METRがAIエージェントのコスト効率を測る新指標「expenditure horizon」を公開

AI評価機関のMETRは、AIエージェントが人間の作業者より高くつくタイミングをドル建てで可視化する新指標「expenditure horizon（支出視野）」を発表した。The Decoderの報道によれば、同指標はAIエージェントのコスト効率に具体的な金額の基準を与える初歩的な試みで、NanoGPTの速度検証タスクに適用した初期結果は「控えめ」だったという。

なぜ重要か: これまでAIエージェントの評価は精度や成功率に偏りがちで、「いくらかけているか」の議論が後回しになっていた。コスト視点のメトリクスが整備されれば、ビジネス導入の判断材料が大きく変わる可能性がある。ただしMETR自身が盲点があると認めており、次世代モデルで結果がどう変わるかは見極めが必要だ。

MIT Tech Reviewが描く「分散型超知能」への道

MIT Technology Reviewは7月27日、複数のAIエージェントをまたいで協調させることで「分散型の人工超知能（ASI）」に至る道筋を解説する記事を公開した。Ciscoの組織「Outshift by Cisco」でSenior VP/GMを務めるVijoy Pandey氏の語る構想が軸で、同氏は「知性はすでにある。足りないのは4人の他人を1つのチームに変える結合組織だ」と指摘する。

記事は結合組織を実現する2層を説明する。下位の接続層「Internet of Agents」がエージェント同士の発見・認証・メッセージ交換を担い、その上の意味層「Internet of Cognition」が意図・文脈・推論の共有を可能にする。接続層の実装としてLinux Foundation傘下のオープンソース「AGNTCY」、意味層の協調プロトコルとして「Mycelium」が挙げられている。

興味深いのは、Pandey氏が共有プロトコル導入の効果を内部検証で語っている点だ。非構造のグループは14シナリオ中3分の1程度しか意思決定に至らなかったが、目標宣言・情報欠損の顕在化・事前の衝突解決を課す協調プロトコルを挟むと93%まで向上したという。一方で、7つのオープンソース多エージェントシステムを評価した研究は41%〜約87%の失敗率を報告しており、多エージェント協調はまだ「プロンプトの問題ではなくアーキテクチャの問題」(Pandey氏)との見方も示された。

なぜ重要か: 単一モデルのスケール競争から、エージェント群をどう協調させるかに主戦場が移りつつある。日本の企業でも複数部署をまたぐワークフローに多エージェント構成を試す動きが出ており、失敗率と成功率の開きは「協調層」の設計次第で縮まる可能性を示している。

MIT Tech Review：AI創薬は「データループ」の壁に直面

同じくMIT Technology Reviewの7月27日記事は、AIによる創薬で「データの質と閉鎖性」がボトルネックになっている実態を伝えている。ライフサイエンス企業Cytivaの蛋白質研究戦略ディレクターPaul Belcher氏へのインタビューが骨子だ。

創薬の現場では、AIがヒット化合物の特定効率を上げている半面、検証ラボの負荷が増大している。従来のスクリーニングは「イエス・ノー」の低精度データを大量に得る仕組みで、AIが高品質な候補を多数吐き出すと、それを1件ずつ詳細に評価する工程が追いつかない。Belcher氏は「AIがヒットを増やすことで、検証・キャラクタリゼーション向けにより高スループットで情報量の多い技術への需要が高まっている」と指摘する。

より根本的な課題はデータそのものだ。多くの既存モデルは公開データで学習し「データの壁」に突き当たっている。Belcher氏は出版バイアスを強く問題視し「ほとんどのデータセットと論文はポジティブな結果だけを扱う。失敗が共有されないので、AIは成功のパターンは学べても失敗の全体像を捉えられない」と語る。「ネガティブデータのジャーナルがあってもいいのに」という業界の冗談が示す通り、失敗データは実験ノートに埋もれたままだ。

画像の改ざんリスクも高まっている。Western blotと呼ばれる蛋白質検出技術は、生物医学論文で最も改ざんの標的になりやすい部位の一つ。微生物学者のElisabeth Bik氏が2016年に報告した「生物医学論文の約4%に複製・改ざん画像が含まれる」という調査結果は、生成AI以前の話だ。Cytivaはブロックチェーンと同じハッシュ技術で改ざんを検出する「Image Integrity Checker」を提供し、出版業界での標準化を目指しているという。

なぜ重要か: 創薬は最も資金が動くAI応用領域の一つで、「AIだけで薬を作った」という成功例はまだFDA承認に至っていない。データ品質とラボ統合の課題は、AI投資が期待通りに回収できるかを左右する鍵になりそうだ。

ハッカーニュースで議論的白熱：「AI企業が希少本を破壊」

ハッカーニュースで「AI companies are shredding rare books（AI企業が希少本をシュレッダーにかけている）」という投稿が66ポイントを集め、18件のコメントを呼んだ。投稿自体は短いが、AI学習データの調達がどのような形で行われているか、また知的財産と文化遺産の保全がどう扱われるべきか、コミュニティで活発な議論が起きている。

なぜ重要か: 学習データ調達を巡る倫理的・法的摩擦は、オープンソース陣営とクローズド陣営双方にとって避けられない論点だ。本件は直近のHugging Face侵害事案とも重なる文脈で、AI業界の「透明性」への要求を一段と強める材料になりそうだ。

TrueFoundryが「Aitori」公開—Claude Desktop等のAIトラフィックをローカルで監視

TrueFoundryは7月27日、ハッカーニュースのShow HNで従業員PCから外向きに出るAIトラフィックを監視・制御するOSS「Aitori」を公開した。Apache-2.0ライセンスで、転送の仕様は文書化されており、同社以外のゲートウェイでも動作する。

従来、開発者がLLM APIを直接叩く場合はゲートウェイ経由にルーティングできる。しかしClaude DesktopやChatGPTアプリ、claude.aiのようにベンダー側のバックエンドからモデルを呼ぶツールは、エンドポイント設定でプロキシに向けることができない。Aitoriは従業員の端末で動作するローカルプロキシで、デバイス毎のCAを発行し、mitmproxyと同様の仕組みで選択したAIアプリ宛てのトラフィックを捕捉・転送する。他のアプリの通信には触れない設計で、見えたトラフィックはログ取得・ポリシー適用・ルーティングなど自由に扱える。

なぜ重要か: 端末に常駐するAIツール群の通信は、企業のセキュリティ統制における盲域になりがちだ。Aitoriのようなローカル補足の手法は、Data Loss Preventionやゼロトラストの延長線上にAIトラフィックを載せる実現策の一つとして参考になる。