9月9日のAIニュースから5本をまとめます。まず人材の動きから。元OpenAI出身の研究者が、制御不能になるAIへの懸念を理由にAnthropicを退職したとWSJが報じました。続報が続くOpenAIのナビエ・ストークス証明については、論争とは別軸で「主張の中身」を数学的に読み解く日本語記事が登場。ローカルLLMではQwen 3.8 Flash-NextがMLX-serveで100万トークン文脈の実運用に到達し、研究面では人間の運転データに頼らず人間ドライバーを超えたとされる自動運転モデル「DriveZero」が注目を集めています。

元OpenAI研究者がAnthropic退職──「制御不能なAI」への懸念が理由と報じられる

ウォール・ストリート・ジャーナル（WSJ）の報道をHacker Newsが取り上げたもので、それによると、OpenAIに在籍歴のある研究者がAnthropicを退職し、その理由が「制御不能なAI」への懸念だと伝えられています。

現時点で確認できるのは報道の見出しレベルの情報で、経緯の詳細は今後の報道を待つ必要があります。ただ、AIの安全性を実現することを創業の旗印に掲げてきたAnthropicから、安全への懸念を理由に研究者が去るという構図は、業界全体が抱える「開発速度と安全性のバランス」問題を象徴する動きといえそうです。

関連して、Hacker NewsではOpenAIとAnthropicの「AI責任」を問うX（旧Twitter）投稿への言及も16ポイントを集めており、大手AIラボへの信頼を巡る議論がコミュニティで同時に湧き上がっている様子がうかがえます。モデルの性能競争が激化するほど、内部者の判断の重みは増します。退職の真意を含め、追加報道を追いかけていきたいところです。

ナビエ・ストークス「証明」の中身を数学で読む──経緯論争は平行線のまま

OpenAIによるミレニアム懸賞問題「ナビエ・ストークス方程式」の証明報告をめぐっては、9月8日の数学者による「成果先取り」疑惑、9月9日朝の「『共著者を外せ』圧力の証言」と論争の続報を重ねて報じてきました。9月9日もITmedia AI+が、先行研究の数学者が「自らの成果を伝えた後にOpenAIが着手し、手法が酷似している」と不正疑惑を主張、OpenAI側が反論していると伝えており、経緯を巡る対立は解消されていません。

そうした論争とは別に、注目すべき日本語記事が出ています。Qiitaに投稿された「OpenAIのナビエ・ストークス解決報告を、数学と統計で読む」です。記事によれば、OpenAIは9月8日に論文とLeanによる形式化を公開しており、主張の中心は「滑らかな外力を加えた3次元の流体で、運動エネルギーを有限に保ったまま、速度が有限時間で非有界になる」という構成だといいます。つまり証明の本体は「エネルギーが有限のまま速度が爆発する解を構成した」ことにあり、Lean形式化と合わせて検証可能な形で公開されている点が特徴です。

ゴールドラッシュ的な騒動とは別に、主張の中身を静かに検証する動きが広がるのは健全なことです。AIが生み出した「証明」を人間の数学コミュニティがどう受け止め、どう検証するのか。この問題は懸賞問題の行方以上に、今後のAI数学の在り方を占う試金石になりそうです。

Qwen 3.8 Flash-NextがMLX-serveで100万トークン文脈──M5 Max 128GBで40〜75トークン/秒を維持

9月9日朝の記事では、Qwen 3.8 Flash-Nextが推論エンジンによって初速に最大7倍の差が出るという検証を取り上げましたが、その後すぐに次の一手が届きました。MLX-serveへの対応を共同開発した人物がRedditのLocalLLaMAにて、100万トークン文脈サポートをリリースしたと報告したのです。

投稿者の説明を整理すると、次のようになります。

  • KVキャッシュは8ビット量子化。dense層を8ビット、expert層を4ビットとする混合量子化で、品質を高く保ったままメモリを削減
  • M5 Max 128GB構成でフル文脈時のメモリピークは約117GB。1MB（約100万トークン）の全文脈を試すには iogpu.wired_limit_mb=120000 の設定が必要
  • 約76万トークンを読み込んだ状態でも、文章生成で約40トークン/秒、コード生成で約75トークン/秒を維持

投稿者は「短い文脈での貪欲デコードの速さ自慢ではなく、温度1.0の実際のサンプリングで深い文脈を扱う実用ワークロードのために作った」と強調しています。面白いのは、デモ映像の右側に写るMLX Serve Monitorプラグインを「モデル自身に構築させた」という点で、100万トークン級の文脈を扱う開発が、もはやエージェント自身の日常業務になりつつあることを物語っています。

Apple Silicon 1台で100万トークン文脈を実用速度で扱えるようになった意味は小さくありません。長文資料の一括解析、コードベース全体を踏まえた開発支援、エージェントの長期記憶など、ローカル環境でできることの射程が一気に広がります。エンジン（mlx-serve）とモデルの重みは公開されています。

人間の運転を超える道──閉ループRLと視覚基盤モデルを統合した「DriveZero」

Hugging Face Daily Papersで上位にランクインした「DriveZero」は、自動運転を「行動モデル」と「知覚モデル」に分解し、それぞれに最適な仕方で事前学習させた上で蒸留によって統合する、新しいエンドツーエンド運転アプローチです。

まず行動モデルのDriveRLは、実録のnuPlanログを「混合エージェントのインタラクティブな世界」に変換します。背景の各車両にログ再生・ルールベース・学習済みポリシーのいずれかの挙動を割り当てられるため、1つのシーンの中に現実の多様な交通が共存するわけです。この世界の中で570万パラメータの特権ポリシーをPPOで訓練し、運転をゼロから学習します。

知覚モデルのDriveVFMは、DINOv3・SigLIP2・SAM・Depth Anything V2という凍結された視覚基盤モデルを、タスクラベルなしで単一の運転用バックボーンに蒸留したものです。そしてDriveZeroは、多視点画像をDriveVFMでエンコードし、軌道提案をデコード。その学習信号には人間の軌跡ではなく、DriveRLのロールアウト（人間のログに存在しない拡張ゴール下のロールアウトを含む）を使います。

結果が示唆的です。DriveRLはnuPlanの6つのクローズドループ設定すべてでログ再生のエキスパートを上回り、DriveRLのロールアウトのみで訓練されたDriveZeroは、NAVSIMv1で人間ドライバーを超え、NAVSIMv2と真のクローズドループ評価であるHUGSIMでも首位に立ったと報告されています。

人間の運転データを模倣する学習には「教師である人間より上手にはなれない」という原理的な上限があります。人間を超えたロールアウトを教師に置き換えるという構図は、自動運転に限らず模倣学習の限界を破る一般的な示唆を含んでいるように見えます。

Linuxカーネルのコンパイル高速化にAI──コードは「見苦しい」がボトルネックは発見

Phoronixが、AIを活用してLinuxカーネルのコンパイルを高速化する取り組みを報じています。見出しによれば、AIが生成したコードには「見苦しい（hideous）」部分もあったものの、コンパイル時間を律速するボトルネックの特定には成功したとのことです。

Linux関連の技術報告で定評あるメディアの扱いだけに、詳細な計測内容は元記事を確認したいところですが、「コードの見た目の品質」と「パフォーマンス上の発見」を分けて評価する好例といえそうです。生成コードの可読性問題はつきまといますが、ボトルネック発見のような探索的タスクではAIが実利を上げられることを示す事例として、経過を追いかけたいニュースです。