MIT（大学・研究機関）に関するニュース一覧

MITの研究チームは、自律型AIシステムの倫理的整合性を自動評価する新手法「SEED-SET」を開発しました。電力配分や交通制御など高リスク領域でのAI判断が公平かどうかを、展開前に体系的に検証できます。

従来の評価手法は事前収集データに依存し、主観的な倫理基準のラベル付けが困難でした。SEED-SETは客観的な性能指標と主観的な倫理基準を階層的に分離し、少ない評価回数で最も情報価値の高いシナリオを効率的に特定します。

主観評価には大規模言語モデル（LLM）を人間の代理として活用します。各利害関係者の倫理的選好を自然言語プロンプトに変換し、シナリオ間の比較判定を行うことで、人間評価者の疲労による一貫性低下の問題を回避しています。

電力網と都市交通ルーティングの実験では、同じ時間内に基準手法の2倍以上の最適テストケースを生成し、他手法が見落としたシナリオも多数発見しました。たとえば高所得地域を優先するピーク時配電の不公平を自動的に検出できました。

研究チームは今後、実際の意思決定に役立つかを検証するユーザースタディを実施予定です。さらに大規模問題やLLMの意思決定評価にも拡張する計画で、研究は国際学習表現会議（ICLR）で発表されます。

MITなどの研究チームは、3Dプリントで製作する物体の外観を事前に高精度で再現するAIツール「VisiPrint」を開発しました。成果はACM CHI 2026で発表されます。

従来の3Dプリントソフトは機能面のプレビューに重点を置いており、色や質感が実物と異なることが多く、試作のやり直しが頻発していました。素材の約3分の1が廃棄されるとの調査もあり、資源の無駄が深刻な課題です。

VisiPrintは、スライサーソフトのスクリーンショットと素材の画像を入力するだけで動作します。コンピュータビジョンモデルが素材の特徴を抽出し、生成AIモデルがノズルの積層パターンや造形プロセスの影響を反映した外観を生成します。

技術の核心は、深度マップとエッジマップを組み合わせた専用の条件付け手法にあります。これにより形状の正確さとスライスパターンの忠実さを両立させています。汎用的なAIモデルでは形状の変形やパターンの誤りが起きやすい問題を解決しました。

ユーザー評価では、ほぼ全員が既存手法より外観と質感の再現性が高いと回答しました。プレビュー生成時間は平均約1分で、競合手法の2倍以上の速度を実現しています。歯科での仮歯の色合わせや建築模型の視覚評価など、外観が重要な分野での活用が期待されています。

MITの研究チームは、中性子散乱技術から得られるデータにAIモデルを適用し、材料を破壊せずに原子レベルの欠陥を分類・定量化する手法を開発しました。成果は学術誌Matterに掲載されています。

このモデルは2000種類の半導体材料で訓練され、ChatGPTと同様のマルチヘッドアテンション機構を活用しています。欠陥のある材料とない材料のデータ差分を学習し、ドーパントの種類と濃度を高精度で予測します。

従来の欠陥検出技術はX線回折やラマン分光法など個別手法に限られ、欠陥の種類か濃度のどちらか一方しか把握できませんでした。透過型電子顕微鏡では材料を薄く切断する必要があり、完成品の検査には不向きでした。

新手法は最大6種類の点欠陥を同時に検出でき、濃度0.2%という微量レベルまで識別可能です。筆頭著者のCheng氏は「2種類の欠陥の混合信号を解読するだけでも困難なのに、6種類で機能したことに驚いた」と成果の意義を強調しています。

研究チームは今後、より普及しているラマン分光法のデータで同様のモデルを訓練し、企業が品質管理プロセスに迅速に導入できる体制を目指します。点欠陥より大きな結晶粒や転位の検出への拡張も計画されており、半導体・電池材料産業への波及効果が期待されています。

MidjourneyのエンジニアCheng Lou氏が2026年3月27日、Webテキストレイアウトを根本から変えるオSSライブラリPretextをMITライセンスで公開しました。15KBのゼロ依存TypeScriptライブラリで、ブラウザのDOM操作を迂回し、テキストの計測と配置を高速に行います。

従来のWeb開発では、テキストの高さや位置を取得するたびにブラウザがレイアウトリフローと呼ばれる再計算を実行し、深刻なパフォーマンス低下を招いていました。PretextはブラウザのCanvasフォントメトリクスと純粋な算術演算を組み合わせ、DOMに一切触れずに文字・単語・行の配置を予測します。

ベンチマークによると、Pretextのlayout関数は500種類のテキストを約0.09ミリ秒で処理でき、従来のDOM読み取りと比較して300〜600倍の性能向上を達成しています。この速度により、ウィンドウリサイズや物理演算中でもリアルタイムにテキスト再配置が可能になりました。

開発にはAnthropicのClaudeやOpenAIのCodexなどAIコーディングツールが活用されました。多言語データセットや小説全文を用いてブラウザ実装とのピクセル単位の整合性を反復検証し、WebAssemblyやフォント解析ライブラリなしで高精度を実現しています。

公開から48時間でGitHubスター1万4000超、X上で1900万回閲覧を記録しました。コミュニティでは雑誌レイアウト、物理演算テキスト、ディスレクシア向けフォント調整など多彩なデモが登場し、Web表現の可能性が大きく広がっています。

企業にとっては、生成AI UIや高頻度データダッシュボードを構築する場合に即時導入が推奨されます。ただしレイアウトをユーザーランドに移すことで、ブラウザが担っていたアクセシビリティや標準準拠の責任を自社で管理する必要がある点には留意が必要です。

MITと物流テック企業Symboticの研究チームは、EC倉庫内で稼働する数百台の自律ロボットの交通渋滞を未然に防ぐ新たなAIシステムを開発しました。研究成果はJournal of Artificial Intelligence Researchに掲載されています。

このシステムは深層強化学習と従来型の経路計画アルゴリズムを組み合わせたハイブリッド手法を採用しています。ニューラルネットワークが倉庫全体の混雑状況を観測し、どのロボットを優先すべきかをリアルタイムで判断します。その後、高速な計画アルゴリズムが各ロボットへ具体的な移動指示を送ります。

実際のEC倉庫レイアウトを模したシミュレーション環境でテストした結果、従来手法と比較してスループットが約25%向上しました。特にロボット密度が高い環境では従来手法が急速に性能低下する一方、本手法は効率的な制御を維持できることが確認されています。

研究を主導したHan Zheng氏は、巨大倉庫ではわずか2〜3%のスループット改善でも大きな経済効果があると説明しています。純粋な機械学習では複雑な最適化問題の解決が難しく、人間による手動設計も膨大な時間を要するため、両者の長所を融合したアプローチが有効だとしています。

現時点では実環境への導入にはまだ距離がありますが、研究チームは今後、タスク割り当ての最適化や数千台規模へのスケールアップに取り組む予定です。本研究はSymbotic社の資金提供を受けて実施されました。

キングス・カレッジ・ロンドンとアラン・チューリング研究所の研究チームは、AIエージェントの長期記憶管理技術「xMemory」を開発しました。従来のRAGパイプラインが抱えるマルチセッション対話での冗長性問題を解決し、トークン使用量を大幅に削減します。

従来のRAGは大規模な文書データベース向けに設計されており、会話記憶のような相関性の高いデータストリームには不向きです。類似した埋め込みベクトルを持つチャンクが大量に取得され、重要な文脈情報が埋もれてしまいます。さらに会話特有の時系列依存性により、後処理での枝刈りが必要な情報まで削除するリスクがあります。

xMemoryは会話データを「生メッセージ→エピソード→セマンティクス→テーマ」の4層階層に整理します。検索時はテーマ層から下位層へトップダウンで探索し、「不確実性ゲーティング」により回答精度の向上に寄与する場合のみ詳細データを取得します。これにより冗長な情報の取得を根本的に防ぎます。

実験では、オープンモデル・クローズドモデル双方でxMemoryが既存手法を上回る精度を達成しました。一部タスクではクエリあたりのトークン消費が約9,000から約4,700に半減し、推論コストの大幅な削減を実現しています。ただし階層構造の構築にはバックグラウンドでの追加LLM呼び出しが必要であり、書き込みコストとのトレードオフが存在します。

研究者のLin Gui氏は、カスタマーサポートやパーソナライズドコーチングなど数週間〜数カ月にわたる一貫した対話が求められる業務での活用を推奨しています。一方、ポリシー文書や技術マニュアルの検索には従来のRAGで十分とのことです。コードはMITライセンスでGitHubに公開されており、商用利用も可能です。

MITの研究チームは、装着者の手の動きをリアルタイムで追跡し、ロボットハンドを無線制御できる超音波リストバンドを開発しました。研究成果はNature Electronics誌に掲載され、VR・ロボティクス分野への応用が期待されています。

このリストバンドは手首の筋肉や腱の超音波画像を連続的に撮影し、AIアルゴリズムが画像を5本の指と手のひらの位置情報にリアルタイムで変換します。手首の腱は指を動かす「操り糸」のような役割を果たしており、その状態を画像化することで手全体の動きを正確に把握できます。

従来のカメラ方式は設置が複雑で遮蔽物に弱く、センサーグローブは自然な動きを妨げるという課題がありました。筋電信号を用いる方式もノイズの影響を受けやすく、微細な動きの識別が困難でした。超音波方式はこれらの問題を解決し、指の22自由度すべてを高精度で追跡できます。

実証実験では8名の被験者がアメリカ手話の全26文字やテニスボール・ハサミなどの把持動作を行い、いずれも正確に追跡されました。ロボットハンドとの連携では、装着者の動きに合わせてロボットがピアノ演奏やバスケットボールのシュートを再現することに成功しています。

研究チームは今後、ハードウェアのさらなる小型化と、多様な手のサイズ・形状に対応するためのAI学習データの拡充を進めます。将来的には誰でも装着可能な汎用デバイスとして、ヒューマノイドロボットの訓練データ収集や外科手術支援、VR・ゲーム操作など幅広い分野への展開を目指しています。

MITが主導する国際研究チームは、医療用AIシステムに「謙虚さ」を組み込む新たなフレームワークを開発し、BMJ Health and Care Informatics誌に発表しました。診断の不確実性を医師に明示し、過信による誤診を防ぐ仕組みです。

従来の医療AIは過信した診断結果を提示する傾向があり、ICU医師が自身の直感に反してAIの提案に従ってしまう事例が報告されていました。患者も権威的に見えるAIの誤った推奨を受け入れやすいことが先行研究で判明しています。

新フレームワークの中核は、メルボルン大学が開発した認識的美徳スコアと呼ばれるモジュールです。AIが自らの確信度を臨床シナリオの複雑さに応じて評価し、根拠が不十分な場合は診断を一時停止して特定の検査や専門医への相談を提案します。

研究チームは既に大規模医療データベースMIMICを基盤としたAIシステムへの実装を進めており、Beth Israel Lahey Health系列の臨床現場への導入を計画しています。X線画像の解析や救急外来での治療方針決定など幅広い応用が見込まれます。

この取り組みは、AIの公平性向上という大きな目標の一環でもあります。多くの医療AIモデルは米国のデータに偏っており、農村部の患者など医療アクセスが限られる層がデータセットから除外される問題があります。MIT Critical Dataのワークショップでは、データサイエンティストや医療従事者が共同で構造的不平等の再現を防ぐ設計に取り組んでいます。

ByteDanceは2026年2月、AIエージェント・オーケストレーション基盤「DeerFlow 2.0」をMITライセンスでオープンソース公開しました。複数のAIサブエージェントを統合し、数時間に及ぶ複雑なタスクを自律的に実行できる「SuperAgent」フレームワークです。

DeerFlow 2.0はDockerベースのサンドボックス環境を採用し、エージェントの実行をホストシステムから完全に分離しています。ブラウザ、シェル、永続ファイルシステムを備えた独立環境で、bashコマンドの実行やファイル操作を安全に行えます。

技術的にはLangGraph 1.0とLangChainで全面的に書き直された新設計です。OpenAI、Anthropic、DeepSeek、Ollamaなどモデル非依存で動作し、Kubernetes上での分散実行やSlack・Telegram連携にも対応しています。

公開後わずか数週間でGitHub上で3万9千スターを獲得し、ML研究者やインフルエンサーの間で急速に注目が高まっています。SaaS型エージェントサービスの価格破壊につながるとの見方も広がっています。

一方、企業導入には課題も残ります。セットアップにはDocker・YAML・CLIの知識が必要で、独立したセキュリティ監査は未実施です。またByteDanceが開発元であるため、金融・医療・防衛など規制業種ではソフトウェアの出自に関する審査が求められる可能性があります。

MITで開催されたAIシンポジウムにおいて、ジャーナリストのKaren Hao氏と研究者のPaola Ricaurte氏が基調講演を行い、現在のAI開発の方向性に疑問を呈しました。300人以上が参加し、AIの恩恵を誰が受けるのかという根本的な問いが議論されました。

Hao氏は、大規模言語モデルの開発に使われる膨大なデータセットと計算資源の規模が不必要であると主張しました。ハイパースケールデータセンターのエネルギー消費や水資源の大量使用、さらにギグエコノミー労働者への人的負担といったトレードオフを具体的に指摘しています。

代替モデルとして、ノーベル賞を受賞したAlphaFoldを例に挙げました。タンパク質構造の予測に特化した小規模モデルは、厳選されたデータセットのみを使用し、高速なスーパーコンピューティングも不要でありながら、巨大な恩恵を生み出していると説明しました。

一方、The Vergeの調査報道によれば、企業がAI導入を急ぐ一方で消費者の反応は冷ややかです。Pew Researchの調査では多くの人がAIの影響を懸念しており、NBCの世論調査でも過半数がリスクが利点を上回ると回答しました。消費者が対価を払いたいと思う画期的なユースケースがいまだ登場していないことが背景にあります。

Ricaurte氏は、コミュニティのニーズに応えない技術に意味はないと述べ、目的駆動型のAI開発を訴えました。Hao氏もAIという用語の曖昧さが建設的な議論を妨げていると指摘し、「自転車からロケットまで」という比喩で具体的な議論の必要性を強調しました。両氏は聴衆に対し、技術の軌道はまだ固定されておらず、市民一人ひとりが積極的に関与すべきだと呼びかけました。

MITと独ハッソ・プラットナー研究所（HPI）は2026年3月19日、AI と創造性に関する共同研究拠点「MHACH」の設立に合意しました。Hasso Plattner財団が資金を提供し、10年間にわたる長期的な学際研究と教育プログラムを展開します。

MHACHでは冠名教授職や大学院フェローシップを設置し、AIと創造性の交差領域で継続的な研究基盤を整備します。ワークショップやハッカソン、夏季交換プログラムなど体験型の教育機会も拡充し、両機関の学生・研究者が分野を超えて協働できる環境を構築します。

MIT のサリー・コーンブルース学長は「情報時代が想像力の時代に移行するなか、人間の創造性に新たな重点が置かれる」と述べました。AIが創造性を損なうかではなく、新たな知性が創造プロセスをいかに深化・豊穣化できるかを探究する姿勢を示しています。

本連携は2022年に設立されたMIT MADとHPIの持続可能性デザイン研究プログラムを発展させたものです。HPIはデジタルエンジニアリングやサイバーセキュリティ、デザイン思考の分野で世界的な実績を持ち、人間中心イノベーションの知見を提供します。

運営委員会はMIT建築・計画学部、MITシュワルツマン・コンピューティング学部、HPIの代表者で構成されます。Hasso Plattner財団の長期的な慈善的コミットメントにより、技術革新とデザイン思考を結びつける国際的な研究教育の新たなモデルが目指されています。

MITの研究チームは、生成AIを活用してミリ波無線信号による障害物越しの物体認識精度を大幅に向上させる新手法を開発しました。IEEE CVPRで2本の論文として発表される本研究は、ロボットの隠れた物体操作や室内環境認識に革新をもたらします。

新システム「Wave-Former」は、ミリ波の反射信号から隠れた物体の部分的な3D形状を復元し、生成AIモデルが欠損部分を補完する仕組みです。ミリ波は鏡面反射の性質上、センサーに戻らない方向の情報が失われますが、AIがその空白を埋めることで精度を従来比約20%向上させました。

訓練データの不足という課題に対し、研究チームは既存の大規模画像データセットにミリ波反射の物理特性をシミュレーションで組み込む手法を考案しました。これにより年単位のデータ収集を省略し、合成データセットで生成AIモデルを効率的に学習させることに成功しています。

さらに拡張システム「RISE」では、室内を移動する人体からの多重反射（ゴースト信号）を解析し、固定レーダー1台で部屋全体の家具配置を復元します。従来はノイズとして破棄されていた二次反射を逆に活用する発想で、既存手法の約2倍の精度を実現しました。

これらの技術は倉庫ロボットが出荷前に梱包内容を確認する用途や、スマートホームロボットが住人の位置を把握して安全に協働する場面での応用が期待されます。カメラを使わないためプライバシーを保護でき、移動ロボットにセンサーを搭載する必要もない点が大きな利点です。

MITの研究チームは、大規模言語モデル（LLM）が自信を持ちながら誤った回答を生成する「過信」問題に対処するため、複数モデル間の回答の不一致を測定する新たな不確実性定量化手法を開発しました。この研究はMIT-IBM Watson AI Labとの共同で行われています。

従来の不確実性評価手法は、同じプロンプトを繰り返し入力してモデルの回答の一貫性を測る方式が主流でした。しかしこの方法は偶然的不確実性（モデル自身の内部的な確信度）しか測定できず、モデルが確信を持って間違えるケースを検出できないという根本的な限界がありました。

新手法では、対象モデルの回答を異なる企業が開発した類似規模のLLM群の回答と比較し、意味的類似度に基づいて認識論的不確実性を推定します。研究チームは複雑な手法も試みましたが、異なる企業のモデルを使うというシンプルなアプローチが最も効果的だったと報告しています。

この認識論的不確実性と従来の偶然的不確実性を組み合わせた総合不確実性指標（TU）は、質問応答・要約・翻訳・数学推論など10種類のタスクで評価され、いずれの単独指標よりも信頼性の低い予測を正確に特定しました。さらに、TUの計算に必要なクエリ数は偶然的不確実性の算出よりも少なく済む場合があります。

一方で、事実に基づく質問応答のように正解が一意に定まるタスクでは認識論的不確実性が特に有効である一方、自由記述型タスクでは性能が低下する可能性も明らかになりました。今後は自由記述型への適応や、偶然的不確実性の他の形式の探索が研究課題として挙げられています。

ニコラス・バーンズ元駐中国米大使は、MITエネルギーイニシアティブの講演で、米中関係の現状と今後について語りました。両国は世界最大の経済大国かつ最大の炭素排出国であり、競争と協力の両立が不可欠だと訴えました。

バーンズ氏は米中関係を「競争的・厳しい・敵対的」の3語で要約し、軍事・技術・貿易経済・価値観の4分野で競争が激化していると指摘しました。2025年の関税戦争では米国145%、中国125%の関税が課され、貿易がほぼ停止する危機に直面しました。

エネルギー分野では、中国がリチウム電池・太陽光パネル・EVに不可欠なレアアースの生産加工で圧倒的な優位にあります。米国のほかインド・EU・カナダなども関連製品に関税を課しており、バーンズ氏は供給源の多様化を支持する姿勢を示しました。

技術競争においては、AI・量子コンピューティング・バイオテクノロジーが中心になっています。中国の大学1年生のSTEM専攻率は36%で、米国の5%を大きく上回ります。バーンズ氏は中国の教育重視と技術適応力の高さを評価し、技術開発だけでなく政策との統合が競争力の鍵だと述べました。

一方で気候変動は米中協力の有望な領域とされます。中国はクリーンエネルギー技術で先行しつつも石炭使用を続けるという矛盾を抱えています。バーンズ氏は、破壊的な衝突を避けながら競争を管理するために対話と関与の正常化が急務であると強調しました。

MIT-IBM Watson AI Labが、MITの若手教員5名のAI研究プログラム立ち上げにおいて決定的な役割を果たしたことが明らかになりました。計算資源の提供と知的パートナーシップにより、各教員が着任初年度から野心的な研究を開始できた点が特徴です。

自然言語処理を専門とするJacob Andreas准教授は、着任直後にラボを通じて言語表現と低リソース言語のデータ拡張手法に関する初の大型プロジェクトを開始しました。NLP分野が言語モデル理解へと大きく転換する時期に、大規模計算資源を活用できたことが研究の方向性を決定づけたと述べています。

Yoon Kim准教授はポスドク時代にIBM側の共同研究者と出会い、ニューロシンボリックモデルの開発から大規模言語モデルの能力向上・効率化へと研究を発展させました。プロジェクト申請から大規模実験、ボトルネック特定、手法検証までシームレスに進められる体制が独自の強みだと評価しています。

Justin Solomon准教授はコンピュータグラフィックスと機械学習の融合研究で、異なるデータセットで訓練されたAIモデルの統合に取り組んでいます。Chuchu Fan准教授はロボット工学と制御理論の交差領域で、自然言語をロボットが理解・実行できる仕様に変換するLLMベースエージェントを世界に先駆けて開発しました。

Faez Ahmed准教授は機械学習による複雑な機械システムの設計加速に取り組み、従来「ほぼ解決不可能」とされた機械リンケージ問題をAIで解決可能にしました。5名の教員の経験は、持続的な産学連携が若手研究者の研究グループ確立と科学的探求にいかに大きな影響を与えるかを示しています。

LangChainは、企業が社内向けコーディングエージェントを構築するためのオープンソースフレームワーク「Open SWE」を公開しました。Deep AgentsとLangGraph上に構築され、Stripe・Ramp・Coinbaseなど大手企業が独自開発した社内エージェントの共通設計パターンを再現しています。

Open SWEの中核は隔離されたクラウドサンドボックスです。各タスクは専用のLinux環境で実行され、リポジトリのクローンとフル権限が与えられる一方、エラーの影響範囲はその環境内に封じ込められます。Modal、Daytona、Runloopなど複数のサンドボックスプロバイダーに対応しています。

ツールセットは約15種に厳選されており、シェル実行・Webフェッチ・GitHub PR作成・Linear連携・Slack返信などを備えます。Stripeが約500ツールを運用する中でも「量より品質管理が重要」と指摘しており、Open SWEもこの方針を踏襲しています。

サブエージェントとミドルウェアの二層構造が特徴です。複雑なタスクは専門の子エージェントに分割委譲され、ミドルウェアはPR自動作成やフォローアップメッセージの注入など確実に実行すべき処理を担います。これにより柔軟性と信頼性を両立させています。

呼び出しはSlack・Linear・GitHubの3チャネルに対応し、開発者は既存のワークフロー内でエージェントを起動できます。MITライセンスで公開されており、サンドボックス・モデル・ツール・システムプロンプトなど主要コンポーネントはすべてカスタマイズ可能な設計です。

Vercelは、Web AnalyticsおよびSpeed Insightsのバージョン2で「resilient intake」機能を導入しました。この新機能により、Webサイトのトラフィックデータとパフォーマンスデータの収集精度が向上します。

従来の仕組みでは単一の固定パスに依存していたため、広告ブロッカーなどによりデータが欠損するリスクがありました。新バージョンではエンドポイントを動的に探索する方式を採用し、より完全なデータ収集を実現しています。

導入方法は非常にシンプルです。@vercel/analyticsと@vercel/speed-insightsの最新版をnpmでインストールし、デプロイするだけで有効になります。追加の設定変更は一切不要です。

既存の実装は従来どおり動作するため、後方互換性が確保されています。また、ライセンスがApache-2.0からMITに変更され、他のオープンソースパッケージとの整合性が図られました。

本機能はすべてのチームに追加費用なしで提供されます。Nuxtアプリケーションではモジュール経由で1行のコード追加のみで導入でき、フレームワークを問わず幅広い開発環境で活用可能です。

MITは2025年に全米科学財団の支援を受け、AI と数理・物理科学（MPS）の未来を議論するワークショップを開催しました。天文学・化学・材料科学・数学・物理学の研究者が一堂に会し、その成果が学術誌に白書として公開されています。

白書の中心的な知見は、AIと科学の関係が双方向であるべきだという点です。AIで科学を進歩させるだけでなく、科学的推論がAIの基盤手法を改善し、科学的課題が新アルゴリズム開発を促し、科学的ツールがAIの動作原理を解明する「AIの科学」が提唱されました。

具体例として、粒子物理学の衝突実験で開発されたリアルタイムAIアルゴリズムが、物理学の枠を超えて幅広い分野に応用可能であることが示されています。2024年のノーベル物理学賞・化学賞がAI関連研究に授与されたことも、科学とAIの結びつきの深さを裏付けています。

人材面では、科学とAIの両方に精通した「ケンタウロス科学者」の育成が不可欠とされました。MITでは学際的博士課程を整備し、物理学PhD学生の約10%が統計・データ科学を併修するまでに成長しています。IAIFIフェローシップなど若手支援も充実しています。

MITのシュワルツマン・コンピューティング学部と物理学科は初の共同教員採用を実施しました。白書は、組織横断的な採用・研究・教育の一貫した戦略を持つ機関がAI×科学分野をリードすると結論づけており、計算基盤への協調投資と分野横断コミュニティの構築を強く推奨しています。

MITの研究チームは、ロボットナビゲーションなど長期的な視覚タスクの計画を自動化する新たな生成AI手法を開発しました。従来手法の成功率が約30%にとどまる中、本手法は約70%を達成し、およそ2倍の性能向上を実現しています。

この手法はVLMFP（VLM誘導形式計画）と呼ばれ、2つの視覚言語モデルが連携して動作します。小型モデル「SimVLM」が画像内のシナリオを自然言語で記述し、行動シミュレーションを実行します。次に大型モデル「GenVLM」がその記述をPDDLという形式計画言語に変換します。

PDDLファイルは古典的な計画ソルバーに入力され、目標達成のためのステップごとの計画が算出されます。GenVLMはソルバーの結果とシミュレーション結果を比較し、PDDLファイルを反復的に改善することで精度を高めています。

本手法の大きな強みは汎化能力です。PDDLのドメインファイルは同一環境の全問題で共通のため、未知の問題にも柔軟に対応できます。2D計画タスクで約60%、マルチロボット協調やロボット組立などの3Dタスクでは80%超の成功率を記録しました。

研究チームは今後、より複雑なシナリオへの対応と、VLMのハルシネーションを検出・軽減する手法の探求を進める方針です。本研究はMIT-IBM Watson AI Labの支援を受け、国際学会ICLRで発表予定です。

MITは2026年春学期、人類学者と計算機科学者が共同で設計した学際講座「Humane UXD」を開講しました。人間のインタラクションや対人ニーズをプログラミングに統合する手法を教え、学生がヒューマンなAIチャットボットを設計できるようにすることを目指しています。

講座を共同開発したのは、データ可視化を専門とするArvind Satyanarayan教授と、コミュニケーション研究が専門の人類学者Graham Jones教授です。両者はMIT Morningside Academy for Designの助成を受け、言語人類学のインタビュー手法や会話分析をAI設計に応用するカリキュラムを構築しました。

学生チームが開発した「Pond」は、大学卒業後の社会人生活への適応を支援するチャットボットです。社会生活・職業生活・大人のスキルの3領域で助言を提供し、ロールプレイ機能やポイント制度を備えることで、ユーザーが自立的にスキルを習得できる設計となっています。

「News Nest」は10種の鳥キャラクターが各ニュース分野を担当し、若者のドゥームスクローリングを防止する設計です。情報源や政治的傾向を常に表示するメディア透明性を確保し、人間キャラクターではなく鳥を採用することで感情操作やエンゲージメント罠からの緩衝材としています。

第3のプロジェクト「M³」は、Gemini・ChatGPT・Grok・Claudeの4つのAIが異なる人格として参加するマルチエージェント推理ゲームです。ユーザーは5人目のプレイヤーとして犯人を推理し、AIが真実を語るか嘘をつくかを見極める必要があります。

この講座は学際教育の成功モデルとして注目されています。受講生の一人はチャットボット企業でのインターン選考に合格し、講座での学びが実務と直結していると報告しました。計算機科学の学生が人文科学の必修単位を取得しながらキャリアに直結するスキルを習得できる点が高く評価されています。

MIT生物学部のMatthew G. Jones助教は、人工知能と機械学習を活用して腫瘍の進化パターンを予測する計算モデルの構築に取り組んでいます。がん細胞が治療に対して耐性を獲得する過程を解明し、患者の治療成績を改善することが最終目標です。

がん治療において、患者が当初は治療に反応しても、やがて腫瘍が進化して治療が効かなくなるケースが頻繁に発生します。腫瘍は遺伝子構成やタンパク質シグナル、細胞動態を変化させる驚異的な能力を持ち、制御不能な状態へと移行していきます。

研究の中心は染色体外DNA（ecDNA）と呼ばれるDNA増幅現象です。染色体から切り出されて環状化したecDNAは、1960年代に発見された当初はまれな現象とされていましたが、次世代シーケンシング技術の進歩により、がん全体の約25%に存在することが判明しました。

Jones助教のチームは単一細胞系譜追跡技術を活用し、個々の細胞の進化履歴を解析しています。これにより、攻撃的な変異がいつ腫瘍の歴史に現れたかを特定し、リアルタイムでは観察できない動的プロセスの理解を目指しています。将来的には薬剤への反応予測や新規治療標的の同定につなげる計画です。

研究拠点であるMITのKoch統合がん研究所は、工学と基礎科学の融合を促進する設計がなされており、計算科学の研究室と実験室が隣接しています。ボストン地域の生物医学研究機関との連携も可能で、学際的な研究を推進する理想的な環境が整っています。

MITメディアラボのジョセフ・パラディソ教授が、センシング技術を芸術・医療・生態学の分野横断的に応用する研究でIEEEフェローに選出されました。同氏は物理学の博士号を持ち、レスポンシブ・エンバイロメンツ研究グループを率いています。

パラディソ教授はウェアラブルセンシングの先駆者として、1997年に片足16個のセンサーを埋め込んだ靴を開発しました。装着者の動きがアルゴリズムを通じてリアルタイムで音楽を生成する仕組みで、拡張ダンスパフォーマンスを実現しました。

当時は多数のセンサーを列挙すると笑われたと同教授は振り返りますが、現在ではスマートウォッチが同様の計測を日常的に行っています。初期のプロトタイプから日用技術への進化は、同教授の研究が現代のウェアラブル機器の基盤を築いたことを示しています。

研究は個人から集団へと拡大し、ダンスアンサンブルが集合的な動きで音楽を創るプラットフォームを開発しました。2006年にはエリートアスリートを支援する医師と連携し、小型ウェアラブルセンサー群で怪我リスク・パフォーマンス・回復を現場で評価する技術を実用化しています。

近年はナショナルジオグラフィックの探検家と協力し、ボツワナのライオンやハイエナ、チリのヤギに低電力追跡デバイスを装着しています。さらにパタゴニアではAI搭載音響センサーで絶滅危惧のミツバチ個体群を監視し、生態系の変化を把握する新たな手段を提供しています。

パラディソ教授の研究は、技術の目新しさ自体が目的ではなく、人間がより知覚的になり、より深くつながり、大きなシステムの中での自分の位置を認識するための増幅装置としてテクノロジーを活用する姿勢を貫いています。MITの基礎研究が長期にわたり新分野を開拓する好例です。

MercorやScale AIなどのデータ企業が、解雇された弁護士・博士号保持者・脚本家らを大量に採用し、AIモデルの訓練データを生産させる巨大なギグエコノミーが急速に拡大しています。Mercorだけで毎週約3万人の専門職がプラットフォーム上で作業しています。

作業内容は、チャットボットの理想的な回答を書く「ゴールデンアウトプット」の作成、AIを困らせる難問「スタンパー」の考案、企業シミュレーションの「ワールドビルディング」など多岐にわたります。労働者は誰のAIを訓練しているか知らされず、厳格な機密保持契約により経験を市場で活用することもできません。

労働条件は急速に悪化しています。当初は時給45ドルだった報酬が16ドルまで引き下げられるケースもあり、Insightfulという監視ソフトが作業を秒単位で追跡します。数分間タイピングがなければ警告が表示され、「非生産的」とみなされた時間は給与から差し引かれる仕組みです。

MIT経済学教授のダロン・アセモグル氏は、産業革命前の織工が工場労働者に転落した歴史と比較し、技術そのものではなく資本家に全権力を集中させる労働組織の問題だと指摘します。データ労働者はUberドライバーよりも不利な立場にあり、物理的な場所に縛られないため企業は容易に低賃金地域から代替要員を調達できます。

過去6カ月でMercorに対し3件の集団訴訟が提起され、労働者の独立請負人としての分類が争われています。専門家は、データ経済における労働者保護の法的基盤が整備されなければ、あらゆる専門職が底辺への競争に巻き込まれると警告しており、集団的交渉権の確立が急務となっています。

Andreessen Horowitz（a16z）は、企業のデータエージェントが基本的な質問にすら正確に答えられない原因として、ビジネスコンテキストの欠如を指摘しました。MITの2025年報告でもAI導入の大半が失敗していると警告されています。

問題の核心はテキストtoSQLの精度だけではありません。「先四半期の収益成長率は？」という単純な質問でも、収益の定義がARRか実行レートかで異なり、会計年度の区切りも企業ごとに違うため、エージェントは正しいデータを特定できないのです。

従来のセマンティック層はBI向けの指標定義には有効でしたが、退職した担当者が更新を放置し、新規プロダクトラインが反映されないなどの問題が頻発しています。エージェントの自律動作には、より包括的なコンテキスト基盤が必要です。

a16zが提唱するコンテキスト層は5段階で構築します。まず全データソースへのアクセスを確保し、LLMでクエリ履歴やdbtモデルから自動的にコンテキストを収集します。次に人間が暗黙知を補完し、APIやMCPでエージェントに接続します。

市場ではDatabricksやSnowflakeなどのデータ基盤企業、既存のAIデータ分析企業、そして新興の専用コンテキスト層企業が競合しています。OpenAIも自社内データエージェントの構築過程を公開しており、この領域の重要性が広く認識され始めています。

2026年3月、Pythonライブラリ「chardet」のメンテナーDan BlanchardがClaude Codeを活用してv7.0を公開した。処理速度は従来比48倍に向上し、ライセンスもLGPLからMITに変更された。

Blanchardは、chardetをPython標準ライブラリに組み込むためにはライセンス・速度・精度の三つの課題を解決する必要があると長年感じていました。Claude Codeの支援により、これらの課題を約5日間で解決することができました。

しかし原作者のMark PilgrimがGitHubのIssueに登場し、この新バージョンはLGPLで保護された自身のコードの派生物であり、MITへのライセンス変更は不正だと主張しています。LGPLはクローズドソースプロジェクトでの利用を制限する条件を持ちます。

問題の本質はAIによる「クリーンルーム」再実装がどこまで法的に有効かという点にあります。従来のクリーンルーム手法では実装チームをソースコードから完全に隔離しますが、AIコーディングツールはその境界線を曖昧にする可能性があります。

この事例はAIがオープンソースソフトウェアの著作権・ライセンス体系に与える影響を示す先例として注目されています。経営者やエンジニアはAIを活用したコード再実装を行う際に法的リスクを十分に検討する必要があります。

2026年3月、MIT物理学者のマックス・テグマーク氏らが主導する超党派の有識者連合が「人間中心AI宣言」を公表しました。数百人の専門家や元政府高官が署名し、責任あるAI開発の枠組みを初めて体系的に提示したものです。

宣言は5つの柱を掲げています。人間による制御の維持、権力集中の回避、人間体験の保護、個人の自由の保全、そしてAI企業への法的責任の追及です。特に注目すべきは、安全性に関する科学的コンセンサスと民主的合意が得られるまで超知能の開発を全面禁止するという条項です。

この宣言が発表された背景には、米政府のAI政策の混乱があります。2月末にヘグセス国防長官がAnthropicを「サプライチェーンリスク」に指定し、直後にOpenAIが国防総省と独自契約を結びました。専門家はこの一連の出来事を「AIの制御をめぐる国家的議論の始まり」と位置づけています。

テグマーク氏は規制の突破口として子どもの安全を挙げています。チャットボットや対話型アプリの出荷前テストを義務化し、自殺念慮の増加や精神的操作といったリスクを事前に検証すべきだと主張しています。この原則が確立されれば、バイオ兵器への悪用防止や超知能の暴走防止へと対象が自然に拡大するとの見通しを示しました。

元トランプ顧問のスティーブ・バノン氏とオバマ政権のスーザン・ライス元国家安全保障担当補佐官が同じ文書に署名したことは、AI規制が党派を超えた課題であることを象徴しています。テグマーク氏は「人間の未来か機械の未来かという問いに対して、全員が同じ側に立つのは当然だ」と述べています。

MITの研究チームが、大規模言語モデル（LLM）の推論時メモリであるKVキャッシュを最大50分の1に圧縮する新手法「Attention Matching」を発表しました。精度をほぼ維持したまま数秒で処理が完了する点が最大の特徴です。

LLMはトークンを逐次生成する際、過去の全トークンのキー・バリュー対をKVキャッシュに保持します。長文の法務文書分析や自律型コーディングエージェントなどの企業用途では、1リクエストで数GBに膨張し、同時処理数やバッチサイズを大幅に制限する深刻なボトルネックとなっていました。

従来の対処法には、重要度の低いトークンの削除やトークン統合がありますが、高圧縮率では精度が急激に低下します。テキスト要約による代替も、医療記録のような情報密度の高い文書ではコンテキストなしと同等の精度まで劣化することが実験で確認されました。勾配ベースの「Cartridges」手法は高品質ですが、1コンテキストの圧縮に数時間を要し実用性に欠けていました。

Attention Matchingは、圧縮後のメモリが元のメモリと同じ「注意出力」と「注意質量」を再現するよう設計されています。事前に生成した参照クエリを用いて保持すべきキーを選択し、通常最小二乗法などの代数的手法で値を算出します。勾配降下を完全に回避することで、処理速度が桁違いに高速化されました。チャンク単位の分割処理により長文への対応も実現しています。

Llama 3.1やQwen-3を用いた実験では、読解ベンチマーク「QuALITY」と6万トークンの医療記録データセット「LongHealth」の両方で有効性が確認されました。テキスト要約との組み合わせでは200倍圧縮も達成しています。数学推論テスト「AIME」では、メモリ上限に達するたびに50%圧縮を最大6回繰り返しても、無制限メモリと同等の性能を維持しました。

ただし、この手法の導入にはモデルの重みへのアクセスが必要であり、クローズドAPIのみを利用する企業は自社実装ができません。また、既存の推論エンジンへの統合にはプレフィックスキャッシュや可変長メモリパッキングとの調整が必要です。研究チームはコードを公開済みで、大規模なツール出力や長文文書の取り込み直後の圧縮が有望なユースケースだと述べています。

GoogleのシニアAIプロダクトマネージャーShubham Saboo氏が、エージェントの永続メモリ問題に取り組むオープンソースプロジェクト「Always On Memory Agent」をGoogle Cloud PlatformのGitHubにMITライセンスで公開しました。従来のベクトルデータベースに依存しない新しいアプローチが注目を集めています。

このエージェントはGoogle ADK（Agent Development Kit）と低コストモデルGemini 3.1 Flash-Liteを基盤に構築されています。常時稼働で情報を取り込み、SQLiteに構造化メモリとして保存し、30分ごとにバックグラウンドでメモリ統合を実行します。ベクトル検索の代わりにLLM自体がメモリの整理・更新を担う設計です。

Flash-Liteは入力100万トークンあたり0.25ドル、出力100万トークンあたり1.50ドルという低価格で、Gemini 2.5 Flashと比較して初回トークン生成速度が2.5倍、出力速度が45%向上しています。24時間稼働するメモリエージェントの経済的実現可能性を支える重要な要素となっています。

一方で、エンタープライズ導入に向けたガバナンス面の課題が識者から指摘されています。エージェントがバックグラウンドでメモリを統合・交差させる仕組みは「コンプライアンス上の悪夢」になりうるとの警告や、常時稼働エージェントの真のコストはトークンではなく「ドリフトとループ」だという意見が寄せられています。

現時点では、決定論的なポリシー境界、保持保証、監査ワークフローといった企業向けコンプライアンス制御は未実装です。しかし、単発アシスタントから長期記憶を持つシステムへの移行が進む中、このプロジェクトは次世代エージェント基盤の具体的なリファレンス実装として位置づけられます。記憶能力そのものより、記憶を安全に管理できるかが企業採用の鍵となるでしょう。

OpenAIは、AI が学習成果に与える影響を長期的に測定するための「学習成果測定スイート」を開発したと発表しました。エストニアのタルトゥ大学およびスタンフォード大学のSCALEイニシアティブと共同で設計されたこのフレームワークは、教育機関や研究者が多様な文脈でAIの学習効果を評価できるよう支援します。

従来の研究手法はテストスコアなど短期的な指標に依存しており、AIが学習者の思考力や自律性に与える長期的な影響を捉えることができませんでした。同スイートはこの課題を解決するため、モデルの振る舞い・学習者の反応・認知的成果という三つのシグナルを統合的に分析する仕組みを備えています。

先行研究として、OpenAIはChatGPTのスタディモードを用いた300人超の大学生対象の無作為化比較試験を実施しました。ミクロ経済学の試験では、スタディモードを利用した学生が対照群と比較して約15%高いスコアを記録するなど、教育的に設計されたAI対話が成績向上に寄与する可能性が示されました。

測定スイートには、学習中の重要な瞬間を自動検出するインタラクション分類器、教育学的原則に基づいて各学習場面を評価するグレーダー、そして同一学習者の経時的変化を追跡する縦断的グレーダーが含まれます。自律的動機づけ・課題への粘り強さ・メタ認知・記憶の正確性といった包括的な学習能力の変化を捉えることが可能です。

現在、エストニアで16〜18歳の学生約2万人を対象とした大規模検証が進行中です。今後はアリゾナ州立大学・UCL・MITメディアラボなどLearning Labの参加機関とも研究を拡大し、測定スイートを世界中の教育機関が利用できる公共リソースとして公開する計画です。

MITの研究チームは、数百の設計変数を持つ複雑なエンジニアリング問題を従来手法の10〜100倍の速度で解く新たな最適化手法を開発しました。国際学習表現会議（ICLR）で発表される本研究は、古典的なベイズ最適化に基盤モデルを組み合わせた点が革新的です。

本手法の中核は「表形式基盤モデル」と呼ばれる生成AIです。大規模言語モデルがテキストを扱うように、この基盤モデルは膨大な表形式データで事前学習されており、スプレッドシート版ChatGPTとも形容されます。エンジニアリング分野ではテキストより表形式データが一般的であり、実務との親和性が高い点が特徴です。

従来のベイズ最適化では反復ごとに代理モデルの再学習が必要で、変数が増えると計算コストが急増していました。新手法では事前学習済みの基盤モデルをそのまま使用するため再学習が不要であり、異なる問題にも一つのアルゴリズムで対応できます。設計空間のうち結果に最も影響する変数を自動的に特定し、探索を集中させる工夫も施されています。

60件のベンチマーク問題で5つの最先端手法と比較した結果、電力系統設計や自動車の衝突試験シミュレーションなど現実的な課題で一貫して最良の解を高速に発見しました。問題の次元数が増えるほど優位性が拡大する傾向も確認されています。ただしロボット経路計画など一部の課題では既存手法を上回れず、訓練データの網羅性が課題として残ります。

研究チームは今後、表形式基盤モデルの性能向上手法を研究するとともに、数千から数百万変数を持つ艦船設計などへの適用を目指しています。基盤モデルを言語や画像認識だけでなく科学・工学ツール内部のアルゴリズムエンジンとして活用する潮流を示す成果として、創薬や材料開発など高コスト評価を伴う分野への波及が期待されます。

Microsoft Researchは、150億パラメータのオープンウェイト・マルチモーダル推論モデル「Phi-4-reasoning-vision-15B」を公開しました。テキストと画像の両方を処理し、数学・科学の推論、チャート読解、GUI操作など幅広いタスクに対応します。

最大の特徴は訓練効率の高さです。約2000億トークンのマルチモーダルデータで訓練されており、QwenやGemma3など競合モデルが1兆トークン以上を使用するのに対し、およそ5分の1のデータ量にとどまります。その秘訣はオープンソースデータの徹底的なフィルタリングと品質改善にあります。

技術的に注目すべきは「混合推論」アプローチです。訓練データの約20%に思考過程を含む推論サンプルを、80%に直接応答のサンプルを使用し、モデルがタスクに応じて推論の要否を自動判断する仕組みを実現しました。画像キャプションでは即座に応答し、数学では段階的に思考します。

ベンチマーク評価では、ChartQAで83.3、MathVistaで75.2、ScreenSpot v2で88.2のスコアを記録しました。大型モデルのQwen3-VL-32Bには及ばないものの、同規模モデルを上回り、推論速度と精度のバランスでパレート最前線に位置しています。

Microsoftは本モデルをMIT許容ライセンスで公開し、ファインチューニングコードや評価ログも提供しています。Phiファミリーはエッジデバイス向けのPhi Silicaやロボティクス向けのRho-alphaにも拡大しており、「最も賢いモデルは最大のモデルではなく、いつ考えるべきか知っているモデルだ」という戦略を鮮明にしています。

MITは水中ロボット向けプログラミング研究を紹介する動画フィーチャーを公開しました。AI・ロボティクスと海洋探査の交差点での研究事例です。

AI×ロボティクス研究の教育的コンテンツとして一定の参考価値がありますが、即時ビジネス価値は低い学術的内容です。

MITの研究者が大規模言語モデルの訓練効率を向上させる新しい手法を発表しました。この手法により同等のモデル性能をより少ない計算リソースで達成できる可能性があります。

LLM訓練コストの削減はAI民主化の観点から重要で、大手企業以外もAI開発に参入しやすくなります。研究の実用化に向けた進展が期待されます。

MITの研究者は、癌患者の細胞における遺伝子発現を分析し、癌の起源の特定や治療成功率の予測に役立てるAIツールを開発しました。細胞は複雑な構造を持ち、測定方法によって得られるデータが異なるため、全体像を把握することは難しい問題でした。

このAIツールは異なる測定方法から得られたデータの偏りを補正し、細胞生物学の全体的なパターンを可視化します。癌研究における診断精度の向上と個別化医療の推進に貢献することが期待されます。

MITの研究者Strahinja Janjusevic氏は海事サイバーセキュリティを技術と政策の両面から強化するための枠組みを研究しています。海事インフラへのサイバー攻撃はグローバルサプライチェーンに直接的な影響を与えます。

AIを活用した攻撃の精度が高まる中、海運・港湾システムの防衛には技術的対策だけでなく、国際的な政策協調と規制枠組みの整備が不可欠です。

MITの研究者は、生成AIが見栄えの良いデザインを生成しても現実世界で機能しないという問題を解決するため、生成AIと物理シミュレーションを組み合わせた新しい設計手法を開発しました。

この手法により、生成AIが作成した3Dデザインが物理的な制約（重力、材料強度、使用時の応力など）を自動的に満たすよう最適化されます。パーソナライズされたアクセサリーや家庭用品の設計・3Dプリンティングへの応用が期待されます。

MITのJ-PAL（貧困行動研究所）が、AIイノベーションを貧困対策に活用するための新しい研究・政策立案イニシアチブを開始しました。AIが社会問題解決においてどれだけ効果的かを厳密な実験で測定します。

J-PALのアプローチは単なる技術導入ではなく、ランダム化比較試験（RCT）などの手法でAI介入の実際の効果を測定し、効果が確認されたものをスケールアップする科学的な方法論です。

AI技術が先進国だけでなく開発途上国の貧困削減にも貢献できるかを検証するこの取り組みは、AIの社会的価値を評価する上で重要な研究です。

MITのJames J. Collins教授が合成生物学とAIを組み合わせて抗菌薬耐性（AMR）問題に取り組む多分野にまたがる研究プロジェクトを始動しました。世界保健機関が「見えない危機」と警告する薬剤耐性菌問題への科学的対応です。

AIは膨大な分子構造データから既存の抗菌薬では効かない耐性菌に有効な新化合物を予測する能力を持ちます。これを合成生物学と組み合わせることで、創薬プロセスを劇的に加速させることが目標です。

抗菌薬耐性は2050年までに年間1000万人の死者を出す可能性があるとされており、AIを活用した科学的アプローチによる解決が急務となっています。

MITとImproba Labsの研究者が、LLMに新しいスキルを教えても既存の知識を失わない新しいファインチューニング手法を発表しました。これまでの手法では新タスクへの適応（ファインチューニング）が既存の能力低下（壊滅的忘却）を引き起こすという根本的な課題がありました。

この問題はエンタープライズ向けLLM活用において深刻です。特定業務に特化したモデルを作ろうとすると、汎用的な能力が失われ、結果としてスキルごとに別々のモデルを維持管理する必要が生じていました。

新手法によりこのサイクルが断ち切られれば、企業は単一のモデルを継続的に成長させることができ、モデル管理の複雑さとコストを大幅に削減できます。実用化に向けた検証が今後の焦点となります。

MITの研究チームが開発したAIアルゴリズムにより、脳幹の白質繊維束を従来にない精度で追跡することが可能になりました。

白質繊維は意識、睡眠、呼吸、心拍、運動など重要な機能を制御する神経ケーブルですが、これまでの画像技術では十分に解像できませんでした。

新しいAIアルゴリズムはこの課題を克服し、脳幹内の神経経路を高精度で可視化することを実現しています。

この技術は脳外科手術の計画精度向上や、神経疾患の診断改善に直接的な応用が期待されます。臨床医療への貢献が見込まれます。

AIと医療画像の融合は急速に進展しており、今回の成果は脳神経科学の新たなフロンティアを開くものです。

MITの研究者Jerry Lu氏が開発したOOFSkateは、AIを用いてフィギュアスケートのジャンプ動画を解析し、改善点を提案する光学追跡システムです。

同システムはNBC Sportsと連携し、2026年ミラノ五輪の中継で視聴者に採点の複雑さを解説する役割を担います。姿勢推定技術がスケートに最適な理由も明らかにされました。

MIT Sports LabのHosoi教授は、AIが美的評価を行う際の推論過程を研究中です。5回転ジャンプの実現可能性についても計算上は可能と結論づけています。

一方、チェコのアイスダンスペアは五輪デビュー戦でAI生成音楽を使用しました。公式ルールには抵触しませんが、芸術性における人間の創造性の意味が問われています。

スポーツへのAI活用は、パフォーマンス最適化からコンテンツ生成まで広がりを見せています。人間の能力の限界とAIの役割の境界が議論の焦点になっています。

MITの研究者たちは、LLM（大規模言語モデル）のランキングプラットフォームが構造的に信頼性に欠けることを示す研究を発表しました。クラウドソースデータの一部（ごく少数のインタラクション）を削除するだけで、どのモデルが上位になるかが大きく変わることを実証しました。

多くの企業がSalesforce向けに最適なLLMはどれか、カスタマーサポートのトリアージに最適なLLMはどれかを判断する際にこれらのプラットフォームに依存しています。しかしMITの研究は、このような判断が統計的に脆弱な根拠の上に成り立っている可能性を示しています。

特定の小さなユーザーグループの好みがプラットフォーム全体のランキングを左右できることは、汎用的なLLM評価が特定のデモグラフィックに偏りがちであることを意味します。企業が自社の顧客・ユースケースに最も適したモデルを選ぶ際には独自評価が不可欠です。

この研究は「プラットフォームがLLMを比較する際のベストプラクティスを中心に設計されていない」という根本的な問題を浮かび上がらせています。評価方法論の透明性と堅牢性の改善が業界全体の課題です。

実務的な示唆は明確です。LLM選定において一般公開ランキングだけに頼らず、自社の具体的なユースケースに対する社内評価フレームワークを構築することが、AI投資対効果の最大化につながります。

MIT学長はボストンの公共ラジオ局GBHの番組「Boston Public Radio」に出演し、米国の研究基盤の重要性について強く訴えた。

発言はトランプ政権による連邦研究予算削減の動きへの危機感を背景としており、「これは科学の問題だ」と感情的に訴える場面もあった。

AIを含む先端技術の発展の多くは基礎研究から生まれており、政府資金による基礎研究投資が民間イノベーションの土台だと主張した。

AI時代においても物理・生物・数学・化学などの基礎科学の重要性は変わらず、むしろAI研究の深化にはこれらの基盤が不可欠だ。

日本も同様に大学・研究機関への公的R&D;投資の維持・強化が長期的な国際競争力の源泉であり、研究環境の整備が急務だ。

MITの研究チームは2026年2月5日、AIエージェントが情報検索をより効果的に行うための新手法を発表した。LLMの回答精度を大幅に向上させる成果として注目される。

研究では、AIエージェントが検索クエリを自動的に最適化・精緻化することで、必要な情報を一度の検索で取得できる確率を高める手法を開発した。

この手法によりハルシネーション（誤情報生成）が低減され、企業のRAGシステムや顧客対応AIの信頼性向上に直接応用できる。

エージェントAIが自律的に検索戦略を立案する能力は、複雑な業務調査や競合分析、法規制調査などのユースケースで大きな価値を持つ。

MITの研究成果は将来的にオープンソース化される見込みで、エージェントAIシステムの信頼性を底上げする基盤技術として期待されている。

MITは2026年2月4日、AIと定量解析を組み合わせることで治療薬の発見・設計プロセスを大幅に加速できるという研究成果を公開した。

研究チームは疾病治療、エネルギー問題、気候変動という複数の課題に対して、AIを活用した操作型細胞設計という統一的なアプローチを開発した。

AIは膨大な分子空間を探索し有望な候補物質を絞り込む役割を担い、人間の研究者は価値の高い実験に集中できる環境が生まれている。

従来は数年単位で行われていた薬剤候補の絞り込みが数週間〜数ヶ月に短縮される可能性があり、製薬企業のR&D;コスト削減に直結する。

MITの研究は基礎科学とAIの融合という点で産学連携のモデルケースとなりつつあり、日本のバイオテック企業にとっても注目すべき方向性だ。

MITは2026年2月4日、コンピューター科学の国際学会ACMが選出する2025年フェローにAntonio Torralba教授ら3名のMIT関係者が選ばれたと発表した。

Torralba教授はコンピュータビジョンと視覚的知覚のAI研究における長年の功績が認められた。ACMフェローは世界最高峰のコンピュータ科学者への称号だ。

またBrian Hedden教授がMITのSERC（コンピューティングの社会的・倫理的責任）部門の共同副学部長に就任し、AI倫理教育の強化が図られる。

SEERCの役割は学生・研究者がAI開発の倫理的側面を深く考える能力を育てることにあり、AI人材の質的向上に寄与する。

世界の大学でAI倫理教育の充実が求められる中、MITの体制強化は業界スタンダード形成に影響を与える。

SMART（Singapore-MIT Alliance for Research and Technology）は、ウェアラブル超音波イメージングとAIを組み合わせ、高齢者を在宅でリアルタイムにモニタリングする新研究グループを設立しました。

従来の超音波検査は病院での専門機器と技師が必要でしたが、ウェアラブル化とAI解析の組み合わせにより、高血圧・心不全などの慢性疾患患者を日常生活中に継続監視できるようになります。

AIが超音波データをリアルタイム解析し、異常を検知した際には医療従事者に即座に通知する仕組みにより、緊急事態への早期対応が可能になります。

高齢化が急速に進む先進国・アジア諸国において、在宅医療のAI支援は医療費削減と患者のQOL向上を同時に実現する社会的インフラとして注目されています。

この研究は臨床的な価値だけでなく、ウェアラブルAI医療機器市場への新たな参入機会を生み出す可能性があります。

MITの上級生Katie Spivakovskyが2026-27年度のチャーチル奨学金を受賞し、英国ケンブリッジ大学のWellcome Sanger Instituteで生物科学のMPhilを取得予定です。

Spivakovskyは生物工学とAIの二重専攻という希少な専門性を持ち、AI×ゲノム研究の最前線で活躍するために選ばれました。

チャーチル奨学金はWinston Churchill Foundationが提供する米国最高の英国留学奨学金の一つで、科学・工学分野の最優秀人材を支援します。

この受賞は、AI+生物工学という融合分野が次世代の最重要研究領域として認識されていることを示し、バイオAIへの投資と人材育成の重要性を際立たせます。

MIT発のAI×バイオ研究者たちが国際的な舞台で活躍することは、米国のAI人材エコシステムの層の厚さと教育機関の競争力を示す指標でもあります。

MITの「Interaction Intelligence」コースは、AIをスクリーンの中から物理世界に引き出す新しいカテゴリのインタラクティブオブジェクトを設計することに焦点を当てています。

学生たちは大型言語モデルで駆動される物理的なオブジェクトを設計・試作し、AIが実世界の物理空間でどう機能すべきかを探求しています。これはエンボディドAI設計の先端実践です。

スクリーンレスのAI体験設計は、スマートホームデバイス・ロボット・医療機器など、AIが物理世界に深く組み込まれる未来を準備する上で重要なデザイン知識です。

MITのこうした教育的取り組みは、次世代のAI製品設計者を育成し、デジタルと物理の境界を再定義するイノベーションの種をまいています。

AIインターフェースの多様化は、スマートスピーカーから始まった会話UIの次の段階として、触覚・空間・動きを活用したマルチモーダル体験設計に進化しています。

MITの研究者が新しい再帰的フレームワークを開発し、LLMが1000万トークンという超長文脈を「コンテキスト劣化」なく処理できることを実証しました。

従来のモデルは文脈が長くなるほど「迷子」になり、文書の後半部分の内容を正確に参照できなくなる問題がありました。このフレームワークはその問題を解決します。

1000万トークンというのは、書籍数冊分や大規模なコードベース全体に相当する量です。これによりRAGアーキテクチャなしに大量の文書を直接モデルに入力できる可能性があります。

長文脈処理は現在のLLM研究における最重要テーマの一つであり、Google、OpenAI、Anthropicなども競争的にコンテキスト窓の拡張に取り組んでいます。

MITはAI研究と知能の本質的理解への継続的コミットメントを発表しました。基礎研究から応用まで幅広くカバーするアプローチで、産業界との連携を深めながらAI安全性や倫理的AI開発にも取り組んでいます。

MITのアプローチは単なる能力向上ではなく知能そのものの理解を目指す点で、現在のスケーリング中心のアプローチとは異なる視点を提供しています。

MITの研究チームは、電力グリッドの需給バランス管理にAIを活用することで、再生可能エネルギーの普及に伴う不安定性を解消する研究成果を発表しました。太陽光・風力など天候依存の電源が増える中、グリッドの安定運用にはリアルタイムの高精度な需給予測が不可欠です。

AIは気象予報データ・過去の需要パターン・産業活動情報を統合して数時間から数日先の電力需要を予測し、蓄電池や出力調整可能な電源の最適な運用をサポートします。これにより、調整コストの削減と停電リスクの低減が実現されます。

日本のような島国で電力システムの独立性が高い環境では、グリッドAIの重要性はより高くなります。電力市場の自由化とAI活用の組み合わせで、日本のエネルギー転換を加速できる可能性があります。

MITの研究チームは北極の気候データを機械学習で解析することで、中緯度地域の冬季気象を従来よりも精度高く予測できることを示しました。北極振動と呼ばれる大気パターンの変動が数週間後の北米・欧州・アジアの気象に大きな影響を与えることを活用した研究です。

2週間から4週間先という従来の予測が難しい期間での精度向上は、エネルギー需要の管理、農業の播種・収穫計画、災害対策の事前準備に実際的な価値を持ちます。気候変動によって北極の気象変動が増大する中、このような予測技術の重要性は高まっています。

AIを使った気象・気候研究は物理ベースのシミュレーションモデルを補完し、より少ない計算コストで高精度な予測を実現できる可能性を示しています。

MITは経済的格差とAI時代の労働の未来を研究する「Stone Center on Inequality and Shaping the Future of Work」を設立しました。AIの普及が経済格差を拡大するのか縮小するのか、そしてどのような政策が必要かを実証的に研究する使命を持ちます。

AIによる自動化が労働市場に与える影響は産業・職種・地域によって大きく異なり、均一な分析では政策立案に不十分です。Stone Centerはこれらの複雑な経済社会の変化を精緻に分析し、エビデンスに基づく政策提言を行うことを目指しています。

MITの学際的な研究環境において、経済学・社会学・コンピューター科学・公共政策が融合した研究体制を構築します。日本を含む先進国が直面するAIと雇用・格差の問題に対するエビデンスを提供する国際的な研究拠点として期待されています。

MITの研究チームは、臨床AIシステムが学習データに含まれる患者情報を「記憶」するリスクを体系的に調査した研究を発表した。メンバーシップ推論攻撃（Membership Inference Attack）を使用することで、AIモデルがどの患者データを学習したかを高い確率で特定できることが示された。

この問題が特に深刻なのは、電子カルテ・医療画像・臨床ノートといったセンシティブな医療データで学習した診断AIや予測モデルだ。攻撃者がモデルのAPIにアクセスできる場合、特定の患者の医療情報が学習データに含まれているかどうかを推定できる。

従来の対策として行われてきた学習データの匿名化・仮名化だけでは不十分であることも示された。モデルが一意な特徴（稀な病態・特殊な薬剤の組み合わせなど）を記憶してしまう場合、匿名化を施しても個人を特定できる可能性がある。

技術的な解決策として、差分プライバシー（Differential Privacy）による学習がより有望な対策として挙げられている。確率的ノイズを加えることで個人情報の記憶を防ぎながら、モデルの有用性を一定程度保つことができる。

この研究は医療AIの規制フレームワーク構築に重要な示唆を与える。HIPAA・EU GDPRなどの既存医療プライバシー規制がAI時代に十分対応できているかの見直しが求められており、患者の同意取得と記憶リスクの開示が新たな倫理的要件として浮上している。

MITの研究が推定した11.7%の雇用自動化リスクは、すでに現実のものとなりつつあります。TechCrunchが調査したVC投資家たちは、2026年をAIが労働市場に本格参入する年と予測しています。特にホワイトカラーの定型的知識労働が最初の影響を受けます。

コーディング、データ分析、文書処理、カスタマーサポートといった分野では、AIが人間のタスクを代替するケースが増えています。企業がAIツールへの投資を増やしながら同時に人員を削減するという生産性向上とリストラの同時進行は、2025年後半からすでに始まっています。

労働組合はこの変化に対してAI使用の透明性確保と団体交渉での規制を求め始めました。ハリウッドのストライキがAI使用規制を勝ち取った事例が、他業界にも波及しています。労働政策と技術政策の交差点が2026年の政治的焦点になります。

投資家は悲観的ではありません。新しい仕事の創出や生産性向上によるコスト削減が新しい雇用機会を生む可能性も見ています。しかしスキルの移行には時間がかかり、その摩擦をどう緩和するかが社会的課題として浮上しています。

GoogleとMITの共同研究がArxivに公開され、エージェント型AIシステムにおいてエージェント数を増やすことが必ずしも性能向上につながらないことを定量的に示しました。業界通説の「エージェントは多いほど良い」に正面から反論する内容です。

研究チームはエージェント数・連携構造・モデル能力・タスク特性の4要素を分析し、定量モデルを構築しました。タスクの性質によってエージェントスケーリングの効果が大きく異なることが明らかになっています。

この研究はエンタープライズAIの設計者に重要な示唆を与えます。高コストなマルチエージェント構成を採用する前にタスク特性を評価し、適切なエージェント規模と連携方式を選択することが合理的です。

Googleは2025年の年間まとめとして、60件以上のAI関連発表をまとめたブログ記事を公開しました。GeminiシリーズのアップデートやNotebookLM、AI Overviewsの展開など、検索・アシスタント・研究ツールの全分野に及ぶ成果が列挙されています。

MITは2025年の研究成果を振り返る特集記事を公開し、量子コンピューティングやAIの科学的応用が主要なハイライトとして紹介されました。小児医療や環境問題へのAI適用など、社会的インパクトの大きな研究が特に注目されています。

2025年は大手テック企業と学術機関の双方でAI研究の成果が実用化段階に移行した年であることが、両記事から読み取れます。GoogleとMITの総括は、基礎研究から商業応用まで幅広い進化が起きたことを示しています。

GoogleはGemmaモデルの新バリアント「FunctionGemma」を公開しました。エッジデバイス上でのカスタム関数呼び出しに特化した軽量設計で、オフライン環境での活用が広がります。

「T5Gemma 2」はGemma 3基盤のエンコーダー・デコーダーモデルで、マルチモーダル処理と長文脈への対応を初めて実現しており、文書分類や翻訳タスクでの活用が期待されています。

MITのCSAIL研究チームは、これまで学習不適とされてきたニューラルネットワークも短期間のガイダンスで効果的に学習できることを実験的に実証し、従来の通説を覆しました。

Hugging FaceはTransformers v5でトークナイザーの設計を大幅に刷新し、学習済み語彙との分離によってコードのモジュール性を高め、カスタマイズと保守の容易さを向上させました。

KaggleとGoogleが共催した5日間のAIエージェント集中講座には世界中から多数の参加者が集まり、実践的なAI教育への高い需要と世界的なAI学習熱の高まりを改めて示しました。

Gemmaファミリーの累計ダウンロード数は3億件を突破しており、一般的なNLPタスクを超えて癌研究（C2Scale）など高度に専門化された科学的応用も着実に増加しています。

エンタープライズAI市場では、エージェント型AIのデモから本番稼働へのギャップが深刻な課題として浮かび上がっています。MITのProject NANDAの調査では、AIプロジェクトの約95%が実際のビジネス価値を生み出せずに終わっています。

Patronus AIは、AIエージェントのトレーニング方法を根本的に変える「ジェネレーティブシミュレーター」を発表しました。この技術は、動的に変化する課題を生成し続けるシミュレーション環境を構築し、エージェントが学習しながらリアルタイムで評価を受けられる仕組みです。

DataRobotはエージェントAIのライフサイクル全体を管理するプラットフォームを強化しました。プロトタイプから本番環境への移行における統合の脆弱性やガバナンスの複雑さを解消するためのツール群を提供しています。

JPMorganの事例では、「連結ファーストアーキテクチャ」と呼ばれるアプローチが従業員の自発的な採用を促し、わずか数ヶ月で25万人、現在は全従業員の60%以上がAIを活用するまでに拡大しています。

データサイエンス領域では、大規模言語モデル（LLM）の技術が表形式データや時系列モデリングにも応用され始めており、従来の機械学習とGenAIを統合する「GenAIデータサイエンス革命」が加速しているという見方も出てきています。

全体として、2026年に向けた企業AIの課題は「エージェントの構築」から「エージェントのオーケストレーション・ガバナンス・スケーリング」へと移行しており、本番稼働を支える基盤ツールへの注目が高まっています。

MITとMIT-IBM Watson AI Labの共同研究チームは、トランスフォーマーアーキテクチャの根本的な限界を克服する新しい位置符号化手法「PaTH Attention」をNeurIPSで発表しました。

従来のRoPE（Rotary Position Encoding）はトークン間の相対距離のみに基づく静的な回転を割り当てますが、PaTH Attentionは各トークンの内容に依存した動的変換を累積させることで、単語間の意味の変化をパスとして追跡できます。これにより状態追跡や逐次的な推論が改善されます。

実験では、PaTH Attentionが診断タスクと実世界の言語モデリングタスクの両方で既存の注意機構を上回り、数万トークンに及ぶ長文脈でも安定した性能を示しました。また「忘却トランスフォーマー（FoX）」と組み合わせた「PaTH-FoX」システムでさらに性能が向上しています。

もう一つの研究では、MITの研究者らがAIエージェントを用いて視覚系の進化を再現する計算論的フレームワークを構築し、Science Advances誌に発表しました。カメラのセンサー・レンズ・絞り・プロセッサをパラメータ化したエージェントが強化学習で世代を超えて眼を進化させます。

実験ではナビゲーションタスクでは複眼（昆虫や甲殻類のような眼）に、物体識別タスクではカメラ型の眼（虹彩と網膜を持つ眼）に進化することが分かりました。タスクの種類が眼の構造の違いを生み出す主要な要因であることが示されています。

このフレームワークはロボット・ドローン・ウェアラブルデバイス向けの新しいセンサー設計に応用できる可能性があり、エネルギー効率や製造上の制約のもとでタスク固有の最適な視覚システムを探索するための強力なツールとなり得ます。

MITとGoogle DeepMind・Autodesk Researchの共同チームは、テキストだけで物体を設計・組み立てできるAIロボットシステムを発表しました。「椅子を作って」と入力するだけで自動設計が始まります。

生成AIが3Dメッシュを作成し、VLMが構造と機能を推論して部品配置を決定します。ユーザーフィードバックによる反復修正も可能な人間参加型のループを備えています。

部品は事前製造品を使って再組み立て可能な設計となっており、廃棄物削減にも貢献します。評価実験では参加者の90%以上が従来手法よりも好意的に評価しました。

ゲーム分野では『バルダーズ・ゲート3』を手がけたLarianのCEOが声明を発表しました。AIで開発チームを削減する計画はなく、補助ツールとして活用すると強調しています。

北海道大学とTDKは人の行動パターンを学習・予測するニューロモーフィックチップを開発しました。じゃんけんで人間に100%勝利するデモでその予測能力を実証しています。

米国ではスポーツ結果からSNS投稿数まであらゆる事象に賭けられるギャンブル化が進行中です。ParamountのWarner Bros.買収交渉も混迷しており、メディア再編の行方が注目されます。