最大AIデータセンターが7ヶ月で倍増 — インフラの指数関数的成長

Epoch AIのデータ分析によると、世界最大のAIデータセンターの計算能力は約7ヶ月ごとに倍増している。このペースはムーアの法則（18〜24ヶ月で倍増）を大幅に上回り、AI向けコンピューティングリソースの需要がいかに急速に拡大しているかを示している。

AIモデルのパラメータ数増大だけでなく、推論トラフィックの爆発的な増加がデータセンター規模の拡大を後押ししている。Gartnerが予測する「2026年にデータセンター電力消費が前年比26%増」という見積もりと合わせて考えると、AIインフラの物理的・電力的な制約が今後さらに顕在化するとみられる。

DatadogとAWSが同じ日にOpsエージェントを発表 — 運用自動化の覇権争い

2026年6月9日、DatadogとAWSが相次いで運用自動化向けのAIエージェント群を発表した。偶然の同日発表だが、両社が狙う市場は明確に重なっている。

Datadogは年次イベント「DASH 2026」で、Bits AIファミリーを大幅に拡張した。Detection、Investigation、Remediation、Infrastructure、Code、Release、Testing、Data Analysis、Chat、Memories、Evalsなど、エージェント単位で10種類以上、合計100以上の新機能を一挙に発表している。監視・可観測性プラットフォームから「自律的な運用エージェントプラットフォーム」への転換を鮮明にした形だ。

一方AWSも同日にOpsエージェント関連の発表を行い、クラウドインフラの運用自動化をリードする両社の競争が本格化している。SREやプラットフォームエンジニアリングの領域で、エージェント型AIがどこまで実用的な価値を提供できるかが今後の焦点となる。

Codexのレート制限リセット権を貯蓄可能に — OpenAIの有料ユーザー向け改善

OpenAIはAIコーディング支援ツール「Codex」で、レート制限のリセット権をユーザーの望むタイミングで使える機能を追加した。これまでリセット権は付与されると自動的に消費される仕様だったが、今回の変更で貯蓄が可能になり、必要な時にまとめてリセットできるようになった。

Codexのレート制限は開発者の作業フローに直接影響するだけに、ユーザーの声を反映したUX改善と言える。AIコーディングツールの利用が本格化する中、レート制限の設計は競合他社との差別化ポイントにもなっている。

Rigel — Apple M4 MaxのMetal 4.1テンソル計算パスを逆エンジニアリング

AppleのMetal 4.1はテンソル計算パスを公開しているが、そのハードウェアの実際の動作は意図的に隠されている。Rigelと名付けられた研究プロジェクトは、Apple M4 Max（ニューラルアクセラレータより前の世代）でこのパスを実証的に解析した。

チェックサムゲート付きのマイクロベンチマークハーネスを用いて、RigelはMetal 4.1仕様が隠しているか矛盾している11の事実を特定した。最も重要な発見は、Metal 4.1のfp8（E4M3）matmul2dがハードウェアアクセラレーションではなくエミュレーションで動作していることだ。fp8はfp16の半分のバイト数しか読み込まないにもかかわらず、スループットはfp16の0.94倍にとどまっており、M4ではメモリフットプリントの節約機能であって性能向上機能ではないことが分かった。

Apple SiliconでローカルLLMを動かす開発者にとって、この種のハードウェアレベルの知見は最適化において極めて重要だ。

Containment Gap — エージェントAIフレームワークに重大な安全ギャップ

自律的にツールを呼び出し、永続的なメモリを維持し、マルチステップ計画を実行するエージェントLLMシステムが、政府サービス、医療トリアージ、金融アドバイスなど公共領域に展開されつつある中、その安全要件を満たせているかを検証する研究が発表された。

研究者はエージェントアーキテクチャの構成モデルから6つの封じ込め原則を導出し、LangChain、AutoGPT、OpenAI Agents SDKの3つの主要フレームワークを監査した。結果として、いずれのフレームワークもネイティブなコンプライアンスを満たしていなかった。中でもメモリの完全性は、最も一般的な脆弱性クラスに対する防御でありながら、3フレームワークすべてで観察されなかった。

LangChain上で構築したシミュレーション政府給付エージェントで実証したところ、単一のメモリ汚染書き込みが、全テストシードとバックエンドにわたって持続的なターゲット破損を引き起こした。エージェントAIの本格的な社会実装に向けて、フレームワークレベルでの安全対策が急務であることを示している。

Evoflux — 小型LLMが推論時にツールワークフローを自己改善

小型言語モデルは、コスト、レイテンシ、デプロイリスクの面でツールエージェント向けに有利だが、MCPスタイルのツール使用では、単一の関数呼び出し以上のことが求められる。カタログからのツール発見、スキーマの充足、中間出力間の依存関係の維持、実行結果に基づく最終応答の生成など、複雑な調整が必要だ。

Evofluxは、小型モデルのツール使用を実行可能なツールワークフローの修復として捉え、推論時の進化的探索によってこれを解決する手法だ。型付きのワークフローグラフを構造化編集、実行フィードバック、適応的強度、メタガイドを通じて進化させる。少数の教師トレースでフォーマットを学習する蒸留とは異なり、変化するツールカタログに対して失敗した計画を修復する回復行動を推論時に獲得できる点が革新的だ。