GPU（ハードウェア）に関するニュース一覧

NVIDIAは同社初の自社設計CPU「Vera」の出荷を開始しました。5月16日、最初のVera CPUがAnthropic、OpenAI、SpaceXAIの3社に届けられ、翌月曜にはOracle Cloud Infrastructure（OCI）にも納入されました。NVIDIAのハイパースケール担当副社長Ian Buck氏が自ら各社を訪問し、手渡しで引き渡しを行っています。

VeraはエージェントAIのワークロードに特化して設計された新しいクラスのCPUです。AIエージェントはGPUだけでは動作せず、サンドボックスの実行やツール呼び出し、オーケストレーション、長文コンテキストの検索など、CPU側の処理が不可欠です。Veraは88基のNVIDIA独自設計Olympusコア、1.2TB/sのメモリ帯域幅、従来比50%高速なコア当たり性能を備え、こうした並行処理の負荷に対応します。

Anthropicの計算基盤責任者James Bradbury氏は「エージェントワークロードの解決においてVeraはエコシステムの有望な一部」と評価しました。OCIは2026年中に数十万台規模のVera CPU導入を計画しており、クラウドプロバイダーとしてハイパースケール展開を行う最初の企業となります。SpaceXAIは強化学習やエージェントベースのシミュレーションパイプラインでの活用を検討しています。

VeraはNVIDIAの次世代Rubin GPUやBlueField 4 DPUと連携する統合アーキテクチャの一部でもあります。Vera Rubin NVL72構成ではNVLink-C2Cを介してRubin GPUと統合メモリアーキテクチャを共有し、従来インフラの2倍のエネルギー効率でGPUへのデータ供給を実現します。Jensen Huang CEOが3月のGTCで発表した同製品は、NVIDIAの次なる数十億ドル規模のビジネスと位置付けられています。

NVIDIAとHugging Faceは、大規模動画生成モデルCosmos Predict 2.5をLoRAおよびDoRAで効率的に微調整する手法を公開しました。20億パラメータのモデル全体を再学習する代わりに、注意機構やフィードフォワード層に小規模なアダプタモジュールを注入することで、単一のGPUでも微調整が可能になります。ロボット操作の合成動画生成を主な応用先として、92本の実ロボット動画を使った学習手順が示されています。

微調整にはrectified flowの定式化が用いられ、ノイズサンプルからクリーンデータへ線形に輸送する速度をモデルが学習します。VAE、テキストエンコーダ、DiTの基盤重みはすべて凍結され、LoRAアダプタのパラメータのみが更新されます。数値安定性のため、アダプタの重みはfloat32にキャストされ、bf16混合精度で学習が進みます。

評価では、Sampson誤差による幾何的整合性と、Cosmos Reason2をLLM審査員とした物理的妥当性・指示追従性の3指標が用いられました。微調整前のベースモデルでは、ロボットの手が人間の手に置き換わる幻覚や、指定された手の左右が無視される問題が発生していましたが、LoRA・DoRAによる微調整でこれらが解消されました。

rank 8とrank 32の比較では、高ランクが指示追従性を向上させる一方、幾何的整合性や物理的妥当性はランク8でも十分という結果が得られました。これは物理的な事前知識が凍結された基盤モデルに既に含まれており、アダプタはドメイン固有の外観やタスク構造の学習のみを担うためと分析されています。DoRAは低ランクでの学習安定化に有用ですが、rank 32ではLoRAと同等の性能に収束しました。

イリノイ大学アーバナ・シャンペーン校とスタンフォード大学の研究チームが、マルチエージェントAIシステムの新フレームワーク「RecursiveMAS」を発表しました。従来のマルチエージェントシステムはエージェント間でテキストを生成・共有して連携しますが、これが遅延やトークンコスト増大の主因となっていました。RecursiveMASはテキストの代わりに埋め込み空間（潜在表現）を直接受け渡すことで、この根本的なボトルネックを解消します。

RecursiveMASの中核技術は「RecursiveLink」と呼ばれる軽量な2層モジュールです。各エージェントの最終隠れ層の状態をそのまま次のエージェントの入力埋め込み空間へ変換し、テキストへのデコードを経ずに情報を伝達します。内部用と外部用の2種類があり、異なるモデルアーキテクチャ間でも埋め込み次元を橋渡しできます。基盤モデルの重みは凍結したまま、RecursiveLinkのパラメータ（全体の約0.31%、約1300万パラメータ）のみを学習するため、訓練コストを大幅に抑えられます。

9つのベンチマーク（数学、医療推論、コード生成、検索ベースQA）での評価では、最強のベースラインに対し平均8.3%の精度向上を達成しました。特に推論負荷の高いタスクではTextGradを18.1%上回っています。テキスト生成を省略できるため、エンドツーエンドの推論速度は最大2.4倍に向上し、3ラウンド目のトークン使用量は75.6%削減されました。GPU最大メモリ使用量も最小で、訓練コストはフルファインチューニングの半分以下です。

同一の基盤モデルを使う複数エージェントではバックボーンを共有でき、GPUメモリの重複ロードも不要です。これらの効率改善により、企業のエージェント本番運用で課題となる計算コストの障壁を大きく引き下げます。研究チームはコードと学習済みモデルの重みをApache 2.0ライセンスでオープンソース公開しており、Qwen・Llama-3・Gemma3・Mistralなど主要なオープンモデルでの利用が可能です。

IBMは2026年5月14日、オープンソースの多言語埋め込みモデル「Granite Embedding Multilingual R2」を発表しました。97Mパラメータのコンパクトモデルと311Mパラメータのフルサイズモデルの2種類で、いずれもApache 2.0ライセンスのもと、200以上の言語と9種類のプログラミング言語に対応します。

最大の注目点は97Mパラメータモデルの検索性能です。MTEB多言語検索ベンチマークで60.3を記録し、100M未満のオープンな多言語埋め込みモデルとしては最高スコアとなりました。同規模で次点のmultilingual-e5-smallの50.9を9.4ポイント上回っています。前世代のR1モデルからはアーキテクチャの刷新やトレーニング手法の改良により、12.2ポイントの大幅な改善を実現しています。

技術面では、エンコーダをXLM-RoBERTAからModernBERTに刷新し、コンテキスト長を512トークンから32,768トークンへ64倍に拡大しました。これにより長文文書の検索精度が劇的に向上し、LongEmbedベンチマークでは31.3ポイントの改善を記録しています。法務文書や技術マニュアルなど、実務で扱う長い文書の検索において大きな恩恵をもたらします。

311MモデルはMatryoshka表現学習に対応しており、768次元の埋め込みを256次元に削減してもMTEB多言語検索で0.5ポイント低下にとどまります。ストレージや計算コストを3分の1に抑えつつ高い検索品質を維持できるため、大規模な本番環境への導入に適しています。

企業利用を強く意識した設計も特徴です。MS-MARCOデータセットや非商用ライセンスのデータを使用せず、IBMが独自にキュレーションしたデータで学習しています。sentence-transformersやLangChain、LlamaIndex、Haystack、Milvusといった主要フレームワークにモデル名を1行変更するだけで導入できるため、既存のRAGパイプラインへの組み込みも容易です。ONNX・OpenVINO形式のウェイトも同梱されており、GPUなしでのCPU推論にも対応しています。

Hugging Faceは2026年5月14日、LLM推論における連続バッチ処理（Continuous Batching）を非同期化し、生成速度を22%向上させる手法を技術ブログで公開しました。従来の同期方式ではCPUとGPUが交互に稼働するため、GPU待機時間が全体の約24%に達していたことが問題の背景です。

従来の連続バッチ処理では、CPUがバッチを準備している間GPUは遊休状態となり、GPUが計算している間CPUも待機するという非効率が生じていました。8Bモデルで8Kトークン生成の実験では、全生成時間300.6秒のうち約72秒がGPUのアイドル時間でした。この「交互動作」のボトルネックを解消するために、CPU側のバッチ準備とGPU側の計算を同時に走らせる非同期方式が提案されています。

技術的には3つのCUDAストリーム（ホスト-デバイス転送、計算、デバイス-ホスト転送）を用い、CUDAイベントでストリーム間の依存関係を制御します。バッチNの計算中にバッチN+1の入力をCPU側で準備し、GPUへ転送しておくことで待ち時間をなくす仕組みです。データ競合を避けるため入出力テンソルを2スロット用意し交互に使う「ダブルバッファ」方式を採用しています。

もう1つの課題は、バッチNの出力トークンがバッチN+1の入力に必要な点です。これには「キャリーオーバー」と呼ばれる手法で対処します。バッチN+1の入力にプレースホルダー（値0）を置いておき、バッチNの計算完了後に実際のトークンを上書きする処理をCUDAグラフに組み込んでいます。

同じ8Bモデル・8Kトークン・バッチサイズ32の条件で検証した結果、GPU稼働率は76.0%から99.4%に向上し、生成時間は300.6秒から234.5秒へと22%短縮されました。モデルのカーネル変更は一切不要で、CPUとGPUの協調スケジューリングだけで達成しています。実装はtransformersライブラリに統合済みで、強化学習など16K以上の長文生成ユースケースでさらなる最適化を進めるとしています。

Applied Materialsは2026年中の開設を目指し、約50億ドルを投じた半導体R&D;拠点「EPICセンター」の構想を発表しました。これはアメリカ史上最大規模の半導体製造装置R&D;投資であり、AI時代に求められるエネルギー効率の高いチップ開発を加速させる狙いがあります。

AI処理ではデータの移動が演算と同等以上のエネルギーを消費するようになっており、ロジック・メモリ・先端パッケージングの3領域を統合的に最適化する必要性が高まっています。しかし従来の半導体業界のR&D;モデルは、各工程を順次受け渡す「リレー型」であり、オングストロームスケールの複雑な相互依存に対応するには遅すぎるという課題がありました。

EPICセンターはこの課題に対し、チップメーカーのエンジニアとApplied Materialsの技術者が初日から同じクリーンルームで共同開発する「共創プラットフォーム」を提供します。原子レベルのモデリングからプロセス開発、検証、計測フィードバックまでを一体化し、従来比で最大2倍の開発速度を実現するとしています。

具体的には、GAA（ゲートオールアラウンド）トランジスタやCFET（相補型FET）といった次世代ロジック、4F²や3D DRAMへのメモリ移行、そして16層以上のHBM（広帯域メモリ）スタッキングやハイブリッドボンディングといった先端パッケージング技術の開発が進められます。最先端GPUでは切手サイズに3,000億個超のトランジスタと3,200キロメートル超の配線が詰め込まれる時代に突入しています。

半導体産業にとって、AI需要の爆発的成長は好機であると同時に、技術開発のスピードという根本的な課題を突きつけています。EPICセンターの共創モデルが機能すれば、エネルギー効率に優れたAIチップの実用化が大幅に早まる可能性があります。経営者やエンジニアにとっては、半導体サプライチェーン全体の開発パラダイムが変わりうる動きとして注目に値するでしょう。

AIデータセンターの電力消費が急増するなか、Nvidiaと米電力研究所EPRIは、全米の変電所に隣接する小規模データセンター約25拠点を建設する実証プロジェクトを発表しました。各拠点は5〜20MW規模で、電力需給に応じて推論ワークロードを別の拠点へ動的に移動させる「分散推論」方式を採用します。米国には約5万5000の変電所があり、それぞれの余剰電力を束ねれば大規模な計算資源を確保できるという発想です。

一方、ギガスケールのAI訓練施設では別の電力課題が浮上しています。数千基のGPUが同期して計算する際に発生する高周波パルス負荷が、電圧低下や周波数不安定を引き起こし、送電網全体に波及するリスクがあります。従来のディーゼル発電機やガスタービンでは、ミリ秒単位の電力スパイクに対応できません。

この課題に対し、電池メーカーAmpaceはEatonと連携して半固体電池を用いたUPS統合ソリューションを提案しています。超低内部抵抗の半固体セルが「衝撃吸収材」として機能し、電力変動を発生源で中和します。これにより、従来必要だった過剰な変圧器や発電機の設備投資を削減でき、総所有コストの最適化が見込めます。

背景には、米国の送電網が平均53%の稼働率にとどまるという構造的な余力があります。ピーク需要はごく短時間に集中するため、データセンターが年間わずか0.25%の時間だけ消費を抑制すれば、76GWの追加容量を確保できるとの試算もあります。小規模分散と蓄電池による安定化という2つのアプローチが、AIインフラの電力問題を解く鍵として注目されています。

米Wiredは2026年5月11日、NvidiaのソフトウェアプラットフォームCUDAが同社最大の競争優位（堀）である理由を分析する記事を掲載しました。CUDAはGPUの並列計算能力を最大限に引き出す開発基盤であり、AI時代における同社の支配的地位を支えています。

CUDAはCompute Unified Device Architectureの略称で、もともとゲーム用GPUの汎用計算への転用から生まれました。2000年代初頭にStanford大学のIan Buck氏がGPUの汎用計算利用を着想し、Nvidia入社後にJohn Nickolls氏とともに開発を主導しました。現在ではAI向けライブラリ群を包含する巨大なエコシステムに成長しています。

記事の筆者が実際にCUDAでの開発を試みたところ、PyTorchなら3行で書ける行列積がCUDAでは50行以上を要しました。GPU性能の最適化は極めて専門的な作業であり、優秀なGPUカーネルエンジニアの数は世界的に限られています。この人材の多くをNvidiaが囲い込んでいる点も同社の強みです。

CUDAの支配力はロックイン効果によってさらに強化されています。主要な機械学習フレームワークがCUDA上に構築されているため、AMDのGPUはスペック上で優位でも実性能ではNvidiaに及びません。独立研究者のベンチマークでも、AMD MI300XはNvidia H100に劣後するとの結果が報告されています。

競合の動向も振るいません。AMD の ROCm はバグや互換性の問題が続き、Intel の oneAPI も普及に失敗しました。唯一の有望な挑戦者として、Swift や LLVM の生みの親であるChris Lattner氏率いる Modular が挙げられています。記事は、Nvidia の本質は Apple に近く、ハードウェアの強さはソフトウェアエコシステムに支えられていると結論づけています。

Robinhoodの共同創業者Baiju Bhatt氏が率いるCowboy Space Corporationは、宇宙データセンター向けロケットの自社開発を目的としたSeries Bラウンドで2億7500万ドルを調達しました。ポストマネー評価額は20億ドルで、Index Venturesがリードし、Breakthrough Energy VenturesやConstruct Capitalなどが参加しています。同社は以前Aetherfluxとして宇宙太陽光発電事業で創業しましたが、軌道上データセンターへとピボットしました。

自社ロケット開発に踏み切った理由は、既存の打上げサービスでは容量が圧倒的に不足しているためです。SpaceXのStarshipは開発段階にあり、商用利用可能になっても自社衛星事業が優先される見込みです。Blue OriginのNew Glennも4月の3回目の打上げで衛星投入に失敗しており、外部の打上げ手段に依存する限り、地上データセンターとコスト競争できる規模には到達できないとBhatt氏は判断しました。

技術面での最大の特徴は、ロケットの第2段にデータセンター衛星を直接組み込む設計です。通常のロケットがペイロードを分離して軌道投入するのに対し、第2段そのものが衛星として機能します。各衛星は質量2万〜2万5000kg、1MWの発電能力を持ち、約800基のGPUを搭載する計画です。ロケットの推力はSpaceXのFalcon 9をやや上回る規模を想定しています。

同社はBlue Origin出身の推進系エンジニアWarren Lamont氏やSpaceX出身の打上げディレクターTyler Grinnell氏など、宇宙産業の経験者を採用しています。ロケットエンジンも自社開発する方針で、試験・製造・打上げ施設の整備を進めている段階です。2028年末までの初打上げを目指しています。

宇宙データセンター市場では、GoogleのSuncatcherが2030年代半ばを目標としており、Starcloudはセンサー向けのエッジ処理から事業を開始する戦略をとっています。Cowboy Spaceはロケットからデータセンターまでを垂直統合する独自路線で、SpaceXやBlue Originと直接競合する構えです。AI計算需要の急増と地上のインフラ制約が強まる中、Bhatt氏は市場規模の大きさから複数プレイヤーが共存できると述べています。

AnthropicとxAIが大型提携を発表しました。Anthropicがテネシー州メンフィスにあるxAIのデータセンター「Colossus 1」の計算能力をすべて取得し、自社のエンタープライズ向けAI製品に活用します。SpaceXが大型IPOを控えるなか、子会社xAIの事業転換として注目を集めています。

この取引により、xAIは事実上「ネオクラウド」、つまりNvidiaからGPUを購入して他社に貸し出すビジネスモデルへ移行したことになります。自社でフロンティアモデルを開発する企業であれば、データセンターの計算資源は自社のAI訓練に優先的に使うのが通常です。全能力を外部に貸し出す判断は、xAIがモデル開発の最前線から後退していることを示唆しています。

背景には、xAIの主力モデル「Grok」の競争力不足があります。消費者向けチャットボットとしての利用は伸びず、企業がGrokを業務に採用する動きもほとんど見られません。さらに、xAIの従業員自身が社内で他社モデルを使っていたことが報じられ、これが組織の大幅な再編につながりました。Elon Musk氏以外の共同創業者は全員退社しています。

SpaceXはIPOに向けて、xAIを独立組織として解散し「SpaceXAI」に統合する計画を明らかにしています。TechCrunchのポッドキャストでは、今回の提携が「IPO前の大きなヒートチェック（実力試し）」だとの見方が示されました。GPU貸し出しは短期的に安定した収益源になりますが、フロンティアAI開発企業と比べた場合、長期的な投資家の関心を引きにくいという課題が残ります。

なお、Colossus 1をめぐっては無許可でガスタービンを運用したとする環境訴訟も係争中です。ネオクラウドへの転換が、SpaceXの企業価値を押し上げる材料になるのか、それとも成長ストーリーの弱さを露呈するのか。IPOの成否とともに市場の判断が注目されます。

ロサンゼルスのスタートアップOrbitalが、AI推論に特化した宇宙データセンターの構築計画を発表しました。Andreessen Horowitz(a16z)の支援を受け、太陽光発電で稼働するGPU搭載小型衛星を低軌道に打ち上げ、地上データセンターが直面する電力不足を回避する構想です。創業者のEuwyn Poon氏は「地上の電力容量では足りない。唯一の道は宇宙だ」と語っています。

計画では、テニスコート大のソーラーパネルと同等サイズの放熱パネルを備えた冷蔵庫サイズの衛星を最大1万基配備します。各衛星は約100キロワットの電力でGPUサーバーラックを駆動し、衛星間はレーザー光通信で接続されます。ユーザーのリクエストは地上局から衛星に転送され、処理結果が同じ経路で返される仕組みです。

推論に特化している点は技術的に合理的です。大規模モデルの学習にはGPUクラスタの密結合が必要ですが、推論は1リクエストあたりの計算負荷が小さく、独立したノードへの分散が容易です。衛星1基あたり100キロワットに抑えることで設計も大幅に簡素化されるとPoon氏は説明しています。成功すればOpenAIやAnthropicといった大手AIラボにAPI経由で推論能力を提供する計画です。

一方、宇宙ならではの課題は山積しています。放射線がGPUにビットフリップなどのエラーを引き起こすリスク、空気のない環境での放熱の難しさ、故障時の修理困難性が大きな壁です。テキサスA&M;大学のAmit Verma教授は、チャットボットやレコメンド機能には数十ミリ秒の遅延は許容できるものの、リアルタイム株式取引のような用途には不向きだと指摘しています。

Orbitalは2027年にSpaceXのFalcon 9で試験衛星を打ち上げ、軌道上でのGPU稼働と商用推論処理を検証する予定です。2028年にはロサンゼルスに製造施設を建設する計画ですが、工学物理学者のAndrew Côté氏は宇宙データセンターの実用化には少なくとも10〜20年かかると予測しており、Orbitalの工程表は野心的と言えるでしょう。

半導体大手Nvidiaが2026年の最初の数カ月間だけで、AI関連企業への株式投資の総額が400億ドル（約6兆円）を超えたことが、CNBCの報道で明らかになりました。最大の案件はOpenAIへの300億ドルの出資で、GPU販売だけでなく、AI産業全体への資本参加を通じた囲い込み戦略を一段と加速させています。

投資額の大部分を占めるのが、OpenAIへの300億ドルという単一の出資です。これに加え、ガラスメーカーのCorningに最大32億ドル、データセンター事業者のIRENに最大21億ドルなど、上場企業7社への数十億ドル規模の投資も発表しています。2025年には67件のベンチャー投資を行い、2026年もすでに非公開スタートアップへ約24件の出資ラウンドに参加しました。

一方で、Nvidiaが自社の顧客企業に投資している構図は「循環取引」との批判を招いています。投資先がNvidiaの半導体を購入し、その資金が再びNvidiaに還流するという指摘です。

Wedbush Securitiesのアナリストは、この投資が「循環投資のテーマにぴったり当てはまる」としつつも、成功すれば競争優位の堀（moat）を築ける可能性があると分析しています。GPU市場の支配だけでなく、AI産業全体への資本参加を通じた囲い込み戦略が鮮明になってきました。

Gartnerの推計によると、2026年のAIインフラ関連の新規支出は4010億ドルに達する見込みです。しかしCast AIの調査では、企業のGPU稼働率は平均わずか5%にとどまっており、投資の95%が実質的に無駄になっている実態が明らかになりました。過去2年間の「GPUの奪い合い」で確保した計算資源が、3〜5年の減価償却サイクルの中で固定費として重くのしかかっています。

VentureBeatの2026年第1四半期調査によると、企業の優先事項は急速に変化しています。「GPUへのアクセス確保」は20.8%から15.4%に低下し、代わりに「推論あたりのコスト・TCO」が34%から41%へ急上昇しました。セキュリティとコンプライアンスの要件も41.5%から48.7%に増加しており、白紙小切手の時代は終わりを迎えています。

特化型AIクラウド（Coreweave、Lambda、Crusoeなど）への移行意向は30.2%から35.9%に拡大しました。これらのプロバイダーは汎用クラウドとは異なり、推論に最適化されたストレージ、ネットワーク、スケジューリングを提供します。一方、マネージド推論の評価意向も13.2%から23.1%へとほぼ倍増し、自前での推論基盤構築が難しい企業の受け皿になっています。

技術面では、RDMAネットワークによる待機時間の削減、共有KVキャッシュアーキテクチャによるメモリ効率の改善、GoogleのTurboQuantによる最大6倍のKVキャッシュ圧縮など、稼働率の壁を突破する手段が整いつつあります。ストレージ層の最適化では、Dellが従来比19倍の初回トークン生成速度向上を実現したと発表しています。

しかし最大の障壁は技術ではなく信頼です。VentureBeatの調査では、72%の企業が自社のAIガバナンスが不十分であると認め、88%の経営幹部がAIエージェント関連のセキュリティインシデントを報告しています。企業は「トークン消費者」として外部に依存するか、「トークン生産者」として推論基盤を自社で保有するかという戦略的選択を迫られています。自前の推論基盤は、データ主権とガバナンスをインフラ層で強制できるという安全保障上の利点もあります。

サイバーセキュリティの防御領域に特化した小型言語モデルCyberSecQwen-4Bが、Hugging Face上でApache 2.0ライセンスのもと公開されました。AMD Developer Hackathonで開発された本モデルは、40億パラメータながら、Ciscoが公開した80億パラメータの専門モデルFoundation-Sec-Instruct-8Bと同等以上の性能を達成しています。12GB以上のGPUがあればローカルで動作し、機密性の高いセキュリティデータを外部に送信する必要がありません。

ベンチマークのCTI-Benchでは、CTI-MCQ（サイバー脅威インテリジェンスの多肢選択問題）で0.5868を記録し、8Bモデルの0.4996を8.7ポイント上回りました。CVEからCWEへのマッピング精度を測るCTI-RCMでも0.6664と、8Bモデルの97.3%の精度を維持しています。パラメータ数が半分であることを考えれば、防御用途において小型特化モデルが大型汎用モデルを凌駕しうることを示す結果です。

訓練はAMD Instinct MI300X（192GB HBM3）1基のみで完結しました。ROCm 7とvLLMスタックの組み合わせにより、量子化や勾配チェックポイントなどの工夫なしにbf16精度でフル学習が可能でした。訓練データはMITRE/NVD公開レコードからの2021年CVE-CWEマッピングと、教師モデルから生成した合成Q&A;データで構成され、評価セットとの重複は事前に除去されています。

同一の訓練レシピをGemma-4-E2Bに適用したGemma4Defense-2Bも作成され、CTI-RCMで0.9ポイント差に収まる結果を得ました。レシピの再現性と移植性が確認されたことで、組織ごとのライセンス要件やデプロイ規模に応じた基盤モデルの選択が可能です。

想定用途はCWE分類、CVE-CWEマッピング、構造化されたサイバー脅威インテリジェンスQ&A;など、SOC分析官の日常業務を支援する領域です。今後はノートPC向けの1Bモデル、スマートフォンやエッジ機器向けのGGUF量子化版、新規CVEへの継続的評価、プロンプトインジェクション耐性の強化が計画されています。エアギャップ環境や医療・政府機関など、外部API接続が制限される現場への展開が期待されます。

Anthropicのダリオ・アモデイCEOは、同社の開発者会議「Code with Claude」で、2026年第1四半期の年間売上換算が300億ドルに達したと明らかにしました。年間10倍成長を計画していたにもかかわらず、実際には80倍という想定外の成長を記録しました。2024年1月の8700万ドルから約2年半でこの規模に到達しており、Salesforceが20年かけて達成した売上水準をわずか3年足らずで超えたことになります。

成長の中核を担うのが、AIコーディングツールClaude Codeです。2025年半ばの公開から半年で年間売上換算10億ドルを突破し、2026年2月時点で25億ドル超に達しています。週間アクティブユーザー数は1月から倍増し、法人契約は4倍に増加しました。Anthropic社内でもコードの大半をClaude Codeが生成しており、自社製品で次世代製品を開発するというフィードバックループが競争優位を強化しています。

急成長に伴い、計算資源の不足が深刻な課題となっています。Anthropicはイーロン・マスク氏のSpaceXが運営するColossus 1データセンターの全計算容量を利用する契約を締結しました。22万基超のNvidia GPUを含む300メガワット超の容量を確保します。マスク氏はこれまでAnthropicを公然と批判してきましたが、同社チームとの交流を経て「非常に有能で正しいことに真剣」と評価を転換しました。

資金調達面では、評価額9000億ドル超の新ラウンドを検討中で、実現すればOpenAIを抜いて世界最高額のAIスタートアップとなります。2025年3月の615億ドルからわずか1年余りで評価額は約15倍に跳ね上がりました。流通市場ではすでに1兆ドルの暗示的評価額で取引されており、2026年10月にもIPOを実施する可能性が報じられています。

一方で課題も山積しています。米国防総省が3月にAnthropicをサプライチェーンリスクに指定し、軍関連業務から排除しました。100社以上の企業顧客が取引継続に懸念を示しているとされます。またOpenAIは、Anthropicの300億ドルという数字にはAWSやGoogle Cloud経由の売上が総額計上されており、約80億ドル過大だと指摘しています。アモデイ氏はAIが単一エージェントから組織全体の知能へ進化する未来像を描き、2026年中に1人で運営する10億ドル企業が誕生すると予測しています。

Palo AltoのスタートアップZyphraは2026年5月7日、オープンソースの推論特化型言語モデルZAYA1-8BをApache 2.0ライセンスで公開しました。総パラメータ数は約84億、活性パラメータはわずか7.6億という超効率設計で、AMD Instinct MI300 GPUのみで訓練された点が大きな特徴です。

ZAYA1-8Bは独自のMoE++アーキテクチャを採用しています。圧縮畳み込みアテンション（CCA）によりKVキャッシュを従来の8分の1に削減し、長文脈での推論効率を大幅に向上させました。さらにMLPベースのルーター設計やPID制御に着想を得た安定化手法など、Transformer基盤に根本的な改良を加えています。

最大の技術的突破は推論時の計算手法Markovian RSAです。複数の推論トレースを並列生成し、末尾部分のみを集約して再推論するという手法で、コンテキスト窓を溢れさせずに深い思考を実現します。これによりAIME '25で91.9%、HMMT '25数学で89.6%（Claude 4.5 Sonnetの79.2%を上回る）、LiveCodeBenchで69.2%（DeepSeek-R1-0528超え）という驚異的なスコアを記録しました。

事前学習段階から推論能力を組み込む「推論ファースト事前学習」も特徴的です。長い思考連鎖がコンテキストに収まらない場合、問題設定と最終回答を保持しつつ中間部分を刈り込むAnswer-Preserving Trimmingを開発し、問題と解答の関係を効率的に学習させています。

企業にとっての実用的意義は大きく、活性パラメータ760Mという軽量さはオンデバイス展開やエッジ推論を現実的にします。データ所在地の制約やAPI依存コストといった課題を解消し、高度な推論能力をローカル環境で利用可能にします。AMD GPUでの訓練成功は、Nvidia一強への有力な対抗軸が成立することを示しました。2025年にユニコーン評価を得たZyphraは、AMDやIBMの支援のもと「パラメータを増やす」以外のAI進化の道筋を示しています。

2026年5月7日、SCSP AI+ Expoで米エネルギー省（DOE）のクリス・ライト長官とNVIDIA副社長イアン・バックが対談し、AI時代の米国エネルギー戦略「Genesis計画」の進捗を語りました。同計画はDOEの17国立研究所とNVIDIAが連携し、AIを科学的発見に応用する国家規模の取り組みです。

NVIDIAとDOEはアルゴンヌ国立研究所に2台のAIスーパーコンピュータを共同建設中です。1台目のEquinoxは1万基のGrace Blackwell GPUで現在構築中、2台目のSolsticeは次世代Vera Rubinチップ10万基を搭載し、5000エクサフロップスの演算能力を実現します。これは現在のTOP500スパコン合計の5倍に相当します。

具体的な成果として、NVIDIAは150万本の物理学論文で訓練し、10万本の核融合論文で微調整したオープンソースAIモデルを開発しました。DOE研究者はこの専門AIエージェントを使い、融合研究を加速できます。バック氏は「NVIDIAは世界中のAIラボが使うのと同じ技術を、すべての世界の科学に開放する」と述べました。

ライト長官はエネルギー面の課題を指摘しました。米国は過去20年で石油生産を3倍、天然ガスを2倍に増やしましたが、電力生産はほぼ横ばいです。対策として小型モジュール炉（SMR）3基を今年7月4日までに臨界させるほか、大型原子炉の新設や核融合戦略室の設置を進めています。

AI自体もエネルギー効率改善に貢献しています。NVIDIAはHopper世代からBlackwell世代でワットあたり性能を25倍向上させました。さらにAIは送電網の相互接続審査を年単位から数週間・数時間に短縮する可能性があります。ライト長官は「データセンター建設は電力コストを下げ、送電網を強化する仕組みだ」と強調し、AIとエネルギーの好循環を訴えました。

NVIDIAは2026年5月6日、AI向けイーサネット基盤「Spectrum-X Ethernet」に新たなRDMAトランスポートプロトコル「MRC（Multipath Reliable Connection）」を導入したと発表しました。MRCは単一のRDMA接続で複数のネットワーク経路にトラフィックを分散させる技術で、大規模AI学習環境でのスループット向上、負荷分散、可用性の改善を実現します。OpenAI、Microsoft、Oracleがすでに実運用環境に導入しています。

OpenAIのSachin Katti氏は「Blackwell世代でのMRC導入は非常に成功した」と述べ、ネットワーク起因の学習遅延や中断を回避できたと評価しています。MicrosoftのFairwaterデータセンターやOracleのAbileneデータセンターなど、フロンティアLLMの学習・推論を目的とした大規模AI工場でもMRCが採用されています。データロスが発生した際にはインテリジェントな再送機能が高速かつ精密に復旧を行い、GPUのアイドル時間を最小限に抑えます。

MRCの大きな強みは、マイクロ秒単位でネットワーク経路の障害を検知し、ハードウェアレベルで自動的にトラフィックを迂回させる点です。数千台のGPUが同期する学習クラスタでは、わずかなネットワーク障害が全体の遅延につながるため、この高速復旧能力は極めて重要です。さらにマルチプレーンネットワーク設計により、数十万GPU規模までの拡張が可能になります。

MRCの仕様はOpen Compute Projectを通じてオープンに公開されました。NVIDIAはAMD、Broadcom、Intel、Microsoft、OpenAIと共同で開発を進めており、業界標準としての普及を目指しています。Spectrum-X Ethernetプラットフォーム上ではMRCのほか、Adaptive RDMAなど複数のトランスポートモデルを選択でき、ワークロードに応じた柔軟な構成が可能です。

Googleは2026年5月、オープンモデルGemma 4向けに「Multi-Token Prediction（MTP）」と呼ばれるドラフターモデルを公開しました。投機的デコード（speculative decoding）の手法を活用し、テキスト生成速度を最大3倍に引き上げることができます。ローカル環境でAIを動かすユーザーにとって、大きな性能改善となります。

通常、Gemma 4のような大規模言語モデルはトークンを1つずつ逐次生成します。各トークンの生成にはモデルパラメータをメモリから計算ユニットへ転送する必要があり、エンタープライズ向けの高帯域メモリ（HBM）と比べて遅い消費者向けGPUでは、この転送がボトルネックになっていました。MTPはこの待機時間を利用して軽量なドラフターモデルに次のトークンを推測させる仕組みです。

ドラフターモデルのサイズはE2Bでわずか7400万パラメータと非常にコンパクトです。メインモデルのKVキャッシュ（文脈を保持するアクティブメモリ）を共有することで、すでに処理済みの文脈を再計算する必要がありません。さらにスパースデコード技術を用いて、候補となるトークンのクラスタを事前に絞り込むことで、推測の精度と速度を両立しています。

Gemma 4はGoogleのフロンティアモデルGeminiと同じ技術基盤で構築されていますが、ローカル実行に最適化されています。ライセンスもApache 2.0に変更され、以前のカスタムライセンスよりも大幅に自由度が高まりました。クラウドにデータを送らずに手元のハードウェアでAIを活用したいユーザーにとって、今回のMTPドラフター公開は実用性を一段と高めるものといえるでしょう。

AnthropicとSpaceXAIは2026年5月6日、AnthropicがxAIのメンフィス所在データセンター「Colossus 1」の計算資源を利用する契約を締結したと発表しました。Anthropicは同社の年次開発者カンファレンスで発表し、SpaceXAI側もブログ記事で詳細を公開しています。この契約により、Anthropicは300メガワット超の電力容量と約22万基のNvidia GPU（H100、H200、GB200）へのアクセスを得ます。

Anthropicはこの計算資源を「Claude Pro」「Claude Max」の利用者向け容量拡大に充てる方針です。近年、Claude Codeなどのサービスでは利用制限やサービス中断への不満が高まっており、開発者は週平均20時間以上Claude Codeを使用しているとされます。また、Anthropicは軌道上AI計算基盤の共同開発にも関心を示しており、SpaceXAIの宇宙データセンター構想の将来的な顧客となる可能性があります。

この提携はxAIの戦略的転換を象徴しています。xAIはすでにトレーニングを新施設Colossus 2に移行済みで、旧施設を外部に貸し出すことで収益化を図りました。TechCrunchの分析によれば、画像生成問題でGrokの利用者が減少するなか、xAIは計算資源の販売を主軸とする「ネオクラウド」企業へと変貌しつつあります。GoogleやMetaが自社のAI開発のために計算資源を囲い込む戦略とは対照的です。

SpaceXAIにとって、この契約はIPOを控えた重要な実績となります。Anthropicという有力顧客の存在は、軌道データセンターを含む今後の大規模インフラ投資の収益性を投資家に示す材料になります。一方で、競合に計算資源を販売する姿勢は、xAI自身のソフトウェア開発やコーディングツールへの野心と矛盾するとの指摘もあります。

AI業界全体では計算資源の争奪が激化しています。AnthropicはGoogle Cloudに2000億ドル、Amazonに1000億ドル超のコミット契約を結んでおり、AnthropicとOpenAIの契約だけで主要クラウド事業者の受注残2兆ドルの半分以上を占めるとも報じられています。計算資源の確保がAI開発の成否を左右する時代が本格化しています。

インド初の生成AIユニコーンとして注目を集めたKrutrimが、独自AIモデルの開発路線を転換し、クラウドサービス事業への移行を発表しました。2024年1月に評価額10億ドルで5000万ドルを調達した同社は、大規模AIシステム構築の経済的困難に直面し、チップ設計の中断や資本・人材の再配置を含む事業再編を進めていました。

Krutrimはライドシェア大手Olaの創業者Bhavish Aggarwal氏が設立し、AnthropicやOpenAIに対抗するインド発のAIモデル開発を目指していました。しかし過去1年間で200人以上をレイオフし、4月にはAIアシスタントアプリ「Kruti」をアプリストアから撤去するなど、事業縮小の兆候が続いていました。

一方で同社はクラウド事業の成長を強調しています。2026年度の売上は約31.5億円（₹30億）で前年比3倍に拡大し、初の年間黒字を達成したと発表しました。通信、金融、ヘルスケアなどの分野で25社超の企業顧客を獲得し、GPU計算能力の大半が外部ワークロードに充てられているといいます。ただし前年度は売上の約90%が親会社Olaグループ内部からだったとの報道もあり、外部収益の実態には疑問が残ります。

競合のSarvamはインドAIサミットで新モデルやハードウェア、宇宙テック企業Pixxelとの提携を発表するなど積極的に活動しており、Krutrimとの差は拡大しています。調査会社Greyhound Researchのアナリストはクラウドへの転換を商業的に合理的と評価しつつも、黒字化の主張にはより厳格な検証が必要だと指摘しています。

Googleは2026年5月5日、オープンモデルGemma 4ファミリー向けにMulti-Token Prediction（MTP）ドラフターをリリースしました。投機的デコード技術を活用し、推論品質を一切損なうことなく最大3倍の速度向上を実現します。Gemma 4は公開からわずか数週間で6000万回以上ダウンロードされており、今回のMTPドラフター公開でさらなる普及が見込まれます。

標準的なLLM推論はメモリ帯域幅がボトルネックとなり、1トークン生成のたびに数十億パラメータをVRAMから計算ユニットに転送する必要があります。MTPドラフターはこの問題に対し、軽量な補助モデルが複数の将来トークンを高速に予測し、本体モデルが一括で検証するという投機的デコード方式を採用しています。本体モデルがドラフトに同意すれば、通常1トークン分の時間でシーケンス全体とさらに1トークンを出力できます。

技術面では、ドラフトモデルが本体モデルの活性化情報とKVキャッシュを共有する設計により、コンテキストの再計算を省略しています。エッジ向けのE2B・E4Bモデルでは、エンベッダーにクラスタリング技術を導入してロジット計算のボトルネックも解消しました。Apple Silicon上の26B MoEモデルではバッチサイズ4〜8で約2.2倍、NVIDIA A100でも同様の高速化が確認されています。

MTPドラフターはGemma 4と同じApache 2.0ライセンスで公開されており、Hugging Face、Kaggle、MLX、vLLM、SGLang、Ollamaなど主要プラットフォームで即日利用可能です。コーディング支援、自律エージェント、モバイルアプリなど、レイテンシが重視されるあらゆるユースケースで開発者の生産性向上に直結する技術といえます。

AIチップメーカーのCerebras Systemsは2026年5月4日、新規株式公開（IPO）の準備を正式に発表しました。2800万株を1株あたり115〜125ドルで売り出し、最大35億ドルを調達する計画です。上限価格で算出した時価総額は約266億ドルに達し、実現すれば2026年最大のテックIPOとなります。

Cerebrasの最大の強みはOpenAIとの深い関係です。OpenAIは2025年12月にCerebrasへ10億ドルを融資し、3300万株超を取得可能なワラントを保有しています。さらに複数年で100億ドル超の計算資源契約を締結しており、Cerebrasの主要顧客です。CEOのSam Altmanをはじめ、Greg Brockman、Ilya SutskeverらOpenAI創業メンバーも個人で出資しています。

同社はGPUベースの競合に対抗する独自チップ「Wafer-Scale Engine 3」を提供しています。推論処理でGPUより高速かつ省電力と主張しており、AI推論需要の急増を追い風にしています。投資家にはAlpha Wave、Benchmark、Eclipse、Fidelity、Foundation Capitalのほか、Tiger Global、Coatue、AMD、アブダビのG42など著名な機関投資家が名を連ねます。

Cerebrasは2024年にもIPOを試みましたが、G42からの投資に対する米連邦政府の審査で延期となった経緯があります。その後2025年9月に81億ドル評価で11億ドル、2026年2月に230億ドル評価で10億ドルを調達し、今回のIPOに至りました。Bloombergによれば、すでに募集額35億ドルに対し約100億ドルの注文が集まっており、公開価格が提示レンジを上回る可能性が高いとされています。

米Planet Labsは、同社の高解像度衛星Pelican-4に搭載したAIモデルで、オーストラリアのアリススプリングス空港の航空機を自動検出することに成功したと発表しました。衛星上で画像認識アルゴリズムを実行し、16,000ピクセルの画像を0.5秒で処理できます。これにより、撮影から数分以内に分析結果をユーザーに届けることが可能になりました。

従来の地球観測では、衛星が取得した膨大なデータを地上に転送し、クラウドで処理するまでに6〜12時間を要していました。同社エンジニアリング担当副社長のKiruthika Devaraj氏は「過去を見ているのと同じだった」と指摘します。山火事など一刻を争う事態では、この遅延が被害拡大につながるリスクがありました。

AI処理にはNVIDIA Jetson ORIN GPUモジュールが使われており、18カ月の開発期間を経て検出精度80%を達成しました。次世代アルゴリズムでは95%超を目標としています。今後6〜9カ月以内にリアルタイムAI検出サービスを顧客に提供する計画です。

さらにPlanet Labsは、次世代のOwl衛星群により「惑星知能」の実現を目指しています。Owl群が地球を常時監視し、異常を自律的に検知して高解像度のPelican衛星に再撮影を指示する仕組みです。将来的にはJetson Thorプロセッサへの移行や、宇宙空間でのLLM稼働も視野に入れています。

同社はGoogleとSuncatcherプロジェクトで協業しており、2027年にプロトタイプ衛星2基の打上げを予定しています。宇宙空間でのデータ処理インフラ構築には、SpaceXやAmazonも関心を示しており、太陽光発電と自然冷却を活用できる利点がある一方、打上げコストの課題も残されています。

クラウドGPUプラットフォームのRunPodは2026年4月30日、オープンソースのPythonツール「RunPod Flash」の正式版（GA）を公開しました。サーバーレスGPU環境でのAI開発において、従来必須だったDockerコンテナの構築・管理工程を排除し、モデルの学習・推論・デプロイを大幅に高速化します。MITライセンスで提供され、企業での採用障壁を低く抑えています。

Flashの中核的な価値は、同社が「パッケージング税」と呼ぶDockerfileの管理・イメージのビルド・レジストリへのプッシュといった一連の作業を不要にする点です。内部ではクロスプラットフォームビルドエンジンが動作し、たとえばApple Silicon搭載のMacからLinux x86_64向けの成果物を自動生成します。依存関係はバンドルされ、実行時にマウントされるため、コールドスタートの遅延が大幅に削減されます。

GA版では4種類のワークロード構成を導入しました。キューベースの非同期バッチ処理、ロードバランス型の低遅延HTTP API、カスタムDockerイメージによる複雑な環境対応、既存エンドポイントとの連携です。さらに複数データセンターにまたがる永続ストレージをサポートし、モデルの重みや大規模データセットを一度キャッシュすれば再利用できます。環境変数の変更時にエンドポイント全体の再構築が不要になる仕組みも加わりました。

注目すべきは、AIコーディングエージェントとの連携を前提に設計されている点です。Claude Code、Cursor、Cline向けの専用スキルパッケージを提供し、エージェントがFlash SDKの文脈を理解した上でデプロイコードを自律的に記述できるようにしています。RunPodのCTOであるBrennen Smith氏は「エージェントが活用できる良質な基盤と接着剤が必要だ」と述べています。

RunPodは現在ARR1億2,000万ドルを超え、開発者数は75万人以上に成長しています。AnthropicやOpenAI、Perplexityといった大規模顧客から個人研究者まで幅広い層を抱えており、30種類以上のGPU SKUをミリ秒単位の課金で提供しています。Flash GAの投入により、同社は単なるGPUクラウド提供者からAI開発のオーケストレーション基盤への転換を図っています。

企業のAI活用が実験段階から本番運用へ移行するなか、コスト構造の逆転現象が顕在化しています。VentureBeatの2026年4月30日付記事によると、推論トークンの単価はこの2年間で約10分の1に低下したにもかかわらず、消費量が100倍以上に膨らんだことで、企業のAI関連総コストはむしろ増加しています。経済学でいうジェボンズのパラドクスがAIインフラ領域で起きている形です。

この現象の背景には、エージェントAIの台頭があります。従来の大規模学習ジョブとは異なり、エージェント環境では短時間かつ予測不能な推論リクエストが高頻度で発生します。GPU、ネットワーク、ストレージに対して従来のデータセンター設計では想定しなかった負荷がかかり、インフラ効率がAI経済性を左右する決定的要因になっています。

こうした課題に対し、インフラベンダー各社はフルスタック統合プラットフォームの提供で応えています。Nutanixは自社ハイパーバイザーAHV上にNVIDIAトポロジー対応の最適化機能を組み込み、GPU・CPU・メモリ・DPUの割り当てを自動化するソリューションを展開しています。NVIDIA NIMマイクロサービスやAnthropicなど主要LLMへのゲートウェイも統合し、サイロ化の解消を図っています。

企業がAI投資を持続的に拡大できるかは、トークン単価とGPU稼働率というインフラ指標の管理にかかっています。プラットフォームチームと開発者チームが共通の運用モデルで協調し、パイロットから本番環境へスムーズに移行できる体制を構築することが、AI経済性を確保する前提条件になりつつあります。

企業のGPUフリート稼働率がわずか5%にとどまっていることが、Cast AIの2026年版Kubernetes最適化レポートで明らかになりました。これは人手による通常管理で達成できる約30%を大幅に下回る数値です。同社の共同創業者Laurent Gil氏は、クラウドGPUの調達構造そのものが問題の根源だと指摘しています。

稼働率が極端に低い原因は、調達とアーキテクチャの二重構造にあります。企業がGPUを確保する際、数週間から数カ月の待機期間を経てようやく割当を受けますが、1年または3年の契約が条件です。一度確保したGPUは、再取得の困難さから誰も手放そうとしません。手放せば稼働率は改善するが、手放した瞬間に再入手できなくなるという矛盾が、過剰確保の悪循環を生んでいます。

アーキテクチャ面でも問題は深刻です。Anyscaleの分析によると、AIワークロードはCPU処理とGPU処理を交互に行うため、1つのコンテナにまとめるとGPUが大半の時間遊休状態になります。Gartnerも同様の結論に達しており、プロジェクト横断でのGPU共有と推論の分離を推奨しています。調達の過剰確保とコンテナ設計の非効率が重なり、5%という数字が生まれているのです。

クラウド市場は二層に分裂しています。H100のオンデマンド価格は2025年9月の約7.57ドルから約3.93ドルへ下落した一方、最新のH200は需要が供給の約3倍に達し、AWSは2026年1月に予約価格を約15%値上げしました。クラウドコンピューティングが毎年安くなるという20年来の前提は、最先端チップでは崩れつつあります。

では企業は何をすべきでしょうか。まず問うべきは「本当にH200が必要か」という点です。H200は70B以上のパラメータと128K以上のコンテキストを持つ大規模モデル向けであり、多くの本番ワークロードではH100で40%、A100で60%のコスト削減が可能です。タイムゾーンを活用したGPU共有、MIGによるチップ分割、vLLMやDynamoによる推論分離など、既存リソースの活用策は存在します。調達と運用を別々の予算項目として扱うのではなく、一つのループとして一体的に最適化することが、この悪循環を断ち切る鍵となります。

スタンフォード大学の研究チームが、AIモデル内のゼロ値パラメータを活用する専用チップ「Onyx」を開発しました。大規模言語モデルでは重みや活性値の大半がゼロまたはゼロに近い値であり、この「スパース性」を利用すれば不要な演算を省略できます。Onyxは従来のCPUと比較して平均で消費エネルギーを70分の1に抑え、計算速度を8倍に向上させています。

AIモデルの巨大化が進む中、Metaの最新Llamaは2兆パラメータに達しています。モデルの大型化は性能向上につながる一方、エネルギー消費と処理時間の増大が深刻な課題です。低精度演算や小型モデルの利用といった対策が取られてきましたが、スパース計算はモデルの性能を維持しつつ効率を高める第三の選択肢として注目されています。Cerebrasの研究では、LLMのパラメータの最大70〜80%をゼロに設定しても精度を損なわないことが示されました。

しかし、既存のGPUやCPUはスパース計算に最適化されていません。NVIDIAのGPUは「4要素中2つがゼロ」という構造化スパースにしか対応しておらず、任意の位置にゼロが存在する非構造化スパースでは性能が大きく低下します。CPUはより柔軟ですが、圧縮データの間接参照によるメモリアクセスがボトルネックとなります。Appleは独自チップのプリフェッチャー改良で対応を試みていますが、汎用アーキテクチャの根本的な制約は残ります。

Onyxは粗粒度再構成可能アレイ（CGRA）をベースに設計されており、FPGAの柔軟性とCPUの効率性を両立しています。メモリタイルが圧縮行列を格納し、演算タイルが不要なゼロ演算をすべて省略します。専用コンパイラがソフトウェア命令をCGRA構成に自動変換するため、開発者は疎・密の両方のワークロードを同一チップ上で実行できます。エネルギー遅延積ではIntel Xeon CPUの最大565倍の効率を達成しました。

研究チームは次世代チップの開発を進めており、行列演算だけでなく正規化やソフトマックスなど全演算のスパース対応を目指しています。密・疎アーキテクチャのチップ上での統合効率化や、複数チップでの分散処理にも取り組んでいます。スパースハードウェアの普及は、AI計算の実行コスト・消費電力・環境負荷を大幅に低減する可能性があります。

米AIスタートアップのPoolsideは2026年4月28日、コーディング特化の大規模言語モデル「Laguna」シリーズ2モデルを発表しました。小型モデルのLaguna XS.2はApache 2.0ライセンスで無料公開され、消費者向けGPU1枚でローカル実行できるのが大きな特徴です。同社は2023年にサンフランシスコで設立された約60人の組織で、政府・公共セクター向けにセキュアなAI開発を進めてきました。

Laguna XS.2は総パラメータ数33B、活性パラメータ数3BのMixture of Experts構成を採用しています。Apple SiliconのMacでは統合メモリ36GB以上、PCではRTX 5090など24〜32GB以上のVRAMがあれば4ビット量子化で動作します。一方、上位モデルのLaguna M.1は225BパラメータのMoEで、企業や政府向けの高セキュリティ環境での複雑なソフトウェア工学タスクに最適化されています。

ベンチマーク性能は注目に値します。XS.2はSWE-bench Proで44.5%を達成し、Claude Haiku 4.5の39.5%やGemma 4 31Bの35.7%を上回りました。M.1もSWE-bench Proで46.9%、SWE-bench Verifiedで72.5%を記録しています。訓練には30兆トークンが使われ、そのうち約13%は合成データです。独自のMuonオプティマイザにより標準手法より約15%速く学習が進むとしています。

開発者向けツールも同時に公開されました。poolはターミナルベースのコーディングエージェントで、同社が内部のRL訓練に使うのと同じAgent Client Protocolサーバとして機能します。shimmerはクラウドネイティブの開発環境で、スマートフォンからでもフル機能の開発が可能です。GitHubとの連携や既存リポジトリのインポートにも対応しています。

Poolsideがオープンウェイト公開に踏み切った背景には、「西側諸国には強力なオープンウェイトモデルが必要」という信念があります。中国企業のDeepSeekやXiaomiが低コストのオープンモデルで存在感を示すなか、米国発のオープンな対抗馬として位置づけを狙っています。なお、同社のモデルは他社のようにQwenベースのファインチューニングではなく、独自にゼロから訓練されたものです。コミュニティによる評価とファインチューニングを通じた改善を期待しているとしています。

NVIDIAは、製造業における従来の「設計・製造・テスト」サイクルを根本から変えるシミュレーション先行型のワークフローを推進しています。同社のNVIDIA OmniverseとOpenUSDを基盤に、高精度なシミュレーション環境で合成データを生成し、AIモデルを本番投入前に訓練・検証できる体制が整いつつあります。物理的に正確な3Dアセットの仕様である「SimReady」も、パイプライン間のデータ損失を解消する重要な役割を担います。

ABB Roboticsは、Omniverseライブラリを自社シミュレーション基盤「RobotStudio HyperReality」に統合し、シミュレーション精度99%を達成しました。ロボットステーションをUSDファイルとして表現し、実機と同じファームウェアで動作させることで、生産ライン構築前にAIモデルの検証が可能になっています。その結果、製品導入サイクルは最大50%、コミッショニング時間は最大80%、設備ライフサイクルコストは30〜40%の削減が見込まれています。

英国の自動車メーカーJLRは、同様のシミュレーション先行アプローチを車両空力設計に適用しました。2万件以上の風洞相関CFDシミュレーションでニューラルサロゲートモデルを訓練し、空力熱負荷の95%をNVIDIA GPU上で処理しています。Omniverseで構築した「Neural Concept Design Lab」により、デザイナーが車両形状を変更すると空力特性がリアルタイムで可視化され、従来4時間かかった解析がわずか1分に短縮されました。

工場が稼働した後の課題に対応するのが、Tulip Interfacesの「Factory Playback」です。NVIDIA Metropolis VSSブループリントを基盤に、カメラ映像・センサーデータ・運用コンテキストを統合したタイムラインを構築しています。さらにNVIDIA Cosmos Reasonビジョン言語モデルでオペレーターの行動をリアルタイム解釈する仕組みも備えています。世界40以上の工場を持つ産業機器メーカーTerexへの導入では、歩留まり3%向上と手直し作業10%削減が期待されています。

NVIDIAはSimReadyアセット、Omniverseライブラリ、物理AIスタックを組み合わせた包括的な開発基盤を提供しており、ロボット訓練からデジタルツイン、工場の映像解析まで幅広い用途に対応しています。無料の自習コースやIsaac Sim、Cosmos Cookbookなども公開されており、製造業のシミュレーション先行型への移行を後押しする体制が整っています。

MITとMIT-IBM Watson AI Labの研究チームが、データセンターで特定のAIワークロードを実行した際の消費電力を数秒で予測できるツール「EnergAIzer」を開発しました。ローレンス・バークレー国立研究所の推計では、2028年までにデータセンターが米国の総電力消費の最大12%を占めるとされており、AI時代のエネルギー効率改善は喫緊の課題です。

EnergAIzerは、AIワークロードに含まれる反復的なパターンに着目しています。ソフトウェア開発者がGPU上で効率的に動作するよう最適化を施す際、並列処理コアへの作業分散やデータ移動に規則的な構造が生まれます。この構造を捉えることで、従来のように個々のステップを逐一エミュレーションする必要がなくなりました。

ただし高速推定だけでは全コストを網羅できない課題もありました。GPUがプログラムを実行する際のセットアップコストや、帯域幅の競合による速度低下に伴う追加電力などです。研究チームは実際のGPUから測定データを収集し、補正項を推定モデルに組み込むことでこの問題を解決しました。

実際のAIワークロードとGPUを使ったテストでは、EnergAIzerの推定誤差は約8%にとどまり、数時間かかる従来手法と同等の精度を実現しています。ユーザーはAIモデルの種類や入力の数・長さといったワークロード情報を入力するだけで、GPU構成や動作速度を変えた場合の電力消費の変化も確認できます。

データセンター運営者にとっては限られたリソースの効率的な配分に、アルゴリズム開発者にとってはモデル展開前のエネルギー評価に活用が期待されます。研究チームは今後、最新GPU構成への対応や、複数GPUが協調するワークロードへのスケーリングを目指すとしています。本研究はIEEE International Symposium on Performance Analysis of Systems and Softwareで発表されました。

OpenAIが公開した個人情報保護モデル「Privacy Filter」を活用し、Hugging Faceの開発者3名が実用的なWebアプリ3本を構築しました。Privacy Filterは15億パラメータのモデルで、活性パラメータは5000万、Apache 2.0ライセンスで提供されています。128Kトークンのコンテキストに対応し、PII検出ベンチマークで最高精度を達成しています。

1つ目の「Document Privacy Explorer」は、PDFやDOCXファイルをアップロードすると、個人名・メールアドレス・電話番号などの個人情報を自動検出してカテゴリ別にハイライト表示するアプリです。128Kコンテキストを活かし、文書全体を一括処理するためチャンク分割が不要です。

2つ目の「Image Anonymizer」は、スクリーンショットや画像内の個人情報を黒塗りで自動秘匿するツールです。Tesseract OCRで文字領域を抽出した後にPrivacy Filterで検出し、ピクセル座標の矩形として返します。ブラウザ上でバーの表示切替やドラッグ移動、手動追加も可能です。

3つ目の「SmartRedact Paste」は、テキストを貼り付けると秘匿済みの公開URLと、原文を確認できるトークン付き非公開URLの2つを生成するプライバシー対応ペーストビンです。多言語テキストにも対応しています。

3つのアプリはすべてgradio.Server上に構築されています。モデル推論は@server.apiデコレータでGradioのキューに載せ、ZeroGPU割り当てやプログレス通知を活用します。静的ページの配信にはFastAPIのルートを使い、モデル呼び出しとUI提供を明確に分離する設計パターンが共通しています。

Metaが数百万基のAWS Graviton CPUを採用する契約をAmazonと締結しました。GravitonはARM基盤の汎用CPUで、GPUではありません。AIモデルの学習にはGPUが不可欠ですが、学習済みモデル上で動くAIエージェントはリアルタイム推論やコード生成、マルチステップ制御などCPU集約型の処理を大量に発生させるため、専用設計のCPU需要が高まっています。

Metaは2025年8月にGoogle Cloudと6年間100億ドルの契約を結んでおり、それまで主要顧客だったAWSから一部離れていました。今回の契約はMetaの支出をAWSに引き戻す意味を持ちます。AWSはGoogle Cloud Nextカンファレンス終了直後にこの発表をぶつけており、クラウド各社間の対抗意識が鮮明です。

AWSのAI向けチップにはGPU相当のTrainiumもありますが、こちらはAnthropicが10年間1000億ドルの大型契約で優先的に確保済みです。そのためMeta向けにはCPU側のGravitonが前面に出た形です。Gravitonの競合はNvidiaのVera CPUで、いずれもARM基盤かつAIエージェント処理に最適化されていますが、NvidiaがチップをOEM販売するのに対し、AWSはクラウドサービス経由でのみ提供する点が異なります。

Amazon CEOのAndy Jassy氏は4月の株主書簡でNvidiaやIntelに言及し、企業が求めるのはAI処理の価格性能比であると強調しました。自社チップの競争力を示す実績としてMetaの採用は大きく、社内チップ開発チームへの期待と圧力がいっそう高まっています。AI半導体の競争はGPUだけでなくCPU領域にも本格的に広がりつつあります。

OpenAIは2026年4月23日、最新のフラッグシップモデルGPT-5.5を発表しました。共同創業者のGreg Brockman氏は「より直感的でエージェント的なコンピューティングに向けた大きな前進」と位置づけ、コーディング、オンラインリサーチ、データ分析、ドキュメント作成など幅広いタスクを自律的にこなせる点を強調しています。前モデルGPT-5.4のわずか1カ月後というハイペースのリリースとなりました。

ベンチマーク結果では、ターミナル操作の総合力を測るTerminal-Bench 2.0で82.7%を記録し、AnthropicのClaude Opus 4.7(69.4%)やGoogle Gemini 3.1 Proを大きく上回りました。非公開モデルのClaude Mythos Preview(82.0%)もわずかに超えています。一方、ツールなしの推論ベンチマーク「Humanity's Last Exam」ではOpus 4.7(46.9%)に及ばない41.4%にとどまり、純粋な学術知識ではまだ差がある分野もあります。実務面では、GDPval(知識労働)で84.9%、サイバーセキュリティのCyberGymで81.8%と、エージェント型タスク全般で最高水準を達成しました。

推論基盤にはNVIDIA GB200 NVL72が採用されています。NVIDIAではすでに社内1万人以上がGPT-5.5搭載のCodexを活用し、デバッグ作業が数日から数時間に短縮されたと報告されています。GPT-5.5自身がGPU負荷分散のヒューリスティックを設計し、トークン生成速度を20%以上改善するという「モデルが自らの推論基盤を最適化する」成果も生まれました。OpenAIはNVIDIAのシステムを10ギガワット以上導入する計画で、両社の10年にわたる協業がさらに深まっています。

安全性の面では、OpenAI史上最も強力なセーフガードを導入したとしています。準備態勢フレームワークのもと、生物・化学およびサイバーセキュリティの能力を「High」リスクに分類。一般ユーザー向けにはサイバーリスク分類器を厳格化する一方、重要インフラを守る正規のセキュリティ専門家には制限を緩和する「サイバー許容型」ライセンスを新設しました。さらに生物安全性に関しては、ユニバーサル脱獄を発見した研究者に2万5,000ドルを支払うバグバウンティプログラムも開始しています。

料金面では、API価格が前世代から実質倍増し、入力5ドル・出力30ドル(100万トークンあたり)となりました。Proモデルはさらにその6倍です。ただしOpenAIは、GPT-5.5が同じタスクをより少ないトークンで完了するため、実質コストは抑えられると説明しています。Plus・Pro・Business・Enterpriseの各プランで即日利用可能となり、API提供も「近日中」としています。Brockman氏はChatGPT・Codex・AIブラウザを統合した「スーパーアプリ」構想にも言及し、AnthropicやGoogleとのフロンティアモデル競争がさらに激化する見通しです。

NASAはナンシー・グレース・ローマン宇宙望遠鏡を当初予定より8カ月早い2026年9月に打ち上げると発表しました。同望遠鏡は運用期間中に2万テラバイトものデータを天文学者に届ける見通しです。すでにジェイムズ・ウェッブ宇宙望遠鏡は毎日57ギガバイトの画像を送信しており、チリのヴェラ・C・ルービン天文台も年内に観測を開始して毎晩20テラバイトを生成する予定です。かつてのハッブル望遠鏡の日量1〜2ギガバイトとは桁違いの規模であり、天文学は本格的なビッグデータ時代に突入しています。

カリフォルニア大学サンタクルーズ校の天体物理学者ブラント・ロバートソン教授は、NVIDIAと15年にわたり協力してGPUを天文学に応用してきました。同教授の研究室が開発した深層学習モデル「Morpheus」は、自動運転車と同じ意味的分割手法を用いてピクセル単位で銀河を分類します。JWSTデータへの適用により、初期宇宙に存在するはずがないとされていた回転円盤銀河を多数発見し、宇宙の進化理論に新たな知見をもたらしました。この発見は当初懐疑的に受け止められましたが、その後独立した複数の研究で確認されています。

ロバートソン教授はMorpheusのアーキテクチャを畳み込みニューラルネットワークからTransformerに移行する作業を進めており、分析可能な領域が数倍に拡大する見込みです。また、NVIDIAのDLSSに概念的に近い手法を用い、宇宙望遠鏡のデータで訓練したモデルを地上望遠鏡の画像に適用することで、大気による歪みを除去して宇宙望遠鏡に近い鮮明さを実現しています。さらに大学院生が開発した「GalaxyFriends」というツールにより、約9万個の銀河を類似性に基づいて整理し、パターンの発見や異常検出を効率化しています。

一方で研究を支えるGPUインフラの確保は深刻な課題となっています。ロバートソン教授はNSFの助成金でサンタクルーズ校にGPUクラスタを構築しましたが、設備は陳腐化しつつあり、AI手法を使いたい研究者は増える一方です。さらにトランプ政権がNSF予算の50%削減を提案しており、研究基盤の維持が一層困難になる懸念があります。ロバートソン教授は「大学はリソースの制約からリスク回避的になる。研究者は起業家的に行動し、この分野の進む方向を示す必要がある」と述べています。

OpenAIは2026年4月22日、テキスト中の個人識別情報(PII)を検出・除去する専用モデル「Privacy Filter」をオープンソースで公開しました。Apache 2.0ライセンスでHugging FaceとGitHubから利用でき、商用利用やモデルの改変も自由です。同社が自社のプライバシー保護ワークフローで使用しているモデルの公開版で、PII-Masking-300kベンチマークでF1スコア96%を達成しています。

Privacy Filterは通常の大規模言語モデルとは異なり、双方向トークン分類モデルとして設計されています。入力テキスト全体を一度に読み取り、前後の文脈から個人情報かどうかを判断します。たとえば「Alice」という単語が私的な個人名なのか、文学作品のキャラクター名なのかを周囲の文脈から区別できます。総パラメータ数は15億ですが、Mixture-of-Experts構造により推論時のアクティブパラメータは5000万に抑えられています。

検出対象は個人名・住所・メール・電話番号・URL・日付・口座番号・パスワードやAPIキーなどの秘密情報の8カテゴリです。128,000トークンのコンテキストウィンドウを持ち、法的文書や長大なメールスレッドも分割せずに処理できます。Viterbiデコーダにより「John Smith」のような複数語の名前も一貫した範囲として正しくマスキングされます。

企業にとっての最大の利点は、ローカル環境で完結する点です。ノートPCやブラウザ上で動作するため、機密データをクラウドに送信せずにPIIを除去できます。GDPRやHIPAAへの準拠が求められる環境でも、まずPrivacy Filterでデータを浄化してからGPT-5などの推論モデルに渡すワークフローが構築できます。

ただしOpenAIは、本モデルは「匿名化ツールやコンプライアンス認証の代替ではない」と注意喚起しています。医療・法務・金融などの高リスク領域では人間によるレビューとドメイン固有の評価が依然として重要です。それでも、少量のデータでファインチューニングすればF1スコアが54%から96%に向上した実験結果も示されており、各組織の用途に合わせた柔軟なカスタマイズが可能です。

OpenAIは2026年4月22日、Responses APIにWebSocketモードを正式導入したと発表しました。従来のHTTPベースでは、エージェントがツール呼び出しのたびに会話履歴全体を再送信する必要があり、推論速度が向上してもAPIのオーバーヘッドがボトルネックになっていました。WebSocketによる永続接続でこの構造的課題を解消し、エージェントのエンドツーエンド処理を最大40%高速化しています。

技術的には、WebSocket接続のライフタイム内で前回のレスポンス状態をインメモリにキャッシュする設計です。後続リクエストがprevious_response_idを指定すると、サーバーはキャッシュから状態を取得し、トークンの再レンダリングやモデル解決ロジックの再実行を省略します。安全性分類器やバリデーターも差分入力のみを処理するよう最適化されました。

開発の背景には、コーディングエージェントCodex向けの高速モデルGPT-5.3-Codex-Sparkの存在があります。同モデルは専用のCerebrasハードウェア上で1,000TPS超の推論速度を実現しますが、従来のAPI構造ではCPU側の処理がGPUの速度に追いつかない状態でした。WebSocketモードの導入により、本番環境で1,000TPSの目標を達成し、バースト時には4,000TPSも記録しています。

既にVercel AI SDK、Cline、Cursorなど主要な開発ツールがWebSocketモードを統合済みです。Vercelは最大40%、Clineは39%、Cursorは最大30%のレイテンシ改善を報告しています。既存のResponses APIと同じリクエスト・レスポンス形式を維持しているため、開発者はインテグレーションを大幅に書き換えることなく移行できる点も普及を後押ししています。

OpenAIはWebSocketモードを、2025年3月のResponses APIローンチ以来最も重要な機能追加と位置づけています。モデルの推論速度が急速に向上する中、APIインフラ側の最適化がユーザー体験に直結する時代に入ったことを示す事例といえます。

NVIDIAとGoogle Cloudは、Google Cloud Next 2026において、AIファクトリー向けインフラの大幅な拡充を発表しました。10年以上にわたる協業の成果として、エージェントAIとフィジカルAIの本番環境への展開を加速する新たなマイルストーンとなります。両社はチップからソフトウェアまでフルスタックで共同設計したプラットフォームを提供し、開発者やエンタープライズのAI活用を支援します。

インフラ面では、次世代Vera Rubin NVL72を搭載したA5Xベアメタルインスタンスが発表されました。前世代と比較して推論コストを10分の1、メガワットあたりのトークンスループットを10倍に改善します。単一サイトで最大8万GPU、マルチサイトでは最大96万GPUへのスケーリングが可能です。

Blackwellプラットフォームでは、A4からA4X Maxまで幅広いVMラインナップを揃えました。OpenAIがChatGPTの推論ワークロードにGB300およびGB200 NVL72システムを採用するなど、フロンティアAIラボによる実運用が進んでいます。また、機密コンピューティング対応のConfidential G4 VMも発表され、規制産業向けにプロンプトやモデルの暗号化保護を実現しました。

エージェントAI領域では、Nemotron 3 SuperがGemini Enterprise Agent Platformで利用可能になりました。NeMo RLベースのマネージド強化学習APIも導入され、クラスタ管理を自動化しながら大規模なRL訓練を実行できます。CrowdStrikeがサイバーセキュリティ向けにNeMoライブラリを活用するなど、実用事例も広がっています。

フィジカルAI分野では、OmniverseライブラリとIsaac SimがGoogle Cloud Marketplaceで提供され、デジタルツインの構築やロボットシミュレーションが可能になりました。Cosmos Reason 2などのNIM マイクロサービスをVertex AIにデプロイすることで、ロボットやビジョンAIエージェントが物理世界で推論・行動できる基盤が整います。SnapやSchrödingerなど大企業からスタートアップまで、9万人超の開発者コミュニティがこのプラットフォームを活用しています。

元OpenAI CTOのMira Murati氏が設立したAIスタートアップThinking Machines Labが、Google Cloudと数十億ドル規模（一桁台）のインフラ利用契約を締結しました。契約にはNvidiaの最新チップ「GB300」を搭載したAIシステムへのアクセスが含まれ、モデルの訓練とデプロイを支援します。

Googleは近年、AIスタートアップとのクラウド契約を積極的に進めています。今月にはAnthropicがGoogleおよびBroadcomとTPU数ギガワット分の契約を締結。一方でAnthropicはAmazonとも最大5ギガワットの契約を結んでおり、クラウド各社の競争は激化しています。Thinking Machines Labにとっては初のクラウドプロバイダー契約であり、排他契約ではないため将来的に複数プロバイダーの利用も想定されます。

Thinking Machines Labは2025年2月の設立後、20億ドルのシードラウンド（評価額120億ドル）を完了し、同年10月に初製品「Tinker」を発表しました。TinkerはカスタムフロンティアAIモデルの構築を自動化するツールで、強化学習アーキテクチャを基盤としています。

今回の契約はTinkerの強化学習ワークロードを支える計算基盤の確保が目的です。GB300搭載システムは前世代比で訓練・推論速度が2倍に向上するとされ、Thinking Machines Labは同システムの最初期の顧客となります。急成長するフロンティアAIラボを早期に囲い込むGoogleの戦略が鮮明になった契約といえます。

Googleは4月22日、Cloud Nextカンファレンスで第8世代TPU（Tensor Processing Unit）を発表しました。従来の単一チップ路線を転換し、訓練専用のTPU 8tと推論専用のTPU 8iの2チップ体制へ移行します。エージェントAI時代の異なるワークロード要件に対応するため、2024年にロードマップの分割を決断したと、同社SVPのAmin Vahdat氏が明かしました。

TPU 8tは大規模モデル訓練に特化し、1ポッドあたり9,600チップ、2ペタバイトの共有HBMを搭載します。前世代Ironwoodの約3倍となる121 FP4 EFlopsの演算性能を実現し、新開発のVirgoネットワークにより100万チップ超を単一論理クラスタとして接続可能です。フロンティアモデルの訓練期間を数カ月から数週間に短縮することを目指します。

TPU 8iはエージェントAIの推論ワークロードに最適化されています。288GBのHBMに加え、前世代の3倍となる384MBのオンチップSRAMを搭載し、大規模なKVキャッシュをチップ上に保持できます。新設計のBoardflyトポロジーでネットワーク径を50%以上削減し、リアルタイム推論のレイテンシを最大5倍改善しました。1ポッドあたり1,152チップで、前世代比80%の性能対コスト向上を実現します。

両チップとも自社設計のAxion ARMベースCPUをホストに採用し、前世代比2倍の電力効率を達成しました。Googleはシリコンからデータセンターまでの垂直統合設計により、OpenAIやAnthropicなどNvidia GPUに依存する競合が支払う「Nvidia税」を回避できる点を強調しています。JAX、PyTorch、SGLang、vLLMなど主要フレームワークをサポートし、ベアメタルアクセスも提供します。

両TPUの一般提供は2026年後半を予定しています。現時点ではGoogle自社ベンチマークのみで、独立した第三者検証はこれからです。また、CUDA/PyTorchエコシステムからの移行コストは依然として考慮すべき要素です。Citadel Securitiesなど先進企業がTPU採用を表明しており、フロンティアAI開発の競争軸が「GPUの調達力」から「スタック全体の設計力」へ移行しつつあることを示す発表となりました。

Cirrascale Cloud Servicesは2026年4月22日、Google Cloudとの提携拡大により、Google Geminiをオンプレミスのエアギャップ環境で稼働させるサービスを発表しました。Google Distributed Cloudを通じて提供されるこのサービスは、ネオクラウド事業者として初めてGoogleの最先端AIモデルを完全プライベートな切断型アプライアンスとして利用可能にするものです。Google Cloud Next 2026に合わせた発表で、プレビュー版の提供が即日開始され、一般提供は6〜7月を予定しています。

アプライアンスはDell製のGoogle認定ハードウェアで、Nvidia GPU8基を搭載し、コンフィデンシャルコンピューティングで保護されています。最大の特徴は、Geminiのモデルが揮発メモリ上にのみ存在する点です。電源を切るとモデルは消去され、ユーザーの入出力データもセッション終了時に自動的にクリアされます。物理的な改ざんが検知された場合は機器が自動停止し、再利用にはCirrascaleやDell、Googleへの返送が必要になります。

このサービスが解決するのは、規制産業が長年直面してきた「最先端AIモデルへのアクセス」と「データセキュリティ」の二律背反です。金融機関や医療機関、政府機関はこれまで、パブリッククラウドAPIを通じて機密データを外部に送信するか、性能の劣るオープンソースモデルで妥協するかの選択を迫られていました。Cirrascale CEOのDave Driggers氏は「フル版のGeminiであり、何も削られていない」と強調しています。

競合との差別化も明確です。MicrosoftのAzure OpenAIやAWS Outpostsがクラウド拡張としてオンプレミスを提供するのに対し、CirrascaleのサービスではGoogleのインフラから完全に独立した環境でモデルが動作します。最小構成はサーバー1台から導入でき、Google自身のプライベートインスタンスより小規模な展開が可能です。データ主権法への対応として、Google Cloud Platformの拠点がない国でもGeminiを利用できる点も大きな利点です。

料金体系はシートライセンス、トークン課金、定額制の3モデルを用意し、顧客のニーズに柔軟に対応します。ハードウェアの購入とマネージドサービスの組み合わせも可能で、大学や政府系研究機関の予算構造にも適合します。業界アナリストは2027年までにAIモデルの学習・推論の40%がパブリッククラウド外で実行されると予測しており、プライベートAIへの需要は急速に高まっています。Driggers氏は2026年後半に大手銀行や研究機関が本格導入を開始するとの見通しを示しました。

GoogleのGemma 4 VLA（Vision-Language-Action）モデルが、わずか8GBメモリのNVIDIA Jetson Orin Nano Super上で動作するデモが公開されました。音声入力から視覚認識、音声応答までを一台のエッジデバイスで完結させるチュートリアルで、NVIDIAのAsier Arranz氏がHugging Faceブログで詳細な手順を紹介しています。

デモの構成は、Parakeet STTによる音声認識、Gemma 4による推論、Kokoro TTSによる音声合成を組み合わせたパイプラインです。ユーザーがスペースキーを押して質問を話すと、モデルが質問内容を解析します。視覚情報が必要と判断した場合は、自律的にウェブカメラを起動して撮影し、画像を踏まえた回答を生成します。

技術的なポイントは、llama.cppを使ったローカル推論サーバーの構築です。モデルはQ4_K_M量子化版のGGUFフォーマットで提供され、ビジョンプロジェクターと合わせてGPUにオフロードされます。--jinjaフラグによりGemmaのネイティブツール呼び出し機能が有効化され、キーワードマッチングではなくモデル自身が視覚の必要性を判断する仕組みです。

導入手順はシステムパッケージのインストール、Python環境の構築、メモリの最適化、llama.cppのビルド、デバイスの設定、デモの実行という6ステップで構成されています。8GBという限られたメモリを最大限活用するため、スワップの追加やDocker・不要プロセスの停止といったメモリ管理の工夫も紹介されています。

テキストのみで試したい場合は、NVIDIA公式のDockerイメージを使ったワンライナーでの起動も可能です。ただしDocker版はビジョンプロジェクターを読み込まないため、VLAデモのフル機能は利用できません。エッジデバイス上でマルチモーダルAIを手軽に体験できる実践的なチュートリアルとなっています。

NVIDIAはアースデーに合わせ、AI技術で地球環境を保護する5つのプロジェクトを紹介しました。気候シミュレーション基盤「Earth-2」による高精度気象予測、絶滅危惧種オランウータンの保全、AIロボティクスによるリサイクル、津波早期警報、衛星画像のリアルタイム解析という5分野で、加速コンピューティングが環境課題の解決を後押ししています。

気象分野では、Earth-2がオープンなAI気象ソフトウェアスタックとして観測データの前処理から15日間の予測まで全工程を高速化します。Earth-2 Nowcastingは生成AIを活用し、国規模の予測をキロメートル解像度・6時間先までの局地予報に数分で変換します。データ同化モデル「HealDA」はNOAAやMITREと共同開発され、単一GPUで大気の全球スナップショットを数分で生成できます。

野生動物保全では、ボルネオとスマトラの熱帯雨林でGPU加速AIがオランウータンの巣をドローン画像から自動検出する研究が成果を上げています。従来は1時間のドローン飛行で30時間の画像分析が必要でしたが、AIモデルは1,800枚の画像を5分以内に処理します。InceptionV3ベースのモデルは99%超の精度を達成し、3種すべてが絶滅危惧種であるオランウータンの迅速な個体数モニタリングを可能にしています。

リサイクル分野では、NVIDIA InceptionメンバーのAMP社がAIロボティクスで廃棄物回収率90%を実現し、従来施設の約75%を大きく上回っています。これまでに20億ポンド以上の素材を埋立処分から転換し、推定73万9千トンのCO2排出を削減しました。NVIDIA Hopper GPUの採用でAI推論の消費電力も半減しています。

防災では、テキサス大学オースティン校のチームがカスカディア断層の津波予測でACMゴードンベル賞を受賞しました。物理モデルの事前計算とGPU処理により、従来手法の100億倍の速度で津波予測を完了し、沿岸住民の避難時間を確保します。また、Planet社はNVIDIAとの協業で衛星の生データからの画像処理パイプラインをGPUネイティブで構築し、山火事などの災害情報を従来の数時間から秒単位で提供する基盤を整えています。

NVIDIA、Adobe、WPPの3社は、企業のマーケティング業務を自動化するAIエージェント基盤の構築で協業を拡大すると発表しました。Adobe Summitで披露されたこの取り組みは、コンテンツの企画・制作・配信までを一貫して自動化し、パーソナライズされた顧客体験を大規模に提供することを目指しています。

3社はそれぞれ異なる強みを持ち寄ります。Adobeはクリエイティブツールと顧客体験プラットフォーム、WPPはグローバルなメディア・マーケティングの専門知識、NVIDIAはGPUコンピューティングとAIソフトウェア基盤を担います。新たに発表されたCX Enterprise Coworkerは、パーソナライゼーションからアクティベーションまでの顧客体験ワークフローを統合管理するAIエージェントです。

技術面では、NVIDIAのOpenShellランタイムがエージェントの安全な実行環境を提供します。ポリシーベースのサンドボックス内でエージェントが動作するため、企業のデータ境界やブランドルールを逸脱する操作を防止できます。「エージェントが何をできるか」を検証可能な形で管理できる点が、従来のポリシー管理との違いです。

コンテンツ生成の面では、Adobe Firefly FoundryがNVIDIAのAIインフラ上で稼働し、企業の独自アセットに基づいたカスタムモデルのチューニングを可能にします。これにより商用利用可能なブランド準拠コンテンツを大量生成できるようになります。さらに、NVIDIA OmniverseとOpenUSDを基盤とする3Dデジタルツインソリューションも一般提供が開始され、製品のデジタルツインを活用した高品質コンテンツの自動生成が実現します。

この協業により、グローバル小売企業が数百万通りの商品・顧客・チャネルの組み合わせに対して最適なオファーや画像を数分で更新するといった運用が可能になります。マーケティングチームは速度と安全性を両立しながら、常時稼働のパーソナライズ体験を提供できる新たな基盤を手に入れることになります。

Metaは2026年4月17日、VRヘッドセット「Quest」シリーズの価格を4月19日から50〜100ドル（約12〜20%）引き上げると発表しました。同社はメモリチップなど重要部品の世界的な価格高騰を理由に挙げていますが、その高騰を引き起こした要因の一つがMeta自身の巨額AI投資であるという皮肉な構図が浮かび上がっています。

Metaは2026年の設備投資として1150億〜1350億ドルを計画しており、2025年の720億ドル、2023年の280億ドルから急増しています。この投資の大半はAIインフラに向けられ、データセンター企業CoreWeaveへの210億ドルの追加出資や、エルパソの新データセンターへの100億ドル投入が含まれます。

こうしたAI関連の大規模投資は、GPU・データセンター向けのメモリやストレージの需要を急拡大させています。業界全体では2026年に6300億ドルのAIインフラ投資が見込まれており、部品の供給逼迫が幅広い消費者向け製品の価格上昇につながっています。

Metaに限らず、ソニーのPlayStation 5やモトローラのスマートフォン、Raspberry Piなども同様の理由で値上げに踏み切っています。AI覇権競争に伴う部品需給の逼迫が、VRを含む消費者向けハードウェア全般のコスト増という副作用をもたらしている現状が鮮明になっています。

英国政府は2026年4月16日、国内のAIスタートアップに投資するための政府系ベンチャーファンド「Sovereign AI」を正式に立ち上げました。総額約6億7500万ドル(約1000億円)の規模で、モデル開発やエージェントAI、創薬など幅広い分野の新興企業を対象としています。VC大手Balterdon CapitalのJames Wise氏と、Y Combinator出身のJoséphine Kant氏が運営を担います。

同ファンドの特徴は、資金提供にとどまらない包括的な支援体制にあります。投資先の企業は英国が保有するスーパーコンピュータネットワークへのアクセス権を得られるほか、海外人材の採用に必要なビザの無償発給、政府調達への参加機会、専門家による助言などを受けられます。初期投資先として、異なるプロセッサの協調動作を支援するCallosumへの出資が発表されたほか、Prima MenteやCosineなど6社に最大100万GPU時間分の計算資源が提供されます。

この取り組みは、2025年1月に公表された英国のAI活用計画「AI Opportunities Action Plan」の一環です。英国にはGoogle DeepMindやARM、Wayveといった有力企業が拠点を構える一方、半導体設計・製造やモデル開発の分野では米国・アジア勢に大きく後れを取っています。政府は「AIの作り手であり、単なる利用者にとどまらない」立場を目指すとしています。

専門家は、英国がAIで完全な自給自足を達成することは現実的ではないと指摘しつつも、特定のニッチ領域で不可欠な存在となる企業を育成する戦略には意義があると評価しています。トニー・ブレア研究所のKeegan McBride氏は「世界は不可逆的に相互依存している中で、最良のポジションをどう築くかが問われている」と述べています。ファンドの規模は大手AI企業の投資額と比べると小さいものの、民間VCとの共同投資者として計算資源などの付加的な支援を提供できる点が強みになると、ロンドンのSeedcamp社は期待を示しています。

Hugging Faceは2026年4月16日、Sentence Transformersライブラリでマルチモーダル埋め込みモデルとリランカーモデルを学習・微調整する方法を解説するブログ記事を公開しました。テキストだけでなく画像・音声・動画を扱えるモデルの学習が、既存のテキスト専用パイプラインとほぼ同じコードで実現できます。

実践例として、Qwen3-VL-Embedding-2Bを視覚文書検索タスクで微調整する手順が紹介されています。テキストクエリに対して関連するドキュメントのスクリーンショットを検索するタスクで、微調整後のモデルはNDCG@10を0.888から0.947に改善しました。これは8Bパラメータの大型モデルを含む既存のすべてのモデルを上回る成績です。

学習にはCachedMultipleNegativesRankingLossとMatryoshkaLossを組み合わせて使用します。前者は勾配キャッシュにより限られたGPUメモリでも大きな実効バッチサイズを確保でき、後者は埋め込みベクトルを任意の次元数に切り詰めても高い性能を維持できるよう訓練します。512次元への圧縮でもピーク性能の99.7%を保持するという結果が示されています。

さらに、マルチモーダルなクロスエンコーダ（リランカー）モデルの学習方法も紹介されています。画像からテキスト、テキストから画像の双方向の照合を1つのモデルで学習する手法が示されており、Routerモジュールを使った別々のエンコーダの組み合わせにも対応しています。ドメイン固有データでの微調整がモデルサイズの拡大よりも効果的であることを実証した、実践的なガイドとなっています。

企業のAI活用が「何を作れるか」から「投資に見合う価値を得ているか」へと転換期を迎えています。VentureBeatのAI Impact Tourセッションで、Red Hatのポートフォリオ戦略ディレクターであるBrian Gracely氏は、大企業内部のAI運用の実態として、AI活用の無秩序な拡大、推論コストの上昇、投資対効果の見えにくさを指摘しました。パイロットから本番環境へ移行する「Day 2」の段階に入り、コスト管理やガバナンスがシステム構築以上に困難になっているといいます。

Gracely氏は「Copilotの5万ライセンスを持つ顧客が、何を得ているかわからないまま世界で最も高価なGPUコンピューティングに支払っている」という事例を紹介しました。過去2年間は実験段階として自由な支出が許容されていましたが、2〜3回目の予算サイクルに入った今、支出と成果を結びつける計測基盤の欠如が深刻な問題となっています。

同氏は「トークンの消費者から生成者へ」という戦略転換を提唱しています。すべてのワークロードに最先端モデルが必要なわけではなく、DeepSeekなどのオープンモデルや小型モデルの選択肢が増えたことで、企業は自社でGPUを運用・レンタルする判断が現実的になりました。2年前に市場を独占していた少数のプロバイダー以外にも、実用的な代替手段が揃ってきています。

一方で、トークン単価が年間約60%下落しているにもかかわらず、利用量の急増が効率化の恩恵を相殺するジェボンズのパラドックスが生じています。利用量が3倍になりコストが半減しても、総支出は以前より増加するため、どのワークロードに高性能モデルを使い、どれを低コストモデルで処理するかの見極めが重要です。

Gracely氏が強調するのは、AI投資を減速させることではなく、柔軟性を最優先に設計することです。抽象化レイヤーを設けて実験コストを抑えつつ事業リスクも最小化する。AI活用はまだ3年程度の歴史しかなく、次に何が起きるかは予測困難です。今の費用構造に最適化するのではなく、変化が起きたときに適応できる組織的・技術的な柔軟性を構築することが、最も実践的な戦略だと同氏は結論づけています。

NVIDIAは2026年4月18日から22日にラスベガスで開催されるNAB Show 2026に合わせ、AdobeがPremiereの新機能「Color Mode」をベータ版として発表することを明らかにしました。この機能はNVIDIA RTX GPUによるアクセラレーションを活用し、映像制作者がPremiere内で直接カラーグレーディングを行える専用環境を提供します。6万人以上のコンテンツプロフェッショナルが集まる同イベントで披露されます。

Color Modeは、Premiere内にネストされた専用グレーディング環境として設計されています。大型のプログラムモニターが中心に配置され、調整結果を即座に視覚的にフィードバックすることで、迅速な判断と精密な操作を可能にします。クリップグリッドビューにより、シーケンス内のショット間の一貫性を維持しやすくなっています。

技術面では、32bit色深度での処理に初めて対応し、最大限の色再現性を実現しています。従来のハイライト・ミッドトーン・シャドウの3ゾーンモデルを超え、最大6つの輝度調整ゾーンを利用できます。双方向コントロールやマルチゾーントーナルシェーピング、スタック型カラー操作など、すべての処理がNVIDIA GPU上で実行されます。

NVIDIAはあわせて、デバイス上で動作するAIアシスタント「Project G-Assist」のv0.2.1アップデートも発表しました。ゲーム設定の高度な検出システムと知識システムの強化により、eスポーツやAAAタイトルの設定調整でより高精度な助言が可能になっています。DLSS Overrides、Smooth Motion、RTX HDRなどNVIDIA Appの高度な機能も制御対象に加わりました。

そのほかNAB関連の動向として、WondershareのFilmoraがNVIDIA Broadcast技術を活用したアイコンタクト補正機能を追加したほか、UnslothとNVIDIAの協力によりファインチューニング性能が15%向上したことも報告されています。GoogleのGemma 4モデルファミリーもNVIDIA GPU向けに最適化され、RTX搭載PCからJetson Orin Nanoまで幅広いデバイスで効率的に動作します。