日本のAIスタートアップSakana AIが、防衛省の情報分析業務を支援するAI開発契約を締結したと発表した。企業向けには、コストを見積もれないことがAIエージェント導入の壁になるなか、セールスフォース、IBM、マネーフォワードが新機能を投入した。個人開発の世界では、60MBに収まる250Mパラメータの自作LLMと、150ドルでスクラッチ訓練した世界モデルが登場し、「フロンティア研究所の専売特許」という前提が崩れつつある。研究面では、セラピーボットが若年層の言葉の裏にあるリスクを見逃す実態を計測した研究と、ターミナルで動くAIエージェントの研究を横断するサーベイが発表された。

Sakana AI、防衛省の「情報分析」をAIで支援──指揮統制システムに続き

Sakana AIは8月24日、防衛省における情報の分析業務を支援するAIの開発に関する契約を締結したと発表した。ITmedia AI+によると、防衛省向けの取り組みとしては、自衛隊の指揮統制システム高度化の支援に続くものとなる。

日本発のAIスタートアップが防衛分野の案件を相次いで受注する意味は小さくない。情報分析は、大量のテキストを読み込み、要約・構造化するLLMの得意分野と重なる領域だ。一方で、安全保障へのAI応用はガバナンスを巡る議論を伴うテーマでもあり、ベンダー側が設計や検証の透明性をどこまで示せるかは今後の論点になりそうだ。契約の詳細は発表原文と記事で確認してほしい。

AIエージェントの「予算の壁」──セールスフォース・IBM・マネーフォワードの新機能

先にこのブログでも紹介したCodexの「使用量が想定より早く消費される」問題は、個人ユーザー特有の話ではない。企業にとっては、AI利用コストをあらかじめ想定できないと投資が決められず、予算を組めず、ROIの見通しも立たない──ITmedia Enterpriseは、こうしたAIエージェント活用を阻む「予算の壁」を特集し、セールスフォース、IBM、マネーフォワードが提供を開始した最新機能が打開策になり得るかを検証している。

従量課金でスケールするAIエージェントと、四半期や年度で固定される企業予算。この二つの時間軸のズレは、技術そのものよりも調達・管理プロセスの問題として顕在化しつつある。コストの上限を見積もれる形の提供が広まれば、日本企業におけるエージェント導入のハードルが一段下がる可能性がある。各社機能の中身が実際に効くのかは、記事の検証を参照されたい。

60MBで動く250Mの自作LLM──2bit未満量子化とディスク上の長期記憶

RedditのLocalLLaMAコミュニティに、「250MパラメータのLLMをスクラッチから訓練した」という投稿が現れた。訓練データはfinewebの30Bトークン。注目はその小ささで、2bit未満への量子化によりデプロイ全体が60MB、動作に必要なメモリは約80MB。GPUもフレームワークも不要で、通常のノートPCのCPUで約400トークン/秒が出るという。Windows/Linux向けの小さなコンパイル済みランタイムが同梱され、ライセンスはMIT。GitHubとHugging Faceに一式が公開されている。

品質の目安は、訓練に使っていない英文ウェブテキスト（2048トークン窓）でクロスエントロピー3.15 nats/トークン、パープレキシティ23.3。「光合成を2文で説明して」にはまともに答えられる一方、詩の生成は文法は成り立つものの意味の飛躍が大きい。250Mモデルの素直な限界だろう。

設計面で興味深いのは2点ある。1つは長期コンテキストで、直近の2048トークンは通常どおりfp16のKVキャッシュに置き、それより古いトークンは1bitに圧縮してディスクに書き出す（トークンあたり約320バイト、100万トークンで約320MB）。モデルは最初からこのディスクキャッシュを検索して答える前提で訓練されており、最大1億トークンまで扱える。ただし作者自身が明記するように、そこから推論するようは訓練しておらず、取得と応答に限る。もう1つは語彙で、学習済み埋め込みテーブルの代わりに全131kトークンを固定の512bitコードで表す（容量8.4MB、訓練パラメータはゼロ）。人間の単語類似度評価（WordSim-353）でスピアマン相関0.619を示し（ランダムコードでは0.029）、意味の近さもある程度保持されるという。

実演も見もので、アーカイブの5060万トークン奥に埋めた「装置Grus-189の製造番号」を正しく引き当てた。検索用途なら実用の筋がある。ファインチューニング用のキットとマスター重みも公開されており、「小さく自前で育てる」LLMの作例として参考になるリポジトリだ。

150ドルでDreamer 4世界モデルをスクラッチ訓練──「操作が効かないGenie」からの作り直し

同じくLocalLLaMAに、1.57BパラメータのDreamer 4世界モデルを約150ドルのコストでスクラッチ訓練したという報告が投稿された。1回目の挑戦はGenieのアーキテクチャによるものだったが、「生成動画は美しいのに操作がほぼ効かない」という結果に終わったという。投稿者によると、Genieは行動を教師なしで8個のコードに学習するため、制御への握りが緩すぎた。そこでDreamer 4で作り直したところ、トークナイザーのPSNRは40.41（Genieの論文では35.7）、エンドツーエンドのFVDは32.19、品質が崩れるまで144フレームを安定して生成できた。訓練には960万フレームを使用した。

投稿者が挙げる学びは2つ。まず、150ドルで十分だということ。「世界モデルの訓練はフロンティア研究所だけのものではなくなりつつあるが、まだ十分に認知されていない」という指摘は、先の250M LLMの報告とも響き合う。もう1つはデータ設計で、Procgenで全フレームを自己生成したため、各ステップの正解アクションが手元にある。そのため「モデルが操作に応えているのか、ただきれいな映像を作っているだけか」を実際に検証できた。ウェブ動画のスクレイピングでは得られない、制御可能性の担保だ。コードとデモはGitHubで公開されている。

セラピーボットは「言葉は分かる」のにリスクを読み違える──若年層向け安全性の計測

arXivに、メンタルヘルス系チャットボットの若年層向け安全性を計測した研究が発表された。背景には重い実態がある。米国の10代の13.1%（540万人）が生成AIをメンタルヘルスの相談に使っており、AIチャットボットとのやり取りに関連した10代の死亡事例も複数報告されているという。

研究チームは、2010〜2024年生まれの「ジェネレーション・アルファ」特有の表現──誇張、皮肉を込めたポジティブ表現、急激な話題転換、文脈依存の多義語──を扱う2種類のベンチマークを構築し、セラピーアプリや一般チャットボットの基盤となるLLM（Claude、GPT-4o、Llama-3.1）を評価した。その結果、語彙としては76〜82%を理解する一方、臨床リスクの重大度を正しく判定できるのは64〜72%にとどまる。理解とリスク判定の間に10〜14ポイントの「ギャップ」が生じ、曖昧さが増すとギャップは7ポイントから18ポイントへ広がる。この差は人間のセラピストでは3ポイントと小さく、統計的有意差も見られなかった。

失敗のパターンも具体的だ。皮肉の見落とし（29ポイント）、「大したことない」という表明の鵜呑み（43ポイント）、カジュアルな文体へのバイアス（24ポイント）など6つのパターンがあり、3つ以上重なるとリスクの見逃し率は94%に達する。軽い緩和策では効果がなく、人間並みの性能には6.4倍のコストがかかる「重い足場」が必要だったという。研究チームは、ベースラインの34%という見逃し率から米国で年間約14.7万件の危機見逃しが推計されるとし、人間の介入を必須とする構成、四半期ごとの若年層向け検証、性能の開示、規制の整備を勧告している。

ターミナルで動くAIエージェントの研究を1冊に──「Terminal Agents」サーベイ

Claude CodeやCodexのようにコマンドラインを介して作業するAIエージェントは急速に普及しているが、その研究はソフトウェア工学、ツール利用、コンピュータ利用などの分野に散らばっている。arXivに発表されたサーベイ「Terminal Agents」は、これらを「ターミナル媒介の実行」──コマンド実行、テキストによるフィードバック、状態を持つ環境とのやり取り──という軸で横断的に整理した。

7次元の「ターミナル・コンピテンス・プロファイル」で能力を記述する枠組みを提案するとともに、エージェントの実際の振る舞いはモデル、インターフェース、ハーネス、ランタイム、環境が共同で形づくると指摘する。さらに、実行可能なトレースこそが「行動の結果・検証・回復」の学習を根拠づけるのに、既存の評価は最終結果ばかり重視し、プロセス品質や回復、ガバナンスを偏ってしか測れていないと批判。固定条件での診断実験から、ベンチマークの系列ごとに異なるプロセス信号が露出すること、システム構成を明示しない比較ではコンポーネントの寄与評価が成り立たないことを示し、実行条件の明示と再生可能なトレースの公開を標準化に向けて求めている。エージェントの「結果」ではなく「過程」をどう保証するか──実務での評価設計にも効いてきそうな視点だ。