中国が世界初のAIエージェント規制を施行、欠陥エージェントは「リコール」対象に
2026年7月15日、AIエージェントを名指しで規制する世界初の専用枠組みが施行されました。EUでも米国でもなく、中国での対応が最速だった点が注目されます。
新制度の特徴は、欠陥のあるAIエージェントを自動車のように「リコール」の対象にできる点です。「人間にしか決められない意思決定」を明確に線引きし、エージェントの自律性に段階的な制限をかける設計とみられています。
施行初日の運用実態は限定的に公開されているだけで、実効性や執行メカニズムの詳細は今後の通達待ちです。ただ、規制の対象が「モデル」ではなく「エージェント」である点は重要で、自律的にツールを使い分けるシステムに対する法的位置づけを初めて本格的に定義した事例と言えます。日本でもエージェント特有のリスク議論が進む中、比較検討すべき重要な先行事例になりそうです。
Claude Codeスキル検索、上位7件すべてが「抑制」系
Qiitaで話題になった分析によると、Claude Codeスキルの検索トレンドで上位7件すべてが「能力追加」ではなく「抑制」系のものでした。エージェントに「余計なことをしない」ように仕向ける需要が、新しい機能を足す需要を上回っている形です。
記事の筆者は「1行のバグ報告を渡したら400行のプルリクエストが返ってきた」という体験を紹介しています。新しい抽象化レイヤー、ヘルパーモジュール2つ、誰も頼んでいない設定オプションが次々と生成され、肝心の修正は4行で真ん中あたりに埋もれていたといいます。これはおそらく多くの開発者が体感している「過剰実装問題」でしょう。
先ほどの中国規制とも繋がるテーマです。法規制が「エージェントの暴走を止める」方向で動く一方、現場では「エージェントを過剰に動かさない」スキル設計が求められている。AIエージェントの実用化における瓶颈（ボトルネック）は、能力そのものよりも制御と範囲の絞り込みに移りつつあるようです。
xHC: Expanded Hyper-Connections が残差ストリームのスケール軸を拡張
LocalLLaMAで話題を集めているのが「xHC（Expanded Hyper-Connections）」という新しいアーキテクチャ提案です。Transformerの残差ストリームをN本の並列ストリームに拡張するHyper-Connections手法を、従来のN=4上限を超えてN=16まで実用的に引き上げたのが特徴です。
既存のHC系列（mHCなど）がN=4で頭打ちになっていた理由として、研究チームは2つのボトルネックを指摘しています。1つは書き戻し情報の不足、もう1つは残差ミキシングのコストがNに対して3次で増大すること。xHCは、時間的特徴拡張で書き戻しをリッチにしつつ、N=16のうちk=4だけを更新するスパース設計で両課題を解決します。
18Bおよび28BのMoEモデルでの検証では、18B MoEで平均下流タスクスコアをmHC比+4.0ポイント改善。スケーリング則実験では、vanillaとmHCは同じlossに到達するのにxHCのそれぞれ1.50倍・1.19倍の計算量を必要するとのこと。さらにメモリトラフィックを削減する「xHC-Flash」を組み合わせれば、N=4相当のメモリコストで大規模残差拡張の恩恵を受けられるとしています。
LLMのスケール軸として「幅・深さ・データ量」の次に来る候補として、残差ストリームの拡張が現実味を帯びてきた印象です。
AIコーディングサブスクリプション5プランを価格・制限・用途で比較
Canopy Waveが主要なAIコーディングサブスクリプション5つを価格モデルと利用制限で比較した記事を公開しました。Hacker Newsでも話題になっています。
比較対象として取り上げられているのは、Claude Code、Cursor、GitHub Copilot、Cody、Windsurfあたりとみられます（記事本文の制限で詳細は収集データには含まれていません）。注目点は、プランごとの従量課金・定額制の違い、コンテキスト長制限、1日のリクエスト上限、エンタープライズ向け機能差などです。
「最安を選べばよい」ではなく、自分の作業スタイル（長文レビュー重視か、細かい差分生成重視か）によって最適解が変わる点が強調されています。組織導入を検討する場合、セキュリティ・データ取り扱い条項の差も重要になるでしょう。
CPO: 正解品質を意識したポリシー最適化の新しい枠組み
Hugging Face Daily Papersで取り上げられた「Contrastive Policy Optimization（CPO）」は、強化学習のアドバンテージ設計に新しい視点を導入した研究です。
提案の核は、「参照ガイド付き生成」と「バニラ生成」の分布間の不一致を、トークンレベルの正しさの指標として使うこと。研究チームはこの直感を理論的に裏付け、さらにオンポリシー自己蒸留がCPOの特殊ケースとして解釈できることも示しています。
実用上の意義は、報酬信号がノイジーだったり部分的だったりする場面で、生成の正確性をより細かい粒度で評価できる可能性がある点です。数学推論やコード生成など、正解が明確なタスクでの恩恵が特に大きいとみられます。
AIウォーターマークは法廷証拠として「まだ readiness 不足」
arXivに公開された実証研究「AI Watermark Evidence Fails Forensic Readiness」は、AI生成テキストに埋め込まれるウォーターマークが、法的・鑑識の現場で証拠として成立するかを体系的に評価しました。
結論は控えめに言って厳しいもので、現状のウォーターマーク技術は改ざん耐性や検出信頼性の面で「法廷証拠として使える水準（forensic readiness）」に達していないとしています。プラットフォーム事業者が「このテキストはAI生成」と主張する根拠として、現状のウォーターマークだけに依存するのは危険とのこと。
前出の中国エージェント規制との関連でも興味深い論点です。「AI生成であることの証明」を制度の中でどう位置づけるかは、表現の自由や Due Process とも絡む難題で、技術側の整備と制度側の要求の間にまだ大きめのギャップがありそうです。