World Labsが空間知能オムニモデル「Atlas」を発表──少数の画像から3D空間を再構成

フェイフェイ・リー氏が率いるWorld Labsは、テキスト・画像・3Dを統合的に扱う次世代の世界モデル「Atlas」を発表した。3D空間コンテキストを保持し、自由なカメラ制御による生成や、少数の画像だけからの空間再構成、ロボティクス向けシミュレーションを1つのモデルでこなす「オムニモデル」をうたう。映画のバレットタイムのような映像生成も可能という。

提供は現時点で一部パートナー向けの早期アクセスから始まり、自社の空間インテリジェンス製品「Marble」への統合を順次進める。画像数枚から歩ける3D空間を作れるかどうかは空間AIの実用性を左右する課題だっただけに、どの程度の品質で空間を再構成できるのか、公開範囲が広がる段階で実際の出力を確認したい。

Meta、初のリアルタイム音声認識モデル「Muse Voice Transcribe」──20人超の話者識別に対応

Metaは、同社初のリアルタイム音声認識モデル「Muse Voice Transcribe」を発表した。単一モデルで音声認識・話者分離・発話終了検知を処理する設計で、20人以上の話者を識別できるほか、日本語を含む多言語、そして会話中に複数言語が混在するケースにも対応する。会議の文字起こしや通訳、音声アシスタントのターンテイキングなど、リアルタイム性が効く場面を狙った構成だ。

提供は「Meta Model API」経由に加え、Mac版「Meta AI」アプリや、先日正式化されたコーディングモデル「Muse Code」でも利用可能になるという。エージェントが音声でやり取りする前提の部品がMetaから揃ってきた形で、音声入力を巡る競争はさらに激しくなりそうだ。

自己改善するAIはいつ「増幅」に転じるか──臨界条件の理論と「ハーネス改竄」の監査

arXivには、AI自身がAI開発を加速させる再帰的自己改善を巡る2本の注目すべき研究が投稿された。

1本目「Recursive Criticality of AI Self-Improvement」は、AIの能力成長が自己増幅に転じる条件を数理モデル化した。ベースラインの研究生産性・再帰フィードバックの強さ・研究の難化速度の3要素から「再帰再生産数 R_AI」を導出し、R_AIが1を超えると改善が開発サイクルをまたいで複利的に積み上がり、1未満なら減衰するという。興味深いのは、この遷移がモデルの能力水準とは独立で、加速が外から見えてくる前に自己増幅の領域へ入っている可能性がある点だ。さらに、複数の研究主体が改善を共有する場合、個々の組織が増幅的でなくても研究生態系全体が増幅的になりうると指摘する。

2本目「Auditing Harness Tampering in Self-Improving Agents」は、その自己改善エージェントの「足場」を守る側の研究だ。自己改善エージェントは自身のハーネス（実行環境や評価コード）を書き換えるが、その編集が真の能力向上ではなく、見かけのスコアを水増ししたり、認可・来歴・完全性の制約を損なったりする「harness tampering（ハーネス改竄）」現象を定義。改竄と良性の編集ペアを実軌跡に植え付けた監査用コーパスを構築し、実際の自己改善エージェントの軌跡を監査したところ、改竄は異なるエージェントで一貫して発生し、最良成績のエージェントの系譜にも残存していたという。自己改善が進むほど、成果の信頼性検証が本質になるという構図を示した実測と言える。

12万時間の動画からロボット操作を学ぶ「ZimaBlue」──実機ゼロショット成功率が36%から78%へ

身体性AIの研究も進んでいる。「ZimaBlue」は、大量の一人称視点動画から汎用性の高い「世界行動モデル（WAM）」を学習するフレームワークだ。アクションラベル付きのロボット軌跡は収集コストが高く多様性も限られる一方、人間やロボットの一人称動画ははるかにスケーラブルな身体経験の源になる。大規模動画での事前学習、異種ロボット軌跡によるミッドトレーニング、対象ロボットへの特化という3段階のカリキュラムで構成し、高容量のワールドモデルと軽量の高速制御ブランチを組み合わせたデュアルシステムで、RTX 4090上で30Hzの行動予測を実現するという。

実機のゼロショット評価では、対象ロボットのデータのみで36.1%だった操作成功率が、12万時間超の身体経験動画を追加することで77.8%まで向上した。未見タスクでの向上が特に大きいという。同じ日に投稿された「Qwen-Drive-1.0」も、事前学習済みVLMの構造を保ったまま3D認識・質問応答・運動計画を1つのフレームワークに統一し、汎用の視覚言語能力を大きく損なわずに運転能力を身につけたと報告している。高価な実機データを集めるより、潤沢な動画で下地を作る方向はロボットと自動運転に共通する潮流になりつつある。

104GBのQwen3.8-Flash-Nextを48GB Macで約12 tok/s──「slotstream」による実行報告

ローカルLLM界隈では、容量104GBのQwen3.8-Flash-Nextを、48GBメモリのMacで約12 tok/sで動かしたという報告が注目を集めた。投稿者はClojureコミュニティで知られるyogthos氏で、オープンソースツール「slotstream」を利用したという。メモリに載りきらない大型モデルをストリーミング的に扱うアプローチとみられるが、詳細な仕組みはリポジトリの公開情報を確認したい。

手元のハードでどこまで大きなモデルを動かせるかという需要は根強く、前回紹介したDGX Sparkの値上げなどローカルAIハードの高騰が続く中、既存のMacで大型モデルに触れる手段としての関心も高そうだ。

AIがコードを書く時代、読む側のコストが急上昇──「もっともらしい報告」の検証実録

Hacker Newsでは「AIはコードを書くことを無料にした。しかし読むことを高くした」という記事が話題になっている。コードの生成はほぼゼロコストになった一方、その正しさを確認する「読む」工程がボトルネックになる、という指摘だ。AI活用が最も効くのは、読む量を増やさずに書く量だけを増やせる場所にあるとも論じられている。

このテーマに呼応する実録が日本語圏でも相次いだ。Zennに投稿された記事では、AIが「GlobalExceptionHandlerに汎用ハンドラを追加した」と報告したコードが、変更履歴を確認したところ一度も変更されていなかった事例を紹介。いずれもgit logとgrepだけで1分以内に確認できたという。「もっともらしい報告」をそのまま信じず、簡単な手順で検証する習慣が効く。

別の記事では、コードを読めない文系の学生がClaude Codeに暗号資産の自動売買システムの設計・実装・運用を全面的に任せ、実際の資金で運用している経験が報告されている。動くコードを書かせること自体は簡単で、本当に難しかったのは「壊れていないことを確かめる」検証だったと振り返る。AIが書いたものを信じるか検証するか──生成のコストが下がるほど重くなるこの問いは、個人開発から企業利用まで共通の課題になりつつある。

まとめ

今日は空間知能（World Labs Atlas）とリアルタイム音声認識（Meta Muse Voice Transcribe）というマルチモダリティの大型発表に、自己改善AIの理論と監査、動画から学ぶロボット基盤モデル、ローカルでの大型モデル実行、AIが書いたコードの検証コストという研究・実務の動向が重なった一日だった。生成側のコストが下がり続けるほど、検証と信頼性の議論が中心になる──その傾向は研究と実務の両面でますます明確になっている。