10月25日朝のAIニュースを整理する。OpenAIの内部対立、音声AIの新段階、AIと政治、AIと技能形成、そしてトークンに頼らないモデル研究まで、開発者とAI動向を追う人に届くラインナップだ。

解雇されたOpenAI安全研究者3人が反論──「何を漏らしたのか書面では告げられず」

The Decoderの報道によると、OpenAIを解雇された安全研究者の3人──Tomek Korbak、Mikita Balesni、Jasmine Wang──が、元雇用主からの嫌疑に対して公然と反論を始めた。3人は機密情報を共有したという指摘を否定している。

3人側の主張で重要なのは二点ある。第一に、OpenAIはどの情報を不適切に扱ったとされるのかを書面で伝えてこなかったという。第二に、解雇の背景には、AIシステムをより精査しやすくするべきだという3人の主張と無関係ではない、と3人がみている点だ。

「何を漏らしたのかが本人に伝わっていない」という状況は、処分の透明性という点で疑問を残す。安全体制を担った人材の流出と対立の表面化は、OpenAIのガバナンスをめぐる論争に今後も影を落とす可能性がある。現時点では3人側の主張が中心であり、OpenAI側の詳細な見解は今後の報道を待ちたい。

Blockの音声モデル「Dessa」──文字起こしを挟まず、感情や皮肉を直接読む

SquareとCash Appを運営するBlockが、音声処理モデル「Dessa」を発表した（The Decoder、TechCrunch）。従来の音声AIが「音声→テキスト→理解」という経路を辿るのに対し、Dessaは音声を直接処理する。人間の音声だけで訓練されており、感情、皮肉、会話の間（ま）を実時間で認識する設計という。

注目点は、感情や皮肉といった「文字にすると失われる情報」を扱えることだ。文字起こしベースのモデルが苦手としてきた領域に、アーキテクチャのレベルから取り組んだ形になる。また、MacBook Pro M4 Maxでローカル動作できる点も、クラウド依存の音声AIが多い中で特徴的だ。ただし現時点では一般公開されておらず、実際の性能や使い勝手は提供が始まってからの検証待ちとなる。

TechCrunchはこの声を「不気味なほど人間らしい」と評している。

Grokは共和党、GPTは民主党──約500の選挙区で推薦が90%超不一致

TechCrunchの報道によると、新しい研究で、GrokのAIは圧倒的に共和党候補を推奨し、OpenAIのGPTは民主党候補を推奨する傾向が確認された。約500の選挙区で両モデルの推薦を比較したところ、90%超で結論が食い違っていたという。

政治的な質問への回答は、モデルごとの調整や前提の違いが反映されやすい。とはいえ、同じ質問に対して主要モデルの推薦がここまで体系的に割れることが数値で示されたのは重い。AIアシスタントを情報源として使う人が増える中、「どのモデルに聞くか」で得られる推薦が変わってしまう構造的な問題を浮き彫りにする結果だ。単一モデルの回答を鵜呑みにせず、複数の情報源と突き合わせる習慣がさらに重要になるだろう。

AIはジュニア弁理士の即時成績を上げるが、取り去ると残るのはシニアだけ

The Decoderが伝えた研究では、弁理士133人を使った3ヶ月間のフィールド実験で、AIの利用が即時の業務成績を押し上げることが確認された。伸びが最も大きかったのはジュニア層だ。

ところが実験後にAIを取り除くと、恩恵を維持できたのはシニアのみだった。つまり、AIで上げた成績の多くはツール依存の部分であり、基礎的な専門性があって初めてAI支援が「身につく技能」に変換される、という分析だ。

「AIに任せているうちに基礎が身につかないのでは」という教育現場の懸念を、専門職の実務データで裏づける形となった。AI導入で即時の生産性が上がっても、育成パスの設計は別問題であることを示しており、新人教育とOJTを考える上で影響する知見といえる。

Meta、トークンではなく「生バイト」を読む小規模モデルを研究

RedditのLocalLLaMAコミュニティで話題の論文（約10億パラメータ級の小規模モデル）では、トークン化されたテキストではなく、生のバイト列──ほぼ1文字ずつ──を直接読むモデルの訓練が報告されている。教師モデル（Llama 3 8B）からの蒸留も併用され、トークンで考える教師とバイトを読む学生の間の変換方式が工夫されたという。

結果の要点は次の通りだ。

  • 訓練初期はトークンモデルが圧倒的に優位
  • 訓練量を増やすとトークンモデルは頭打ちになり、バイトモデルは伸び続ける
  • 同じ水準に達するのに必要なテキスト量は約6分の1
  • 傾向線の延長では、Llama 3.2 1BやGemma 3 1Bを数点上回ると予測される

ただし留意点も多い。「既存モデル超え」は実際の訓練結果ではなく外挿予測で、実測ではトークンモデルがまだ勝っていた。1文字ずつ読むため、同じテキスト量でおよそ5倍の処理ステップが必要で、計算コストは増える。検証も小規模モデルに限られており、スケールして成り立つかは未知数だ。

それでも、巨大な語彙テーブルを捨てたモデル設計が「単語の中の文字数を数え間違える」といったトークンモデル特有の失敗を構造的に解消し得る可能性は興味深い。端末上で動く小規模モデルの設計に影響する研究方向として、注目に値する。