DeepSeekが自社設計のAIチップ開発を推進 — ハードウェア自前化の波

中国のAIスタートアップDeepSeekが、自社設計のAIチップを開発していることが7月7日付のReuters報道で明らかになりました。Bloombergも同日、匿名情報源としてこの報道を確認しています。

開発中のチップは、モデルの学習 rather than トレーニング段階ではなく、**推論（inference）**向けに設計されていると伝えられています。つまり、すでに学習済みのモデルがユーザーのクエリに応答を生成する際の処理を効率化することが狙いです。DeepSeekはこれまでV4などの高性能モデルを低コストで提供して話題を呼んできましたが、推論コストのさらなる削減をハードウェアレベルで実現しようとする動きと言えます。

米国による対中AI技術輸出規制の強化が続く中、中国のAI企業がNVIDIA製チップへの依存を減らす動きは加速しています。DeepSeekがチップ設計をどこまで進めているか、量産時期や性能の詳細は現時点では不明ですが、ソフトウェアとハードウェアの両面で自立を図る戦略が見て取れます。

Amazonが米国債市場に復帰 — AIインフラ構築のための大型資金調達

AmazonがAIインフラ構築の資金を調達するため、米国債市場に再登場したことが分かりました。Bloombergが7月7日に報じたところによると、AIデータセンターの建設やコンピューティングインフラの拡充に向けて、債券発行による資金調達を実施しています。

AmazonのAI投資意欲は極めて強く、これは同社がAIインフラ競争において長期的なコミットメントをしていることを示しています。AWSのコンピューティング能力拡張は、生成AI需要の急増に対応するための必須の投資です。ただし、債券発行による調達は返済義務を伴うため、AIインフラが想定通りの収益を生み出せるかどうかが今後の焦点となります。

NVIDIA「Nemotron-Labs-3-Puzzle-75B」公開 — MoE+Mambaのハイブリッド設計

NVIDIAが新しい大規模言語モデル「Nemotron-Labs-3-Puzzle-75B-A9B」をHugging Faceで公開しました。RedditのLocalLLaMAコミュニティで7月7日に報告されたこのモデルは、Nemotron-3-Super-120B-A12Bをベースに、Iterative Puzzleというポストトレーニング圧縮フレームワークを適用して作られています。

モデルの主な特徴は以下の通りです：

  • ハイブリッドアーキテクチャ: Mamba、MoE（Mixture of Experts）、Attentionレイヤーを交互に配置する設計を採用
  • パラメータ構成: 総パラメータ75B、アクティブパラメータ9B（A9B）
  • 目的: インタラクティブな推論、推論中心タスク、ロングコンテキストワークロードでの効率向上
  • 既存の120Bモデルの精度をできる限り維持しながら推論効率を大幅に改善

NVIDIAといえばGPUメーカーとしてのイメージが強いですが、モデル開発でも独自のアプローチを取っています。MambaとMoEを組み合わせた設計は最近のトレンドであり、長文処理と効率性の両立を狙ったものとみられます。

SaviのAI詐欺対策アプリ — AI音声クローン詐欺から消費者を守る

TechCrunchが7月7日に報じたところによると、スタートアップSaviはAIを使ったリアルな詐欺、特にAIで生成された音声で身代金を要求する誘拐詐欺などから消費者を保護するアプリを発表しました。同社は700万ドル（約10億円）のシード資金を調達し、iPhoneおよびAndroid向けアプリをリリースしています。

AI音声クローニング技術の進化により、家族の声を模倣して身代金を要求する詐欺が現実の脅威となっています。SaviのアプリはこうしたAI詐欺を検知・防止する仕組みを提供するもので、AI技術の悪用に対する防御策として注目されています。

AIの恩恵が広がる一方で、悪用への対策も急務となっており、この分野のスタートアップへの投資が始まっている点は象徴的です。

AI法務スタートアップNormが12億ドル評価額で資金調達

Bloombergが報じたところによると、AI法務スタートアップのNormが12億ドル（約1,800億円）の評価額での資金調達ラウンドを実施しました。AIが法律業界にも本格的に参入しつつあることを示す象徴的な事例です。

法務分野では、契約書レビューや法的リサーチ、コンプライアンス確認などの定型作業をAIで効率化する動きが進んでいます。10億ドル超えの評価額は、投資家が法務AI市場の成長 potential を高く評価していることを示唆しています。

3Mパラメータのトランスフォーマーが推論時に未学習ルールをインストール — 単一RTX 3090で完全再現可能

RedditのLocalLLaMAコミュニティで注目を集めている研究で、独立研究者がわずか3Mパラメータのトランスフォーマーを使い、推論時に学習していないルールをインストールできる手法を発表しました。

この研究の鍵となるのは「fast-weight memory bank」と呼ばれる仕組みです。モデル自身のフォワードパスでベクトルを書き込み・読み出しすることで、テスト時学習（test-time training）とは異なるアプローチで、学習データに含まれていないルールを推論時に適用できるとしています。

注目すべきは、この研究が単一のRTX 3090で完全に再現可能である点です。大規模な計算資源を持たない独立研究者でも、革新的なアーキテクチャの探求が可能であることを示しており、AI研究の民主化が進んでいることを象徴する事例と言えます。現在はZenodoでプレプリントが公開されており、arXivでの公開も予定されています。