1億4000万のAIエージェントが職探し

Anthropicは、2027年までに1万人のAIエンジニアを育成するプログラム「Claude Frontier Academy」を立ち上げるために1億ドルを投じます。この取り組みは単独で行われるものではなく、AccentureやMorgan Stanleyといった大手企業とのパートナーシップを通じて、AI活用能力を高め、これらのテクノロジーを企業の技術スタックに統合することを目指しています。

これは典型的な市場創造の動きです。複雑で高価なツールを、それを実装する社内人材がいない企業に売ることはできません。1万人のエンジニアの教育を助成することで、Anthropicは実質的に将来の顧客基盤を事前認定し、Claudeが企業インフラのデフォルトモデルであり続けることを確実にしています。

企業リーダーにとってのメッセージは明確です。ベンダーは、あなたがチームのスキルアップを待つのにうんざりしています。助成されたトレーニングを受け、社内能力を構築し、APIコールを外部コンサルタントに頼るのをやめましょう。

Prime Inferenceは現在、Prime IntellectのGPUクラスター上で、フロンティアオープンソースモデル向けに堅牢なインフラを提供し、毎日約1兆トークンを内部処理しています。このセットアップは、大規模な強化学習の展開、合成データ生成、評価、長期実行のコーディングエージェントなど、すでに膨大なワークロードを支えています。

この1年間、オープンウェイトモデルが信頼性においてクローズドAPIと競争できるかどうかを議論してきましたが、1日1兆トークンという規模がその議論に終止符を打ちます。この高速で信頼性の高いサービス提供規模は、チームがインフラの負荷を心配することなく、オープンモデル上で重厚なエージェントワークフローを構築できることを意味します。

オープンソースのサービス提供は本番環境には脆すぎると考えて、まだクローズドAPIをデフォルトにしているなら、あなたのアーキテクチャは時代遅れです。インフラ層は追いついており、重いワークロードを適切にルーティングする時が来ています。

Aleph Alphaは、781億のパラメータを持つオープンウェイトの英語・ドイツ語対応MoEモデル「Kolibri」をリリースしました。ツール呼び出しをサポートし、100万トークンの巨大なコンテキストウィンドウを特徴としています。主権的でミッションクリティカルな作業向けに構築されており、非常に寛容なApache 2.0ライセンスでHugging Faceで利用可能です。

このリリースが重要なのは、データ主権と高性能という特定の交差点をターゲットにしているからです。ヨーロッパの企業や政府機関は、ライセンスの問題やデータプライバシーの懸念なしにローカルで実行できるフロンティアクラスのモデルを求めていました。

Kolibriはその空白を完璧に埋めます。ヨーロッパ市場や高度に規制された業界向けに構築している場合、このモデルは評価の基準となるでしょう。

オーストラリアはAI主権を積極的に推進しており、重要な能力を外部企業に依存することは戦略的な脆弱性であると主張しています。提案されている解決策は、大規模なフロンティアシステムではなく、より小さく専門化されたAIモデルに焦点を当てています。これらの小型モデルは、適応性、費用対効果、ガバナンスの容易さにおいて実用的な利点を提供します。

目標は、単一プロバイダーへの依存に陥ることなく、管理された相互依存を促進することです。国の重要なインフラが外国のテック企業のリリーススケジュールや利用ポリシーに縛られている場合、主権を維持することはできません。

これは公共部門の調達における大きな変化を示しています。政府契約を狙う開発者は、大規模な商用APIをラップするのではなく、高度に専門化されたローカルホスト型の小型モデルを展開する方向に転換する必要があります。

AI21は、1万GPUのフリート管理方法を刷新し、アドホックな容量交渉をKueueによる共有Google Cloudクラスター全体での公平なスケジューリングに置き換えました。Google Cloudのケーススタディによると、このキューベース管理への移行により、優先度の高いワークロードの開始が83%早まりました。

1万GPU規模で運用する場合、インフラの効率性は収益性と破産を分けるものです。アドホックなリソース割り当ては必然的にボトルネック、アイドル状態のシリコン、そして順番待ちでイライラする研究チームにつながります。

厳格なキューイングシステムを導入することで、容量計画から人為的な要素が排除されます。もしあなたのチームがまだSlackで次のH100ノードを誰が使うかで議論しているなら、時間と費用を無駄にしています。

UniEvo-VLと呼ばれる新しいシステムにより、単一のマルチモーダルモデルが教師と生徒の両方の役割を果たすことができるようになりました。このモデルは自身の批判を特権情報として利用し、別途のより大きなモデルに宿題を採点させることなく、テスト時に自己改善を可能にします。

これはマルチモーダルトレーニングにおける最大のボトルネックの一つである、外部または人間によるフィードバックループへの依存を解決します。モデルが自身の批判を確実に生成し、それを使ってリアルタイムで出力を改善できるなら、アライメントとファインチューニングのコストは劇的に削減されます。

研究者はこのアーキテクチャに注目すべきです。自己批判メカニズムは、次世代モデルにとって急速に不可欠な要素になりつつあります。

Metaは、自社のAIエージェント「Muse」をカスタムガジェットに統合するために必要なコードを正式にオープンソース化しました。これにより、ハードウェアハッカーやインディーズ開発者は、ゼロから始めることなく、Metaの知能を物理デバイスに直接組み込むことができます。

これは純粋なディストリビューション戦略です。ハードウェア統合の摩擦を取り除くことで、Metaはメーカーコミュニティ全体を自社の外部R&D部門に変えています。彼らはMuseを次世代スマートハードウェアのデフォルトの頭脳にしたいと考えています。

もしあなたがはんだごてとAI搭載デバイスのアイデアを持っているなら、Metaは無料でソフトウェアスタックを提供してくれました。さあ、作り始めましょう。

Googleは、外部から検証可能なプライバシー保証を提供する新しいフェデレーテッドラーニングシステムを導入しました。重要なのは、このシステムが重い計算をサーバーに移行させることで、ネットワーク全体のトレーニング速度、精度、デバイスカバレッジを向上させる点です。

これまで、フェデレーテッドラーニングは、プライバシーを確保するために弱いエッジデバイスで計算を行うという厳しいトレードオフを強いられ、その結果、パフォーマンスが著しく低下していました。データをプライベートに保ちながら計算をサーバーに移行することで、Googleは分散型トレーニングの核となるボトルネックを解決しました。

これは、フェデレーテッドラーニングを企業アプリケーションで最終的に実現可能にするインフラです。このアーキテクチャに基づいて構築されたプライバシーファーストのAI製品が急増すると予想されます。

Metaは数学者と提携し、未解決の数学研究問題に取り組んでいます。このプロセスでは、MetaのMuse Spark AIモデルが支援に活用されます。このコラボレーションは、厳密な形式的推論においてAIが達成できることの限界を押し広げることを目指しています。

これは典型的なAIベンチマークとは大きく異なります。未解決の数学問題を解くには、深い論理的飛躍と幻覚に対するゼロトレランスが求められます。もしMuse Sparkが新しい数学的証明の生成を一貫して支援できるなら、それはモデルが単純なパターンマッチングをはるかに超える推論レベルを持っていることを証明します。

この分野に注目してください。形式数学を征服するモデルは、最終的に完璧で数学的に証明されたソフトウェアコードを書くモデルと同じになるでしょう。