AIが設計して、人間が実験台になる時代 英ケンブリッジ大学、AIが設計したワクチンの臨床試験に成功　未知の変異株にも備える“万能型”

【最新】AI検索時代の採用戦略💡 Queue(株)は、AI検索最適化サービス「 ChatGPTやGeminiなどのAI検索を活用する求職者を見据え、自社が推薦・引用されるための戦略を可視化する。 ▾記事▾ @SH42745915

【新着記事📝】 『デリッシュキッチン』が「AI料理アシスタント」へ進化🍳 「1を聞いて100」で打ち返すデザインパートナーとして、エブリー社に伴走した1年間。 AI体験の設計からiOSの大型アップデート対応まで、プロジェクトを能動的に動かす共創の裏舞台を公開しました✨

イスラエル/サンフランシスコ拠点のOakが、AIネイティブな「アイデンティティ運用基盤」の構築に向けて6000万ドルのシード資金を調達した(https://www[.]prnewswire[.]com/news-releases/oak-raises-60m-in-seed-funding-to-build-the-ai-native-identity-operating-system-302826349.html)。ラウンドはAccel、Greylock Partners、CRVが共同主導し、Hetz VenturesやAlphaDrive Venturesも参加している。 「アイデンティティ管理」とは、人間の社員だけでなく機械やAIエージェントまで含め「誰が何にアクセスできるか」を一元的に把握・制御する仕組みのこと。企業への主要な攻撃経路になっている一方、既存ツールは人間中心の静的な環境向けに設計されており、AIエージェントの急増に追いついていない。Gartnerは2028年までにCISO(最高情報セキュリティ責任者)の70%がこの可視化・分析機能を導入すると予測している。 Oakのアプローチは、既存ツールにAIを後付けするのではなく最初からAIネイティブで設計し直す点にある。オンプレミス、クラウド、SaaS、自社開発システムを問わず数ヶ月でなく数時間で接続でき、生のアクセス記録から組織内の全アイデンティティとその関係を可視化するデータ構造(いわゆるアイデンティティグラフ)を構築する。付与された権限と実際の使用状況を突き合わせ、リスク判定から根本原因の是正までAIが自動化するという。製品はすでに一般提供中で、複数の企業顧客に導入済みだ。 CEOのShai Morag氏は連続起業家で、Integrity-Project(2014年にNVIDIA傘下のMellanoxが買収)、Secdo(2018年にPalo Alto Networksが買収)、Ermetic(2023年にTenableが買収、買収後は同社CPOを歴任)と3社を売却してきた経歴を持つ。共同創業者兼CPOのTal Marom氏はTenableとSalesforceで製品部門を率いた。両氏は100人以上のCISOやIAM(アイデンティティ・アクセス管理)責任者に取材し、「ツールが多すぎて連携できていない」「AIエージェントを統治する手段がない」という共通課題を確認したうえで、クラウドセキュリティの断片化をCNAPP(クラウドネイティブアプリケーション保護基盤)が統合したのと同じ転換点に、今アイデンティティ管理があると見ている。

［勝手に自動化］ChatGPT Computer Historyってアリ？我々はどこまでゆだねていいのか？ Podcast更新 ChatGPTが勝手にあなたの操作履歴を学習し始めた——「Computer History」機能が静かに始動している Claude Code, Codex, Cursorが同時多発的に走り続ける時代、判断の総量は増え続ける一方、人間のチェック力は追いついていない ・【確認疲れパラドックス】人間1000人実験でAIは9割正確、人間のチェックは9割見落とし——皮肉にも「お任せ」の方が安全という逆転現象 ・【油断の構造】100回成功したら101回目も大丈夫と錯覚する心理——判断精度はむしろ回数を重ねるごとに劣化する ・【スキル化とスケジュール化】日々の操作履歴から自動化候補を提案、毎朝9時の自動実行までパッケージ化——習慣が資産になる設計 ・【ローカルAI回帰】クラウド送信への抵抗感が、ローカル完結×構造化データという新潮流を生む——学習しやすい時系列ログという副産物 ・【委任すべきは判断か意思か】タスク実行は委ねてよい、しかし「何をするか」を決める意思まで委ねると、その判断力自体が学習され尽くして自分の価値が下がる——ここに一線がある @pop_ikeda

🌐 大規模ネットワークシステムの最前線NSDI 2026に、Microsoftが11本を発表しました。KVキャッシュ再利用で4倍スループット、CXLメモリでRDMA比3.2倍など、AI基盤の具体的な前進が並ぶダイジェストです。 タイトル: Microsoft at NSDI 2026: Advances in large-scale networked systems URL: 📝 概要 NSDIは、クラウド・AI・分散アプリ基盤の設計と運用に関する新しい研究を共有する主要な国際会議です。本記事は、Microsoftが発表したデータセンターネットワーク、広域ネットワーク、AIシステム、クラウドインフラにまたがる11本の採択論文を紹介しています。 ❓ 解決する課題 AIワークロードの急増に伴い、データセンターのネットワーク・メモリ・CPU資源を、信頼性とコスト効率を保ちながらスケールさせることが一層難しくなっています。本記事の研究群は、本番運用と研究の両面からその最前線に取り組んでいます。 💡 主要な研究貢献 ・DroidSpeak：同一アーキの言語モデル変種間でKVキャッシュを再利用し、出力品質への影響を最小限に抑えつつ最大4倍のスループットを実現します ・SONiC DASH SmartSwitch：クラウドのネットワークオフロードを再設計し、Azureで大規模に展開済み。電力と設置スペースの効率を大幅に改善します（コミュニティアワード受賞） ・Octopus：CXLの分離メモリポッドで、3サーバ試作機においてラック内RDMA比3.2倍、CXLスイッチ比2.4倍のRPCを達成します ・HarvestContainers：レイテンシ重視のコンテナから動的にコアを収穫し、テールレイテンシをスタンドアロン比4%以内に保ちながら空きCPUを最大75%活用します 🎯 ユースケース LLMサービングの高速化、メモリ分離（disaggregation）、コンテナのリソース有効活用、ネットワークプロトコルの検証など、クラウド・AI基盤の設計判断に役立ちます。 📊 そのほかの成果 ・Eywa：LLMベースのモデル生成により、ネットワークプロトコル実装で33件のバグ（うち16件は未知）を発見しました ・ForestColl：多項式時間でスケジュールを生成し、理論的に最適な集団通信を達成します ・AVA：10時間超の動画で75.8%の精度を出す動画解析ベンチマークです ・KRAKENGUARD：eBPFを用いた、マルチテナントセキュリティのための細粒度の分離です #NetworkedSystems# #AIInfrastructure#

⚙️NVIDIAがHBM4の主力を12段から8段へ替えてほしいと頼んだ | 歩留まりが落ちるのはDRAMでなく積む工程だ 000660.KS 005930.KS NVIDIAが韓国の2社へ出したのは、増やしてくれという依頼ではなかった。 ZDNet Koreaが8月26日に伝えたところでは、SamsungとSK hynixは今年下半期、NVIDIA向けHBM4の出荷で8段品の比率を引き上げる。両社はここまで、次世代AIアクセラレータVera Rubin向けに12段品を供給してきた。量産出荷の開始はSamsungが1〜3月期、SK hynixが4〜6月期とみられている。すでに走っている供給への、途中変更だ。 > 最近NVIDIAから、HBM4の主力供給製品を12段から8段へ変更してほしいという要請があった。それに合わせて下半期の供給計画が修正されたと理解している > （メモリ半導体業界関係者） 段数はそのまま容量になる。HBMはDRAMを縦に積んだメモリで、12段は12枚重ねたという意味だ。Vera Rubinは1基あたりHBM4を288GB載せる。8つのスタックに分けるので1つが36GB、それが12段の姿だ。同じ8スタックを8段で組めば24GBずつ、合計は192GBに下がる。 ただし動いているのは比率で、8段が何割まで来るかはまだ決まっていない。もう一人の関係者は、8段への需要はもともと一部あったが下半期に増え、関連する素材・部品の発注にも影響が出た、と話している。 減らすほうへ動いた理由は、同紙の中で2つに分かれている。 一つは熱だ。HBM4はデータの通り道である入出力端子を前の世代の2倍、2,048本へ増やした。増えた分の発熱は個別のチップに留まらず、サーバーラック全体に乗る。 熱を逃がす構造そのものは用意されている。8月23日のHot Chips 2026に登壇したSK hynix Americaのパッケージ技術担当VP、Jaesik Leeは、5月に自社が公開した熱ブロックを詳しく説明したうえで、この構造はすでに設計に入ったHBM世代へは適用できないと断った。HBM4はもう設計を終えている。この熱ブロックで解く道は、この世代には残っていない。 もう一つが歩留まりで、今回の芯はこちらにある。 HBMはいま極度の供給難にある。そのうえHBM4は、性能と集積度を上げたぶん歩留まりを取りにくい。同紙が書いているのは、その落ち方の場所だ。HBMの中身であるDRAMコアダイの歩留まりは比較的速く引き上げられる。落ちるのは、それを12枚積み、接合し、パッケージする工程のほうだという。 良品が減っているのは、DRAMを作る工程ではない。積む工程だ。 積む工程がいちばん狭い場所なら、そこを通す数を増やす一番速い手段は、新しい棟でも新しい装置でもない。積む回数を減らすことだ。増えるのは通るスタックの数で、1本に載る容量のほうは減る。 段数を変えてほしいと言われた製品の重さも、数字で出ている。Samsungでメモリのグローバル営業・マーケティングを統括するJaejune Kimは、7月30日の決算説明会で、下半期はHBM売上に占めるHBM4の比率が60%をかなり上回ると述べた。下半期のHBM売上の主力が、今回の変更の対象にあたる。 いまVera Rubin向けに12段のHBM4を量産供給しているのが SK hynix 000660.KS と Samsung 005930.KS で、同紙が計画を伝えているのもこの2社に限られる。 業界側の受け止めは、それでも冷静だ。 > NVIDIAは最新のAIプラットフォームを設計するうえで発熱管理を最も重視している。個別チップのスペックを下方調整するというより、システム全体で最適な組み合わせを探す過程であり、市場全体の需要に大きな変動を起こすものではない > （半導体業界関係者） 同じ変更は、次の世代へもう入り始めている。HBM4の後継のHBM4Eも、当初の12段ではなく8段中心の出荷になる公算が高いという。HBM4EはNVIDIAのRubin Ultra向けの製品だ。 > 12段と16段のHBM4Eサンプルも議論されてはいるが、いまの顧客との議論を見ると、来年供給されるHBM4Eは8段が主力になる可能性が高い。ただしRubin UltraがHBM4EとHBM4のどちらを使うのかといった論点が残っており、業界全体の不確実性は高い > （メモリ半導体業界の高位関係者） 見るべきは来年のHBM4Eの段数だ。8段で出てくれば、段数は積み上がっていくものだという前提が2世代続けて止まる。12段や16段で出てくれば、止まったのはHBM4の1世代だけということになる。 そのどちらになるかを決めているのが、いまのところJEDECの規格書ではなく客の発注書のほうだ、という点は覚えておいていい。 🤘情報提供 Stock Slayer :

AIエージェントの性能はモデルだけで決まらない——ハーネスの設計次第で大きく変わります。 TL;DR JIT-Agentはタスクの特性に応じてエージェントハーネス（スキャフォールド）をジャストインタイムで自動生成・修復・進化させる専用モデルです。GLM-5.2で+7.7pt、DeepSeek-V4-Flashで+8.8ptの平均向上を達成し、9ベンチマーク中8つでGPT-5.6を含む全フロンティアモデルを上回りました。 タイトル: Scaling Harness Intelligence via Just-in-Time Harness Evolution URL: ポイント 🧩 ハーネスを「学習可能なアーティファクト」として定式化 メモリ・計画・アクション・能力オーケストレーションの4モジュールプロトコル h = (M, P, A, F) でハーネスを形式化。生成空間を制約しつつ13種類の既存ハーネスを全て表現できる設計です。 🎓 教師あり→修復→進化の3段階訓練 ステージIで教師生成ハーネスを学習、ステージIIで実行失敗時の修復を学習（最大2反復）、ステージIIIのEvo-GDPOでパレートフロンティアを前進させる新規ハーネスを進化的に探索します。 📊 精度向上とコスト削減を同時達成 xBench-DeepSearchでスコア78→82（+4pt）の一方、トークン消費は527K→212K（▲60%）、コストは$0.075→$0.039（▲48%）。9ベンチマーク平均で固定ハーネス比36%のトークン削減を実現しています。 ⚡ 複数モデルファミリーに転移可能 JIT生成ハーネスはDeepSeek V4（+10.2pt平均）、Mimo V2.5（+8.6pt）、Qwen 3.6（+4.0pt）でいずれもReActを上回り、ハーネス生成器を再訓練せずに転移できます。 🔄 ストリーミングモードで運用中も進化 デプロイ後もタスクシーケンスをまたいでハーネスを蓄積・更新する「オンライン進化」を実装。静的生成より全評価ベンチマークで上回ります。 ベースモデルのスケーリングと独立した「ハーネス知性」という新たなスケーリング軸の提案として注目です。 #AIエージェント# #LLMスケーリング#