中国が全教育段階でAI教育を義務化する5カ年計画を発表

中国の国務院は6月29日、幼稚園から大学まで全教育段階にAI教育を組み込む5カ年青写真を発表した。Bloombergが報じたところによると、AIをすべての学生のコア能力と位置づける内容で、習近平国家主席が推進する先端技術覇権戦略の一環である。

計画では、AI人材の早期育成を目的に、カリキュラムの体系化、教員の研修、教材の整備を進める方針が示されている。世界第2の経済大国が新たな成長エンジンを模索する中、教育制度を丸ごとAI化する方針は、国家戦略としてのAI投資がインフラ分野から人材育成分野へも拡大していることを示す。

米中AI競争が激化する中、教育政策を通じた人材の大量育成は長期的な競争力の源泉となる。日本を含む各国の対応にも影響を与えうる動きだ。

OpenAIがEUのAI労働市場マップを公開 — どの職業が影響を受けるか

OpenAIは、AIがEU圏内の労働市場にどのような影響を与えるかをマッピングした報告書「Mapping Europe's AI Workforce Opportunity」を公開した。

報告書では、どの職業が自動化の対象となるか、どの分野が成長するか、そして業務プロセスがどう変化するかが分析されている。AI導入によって一部の職業は縮小する一方で、新たな職業や需要が増大する分野も生まれるとし、労働力の移行をどう支援するかが課題として浮き彫りになった。

OpenAIは以前からAIが雇用に与える影響について研究を発表しており、今回のEU特化型の分析は、同社が規制の厳しい欧州市場での信頼醸成も狙っているとみられる。

DeepSeek V4正式版が7月中旬にリリースへ

RedditのLocalLLaMAコミュニティで、DeepSeekから中国語圏ユーザーに送信されたメールの内容が共有され、DeepSeek V4の正式版が7月中旬にリリースされる予定であることが明らかになった。

すでにDeepSeek V4の事前版は公開されており、llama.cppでもローカル実行が可能になっている。正式版では、推論品質やツール使用能力などがさらに向上すると期待されている。コミュニティでは、7月中旬のリリースに向けて量子化対応やローカル実行の最適化がすでに進められている。

DeepSeekはこれまでコストパフォーマンスの高いモデルで注目を集めており、正式版の性能次第ではオープンソースLLM競争の地図が再び動く可能性がある。

「話しながら考える」— リアルタイム対話AIでフロンティア級の性能を追撃

Hugging FaceのDaily Papersで注目を集めている論文「Thinking While Speaking」は、軽量なオンデバイスモデルと高性能なフロンティアLLMを組み合わせ、リアルタイム性と高い回答品質を両立する手法を提案している。

仕組みはシンプルだ。小型の「Talker」モデルがミリ秒単位で応答を開始し、背後で動くフロンティアLLM「Reasoner」の知識が到着次第、会話に織り込んでいく。これにより、最初の応答までの時間を7〜19倍高速化しつつ、フロンティアモデルに近い精度を狙う。Apple M2（16GB）のノートPCで動作可能という点も特徴的だ。

音声アシスタントやカスタマーサポートなど、即応性が求められる領域での実用性が高い。モデル間連携による性能と速度のトレードオフ解消は、今後の対話AIの方向性を示唆する。

Google CloudがSandboxAQの科学特化AIモデルを提供開始

Alphabet傘下のGoogleは、ソフトウェア企業SandboxAQの「Large Quantitative Models（LQMs）」をGoogle Cloudのマーケットプレイスで提供開始する。Bloombergが報じた。

LQMsは、テキスト生成に特化したLLMとは異なり、科学方程式や実験データで訓練されたモデルである。創薬、材料科学、半導体製造などの分野で、GoogleのGeminiモデルと組み合わせて利用できる。LLMが「言葉」を処理するのに対し、LQMは「数値と物理法則」を処理するという位置づけだ。

科学研究へのAI応用は、Google DeepMindのAlphaFoldがタンパク質構造予測で成果を上げて以降、急速に拡大している。今回のSandboxAQ提携は、研究機関や企業が科学特化AIにアクセスしやすくなる一歩と言える。

トランスフォーマーのレイヤーをロード時にスキップ — LLMを軽くする新しいアプローチ

RedditのLocalLLaMAコミュニティで、llama.cppのフォークとしてトランスフォーマーの特定ブロックを実行時にスキップする機能「--skip-layers」が実装された。

最近の研究論文に基づくこの手法は、モデルの読み込み時に不要なレイヤーを初期化せず、VRAM使用量と推論コストを削減する。ベイクタイム（事前マージ）のプルーニングとは異なり、実行時に動的に選択できる点が特徴だ。

重要なのは「どのレイヤーをスキップするか」で性能差が桁違いに変わるため、適切なレイヤーを選ぶセレクター機構が実装されているという。検証結果はSubstackで公開されており、コミュニティでのフィードバックが集まっている。

ローカルLLMの実行環境にとって、モデルサイズを削減しつつ精度を保つ手法は需要が高く、llama.cpp本体への統合が期待されている。