Linuxカーネルの開発現場にAI生成コードがどこまで浸透しているのか。今週の収集データからは、その実態を示す数値と、AIリスクをめぐる大手トップ同士の認識のズレ、そして「判断だけを返す」モデルを既存LLMで再現しようとする動きが目についた。

Linuxカーネルの9月パッチ、17.25%がAI生成と集計される

技術系メディアのLunduke Journalが9月にLinuxカーネルへ投稿されたパッチを集計したところ、17.25%がAI生成のコードだったと報じられた。Hacker Newsでも48件のコメントがつき、活発な議論を呼んでいる。

Linuxカーネルは厳格なメンテナレビューで成り立つ場であり、AI生成コードの流入はレビュー工程の負荷とコードの品質保証の両面に影響を与えうる。集計の手法や「AI生成」の判定基準は現時点では明らかでなく、数値は参考値として見るべきだろう。それでも、コード生成AIの利用が最も保守的な開発現場のひとつにまで及びつつある速度を示すシグナルと言える。

NVIDIAフアンCEO、AI破壊の可能性を「0%」と断言

英ガーディアン紙は21日、NVIDIAのジェンスン・フアンCEOが「AIが2030年までに世界を破壊する確率は0%」と述べ、AIをめぐる警戒論を退けたと報じた。記事ではAnthropic側の警告への言及も取り上げられているもようだ。

今月16日にはAnthropicのアモデイCEOが大規模リスクへの警告を発してAI関連株が急落したばかり（当ブログ9月16日号で取り上げた）。AIの破壊的可能性について、供給側のトップ同士の見立てがここまで割れている状況は、規制や投資判断を読むうえで重要な材料になりそうだ。

「判断」だけ返すJev、既存LLMで再現する動きへ

テキストを生成せず確率的な判断だけを返す「Jev」は、ここ数日、日本語実測記事の急増と出自をめぐる論争で賑わってきた。今回の収集データには、その周辺がさらに実装段階へ進んだことを示す材料が複数含まれていた。

RedditのLocalLLaMAコミュニティでは、オープンソースのゲートウェイ「hearim（ヘアリム）」が公開された。データと選択肢の組を与えると、llama.cpp・vLLM・SGLang・Ollamaなどで動く既存のLLMから、Jev互換の判断API（Choice／Score／Noul形式）を返すという。仕組みは、事前入力（pre-fill）と1トークン分のデコードだけで各選択肢の確率（logit）を読み取り、文章を生成させないこと。開発者は「指示チューニングやRLHFの前に、事前学習済みモデルはすでに多くを学んでいる。選択肢の中から選ぶだけならその能力は既に確率分布の中にある」と主張し、Jevの発表前に1年以上同じ技術を使っていたとも述べている。Jevのアーキテクチャや性能を再現する主張ではない点は、開発者自身が明確に区別している。一方で「これは単純なニューラルネットが昔からできていたことでは」という懐疑的な声も出ている。

日本語圏でも、問い合わせの振り分け処理をJev・ルールベース・GPT-5.6-lunaの3方式で、同じデータと同じ出力形式で比較した記事が公開された。一枚岩のプロンプトでは出力の一部がおかしいときに原因の切り分けが難しい問題を、小さな型付き質問へ分解して構造化する価値を検証している。さらにVercel LabsはJevとAI SDKを組み合わせたテンプレートを公開しており、公式SDK周辺の整備も進みつつある。

DeepSeek-V4.1-Flash：「890 bytes/token」から容量を逆算する

9月17日に提出されたDeepSeek-V4.1-Flashの技術報告について、運用側の視点から読み解く記事が公開された。注目の数値は最大コンテキスト長（100万トークン）ではなく、global KV cacheの890 bytes/tokenという容量あたりの数字だ。

同記事は、長文脈モデルを評価するときに最大長だけを比較するのは不十分で、「実際に生きているトークン数×同時セッション数」をHBMと永続キャッシュの容量へ換算し直す必要があると指摘する。890 bytes/tokenという数字は、同時に保持できるエージェント数を実際のハードウェアから逆算できる、運用に最も近い指標というわけだ。

OmniVChat：ASRを介さない音声-視覚対話に、合成データとRLを組み合わせる

Hugging Face Daily Papersでは、ネイティブな音声-視覚対話を対象した研究「OmniVChat」が取り上げられた。ASRや中間テキストを介さず音声と映像で対話するアプローチは、データの不足と開放的な評価の難しさという2つの課題を長く抱えてきたという。

本研究はこの2つに対応を試みたもので、マルチエージェントによる合成で5つの能力カテゴリにわたる単複数ターンの対話データを作る「OmniVChat-Studio & Bench」と、応答の精度・効率・対話らしさをバランスさせる「OmniVChat-RL」を提案。Qwen3-Omni-Instructを用いた検証で、合成ベンチと人間の収録によるベンチの両方で改善を確認したとしている。シミュレーションから実環境への転移が成功しているかどうかは、この種の合成データ研究の山場だが、その点でも結果を残しているようだ。