OpenAI、推論抽出対策で攻撃成功率を1%未満に

推論情報を保護

GPT‑6.2 Astraの対策を強化
過去の推論抽出成功率0.2%
現在の推論抽出成功率0.9%

不正蒸留を監視

要求単位と組織単位で検知
週ごとに数千〜数万アカウント対応
業界連携と攻撃検証を継続

OpenAIは、モデルの能力を無断で別モデルに移す「敵対的蒸留」への対策を公表しました。2026年11月20日の説明によると、GPT‑6.2 Astraの保護機能を強化し、適応型のブラックボックス検証で、保護された推論の抽出成功率を各攻撃で1%未満に抑えました。

過去の依頼に対する推論を取り出す攻撃の成功率は、旧GPT‑6 Astraの54.0%からGPT‑6.2 Astraで0.2%に低下しました。現在の依頼から抽出する攻撃では22.9%から0.9%に下がっています。評価は6種類の攻撃モデルを使った集計です。

OpenAIは、最終回答だけでなく、モデル内部の推論過程やツール操作も学習データとして価値があり、悪用されれば安全策の弱いモデルに能力が移る恐れがあると説明しています。社内のサイバー能力移転実験では、要約よりも完全な推論記録を使った学生モデルが、複数の評価で高い性能を示しました。

対策は個々のリクエストに対するモデル挙動、分類器、API制御と、組織的な抽出キャンペーンの調査を組み合わせます。同社は今年、複数の無許可蒸留キャンペーンを確認し、週ごとに数千から数万アカウントに対応したとしています。

OpenAIは、抽出攻撃の記録を回帰テストに使い、固定攻撃と適応型攻撃の両方で防御を検証するよう他社にも提案しています。推論情報の保護、要求単位の制御、キャンペーン調査、導入パートナーとの連携を合わせることが、業界全体の最低限の防御水準を高める鍵となります。

OpenAI、創薬AIの判断力を測る基準公開

創薬研究を再現する評価

99問で化学研究を評価
117論文・特許を活用
761種の分子構造を収録
構造・根拠・選択・予測を測定

強みと課題を可視化

GPT-6.2 Astraが84.5%
構造再現の得点は95.4%
候補選択と数値予測に課題

OpenAIは、医薬品候補を見極めるAIの能力を測るベンチマーク「MedChemBench」を公開しました。公開研究に基づく99問を通じ、分子構造の読み取り、実験結果の解釈、次に試す化合物の選択、性質の予測を評価します。創薬で重要な、分子の変化と実験上のトレードオフをAIが扱えるかを検証する狙いです。

問題は論文や特許117件に基づき、761種の分子構造を含みます。各設問では、研究の途中段階で得られていた標的や研究目的、既に試された化合物、実験結果などをモデルに提示します。評価対象は構造の再現、根拠に沿った科学的説明、候補の順位付けと選択、数値や区分による性質予測の四つです。

xhigh設定での総合成績はGPT-6.2 Astraが84.5%で、GPT-6 Astraの83.3%、GPT-6.1 Solの82.0%、GPT-5.6 Solの58.2%を上回りました。GPT-6 Astraは分子構造の再構成と実験証拠の説明に強く、構造評価では95.4%の得点でした。一方、候補選択と数値予測は難しく、得点はおよそ半分にとどまりました。

例として、がん創薬で研究されるタンパク質PRMT5の阻害剤を扱う設問があります。モデルは関連する三つの化合物について、細胞での阻害活性、細胞障壁の通過しやすさ、肝酵素による分解速度を予測します。後から得られた実験では、化合物23は低濃度で阻害する一方、化合物24は通過性が高く、分解も遅いという性質の違いが示されました。

OpenAIは、分子の小さな構造差が複数の性質に異なる影響を及ぼす点を、創薬化学の難しさとして説明しています。ベンチマークでは測定値との近さに応じた部分点を与え、設問中に示された測定値を正しく再現できるかも確認します。構造そのものを誤ると、その後の分析対象も変わるため、正確な分子表現が基礎になります。

ただし、今回の結果だけでAIが新薬を発見したり、研究室の意思決定を改善したりできるとは結論づけられません。公開資料を事前学習などで知っていた可能性を排除できず、各回答はツールやフィードバック、新たな実験なしの一回限りです。過去の証拠に基づく推論を測るこの評価は、モデルの進歩と残る課題を切り分ける材料となります。

Watch Duty、Geminiで山火事の夜間検知を迅速化

無線の雑音を処理

VHF無線を自動文字起こし
誤認識率を38%から22%に
400回線を毎日処理

避難警報を前倒し

検知信号は30秒以内
夜間の火災を初めて警報
利用者満足度が92%に

米国の非営利火災情報アプリWatch Dutyは2026年7月、ワシントン州で夜間に発生したレイルロード火災を無線音声から検知し、初めて夜間の緊急警報を利用者に送りました。GoogleのGeminiを使うツールが雑音の多い消防無線を30秒以内に文字起こしし、担当者の確認と住民への避難通知を早めました。

山火事の初期情報は、今もエンジン音や風、静電気ノイズが混じるアナログVHF無線で伝わる地域があります。Watch Dutyの記者は最大20の回線を手作業で監視しており、誰も聞いていない間に火災情報を逃す懸念がありました。

Google.org Fellowshipを通じ、Googleの技術者と研究者がWatch Dutyに6カ月間常駐し、過去の無線録音2万時間超を使ってGeminiベースの仕組みを開発しました。雑音を抑え、消防用語を検索できるテキストに変換することで、ボランティアが事案の確認と警報発信に集中しやすくします。

Googleによると、このツールは劣化したVHF音声の単語誤認識率を38%から22.34%に下げました。約400の稼働回線から毎日200時間超の音声を文字起こしし、1万回線超への対応を想定して設計・試験されています。ボランティア記者の文字起こしツールへの満足度は35.3%から92.3%に上がったとしています。

同社は2024年にWatch Dutyへ200万ドルと30万ドル分のGoogle Cloudクレジットを提供し、通知基盤の容量拡大なども支援してきました。火災の検知から確認、通知までの時間を縮める取り組みは、住民が避難できる猶予を確保することを狙っています。

Hugging Face、AI実行環境別の調整モデルを公開

利用環境に合わせて学習

3種のエージェント環境で学習
共通の学習手順を公開

精度と効率を改善

Pi環境で成功率39%から55%
1タスク当たりのトークン半減
統合版は複数環境で動作

Hugging Faceは、AIエージェントが使う実際の実行環境に合わせてモデルを追加学習する「ハーネスアダプター」を公開しました。強化学習を対象のエージェント環境内で行い、特定のモデル、ツール、タスクの組み合わせに適応させます。評価では、基盤モデルより高い成功率と少ないトークン使用量を示しました。

開発チームはQwen3.8-27Bを使い、Pi、OpenCode、Hermes AgentそれぞれにLoRAアダプターを学習しました。学習時にはエージェント環境をそのまま動かし、実際に生成されたトークンを記録して最適化します。タスクの収集・生成・検証も含めた再現可能な手順を公開し、各環境向けのアダプターを一つにまとめた統合版も作成しました。

Pi環境でTerminal-Bench 2.1を解かせた初期の例では、基盤モデルの成功率39%が、アダプター適用後に55%へ上がりました。平均トークン数はタスク当たり約2,900から約1,500へ減少しています。記事は、推論やツール呼び出しを抑えながら初回の回答性能を高めた結果だと説明します。

最終評価では、各専門アダプターが学習した環境で、Terminal-Bench 2.1とSWE-bench Proの両方において基盤モデルを上回りました。Pi向けではSWE-bench Proの成功率が39.2%から64.7%に上がり、解けたタスクでのツール呼び出しも大幅に減りました。統合版も3環境すべてで基盤モデルを上回りましたが、専用版の改善幅を一部保てない場合があります。

評価結果は、学習に使った環境とタスクに特化した性能を示すもので、別種の業務へ同じ効果が移るとは限りません。業務自動化タスクでの追加評価では、アダプターは基盤モデルに近い成績でした。Hugging Faceは、より多くのモデルへの適用や、推論モードを含む学習方法の検討を今後の課題に挙げています。

Hugging Face、ローカル向けInkling 2 Miniを公開

小型MoEモデル

総計約260億、稼働時30億パラメーター
中間層を3回巡るループ構造
画像・テキストと100万トークンに対応

ローカル実行を支援

Transformersやllama.cppなどに対応
48ベンチマーク中32項目で優位と報告
可変ループの研究版も公開

Hugging Faceは2026年11月20日、Thinking Machines Labと連携し、ローカル環境向けのマルチモーダルモデル「Inkling 2 Mini」を公開しました。Mixture-of-Experts(MoE)構成で総計約260億、トークンごとの稼働パラメーターは約30億とし、画像とテキストを入力でき、最大100万トークンの文脈に対応します。

モデルは24の物理層を持ち、そのうち中間の12層を3回繰り返して実行します。重みを再利用しながら計算時には48層相当の訪問を行う設計で、Hugging Faceは小規模なローカル構成での利用を想定しています。

配布形式にはNVFP4とMXFP8の専門家重みを含み、推論を速めるDSpark drafterも提供します。実行環境としてTransformers、llama.cpp、MLXをサポートし、データセンター向けにはSGLangも初日から対応するとしています。

Hugging Faceの発表によると、Artificial Analysis Intelligence Index v5などの評価で同クラスの複数モデルと比較し、48ベンチマーク中32項目で優位でした。コーディング、ツール利用、視覚理解、推論、安全性などを含む結果ですが、同社自身も一部比較は追加検証が必要と記しています。

固定3回ループの通常版に加え、ループ回数を1回や2回に変更できる研究用モデルも公開されました。ループ数を減らせば推論は速くなる一方、生成品質がやや下がる可能性があり、十分な評価はこれからです。

AI仲介網に200万件の罠、機密情報漏えいを確認

供給網を追跡

AI仲介サービスを調査
未使用の偽資格情報を投入
漏えい経路を特定する設計

プライバシーの懸念

機密情報の流出を確認
仲介網の管理が課題
利用者データ保護に懸念

研究者HDムーア氏は、AIサービスの広い仲介ネットワークに200万件のデジタル「カナリア」を仕込み、プロンプトに含まれる機密情報がどこへ流れるかを調べました。実験では、機密情報が網の目をすり抜けるように漏れていたことが判明し、AIサービス供給網のプライバシーリスクが浮き彫りになりました。

多くのAIアプリはOpenRouterやVercelのような「AIルーター」を使い、価格やタスクへの適合性に応じて推論モデルへプロンプトを振り分けます。開発者が大手モデル提供元と直接契約せず仲介業者を利用するため、情報は複数サービスを経由する場合があります。

ムーア氏は空のAWSアカウントに結び付いたアクセスキー、SSHなどのパスワード、固有のURLやDNS名、非公開Gitリポジトリの参照情報を用意しました。これらは未使用で、各秘密情報を一つのプロンプトにだけ投入し、認証情報が使われた際に検知できる受け皿も自ら管理しました。

カナリアごとに固有の値を用いることで、情報が漏れた場合に供給網のどの段階が関与したかを追跡する設計です。記事が示す実験結果は、AIルーターを含むサービス間でのプロンプト盗用やセキュリティ侵害、プライバシー侵害への警戒を促します。

T-Mobile、顧客対応AIの情報を絞り精度改善

大量の文書が裏目に

矛盾する案内が誤回答の一因
知識グラフは検索に時間
質問の曖昧さで経路を誤る

高速な案内と監視

頻出表現を検索表に登録
意図確認後に担当AIへ転送
別モデルが全対話を監視

T-Mobileは顧客対応AIに社内文書を大量に与えた結果、かえって誤回答が起きたと明らかにしました。サポート資料に矛盾する案内があり、顧客の言葉が複数の手続きに当てはまるため、AIが誤った経路を選ぶことがありました。同社は情報を事前に絞り、頻出する質問表現と対応先を結ぶ検索表へ切り替えています。

同社のCIO、Jeff Simon氏によると、初期の試みでは大きなコンテキスト窓に顧客サポート資料をまとめて読み込ませましたが、期待通りに機能しませんでした。次に導入した知識グラフも、顧客対応中にエージェントが情報を探すのに時間がかかり、質問の解釈を誤ると別の経路に迷い込む問題がありました。

現在はキー・バリュー型データベースに検索表を置き、顧客がよく使う言い回しを、次に進むべき処理へ対応づけています。新しい表現が現れれば表を更新し、振り分け役のエージェントが顧客の意図を確認してから、該当する情報を持つ担当エージェントへ依頼します。T-Mobileは、この仕組みが高速で応答性と拡張性に優れると説明しています。

同社はチャットや音声の各対話で、本番モデルと並行して小型言語モデルも動かし、誤回答や顧客の怒りを検知して人の確認につなげます。過去には、情報検索中にモデルが存在しない保留音を作り出す問題も見つかり、プロンプトで生成しないよう指示しました。二つ目のモデルの運用には費用がかかりますが、想定外の質問表現も把握するために必要だとしています。

VentureBeatが実施した調査では、企業データを扱うAIエージェントを導入した回答者の78%が、過去6カ月に不足または不整合な業務文脈に起因する、確信を伴う誤回答を少なくとも一度経験したと答えました。経験者のうち、誤情報が外部に伝わったり、公式報告に載ったり、判断や行動の取り消しにつながったケースも報告されています。企業がエージェントを構築する際は、必要な情報をどう選び、誤りをどう検知するかが実務上の課題です。

Hebbia、金融調査でGPT-6の資料作成力を検証

根拠の追跡性

必要な情報源の引用で13.6ポイント差
引用抜粋の99.5%が質問に関連
出典文書と該当箇所を確認可能

資料作成の品質

要件の97.9%を満たす
最良の他モデルに14.4ポイント差
指示順守と見栄えでともに首位

金融調査プラットフォームを手がけるHebbiaは、OpenAIのGPT‑6 Astraを使ったテストで、必要な情報源の特定とプレゼン資料作成の両面に改善を確認したと発表しました。銀行員が大量の財務資料や契約書を調べ、出典を追跡できる調査結果や顧客向け資料を作る作業を想定しています。

Hebbiaの評価では、質問に必要な種類の情報源を引用する指標で、GPT‑6 Astraはテストした最良の他モデルを13.6ポイント上回りました。引用した抜粋の99.5%が質問に関連していたとしています。

プレゼン資料では、適用される要件の97.9%を満たし、要件順守の指標で最良の他モデルを14.4ポイント上回りました。同社によると、GPT‑6 Astraは指示への適合と資料の仕上がりの両方で首位でした。

テストは2026年8〜9月にリリース前のモデルを使って実施され、各モデルに同じ金融調査ケースと採点基準を適用しました。基準は分野の専門家が作成または原資料に照らして監査したと説明しています。

HebbiaのMatrixでは、引用を開いて元文書や該当箇所を確認でき、スライドの脚注からも根拠に戻れます。投資判断に使う数値や報告期間を人が点検しやすくし、資料の整形や出典確認にかかる時間を減らすことを目指しています。

Signal、画面のAI読み取り防止へスクリーンショット制限

モバイルで制限

iOS 27とAndroidで撮影を制限
SiriやGeminiの画面読み取りを抑制
設定で撮影機能を再有効化可能

OS側に対策要請

ファイル経由などの取得は残る
macOSでは保護を実装できず
開発者向け制御と文書を要望

暗号化メッセージアプリのSignalは、iOS 27とAndroid版アプリでスクリーンショットを制限し、OS搭載AIが画面上の会話を読み取ることを防ぐ対策を導入します。Signalのメリディス・ウィテカー社長は、OSのAI機能が画面情報を解析することで、アプリ単独ではプライバシーを保証しにくくなっていると説明しました。

Signalの制限により、SiriやGeminiなどのアシスタントが画面に表示されたメッセージを読む経路を抑えます。ユーザーはアプリ設定からスクリーンショットを再び許可できますが、その場合は自分や相手の会話がAIに見られる可能性があると同社は注意を促しています。

Signal自身も、この方法は不完全だと認めています。AIが端末のファイルシステムなど別の経路でアプリデータを取得する可能性には対応できず、AIエージェントがデータにアクセスする仕組みについて開発者が得られる情報も不足しているとしています。

同社は、macOSでは必要な保護機能を実装できていないと説明し、Apple、Google、Microsoftに対して、アプリ開発者がAIによるデータアクセスを簡単に制御できる技術手段と正確な文書を求めました。アプリのアクセシビリティ機能を介して第三者エージェントが情報に触れる問題にも対策が必要だとしています。

Signalは以前、MicrosoftのRecallによる画面取得を防ぐ対応も行いました。今回の制限はモバイル上の画面読み取りを減らす措置であり、OSレベルで開発者がアクセス範囲を管理できる仕組みが整うかが、アプリ上のプライバシー保護に関わります。

MIT、カオス系AI予測を物理的な範囲内に保つ手法

暴走予測を防止

長期予測でも出力の有界性を保証
エネルギー関数と射影層を活用
学習時の罰則に頼らない

幅広い応用を想定

気象や乱流などの予測に適用
複数の物理系で既存手法と比較
論文とコードを公開

MITの研究チームは、カオス系を予測する機械学習モデルの出力を、現実にあり得る範囲内に保つ手法を開発しました。気象や気候、航空機周辺の乱流などでは、長期シミュレーション中に小さな誤差が積み重なり、現実には起こり得ない値へ予測が逸脱する問題があります。

従来の一部手法は、学習時に物理制約を満たすよう罰則や誘因を与えますが、未知の入力を扱う運用時にも制約が守られる保証はありません。MITの手法は、学習時の誘導ではなく、予測時に制約を強制する仕組みを組み込みます。

モデルは実際の系に基づくエネルギーに似た関数と、カオス的な挙動が収まる境界を学習します。さらに射影層が予測を調整し、境界の外ではそのエネルギー量が減るようにすることで、軌道が有界領域に引き戻される理論的保証を設けました。

チームは教科書的な例から複雑な多次元系まで複数の物理系で検証しました。従来手法が早期に非現実的な予測へ逸脱する一方、新手法は真の挙動に近い結果を維持したと報告しています。

この方法は気象予測、流体力学、航空、 水文学を含む幅広い用途を想定し、異なるニューラルネットワーク構造にも適用可能な設計です。論文とオープンソースコードが公開されており、研究チームはより大規模で現実的な気象システムでの検証を進める考えです。

Google検索とGeminiに買い物・金融アプリ連携

年末の買い物

米国でConnected Apps展開
Albertsonsなど4社と連携
UCPで注文作成から決済支援

金融と生活支援

Experianで信用情報とローン検索
H&R; Blockで税額や還付額を試算
Angiなど2社は数週間以内に追加

Googleは2026年11月20日、米国の検索とGeminiアプリに新しいConnected Appsを展開し、年末の買い物や手続きを支援すると発表しました。Albertsons、Safeway、Shaw’s、Targetの連携では、食料品の注文作成から決済までを進められます。

食料品アプリは、Googleなどが推進するUniversal Commerce Protocol(UCP)を利用します。感謝祭やホリデーパーティーの準備に向けて、ユーザーが買い物をまとめやすくする狙いです。

金融関連では、ExperianがGeminiに続いて検索にも加わり、米国ユーザーが信用スコアを確認したり、個人ローンを探したりできるようになります。H&R; Blockとの連携では、検索上で税額を計算し、還付額を見積もれます。

さらにGoogleは、数週間以内にAngiとThumbtackのアカウント連携を検索に追加する予定です。水漏れの修理や飾り付けなどを依頼できる地域の専門業者を探しやすくします。

今回の追加により、Google検索とGeminiは商品購入に加え、信用情報の確認や税金の試算、地域サービスの探索にも対応します。提供対象は発表時点で米国ユーザーです。

MITとIBM、少量データでマルチモーダルAIの理解改善

見かけの理解を検証

音声と映像の対応を学習
疑似名で視覚認識を改善
選択肢頼みの評価に警鐘

対話研究を拡張

注釈データを抑えた適応
テスト時強化学習を活用
全二重音声対話を研究

MITとIBMの共同研究チームは、音声・映像・言語を扱うマルチモーダルAIの弱点を調べ、少量の教師データで能力を引き出す手法を開発しています。MITのジム・グラス上級研究員は、モデルが音や画像を本当に理解しているかを測るベンチマークを公開し、巨大モデルの規模拡大だけに頼らず性能を改善する狙いを説明しました。

初期の研究では、音声と画像、映像と音声の一致・不一致例をモデルに示し、言葉で詳しく教えずに対応関係を学ばせました。近年は既存の大規模マルチモーダルモデルが、見た目には流暢でも特定対象の位置を特定できないなどの限界を検証しています。

チームのIPLoc研究では、少数例で物体を探す課題において、既知の単語を別の仮名に置き換える方法を試しました。「飛行機」を「エリザベス」と置き換えることで、モデルが事前知識に頼らず画像の文脈に注意を向けるよう促します。

音声言語モデルの評価では、選択肢式の問題が音声を聞かずに回答を推測する抜け道になる場合があると指摘しました。実際に無作為な雑音を入力しても成績が高い例があり、研究チームは複数種類のベンチマークを使い、音そのものに注意を向ける手法を探っています。

大規模基盤モデルを一から作る資源がないため、チームは既存モデルを弱い教師信号やテスト時強化学習などで適応させています。今後は、相手が話している間にも聞き、応答できる全二重音声対話に注力する計画です。自然な会話に近づける一方、現行モデルには時間の概念や知識の深さなどの課題が残るとしています。

Anthropic、IPOと戦略投資で総額1195億ドル調達

IPOが成立

公開価格は1株83ドル
総額11億2700万株を発行
Anthropicの受取額は約916億ドル

大手7社が出資

私募で約260億ドル調達
AMDやGoogleなど7社が参加
株式はClass N普通株

Anthropicは2026年11月20日、新規株式公開(IPO)の完了を発表しました。公開価格は1株83ドルで、引受会社が追加購入オプションを全て行使した結果、Class A普通株の発行総数は11億2700万株となりました。

このうち同社が売却したのは約11億334万株で、売出株主による株式は約2365万株です。IPOの総収入は費用控除前で約935億ドル、Anthropicが受け取ったのは約916億ドルでした。売出株主の株式売却分は同社の収入に含まれません。

AnthropicはIPOに加え、AMD、Broadcom、Google、Micron、Microsoft、NVIDIA、TSMC Partnersの7社にClass N普通株を私募で販売しました。3億1325万3007株を1株83ドルで売却し、約260億ドルを調達しています。

売出株主分も含むIPOと私募の総収入は、費用控除前で約1195億ドルに達しました。AnthropicのClass A株は11月19日にナスダック・グローバル・セレクト市場で、銘柄コード「ANT」として取引を開始しています。

今回の調達で、公開市場と大手テクノロジー企業から得た資金規模が明らかになりました。AI事業への投資余力を読むうえで、IPOによる同社受取額と私募出資の内訳を分けて見る必要があります。

MIT数学者、AI時代の評価軸に理解と説明を提起

研究の急変

AIが未解決問題にも進出
先着競争の見直し論
証明の人間的理解が課題

評価と教育

説明力を重視する採用
学術誌への投稿が急増
AIを使わない選択も尊重
新しい数学者像の可能性

MITは2026年11月、数学研究における人工知能の影響を議論する公開パネルを開き、MIT、ハーバード、ノースウェスタン、ニューヨーク大学の数学者が参加しました。AIエージェントが未解決問題にも取り組み始めたなか、登壇者らは証明の正しさだけでなく、人間が内容を理解し説明できることを重視すべきだと論じました。

議論の背景には、2025年の国際数学オリンピックでのAIの金メダル級成績や、2026年にOpenAIが多数のエージェントでナビエ・ストークス方程式に関する証明を公表した動きがあります。続いてAIを使った多数の論文が公開され、成果の信頼性や研究者への功績配分、データの扱いをめぐる論争が起きました。

ハーバード大のマイケル・ホプキンス教授は、AI生成の証明には理解しがたい議論があると指摘しました。ニューヨーク大のトリスタン・バックマスター教授も、数学には人間による理解が必要だと述べ、ノースウェスタン大のブリーナ・クラ教授は「誰が先か」より理解の評価方法を考えるべきだと提案しました。

クラ教授は、証明に至る過程を伝える力が今後さらに重要になると話しました。採用や昇進でも論文だけでなく、本人が着想を理解し他者に説明できるかを確かめる面接の比重が高まる可能性があります。AI支援の投稿増加を受け、説明を重視する学術誌や、数学講演を映像で扱う査読誌も登場しています。

教育現場では、AIを使う学生と使わない学生の双方を支える必要があるとホプキンス教授は述べました。好奇心を起点にAIから洞察を引き出す人材など、新しい数学者像が生まれる可能性もあります。登壇者らは、学生に数学を続け、創造性や伝達の方法を探るよう呼びかけました。

トランプ氏、海外のAIデータセンターに重税示唆

海外建設をけん制

米企業の国外建設を抑制
実施すれば「巨額の税」
具体策は示さず

国内でも立地に制約

州や自治体で新設制限
議会での実現は不透明
海外移転の選択肢を圧迫

ドナルド・トランプ米大統領は、米国外にデータセンターを建設する企業に「巨額の税」を課す考えを示しました。中国の習近平国家主席、ロシアのウラジーミル・プーチン大統領との首脳会談後の記者会見で、国内企業による海外建設を認めないと発言しました。AI向け施設の建設をめぐり、国内の自治体が新設を制限するなかで、国外移転をけん制する狙いです。

トランプ氏は、半導体などの生産が国外へ移ったことが米国に損害を与えたと主張し、データセンターも同じ流れにさせないと述べました。国外に建設すること自体は可能だが、その場合には大きな税を課すとしています。ただし、対象企業や税率、実施時期、制度の根拠など具体的な内容は明らかにしていません。

同氏は、今回の考えを政権内にも事前に伝えていなかったと説明し、会見の場で初めて公にしました。米国各地ではデータセンター建設への反発が強まり、州や自治体が計画の一時停止や新たな規制を設けています。国内で建設が難しくなれば企業が海外を検討する可能性があり、税の脅しはその選択肢を不利にするものです。

政策の実現性には不透明さが残ります。報道によると、数カ月後には民主党が多数を占める新議会が発足する見込みで、法案化や成立には議会の協力が必要になる可能性があります。データセンター建設は与野党を問わず不人気な課題になっており、トランプ氏の発言が具体的な政策に結びつくかは分かっていません。

Meta、AI施設増設で2030年排出目標を再検討

排出量が急増

2025年は2170万トン超
前年比で約39%増加
主因はサーバーなど設備

目標時期を見直し

2030年実質ゼロを再評価
AI基盤需要が想定超え
天然ガス電源も課題

Metaは2026年11月19日公表のサステナビリティ報告書で、温室効果ガス排出の実質ゼロを目指す2030年の目標時期や中間目標を再評価すると明らかにしました。AIインフラ需要が予測を上回り、データセンターの建設が進むなか、運用の実態に合わせて計画を見直すとしています。

同社の排出量は二酸化炭素換算で2024年の1560万トンから、2025年には2170万トン超へ増加しました。報告書は増加の大部分を、データセンター用サーバーなどの資本財に結び付けています。

Metaのデータセンター担当幹部らは、長期的な環境目標は変わっていないとしつつ、実施時期や段階的な達成指標を見直すと説明しました。記事によると、2030年目標の再検討を公にした点は、従来目標を維持しているAmazon、Google、Microsoftと対照的です。

大手各社は再生可能エネルギーへの投資を進める一方、AIデータセンターの電力需要に対応するため、天然ガス発電に依存する施設も建設しています。インフラの拡大と排出削減をどう両立するかが、各社共通の課題になっています。

Metaは目標の再評価後も、進捗を年ごとに透明性を保って示す方針です。経営側にとっては、計算資源の拡張計画だけでなく、電源構成や設備調達に伴う排出の管理も、AI事業の持続性を左右する論点となります。

SpaceX、宇宙データセンター向け半導体の融資に壁

担保回収が困難

衛星上の半導体は回収困難
融資側が用途を懸念
400億ドル規模の調達

採算性の課題

地上拠点の建設を優先
電力と用地の確保難
再使用ロケットが前提
Googleは自社TPUを計画

SpaceXが宇宙データセンター構想を進めるなか、半導体の購入資金をどう調達するかが課題になっています。2026年11月、英フィナンシャル・タイムズの報道によると、同社の400億ドル規模の半導体融資を担う貸し手は、購入したチップを軌道上の施設に使わないよう求めました。地上なら担保のチップを回収・転売できますが、衛星に搭載した機器は回収が難しいためです。

ただし、融資側が用途制限をSpaceXに受け入れさせたかは明らかでありません。データセンター向け融資では、チップを担保にすることで借り手の調達費用を抑えます。中古品にも価値が残り、記事が引用する調査では一部のNvidia製H100は2023年の購入価格の約半額、H200の一部構成は2024年の発売時と同程度で取引されています。

SpaceXは当面、地上の拠点で計算能力を増強しています。イーロン・マスク最高経営責任者は決算説明で、発電機向けタービンブレードの鋳造などを加速するため、ロケット部門の技術者を投入していると説明しました。一方、用地や電力の確保、地域の反対、需要の見通しは地上計画にも残る課題です。

マスク氏は2026年初め、2〜3年以内に宇宙がデータセンターの最も安価な運用場所になるとの見方を示しました。その実現にはStarshipの完全再使用が必要ですが、直近の飛行試験ではブースター回収に失敗し、次回の飛行時期や再使用コストも不透明です。

宇宙データセンターを目指すSpaceXや新興企業も、地上施設と同様に半導体を調達しなければなりません。GoogleはProject Suncatcherで自社TPUの宇宙配備を進める一方、SpaceXとTeslaの半導体工場計画Terafabは未着工で、量産には数年と数十億ドルが必要とされています。

NVIDIA、黄氏退任後も統治問題と復帰論が続く

退任の背景

WIREDは取締役会関係者の証言を報道
主因は不誠実な説明との見方
中国情報機関との関係は未確認

社内外の波紋

取締役会は復帰要求を抑制
従業員らから再任を求める声
調査の透明性に不満も

事業への影響

輸出規制を巡り政府が調査
株主訴訟と統治批判が発生

NVIDIAのジェンセン・ファン氏の退任を巡り、取締役会の判断や調査の透明性への関心が続いています。WIREDは11月20日、取締役会の議論を知る関係者の話として、退任を促した主因は中国の情報機関との関係疑惑そのものではなく、ファン氏の説明の不誠実さだったと報じました。

報道によると、取締役らは2025年以降、シンガポールのデータセンター企業Megaspeedで働いていたAlice Huang氏との関係について質問していました。ファン氏は当時、不適切な関係を否定したとされ、後に関係を認めたといいます。一方、中国外務省はAlice Huang氏がスパイだったとの主張を否定しており、関係の有無は確認されていません。

取締役会はファン氏の行動が社内規範に反したとして復帰論を抑えていますが、従業員や支持者の一部は再任を求めています。11月18日の全社集会では、暫定CEOのコレット・クレス氏が株価下落などへの懸念に触れたものの、調査結果を共有する約束はしなかったと報じられました。

TechCrunchのポッドキャスト記事は、CEO退任後のNVIDIAが好調な決算を発表する一方、中国でのH200販売を停止し、ファン氏再任の要求を退けたと伝えています。米政府機関は同社製チップの中国流入や輸出規制順守を調べており、法務責任者も議会で証言する予定とWIREDは報じました。

NVIDIAとファン氏は、Alice Huang氏やMegaspeedとの取引に関する説明を巡る株主訴訟にも直面しています。経営陣の監督や取締役会の説明責任が問われるなか、退任の経緯と調査内容をどこまで明らかにするかが焦点です。

Spotify創業者が英核融合新興企業に出資

独自の開発方針

AI研究者が2月に創業
シミュレーションとデータ重視
パルス電力方式を採用

核融合の電力利用へ

Daniel Ek氏が支援
送電網向け発電所は未実現
脱炭素電源への期待

Spotify創業者のDaniel Ek氏が、英国の核融合発電スタートアップEuropa Fusionを支援しています。AI研究者のNantas Nardelli氏が2月に創業した同社は、装置を使った実験を重ねる従来型の開発に比べ、シミュレーションとデータを重視する方針です。核融合炉の実現に向けた独自の進め方が注目されます。

Nardelli氏はGoogle DeepMind、Facebook AI Research、Microsoft Research Cambridgeなどで経験を積み、直近では核融合企業Pacific Fusionの機械学習部門を率いていました。報道によると、同氏はPacific Fusionのような装置中心の取り組みより、計算とデータに投資すべきだと考えていたといいます。Europa Fusionは設立前から構想を練っていたと関係者が説明しています。

Europa FusionはPacific Fusionと同じく、パルス電力方式を採用します。大電流を精密なタイミングで一気に流し、燃料を圧縮して原子核を融合させ、エネルギーを取り出す方式です。核融合反応を起こすには、極めて大きな電力と精密な制御が必要になります。

核融合発電は、実用化すれば燃料供給が豊富で、発電時に温室効果ガスを増やさない電源となる可能性があります。一方、現時点で送電網に電力を供給できる発電所は実現していません。AIの電力需要を補う可能性も期待されますが、商用化までには技術的な課題が残ります。

気候変動対策への関心が、Nardelli氏がAIから核融合へ軸足を移した背景にあると記事は伝えています。同氏は自身のウェブサイトで、電子工学と制御工学を出発点にロボットを製作していたと説明し、気候変動を解決する時だと述べています。Europa Fusionが計算中心の設計で開発をどこまで進められるかが焦点です。

Anthropic数学者がClaudeとリーマン予想証明を主張

独立検証はこれから

Leanで形式化した証明
数学界の検証待ち
賞の審査は未申請

AI数学の広がり

Claudeとの協働を説明
一般化リーマン予想にも言及
人間が読める解説が課題

Anthropicの数学者レベント・アルポーゲ氏は11月20日、生成AI「Claude」と協働し、1859年から未解決のリーマン予想を証明したとする文書を公開しました。議論をLeanで形式化したとしていますが、独立した検証は済んでおらず、数学界の評価が焦点です。

リーマン予想は素数の分布に関わる重要問題で、クレイ数学研究所のミレニアム懸賞問題の一つです。解決が認められるには、論文公表後に少なくとも2年間の審査を経て、数学界で広く受け入れられる必要があります。

アルポーゲ氏は自身の文書で、Claudeとの対話を通じて証明の論点を組み立てたと説明しました。手法は一般化リーマン予想にも拡張できると主張していますが、現時点で同研究所による受理や賞の認定はありません。

Leanによる形式化は、証明を機械的に検査できる形にするものです。ただし、形式的な検証と、数学者が論理や意義を理解できる説明は別の課題で、専門家らは内容を読み解いている段階です。

同じ日にスタンフォード大学の研究者らは、別の数学者が一般化リーマン予想の証明を公表したと紹介しました。こちらは本人が12年取り組んだ人間による研究とされ、AIを用いた今回の主張とともに、数学でのAI活用や成果の評価方法が改めて問われています。