AnthropicがOpenAIのチップエンジニアを引き抜き——IPO競争と独自チップ開発の思惑

AnthropicがOpenAIのカスタムチッププログラムで2人目のハードウェアエンジニアだったClive Chanを採用した。ChanはTeslaのAutopilot ASICやOpenAIとBroadcomの提携での経験を持つ。両社ともIPOを控える中での人材獲得合戦であり、Anthropicは独自AIチップの開発も検討していると報じられている。

この動きは、主要AI企業がチップ設計の内製化に本格的に舵を切り始めていることを示唆している。NVIDIAへの依存を減らし、推論コストを最適化する狙いがあるとみられる。

大規模LLMが「稀少スキル」を習得する仕組みを解明

400万から40億パラメータのモデルを用いた新研究で、小規模モデルが稀なタスクを習得できない理由が判明した。頻出タスクの学習が、すでに獲得した稀少タスクの知識を絶えず上書きしてしまうのが原因という。注目すべきは、モデルをスケールアップする代わりに、訓練データ内で対象タスクの出現頻度を増やすだけで改善可能な点だ。モデルの大型化一本やりではない、データ設計の観点からの実用的なアプローチとして示唆に富む。

Gemma 4 26B-A4Bが150ドルの中古PCでGPU不要動作

RedditのLocalLLaMAコミュニティで、Gemma 4 26B-A4BをGPUなしの古いデスクトップ（Core i5-8500 / 32GB RAM）で約7トークン/秒で実行できたという報告が注目を集めている。投稿者は「GPUの購入を検討していたが、必要ないかもしれない」と述べており、MoEアーキテクチャの効率性がローエンド環境でも活きることを実証している。

一方で同コミュニティでは、DenseモデルとMoEモデルの量子化耐性についての議論も活発化。Gemma 4 26B A4BをQ5量子化で使用すると45Kコンテキスト付近でループ現象が発生し、Q6で解消するという報告が上がっている。

GitHub CPOがAIコーディングエージェントの未来を語る

GitHubのCPO Mario Rodriguez氏がインタビューで、AIコーディングエージェントと「マクロデリゲーション」について語った。開発者がコードの細部ではなく全体の方向性を指示するワークフローが主流になるとの展望を示している。

また国内では、Claude CodeとGemini CLI、Kiroの2026年版比較記事もQiitaで公開され、各ツールの実用的な違いに注目が集まっている。