Chai DiscoveryがシリーズCで4億ドル、AI設計抗体はすでにメガファーマへ

AI創薬スタートアップのChai Discoveryが4億ドルのシリーズC資金調達を完了しました。注目は金額よりも、AIで設計された抗体がすでに大手製薬企業のパイプラインに組み込まれているという事実です。数年前であれば「AIが新薬候補を出力した」というだけでニュースになっていたのが、今はメガファーマの商用プロセスに直接つながる段階に入っています。

創薬AIの評価軸が「デモで良いスコア」から「実際の治験候補として成立するか」に移っている点が、今回の資金調達の文脈として重要です。モデルの性能だけではなく、社内のケミストリーやバイオアッセイの知見とどう統合するかが問われるフェーズに入ったと言えます。

Simon Willisonが改めて指摘する「AI Lethal Trifecta」

プロンプトインジェクションという用語の生みの親であるSimon Willisonが、AIエージェントを壊滅させる3つの条件として「Lethal Trifecta（致命的な三重苦）」を整理しています。

  • 非公開データへのアクセス（社内DBやメールなど）
  • 信頼できない外部コンテンツへの接触（Webページや外部テキストなど）
  • データ持ち出しの経路（ツール呼び出しや外部通信）

この3つが揃うと、悪意あるコンテンツがエージェントを乗っ取り、社内データを外に送らせる経路が成立します。Willison自身は以前から指摘していますが、Hacker Newsで再び注目を集めているのは、エージェント実装が一般的になる中で「機能追加」がそのままリスク追加になる現状が共有され始めたためです。

これを体験型で学べる「Gandalf風パズル」も公開されました。10段階のステップごとに実際にインジェクションを試し、最終ステップで3条件を揃えた突破を目指す構成で、入門者にも分かりやすい教材になっています。エージェント設計者は一度手元で触って、自分の設計がどの条件を満たしているかを点検すると良さそうです。

ローカルLLM3題：1Mコンテキスト、スマホ上の120B、コーディング比較

LocalLLaMA周辺では今週、実運用に近いベンチマークが相次ぎました。

1. DeepSeek V4 Flash on RTX 5090 + llama.cpp

Unsloth版のDeepSeek-V4-Flash-UD-Q8_K_XLを使い、llama.cppの最近の変更で1M（約100万トークン）コンテキストを動かした事例が報告されています。prefillが650〜700 tok/s、decodeは17 tok/sで、ローディングは32秒。Qwen系ほどの速度ではないものの、実用範囲に入ってきたとのことです。

別のユーザーはRTX 3090＋128GB DDR4という構成でIQ3_XXS-ASとIQ2_Sの両方を比較し、mainlineのllama.cpp b10064とfairydreaming氏のdsv4フォークを検証しました。結論は「フォークはもう要らない」で、本線に取り込まれた最適化によって差がほぼ消えたとのこと。個人運用でも保守コストを下げやすい状態になってきそうです。

2. Androidスマホ（CPUのみ）でGPT-OSS-120Bを動かす

OnePlus 15R（実利用RAM約11GB）で、60GBのgpt-oss-120b Q4_K_Mを動かした事例が話題です。単純なmmapロードだと0.089 tok/sですが、MoEの構造を活かして必要なエキスパートだけをフラッシュからストリーミング読み込みすることで、1.3 tok/sまで引き上げています。モデルサイズがメモリの5倍でも、ストリーミングで約14倍の効率化を実現した計算です。

出力はRAMに完全に載せた場合と同じで、GPUもNPUも使わない点が興味深いです。MoE特有の「毎トークンで一部のエキスパートだけを使う」という性質をうまく活かしたアプローチで、エッジ推論の設計思想として参考になります。

3. Gemma4-31b vs Qwen3.6-27b、コーディング比較

より日常的な話題として、Qwen3.6-27bをメインのコーディングエージェントに使っていたユーザーがGemma4-31bに切り替えたところ、バグの往復が減りプロトタイプが一気に進んだという報告がありました。ただし「Gemmaをコーダー、Qwenをレビュアー/QAにするとQwenの良さも活きる」という運用に落ち着いており、モデルの差し替えより役割の切り分けが効くという、エージェント設計の現場感を示す興味深い事例です。個人の感想ベースなので過度に一般化はできませんが、複数モデルを協調させるワークフローを設計する際の参考になります。

AWS Amazon Quickが営業向けエージェントを本格展開

AWSは「Amazon Quick」を営業組織向けのAIアシスタントとして展開し始めました。3MやAWSグローバルセールスなどがすでに導入しており、CRM更新、見込み客の調査、メール作成といった「売り以外で時間を食う作業」をQuickに任せる構成です。

Microsoft 365やOutlookなど既存ツールへの統合も打ち出されており、エージェントを「特定業務向けの同僚」として位置づけるプロダクトデザインが明確です。またQuickダッシュボードのモバイルレイアウト機能も追加され、スマホからKPIやチャートを単一カラムでスクロール表示できるようになりました。現場の利用シーンを想定した細かな改善が進んでいる点が、エージェントの実業務浸透を測る上での参考になります。

学術ツールPrism、コンパイルで他人の論文を誤出力

研究者間で使われているツールPrismで、コンパイル処理が別のユーザーの論文を返すバグが報告されました。Discord経由で指摘が上がった後、10分以内にサイトは非公開化されたとのことですが、「自分の論文がどこかに漏れていないか」という不安の声が出ています。

学術系AIツールでは入力データの機密性がクリティカルなだけに、原因究明と再発防止のアナウンスが待たれるところです。最近同種のツール事故が複数報告されていることもあり、研究用途でのAI利用は「便利さ」と「データ流出リスク」の天秤を改めて意識させる事例になっています。

AIの水使用量、The Atlanticが改めて検証

The Atlanticがデータセンターの水消費に関する検証記事を出しました。AIの環境負荷といえば電力に目が行きがちですが、冷却用水の消費も地域によっては深刻な影響を与えます。乾燥地帯でのデータセンター新増設が相次ぐ中、地域の水資源とどう付き合うかが改めて問われています。

規制側の動きも活発で、一部自治体はデータセンター建設の凍結や条件付き許可に舵を切り始めています。「電力の decarbonization」と並んで「水の持続可能性」が、データセンター立地の新たな制約になりつつある状況を押さえておきたいポイントです。

総括

今週の動きから浮かぶのは、AIが「機能デモ」から「現場のインフラと判断材料」に変わったという感覚です。創薬パイプライン、営業ワークフロー、研究サポート、ローカル推論の工作隅々まで、AIが業務の前提条件として組み込まれ始めています。その分、安全性（Lethal Trifecta）、データ漏洩（Prism）、環境負荷（水使用量）といった「信用と副作用」をどう扱うかが、次の設計課題として前面に出てきました。