8月20日夜に収集した海外AIニュースから、重要なトピックを6本整理します。チューリング賞受賞者による合成データへの辛辣な評価、Tencentの次期フラッグシップが「うっかり見えた」瞬間、ロボット学習の新しいアプローチ、そしてローカルLLM界隈を賑わわせるソフトとハードの進展が並びました。

チューリング賞のSutton氏、合成データを「大失敗」と批判

強化学習のパイオニアでチューリング賞受賞者のRichard Sutton氏が、大規模言語モデルのスケーリングにおける合成データの利用を「大きな失敗（big mistake）」と切り捨てました。The Decoderの報道によるものです。

主張の骨子は「世界は無限に複雑であり、そのシミュレーションはどれほど精巧でも『顕微鏡的』にすぎない」という点にあります。合成データで世界を再現しようとするアプローチは、実世界の複雑さに対して本質的に不足する、という指摘です。さらに、合成データの生成を人間の専門知識に依存する構図は、スケーリングのボトルネックを人間側に置いてしまうとも述べています。

では代わりに何をすべきか。Sutton氏が示す方向は、凍結されたモデルに頼らず、エージェントが自らの経験から継続的に学び続ける構造です。同氏の「Big World Hypothesis」に基づく考え方で、経験からの学習を中心に据えた研究路線を今後も推し進めていく姿勢がうかがえます。合成データへの依存が深まる業界全体に投げかけられた、重い一石と言えそうです。

Metaの新しいMac用AIアプリ、「Muse Spark」が音声入力を支える

TechCrunchの報道によると、MetaはMac向けの新しいAIアプリを投入し、「アプリと話す」体験を打ち出しています。注目はディクテーション（音声入力）機能で、Metaによればこれを同社の「Muse Spark」モデルが支えているとのことです。

デスクトップOS上でAIアシスタントがアプリを横断して動く体験は、各社の主戦場になりつつあります。Metaが「音声」と「アプリ操作」の組み合わせをどこまで丁寧に作り込んだのか、実際の使用感と合わせて注目したいところです。

Tencentの次期フラッグシップ「Hunyuan Hy4」がグレーテストで出現

TencentのAIアシスタント「元宝（Yuanbao）」アプリのモデル選択リストに、次期フラッグシップモデルの「Hy4」が出現していることが利用者によって発見され、LocalLLaMAコミュニティで話題になっています。スクリーンショットでは「Expert-Level Model（エキスパートレベルモデル）」「Use Tools to Solve Problems（ツールを使って問題を解決）」といったラベルが表示されており、Hy3やDeepSeekよりも上の位置に配置されていると伝えられます。

ラインナップの並び方も興味深いところです。従来モデルのHy3には「New Upgrade」タグが付き、汎用モデルとして再配置。推論に特化したモデルとしてDeepSeekが並ぶ、という構成が確認できると報じられています。

Tencent自身は先週のQ2決算で、より大きなパラメータを持つHy4を近く公開し、モデル性能とマルチモーダル能力をさらに強化すると明らかにしています。まだグレーテスト（段階的テスト）段階であり、正式な公開時期や仕様は現時点では不明ですが、中国勢のフラッグシップ競争がさらに激しくなりそうです。

GEN-1.5: デモを1回見るだけでロボットに新しいタスクを覚えさせる

ロボティクススタートアップのGeneralist AIが、新しいAIモデル「GEN-1.5」を公開しました。The Decoderが伝えるところでは、このモデルはたった1回のデモンストレーションから、ロボットに新しいタスクを教え込めるといいます。

ロボットへのタスク教示は、従来、大量の軌跡データの収集や報酬設計を必要とする、コストの高い作業になりがちでした。「1回のデモで学習できる」なら、現場導入のコスト構造そのものが変わる可能性があります。人間の見真似に近い形で技能を移植できるかどうかは、ロボット普及のハードルを直接下げる要素です。

ロボット分野は資金面・技術面の両方で報道の密度が急速に上がっています。GEN-1.5がどの程度のタスク範囲で有効なのか、追試の報告を待ちたいところです。

AirLLMが2年ぶりの大更新 — 2.8兆パラメータのKimi K3を4GB未満のVRAMで

ローカルLLMコミュニティで長く親しまれてきた「AirLLM」に、約2年ぶりの大幅更新が入りました。量子化・蒸留・剪定なしに大規模モデルの推論メモリを削減するプロジェクトで、今回は現役最大のオープンソースモデルであるKimi K3（2.8兆パラメータ）が4GB未満のVRAMで動くようになったことが目玉です。

仕組みはsparse MoEの性質を利用したもので、レイヤー全体ではなく、トークンが実際にルーティングされるエキスパートだけをストリーミング読み込みします。RTX 6000 Ada 1枚でのエンドツーエンド実測は3.72GBとのこと。「2.8Tモデルが4GBで動く」という数字のインパクトは大きい更新です。

さらに2026年8月にはQwen3.8-27B（Gated DeltaNet + Gated Attention、ネイティブvision対応）が3.33GBのVRAMで動くサポートも追加されています。なおK3にはtransformers 4.56.x、Qwen3.8には5.8以降と、動作要件のバージョンが細かく分かれているため、試す際はドキュメントの確認が必要です。またストリーミング読み込みの特性上、生成速度は実用速度とは言い難い点には注意が要ります。

llama.cpp、CPUでのIQ量子化推論を最大約12倍速くするPR

ggml-org/llama.cppに、bartowski1182氏によるAVX2最適化のPR #27402（ドラフト）が提出されています。IQ量子化モデルの大バッチサイズ時のプロンプト処理が対象で、EPYC 9654（24スレッド）でのQwen3.6-27B実測では、IQ3_S量子化で4.75 tok/sから65.45 tok/sへ、約12.8倍に高速化されたと報告されています。

重要なのは、パープレキシティ（PPL）の変化が±0.2%程度に収まっている点です。つまり「品質をほぼ変えずに、CPU推論だけが速くなる」変更です。大バッチ処理が本来苦手なIQ量子化の弱点を直接的に突いた内容で、パープレキシティ計算やimatrix生成、GPUを持たない環境での運用がかなり現実的になりそうです。

ただし現時点ではドラフトPRであり、マージされるか・どの形で入るかは未定です。CPU推論派には要ウォッチの変更と言えます。

ローカルLLM自作勢の今週: 250ドルの「ミニKimi K3」から8万パラメータの豆モデルまで

LocalLLaMAコミュニティでは、スケールの両極端に振り切った実験も話題を呼んでいます。

ひとつは「250ドルで作ったミニKimi K3」。1.02Bパラメータ（トークンあたりのアクティブは145M）のK3レプリカを50億トークンで事前学習したもので、Kimi Delta Attention、Gated MLA、LatentMoE、K3自前の163,840トークントークナイザーまで本家のアーキテクチャを忠実に再現しているといいます。HellaSwag 33.4%はGPT-2 124Mの28%を上回るスコアで、学習のチュートリアルも公開されています。

逆方向の極端としては、ちょうど8万パラメータの「Aurora-80K」も登場しました。因数分解された4,096トークンの語彙を持つ豆モデルですが、現代的なアーキテクチャの限界を探る実験として興味深い存在です。

さらに、16枚のRTX 5060 Ti 16GBを2基のPLX PEX88096スイッチで束ね、DeepSeek V4 Flash-0731を130〜150 tok/s（50万トークンコンテキスト）で動かす構成を公開したユーザーも現れました。RTX 6000 Proの0.6倍のコストと称する、まさに「地味だが狂気」の自作リグです。エンジニア個人の手でフロンティア級モデルが回る時代になったことを象徴する投稿と言えそうです。

まとめ

今回は、スケーリング戦略をめぐる巨人の発言（Sutton氏）、中国勢の次の一手（Hy4）、ロボット学習の効率化（GEN-1.5）、そしてローカルで超大モデルを動かす工夫（AirLLM・llama.cpp・自作リグ）という、巨大と個人の両方向に引き裂かれるような1日のニュースでした。「世界の複雑さ」というSutton氏の指摘は、どこまで大きなモデルを作っても、どこまで小さくしても付きまとう問いかもしれません。