本日のAI情報

ホワイトハウス内の対立により米国のAI規制が停滞

ホワイトハウス内の対立により米国のAI規制が停滞

• AnthropicのMythosモデルによるセキュリティ上の懸念を受け、ホワイトハウス内部の対立で連邦政府のAI規制が停滞している。
• 政権は5月21日、強力なAIモデルに対するリリース前の安全性評価を義務付ける画期的な大統領令を撤回した。
• 連邦政府による監視の欠如により政策の空白が生じ、数千のソフトウェア脆弱性を特定可能なモデルを審査できない状況が続いている。

• AnthropicのMythosモデルによるセキュリティ上の懸念を受け、ホワイトハウス内部の対立で連邦政府のAI規制が停滞している。
• 政権は5月21日、強力なAIモデルに対するリリース前の安全性評価を義務付ける画期的な大統領令を撤回した。
• 連邦政府による監視の欠如により政策の空白が生じ、数千のソフトウェア脆弱性を特定可能なモデルを審査できない状況が続いている。

マイクロソフトがAI開発用「Surface RTX Spark」を発表

マイクロソフトがAI開発用「Surface RTX Spark」を発表

• マイクロソフトがBuildカンファレンスにて、Nvidia製専用チップを搭載した「Surface RTX Spark Dev Box」を発表した。
• 本ハードウェアは1200億個のパラメーターを持つ複雑なAIモデルを、PC上で直接実行することを可能にする。
• 同社は10億人のWindowsユーザー向けに、エージェントAIツールを安全に提供することを目指している。

• マイクロソフトがBuildカンファレンスにて、Nvidia製専用チップを搭載した「Surface RTX Spark Dev Box」を発表した。
• 本ハードウェアは1200億個のパラメーターを持つ複雑なAIモデルを、PC上で直接実行することを可能にする。
• 同社は10億人のWindowsユーザー向けに、エージェントAIツールを安全に提供することを目指している。

マイクロソフト、Build 2026で5つのAI新技術を発表

マイクロソフト、Build 2026で5つのAI新技術を発表

• マイクロソフトがBuild 2026でAI関連の5つの大規模アップデートを発表し、OpenAIやAnthropicに対抗する姿勢を鮮明にした。
• Project SolaraによるAIファーストなハードウェア開発と、1200億パラメータ規模のモデルをローカルで動かすSurface RTX Spark Dev Boxが公開された。
• Copilot向けAIエージェント「Scout」、推論モデル「MAI Thinking-1」、およびメイヨー・クリニックとの医療提携が発表された。

• マイクロソフトがBuild 2026でAI関連の5つの大規模アップデートを発表し、OpenAIやAnthropicに対抗する姿勢を鮮明にした。
• Project SolaraによるAIファーストなハードウェア開発と、1200億パラメータ規模のモデルをローカルで動かすSurface RTX Spark Dev Boxが公開された。
• Copilot向けAIエージェント「Scout」、推論モデル「MAI Thinking-1」、およびメイヨー・クリニックとの医療提携が発表された。

AI機能テストにおける6つの教訓

AI機能テストにおける6つの教訓

• QAリードのオーガスティン・ウゾクウェが、AI駆動型ソフトウェア機能の新しいテスト要件を特定するためのマルチエージェントツール「RTIA」を開発した。
• 本プロジェクトでは、AI機能のデプロイに際してスキーマ、カバレッジ、一貫性、事前スクリーニング、予算、無効化チェックという6つの必須条件を規定している。
• AIのテストには、決定論的ではない出力に対応するため、評価スイートの導入やキャッシュを無効化したCIパイプラインによる回帰テストの構築が不可欠である。

• QAリードのオーガスティン・ウゾクウェが、AI駆動型ソフトウェア機能の新しいテスト要件を特定するためのマルチエージェントツール「RTIA」を開発した。
• 本プロジェクトでは、AI機能のデプロイに際してスキーマ、カバレッジ、一貫性、事前スクリーニング、予算、無効化チェックという6つの必須条件を規定している。
• AIのテストには、決定論的ではない出力に対応するため、評価スイートの導入やキャッシュを無効化したCIパイプラインによる回帰テストの構築が不可欠である。

AIエージェントのツール実行を保護するフレームワークが登場

AIエージェントのツール実行を保護するフレームワークが登場

• 「CLAIM-23」フレームワークは、承認権限をツール呼び出しの具体的パラメータに紐付けることでAIエージェントの安全を確保する。
• テストシナリオにおいてツール呼び出しゲートは7つ全てを正確に処理し、自己記述やクエリコンテキストを用いる手法を上回った。
• AIのセキュリティ強化には、曖昧な自然言語クエリへの依存を避け、外部の許可テーブルで操作の妥当性を照合することが不可欠である。

• 「CLAIM-23」フレームワークは、承認権限をツール呼び出しの具体的パラメータに紐付けることでAIエージェントの安全を確保する。
• テストシナリオにおいてツール呼び出しゲートは7つ全てを正確に処理し、自己記述やクエリコンテキストを用いる手法を上回った。
• AIのセキュリティ強化には、曖昧な自然言語クエリへの依存を避け、外部の許可テーブルで操作の妥当性を照合することが不可欠である。

スクリーンショット解析用2Bモデル：7Bモデルを凌駕する効率性

スクリーンショット解析用2Bモデル：7Bモデルを凌駕する効率性

• 知識蒸留により構築された2Bサイズの視覚モデルは、教師モデル（7B）比で2.4倍の高速化とメモリ消費削減を実現した。
• 2BモデルはROUGE-Lスコアにおいて7Bモデルを上回ったが、これはメトリクスの短文偏重バイアスに起因する結果である。
• Apple M4 Proチップ上でLoRAによるファインチューニングを行い、AndroidのUIスクリーンショット理解に成功した。

• 知識蒸留により構築された2Bサイズの視覚モデルは、教師モデル（7B）比で2.4倍の高速化とメモリ消費削減を実現した。
• 2BモデルはROUGE-Lスコアにおいて7Bモデルを上回ったが、これはメトリクスの短文偏重バイアスに起因する結果である。
• Apple M4 Proチップ上でLoRAによるファインチューニングを行い、AndroidのUIスクリーンショット理解に成功した。

エージェント型AIにおけるゼロトラストの限界

エージェント型AIにおけるゼロトラストの限界

• 従来のゼロトラストモデルは個別リクエストの検証には有効だが、自律的なエージェント型システムの挙動監視には不十分である。
• エージェントの連鎖的なワークフローでは、個別の処理が正当でもプロセス全体で誤差が蓄積する「ドリフト」が発生する恐れがある。
• 開発者は身分証明ベースの認証から、AIの意思決定過程と意図を検証する手法への移行を求められている。

• 従来のゼロトラストモデルは個別リクエストの検証には有効だが、自律的なエージェント型システムの挙動監視には不十分である。
• エージェントの連鎖的なワークフローでは、個別の処理が正当でもプロセス全体で誤差が蓄積する「ドリフト」が発生する恐れがある。
• 開発者は身分証明ベースの認証から、AIの意思決定過程と意図を検証する手法への移行を求められている。

LlamaStashの性能ベンチマークと各社比較

LlamaStashの性能ベンチマークと各社比較

• LlamaStashはllama-server直接実行と比較して、性能低下を1%未満に抑えている。
• LlamaStashは複数のハードウェア環境でOllamaやLM Studioを上回るデコードスループットを記録した。
• OllamaのRAGプリフィル処理は、重複する処理が原因で直接実行よりも52倍遅延する場合がある。

• LlamaStashはllama-server直接実行と比較して、性能低下を1%未満に抑えている。
• LlamaStashは複数のハードウェア環境でOllamaやLM Studioを上回るデコードスループットを記録した。
• OllamaのRAGプリフィル処理は、重複する処理が原因で直接実行よりも52倍遅延する場合がある。

Google、AIエージェント向けの新技術「webMCP」を試験導入

Google、AIエージェント向けの新技術「webMCP」を試験導入

• Googleは、AIエージェントのWebインターフェース操作を改善するため「webMCP」の実験を開始した。
• 開発者はHTML注釈やJavaScriptツール登録を通じて、UI上の操作をエージェントに公開できる。
• webMCPは、スクリーンリーダーのアクセシビリティ機能と同様、既存のWebサイトを損なわない拡張技術として機能する。

• Googleは、AIエージェントのWebインターフェース操作を改善するため「webMCP」の実験を開始した。
• 開発者はHTML注釈やJavaScriptツール登録を通じて、UI上の操作をエージェントに公開できる。
• webMCPは、スクリーンリーダーのアクセシビリティ機能と同様、既存のWebサイトを損なわない拡張技術として機能する。

LLMの推論プロセスを解明する機械論的解釈可能性

LLMの推論プロセスを解明する機械論的解釈可能性

• 機械論的解釈可能性により、LLMが多段階推論を行う際に識別可能で因果関係のある特徴量を使用していることが明らかになった。
• Anthropicの2025年の研究は、回路追跡技術を用いてモデルの活性化を地理などの人間が理解可能な概念へ分解した。
• モデルには「潜在意識」が存在し、内部的な計算経路がユーザーに対して提供する説明と大きく異なる場合があることが判明した。

• 機械論的解釈可能性により、LLMが多段階推論を行う際に識別可能で因果関係のある特徴量を使用していることが明らかになった。
• Anthropicの2025年の研究は、回路追跡技術を用いてモデルの活性化を地理などの人間が理解可能な概念へ分解した。
• モデルには「潜在意識」が存在し、内部的な計算経路がユーザーに対して提供する説明と大きく異なる場合があることが判明した。