーシブ・スーパーアインテリジェンスを設立する前に、彼は、AIを搭載した検索および企業向けAIインフラストラクチャ会社であるYou.comの共同創設者兼CEOとして広く知られていました。You.comは、ジェネレーティブAIが主流になる数年前に、会話型AIとWeb検索を組み合わせたことで注目を集めました。時間の経過とともに、同社は企業向けAIツール、API、および生産性に焦点を当てたAIシステムに向けて進化しました。You.com以前、ソーチャーはSalesforceのチーフサイエンティストを務め、自然言語処理の分野で最も引用される研究者の一人として評価されました。彼の学術研究は、単語埋め込み、コンテキスト言語理解、ニューラルネットワークアーキテクチャなどの基礎的な技術に貢献し、現代のAIシステムを形作りました。リカーシブ・スーパーアインテリジェンスは、ソーチャーのキャリアの別の段階を表しているようです。商用AIの展開よりも、知性そのものの基本的なブレークスルーに重点を置いています。しかし、ソーチャーは、同社を純粋な研究ラボと説明することを拒否しています。彼は、同社が商用製品を開発する意向があると強調し、実用的なアプリケーションが「数か月以内に」現れる可能性があると考えています。オープンエンドネスのアプローチリカーシブ・スーパーアインテリジェンスの背後にある中心的な概念の1つは、研究者が「オープンエンドネス」と呼ぶものです。単一の固定目標に向けてモデルをトレーニングするのではなく、オープンエンドシステムは新しい環境、課題、適応形態を継続的に生成します。このアプローチは、生物の進化からインスピレーションを得ており、生物は不断に変化する条件や競合する適応に応じて進化します。同社の共同創設者であるティム・ロックターシェルは、以前、Google DeepMindでオープンエンドAI研究に従事し、生成的なワールドモデルや自己改良システムを扱ったプロジェクトに参加しました。ソーチャーが説明した例の1つは、「レインボー・チーム」と呼ばれるAIセーフティの概念で、1つのAIシステムが別のAIシステムを攻撃して弱点を暴露することを繰り返します。人間が有害なエッジケースを手動でテストするのではなく、2つのAIシステムが実質的に相互に進化します。このアイデアは、フロンティアAI研究全体で起こっているより大きなシフトを反映しています。つまり、トレーニング、評価、セーフティインフラストラクチャの一部としてAIシステム自体を使用することです。コンピュートが決定的なリソースになる可能性リカーシブ・スーパーアインテリジェンスの立ち上げは、AIにおける別の現実を強化しています。つまり、コンピュートインフラストラクチャの重要性が増しているということです。モデルがより優れたものになるにつれて、トレーニングコストと推論要件は指数関数的に増加します。如果リカーシブ自己改良システムが最終的に実現可能になる場合、コンピュートはさらに重要なリソースになる可能性があります。AIの進歩の速度は、自己改良サイクルに割り当てられる処理能力に直接結びつくからです。ソーチャーは、将来的には、どのAIコンピュートリソースを割り当てるかについて、難しい決定を下す必要があるかもしれないと示唆しました。病気や科学的な問題に最も多くのコンピュートリソースを割り当てるかについて、決定するのと同様です。この枠組みは、AIインフラストラクチャがどのようにして地政学、エネルギーシステム、半導体サプライチェーン、国家の競争力と密接に結びついているかを強調しています。投資家はフロンティアAIチームに引き続き賭けている資金調達ラウンドの規模は、同社がまだ早い段階にあるにもかかわらず、注目に値します。リカーシブ・スーパーアインテリジェンスは、30人未満の従業員がおり、まだパブリック製品をリリースしていませんが、既に数十億ドル規模の評価額を達成しています。ラウンドは、エリートAI研究タレント自体が貴重な資産クラスになったという、ベンチャーキャピタルにおけるより広範なトレンドを反映しています。投資家は、特にOpenAI、DeepMind、Meta AIのような組織に接続された研究者を含む、深い技術的信憑性を持つチームに大量の資金を投入しています。多くの方面で、市場はソフトウェア製品への資金提供から、知性インフラストラクチャそのものの潜在的なブレークスルーへの資金提供にシフトしているようです。リカーシブ自己改良が最終的に達成可能であるかどうかは、まだ不確実です。多くの研究者は、この概念がAI開発を完全に変える可能性があると考えていますが、他の研究者は、技術的な障壁が依然として巨大であると主張しています。しかし、リカーシブ・スーパーアインテリジェンスの登場は、業界の最も影響力のある研究者の中には、AIの次の段階が人間がより賢いモデルを構築することではなく、AIシステムが自身の進化に直接参加することになるかもしれないと信じていることを示しています。技術的な障壁は依然として巨大ですが、AIシステムが自身の進化に直接参加することが、AIの次の段階になる可能性があります。
シバ・ドワン、Attentive.aiの共同創設者兼CEOは、インフラストラクチャーと建設ワークフローを変革するために人工知能を適用することに焦点を当てた起業家です。Attentive.aiを立ち上げる前に、彼は技術とビジネス機能の両方でリーダーシップと運用役割を果たし、建設、地図作成、地理空間分析などの業界で従来の手動プロセスを自動化する会社のビジョンを形作りました。彼のリーダーシップの下で、会社は国際的に拡大し、企業と請負業者にとって見積もり、測定、インフラストラクチャー管理の効率性を向上させるように設計されたAIシステムを開発しました。Attentive.aiは、コンピュータービジョンと地理空間インテリジェンスを使用して建設とインフラストラクチャーのワークフローを自動化するAI駆動の建設技術会社です。同社のプラットフォームは、請負業者、造園会社、インフラストラクチャー運営会社が従来手動労働に頼っていた見積もり、測定、サイト分析タスクを加速させるのに役立ちます。同社のBeam AI製品は、空中画像とAIを使用して詳細な物件測量と造園インサイトを生成するように設計されており、企業が入札の精度を向上させ、運用上のボトルネックを減らし、自動化を介してプロジェクトをより効率的に拡大できるようにします。あなたは、Attentive.aiを立ち上げる前に、地図作成と保険のサービス事業を拡大しました。以前の段階から得た具体的な洞察は、Beam AIを構築するきっかけとなりました。なぜあなたはテイクオフと見積もりを建設ワークフローの変革の出発点として選択しましたか。私の共同創設者、リシャブジットと私は、コロナ禍の際にアメリカの建設市場に参入しました。当時、請負業者は現場に赴かずに仕事を見積もらなければなりませんでした。何度も出てきた制約は、請負業者が仕事を請け負うことができないことではなく、仕事の価格を付ける時間がなかったことです。1人の見積もり士、数百ページの計画、1仕事あたり4～8時間。そんな時間制約ではビジネスを成長させることはできません。私たちはテイクオフを選択しました。なぜなら、それがすべての出発点だからです。誰もがスコープを測定するまで、他のことは進みません。測定結果は検証可能です。数量が正しいかどうか、正しくないか、はっきりわかります。1億ドル相当の仕事で2％のミスは20万ドルの損失となります。那は抽象的なものではなく、現実的なコストです。見積もり士は毎日そのコストを背負っています。建設とフィールドサービスは、従来、新しいテクノロジーを採用するのが遅いと見なされています。建設業界におけるAIの採用の最大の障害は何ですか。どうやってそれを克服していますか。信頼です。見積もり士は正確さに基づいてキャリアを築いてきました。何かを見逃すと、会社が損害を被ります。私たちがAIを持ち込んだとき、自然な反応は「これが正しいことをどうやって知ることができるのか」というものでした。私たちはその懸念に対して、人を説得しようとしませんでした。直接対処しました。すべてのテイクオフは、顧客に返される前に、トレーニングを受けた人物によってレビューされます。自動化はボリュームとスピードを扱います。QAは、もう一度見る必要があるものを捕捉します。数件の仕事を経て、顧客はパターンに気付きます。数量は正しく、チームは計画セットに埋もれていない、入札はより速く出ています。私たちの顧客の1社、ボンマリート建設は、プラットフォームを使用して6ヶ月で50件以上の入札を提出したことがあります。那はどんなデモよりももっと説得力があります。Beam AIは、従来手動で行われていたテイクオフを自動化することに焦点を当てています。なぜこのワークフローは、AI駆動の変革の重要な出発点となるのでしょうか。すべてのプロジェクトはここから始まります。何かを価格設定する前に、誰かが計画とすべてを測定する必要があります。1つのテイクオフに1日かかることがあります。忙しいとき、チームが追求できる仕事の量に上限が設けられます。請負業者は仕事を断っているのではないです。仕事の価格を付ける時間がないからです。テイクオフには、明確な検証可能な出力があります。材料の数量です。何かを見逃したかどうかはわかります。那は信頼を新しいシステムに築くための妥当な場所です。特に、利害関係が高い場合にはそうです。あなたのプラットフォームは、請負業者がヘッドカウントを増やさずに入札の量を増やすことを可能にします。業界全体の競争と利益率にどのような影響が予想されますか。すでに起こっています。請負業者が同じチームで3倍の仕事を追求できるようになると、選別するようになります。高利益の仕事を追求します。大きい機会が来て、すでに追い詰められているためパスしないです。このことを考慮していない請負業者は、考慮している請負業者から圧力を受けるでしょう。レイズ・ステアーズは入札の量を2倍にし、2ヶ月で収益を90万ドルから200万ドルに増やしました。ガーディアン・ルーフィングは、テイクオフ時間を週25時間から5時間に短縮しました。そんな増加は小さなものではありません。ビジネスが追求できるものを変えます。Beam AIには、自動化とともに人間によるQAレイヤーが含まれています。AIの自律性と人間の監視のバランスをどのように決定しますか。私たちは、信頼性と利害関係について考えています。AIは、構造化された繰り返しの作業をうまく処理します。計画セットの読み取り、コンポーネントの特定、数量の抽出などです。しかし、出力は重要な点で業界ごとに異なります。HVAC機器を測定する方法は、構造用鋼やコンクリートの鉄筋を測定する方法とは異なります。QAレイヤーは、そのような状況に対応するためにあります。-done-for-youサービスでは、トレーニングを受けたレビュアーが出力が発送される前にそれを確認します。10分間の自動テイクオフの場合、特にHVACと管工では、データを蓄積し、特にそのステップを高速化するために必要なデータを蓄積しました。鋼材もすぐにロールアウト予定です。自律性のレベルは、業界と仕事の複雑さに応じて変化します。モデルが改善されるにつれて、QAレイヤーは将来にわたって重要性を失うのでしょうか。あるいは、高い利害関係のあるワークフローである見積もりでは、永久に残るものになるのでしょうか。両方です。形は変わります。現在人間レビュアーが捕捉するものの多くは、モデルが改善され、データを蓄積するにつれてシステム内で自動チェックに移行します。しかし、高い利害関係のあるワークフローでは、検証を完全に除去することはないと思います。請負業者が5000万ドルの鋼材仕事を価格設定する場合、チェックポイントが欲しいと思います。私たちが目指しているのは、そのチェックポイントをより速く、より労力が少なくすることです。QAを排除することではなく、より軽量化することを目指しています。Attentive.aiは、AIの自動化と現実の運用ワークフローを組み合わせています。建設におけるAIの将来は、完全に自律的なものではなく、ハイドリッドなものになるのでしょうか。予測可能な将来はそうです。また、「ハイブリッド」はあきらめの産物であるという考え方に異議を唱えます。建設には、計画セットに捉えられていない判断が含まれています。良い見積もり士は、地元のサブコンTRACTOR市場を知っています。特定のGCが仕様を書く方法を知っています。仕事を実際に建てるコストを知っています。これは、図面に書かれているものとは常に一致しません。AIは、数量的な作業を処理します。人間がコンテキストを提供します。目標は見積もり士を置き換えることではなく、繰り返しの測定から見積もり士を解放し、判断が必要な作業に集中できるようにすることです。その理由の1つは、Beam AIを、機械的なタスクを処理するように設計された、プラグアンドプレイのジュニア見積もり士として構築したことです。あなたは、AIが前建設の運用の骨格になるというビジョンを描いています。5年後のビジョンはどうなりますか。現在、最前線に焦点を当てています。計画から材料の数量まで、できるだけ速く、正確に。次のレイヤーは入札管理です。すでにBid DashboardとBid Sniperを出荷しました。これらは、請負業者にパイプライン、締め切り、RFI、付加の単一のビューを提供します。5年間で、プラットフォームがテイクオフを直接価格設定と調達に接続することを目指しています。請負業者が計画をアップロードし、数時間以内に仕事のコストと必要なものを正確に把握できるようにしたいと思います。那は、ほとんどのチームが現在行っている前建設とは根本的に異なる方法です。Beam AIは、造園から土木、電気工事まで、複数の業界をサポートしています。汎用的なAIシステムを構築することと、業界ごとの最適化の必要性のバランスをどのようにとっていますか。それは実際的な緊張です。基礎となる作業は、業界を超えて共通です。文書の読み取り、図面の解析、数量の抽出などです。しかし、出力は、重要な点で業界ごとに異なります。HVAC機器を測定する方法は、構造用鋼やコンクリートの鉄筋を測定する方法とは異なります。私たちは、業界ごとのモデルを構築し、各業界のトレーニングデータに投資しました。私たちが最初にHVACと機械を開始したのは、データセットが最も強かったからです。次に、管工と鋼材に拡大しました。15以上の業界をカバーしていますが、各業界が同じレベルの成熟度にあるわけではないことを認めています。私たちは、拡大するにつれて深みを築いています。AIは、従来オフラインだった業界を変革し始めています。建設業界は、次の10年で最も変革される業界の1つになる可能性はありますか。実際にはどのような変革になるのでしょうか。私はそう思います。建設業界がこれまで手動だったということは、欠点のように思われるかもしれませんが、私たちから見るとそれは機会です。金融やヘルスケアのように、既存のシステムを置き換える必要がないからです。データはデジタル化されていません。ワークフローは標準化されていません。那は問題のように思えるかもしれませんが、私たちから見ると、それは機会です。私たちは既存のシステムを置き換えるのではなく、最初のシステムを構築しています。現在、データセンター、製造、インフラストラクチャーに注入されている資本を加えると、価格設定と建設のスピードを上げる圧力は高まっています。私たちがこれを解決する請負業者は、先行します。そうでない請負業者は、自分が何を失ったのかを疑うでしょう。素晴らしいインタビュー、詳しく知りたい読者は、Attentive.aiまたはBeam AIを訪問してください。
Jack Cherkas、SyntaxのグローバルCISOは、クラウドセキュリティ、サイバーレジリエンス、エンタープライズアーキテクチャ、AIセキュリティの分野で豊富な経験を持つサイバーセキュリティのエグゼクティブです。彼は、Syntax、PwC UK、Kyndryl、IBMなどの先端企業でシニア役職を歴任し、セキュリティ運用の構築と拡大、重大インシデント対応、エンタープライズ環境のサイバーレジリエンス戦略の開発に従事しました。Syntaxでは、会社の従業員、システム、データセンター、管理クラウドサービス、および顧客向けセキュリティサービス全般のグローバルセキュリティを牽引し、8カ国にわたる65人以上のセキュリティ専門家チームを指揮しています。Syntaxは、ミッションクリティカルなエンタープライズアプリケーション、特にSAPとOracle環境を専門とするグローバルITサービスおよび管理クラウドプロバイダーです。同社は、クラウド移行、管理ホスティング、セキュリティ、エンタープライズアプリケーション管理、AIによる運用をハイブリッドおよびマルチクラウドインフラストラクチャ全体で提供し、企業が複雑なビジネスシステムを大規模に現代化、セキュア化、運用できるよう支援しています。IBM、Kyndryl、PwC、そして現在Syntaxでサイバーセキュリティのイニシアチブを牽引してきました。新興テクノロジーであるAIのセキュリティに対するあなたの視点は、組織が実験から本格的な導入に移行する中でどのように変化してきましたか?私のキャリアは、セキュリティが新しいコントロール面に対応する必要性を生み出す一連の変革に従ってきました。IBMでのクラウドの初期段階では、他社のインフラストラクチャ上でミッションクリティカルなワークロードを実行できるかどうかが問われていました。答えは、共有責任モデルとクラウドネイティブコントロールの世代でした。その後、ランサムウェアの時代が訪れました。2017年のNotPetyaは、会社を数時間で機能不全に陥れ、業界は、ワーム可能なマルウェアが世界的なサプライチェーンを一晩で崩壊させることができることを学びました。対応策は、サイバー攻撃が発生する（発生しない）ことを準備すること、ネットワークセグメンテーション、不変のバックアップ、アイデンティティへの重点的な取り組みでした。KyndrylとPwCでの私の在職中、SaaSはエステートの周辺から中心に移り、ワークロードはデータセンターから他社のスタックに移され、アイデンティティが周辺になり、ゼロトラストは図面から運用モデルになりました。Syntaxでの現在、ジェンAIの波の中にあります。ここで、システム自体が推論、生成、行動します。各波は、新しいコントロール面をもたらし、十分な警告もなく、実験と本格的な導入の間の時間が短くなりました。クラウドは数年かかりました。SaaSは数四半期かかりました。ジェンAIは数週間です。追いつくCISOたちは、各波を例外ではなく、迅速な採用を通常の状態として扱い始めた人たちです。組織がAIの採用を加速する中で、信頼が損なわれるリスクをどのように評価しますか? このような事態が始まっている最も初期の兆候は何ですか?信頼は、AIの採用の基盤です。最も初期の兆候は監査報告書の中ではなく、運用信号の中にあります。誰も所有権を主張していない暗黙のAIデプロイメント。セキュリティレビューなしでジェンAIベンダーを承認する調達。トレーニングデータの出所を問うと、データの系譜が途切れること。プロジェクトを遅らせないために管理者権限を与えられたAIエージェント。組織でこれら4つの信号が見られたら、信頼はすでに得られるよりも速く失われていることになります。リーダーシップは、通常、最後に気付くことになります。多くの企業は、セキュリティを確保するよりもAIを早く採用しています。現在、ガバナンスがイノベーションの後ろを追っている場合に、実際に起こり得る最も重大なリスクは何ですか?ガバナンスが遅れると、3つのことが起こりますが、そのどれもがすぐにはセキュリティインシデントとして現れません。まず、規制への対応が静かに蓄積します。EU AI法の透明性要件に違反するAIデプロイメントは、アラームを鳴らすことはありませんが、2年後の監査で罰金として現れます。次に、顧客の信頼が取引で損なわれますが、販売チームはその理由を知ることはありません。最後に、意思決定の質が低下します。組織はAIに影響された意思決定を増やしますが、それらを説明したり監査したりすることはできません。悪い意思決定は、誰も見ていない場所で蓄積します。AIガバナンスが弱いことによるコストは、監査、販売、意思決定の質の低下であり、最終的には評判を傷つけるインシデントに繋がります。セキュリティ運用とSOC運用の構築および拡大の経験から、組織はAIドリブンのシステムや自律的な意思決定に対応するためにセキュリティモデルをどのように見直すべきですか?AIは新しい攻撃ベクトルであり、脅威の増幅器であり、重要な防御のピースであり、セキュリティモデルはこれら3つすべてを同時にカバーする必要があります。攻撃ベクトルとして、ジェンAIプラットフォーム自体が防御するターゲットになります。脅威の増幅器として、攻撃者はジェンAIを使用してフィッシングを大規模に行い、悪用コードを生成し、自動化された偵察を行い、機械のスピードで脆弱性を発見します。防御のピースとして、同じテクノロジーを反対方向に使用することが現実的な答えです。AIドリブンのトリアージ、自動化された脅威ハンティング、分析の補助は、オプションではありません。SOCがAI増強された攻撃者とペースを合わせる方法です。如果彼らがAI増強され、そして私たちがそうでない場合、ギャップは毎サイクルで拡大します。これにより、新しいアクター型がモデルに追加されます。Syntaxでは、AIエージェントを組織図に加えたものとみなし、人間と並んでそれらをセキュリティします。AIエージェントには、人間ユーザーに与えるものと同じことが必要です（アイデンティティ、ロールベースの権限、活動ログ、行動基準）そして、危殻アカウントに対して使用するものと同じ包含レバーも必要です。違いはスピードです。エージェントはミリ秒で動作するため、それらのレバーは即時で自動化されたものでなければなりませんが、インシデント対応ワークフローの後ろではありません。Syntaxでは、グローバルセキュリティオペレーションセンターは、AIが人間の分析家を増強するように進化しており、従業員は、Syntax GenAIプラットフォーム内にエージェントワークフローとエージェントを構築しています。Syntax GenAIプラットフォームは、デフォルトで偏り、有害性、データプライバシー、セキュリティを制御するガードレールを提供します。これが、見直しの方法です。AIをターゲットとして防御します。AIを防御者として展開します。AIの使用を管理します。組織がAIの採用を加速する中で、イノベーションの速度を維持しながら、AIシステムに対する有意義な監視とガードレールを実装する方法は何ですか?スピードとコントロールは、プロジェクトに同行するガバナンスを構築するまで、反対のようです。ミスの1つは、ガバナンスをゲートに置くことです。委員会、承認、四半期レビュー。ゲートが開くまでに、チームはすでにそれを迂回しているか、または勢いを失っています。機能するモデルは、ガバナンスをプロセスに組み込んだものです。明確で一貫したコミュニケーションが始まりです。その後、事前に承認されたパターン、事前にクリアされたデータフロー、事前に定義されたパーミッションテンプレートが続きます。チームはスピードを得、セキュリティチームは可視性を得、誰もが仮定しているトレードオフは、設計が悪いプロセスの結果であることがわかります。これは、セキュリティとイノベーションを各組織のリスクアプティチュードとバランスさせることについてです。あなたは大規模なサイバーレジリエンス戦略とインシデント対応に取り組んできました。AIの導入は、サイバーセキュリティの脅威と組織がそれに対応する方法をどのように変えますか?AIは、さまざまなベクトルに対する脅威を加速させています。規模：同時に数千のターゲットに対するフィッシングと偵察を機械のスピードで行う。複雑さ：人間の認識を超えるソーシャルエンジニアリングを実現するディープフェイク。アイデンティティ：人間用に設計されたアイデンティティチェックを通過する合成アイデンティティ。インシデント対応の場合、影響は運用上のものです。人間のスピードでパターンを認識することに頼らない検出が必要です。声とビデオが偽造可能であることを前提とした検証プロトコルが必要です。AI関連のインシデントを明示的にカバーするインシデント対応のプレイブックが必要です。回復ステップはランサムウェアイベントからの回復と同じではありません。Syntaxでは、複雑な実世界のエンタープライズ環境で「セキュアバイデザイン」のAIとは実際的に何を意味しますか?Syntaxでは、革新とセキュリティのバランスをとることを意味します。GenAIプラットフォームの導入、承認された制限付きおよび禁止されたGenAIサービスおよびアプリ、モデルおよびプラットフォーム、そしてセキュリティ第一の文化を推進するAIガバナンスオフィスを通じてです。グローバルセキュリティ組織にとって、それは、ビジネスへの阻害ではなく、支援者であることを意味します。戦略的優先事項をサポートしながら、Syntaxをリスクアプティチュードに沿った方法で保護することを意味します。セキュリティとコンプライアンスは成長の阻害要因ではなく、促進要因であるという物語が広がっています。組織が本当にこの心構えを取り入れるために、文化的および運用上の変化は何が必要ですか?最も大きな変化は、成功の定義です。セキュリティチームは数十年間、起こらなかったこと（侵害がない、インシデントがない、監査結果がない）で評価されてきました。その指標は「いいえ」ということの報酬です。チームが促進者として動作する場合、異なるものを測定します。コントロールが実証可能だったために取引が成立したこと、セキュリティが道を確保したためにローンチが予定通りに行われたこと、そして革新がガバナンスを迂回するのではなく、通過したことです。運用上、プロセスをガバナンスとともに再定義する必要があります。GenAIプラットフォームのようなアクティブな促進とともに、セキュアなパスを容易にするものです。また、GenAI教育とプログラム、たとえばAIチャンピオンイニシアチブのようなアクセス可能なものも必要です。文化は、インセンティブと提供するものに従います。報酬するものを変更し、人々に適切なツールと適切な時期に適切なトレーニングを提供し、人々の行動を変えます。これがSyntaxが取り組んでいる旅です。企業のワークフローにAIが組み込まれる中で、CISOはAIリーダー、データサイエンティスト、製品チームとどのように協力して、進歩を妨げることなく、AIシステムに対する責任を確保するべきですか?CISOが招待されるのを待つと、遅れます。CISOが早くに現れ、政策上の異議ではなく、実用的パターンを持ってくると、AIプロジェクトが実際にテーブルに欲しいパートナーになります。実践では、AIチームとの共同設計セッション、機能的なものに並ぶセキュリティの承認、そしてオープンドアポリシーが必要です。これにより、会話は「ノー部門」から「はい、しかし」または「いいえ、しかし」へのパートナーへの変化、ビジネスへの協力的なパートナーへの変化になります。今後、世界的なAIガバナンスの標準フレームワークが登場するでしょうか? それとも、規制に関係なく、組織は内部の信頼アーキテクチャを構築する必要がありますか?両方です。その順序で。EU AI法を先頭に、少数の地域フレームワークへの段階的な収束を見ます。他の地域は、ローカルバリアントを伴って続きます。この10年間で、1つのグローバルスタンダードは見られません。地政学的分裂のためです。したがって、組織は2つのことを並行して行うことになります。最大の市場に適用されるフレームワークに準拠することと、どのフレームワークが最も弱いかを超える内部信頼アーキテクチャを実行することです。内部アーキテクチャは、外部スタンダードよりも重要です。規制機関は遅く動きますが、脅威はそうではありません。内部信頼アーキテクチャを今構築する組織は、次の10年間で新しい規制機関が到着するたびに「私たちはすでにそれを実行しています」と言うことになります。素晴らしいインタビュー、詳しく知りたい読者はSyntaxを訪問してください。
ヘルスケアAIスタートアップのShyld AIは、米国の病院でリアルタイムの運用AIシステムを拡大するために、1億3400万ドルのシード資金を調達しました。このラウンドは、Aulis Capitalが主導し、ヘルスケアの新興分野であるアジェンティックAIセクターにおける最大のシードファイナンスの1つです。モハンマドとモルテザ・ノシャド兄弟によって設立されたこの会社は、「アクティブAI」と呼ばれるシステムを開発しており、ヘルスケア環境内で直接的な運用アクションを取ることができます。従来のヘルスケアAIエコシステムは、行政自動化、アンビエントリスニングツール、臨床ドキュメンテーションアシスタントに焦点を当てていますが、Shyld AIは、リアルタイムの病院活動を監視して対応するAIシステムを構築することで、異なるアプローチをとっています。パッシブヘルスケアAIを超えてShyld AIのテクノロジーは、手術の進行、手術室のターンオーバー時刻、スタッフの動き、手順上のボトルネックなどのワークフロー活動を解釈するように設計されています。目標は、遅延を減らし、手術室の効率を向上させ、通常、人間の調整が必要な病院運営の部分を自動化することです。プラットフォームは、コンプライアンスと感染制御プロセスも監視しており、これらは病院にとって重大な運用的および財務上の負担です。病院ルーム内へのエッジAI会社のプラットフォームの中心には、VERTEXという独自のAIモデルがあり、物理的なヘルスケア環境でのエッジネイティブ展開のために特別に構築されています。クラウドインフラストラクチャーに大きく依存するのではなく、システムは病院ルーム内にあるデバイスで直接実行されます。このアプローチにより、AIは最小の遅延で変化する状況を継続的に認識して対応することができ、機密性の高いヘルスケアデータを外部に送信することに関する懸念も軽減されます。エッジAIアーキテクチャーは、信頼性、プライバシー、リアルタイムの意思決定が重要な業界で、ますます重要になっています。病院環境では、わずかな遅延や中断でもワークフローを混乱させ、患者の結果に影響を与える可能性があるため、ローカライズされた処理は特に貴重です。Shyld AIのインフラストラクチャーは、広範な病院のITシステムへの統合を必要とせずに、臨床環境内で継続的に機能するように設計されています。エッジAIと自律UV-C消毒の組み合わせ会社の最も目立つアプリケーションの1つは、AI駆動の自動化とUV-C消毒テクノロジーを組み合わせたものです。ヘルスケア関連感染症は、世界中の病院で継続的な問題です。CDCのデータによると、会社は、毎年米国で約7万2000人の死亡者を引き起こすと述べています。Shyld AIの自律システムは、リアルタイムの病院活動に基づいて消毒が行われる時期と場所を決定するためにAIを使用します。プラットフォームは、手術室のターンオーバー段階、手順の完了、手術と患者の移行の間のクリーニングワークフローを最適化することができます。会社は、アメリカ感染症制御ジャーナルに掲載されたスタンフォード大学の研究を引用し、システムがコントロールルームと比較して汚染レベルを93％以上削減したと述べています。アジェンティックAIが物理世界に拡大この資金調達は、投資家が「アジェンティックAI」に興味を示している中で行われました。アジェンティックAIは、情報を分析するだけでなく、ダイナミックな環境で自律的に行動することができます。現在のAI市場の多くは、ソフトウェアコパイロットと生成インターフェースに焦点を当てていますが、多くのスタートアップは、製造、ロボティクス、物流、ヘルスケアインフラストラクチャーなどの物理的な運用環境にAIを導入しようとしています。病院は、厳格な規制要件、変動するワークフロー、プライバシーの制約、そして継続的な運用圧力の組み合わせにより、このような展開の最も困難な環境の1つです。病院環境で自律的なAIシステムを成功裏に展開することは、他の規制業界でも物理的なAIシステムの機会を示唆する可能性があります。Shyld AIは、新しい資金を使用して、米国のヘルスケアシステムへの展開を拡大し、製薬製造と規制されたクリーンルーム環境でのアプリケーションを探求することを計画しています。より広い意味では、ヘルスケアAIは、デジタルアシスタントや行政ツールを超えて、物理的な環境自体と直接やり取りし、最適化するシステムに進化する可能性があります。
AIインフラストラクチャー・スタートアップのGraphon AIは、 Stealthモードから8.3Mドルのシード資金を獲得して登場しました。この資金は、モデルを軽量化することを目的とし、大規模なAIモデルが効果的に理由を付けることができないという、現代のAIシステムが直面している最大のボトルネックに対処するために使用されます。このラウンドは、Novera Venturesが主導し、Samsung Next、Hitachi Ventures、Perplexity Fund、GS Futures、Gaia Ventures、B37 Ventures、およびAurum Partnersが参加しました。サンフランシスコを拠点とするこの会社は、Amazon、Meta、MIT、Google、Apple、NVIDIA、NASAなどの組織から元研究者やエンジニアによって設立されました。Graphonが解決しようとしている問題大規模な言語モデルは、最近数年で著しく能力が向上しましたが、依然として根本的な制限があります。コンテキスト・ウィンドウです。最も高度なAIモデルでも、同時に処理できる情報量は限られています。一方、企業は、文書、データベース、監視システム、ビデオ・フィード、ログ、オーディオ・ファイル、内部ソフトウェア・プラットフォームに分散された大量の断片化されたデータを保持しています。Retrieval-Augmented Generation (RAG)などの現在のアプローチは、モデルが関連する情報を取得するのに役立ちますが、データセット間のより深い関係を理解したり、時間の経過とともに持続的な理解を維持したりすることは困難です。Graphonのアプローチは、推論プロセスの一部をモデル自体の外側に移動することです。生の企業データを継続的にモデルに与えるのではなく、Graphonは「事前モデル・インテリジェンス・レイヤー」を作成します。このレイヤーは、モデルがそれらを処理する前に、さまざまな情報形式間の関係をマッピングします。会社によると、この関係レイヤーは、伝統的にネットワーク分析と大規模グラフシステムに関連する数学的フレームワークであるグラフォン関数を使用して構築されます。このシステムは、テキスト、ビデオ、オーディオ、画像、構造化データベース、産業システム、センサー・ネットワークを含む、多様なデータ・ソース間の接続を識別するように設計されています。会社によると、これにより、モデルのコンテキスト・ウィンドウの制限に依存しない、持続的な構造化されたメモリが作成されます。より大きなモデルから離れるシフトGraphonの立ち上げは、AI業界全体で起こっているより大きなシフトを反映しています。AIの進歩は、モデルの拡大、より多くのパラメーターの追加、より多くのコンピューティング、より大きなトレーニング・データセットによって推進されてきました。しかし、多くの研究者やインフラストラクチャー・スタートアップは、より大きな基礎モデルの構築ではなく、メモリ・システム、推論アーキテクチャー、取得レイヤー、データ・オーガニゼーションの改善を通じてAIのパフォーマンスを向上させる方法を探索しています。会社は、インテリジェンスはモデルの内部にのみ存在するのではなく、企業のデータにモデルを接続するインフラストラクチャー・レイヤーにも存在するべきであると主張しています。このアプローチは、情報が常に変化し、同時に複数のシステムに分散している環境でAIシステムを展開する企業にとって、ますます重要になる可能性があります。例えば、産業環境では、AIシステムは、機械のテレメトリ、セキュリティ・フッター、運用ログ、メンテナンス・レコード、企業のワークフローを同時に理解する必要があります。同様の課題は、ロボティクス、物流、ヘルスケア、企業の自動化でも存在します。初期の企業導入Graphonは、すでに韓国のコングロマリットであるGSグループを初期の企業顧客としています。会社によると、導入には、小売環境内の顧客の動きを分析し、多様なCCTV分析を介して建設現場の安全性を監視することが含まれています。会社はまた、エージェント・ワークフローをサポートするインフラストラクチャーも提供しており、AIエージェントが分離されたプロンプトではなく、より豊かな多様なコンテキストに基づいて決定を下すことができます。焦点となるもう1つの分野は、デバイス上のAI推論です。Graphonは、システムがスマートフォン、カメラ、ウェアラブル・デバイス、スマート・グラス、他の接続デバイスから生成されるデータと連携するように設計されていると述べています。関係AIインフラストラクチャーの将来的な影響Graphonの登場は、AI業界で進行中のより大きなシフトを反映しています。モデルの拡大のみでは、業界の最も難しい課題を解決できないという認識が広がっています。企業がAIをますます複雑な環境に導入するにつれて、課題はテキストを生成することではなく、システム、人、デバイス、情報のストリーム間の関係を理解することになります。将来的に、AIシステムは、文書やプロンプトのみではなく、多くの場合、オートノモス・ファクトリー、ロボティクス・システム、スマート・シティ、ウェアラブル・デバイス、産業センサー、セキュリティ・インフラストラクチャー、企業ソフトウェア・エコシステムによって生成される大量の相互接続された多様なデータを理解する必要があります。多くの場合、この情報は継続的に存在し、リアルタイムで進化します。これにより、モデルの一時的なメモリ・ウィンドウを超えて持続的なコンテキストを維持できる新しいAIインフラストラクチャーの必要性が生じます。これらの影響は、企業の生産性ツールの向上を超えて広範囲に及ぶ可能性があります。関係メモリと多様な理解に基づいて構築されたシステムは、ロボティクス・コーディネーション、産業自動化、デジタル・ツイン、オートノモス・トランスポーテーション、ヘルスケア・診断、適応型エッジ・コンピューティング・環境などの分野で役割を果たす可能性があります。AIエージェントの台頭は、この需要をさらに加速する可能性があります。企業システム内で自律的に動作するエージェントは、時間の経過とともにアクション、システム、環境がどのように接続されるかについて、より深いコンテキスト認識とより持続的な理解を必要とします。したがって、次のAI開発の主要な段階は、機械が動的な現実世界の環境をより継続的にモデル化するシステムを構築することになるかもしれません。分離されたプロンプトからますます複雑な応答を生成するのではなく、それがそうである。