AIが見つける脆弱性、実はほとんど悪用されない

セキュリティ業界では「AIで脆弱性を大量に発見できるようになった」ことが恩恵とも負担とも議論されていますが、VulnCheckの集計は意外な結論を示しています。2026年前半にAIが見つけたとされる脆弱性は1,061件に上りましたが、実際に攻撃が確認されたのはわずか14件。悪用率は1.3%で、これは脆弱性全体の悪用率と同じ水準でした。

つまり、AIが見つける脆弱性が特別に狙われやすいわけではない、というのがデータから読み取れます。ただし注意点もあります。悪用されるまでの期間（中央値）は120日から80日へと短縮しており、ひとたび実効的なエクスプロイトが出回れば、より早く攻撃に転じられる状況になっています。

発見の“量”が増えても、防御側が一つひとつを追う負担は重くなる一方です。優先順位付けと修正の速さが、これまで以上に問われそうです。

「AIを使わないこと」は過失になり得るか —— 英国の裁判官が正面から問う

英国の民事司法を率めるMaster of the Rolls（民事控訴院長）が、専門家の過失を扱う弁護士団体での講演で、興味深い論点を提起しました。「AIを使わないことが、専門家の過失になり得るか」という問いです。

AIを使ってミスをすれば過失になり得る、という議論はすでに目にしますが、「使わなかったこと自体」が過失と問われる可能性は新しい角度を持っています。弁護士や医師、コンサルタントなど「合理的な注意義務」が求められる職種では、適切なツールを使わないことが将来、責任追及の根拠になり得るという指摘にもつながります。

現時点では一つの講演での論点提起にとどまっており、具体的な判例が示されたわけではありません。しかし、AIの業務利用が当たり前になる中で「使うこと」が職業上の期待になりつつある事態そのものは、多くの現場が意識し始める論点と言えそうです。

株価の混乱が照らす「AIエコノミー」の不透明さ

ガーディアンは8月2日、株価市場の混乱を手がかりにAI経済の不透明さを浮き彫りにする記事を掲載しました。NVIDIAや中国のAI産業をめぐる動きが焦点で、表面上は活況に見えるAI投資の実態が、実は外部からは見えにくくなっているという問題意識です。

投資額やモデルの性能指標は日々報じられますが、「どこで誰がどう儲かり、何が持続可能なのか」は外部からはつかみにくい領域です。市場の変動は、そうした不透明さが一気に表面化した場面とも言えます。詳細な分析は元記事に譲りますが、「AIバブル」と単純に語れない構造的な不確実性がある点が、この記事の重要な指摘とみられます。

ローカルで動くコンテンツ抽出フレームワーク「Xberg v1」が登場

PDFや画像、各種ドキュメントからテキストを正確に取り出す処理は、RAGや文書AIで度々ボトルネックになります。この分野でKreuzbergの後継として登場した「Xberg」がv1に到達しました。

最大の特徴は対応範囲の広さと性能です。101種類のドキュメント形式と367種類以上のコード・データ形式、音声・動画の転写、JavaScript描画を含むURL取得にまで対応します。PDF処理はPure-Rustバックエンドに刷新され、ONNXベースのレイアウト検出で読み順を復元するパイプラインを採用。複数のOCRエンジン（PaddleOCRのPP-OCRv6やTesseract、CandleベースのVLM系OCR）を切り替えられるほか、Rustネイティブの固有表現抽出（GLiNER2）や構造化LLM抽出も備えます。

ベンチマークでは、ネイティブPDFの品質でdoclingなどを上回り、表や読み順の再現精度でも大きくリードすると報告されています。15の言語バインディングを持ち、WASMやモバイルでの推論まで視野に入っている点も特徴的です。文書パイプラインを組む開発者にとって、有力な選択肢になりそうです。

Qwen3.5-122BをApple Siliconで効率よく動かす「WinterMix」量子化

ローカルLLM愛好家の間で、MLX（Apple Silicon向け）向けの新しい量子化手法「WinterMix」が話題を呼んでいます。対象はQwen3.5-122B-A10B（MoEモデル）で、M5 Max（128GB）で18種類の量子化バリアントを計測して選び抜かれた成果とされます。

MLXはApple Siliconではllama.cppより高速に動くメリットがある一方、6ビット未満の既存量子化では精度が落ちやすい課題がありました。WinterMixは感度に応じた混合精度割り当てと、MLXの形式に合わせてGPTQ系の丸め誤差補償を実装することで、82GiB（約6ビット）のビルドが94〜95GiBの6ビットビルドを上回る品質を実現。ソースのGGUFに対しても0.3〜0.7%の差に収まると報告されています。カスタムカーネル不要でLM Studioなどにそのまま読み込める点も実用的です。

興味深いのは著者の観察で、パープレキシティ（言語モデルの評価指標）では区別できない量子化間の挙動の差が、長文推論では現れるという指摘です。数字が同じでも、長い推論トレースを実際に読むことで判明する「自己中断の頻度」や「監査的な再確認」の質の差があったといいます。重みはApache 2.0で公開されています。

AIコーディングの実践知見：設計と実装を分ける、破壊的変更にご注意

Qiitaでは、AIにコードを書かせる現場の知見が2本まとまりました。

1本目はiOSアプリ開発の事例です。画像をLLMに渡して構造化された結果を得る機能の精度改善に手こずった結果、「設計を考えるAI」と「実装するAI」を別モデル・別セッションで立て、その間を人間が“ゲート”でつなぐワークフローに行き着いたという報告です。役割を分けることでそれぞれのAIが迷子になるのを防ぎ、精度を安定させたとしています。

2本目はより地味ですが実用的な罠の共有です。Reactでリストを日付順に並べ替える処理をAIに書かせたところ、なぜか元のstateまで並び順が変わってしまう不具合に直面。原因は配列を破壊的に変更するソートでした。AI生成コードでは「元データを書き換えていないか」の確認が重要だと改めて思い知らされた、という内容です。

両者に共通するのは、AIに「丸投げ」するのではなく、人間側が構造と境界を設計することが結局の近道だという教訓です。ツールが賢くなっても、押さえるべき基本は変わらないようです。