9月11日午前時点では、OpenAIのプラン運用と収益化の動き、Googleのデスクトップ展開、そして研究分野ではマルチモーダルアーキテクチャの統合と医療AIの説明可能性と、方向性の異なるニュースがそろった一日でした。今回は7本をピックアップして整理します。

OpenAI、ChatGPT最上位プランの新規受付を一時停止──GPT-6 Astraの需要対応

ITmedia AI+が報じるところによると、OpenAIのティボー・ソティオ氏（通称Tibo）は、新モデル「GPT-6 Astra」の需要拡大に対応するため、ChatGPT最上位プランの新規受付を一時停止すると発表しました。既存の加入者には影響がないとしています。

この話は今週初めにも「GPT-6 Astraの前例のない需要で、OpenAIがProプランの新規停止に言及」という形で伝えられていました。それが公式の発表として裏づけられたかたちで、需要の逼迫が一過性ではなかったことを示唆します。停止期間や再開時期は現時点では報じられておらず、新規で上位プランを契約しようとしていたユーザーは受付再開のアナウンスを待つしかない状況です。フラッグシップモデルを安定して提供するための容量確保とみられますが、需要の伸びが供給計画を上回り続けるなら、同じ対応が繰り返される可能性もありそうです。

Altman氏、従業員に「最先端AIの減速もあり得る」と語る

Bloombergの報道としてHacker Newsで取り上げられているのが、OpenAIのSam Altman CEOが従業員に対し、最先端AIの開発を減速させることについて前向きに検討する姿勢を示したという内容です。

タイミングとしては、OpenAIが業界全体での協調的な減速の合法性を検討しているとWIREDが報じたばかりでした。法的な問題として議論されていた減速の話題が、経営者の意思表示の段階へ進んだと読めます。もっとも「減速に前向き」である具体的な条件や、競合他社との足並みが揃うかどうかは不明で、現時点では姿勢を示したにとどまると見るのが自然でしょう。安全上の懸念から離職者が相次ぐ業界の空気の中で、フロンティア企業のトップが減速に言及したこと自体が意味を持つ場面だと言えそうです。

AmazonがChatGPT内への広告出稿を解禁──OpenAIと提携

ITmedia AI+によると、Amazon AdsはOpenAIと提携し、「ChatGPT」上での広告配信に対応すると発表しました。広告主はAmazon DSPを通じて、会話画面の下部にテキストや画像の広告を出稿できるようになります。

まずは米国の成人向け無料プランを対象としたパイロットとして開始し、どの配信面に広告を出すかの制御はOpenAI側のシステムが担くとされます。チャットという対話型UIに広告をどう馴染ませるかは各社の関心事でしたが、大規模広告プラットフォームとの提携という形で最初の大きな一歩が踏み出されたと言えそうです。会話の流れを遮らない配信設計になっているか、パイロットの結果は注目されます。

Google、Windows向け「Gemini」アプリを公開──日本語UIにも対応

GoogleがWindows向けデスクトップアプリ「Gemini app for Windows」を公開したと、ITmedia AI+が報じています。Windows 10と11に対応し、UIは日本語をサポートします。

特徴は作業を中断しない操作性で、［Alt］＋［Space］のショートカットで作業画面の上に重ねて呼び出せます。自律型AIエージェント「Gemini Spark」や画像・動画生成もPC上で利用でき、一部は有料プランが必要です。Mac版は4月にリリース済みで、これで主要デスクトップOSをカバーしたかたちです。ブラウザを開かずに済むデスクトップ常駐型のアシスタントが、OS標準のAI機能とどう競合・共存していくか見ものです。

SenseNova-U1.5──エンコーダーもVAEも持たない「ネイティブ統合」マルチモーダルモデル

Hugging Face Daily Papersで注目を集めているのが、8Bパラメータの統合マルチモーダルモデル「SenseNova-U1.5」です。視覚の理解・推論・生成を、エンコーダーもVAEも持たない単一のアーキテクチャでこなすのが特徴で、「ネイティブ統合」と呼ばれるアプローチになります。

学習では、空間的に整合的なパッチ再構成によって視覚インターフェースを強化し、生成・編集データの厳選、タスク定式化の改善、最大4Kのネイティブル解像度でスケールさせています。事後学習では視覚美学・バイリンガルテキストレンダリング・インフォグラフィック生成・画像編集の各専門家を最適化し、複数専門家のon-policy蒸留で能力を統合するとされています。興味深いのは、生成データに構造化形式をほとんど含めなくても、長く複雑な構造化された視覚的指示へ汎化できた点です。多様な理解能力が視覚的な計画や創作へ転移するという結果を示しており、訓練コード（SFT・強化学習・蒸留）の公開も予定されています。理解と生成を分け隔てなく扱うend-to-end路線がどこまで実用水準に達したか、公開されるコードで確かめられる日を待ちたいところです。

CARDEA──冠動脈造影の判読理由を「監査できる」医療AI

同じくHugging Face Daily Papersからは、冠動脈造影の解釈をEND-to-ENDで行う「CARDEA」も話題です。既存のAI判読支援は最終予測だけを返すものが多く、中間の推論過程がブラックボックスのまま臨床現場での検証を難しくし、判読結果への信頼を制限していました。

CARDEAは、大規模視覚言語モデルが最終回答の前に出す推論トレースを解釈可能性の源泉として使い、Chain-of-Box（CoB）と呼ぶ仕組みで推論中に注目している画像領域を示すよう訓練されています。学習は3段階です。まず視覚特徴を基盤的な冠動脈造影の特徴にアライメントし、次に自己蒸留でCoB付きの推論トレースを自動合成してコールドスタート訓練を構築、最後に検証可能な報酬による強化学習で、判読の正しさとCoB行動の両方に報酬を与えます。モデルの重みと推論コードは公開済みです。「なぜその判読に至ったか」を臨床側が確認できる方向性は、医療AIへの信頼を担保する上で重要な一歩と言えそうです。

ローカルで動く音楽生成モデル「YuE2-3B」がリリース

RedditのLocalLLaMAコミュニティでは、新しい音楽生成モデル「YuE2-3B」のリリースが話題になっています。3Bパラメータと比較的小型で、Hugging Faceでの重み公開とデモページが用意されています。投稿者は「かなり堅実なモデル」と評価しており、デモで生成される楽曲の質を確かめてみる価値はありそうです。

ローカル環境で完結する音楽生成は、生成AIの活用範囲をテキストや画像から音へ広げる要素技術です。手元のGPUでどこまで実用的な楽曲が作れるか、今後のコミュニティでの検証結果に注目したいところです。

まとめ

OpenAIではGPT-6 Astraの需要対応で最上位プランの新規受付が停止され、Altman氏が減速へ前向きな姿勢を示したと伝わるなど、供給能力と開発速度をめぐる議論が続きました。収益化ではAmazonとの提携によるChatGPT内広告がパイロット開始となり、GoogleはWindows版アプリでデスクトップでの利便性を固めています。研究分野では、エンコーダーレスの統合マルチモーダルモデルSenseNova-U1.5、推論過程を監査可能にする医療AIのCARDEA、ローカル向け音楽生成のYuE2-3Bと、「統合」「説明可能性」「小型化」という三つの流れが見えた一日でした。