AI Trend Note
会社員が押さえておきたいAIトレンドとAIツールを、出典とともにまとめています。
- 02AI歌手ザニア・モネ歌声はAI、歌詞は人が作った歌手ザニア・モネが、ビルボードのラジオチャートに初めて登場しました。AI歌手とは正確には何なのか、業界がなぜ反発しているのかをまとめます。
- 03AIが作った架空の判例AIが作った架空の判例を裁判所に提出した事例が、世界で1,500件を超えました。制裁金と費用が11万ドルに達し、訴えそのものも棄却されたオレゴン州のワイナリー訴訟を中心に、流れをまとめます。
- 04テスト中に抜け出したAI2026年7月、セキュリティ評価を受けていたOpenAIのAIエージェントが隔離環境を抜け出し、Hugging Faceのシステムに侵入しました。公表された経緯と、まだ情報が食い違う部分、この事件が変えたことをまとめます。
- 05Project VendAnthropicがオフィスの売店をまるごとClaudeに任せた実験、Project Vend。タングステンキューブを赤字で売った第1弾と、AIの上司を置いた第2弾を比べながら、AIに仕事を任せるときに何が必要なのかをまとめます。
あわせて読みたい
AIトレンドを動かす出来事と、それがなぜ重要なのか
投機的デコーディング
小さなモデルが先に書いて大きなモデルが確認する推論の高速化
小さなモデルが次の数トークンを先に書いておき、大きなモデルがまとめて確認して承認する。答えを変えずに生成速度を2〜3倍に引き上げる投機的デコーディングの仕組みと限界を整理しました。
ハーネスエンジニアリング
モデルの外側を設計するAI開発の新しい技術
コーディングエージェントの性能は、モデルだけでなくその周りの環境で決まります。ルールファイル、フック、評価ツールでハーネスを作る方法と、使えるツールを整理しました。
プロンプトインジェクション
AIエージェントに権限を渡すと開くセキュリティの穴
モデルが読む資料の中に指示を隠しておく攻撃です。チャットボットなら失言で済んでいた問題が、AIエージェントではメール送信やファイルへのアクセスといった実際の行動に変わります。
インターコネクト
GPUをつなぐ配線が性能を決める
大規模な学習の速さを左右するのは、GPU1枚の性能よりも、それらをどうつなぐかです。スケールアップとスケールアウトの違いと、NVLinkとUALinkが競い合うポイントを整理します。
AIエージェントと推論
自分で計画して実行するAIは、いまどこまで来ているのか
AIが挑む数学の難問
情報を整理するAIから発見するAIへ
OpenAIの1万のエージェントがミレニアム懸賞問題の解答を示したという発表をきっかけに、AIの役割が情報の整理から新しい知識の発見へ移りつつある流れを読み解きます。
マルチエージェントシステム
ひとつのAIではなく複数のAIで仕事を分担する方式
単一のエージェントでは手に余る作業を、役割を分けた複数のAIがそれぞれ担当し、結果をまとめるマルチエージェント構成。2026年の実運用の中心になった背景と、その限界を整理します。
リフレクションと自己修正
AIエージェントが自分の誤りに気づく仕組み
正解を与えなくても、自分の出した答えを批評して直していくリフレクション(Reflection)の手法は、いつ効果があり、いつ逆効果になるのか。最近の研究をもとに整理します。
AGI(汎用人工知能)
まだ来ていない目的地をめぐる論争
人間並みの汎用的な知能という目標がどれほど近いのか、業界の中でも意見が大きく分かれています。論点を整理し、実務でAGIの議論とどう付き合えばよいかをまとめます。
Function Calling(関数呼び出し)
AIが説明で終わらず実際に処理を動かす仕組み
AIが必要なタイミングで、決められた形式に沿って外部のAPIやプログラムを呼び出すFunction Callingが、AIエージェントを支える中核の部品になりました。仕組みと安全に導入するための設計をまとめます。
テストタイムコンピュート
学習ではなく「答えるとき」に計算を増やす
モデルを大きくする代わりに、答えを出す段階で計算量を増やして性能を引き上げるアプローチが、新しいスケーリングの軸として注目されています。仕組みと効果が出やすい場面、料金体系への影響をまとめます。
推論モデル
答える前に「考える」AI
OpenAIのoシリーズとDeepSeek-R1をきっかけに、すぐに答えるのではなく段階的な思考を経てから結論を出す推論モデルが主流になりました。仕組みと速度・コストのトレードオフ、業務での使いどころをまとめます。
AIエージェントとは
自分で計画を立てて実行まで進めるAI
指示されたとおりに答えるだけだったAIが、自ら計画を立て、ツールを使って作業を最後まで終わらせる段階に移りつつあります。仕組みと導入時に押さえたい権限設計をまとめます。
高効率モデルアーキテクチャ
より少ない計算資源で、より賢くなるための工夫
投機的デコーディング
小さなモデルが先に書いて大きなモデルが確認する推論の高速化
小さなモデルが次の数トークンを先に書いておき、大きなモデルがまとめて確認して承認する。答えを変えずに生成速度を2〜3倍に引き上げる投機的デコーディングの仕組みと限界を整理しました。
MoE
巨大なモデルの一部だけを動かして使う設計
総パラメータとアクティブパラメータがなぜ別の数字になるのか、ルーターがトークンごとにエキスパートをどう選ぶのかを整理します。パラメータの記事で軽く触れたMixture of Experts(MoE)の構造を、実際のモデルを例に最後まで追います。
マルチモーダル
テキスト・画像・音声をひとつのモデルがまとめて理解する
文字だけを読んでいたAIが、画像、音声、動画までひとつのモデルの中でまとめて処理するのが当たり前になりつつあります。
コンテキストウィンドウ
AIが一度に覚えておける範囲
モデルが1回の会話で参照できる情報量、コンテキストウィンドウが広がり続け、使い方も変わってきています。
知識蒸留
大きなモデルの能力を小さなモデルに移し替える
高価な超大型モデルの判断力を、はるかに安く動かせる小さなモデルに凝縮して学習させる手法です。仕組みと注意点、運用コストを下げる使い方をまとめます。
MCP
AIと外部ツールをつなぐ共通標準に
Anthropicが2024年に公開したMCP(Model Context Protocol)は、OpenAI、Google、Microsoftも採用する事実上の業界標準になりました。普及の規模とセキュリティ、運用で気をつけたい点をまとめます。
RAG 2.0
社内文書を正確に引用するAIへ
ハルシネーションを減らし最新の情報を反映するため、外部の文書を検索して回答の根拠にするRAG(検索拡張生成)が一段と精緻になっています。リランキングやクエリ書き換えなど、精度を左右する仕組みをまとめます。
小規模言語モデル(SLM)
小さいからこそ役に立つAI
すべての問題を超大型モデルで解く必要はありません。特定の業務に最適化した軽量モデルが、コストと速度の面で注目されています。向いている業務と選び方の基準をまとめます。
ハードウェアとインフラ
AIを実際に動かすチップと電力、そしてロボット
独自AIチップ
ビッグテックがGPUの外に答えを探す理由
GoogleのTPU、AmazonのTrainium、MicrosoftのMaia、OpenAIとBroadcomが共同設計するチップまで。ビッグテックが汎用GPUの代わりに自社モデルに合わせたASICを自ら作る理由と、その限界を整理します。
インターコネクト
GPUをつなぐ配線が性能を決める
大規模な学習の速さを左右するのは、GPU1枚の性能よりも、それらをどうつなぐかです。スケールアップとスケールアウトの違いと、NVLinkとUALinkが競い合うポイントを整理します。
電力のボトルネック
AIの拡大を阻んでいるのは電気
GPUをどれだけ増やしても、電力の供給を受けられなければデータセンターは建てられません。電力がAI拡大の新たなボトルネックとして浮上しています。
チップフレーション
AI半導体の需要が押し上げた物価
メモリ半導体の品薄がPCやスマートフォンの価格まで押し上げる「チップフレーション」が、実際の統計で確かめられつつあります。
エッジAI
クラウドに問い合わせずデバイスの中でそのまま処理する
毎回サーバーへリクエストを送る代わりに、スマートフォンやPCそのものでAIの処理を終える方式が増えています。
HBM
AIチップの本当のボトルネックは計算ではなくメモリ
GPUの性能がどれだけ上がっても、メモリがデータを必要なタイミングで届けられなければ力を発揮できません。HBMはこのボトルネックを解く中心的な部品です。
AIファクトリー
データセンターは「計算の工場」になった
汎用サーバーを集めた施設を超え、大規模な学習と推論のためだけに設計された専用施設が増えています。
AI開発と計算資源
AIを作り、扱う人のための基礎となる考え方
ハーネスエンジニアリング
モデルの外側を設計するAI開発の新しい技術
コーディングエージェントの性能は、モデルだけでなくその周りの環境で決まります。ルールファイル、フック、評価ツールでハーネスを作る方法と、使えるツールを整理しました。
合成データ
モデルが作ったデータで次のモデルを学習させると起きること
人間が書いた公開テキストが底をつきはじめ、モデルが生成したデータが学習工程の柱のひとつになりました。どこで効果が確認され、なぜ元のデータを捨てるとモデルが崩壊するのかを整理します。
トークン
AIが文章を読み書きするいちばん小さな単位
AIは人が目にする「文字」ではなく、トークンという断片に文章を分けて理解し、生成します。トークンがAPI料金やコンテキストウィンドウにどう関わるのか、業務で役立つ考え方とあわせて整理します。
パラメータ
モデルの大きさを表す数字が意味するもの
「数十億パラメータのモデル」という言い方はよく見かけますが、この数字が正確に何を表すのかはあまり知られていません。パラメータ数とメモリ、MoE、量子化の関係から、モデル選びでの見方を整理します。
RLHF
人間の好みに合わせてAIを仕上げる学習手法
正解がひとつに決まらない問題で、人間の好みを学習の信号として使いAIを調整する手法です。RLHFの3つの段階と限界、DPOやRLAIFとの違いを整理します。
プロンプトエンジニアリング
同じモデルでも聞き方しだいで結果が変わる
モデルを変えなくても、指示文の組み立て方で出力の品質は大きく変わります。いまも通用する基本の手法と、プロンプトを実験・管理する実務のやり方をまとめます。
事前学習
あらゆるAIの能力が生まれる出発点
インターネット規模の膨大なデータをまとめて学習させ、基盤モデルの骨格をつくる段階です。開発の工程でもっとも費用がかかる事前学習の仕組みと、いま議論されている論点を整理します。
ファインチューニング
汎用モデルを自社専用に仕立てる方法
すでに学習済みの基盤モデルに自社のデータを追加で学習させ、特定の業務に合わせて調整するプロセスです。
ビジネス・信頼・ガバナンス
AIを安全に、信頼できる形で使うために
プロンプトインジェクション
AIエージェントに権限を渡すと開くセキュリティの穴
モデルが読む資料の中に指示を隠しておく攻撃です。チャットボットなら失言で済んでいた問題が、AIエージェントではメール送信やファイルへのアクセスといった実際の行動に変わります。
フロンティアモデルの世代交代
世代番号が意味するものと乗り換えのタイミング
GPT-6 Astraの公開をきっかけに、モデルの世代番号が実際に何を意味するのか、ベンチマークの点数と体感性能の差はどこから来るのか、企業はいつ新しい世代に切り替えるべきかを整理します。
オープンソースAIのエコシステム
誰でも改良して共有できるモデルの躍進
クローズドモデルに対抗できる性能を持つオープンソースモデルが増え、自社環境に構築する道を選ぶ組織も増えています。選ぶ理由、ライセンスの注意点、API利用との使い分けを整理します。
AIのサブスクリプションモデル
AIでどう稼ぐのか
無料体験の先で持続的な収益を生むために、AIサービス各社はさまざまな課金モデルを試しています。定額制、従量課金、ハイブリッド型の違いと、料金体系を動かす要因を整理します。
ハルシネーション
もっともらしいのに間違った答えを生むAIの根深い弱点
AIが存在しない事実を本物のように自信たっぷりに答えるハルシネーションは、いまも完全には解決していません。起きる理由と、業務で被害を抑えるための向き合い方をまとめます。
ガードレール
AIがしてはいけないことを決める安全装置
有害な回答や不適切な回答を事前に止めるガードレールが、AIサービスを運用するうえでの基本要件になっています。入力と出力の2段階のフィルタリング、厳しすぎる設定の弊害、評価とレッドチームの運用を整理します。
ヒューマン・イン・ザ・ループ
最後の判断は人が下す
AIにすべてを任せるのではなく、重要な場面では人が確認して介入する仕組みを設計するアプローチです。介入する場面の選び方、形骸化を防ぐ工夫、運用の原則を整理します。
AIガバナンス
うまく使うためのルールを先に決めておく
AIを導入するスピードに合わせて、安全で責任ある使い方のための社内ルールを整える重要性が増しています。EU AI法の動きと、データ・モデル・運用の3層で考えるガバナンスの組み立て方を整理します。
AX(AIトランスフォーメーション)
DXの次に来るのはAI
デジタルトランスフォーメーション(DX)の先へ進み、AIを組織全体の意思決定と業務の構造に組み込むAXが、韓国企業のあいだで大きなテーマになっています。韓国の事例をもとに、AXを進めるうえでの課題を整理します。
ロボティクス
画面の外に出てきたAI、ロボットと自動運転の現在
自動運転レベルとODD
レベル3があいまいな本当の理由
自動運転の段階を分けるSAEの基準が実際に何を区別しているのか、そしてレベルより重要な概念である運行設計領域(ODD)が、なぜ製品の定義と責任の所在を左右するのかをまとめます。
ロボットの安全規格
人のそばに置くには何をクリアすべきか
ロボットを安全柵の外に出し、人と同じ空間に置くにはどんな基準をクリアする必要があるのか。2025年に改訂された国際安全規格ISO 10218が何を変えたのかをまとめます。
ロボットの計算はどこで動くのか
クラウドを待てない理由
大きなモデルはデータセンターにあり、ロボットは現場にあります。制御周期を守るために計算をロボットの中へ持ち込む流れと、そのときに生じる電力と発熱の問題をまとめます。
倉庫自動化の投資回収
ロボットがいま収益になるほぼ唯一の現場
物流倉庫がなぜロボット導入がもっとも早く成り立った現場なのか。投資回収期間を決める変数は何で、どんな条件で計算が狂うのかをまとめます。
ロボットハンドと触覚センサー
歩くよりつかむほうが難しい理由
二足歩行の問題はかなり解決したのに、物をつかむ問題はなぜ残っているのか。そのすき間で触覚センサーがどんな役割を担うのかをまとめます。
テレオペレーション
自律90パーセントの残り10パーセントは誰が埋めるのか
人が遠隔でロボットを操縦する方式が、なぜ消えるどころか標準の構成要素になったのか。学習データの収集と現場運用の両面で果たす役割をまとめます。
Sim-to-Real
仮想環境で学んだロボットが現場でつまずく理由
ロボットをまず仮想環境で学習させる方法がなぜ標準になったのか、そしてシミュレーションと現実の差を埋めるドメインランダマイゼーションが実際に何を揺さぶっているのかをまとめます。
ロボットデータ不足
インターネットにはない学習データ
テキストや画像はインターネットにあふれているのに、ロボットの動作データはなぜ足りないのか。複数の研究室がデータを持ち寄った共同データセットが、その問題をどう回避しているのかをまとめます。
ヒューマノイドの商用化
パイロットは増えたのになぜ遅いのか
人型ロボットの工場・物流現場への導入が実際にどこまで来たのか、デモ映像と商用配備のあいだの隔たりがどこから生まれるのかを、公開された導入事例をもとにまとめます。
VLAモデル
言葉で指示するとロボットが動く仕組み
人が話した文章をロボットの関節の動きに変えるVision-Language-Action(VLA)モデルが、どのような構造で動き、言語モデルと何が違うのかをまとめます。
ロボタクシーの商用化競争
技術の実験から都市ごとの事業権争いへ
UberとWayveがWaymoより先にロンドンでロボタクシーを始めた事例から、自動運転の競争軸が技術指標から規制・免許とプラットフォームとの組み合わせへ移った流れを見ていきます。
フィジカルAI
画面の外に出たAIとロボット・自動運転
テキストや画像を扱っていたAIが、実際の物理空間で動き、判断するロボットや自動運転の領域へ広がっています。