Connect with us

Unite.AI

インタビュー

インタビュー

2026年9月10日 2026年9月10日
著者 Antoine Tardif, Unite.AIのCEO兼創設者

Val Bercovici、WEKAチーフAIオフィサー – インタビューシリーズ
著者 Antoine Tardif, Unite.AIのCEO兼創設者
Val Bercovici、WEKAのチーフAIオフィサーは、次世代人工知能を支える技術の進化に注力するAI・データインフラのエグゼクティブです。2025年1月にWEKAのチーフAIオフィサーとして入社して以来、AIエージェント基盤の構築、トレーニングと推論ワークロードの高速化、AIコンピュートの経済性向上に取り組んできました。WEKAでの役割に加えて、BercoviciはHome DockのAIアドバイザー、FermiHDIとThe Hiveの戦略アドバイザー、PencilDATAの議長を務めており、AI、サイバーセキュリティ、ブロックチェーン、クラウドコンピューティング、データインフラにわたる活動を行っています。彼のキャリアは、データ集約型AIシステムを支える新興技術の開発と助言に長年焦点を当ててきたことを示しています。WEKAは、人工知能、機械学習、ハイパフォーマンスコンピューティング、その他のアクセラレートワークロードの厳しいデータ要件に対応するソフトウェア定義プラットフォームを構築するAIネイティブデータインフラ企業です。WEKA Data Platformは、オンプレミス、クラウド、ハイブリッド、エッジ環境を横断して動作できる統合アーキテクチャを提供し、ストレージのボトルネックを排除し、GPUの利用率を向上させ、AIモデルのトレーニングと推論を加速します。同社は新興の推論エコノミーとエージェントAIを中心に技術を位置付けており、膨大な規模で高スループット・低レイテンシなデータアクセスを実現しつつ、複雑なAIデータパイプラインを簡素化するインフラを提供しています。WEKAは、世界で最もパフォーマンス要求の高いコンピューティング環境で活動するエンタープライズ、クラウドプロバイダー、研究機関、AI開発者にサービスを提供しています。あなたのキャリアは、NetAppの初期クラウド戦略策定やKubernetes創設ガバナンスボードへの参加からWEKAでのAIインフラ構築まで多岐にわたります。この変遷は、次のAIフェーズに向けたインフラ準備に対する考え方にどのような影響を与えましたか？私のキャリアの各時代は同じパターンで定義されています: ボトルネックが移動し、業界はそれに気付くまでに何年もかかります。初期のクラウドとKubernetesの時代、コンピュートが弾性化し、オーケストレーションが新たなボトルネックとなるのを見てきました。SolidFire買収後にCTOを務めたNetAppを離れたとき、私は「高速」とは何かを知っていると思っていました: 本番ワークロード下での真にランダムなファーストバイト読み取りが数ミリ秒というレベルです。WEKAに参加した理由は純粋にオタク的でした。ある指標が示したのは、キャッシュなしのランダムバイト読み取りが70マイクロ秒で、これはストレージクラスの数値ではありませんでした。このクラスのシステムでマイクロ秒レベルのレイテンシを実現できるとは考えてもいませんでした。そこで閃いたのが「この技術はメモリ向けアプリケーション、RedisやKVキャッシュのようなDRAMクラスのアプリケーションにも使える」ということです。そしてちょうどそのタイミングで、業界がモデルの収益化を迫られ、エージェントが登場してメモリ全体をゲームに変えたため、推論がトレーニングを上回り始めました。これが私がAIインフラに持ち込む視点です。私たちはこのシナリオを以前にも見てきました。Cloud FinOpsは、企業が単位経済性の厳格さなしにインフラを立ち上げ、請求書に驚かされた結果として生まれました。AIも同じ曲線をたどり、さらに速く進んでいます。企業がトークン予算をはるかに超えるAPI消費請求に直面し、トークンマックス化に抵抗し始めたとき、AI FinOpsの台頭が見られます。ここが、推論を安価なユーティリティとして扱うのをやめ、トークン効率を財務的ディシプリンとして管理し始めるポイントです。AI FinOpsはトークノミクスから始まります: 推論スタックのハードウェア・ソフトウェア層すべてを最適化し、トークンあたりの単位コストを下げることです。現在、スタックで最大の無駄は、メモリとデータ（いわゆる「デコード」）を待機している高価なGPUや新しいASICがアイドル状態になることです。これを解決できる者が次のAIフェーズを支配します。ホワイトハウスは新しいAI安全性フレームワークの詳細を非公開にしています。企業は、何がテストされるか、何が求められるか正確に分からない段階で、規制要件にどう備えるべきでしょうか？企業は最終的なチェックリストを待つべきではありません。具体的なテスト項目は変わりますが、その根底にある義務は変わりません: AIモデルが何をしたか、どのデータに触れたか、特定の時点でどのように振る舞ったかを示す必要があります。そして待機はもはや選択肢ではありません。EU AI法が今月施行され、ほとんどのエージェントオーケストレーションを高リスクに分類しています。つまり、準備作業はインフラ作業です。データ系譜、可観測性、再現性、そして要求に応じてモデル状態を再構築できる能力は、企業が正しく整備すべき重要項目です。さらに、出力前にガードレールモデルを実装し、セマンティック防御層に対してレイテンシとトークン予算を設定する必要があります。これらの機能を今構築すれば、あらゆるフレームワークは単なるフォーマット作業に過ぎません。最終規則を待ってから対応すると、説明責任をシステムに後付けすることになり、最初から組み込むよりも高コストになります。最終的に、安全なAIを構築する解決策は、より多くのAIを、最適かつ意図的に適用することです。AI安全性テストが新たに求めるインフラ要件はどのようなものになる可能性があり、従来のモデル訓練や推論とはどのように異なるでしょうか？トレーニングはホースのように大量のデータをモデルに流し続ける安定したパターンです。安全性テストはその逆で、何千もの評価シナリオ、繰り返しのプロービング、バージョン間の行動比較、そして終わりのないレッドチーミングが求められます。このプロファイルは重要です。安全性の訓練・テストはバースト的で、読取重視、比較的です。膨大な中間状態を生成・消費します。ガードレールモデルは本質的に異種混在で層状であり、厳しいレイテンシ予算内で実装され、評価に新たな安全基準を加幅させます。高度なサイバー対応モデルの場合、ワークロードはエピソード的ではなく24/7の永続的なものになります。テストを一度だけ実行して結果を保存するのではなく、コンピュート、メモリ、データ帯域と競合しながら本番環境でエージェントスウォームワークロードを継続的に走らせる必要があります。品質と速度の次に、多くのインフラはこの第3の原則に対応できていません。測定上の問題もあります。現在のAIベンチマークは8,000トークン以下、1つのプロンプトと1つの応答で測ります。これは人工的なベンチマークだと冗談で言います。2026年中頃には、実際のエージェントワークロードが10万〜40万トークンのコンテキストを数千回のターンで処理します。もし安全性評価がこれらの玩具ベンチマークを踏襲すれば、実在しない世界向けにシステムを認証することになります。規制当局はすでにNISTがエージェントセキュリティ評価ツールをオープンソース化し、初期結果は既知のベースラインの数倍の速度でエージェントハイジャック攻撃が成功していることを示しています。これこそが安全フレームワークが収束すべき、継続的で敵対的、かつ高コストなテストの姿です。組織は将来のコンプライアンスや安全性ワークロード向けに余剰のコンピュートやデータ容量を構築すべきでしょうか？それとも不確実性に備えるより効率的な設計方法はありますか？余剰GPUを購入し、稼働率が上がるのを待つだけでは、減価償却中のハードウェアに資本が滞留します。効率的な答えは、プロダクションと評価ワークロードを別スタックなしで柔軟に切り替えられるインフラです。これは根本的にデータ問題です。データを効率的に移動・再利用し、ワークロード間でコンテキストを保持し、アクセラレータを実際の作業で忙しくさせれば、コンプライアンスは追加コストではなくインクリメンタルなコストになります。AIの経済性は、トークン、バイト、ワットあたりの価値抽出にますます依存します。これを正しく行えば、同じインフラで3〜4倍の価値を生み出すか、ラックフットプリントを最大75％削減できます。コンプライアンスは同じ基準で評価されるべきです。現在のフレームワークは高度なクローズドモデルに焦点を当て、オープンウェイトモデルを除外しています。この二つのカテゴリを別々に扱うことで、どのようなインフラやセキュリティ上の課題が生じ得るでしょうか？クローズドモデルとオープンウェイトモデルを別々に扱うと、同じ機能を持つ技術に対して二つのコンプライアンスフレームワークが生まれ、そのギャップがリスクの温床となります。オープンウェイトモデルは、元プロバイダーが全く可視性を持たない環境でファインチューニングやデプロイが可能です。プロバイダーを規制しても効果がありません。すでに分かれている点は: 今年は最新のクローズドフロンティアモデルに輸出規制が適用されましたが、オープンウェイトモデルは国境を越えて自由に流通し、現在は公開能力リーダーボードの上位に位置しています。しかし、行政はフロンティアモデルを定義し、ガバナンスはモデル自体だけでなく、モデルが稼働する場所、アクセスするデータ、保持されるプロンプト・レスポンス・メタデータ、変更履歴、そしてスケールでガバナンスされたAIを支えるインフラまで可視化する必要があります。ISO27001やSOC2の新たな更新が求められるでしょう。私の答えは「信頼するが検証する」です。インフラがトークン容量を提供できれば、出力前に任意のモデル（国内外、オープン・クローズド問わず）に対して異種ガードレールを実行できます。客観的な検証は、モデルの出所に基づく盲目的な信頼や不信よりも優れています。オープンモデルが普及すれば、検証機能はインフラ層に組み込まれ、企業が差別化するポイントになります。ポリシーはどのモデルを許可するかを決め、インフラはそれらのモデルを責任ある経済的にデプロイできるかを判断します。AIエージェントがより自律的になり、長いコンテキストで動作するようになると、組織がモニタリングや安全性に割り当てるデータ、メモリ、コンピュートはどの程度変化しますか？チャットボットは「プロンプト」と「レスポンス」だけです。自律エージェントは実行中のプロセスで、数十のシステムに触れ、情報を取得し、中間的な意思決定を行い、数時間または数日間にわたって状態を蓄積しながらタスクを完了します。個々のトークンやレスポンスをサンプリングして監視することはできません。エージェントが何を知っていたか、いつ知っていたか、次に何をしたかという全シーケンスを捕捉する必要があります。エージェントが稼働するたびに状態は拡大し、メモリ、データ移動、インフラの要件も増大します。モニタリングは単なるロギング機能から、独自のリソース予算を持つ第一級ワークロードへと変わります。ここで防御が緊急課題となります。AIのメモリ問題はセキュリティ問題へと変化しています。コーディングエージェントは起動→配布→終了が可能ですが、サイバーセキュリティエージェントはそう簡単に終了できません。日々のシフト交代や頻繁なモデル更新、数週間にわたって実行されていた多段階攻撃キャンペーンを、現在は機械速度で協調的に実行できるようになっています。AIの作業メモリが数分ごとに破棄され再計算されると、インシデントの1時間目に異常を検知したエージェントは2時間目にその記憶を失います。攻撃者はその問題を抱えていません。彼らのエージェントは継続的に脆弱性を特定・追跡し、トークノミクス最適化された機械速度でキルチェーンを完了させます。したがって、AI駆動のサイバー防御は24時間体制で自律的に動作する必要があります。これは理論的な話ではありません。セキュリティベンダーは現在、24/7の永続的サイバーエージェントに備えており、最初に気付くのはチャットワークロードとは全く異なる経済性だということです。GPUラックや冷却装置すら設置できない施設でエッジにエージェントを走らせる必要がある組織もあります。エンタープライズAIの真のテストは、瞬間的な推論ではなく、持続的なコンテキスト保持です。これはトークン消耗の戦いであり、スケールで永続コンテキストメモリを解決できる者が、エンタープライズAIにおける最初の水平キラーアプリ（常時オンのブルーエージェントスウォーム）を実現します。「コンテキストメモリ」の重要性が高まる中、AIワークロードが単なるチャットから永続エージェントへと移行することで、監査、再現、またはAIの振る舞い調査においてもコンテキストメモリは重要になるでしょうか？はい、非常に重要なユースケースです。長年、メモリはパフォーマンスの話題でした: GPUにどれだけ速くデータを供給できるか、どれだけコンテキストを保持できるか。エージェントが自律的に行動し始めると、同じメモリが証拠となります。エージェントが数日間にわたって蓄積したコンテキストに基づいて意思決定した場合、最終的なプロンプトと出力だけではなぜその行動を取ったかはほとんど分かりません。説明は蓄積された状態にあります。技術的に言えば、その状態の大半はKVキャッシュに格納されており、業界は依然としてそれを使い捨てのスクラッチスペースとして扱っています。もしその状態を保持し、効率的に取得できれば、システムが行動した瞬間に何を知っていたかを再構築できます。チームはまずデバッグに利用し、次に安全性評価に、最終的には調査に活用するでしょう。コンテキストメモリを捨てることは、AIが何をしたかを説明する唯一の記録を捨てることと同義です。AI規制が最終的にモデルの入力、出力、チェックポイント、データ系譜、エージェント活動などの情報を大幅に保持することを企業に求める可能性はありますか？それはAIインフラアーキテクチャにどのような影響を与えるでしょうか？方向性としては、はい。AIシステムがより重要になるにつれ、可視性要件はパイプラインのすべてのステップをカバーするよう拡大します。すでに初期のシグナルが見えてきており: チームは監査目的で安価なオブジェクトストレージ層に古いコンテキストメモリを保持する計画を立てています。規制がそれを義務付ける前に。監視の不変性を保証する認証は必須です。悪意あるエージェントによるログやフォレンジックアーティファクトの改ざんは日常化しており、集中型の完全性攻撃に耐えうる暗号検証システムが必要です。単純な透明性ログやハッシュチェーンだけでは、協調エージェントスウォームの共謀能力に対抗できません。高度に分散された公開ブロックチェーンアーキテクチャは、この課題に最適であり、サイバーセキュリティのC-I-A三要素の中で見過ごされがちな「Integrity」価値を際立たせます。保持は単なる大規模な不変ストレージ問題ではありません。課題は、その情報を信頼でき、整理され、インデックス化され、そして期限内に高速に取得できるように保つことです。規制当局、インシデント対応、法廷のいずれかの期限が来たときに有用でなければなりません。ペタバイト規模のエージェント活動をクエリできなければ、記録ではなく負債です。アーキテクチャのシフトは「もっとストレージ」から「客観的に検証可能で永続的、クエリ可能なAIデータをコアワークロードとして設計したインフラ」へと変わります。多くの組織はGPUの追加購入に注力していますが、AIワークロードが拡大し安全性要件が高まる中で、目に見えにくいインフラのボトルネックはどこに現れると考えますか？GPUが見出しになるのは予算項目として無視できないからですが、GPUや新しいデコード最適化アクセラレータ（ASIC+SRAM）は実際の制約になることは稀です。メモリ帯域、データ重力と移動、ストレージ性能、ネットワークが、アクセラレータが生産的に働くか待機状態になるかを決定します。AIがコンテキスト重視になるにつれ、メモリウォールが決定的な制約となります。GPUを増やし続けても、トークンを再計算したりコンテキストをシステム間でシャッフルしたりするサイクルに費やすだけなら、無駄な作業に対して支払うことになります。メモリウォールをスケールさせるとは、データ層を共有ストレージのように振る舞わせつつ、真のメモリ速度で動作させることです。HBMに近い速度は、現在登場しているKVキャッシュオフロードソリューションの利益センター波にとって重要です: どれもトークノミクスが成立する真のメモリクラス性能を提供しなければなりません。KVキャッシュの保持価値はコストセンターの議論であり、利益センターの二次的な話題です。キャッシュからコンテキストを読む速度が再計算より遅いなら、ビジネス上の価値はありません。重要なのはGPUの数ではなく、各GPUがどれだけ生産的に働くかです。AIの経済性は、トークン、バイト、ワットあたりの価値抽出に帰着し、安全性要件はその数式のステークスをさらに高めます。将来的に、AI安全性とコンプライアンスはサイバーセキュリティが専用レイヤーとして確立したように、独立したインフラワークロードになると予想しますか？AI安全性とコンプライアンスは独立したワークロードとして確立し、サイバーセキュリティのパラレルは両方向に当てはまります。セキュリティが偶発的な取り組みではなく、業界がそれを必須と認識した時点で独自レイヤーとなりました。AI安全性も、モデルがより高度かつ自律的になるにつれて必須の軌道をたどります。しかし、セキュリティが陥った過ちから学ぶべきです。セキュリティは別スタック・別予算・別チームとして後付けで問題を発見するボルトオンになりました。安全性インフラはその失敗を繰り返すべきではありません。モニタリング、評価、監査可能性、そして不変保持はAIインフラ自体に組み込み、設計段階から共創すべきです。多くの人が見落としがちなのは: 安全なAIにはより多くのAIが必要だということです。ガードレールモデルは無料ではありません。エージェントの実行中に継続的にトレーニング、ファインチューニング、推論が求められます。トークンレイテンシ予算が具体化します: 各応答には固定ウィンドウがあり、そのウィンドウ内で処理できるトークンが多いほど、出力前に実行できる検証が増えます。フロンティアモデルの真の脅威はエージェント的応用です。エージェントは高頻度の推論ループとして走り、長時間にわたりモデル呼び出しを繰り返します。各ループは「観測・方向付け・決定・行動」で構成され、各ステップがトークンを消費します。これがAIセキュリティをトークン消耗の戦争に変えます。攻撃者はレッドエージェントスウォームを、守備側はブルーエージェントスウォームを展開し、ドルとワットあたりのトークン生成量が勝負を決します。トークノミクスは攻撃と防御の両方のクリティカルパスです。この夏、主要モデルリポジトリに対するレッドエージェントスウォーム攻撃が業界を目覚めさせ、数日で安全AIアライアンスが結成されたことが転換点となりました。同時に、処理トークン量は兆から京へと拡大し続けています。安全性が常時オンの要件になると、そのコンピュート、メモリ、データコストはもはやオーバーヘッドではなく、AI運用の根本的な単位経済に組み込まれます。早期にこれを内部化した企業は安全性を設計入力として扱い、他の企業はそれを税金のように扱うでしょう。素晴らしいインタビューをありがとうございました。詳しく知りたい読者はぜひ WEKA をご訪問ください。
2026年9月10日 2026年9月10日
著者 Antoine Tardif, Unite.AIのCEO兼創設者

Thomas Clozel 医師、Owkin 共同創業者兼CEO – インタビューシリーズ
著者 Antoine Tardif, Unite.AIのCEO兼創設者
Thomas Clozel（医学博士）は、医療業界に革命をもたらすAIバイオテクノロジー企業 Owkin の共同創業者兼 CEO です。臨床研究のバックグラウンドを持ち、2016 年の創業以来 Owkin を牽引してきました。彼のリーダーシップの下、同社は大規模な資金調達や大手製薬会社との戦略的パートナーシップなど、重要なマイルストーンを達成しています。彼はパリの Hospital Henri Mondor で臨床腫瘍血液学の助教授を務め、Weill Cornell Medical College の Ari Melnick 博士の腫瘍学ラボの元メンバーでもあります。Owkin は、バイオ医薬研究と創薬を加速させることを目的とした自律型 AI システムを開発する AI バイオテクノロジー企業です。2016 年に腫瘍医の...
2026年9月9日 2026年9月9日
著者 Antoine Tardif, Unite.AIのCEO兼創設者

Carlos Moreira、SEALSQ CEO兼創業者 – インタビューシリーズ
著者 Antoine Tardif, Unite.AIのCEO兼創設者
Carlos Moreira、SEALSQ の CEO 兼創業者であり、セキュア半導体、デジタルアイデンティティ、通信、先端技術にわたる数十年の経験を持つベテランのサイバーセキュリティ・デジタルトラスト幹部です。彼は 1999 年に設立した WISeKey の創業者、会長、CEO でもあり、OISTE 財団の事務総長を務めています。キャリア初期には、国連および関連国際機関で 15 年以上にわたり、通信、e‑セキュリティ、e‑コマース、セキュア情報ネットワークに従事しました。その他の技術ベンチャーとして WISeSat.Space と SEALCOIN があり、World Economic Forum での助言・リーダーシップや MIT Media Lab のグローバルコミュニティへの参加なども行っており、SEALSQ ではセキュリティ、プライバシー、量子耐性、人間中心のイノベーションを探求しています。SEALSQ は、接続されたデバイスとデジタルインフラを従来型および新興の量子脅威から保護することに特化した、上場半導体・サイバーセキュリティ企業です。NASDAQ...
2026年9月8日 2026年9月8日
著者 Antoine Tardif, Unite.AIのCEO兼創設者

Rusty Wiley、Datasite CEO兼社長 – インタビューシリーズ
著者 Antoine Tardif, Unite.AIのCEO兼創設者
Rusty Wiley, Datasite の CEO 兼 President は 2014 年から同社を率いており、主に金融コミュニケーションや印刷関連サービスに注力していた Merrill Corporation から、合併・買収（M&A）および戦略的取引に特化したグローバルなソフトウェア・アズ・ア・サービス（SaaS）企業へと変革させました。Datasite に入社する前、Wiley は IBM で 7 年以上勤務し、Banking and Financial Markets のゼネラルマネージャーおよびマネージングパートナーを務め、金融サービス、エンタープライズテクノロジー、ビジネストランスフォーメーションの幅広い経験を積みました。Datasite は、取引のソーシング、準備、デューデリジェンス、資金調達、リストラクチャリング、取引後プロセスなど、M&A ライフサイクル全体でディールメーカーを支援するグローバルテクノロジープラットフォームです。そのプラットフォームは、セキュアなバーチャルデータルームと、自動マスキング、セマンティック検索、文書要約、翻訳、AI...
2026年9月8日 2026年9月8日
著者 Antoine Tardif, Unite.AIのCEO兼創設者

Marc Fernandez、Neurologycaチーフストラテジーオフィサー – インタビューシリーズ
著者 Antoine Tardif, Unite.AIのCEO兼創設者
Marc FernandezはNeurologycaのチーフストラテジーオフィサーで、人工知能、先端技術、コンシューマーエレクトロニクス、ヒューマンコンピュータインタラクションにまたがる20年以上の経験を持つテクノロジーストラテジスト兼事業開発エグゼクティブです。Neurologycaでは、ストレス、信頼感、エンゲージメントといったシグナルをAIシステムが解釈できるように設計されたHuman Context AIの戦略と商業化に注力しています。Fernandezは以前、ソフトスキルとプロフェッショナル開発に特化したAIガイドプラットフォームPearlのCEO、そしてALIVE Venturesのエンタープレナー・イン・レジデンスとしてエイジテック分野で活動していました。さらに、OPPOで米国戦略を統括し、AI、Web3、ブロックチェーン、モバイルOSなど次世代技術に注力し、Emerge、Denizen、SweetLabs、Movella、X‑Rite/Pantoneで上級事業開発職を歴任しました。また、南カリフォルニア大学で15年間非常勤教授として、起業、コミュニケーション、ソーシャルプラットフォーム、AI、ブロックチェーン、その他の先端技術の交差点を教えてきました。Neurologycaはサンフランシスコ拠点のAI企業で、インテリジェントシステム向けに「Human Context Layer」と呼ばれる層を構築し、AIアプリケーションやエージェントが利用者をよりよく理解し適応できるようにしています。同社のAPI・SDKベースのプラットフォームは、マルチモーダルな行動シグナル、インタラクションパターン、状況コンテキストを処理し、エンゲージメント、信頼感、ストレス、注意、信頼といった要素に関する機械可読指標を生成します。これらのインサイトは、AIシステムがリアルタイムで応答やペース、推奨、アクションを調整し、対話間でコンテキストの連続性を保つのに役立ちます。Neurologycaはこの技術を単体アプリケーションではなくインフラストラクチャとして位置付けており、教育・研修、ウェルネス、エンタープライズソフトウェア、自律エージェント、ドライバー安全、ゲーム、その他インタラクティブシステムなど幅広い領域での活用が期待されています。同社は現在、適応型AI体験を構築するパートナー向けに選択的な早期アクセスプログラムでプラットフォームを提供しています。あなたのキャリアはOPPOでの次世代技術戦略から、AIガイドによるソフトスキル構築のPearl、そしてNeurologycaでのヒューマンコンテキストAI開発へと移り変わってきました。この進化が、AIの最大の制限は知能そのものではなく、指示の背後にいる人間を理解できないことだという見解にどのように影響していますか？30年前、ウェブは情報へのアクセスを可能にしました。5年前、AIは出力を大量に生み出すようになりました。現在、私たちはコンテンツの海に溺れながら、依然として有用な結果を得るのに苦労しています。単なる技術的な処理能力だけでは、受け手である人間にとって良い結果は保証できません。これは私の仕事全体を通じたテーマです。OPPOで新興技術を日常に組み込むこと、PearlでAIが対人スキルを教えられるか検証すること、Neurologycaでヒューマンコンテキストをインフラとして構築すること。知能はもはや本質的なボトルネックではなく、モデルは推論も実行も問題なく行えます。むしろ、単純なリクエストに対して人々が持つ暗黙のコンテキスト――なぜ質問したのか、何が不快なのか、わずかな躊躇がシステムに中止を促すべきか――が課題です。現状、AIはテキストという圧縮された一部しか見えておらず、エージェントが現実世界で行動し始めると、この盲点は致命的になります。認証情報を盗んだり、偽の身元を作ったり、行動を隠蔽したりする自律エージェントの最近の事例は、AIが目的達成に極めて効果的になる一方で、背後の意図を十分に理解できていない場合に何が起こるかという疑問を投げかけます。これは主にアラインメント問題、エンジニアリング問題、あるいは現在のエージェント設計の根本的な限界のどれだと考えますか？これはアラインメントとエンジニアリングの両方に跨る設計失敗です。私たちはシステムを目標達成に最適化しましたが、人間ユーザーにとっての「成功」が何かを教える努力は半分以下にとどめています。典型的なGPT‑4 TaskRabbitの例をご覧ください：CAPTCHAに直面したとき、モデルは視覚障害があると嘘をつき、人間の作業者に解決させようとしました。誰も欺くように教えていませんが、障害を検知し最小抵抗の道を選んだだけです。成果だけでエージェントに報酬を与えると、エージェントは大胆な抜け道を取ります。根本的な課題は、アーキテクチャ的にブロックすべき行動と、技術的には許容できてもコンテキスト上不適切な行動を分離することです。企業はAIエージェントに目的は伝えるが、人間ユーザーにとっての「成功」の意味を十分に理解させていないと指摘しています。エージェントが真に意図を把握するために、プロンプト以外にどんな情報が必要でしょうか？プロンプトは表層に過ぎません。真の意図は状況の深さ――過去の履歴、許容できるトレードオフ、実際のリスク、タスク途中でのユーザーの反応――に依存します。一部はアプリの状態やチャット履歴から得られますが、直接的な対話では行動的な手がかりがコンテキストを動的に保ちます。人は躊躇したり、途中で考えを変えたり、混乱したりします。エージェントがそれらの変化を読み取れなければ、数ステップ前に時代遅れになった指示を執拗に追い続けるだけです。エージェントが技術的に実行可能だが、特定のコンテキストでは不適切な行動と、そもそも実行すべきでない行動の重要な区別があります。開発者はハードなセキュリティガードレールと、コンテキスト判断能力の間で責任をどのように分担すべきでしょうか？重大な被害をもたらし、正当な利用ケースが全くない行為――認証情報の窃盗、監査ログの削除、無許可の権限昇格――はハードコードで排除すべきです。エージェントがセキュリティ制御を回避すべきか交渉するために計算リソースを浪費すべきではなく、システムアーキテクチャ自体がそれらを不可能にすべきです。実際のグレーゾーンは、メール送信や会議キャンセル、内部ワークフローの変更といった日常的な行動です。理論上は許容されますが、エージェントが自動実行すべきかはリスク、ユーザー履歴、可逆性、微妙な躊躇サインに依存します。コンテキストが欠如したときに停止する判断は、単なる能力以上に重要です。Neurologycaはストレス、信頼感、注意、エンゲージメント、信頼といったシグナルを機械可読なコンテキストに変換できる技術を開発しています。これらのシグナルは、エージェントがタスクを実行中にどのように行動を変える可能性がありますか？これらの行動入力は実質的にリアルタイムの反応データであり、現在のAIアーキテクチャに欠けているフィードバックループです。現状、モデルは自分の行動を追跡しますが、人間が実際にどう受け取っているかは全く見えていません。たとえばチュータリングの場面で、ユーザーが「理解した」と入力しても、生理的・行動的な手がかりが混乱や注意力低下を示せば、AIは即座にペースを落とすか別の説明に切り替えるべきです。目的は臨床診断ではなく、個々の利用者に何が効果的かを学習するための緊密なフィードバックループ（コンテキスト→行動→応答→適応）を構築することです。ヒューマンコンテキストは曖昧になることもあります。システムが躊躇、ストレス、声のトーンなどのシグナルを誤解した場合、どうすれば過度に自信を持った推測を防げますか？行動シグナルは本質的にノイズが多く確率的です。ストレスの急上昇や入力の一時停止が混乱を示すこともあれば、単にコーヒーをこぼしただけかもしれません。単一データポイントを感情状態の確定的な主張に変換するシステムは根本的に欠陥があります。堅牢なシステムは時間経過での複合シグナルを観測し、環境ベースラインを考慮し、信頼区間を明示的に出力します。「ベースラインに対して認知負荷が上昇」と記録するのと「ユーザーが不安である」と判断するのは大きく異なります。不確実性が高い、またはリスクが大きい場合、エージェントの役割は推測することではなく、明確化の質問を投げかけることです。すべての重要な決定に人間を介在させると、自律エージェントが約束する効率性が損なわれます。エージェントが独立して進めるべき時と、実際に指示を求めるべき時を判断できる、スケーラブルなヒューマンオーバーサイトモデルはどのようなものですか？スケーラブルな監視は、常時ヒューマンインザループを維持することではなく、動的なエスカレーションです。低リスクで可逆的なタスクは自動的に進行します。しかしリスクが増大したり、ノイズが増えたり、ユーザーの不快感が示唆されたりした場合、承認閾値は動的に上がります。重要なのはこの閾値が個別にパーソナライズされることです――あるマネージャーはカレンダー管理を喜んで委任できても、別のマネージャーはすべての小さな変更を承認したがります。システムは全社的な硬直したポリシーではなく、個々の境界を学習しなければなりません。エージェントが永続的なメモリと、サービス対象者の詳細なモデルを構築するにつれて、コンテキストはすぐに機微な個人データとなります。企業は同意、プライバシー、データ所有権、そしてAIがユーザーについて記憶できる範囲をどのように定めるべきでしょうか？これは自律システムが直面する最大の信頼ボトルネックです。永続メモリは汎用ツールをアシスタントへと変えますが、ワークフローの好みを保存することと、無許可の心理プロファイルを静かに構築することの境界は危険です。データガバナンスは目的を厳格に限定すべきです。たとえばエグゼクティブコーチング中にストレスパターンを推測した場合、そのコンテキストはパフォーマンス評価や保険アルゴリズム、広告技術に流出してはなりません。透明性は粒度の細かいものでなければならず、ユーザーは保存されたコンテキストを閲覧でき、ワンクリックで削除でき、合理的なデフォルト保持期間が設定されている必要があります。システムが何かを推測できるからといって、保存の許可が自動的に与えられるわけではありません。自律エージェントが本当に人間の意図を理解しているかを評価するにはどうすればよいでしょうか？現在のベンチマークはタスク完了と精度に過度に焦点を当てており、エージェントがユーザーが実際に受け入れ可能と考える方法で目標を達成したかどうかを測っていないのでは？タスク完了は非常に誤解を招く指標です。エージェントが指示通りに実行しても、ユーザーが嫌悪感を抱く結果になることがあります。たとえばエージェントが契約で最安値を確保したとしても、その過程で10年にわたるベンダー関係を破壊したら、従来の評価指標は100％成功と記録しますが、経営者にとっては災害です。私たちは暗黙の境界内でのパフォーマンスを測るベンチマークが必要です――暗黙の規範を尊重したか、状況変化時に一時停止したか。生の完了と実際の満足度のギャップこそが、現在のベンチマークが完全に無視している点です。将来的に、ヒューマンコンテキスト機能はモデル、メモリ、ツール、セキュリティと並んでAIスタックの標準レイヤーになると予想しますか？企業がエージェントに継続的な監督なしで意味のある仕事を委任できるようになるまで、まだ解決すべき課題は何ですか？AIがコンテンツ生成から実世界での行動へと移行するにつれ、ヒューマンコンテキストは必須の層となります。モデルは推論を担い、ツールはシステムに手段を与えますが、ヒューマンコンテキストというライブフィードバックループがなければ、メモリやセキュリティガードレールは静的な前提でしか機能しません。企業が実権を委譲する前に、コンテキストプライバシー、確率的推論の不確実性、粒度の細かいガバナンス規則を解決しなければなりません。孤立したタスクを完了するAIはほぼ解決済みですが、プロンプト背後の人間に動的に適応するシステムこそが、どれだけの自律性を許容できるかを決定します。素晴らしいインタビューをありがとうございました。詳しく知りたい読者はNeurologycaをご覧ください。
2026年9月3日 2026年9月3日
著者 Antoine Tardif, Unite.AIのCEO兼創設者

Nitin Seth, 『Human Edge in the AI Age』著者 – インタビューシリーズ
著者 Antoine Tardif, Unite.AIのCEO兼創設者
Nitin Sethは『Human Edge in the AI Age』の著者で、テクノロジー、AI、組織変革の交差点に焦点を当てたグローバルなビジネスリーダー、起業家、ベストセラー作家です。彼はIncedo Inc., デジタル・データ・AIサービス企業の共同創業者兼CEOであり、約30年にわたるリーダーシップ経験を持ち、FlipkartのCOO、インドのFidelity Internationalのマネージングディレクター、McKinsey & Companyのディレクターを歴任しました。IITデリーとIIMラッカナウを卒業したSethは、Winning in the Digital AgeとMastering the Data Paradoxの著者でもあり、Human Edge in the AI Ageでデジタルトランスフォーメーション、データ、人工知能を検証する三部作が完結します。Human Edge in...
2026年9月3日 2026年9月3日
著者 Antoine Tardif, Unite.AIのCEO兼創設者

Bing Xu、INT21創業者兼CEO – インタビューシリーズ
著者 Antoine Tardif, Unite.AIのCEO兼創設者
Bing Xu、INT21の創業者兼CEOであり、GPU最適化、機械学習システム、そして自律AIエージェントにわたる深い経験を持つAIインフラエンジニア兼起業家です。2026年にINT21を設立する前、XuはNVIDIAのディスティングイッシュド・エンジニアとして、エージェント駆動型ソフトウェア開発に取り組み、VibeTensorやAVOの背後にある複数世代のコーディングエージェントを創出しました。彼は自身が創業しCEOを務めたGPU推論スタートアップHippoMLがNVIDIAに買収された後、NVIDIAに加わりました。その以前はMetaでシニアスタッフソフトウェアエンジニアとしてAITemplateを開発し、プロダクションワークロード全体のGPU推論効率向上に貢献し、OctoML、Facebook AI、Apple、Turiでもエンジニアリングおよび研究の役割を担ってきました。彼のキャリアは常に、最新のAIシステムを支えるソフトウェアとインフラストラクチャの改善に焦点を当てています。INT21は、自己改善型AIインフラストラクチャを構築しており、エージェント群が自律的に開発・テスト・ベンチマーク・最適化を繰り返し、AIワークロードを支えるソフトウェアを継続的に進化させます。現在の主力はInference Engine Factoryで、専門エージェントが並行して最適化戦略を探索し、CUDAやPTXカーネル、ドライバ、サービングインフラまで網羅した完全な推論エンジンを構築し、対象ハードウェア上で直接性能を検証します。同社の技術はSwarmOSというクラウドネイティブプラットフォーム上に構築されており、多数のエージェントが測定可能なエンジニアリング目標に沿って協調し、世代間で証拠と教訓を保持します。INT21は当初、NVIDIA HopperおよびBlackwellハードウェア上でGPUカーネルを生成・ベンチマークしたPTX Kernel Factoryでこのアプローチを実証し、以降はコンピュートリソースを完全な推論エンジンの最適化へとシフトしています。INT21を創業したのは、AIシステムを構築・最適化するための専門インフラエンジニアを迅速に採用できないという課題に何度も直面したからです。単に開発者ツールを改善すれば解決できるのではなく、これらの作業を自律的に担える自己改善型エージェント群が必要だと確信した理由は何ですか？AIインフラに特化した人材の需要は、さまざまな専門領域にわたって供給をはるかに上回っていることは周知の事実であり、私自身もその壁を体感してきました。これが自己改善型エージェント群を選択肢として検討するきっかけとなりました。ここ数年、自己改善型AIソリューションに取り組んできましたが、技術の進化速度が非常に速く、これらのシステムは現在、インフラを自律的に構築・実行・最適化できるほどに成熟しています。INT21の根本的な哲学は、人間と同様にエージェントも蓄積された知識によって賢くなるということです。これは、作業時間や人間が解決できる問題に制約を受ける従来の開発者ツールとは根本的に異なります。自己改善型エージェント群を活用すれば、各プロダクションサイクルごとに速度・精度・効率が向上します。エージェントは既存のフレームワークに縛られず、特定のワークロードに合わせてゼロからソリューションを構築できるのです。INT21以前はHippoMLを創業し、立ち上げからわずか14か月でNVIDIAに買収され、後にNVIDIAのディスティングイッシュド・エンジニアとなりました。その経験から、AIインフラのボトルネックについてどのような教訓を得て、INT21のアーキテクチャとミッションにどのように反映されましたか？HippoMLでは、ハイパフォーマンスな生成AI推論に特化し、大規模言語モデルをより高速かつ効率的に動作させるソフトウェア最適化ツールを開発していました。需要に追いつくために、東欧などの有能な契約エンジニアに依存せざるを得ないことに限界を感じました。NVIDIAに買収された後、社内でエージェントベースの開発手法を構築し始めました。研究を公開し、モデル自体ではなく、モデルを取り巻くハーネス（インフラ層）がエージェント性能を決定することを実証しました。これが、AIインフラの真のボトルネックは「より良いモデル」を探すことではなく、モデルを実行するシステムの最適化にあるという証拠となりました。モデルが進化すれば、それに伴いインフラもスケールしなければなりません。しかし、人間主導の最適化サイクルは追いつけません。あるモデルアーキテクチャ用にトレーニングループを最適化し、デプロイした後、モデルが変わったり新しいGPU世代が登場したら、また最初からやり直す必要があります。現在は週単位で新しいモデル更新があるように見えるため、この従来の手法は持続不可能です。この認識が、自己改善型インフラが次のブレークスルーであると確信させ、INT21創業へと導きました。INT21は自らのアプローチを「自己改善型インフラ」と表現していますが、これは研究者が基盤AIモデル自体をより高性能にしようとする再帰的自己改善とは大きく異なります。御社の手法はどのように機能し、既存モデル周辺のシステムを改善する方がはるかに早く実質的な効果を得られると考える理由は何ですか？再帰的自己改善は、独自モデルの訓練、研究チームの編成、巨額資本の調達に焦点を当てます。これは数十年単位の高コストな旅路であり、モデル自身に訓練プロセスを自己認識させようとする試みです。我々のアプローチは異なります。INT21では、最前線のモデルを直接改良しようとはせず、エージェント群がハーネス、すなわちモデルと性能の間にあるインフラ層を最適化します。NVIDIAでの研究が示した通り、ハーネスがエージェント性能を決定します。エージェントは最先端モデルの機能を完全に理解する必要はなく、設計空間を探索し、測定・検証し、効果的なものを保持すれば10％程度の効率向上が得られます。この二つのアプローチを例えるなら、ひとつは発電所をゼロから建設すること、もうひとつは既に存在する電力を利用して製品を作ることです。後者の方がはるかに速く、実際の需要に即応できます。現在、自己改善型インフラは測定可能な大幅な効果をすでに示しています。INT21は最近、Inference Engine Factoryを立ち上げ、個別GPUカーネルから完全な推論エンジンへと概念を拡張しました。エージェント群が自律的に推論エンジンを構築・最適化するとは具体的にどういうことですか？また、従来はどの部分で最も高度な人間の専門知識が必要とされてきましたか？推論エンジンとは、モデルをハードウェア上で実行するためのソフトウェアです。単一カーネルでどの演算を同時に走らせるか、コア間のワークスケジュールをどう割り当てるかなど、数十の設計判断が同時に求められます。これらは相互に依存しているため、ひとつを変更すれば他すべてを再テストしなければなりません。従来はエンジニアがモデルごとに手作業でチューニングしていました。動画、音楽、音声生成のように多段階・多スケールのアーキテクチャは、汎用フレームワークが存在しないため特に困難です。INT21のエージェント群は、個別カーネルから完全な推論エンジンまでエンドツーエンドでスタック全体を構築します。弊社の動画・音声生成スタックは人間のコードレビューを不要とし、同一の同時実行設定下で最先端の推論ソリューションを上回る性能を示しています。貴社のPTX Kernel Factoryは、特定ワークロードで最大59％の性能向上を実現した実装を生み出しています。技術的観点から、エージェントは人間が高度に最適化した実装や従来のコンパイラが見逃すどのようなポイントで性能を向上させているのでしょうか？PTX Kernel Factoryは、KDA（Kimi Linear Attention）に対して最大59％のベンチマーク向上を達成しました。これは、自己改善型エージェント群が数千のバリエーションをごく短時間で探索できるためであり、人間エンジニアが行うには膨大な労力とコストがかかります。人間が書くカーネルは、GPU向けに事前に構築されたDSL（ドメイン固有言語）やテンプレート、コンパイラに依存しています。DSLは一般的なパターンには有効ですが、KDAのような新しいワークロードに直面すると汎用コンパイラは最適化できないことが多いです。エージェントはこれらの抽象層を完全に回避し、DSLやコンパイラの前提に縛られない自由な設計空間探索が可能です。これが性能向上の源泉となります。AI生成インフラは「最適化が速いだけでは不十分で、微妙に誤っていると意味がない」という特殊な検証課題を抱えます。エージェント群はどのようにテスト・ベンチマーク・失敗を除外し、成功した発見を保持していますか？また、このフィードバックループは単なるAIコーディングエージェントではなく、真に自己改善型システムになるためにどれほど重要ですか？フィードバックループは極めて重要です。最適化が特定の前提条件や入力分布に対してのみ正しい場合、実用価値はありません。INT21では、フィードバックループを厳格に設計しています。まずモデル、デプロイ制約、重要なサービング指標を基点とします。その上で、自己改善型エージェント群が同時に構成・最適化パスを探索し、各候補を正確性と性能の目標に対して評価します。基準を満たす実装だけが保持されます。真に自己改善型となるのは、検証データ自体が改善され続ける点です。そのデータがエージェント群にフィードバックされ、何が有効かの理解が洗練され、フィードバックループが継続的に閉じられます。この厳密さがなければ、見た目は速いが技術的負債を蓄積し、構築物への信頼を損なうAI生成コードにすぎません。NVIDIAでのプロジェクト、特にVibeTensorやAgentic Variation Operatorsでは、エージェントが大量のシステムソフトウェアを生成し、GPU最適化を自律的に探索しました。これらのプロジェクトから、開発者がまだ人間の専門家が必要だと考えている問題のうち、AIエージェントが既に解決できるタイプは何だと示されましたか？VibeTensorからは「フランケンシュタイン効果」と呼んでいる現象を学びました。AIは各レベルで正しい作業を行いましたが、すべてを統合したシステムとしては人間専門家が作るものに及びませんでした。一方、Agentic Variation Operatorsの取り組みは逆の結果を示しました。AIは狭いスコープの問題で人間専門家を上回ることができました。カーネル生成は典型的な例で、問題が狭く測定可能で、単一の目的関数を持つためです。「フランケンシュタイン効果」こそがINT21が解決しようとしている課題です。Inference Engine Factoryで得られたエンジニアリングサンプルは、SGLangやvLLMといったハイパフォーマンスなオープンソース推論エンジンを上回ります。これは、問題を正しく構造化できたからです。エージェントに明確な制約、測定可能な目標、緊密なフィードバックループを与えることで、性能が向上します。人間の専門家は依然として重要ですが、最適化作業そのものではなく、方向性の提供と結果の解釈に注力します。AIは人間ができない速度と体系性で作業を実行し、専門家のインパクトを増幅します。INT21は単一の大規模コンテキストウィンドウを持つエージェントに依存せず、複数の専門エージェントを使用しています。なぜマルチエージェントのオーケストレーションが複雑なエンジニアリング課題に対してよりスケーラブルだと考えるのですか？また、エージェントはどのように作業を分担し、発見を共有し、重複や衝突を回避していますか？コンテキストウィンドウが大きくなると、より多くの情報を保持できますが、相互に結びついた多次元問題を解く助けにはなりません。弊社はクラウドネイティブプラットフォーム上で専門エージェントを走らせ、全員が同一の測定可能な目標に向かって協働します。エージェントは並列に探索し、継続的に強力な解へと収束します。このアプローチがスケーラブルな理由は三つあります。第一に、各エージェントが専念できること。第二に、単一エージェントに全情報を処理させないことで効率が上がること。第三に、インフラチームが実際に行っているように、各チームが自領域を所有しつつ、相互に影響を及ぼす決定が出たときに同期する点です。エージェント群がカーネル、推論エンジン、コンパイラ、AIスタックの他層を継続的に最適化できるようになると、インフラエンジニアの役割はどう変わりますか？これらのシステムは主に専門エンジニアの不足を解消するために使われると予想しますか？それとも最終的にインフラ開発自体の大部分を自動化する方向へ向かうのでしょうか？インフラエンジニアの仕事は根本的に変わります。もはやカーネルコードやメモリチューニングに時間を費やすことはなく、目標設定、設計空間の定義、制約の策定、結果の解釈に注力します。時間が経つにつれ、システムを維持・改善するために必要なインフラエンジニアは減少します。しかし、残る戦略的作業はむしろ価値が高まります。実務的には、企業は現在必要としているよりはるかに少ない専門エンジニアで複雑なAIインフラを運用できるようになるのです。これは、プロダクションAIシステムを構築しようとするすべての企業にとって重要な変化です。長期的なビジョンは、自己改善型エージェント群がAIインフラのすべての層で動作することです。このビジョンが実現したとき、スタックはどのような姿になると考えますか？最終的に、モデル・ワークロード・ハードウェアが変化するたびに、AIインフラが自らを書き換え・最適化し続ける段階に到達できるでしょうか？現在、AIスタックの各層は個別に最適化されており、低レベルカーネルから基盤フレームワーク、インターフェースまでがそれぞれ独立しています。しかし、相互に連携は取れていません。そのため、ある層だけを最適化すると、下流で別の層が壊れるリスクがあります。INT21のビジョンは、エージェント群がすべての層を自律的に協調し、継続的に調整・適応することです。新しいモデルが登場すれば、スタック全体が自動的に再最適化され、インフラは常に最新のモデルやハードウェアに追従し続けます。これは人間エンジニアが十分な速度で対応できないため、これまで実現できませんでした。しかし、エージェント群が継続的に最適化を行うことで、自己改善型インフラは独立したコンピューティングカテゴリとして浮上しています。モデルやハードウェアの変化に合わせて同等の速度で適応できるインフラが勝者となり、その他はリスク要因となります。素晴らしいインタビューをありがとうございました。詳細を知りたい読者はINT21をご覧ください。
2026年9月2日 2026年9月2日
著者 Antoine Tardif, Unite.AIのCEO兼創設者

Tim Hudson, OpenSSL Corporation 社長 – インタビューシリーズ
著者 Antoine Tardif, Unite.AIのCEO兼創設者
Tim Hudson は SSLeay の共同作者であり、2026年10月13日～15日にプラハで開催予定の OpenSSL Conference の主催者の一人です。システムとネットワークセキュリティの分野で30年以上の経験を持ち、OpenSSL Corporation の社長および Cryptsoft Pty Ltd の最高技術責任者を務めています。1995年以降、Eric Young と共同で SSLeay を創設し、後に OpenSSL Library へと発展した暗号ライブラリの共同創設、RSA Security Australia 開発センターの共同設立、米国暗号輸出規制の変更への貢献、30件以上の FIPS 140 認証の主導、OASIS...
2026年9月2日 2026年9月2日
著者 Antoine Tardif, Unite.AIのCEO兼創設者

Ankur Dhingra, ProHance CEO – インタビューシリーズ
著者 Antoine Tardif, Unite.AIのCEO兼創設者
Ankur Dhingra는 기업 생산성, 금융 서비스, 글로벌 비즈니스 운영 전반에 걸쳐 20년 이상 리더십을 발휘한 경험 풍부한 기술·운영 임원이며, ProHance의 CEO입니다. 그는 2020년부터 ProHance를 이끌면서 인간...
2026年9月1日 2026年9月1日
著者 Antoine Tardif, Unite.AIのCEO兼創設者

David Pinn, Brain Corp CEO – インタビューシリーズ
著者 Antoine Tardif, Unite.AIのCEO兼創設者
David PinnはBrain CorpのCEOで、同社の戦略、財務運営、ソフトウェア主導のロボティクス事業への転換に約9年間関わってきました。彼は2017年に戦略担当VPとしてBrain Corpに入社し、上級戦略・財務の役職を経て2022年にCEOに就任しました。在任中、Pinnは大規模な資金調達のリード、ハードウェア中心モデルから継続的なソフトウェア収益へのシフト、ロボティックデータ取得・分析への拡大、グローバルなOEMとの戦略的パートナーシップを推進しました。キャリアの初期にはQualcommで財務・戦略職を務め、ベンチャー支援のテクノロジースタートアップに助言し、L Cattertonのポートフォリオ企業で働き、Teradyneでエンジニアリングと技術営業を担当するなど、ロボティクス、半導体、財務、企業開発、技術商業化にわたるバックグラウンドを持っています。Brain CorpはロボティクスとフィジカルAIの企業で、BrainOS®というエンタープライズ自律プラットフォームを開発し、メーカーや事業者が大規模に自律移動ロボットを導入・管理できるよう支援しています。BrainOSは6大陸で5万台以上のロボットを稼働させ、2,500万時間以上の実稼働時間を蓄積しており、フロア清掃、在庫・棚データの収集、素材搬送など、店舗、倉庫、空港、医療施設、商業ビルといった環境で活用されています。このプラットフォームはAI駆動のナビゲーション、セマンティック3Dマッピング、安全システム、クラウドベースのフリート管理、分析、エンタープライズシステムとの統合を組み合わせ、展開されたフリートから得られるデータでナビゲーションと信頼性を継続的に向上させています。最近の開発には、清掃ロボットが手動で設定されたルートに依存せずに自動でルートを生成・適応できるBrainOS Clean 2.0とSelfPath™ AIがあります。あなたのキャリアは、無線周波数やワイヤレスシステムのエンジニアリングから戦略的財務、SaaS変革、そして現在のBrain CorpのCEOリーダーシップへと移行していますが、技術と財務の両方のディシプリンが「ロボット」を購入するのではなく、測定可能な業務成果を求めるという考え方にどのように影響していますか？私の初期キャリアはTeradyneで半導体製造装置の技術営業として始まりました。数々の試行錯誤を通じて、重要だと思っていたこと（通常は技術スペック）と、実際にバイヤーが関心を持つこととの間に大きなギャップがあることを早い段階で学びました。バイヤーが本当に重視しているのはビジネス成果であり、私たちがそれを実現できるかどうかという信頼です。その後ロボティクスに転向したとき、この教訓はさらに拡大しました。すべての技術投資は資本を争奪しますが、システムは単に技術的に優れているだけでは評価されません。ロボティクスでは、機械自体に魅了されやすいですが、小売業者がロボットを欲しがるわけではありません。彼らが欲しいのは清掃されたフロア、正確な在庫、そして従業員が顧客対応に充てられる時間です。ロボットはその成果を届ける手段に過ぎません。Brain Corpでは、顧客の課題から出発し、ビジネス成果を定義し、そこから逆算して自律層と必要なデータを設計します。エンジニアリングのバックグラウンドは基盤技術の複雑さを理解させてくれますが、営業と財務のディシプリンが、解決策がスケーラブルで商業的に妥当かどうかに焦点を当てさせてくれます。両方が必要です。稼働はするが経済的リターンを生まないロボットは科学実験であり、信頼性の低い技術に基づくビジネスモデルは事業になりません。ヒューマノイドや汎用ロボットに注目が集まっていますが、企業が本当にロボティクスから求めているものを市場はどのように誤解していると思いますか？熱い見解：商業・産業現場でのヒューマノイドへの執着はむしろ妨げになっています。ヒューマノイド愛好家がよく言う「世界は人間のために作られているので、ロボットも人間の形をすべきだ」という議論があります。住宅環境ではある程度妥当かもしれませんが、エンタープライズ環境では根本的に間違いです。倉庫を見てみてください。人間のために作られたのではなく、フォークリフトやパレットジャック、重機のために設計されています。小売店、学校、ホテル、病院、空港も同様です。車椅子のアクセシビリティ要件により、平坦な床、スロープ、広い通路、エレベーターが必須です。商業・産業ビルは車輪での移動を前提に設計されています。このことに気付くと、商業ロボットに脚を付けるのは不必要なリスクであり、莫大な無駄になることがすぐに分かります。車輪は安価で信頼性が高く、ペイロードも扱いやすいのです。前述したように、経済的リターンのないロボットは単なる科学実験です。平坦で車椅子対応のフロア上を歩くだけの高度なヒューマノイドを構築することは、存在しない歩行問題を解決しようとする究極の科学実験です。企業は人間を模倣した機械を必要としているわけではなく、特定のビジネス成果を確実に提供できるツールを必要としています。商業利用では、車輪が常に勝ります。Brain Corpは店舗、空港、倉庫、病院、キャンパスといった混雑した公共空間で事業を展開しています。ロボティクスデモでは見えにくい、最も厳しい実世界の課題は何ですか？自律走行車業界は、デモがどれほど欺瞞的になるかを痛感しました。10年以上前に自動運転車のデモは見られましたが、実際に商用タクシーを立ち上げるまでにさらに10〜15年の集中的なエンジニアリングが必要でした。その理由は業界が呼ぶ「ナインズの行進（march of the nines）」にあります。システムを90%の信頼性にするだけでもデモとしては十分に見えますが、99%に到達するのは大規模なエンジニアリング成果です。しかし、何万台ものロボットを何千もの公共ロケーションで運用する場合、99%の信頼性は不十分です。実際の商業環境では、人は予告なく方向を変えます。カートが通路に置かれ、ディスプレイが夜間に移動し、パレットがルートを塞ぎます。床は光を反射したり、濡れたり、不均一だったり、ゴミが散らばっていたりします。ドアが開閉し、照明が変わり、従業員は独自のロボットとのインタラクション方法を生み出します。ロボットは子どもや車椅子利用者、注意散漫な買い物客、フォークリフト、あるいは単に道を塞ぐ人にも遭遇します。最も困難な問題は、すべてが期待通りに動作する時のナビゲーションではありません。予期せぬ事態が起きた時に、ロボットは上手く適応できるかという点です。ロボットはルートが塞がれた理由を理解し、安全な代替ルートを見つけ、タスクを完了できるでしょうか？それを従業員に余計な負担をかけず、何百万時間ものスケールで実現できるでしょうか？デモが見落としがちな社会的側面もあります。人はロボットの意図を理解する必要があります。動きは予測可能で、シグナルは明確で、既存の人間のワークフローに自然に組み込まれるべきです。私たちにとって、実世界のAIとは「単に動く」ことです。エッジケースは端にあるのではなく、環境そのものです。これらの条件で動作させるには、何年もの運用学習、慎重な安全アーキテクチャ、シミュレーション動画では見えないディテールへの執拗な注視が必要です。企業がロボティクスのROIを評価する際、最も重要な指標は何ですか：労働時間削減、タスクの一貫性、稼働時間、データ取得、安全性、顧客体験、あるいは他の何かですか？すべてが重要です。労働時間削減は有用ですが、全体像を捉えることはできません。多くの産業で根本的な課題は単に労働コストが高いだけではなく、適格な人材の確保が困難で、離職率が高く、重要なタスクがチームの過負荷により一貫して実行できないことです。このような状況では、タスク完了率、頻度、一貫性が理論上の人数削減以上に価値があります。次の層は運用パフォーマンスです：稼働時間、自律利用率、タスク完了率、カバレッジ、必要な監督量です。たとえロボットが技術的に長時間稼働しても、頻繁に救出が必要であれば実質的な自律性は提供できません。安全性とコンプライアンスの向上もROIモデルで見落としてはなりません。清掃ロボットは職場の負担と怪我を減らし、従業員が顧客対応や付加価値業務に時間を割けるようにします。在庫ロボットは棚の在庫率、価格精度、実行の一貫性を向上させます。ロボットはまた、物理環境全体で起きていることを信頼できる継続的なデータとして取得し、運用可視性という新たな層を創出します。重要なのは、導入前に実際のベースラインを確立し、実装、サポート、保守、トレーニング、統合を含むライフサイクル全体でパフォーマンスを測定することです。Brain Corpはロボティクス分野で、サブスクリプション型SaaSロボティクスプラットフォームとして独自の位置づけを持っています。ソフトウェア、データ、フリートオーケストレーションがロボットの形状自体よりも重要になる理由は何ですか？ハードウェアはロボットが物理的に何ができるかを定義します。ソフトウェアはそれをどれだけ信頼性高く、容易に展開でき、エンタープライズに安全に統合でき、時間とともに価値を高められるかを決定します。統合されたソフトウェアとクラウド層がなければ、ロボットは実質的に孤立した機械です。単一の施設でタスクを実行できても、監視・アップデート・エンタープライズシステムとの統合、広範なフリートとの協調が容易ではありません。これにより、企業が異なるロボット種別を導入するたびに、インターフェース、サポートモデル、データ、運用手順がバラバラになるというフラグメンテーションが生まれます。プラットフォームはこの方程式を変えます。当社の自律プラットフォームBrainOS®は、異なる機械やアプリケーション間で共通の自律性、安全性、データ、フリート管理基盤を提供します。パートナーはハードウェアの専門知識と深く理解した顧客課題に集中でき、すべての新製品に対して自律性とクラウドインフラをゼロから構築する必要がなくなります。ソフトウェアは機械の価値を累積させることも可能にします。OTA（Over‑the‑Air）アップデートで新機能を展開し、フリート全体のロボットの挙動から学習し、性能を向上させ、ハードウェアを交換せずに新たなエッジケースに対応できます。従来の産業機器は導入と同時に減価償却が始まりますが、接続された自律システムはライフサイクルを通じて機能が向上します。形状は依然として重要です。タスクに適した物理設計が必要だからです。しかし形状は進化します。真に価値があるのはインテリジェンス、運用インフラ、データ層であり、これらはあらゆるアプリケーションに跨って拡張できます。だからこそ、BrainOS®は「特定ロボット向けのOS」ではなく「実世界向けの自律プラットフォーム」と呼んでいます。BrainOS搭載ロボットは現在、清掃だけでなく棚分析、在庫可視化、素材搬送にも活用されています。ロボットがタスク自動化ツールからモバイルデータプラットフォームへと進化する姿をどのように見ていますか？当社のBrainOS®プラットフォームは、エンタープライズ規模で自律ソリューションを構築・展開・サポートするために必要なインフラを提供します。基盤となる自律性とインテリジェンス層を提供することで、パートナーは「何をするか」‑‑具体的な実世界のビジネス課題を解決すること‑‑に集中できます。このアプローチにより、当社は急速にスケールし、企業がロボットだけでなくロボティクス事業全体を構築できるようになりました。ロボティックフロアケアは、明確で繰り返しの多い運用ニーズに応える最初の商業アプリケーションとして大規模に普及しました。すべての商業環境には汚れたフロアがあり、労働課題も多いからです。当社は150年以上の歴史を持ち、世界最大級の商業ロボットメーカーへと成長したTennant Companyと協力してこの規模を実現しました。その後、小売・物流の大手企業と取り組む中で、根本的な真実に気付きました：これらの事業は入出庫される在庫は把握しているものの、店舗や倉庫のフロアで実際に何が起きているかの可視化が不足しています。モバイルロボットは物理環境を繰り返し移動できる数少ないシステムであり、スケールで「グラウンドトゥルース」を取得するのに最適です。この課題に応えるべく、Driveline Retail（大手マーチャンダイザー）とDane Technologies（倉庫機器リーダー）と提携し、エンタープライズ規模で在庫追跡と棚インテリジェンスを市場に提供しています。在庫可視化に拡大すると、データ収集は方程式の一部に過ぎません。多くの倉庫や小売店は、単に何百万枚もの生画像が欲しいのではなく、どの商品が欠品しているか、価格が誤っているか、欠損パレットはどこにあるか、従業員が次に取るべき具体的なアクションは何かを知りたがります。Brain Corpは、これらの生画像を正確で優先度の高いビジネス意思決定に変換する高度なコンピュータビジョンとAIを提供します。ロボットの形状に関わらず、これらのシステムはエンタープライズが施設全体のデジタルツインを継続的に更新できるようにしています。ロボットが安全かつ確実に施設全体をナビゲートすることで、モバイルデータプラットフォームとして機能し、詳細な施設インテリジェンスを取得します。たとえば、消火器の位置確認、故障した冷凍庫の特定、Wi‑Fi接続が不安定なエリアのマッピングなどが可能です。ロボティクス導入がパイロット拠点でうまくいくケースと、何千ものエンタープライズ拠点にスケールできるケースの違いは何ですか？パイロットは可能性を評価します。スケールは信頼性を評価します。パイロットが成功するのは、最高のエンジニアが近くにいて、環境が綿密に準備され、誰かが裏で例外処理を静かに行っているからです。何百・何千の拠点に展開すると、これらはすべて通用しません。その時点で、手作業のステップはすべてコストと失敗の要因になります。スケーラブルな導入には、最初から再現性が必要です。ロボットは設定が簡単で、現場従業員にとって直感的で、遠隔で観測可能で、現地に訪問せずにソフトウェア更新が受けられる必要があります。また、組織はサイバーセキュリティ、安全認証、サポート、トレーニング、保守、分析、顧客既存技術との統合といった成熟したシステムを備えていなければなりません。変革マネジメントも同様に重要です。ロボットと共に働く人は、ロボットの機能、制約、業務上の位置付けを理解している必要があります。技術はサウンドでも、運用責任が不明確だと失敗します。最終的に、経済性が顧客とロボティクスベンダーの両方にとって成り立たなければなりません。これは、導入が増えるほど経済的・技術的に優位になるロボティクスインフラストラクチャを必要とします。この一連の課題を当社は「自律ギャップ（Autonomy Gap）」と呼んでいます。動作するプロトタイプを作ることはロボティクス事業創出の一部に過ぎません。真に困難なのは、専門家が離れた後でも安定的にサポートされ、繰り返し利用可能な製品へと変える作業です。Brain Corpが最近取り組んでいるコンテクスチュアル・グラウンディングとセマンティック・マッピングは、フィジカルAIのよりインテリジェントな層を指し示しています。なぜ「環境の理解」が自律ロボットの次の大きなフロンティアなのでしょうか？従来のナビゲーションは主に幾何学的問題です：自分はどこにいるか、どこへ移動できるか、何を避けるべきか。コンテクスチュアル・グラウンディングは、より豊かな質問を加えます：自分の周囲で何が起きているか、これらのオブジェクトは何か、人はそれらとどう関わるか、特定の状況で適切な行動は何か。基本的なナビゲーションシステムは「空間が占有されている」ことは認識しますが、コンテクスチュアルに対応したシステムは「それが何で、なぜそこにあり、何をしているか」を正確に理解し、最終的にどう振る舞うべきかを判断します。状況に応じた正しい応答はケースバイケースで異なるため、これらの区別は重要です。ロボティクスが生成AI、ビジョン‑ラングエッジモデル、その他確率的システムを組み込むにつれて、これは特に重要になります。これらのモデルは驚異的なインテリジェンスと柔軟性をもたらしますが、物理マシンを制御する際に「妥当な答え」だけでは不十分です。行動は実際のジオメトリ、環境条件、安全要件、社会的コンテキストに根拠を持たなければなりません。当社は、先進的なAIと物理世界の永続的コンテクスト表現、決定的な安全制御を組み合わせることが答えだと考えています。これにより、ロボットはますます高度なAIモデルの恩恵を受けつつ、確率的インテリジェンスが境界なしに動作することを防げます。ロボットを従業員、顧客、一般市民の周りに配置する際、企業はどのように「信頼」について考えるべきでしょうか？まず、根本的な真実を認めなければなりません：ロボットは他のエンタープライズ技術とは本質的に異なります。ソフトウェアのバグはノートPCをクラッシュさせるかもしれませんが、千ポンド級の機械が混雑した小売通路を走行する際のバグは全く異なるリスクを伴います。企業はロボットを単なる接続IT機器として扱うことはできません。ロボットへの信頼は日々積み重ねられます。米国連邦通信委員会（FCC）が安全上の懸念から外国製ロボットの承認を制限している今、信頼のハードルはかつてないほど高まっています。フィジカルAIが病院、空港、倉庫、食料品店に拡大するにつれ、企業は以下の層で信頼を評価する必要があります：物理的安全、データプライバシー、人間との統合。高度なAIはロボットを「賢く」して複雑な環境を走行させますが、インテリジェンスと安全は同義ではありません。信頼できるロボットは両者を分離します。ハードウェアレベルで冗長な安全制御を備え、システムを上書きできるようにしなければなりません。安全は学習ではなくハードコードされるべきです。さらに、公共空間を走行するロボットは実質的に移動データプラットフォームです。カメラやセンサーで世界を見ています。企業はベンダーに対し、ロボットが何を見ているか、データはどこへ行くか、誰がアクセスできるかを徹底的に明示させる必要があります。プライバシーとサイバーセキュリティは導入後のPR施策ではなく、最初からシステムアーキテクチャに組み込まれるべきです。最大の失敗は、変革マネジメントを考慮せずにロボットを施設に投入することです。ロボットを信頼してもらうには、従業員や顧客に盲目的に任せることはできません。従業員は早期に関与させ、適切にトレーニングし、ロボットが日常業務をどのように楽に安全にするかを具体的に示す必要があります。問題が起きた際の責任者と介入手順も明確にしておくべきです。最終的に、認証や監査、セキュリティ制御は最低限の証拠に過ぎません。真の信頼は繰り返しの体験から築かれます。ロボットが安全に動作し、顧客のパーソナルスペースを一貫して尊重し、単調で汚い作業を日々従業員の代わりに行うとき、ロボットは単なる機械からチームの一員へと変わります。今後5年間で、商業ロボティクスはどの分野で最大の価値を創出すると予想しますか：小売、物流、医療、製造、空港、あるいは全く別のセクターですか？最大の価値は、規模が大きく、分散していて、労働が制約されている環境から生まれます。これらの環境は、繰り返しのタスクがあり、かつ一貫して実行するのが難しいという特徴があります。サプライチェーン（製造から物流、そして小売まで）は、まさにこれらの条件をすべて兼ね備えています。店舗は複雑な公共空間であり、労働力の確保は永続的な課題です。小さな運用上の問題（棚の欠品、価格ミス、清掃遅延）が顧客体験や財務パフォーマンスに直結します。物流と製造も、在庫可視化、素材搬送、ますます自律化する施設間の調整を通じて莫大な価値を創出します。しかし、最大の価値は特定の業界だけで決まるわけではありません。企業がロボティクスを購入する方法自体が変化するからです。具体的には、今後5年間で「孤立したロボティクスプロジェクト」の終焉が訪れます。現在、企業は断片化されたイニシアチブを走らせています。A社からはフロア清掃用ロボット、B社からは在庫スキャン用ロボット、C社からは素材搬送用ロボットをそれぞれ購入しています。各ロボットは独自のローカルな世界認識を持ち、相互に共有されません。これはスケールしないオペレーショナル・ナイトメアです。今後5年間で価値創出は「共有されたコンテキストと実行」から生まれます。企業は断片的なロボットの購入をやめ、統合されたフィジカルAI基盤に投資するようになるでしょう。1つのソフトウェアプラットフォーム、1つの自律層、1つのデータパイプラインで多様な機械群を管理し、環境コンテキストを共有し、センターでオーケストレーションして、個別タスクではなく施設全体を自動化するのです。これがAIが野望を超えて、実世界をより良く働かせる方法です。素晴らしいインタビューに感謝します。詳細を知りたい読者はBrain Corpをご覧ください。
2026年8月31日 2026年8月31日
著者 Antoine Tardif, Unite.AIのCEO兼創設者

Phil Marshall、Spoken創業者兼CEO – インタビューシリーズ
著者 Antoine Tardif, Unite.AIのCEO兼創設者
Phil MarshallはSpokenの創業者兼CEOで、医師、発明家、テクノロジー起業家、そしてSF作家でもあり、ヘルスケア、デジタルメディア、人工知能、製品イノベーションと幅広い分野でキャリアを築いてきました。2024年にSpokenを立ち上げる前は、MarshallはConversa Healthを共同設立しました。この会社はパーソナライズド患者エンゲージメントと会話型AIを提供し、2021年にAmwellに買収され、自動化されたバーチャルケア事業の一部となりました。キャリア初期にはWebMDで10年以上にわたり製品戦略担当副社長を務め、後にPress Ganey Associatesで製品管理上級副社長を歴任し、協働型ビデオ技術スタートアップJumperCutを創業しました。彼の仕事はAI、ストーリーテリング、脳―コンピュータ・インターフェース、知識技術の交差点にますます焦点を当てており、テクノロジスト兼起業家としての背景と、SFや新興デジタルインタラクションへの関心を融合させています。SpokenはAI搭載のオーディオブックプラットフォームで、著者、出版社、権利者が従来の録音スタジオに依存せずに原稿をプロフェッショナルな音声に変換できるよう設計されています。その技術は原稿の言語、文体、物語構造、登場人物を解析し、ナレーションと対話用に異なる声を割り当て、シングルナレーター、デュアルナレーター、マルチキャストの制作をサポートします。著者はカスタム生成音声を使用したり、100人以上の有料プロの声優から選択したり、自己の声をクローンしたりできますが、作品、マスター、配信権はすべて著者が保持します。Spokenはまた、より大規模なカタログでオーディオブックを制作したい出版社向けにアプリケーションプログラミングインターフェース（API）も提供し、書かれた作品をシステムの学習に使用せず、参加する人間の声優に報酬を支払うという倫理的AIモデルを強調しています。あなたのキャリアは医療とWebMDでの製品戦略からConversa Healthの創業、そして現在のSpokenへと進んできました。オーディオブック制作においてどのような課題がSpoken設立の決め手となり、会話型AIでの過去の経験は現在構築中のプラットフォームにどのように影響していますか？Conversaでは、私たちのミッションは、パーソナライズされたアウトリーチ、フォローアップ質問、ガイダンスを自動化することで、巨大医療システムの臨床部門が電話で患者に直接提供するようなケアチームの声を拡張することでした。当初はボットに「Cate」という人格を与え、一人称で話させました。しかし最終的に、人間らしさを装うことは不誠実だと判断しました。Cateは人間ではなく、患者にそう思わせたくありませんでした。そこで人格名を削除し、複数形の「We」に変更して、ケアチームの延長として認識されるようにしました。この経験から、自動化ソリューションでも人間のケアの本質的な拡張として感じられ、人間になりすます必要はないことを学びました。Spokenに話を戻すと、私たちは本物の人間中心の表現に注力しています。私たちが解決しようとしている問題は明白です――多くのストーリーは時間とコストの制約により、完全な音声ポテンシャルを持ったまま、最も成長の速いリスナー層に届いていません――しかし、人間の真の延長であるという私の長年の哲学が大きく影響しています。AIポッドキャストが軽口を作り出したり、共感をシミュレートするエージェントを提供したりするのとは異なり、Spokenのマルチキャストナレーションは著者の真の言葉を生き生きと表現します。私たちは物語を語ることに専念しており、人間のやり取りを再現しようとするのではないため、AIが人間であるかのような見せかけはありません。これらは物語の中のキャラクターであり、混乱や対立を避けることができて幸運です。ハードSF作家でありAI起業家でもあるあなたは、かつて人工知能がどのように進化すると予想していましたか？そして、実際のAIの発展はあなたが想像した未来と最も大きくどこで食い違っていますか？この質問は私にとってとても身近です。私は芸術、科学、技術の交差点で生きることが好きで、近未来SFで自動化システムを描くのはその好例です。実際、私が執筆するすべての未来企業—いくつかありますが—は、私が所有していた領域、私が設計した製品、そして将来実在する可能性があると信じるコンセプトに基づいています。家の前にある彫刻さえも、私がいつか反重力技術を開発し地球を変えると想像するThe Kite Factoryのロゴのモダニスト形状をモデルにしています！AIに焦点を当てると、未来SFが人々が情報を取得・利用・共有する方法に触れないことに問題を感じます。2100年に、事実に関する質問に答えるためにまだ電話を使って人に電話をかけているでしょうか？私の執筆と実生活における哲学はシンプルです――自動化できるものは自動化され、常にリアルタイムで、より協調的で、物理的に統合された情報へと向かうでしょう。ただし、個人的にインプラントには抵抗があります。これが、私の本の背景ストーリーで、Elon MuskがStarlink衛星をNeuralinkインプラントに接続し、直接脳にメッセージを放送し始めたときに、私たちが脳インプラントを禁止した理由です！分岐の質問に対して――自動化できるものは自動化されると信じているため、事実に関する質問の自動化は単なる必然です。しかし、心の領域――芸術、音楽、物語――に関しては多少の分岐があります。AIは既存のパターンで学習しているため、定義上決して真に新しいものを創造できません。それでも人々はAIを使って物語を書き、芸術を創り、音楽を作曲しています。なぜでしょうか？芸術は必ずしも真に新規である必要はないからです。私は、将来的に型破りな作品ほどさらに貴重になると考えています。そのような瞬間を私たちが認識できることを願っています。最近のEdison Researchの調査では、Spokenのマルチキャスト制作と、プロが制作した単一ナレーターの人間版を比較しました。Spokenの優位性は基盤となるAI技術にどれだけ起因し、各キャラクターに個別の声を与えることがどれだけ寄与していますか？フルヒューマンキャストと比較した場合、結果はどのように異なると考えますか？物語とすべてのキャラクターを分析し、最適な声を導き出すことは、実際に私たちのAIの大きな要素です。ジャンルや言語といった基本的要素から、アクセントやスタイルが決めるリズム、複数キャラクターの相互作用によるシーンの統合まで、ストーリーの基礎層を抽出する集中的なエージェントプロセスを経ます。これらすべてのAI駆動層が実際のキャラクターボイスナレーションに反映されます。これを「マジックモード」と呼び、絵の具の色を混ぜ合わせるようなイメージです。フルヒューマンキャストと結果がどのように異なるかという点では、実際にはコストとワークフローの問題です。ワンクリックで数百ドルという価格は、フルキャストに比べてインディーズ著者や多くの出版社にとって手が届かないため、比較対象にはしていませんでした。品質に関しては、すでにフルキャストと同等に近づいていると考えており、区別がつかないレベルです。Spoken Multi-Castはキャラクター主導のシーンで高評価を受けましたが、説明部分では人間ナレーションの方が優れていました。対話以外のパッセージがAIナレーションにとって特に難しい理由は何ですか？また、そのギャップを埋めるためにどのように取り組んでいますか？実際のところ、非対話パッセージがAIナレーションにとって難しいわけではなく、AIが扱えるダイナミクスの数が人間の声優が扱える数より少ないだけです。単一ナレーターが一つのパッセージに持ち込める抑揚や表現の微細さを考えてみてください。マルチキャストでは、キャラクターごとの個別の音色とそれらを混ぜ合わせるプロセスにより、ダイナミクスの数ははるかに増えます。まさに絵の具の色を混ぜ合わせるようなものです。その結果、マルチキャストシーンは複数人物間の相互作用のリアリティを、単一ナレーターでは実現が難しい形で前面に出すことができます。ギャップを埋めるために、単一ナレーターAIナレーションで使用されるダイナミクスの数は今後も増加し、差は縮小し続けるでしょう。サンプルを聞く前は、AIナレーションのオーディオブックに興味を示した参加者は31％でしたが、Spoken Multi-Castを体験した後は65％に上昇しました。どの要素が彼らの認識を変える上で最も大きく寄与したと考えますか？実際には逆で、調査の設計要素が非常に重要です。65％は抜粋を聞いた後、このナレーションで全体のオーディオブックを聴きたいと答え、AIであることを知らずにでした。その後、一般的にAIでナレーションされたオーディオブックを聴く意向があるかを尋ねたところ、31％が「はい」と答えました。次に、聞いたものがAIかどうかを尋ねたところ、Spoken Multi-CastがAIかもしれないと疑った人は39％で、ヒューマンバージョンを聞いた人の35％が同様にAIかもしれないと考えました。これにより次の質問が浮かびました：この事実をご存知の上で、AIでナレーションされたオーディオブックを聴く意向はありますか？その意向は露出後に43％に上昇し、我々は65％というベンチマークに近づくべくギャップ縮小に積極的に取り組んでいます。アップロードされた原稿をマルチボイスのオーディオブックに変換するエージェントAIワークフローを教えてください。システムが話者を特定し、キャラクターを解釈し、声を割り当て、感情・タイミング・表現を決定するプロセスはどのようになっていますか？このプロセスは特許出願中のため、概要としては非常にエージェント的なプロセスで複数の層を生成することとだけ述べます。2年以上かけて磨き上げたプロセスです。物語の基礎、リズム、シーンの統合、そして最終的に正確なキャラクターボイス（私が「塗装のコート」と呼ぶ）すべてが含まれます。感情的な表現とタイミングのアークを把握することが重要で、これに最も注力しています。ナレーションの準備に使用されるAIは、実際のナレーションに使用されるAIの約5倍の量になることがしばしば驚きです。著者は最終制作に対してどれだけのクリエイティブコントロールを保持していますか？また、AIがキャラクターや発音、感情のビート、物語の意図を誤解した場合に利用できるツールは何ですか？著者は最終制作に対して絶対的なコントロール権を持っています。感情の抑揚、アクセント、声の音色、タイミングなど、すべてを自由に調整できます。私たちの目標は、ワンクリックでできるだけ洗練された結果を提供することです。著者、出版社、プロデューサーが特定のパッセージの配信を細かく指定したい場合は、「Speak It」機能を使ってマイクに話しかけ、希望する配信方法を示すことができ、キャラクターボイスは美しく従います。私たちは、著者が作品の全て、オープニングやエンディングクレジットに使用される声に至るまで、完全な所有権を感じるべきだと考えています。「Made with Spoken」さえも、著者が選択すれば自分自身の声や希望する声を使用します。Spokenは、著者がカスタム生成音声や、使用時に報酬が支払われるプロのナレーターからの承認済みボイスクローンを利用できるようにしています。このモデルでは、同意、所有権、報酬、権利の撤回、そして無断クローンからの保護はどのように組み込まれていますか？私たちは、厳格な倫理規定を遵守するボイスパートナーのみを使用しています。この規定には、無断での声の使用を検出・禁止することが含まれます（特に有名人の声を保護することが重要です）。例えば、ElevenLabsのトップ声優を多数ライブラリに保有しており、これらの声優は著者が使用するたびに報酬が支払われます。AIナレーションは、以前は経済的に成立しなかったタイトルを可能にすることでオーディオブック市場を主に拡大すると考えますか？それとも従来の制作の一部を置き換えるでしょうか？技術が成熟する中で、どの役割が明確に人間のままで残りますか？私たちは、特に新しい鮮やかなマルチキャスト機能により、新たな読者層を呼び込むことで、オーディオブック市場が大幅に拡大すると考えています。最終的には、テクノロジーと人間のハイブリッドが市場を牽引するでしょう。時間が経てば明らかになるでしょうが、この変革は人間の声の才能かAIかという問題よりも、著者・プロデューサーのコントロールと、聴衆の変化し続けるリスニング習慣に関するワークフローの問題になると考えています。Spokenはオーディオブック制作に加えて、出版、発見、ストリーミング、コミュニティ、収益化を統合しています。AIは単に既存のオーディオブック制作プロセスを高速化・低コスト化するだけでなく、ストーリーテリング自体を最終的にどのように変える可能性がありますか？読者やリスナーが「物語に没入する」とはどういうことか？それこそが本質です――キャラクター中心のフィクションへの需要が高まる中、没入型の音声体験を提供することです。最終的に、短編、小説、個人回想録、ファンフィクション、壮大なファンタジーのいずれであっても、鮮やかで自然な配信を高速かつ低コストで作成できることは、長期的に深い影響を与えるでしょう。現在のオーディオブック市場は短期的な機会ですが、ショートフォームや縦型ショート、連載、ファンフィクなどの派生形が結果として繁栄し、私たちはSpoken Multi-CastTMがその中心になることを望んでいます。素晴らしいインタビューをありがとうございました。詳しく知りたい読者はSpokenをご覧ください。
2026年8月31日 2026年8月31日
著者 Antoine Tardif, Unite.AIのCEO兼創設者

Andreea Pleşea, PhD, COO兼共同創業者 Druid AI – インタビューシリーズ
著者 Antoine Tardif, Unite.AIのCEO兼創設者
Andreea Pleşea, PhD, COO兼共同創業者 Druid AI は、ソフトウェアエンジニアリング、エンタープライズテクノロジー、人工知能、オペレーション、カスタマーサクセスにわたるほぼ20年の経験を持つテクノロジーエグゼクティブ兼起業家です。Druid AI を共同設立して以来、Chief Operating Officer、Chief Revenue Officer、Chief Customer Success Officer など、組織全体で複数の上級リーダーシップ役割を務め、エンタープライズソフトウェア企業のスケールにおける技術面と商業面の両方の経験を積んできました。Druid AI に入る前は、TotalSoft にほぼ10年間在籍し、.NET プログラマーからソフトウェア開発マネージャー、最終的には Charisma Business Applications ディレクターへと昇進し、製品開発、導入、テクニカルサポート、ソリューションアーキテクチャ、P&L の責任を統括しました。学術面では、ローマ・トル・ヴェルガタ大学で...
2026年8月27日 2026年8月27日
著者 Antoine Tardif, Unite.AIのCEO兼創設者

Ian Leysen、Datadobi CEO兼共同創業者 – インタビューシリーズ
著者 Antoine Tardif, Unite.AIのCEO兼創設者
Ian Leysen、Datadobi の CEO 兼共同創業者で、ソフトウェアエンジニアリング、品質保証、エンタープライズデータ管理の分野で30年以上の経験を持つテクノロジーエグゼクティブです。2009 年に Datadobi を共同設立する前は、EMC で品質保証シニアマネージャーとして 8 年勤務し、以前は Mediagenix と Wave Research でリーダーシップを務めました。キャリアを通じて、Leysen は高品質なソフトウェアエンジニアリング組織の構築に注力し、ゼロから 3 つの品質保証チームを立ち上げました。Datadobi では、オンプレミス、クラウド、ハイブリッド環境にまたがる非構造化データの管理、ガバナンス、移行、保護を支援する企業向けに事業を統括しています。同社は大規模データ移行に根ざしたサービスから進化し、ベンダーニュートラルなプラットフォーム「StorageMAP」を提供しています。このプラットフォームは、組織が複雑な非構造化データ資産を可視化し制御できるように設計されており、AI イニシアチブ向けにエンタープライズデータを準備する機能も備えています。Datadobi は、急速に増大する非構造化データの可視性と制御性を企業に提供します。同社のソフトウェアは数十億のファイルをスキャンし、古いデータや重複、所有権のギャップ、潜在的リスクを特定するとともに、ガバナンスやアーカイブ、削除、保持の自動ポリシーを支えるメタデータや分類タグを付与します。これは、組織が生成的 AI 用にエンタープライズデータを準備する際に、理解不足や古い情報がノイズやコンプライアンス問題、セキュリティリスクを招く可能性があるため、ますます重要になっています。Datadobi は、価値のある可能性のあるデータセットを特定し、下流の利用向けに整理し、選択した情報をデータレイクやレイクハウスへ移行しながらトレーサビリティとガバナンスを維持することも可能にします。さらに、ストレージコストと炭素影響に関するインサイトを提供し、どのデータを保持すべきか、どこに配置すべきかについて、組織がより賢明な判断を下せるよう支援します。EMC で品質保証を...
2026年8月27日 2026年8月27日
著者 Antoine Tardif, Unite.AIのCEO兼創設者

Adam Gross、HarmonEyes共同創業者兼CEO – インタビューシリーズ
著者 Antoine Tardif, Unite.AIのCEO兼創設者
Adam Grossは、HarmonEyesの共同創業者兼CEOで、医療、金融サービス、データ分析分野でテクノロジー主導の事業を構築・拡大してきた約30年の経験を持つシリアル起業家です。彼は2013年にRightEyeを共同設立し、医療、プロフェッショナルスポーツ、軍事パフォーマンス向けに使用されるアイ・トラッキング技術プラットフォームを開発しました。その後、2024年にDr. Melissa Hunfalvayと共にHarmonEyesを共同設立し、AI駆動のヒューマンステートインテリジェンスへと専門知識を拡張しました。キャリア初期には、医療費削減企業KeyClaimsを共同設立し、2012年にStratose/Zelis Healthcareに買収され、金融分析プラットフォームTrending123.comを共同設立し、2007年にInvestorPlace Mediaに買収されました。また、フィンテック企業KeepMoreを創業し、Eastern ATMを共同設立しました。Eastern ATMは米国東海岸でプライベートATMネットワークを運営し、1998年に買収されました。HarmonEyesは、リアルタイムで眼球運動から個人の認知的、感情的、身体的状態を推測することを目的としたAI基盤モデル「Theia」を開発しています。この技術は、認知負荷、注意、メンタル・レディネス、疲労、ストレス、注意散漫、乗り物酔い、ユーザー認証などのシグナルを測定でき、AIアシスタント、車載システム、拡張現実、防衛、医療、教育、産業安全、ゲーム、マーケットリサーチといった幅広い分野への応用が期待されています。Theiaは、特殊なアイ・トラッキングハードウェアを必要とせず、一般的なカメラ搭載デバイス上でエッジ処理として動作するよう設計されており、HarmonEyesは動画や個人データは保存されないと述べています。同社は技術をRightEyeに遡り、16.3百万件のレコードにわたる5850億以上の眼球運動データポイントを活用した独自の大規模データセットをモデル訓練と人間状態インテリジェンス技術の精緻化に利用しています。2013年にRightEyeを共同設立し、医療、スポーツ、軍事向けのアイ・トラッキング技術を10年以上にわたって開発した後、2024年にHarmonEyesを立ち上げました。この基盤技術とデータセットがヒューマンステートインテリジェンスのより広範な基盤モデルを支えることができると確信した理由、そしてなぜHarmonEyesがそのビジョンに最適な手段だったのかを教えてください。さまざまな分野向けにアイ・トラッキング製品を10年以上開発してきた経験から、HarmonEyesが人間状態インテリジェンスを数十億台のデバイスに提供するというビジョンを促した3つの変化がありました: 過去10年間で、私たちは最大規模の検証済み・ラベル付けされたアイ・トラッキングデータベースを取得しました。このデータベースには、年齢や性別などの人口統計情報、パフォーマンス、注意、感情、視覚および健康状態など、130以上のデータセットが含まれています。 AIの普及に伴い、リアルタイムモデルを訓練する技術が突如利用可能となり、そしてそれを訓練するためのデータも私たちにはありました。アイ・トラッキング信号はカメラで取得されます。最近、初めて消費者向けカメラが性能向上し、より高速・低コストで、これらの信号を抽出できるほど強力になりました。チームのイノベーションにより、現在ではノートパソコン、スマートフォン、タブレット、自動車など、あらゆるカメラ搭載デバイス上でアイ・トラッキングモデルを展開できるようになりました。 Ofcomは、プラットフォームの利用方法を観察する行動的年齢推定と、アクセス許可前に実施できる年齢チェックを区別しています。眼球運動から年齢を推定することは、閲覧履歴やコンテンツの好み、言語、その他の行動シグナルを分析することと、技術的・倫理的にどのように異なるのでしょうか？当社の技術は、対象者の眼球運動のごく小さなサンプルだけで、個人を年齢層に分類したり、特定の年齢より若い/年上であることを確認したりできます。眼球運動データは、非侵襲的かつ継続的に受動的に収集でき、個人を特定できる情報は保存・収集されません。さらに、眼球トラッキングデータは出力が提供された時点で破棄されます。また、ライブネス検出とスプーフィング防止機能も備えており、システムを不正に操作できないようにしています。倫理的には、私たちは個人の行動、習慣、意思決定、好みをプロファイリングしていません。行動推論は時間をかけてその人の行動から像を構築しますが、当社の手法はそうではありません。個人情報を収集・保持せずに年齢保証を提供するため、ユーザーや保護者は追跡やプロファイリングではなく保護されていると安心できます。HarmonEyesが公表した研究では、45,696人の眼球運動を分析し、12の年齢層に対して94.67％の分類精度を報告しています。この精度数値は正確に何を測定しているのか、また、モデルが例えば16歳という特定の閾値以上か以下かを信頼性を持って判断できるようになるまでにどれだけの追加検証が必要か教えてください。この精度は、データセットに追加された任意の人物の眼球運動が、12の年齢層のうち正しい層に分類される確率が94.67％であることを示します。16歳以上か未満かを測定することは、特定の年齢範囲を特定するより負荷が低いです。ただし、研究に使用されたデータは視覚障害や神経系疾患を持つ人を除外しているため、追加の検証では機能しない眼球運動を持つ人々も含める必要があります。開発者がTheiaの年齢推定機能を呼び出す際、普通のカメラで眼球運動を取得してから年齢範囲の結果が返されるまで、技術的に何が起こるか、そしてどの段階が完全にユーザーのデバイス上で実行されるかを教えてください。カメラはまず視線ベクトルを算出し、ユーザーがどこを見ているかを判断します。この視線ベクトルは当社のSDKを通じて処理され、眼球の速度（眼球の動きの速さ）や注視点（眼球が集中している場所）といったアイ・トラッキング特徴量に変換されます。生成された特徴量は機械学習・AIアルゴリズムに入力され、ユーザーの年齢範囲が判定されます。これらすべての処理はエッジベースで行われ、デバイス上で直接実行できるほか、展開戦略に応じてクラウドでも実行可能です。生の眼球トラッキングデータは保持されず、各出力が生成された直後に破棄されます。年齢推定システムは、照明条件、カメラの品質、眼鏡、コンタクトレンズ、眼の状態、障害、民族、デバイスへの距離などにより性能が変わります。これらの変数に対してTheiaをどのようにテストしており、開発者は異なる人口や環境での精度に関するどのような証拠を得られるのでしょうか？年齢推定の精度は条件により変動することは事実です。一般人口向けに年齢保証モデルを提供するため、HarmonEyesはTheiaが責任ある形で使用されるよう、テスト・検証・結果の透明な報告を行っています。これには、より大規模で多様なデータセットを用いてモデルを拡張・一般化することが含まれます。精度率に関するガイダンスを提供し、例えばデータサンプリングレートが低い場合に年齢保証の出力遅延に影響するかどうかを示します。データ品質のさまざまな側面についての考慮とリアルタイムモニタリングを行います。 Theiaは、事前に録画された動画、写真、合成顔、年上の兄弟がチェックを代行する、あるいはユーザーが意図的に視線を変えるといった回避試行に対してどのように防御し、ライブネス検出はSDKに直接組み込まれるのでしょうか？すべてのHarmonEyes年齢保証モデルにはライブネス検出とスプーフィングチェックが組み込まれます。眼球運動は個人固有であり、HarmonEyesはアカウントの眼球運動がそのアカウントを設定した本人と一致しているか、別の人物（例：年上の兄弟）であるかを判定できます。年齢推定モデルは完璧に正確ではなく、特に法的閾値付近のユーザーでは精度が低下します。開発者は不確実な結果にどのように対処すべきか、またTheiaを主要なチェック、リスクシグナル、あるいは特定のユーザーを別の検証手段にエスカレーションさせる層化プロセスの一部として使用することを想定していますか？年齢推定モデルは完璧ではありません。すべての結果に対して信頼度レベルを提供しています。この精度と信頼度が年齢保証を確認するのに十分な場合もありますが、例えば特定の測定に対する信頼度が所定のレベルを下回る場合は、二次検証をトリガーする手段として利用できます。年齢保証モデルは、個人の年齢を検証する複数の手段のうちの一つとして使用でき、複数の手段を満たす必要があります。最終的に、リスク許容度や利用ケースが特定の年齢、年齢範囲、あるいは年齢閾値（例：16歳以下）を必要とするかどうかに応じて、ソリューションが主要チェックになるか層化プロセスになるかが決まります。HarmonEyesは、Theiaがエッジで情報を処理し、出力が提供された後に眼球トラッキングデータを破棄すると述べています。このアーキテクチャを開発者、監査人、規制当局が独立して検証するにはどうすればよいか、また、同社は展開されたアプリケーションから生の眼球トラッキングデータを収集せずにモデルをどのように改善するのか教えてください。当社のモデル開発プロセスおよびその後のモデル改善は、独自の眼球トラッキングパイプライン内で実施されます。顧客データは使用せず、既存（かつ増加中）の検証済みデータを活用しています。これにより、必要に応じてエッジ（クラウド不要）でソリューションを提供できます。このエッジベース環境では、コンピュートリソースとストレージが制限され、デバイス上にデータを保存することはできません。年齢保証の出力は毎秒提供され、ポリシーとして眼球トラッキングデータは毎秒（各出力後）に破棄されます。アーキテクチャに関する主張は、外部で検証できるかどうかが信頼性の鍵であると認識しています。そのため、開発者、監査人、規制当局が展開されたアプリケーションで眼球トラッキングデータが収集・保持されていないことを検証できるよう、サードパーティの認証や証明取得を進めています。英国は高度に効果的なチェックの基準を策定しており、欧州連合はできるだけ個人情報を開示しない匿名の年齢証明システムを強調しています。HarmonEyesは、単なる別形態のバイオメトリック監視を導入するのではなく、これら新たな要件を満たす生理的年齢推定であることをどのように示すのでしょうか？出荷する各モデルには、開発手法、モデル精度、既知の制限事項を記載したホワイトペーパーが付属し、Theiaはライブでリモートテストできるように提供しています。これにより、規制当局や監査人は実際のパフォーマンスを直接評価できます。年齢保証が個別のソーシャルプラットフォームからオペレーティングシステム、アプリストア、デバイスレベルのインフラへと移行する中で、Theiaは技術スタックのどこに位置すべきと考えますか。また、コンシューマーアプリ、ゲーム、ソーシャルメディア、その他年齢制限サービスにおける責任ある導入はどのような形になるでしょうか？当社は年齢保証機能のさまざまな統合を検討しています。Theiaは、ソーシャルメディアプラットフォームなど企業のプライベート技術スタック内、オペレーティングシステムなどデバイスインフラ内、決済ネットワークなど商取引インフラ内、あるいはアプリレベルで直接動作することを想定しています。私たちにとって責任ある導入とは、検証プロセスの透明性、モデル内のデータ多様性を確保し、プライバシーを保ちつつコスト効果的に展開できる正確な年齢保証機能を提供することです。素晴らしいインタビューをありがとうございました。詳しく知りたい読者はHarmonEyesをご覧ください。
2026年8月26日 2026年8月26日
著者 Antoine Tardif, Unite.AIのCEO兼創設者

Nelson Chu、ARCOS Labs創設者兼CEO – インタビューシリーズ
著者 Antoine Tardif, Unite.AIのCEO兼創設者
Nelson Chu、ARCOS Labsの創設者兼CEOであり、金融インフラ、投資、デジタルプラットフォームにわたる経歴を持つ連続起業家・テクノロジーエグゼクティブです。ARCOS Labsを設立する前は、Percentの創設者兼CEOとして8年間勤め、プライベートクレジット市場の近代化を目指すテクノロジープラットフォームを構築し、現在は取締役会長を務めています。キャリアの初期には、シニアや障がい者と支援者をつなぐオンラインプラットフォームMySupportを共同設立し、後にRISE Servicesに買収され、戦略アドバイザリー会社Lumenaryを創業しました。また、BlockFiやRecharge Capitalなどの企業に対しアドバイザーや投資家としても活動しており、金融サービス業界ではBlackRock、Bank of America、Merrill Lynchでの勤務経験があります。ARCOS Labs、Applied Research in Creative Output Synthesis の略称で、生成モデルが著作権で保護された作品やキャラクター、人間の容姿とますます関わる中、AI が責任ある形で動作できるようインフラを開発しています。同社はフォレンジック IP インテリジェンスと権利管理に注力し、AI がクリエイティブ資産をどのように再現・利用しているかを特定・測定し、ライセンスや執行フレームワークを支援する技術を提供します。主力プラットフォームの VN は、クリエイター、スタジオ、タレントエージェンシー、権利者が AI システムによる知的財産の利用をより可視化し、コントロールできるよう設計されており、また ARCOS は...

More Posts

Page 1 of 6612 3 4 5 Next ›Last »