GPT-6 Astraが未解決の数学問題を対象とするベンチマークErdosBenchで首位に立った一方で、OpenAIの首席科学者が「数学は意図的に優先しなかった」と説明したとThe Decoderが伝えた。ハードウェア面では推論特化チップのd-MatrixがNVIDIA NVLink Fusionの採用を発表し、ロボット新興のMaven Roboticsが1億ドルを調達してステルスを解除した。研究コミュニティではLean 4で確率過程を問うStochBenchが登場し、Hacker Newsでは200のAIツールの学習ポリシーを採点する試みが注目を集めている。今日集まった話題を整理する。

GPT-6 Astra──ErdosBench首位、それでも「数学は意図的に後回し」

先週から続くOpenAIの数学をめぐる議論に、新しい一面が加わった。The Decoderの報道によると、GPT-6 Astraは未解決の数学問題を集めたベンチマークErdosBenchの首位に立っている。ところが首席科学者のJakub Pachocki氏は、数学は意図的に優先事項としなかったと説明するという。

リソースが向かった先は、再帰的自己改善（recursive self-improvement）とアライメント研究だ。同記事はこの状況を「スパイキー（spiky）」なAI発展の裏付けと読む。AIがまだ自らを改善できる段階になく、人間が生成したデータによる重点的な最適化が必要な限り、能力向上は特定領域に極端なピークを作る形で進み、全面では一様に伸びない──という見立てだ。

数学者の成果の「先取り」疑惑やナビエ・ストークス方程式の証明主張をめぐる騒動の直後だけに、OpenAI自身が「数学は最優先ではなかった」と語ったのは示唆的だ。一連の批判に応える形になったのか、単なる開発方針の開示なのかは、今後の発言を待ちたい。

d-MatrixがNVLink Fusion採用──推論特化XPU「Raptor」をラックスケールへ

NVIDIAの公式ブログが、AI推論チップのd-Matrixが次世代Raptor XPUの接続にNVLink Fusionを採用したと発表した。RaptorをNVLink Fusionのスケールアップ接続とSpectrum-Xのスケールアウトネットワーク、MGXラックアーキテクチャにつなぐことで、カスタムシリコンからラックスケール展開までの経路を、より速くリスクを抑えて進められるという。

d-MatrixのCEO、Sid Sheth氏は「推論需要は急伸しているが、資本・時間・エネルギーは有限だ」と述べ、広く普及した液冷アーキテクチャに統合することで超低遅延推論の展開を加速させたいとしている。NVLink FusionはXPUやCPUのベンダーが自社プロセッサの革新に集中しながら、NVIDIAのインフラでAIファクトリースケールの展開を行えるようにする仕組みだ。エコシステム参加企業がまた一つ増えた形で、推論特化シリコンの潮流がNVIDIAの枠組みとどう噛み合うか、注目される。

Maven Robotics──ステルスを解除、1億ドルのシリーズAと稼働中の導入

TechCrunchによると、ロボット新興のMaven Roboticsがステルス状態から登場した。1億ドルのシリーズAを調達済みで、既に稼働中の導入事例を持つという。記事見出しが「あなたのロボット導入案件を奪いたい」とうたう通り、既存プレイヤーが敷いた設備導入の置き換えを狙う姿勢を前面に出している。現時点で集められる情報は概要レベルで、どの領域のロボットをどこに展開しているのかは、今後の詳細な報道を待ちたい。

StochBench──Lean 4で大学院レベルの「確率過程」に挑むベンチマーク

LLMの形式定理証明を測るベンチマークは、IMOやPutnamのような競技数学から拾った小規模な問題集が中心で、個別分野の応用をうまく代表できていない──その課題への答えとして、Lean 4で書かれた450問の大学院レベル確率過程ベンチマーク「StochBench」が公開された。

対象は有限・可算マルコフ連鎖、更新過程、ランダムウォーク、マルチンゲール、停止時刻、待ち行列、ブラウン運動、確率解析、弱収束、ポアソン過程と連続時間マルコフ過程。数式ライブラリMathlibで手薄とされる領域を広くカバーし、各問題には自然言語の原典が対になっているのが特徴だ。

検証では、Opus 4.8ベースのエージェントが1問あたり15分の制限で34.9％（157/450）の証明率に留まった。先日紹介したAnthropicによるフェルマーの最終定理の11日がかりの形式化のような華やかな大型証明の一方で、分野特化の応用数学は依然として手強い。その現状を可視化するベンチマークと言えそうだ。

「そのAIツール、あなたのデータで学習してる?」──200ツールをA〜Fで採点

Hacker Newsに、200以上のAIツールとサービスの学習ポリシーを追跡・採点するサイトが投稿された。作成の動機は、ナビエ・ストークス問題をめぐるOpenAIの騒動だという。サイトは各社のポリシーを取得して変更を監視し、A〜F（加えて不明瞭）で成績をつけた。D以下の評価を受けた企業には、実際にメールを送ったとのことだ。

判明した要点は次の通りだ。

  • 80のツールがデフォルトでユーザーのデータを学習に使う。うち55は設定を変える手段がなく、4つは有料でのみ変更できる
  • 106のツールは学習の有無自体を明記していない
  • 「学習しない」と明言するのは36ツール（16％）のみ
  • FastMailはこの採点と指摘を受けて、実際にポリシーを変更した

該当するツールについては、OpenAIなどへのオプトアウト手順も案内している。AIツール選定の実務的な判断材料として、継続追跡の価値がありそうだ。

国内開発者ノート──並列AIターミナル、MCPでPRレビュー、image-to-imageの落とし穴

国内の開発者コミュニティでも、AIエージェントの運用ノウハウが細かく積み上がっている。

Qiitaでは、AIを同時に何本も走らせることだけを考えて作ったWindows用ターミナル「SHIKISHA-TERM」を公開する記事が話題だ。「AIが一発でそれなりのコードを書けるようになってから、勝負どころは『同時に何本進められるか』に移った」という観察は、エージェント時代の開発の重心がどこへ動いたかをよく捉えている。

同じくQiitaの連載では、自作MCPサーバとPRレビュースキルを組み合わせる実践編が公開された。MCPサーバがBacklogから情報を安全に取得して構造化して返し、スキル側が「レビューで何を判断するか」を担う──この責務分離の設計を、実際のスキルに落とし込む過程が丁寧に説明されている。

画像生成では「写真がすでに存在するときのimage-to-image」という記事が、部分修正の難しさを掘り下げている。屋外で撮った人物写真の服の色を変えたい、看板の文字を消したい、背景の車をどかしたい──といった要求で、真っ先に崩れ始めるのが背景だという指摘は、実務ではまりやすいポイントだろう。

ベンチマーク首位のモデルの開発者が「そこは本気ではなかった」と語る倒錯。カスタムチップが巨大インフラに接続されていく時代。学習ポリシーの可視化という草の根の努力。今日の話題は、AIの能力を巡る語り方が単純な順位づけでは済まなくなってきた様子を映しているように見える。