8月18日夜の収集分から。OpenAIが10代向けの専用ChatGPTを発表した。一方で、医療AI規制の「人間の関与」に異論を唱える医学誌の論文、米司法省による大手VCへの捜査、法廷に提出されたAI生成の偽判例と、AIと制度の摩擦を映す話題が並んだ。ローカルLLM界隈では、Hugging Faceの公開モデル数が300万本を突破したほか、Strix Haloでのスペキュラティブデコードの丁寧な実測が注目を集めた。

OpenAIが13〜17歳向け「ChatGPT for Teens」を提供開始 — 保護者コントロール付きの教育特化版

OpenAIは、13〜17歳を対象にした「ChatGPT for Teens」の提供を開始した。ティーンの学びと批判的思考を支え、AIを自信を持って使えるようにするのが狙いで、従来より強固な保護機能を内蔵し、健全な利用を促す機能（healthy-use features）や保護者向けの追加コントロールを備える。

発表時の説明では、ティーンが「学ぶ」「批判的に考える」「AIを自信を持って使う」の3点を軸に設計されている。保護者による利用コントロールが標準で用意される点が、これまでの一般向けChatGPTとの大きな違いだ。

同日にOpenAIは教育団体CodeAIとの提携も発表した。学生がAIリテラシーを身につけ、AIについて批判的に考え、責任を持って使いこなすスキルを育てるのが目的で、同社はこれを「最初のAI世代」を準備する取り組みと位置づけている。

10代のAI利用をめぐっては、保護者による管理や健全な使い方が課題として議論されてきた。保護者コントロールを標準搭載した専用版を打ち出すことで、教育現場への導入ハードルを下げると同時に、次世代ユーザーの基盤を固める狙いがあるとみられる。

「AIが医師に勝つなら、規制に人間の最終決定権を書き込むな」 — JAMA誌の意見論文

医学誌JAMAに掲載された意見論文が、医療AI規制の核心に触れる主張を展開した。自律型AIはまもなく、いかなる「医師＋AI」チームよりも医療推論タスクで優れた成績を残すようになる——だからこそ、医師の最終決定権（human in the loop）を規制に書き込むべきではない、というものだ。

著者らの懸念は、規制が「人間の関与」を義務づけた場合、AI単体でより高い性能が出せる場面でも人間の確認を挟むことが、むしろ患者の不利益になり得る点にあるとされる。

一方で論文は重要な留保も示している。この分野のエビデンスのほぼすべてはシミュレーション由来で、実際の患者診療に基づくものではないという。つまり「AIが医師に勝つ」という前提自体が、実地医療ではまだ裏付けが薄い。それでも著者らは、規制の前提から議論を始めるべきだと主張する。

医療AIをめぐっては「人間が最終決定する」ことが事実上の規範となっている。報道ベースの情報であり論文の細部には注意が必要だが、規制設計の前提を揺さぶる論考として注目に値する。

米司法省がAndreessen Horowitzを捜査 — 競合データ企業2社の取締役を同時兼任

米司法省（DOJ）が、大手ベンチャーキャピタルのAndreessen Horowitz（a16z）を独占禁止法上の捜査対象にしていることが分かった。争点は、同社のパートナーが競合関係にあるデータ企業のDatabricksとFivetran、両社の取締役会に同時に在籍している点だ。

競合企業間での取締役兼任は米反トラスト法上の論点として知られ、司法省がこうした兼任に目を向けること自体は異例ではない。注目されるのは対象がa16zであることだ。同社はトランプ政権と密接な関係にあり、政権のAI規制緩和を積極的にロビー活動で支援してきた。AI業界で巨大な影響力を持つ投資ファームが、今度は自らが規制の網にかかった形で、今後の展開が注目される。

State Farm訴訟で弁護側が「AI生成の偽判例」を提出と認める

ロサンゼルスで進むState Farm関連の訴訟で、同社側の弁護団が、法廷文書に引用した事例の一部が実在しないAI生成の偽判例だったことを認めた。カリフォルニア州の報道機関CalMattersにより明らかになった。

生成AIはもっともらしい判例名や引用文を作り出してしまうことがあり、弁護士がそれを確認せず提出する事故が各地で相次いでいる。AIを使った調査の失敗例として、生成された判例を実在するかのように扱った点が問題とされる。

専門職の現場にAIが浸透する中、「AIの出力を誰がどの段階で検証するのか」という課題を改めて浮き彫りにした形だ。Hacker Newsでも話題になり、法曹界でのAI利用ルール整備の必要性を指摘する声が上がっている。

Hugging Face Hubの公開モデルが300万本を突破

RedditのLocalLLaMAコミュニティで報じられたように、Hugging Face Hub上の公開モデル数が300万本を突破した。

数年前までは主要な公開モデルを指折り数えられる状況だったことを考えると、オープンウェイトのエコシステムがいかに拡大したかを物語るマイルストーンだ。派生モデルや量子化版、ファインチューニング版まで含めた「モデルの乱造」が進んだ側面もあるが、ローカル推論の選択肢が事実上無限に近くなったことは、開発者にとって大きな追い風と言える。

DeepSeek V4 FlashをStrix Haloで — スペキュラティブデコードの体系的実測「n_max=3が最適」

LocalLLaMAに投稿された検証レポートが注目されている。128GB統合メモリのStrix HaloミニPCでDeepSeek-V4-Flash-0731の量子化版（UD-IQ3_XXS＋Q6 attention、約96GB）を動かし、スペキュラティブデコードのパラメータを体系的に比較したものだ。

検証では、ドラフトモデルとしてQ8_0（10.15GB）と投稿者自作の量子化Q2_K_S（6.45GB）の2種を用意し、ドラフト長n_maxを2〜7の範囲で、7種類のプロンプトカテゴリ×各5回ずつスイープした。結果の要点は次の通りだ。

  • ドラフトなしのベースラインは約20.5 tok/s（デコード時）。n_max=3で平均28.5 tok/sと、1.39倍まで向上
  • Q8_0とQ2_K_Sはどの条件でも1〜3%の差しかなく、6.45GBの軽い方で十分
  • カテゴリ別では反復タスクが1.96倍、数学が1.52倍と恩恵が大きい一方、散文・翻訳・対話ではn_maxを上げるとドラフトトークンが棄却されて伸び悩む

ただし投稿者自身が重要な注意書きを添えている。ベンチマーク構成は反復・数学・コードなどスペキュラティブデコードが得意なタスクに偏んでおり、コンテキストも実際には最大32k程度の利用だった。実際の混合利用では22〜28 tok/sを見込むべきで、「28.5 tok/s出る」と鵜呑みにしないよう呼びかけている。

最適なn_maxを体感で決めがちなローカルLLM運用において、条件を明示した体系的なスイープデータは貴重な参考になる。

RedditのAIが投稿をポッドキャストやショート動画に自動変換

The Vergeの報道によると、RedditはAIを使い、テキスト投稿をポッドキャストやショート動画に自動変換する取り組みを進めている。

SNSプラットフォームが生成AIで既存のテキストコンテンツを別フォーマットへ展開する動きは、短期的にはコンテンツの発見経路を広げる効果が期待できる一方で、「プラットフォームがコミュニティの投稿をAI加工して再流通させる」ことへの批判も出やすい。収集時点では仕様や展開範囲の詳細は明らかでなく、今後の公式発表を待ちたい。