【海外主要大学のAI研究予算と研究成果の相関分析】 日本の国産AI開発支援を考えるうえで、海外主要大学の研究開発費とAI研究成果を比較しました。 カーネギーメロン大学とスタンフォード大学の研究開発費には約8倍の差がありますが、スタンフォード大学はAI Indexを通じて 世界のAI研究・産業・政策の動向を可視化し、国際的な研究基盤を提供しています。 また、MITは基礎研究と産業応用、カーネギーメロン大学は機械学習やロボティクスなど、それぞれ異なる領域で研究を展開しています。 スイスのETH ZurichとEPFLは、研究資源を共同利用し、オープンな基盤モデルApertusを開発しています。 ここから見えてくるのは、研究開発費の大きさだけでは、研究成果の独創性や国際的な影響力を評価できないということです。 私が重要だと考える評価軸は5つです。 ① 独創性：新しいアルゴリズムやアーキテクチャを生み出したか ② 技術性能：世界共通のベンチマークでどの程度の成果を上げたか ③ 資源効率：どれだけの計算資源と費用で成果を実現したか ④ 技術的波及：研究成果が世界の研究者や産業界にどれだけ利用されたか ⑤ 国家への貢献：人材育成、行政実装、技術的自律性にどう貢献したか もちろん、基礎研究には長期的な投資が必要であり、短期的な成果だけで評価すべきではありません。 探索的な研究には幅広く挑戦の機会を与え、研究の進展に応じて独立した第三者が評価する仕組みが重要です。 日本のAI研究開発政策に必要なのは、単に予算を増やすことではありません。 大学の知名度や教授の肩書ではなく、研究者の独創性、研究成果、技術的波及効果を適切に評価することです。 そして、公的資金による研究開発について、誰が採択基準を決め、誰が審査し、誰が成果を評価したのかを検証できる透明性です。 問われるべきは、いくら投資したかだけではなく、その投資によって世界にどのような新しい価値を生み出したのか。 国産AIの競争力を高めるためにも、研究開発への投資と、その成果を客観的に評価する仕組みを一体で整備する必要があると考えます。

NTUの研究チームが、複数のLLMをまとめる司令塔(セントラルモデル)向けに、新しい記憶の仕組み「Σ-Mem」を提案した(https://arxiv[.]org/abs/2607.27958)。 画像はその動機を示す例。複数のエージェント(ピア)が「Berlin」で一致しても、参照元の資料が見えないセントラルモデルには正誤を判断できない(正解はZurich)。複数の意見が揃っていることは、correlated errors(同じ思い込みを共有した誤り)である可能性もあり、単純な多数決はかえって逆効果になりうる。 Σ-Memは、各ピアの過去の実績(historical competence evidence)と、ピア同士の相性(peer relationship evidence、一緒に正解しやすいか間違えやすいかの関係)を、数値の表(対称行列)としてずっと記録し続ける仕組み。1回の更新で変化できる幅を一定に抑える(Weylの不等式という定理で保証)ことで、モデル自体を再学習せずに安定してオンライン更新できる。 Qwen3系とQwen3.5系あわせて5モデルで検証したところ、信頼できるピアを意図的に入れ替える意地悪な設定(CF@90)で、Qwen3-0.6Bの正解率が46.22%から71.10%まで向上した。学習に使っていない未知のピアを後から追加しても効果は落ちず、学習対象外の領域(BBHなど)を含む30ケース中27ケースで性能が改善している。 興味深いのは、セントラルモデルの判断を介さず、質問文だけから「どのピアを信頼すべきか」を記憶だけで決める方式(M-route)でも、多数決や固定の最良ピアより高い精度が出た点。「誰を信頼するかの記録」そのものが、判断材料として機能することを示している。