• 医学系学術誌JAMAは2026年9月15日、著者によるAI利用に関するガイダンスの改訂版を公開した。編集者らはAIを研究の負担を減らす道具として受け入れると明示している。同時期には出版倫理委員会(COPE)もAI関連ページを更新しており、研究倫理のルール形成がいま動いている。本記事では、ガイダンス改訂の意味と、倫理への「知覚」が信頼を左右するという実証研究を整理する。

    編集者はAIを「道具として歓迎」、線引きの主語は人間

    JAMA編集部は2026年9月15日、医学論文の著者によるAI利用に関する改訂ガイダンス「Updated Guidance for Author Use of AI in Medical Publication」を掲載した。冒頭部で編集者らは「AIは前例のない速度で研究と科学出版を作り変えつつあり、並外れた可能性を秘めている」と状況を述べたうえで、一部の作業の負担を減らし、一定の文脈で効率を改善する「道具」としてAIを受け入れると表明している。

    ここでの特徴は、全面禁止ではなく条件付きの受容を選んだ点にある。編集者側の声明が一貫して「道具(tool)」という語でAIを位置づけている点からは、成果物への責任を負う主体を人間の著者に置く前提で運用を更新した、と読むことができる。どの作業への利用が許容され、どこで開示が求められるかといった具体的な線引きの内容は、原文に当たって確認する必要がある。

    研究公正の現場は「検出」と「透明性」への投資フェーズ

    学術出版の倫理規範を定める国際組織、Committee on Publication Ethics(COPE)はAI特集ページを更新している。同ページでは、AIが雑誌選定や統計解析といった作業で出版プロセスを強化するとしつつ、倫理上の懸念から透明性の確保とバイアス緩和が求められると説明する。また、AIによる論文生産の増加は整合性や不正への懸念を高めており、著者性の問題とバイアスへの対策として、より良い検出ツールと戦略が必要だとしている。

    今後の日程も具体化している。COPEは2026年9月22日にフォーラムを開催する。イベントページの登壇者紹介では、出版済みコンテンツの監査と編集上の整合性確保を担うチームを率い、「業界初」とされる研究インテグリティAIアシスタント「AIRA」の開発に関わった人物が紹介されている。さらに11月2日にはPublication Integrity Week 2026の一環として、著者・編集者・査読者がAIを倫理的に使うためのインセンティブ設計を議論するパネルが予定されている。

    倫理規範は「知覚されて」初めて機能する

    ルールが整っても、使う側がそれを倫理的だと感じなければ信頼は生まれない――そう示唆する実証研究が9月16日、Frontiers in Artificial Intelligenceに掲載された。オクラホマ大学心理学部のRachel Detherage氏とShane Connelly氏による研究で、ランダム化比較デザインを用いてAIツールの属性知覚が利用意向にどう影響するかを検証している。

    報告された結果は二つに整理できる。第一に、AIの説明可能性(xAI)への信念がAIの倫理性知覚を高め、その知覚を経由してツールの推奨意向につながるという有意な仲介効果が示された。第二に、影響の近接性(proximity)は、倫理性知覚ではなく機能への信頼を経由して推奨意向に作用する。研究ではさらに、意思決定の受け手を人間が直接扱う場面と比べ、AIは判断能力が劣ると知覚されやすいことも報告されている。著者らは、組織がAIツールを導入する際には文脈と従業員の倫理知覚の両方を考慮すべきだと指摘する。

    倫理の看板を掲げるだけでは信頼は築けない

    もう一つの論点は「倫理を掲げること」自体の質だ。Springerの査読付き学術誌「AI and Ethics」に9月18日、AI倫理論争を整理した論文が掲載された。ここで論じられるのは「ethics washing(倫理ウォッシュ)」、すなわち企業がガイドラインや倫理委員会、社内研修といったガバナンスの道具を、倫理を優先する本気のコミットメントを伴わずに、自己を良く見せるためのコミュニケーションとして使う状態である。

    この視点をJAMAやCOPEの動きに重ねると、意味が見えてくる。開示の徹底、不正の検出、説明可能性の設計といった運用が伴わない倫理宣言は、倫理ウォッシュへの警戒を招きかねない。逆に、Frontiersの研究が示した「説明可能性が倫理性知覚を高める」という結果は、倫理がスローガンの問題ではなく設計の問題であることを裏付けている。

    研究倫理のルールは数年単位で書き換わる。一方で、ルールをどう受け止めるかという人間側の知覚は、もう一つの層として常に残る。AIを研究に使う側にも、審査する側にも、この二つの層を同時に見る視点が今後求められるだろう。

    +
  • 米国のAI規制が連邦と州で逆方向に動いている。トランプ大統領が新たなガードレールの必要性を否定し、連邦議会は中間選挙前の休会に入る一方、カリフォルニア州のニューサム知事は9月18日、独立した第三者検証の導入前倒しと、フロンティアAIモデルの緊急停止機構(キルスイッチ)創設の検討を指示する大統領令に署名した。連邦の空白を州が埋める構図が明確になりつつある。

    「脅威はデマ」――連邦規制が置き去りにした空白

    9月15日、BBCは米連邦議会でAI安全規制が事実上停滞していると報じた。トランプ大統領は今週初め、SNSで「AIが世界を乗っ取り、人類を破滅させるといった悪い話はすべてデマ(HOAX)だ」と投稿し、あわせて「AIに必要な唯一の統制ないしガードレールは『強く賢い』大統領だ」との見解を示した。

    議会側の状況も厳しい。下院は中間選挙(11月上旬)の後に戻るまで休会に入る。民主党のジェフリーズ下院院内総務は「米国民の安全と福祉を決定的に守る何かが行われるまで、議会は街を離れるべきではない」と述べたが、与党共和党のジョンソン下院議長は「これは非常に複雑な問題だ」と述べるにとどまり、選挙前の行動を示していない。

    法案自体は存在する。上院のトゥーン多数派院内総務とクロブチャー議員が、一部のAI企業に連邦による監督受け入れを義務付ける法案を共同で準備している。下院ではトラハン議員が共和党のオバーノルテ議員とともに、担当官が「差し迫った壊滅的リスク」を認定すればAIモデルの利用を停止できる権限と研究機関への独立監査を盛り込む「Frontier Act」を起草した。ただしいずれも採決の見通しは立っていない。

    政権側の姿勢も規制と逆方向だ。トランプ氏のAI政策顧問デビッド・サックス氏は内部からの安全警告を過剰とみなし、「これはパニックになりつつある」と批判した。非営利団体民主技術センター(CDT)のギベンス所長は、政権がAI企業に自主的な政府評価の提出を求める枠組みを非公開のまま運用している点を指摘し、「法の支配に根ざしていると確認できる明確な基準がない」と述べている。

    つまり連邦レベルでは、規制の中身以前に、規制を審議する土台そのものが揃っていない。

    1年早い実施へ――カリフォルニアの独立検証2法

    対照的に動くのがカリフォルニア州だ。ニューサム知事は9月18日、州のAI監督を強化する大統領令N-9-26に署名した。州の公式発表によれば、令は(1)9月上旬に成立させた2法の実施時期を前倒しすること、(2)2か月以内に専門家チームが州法強化の指針を取りまとめること、を州政府機関に指示している。POLITICOはこの前倒しについて、対象2法の実施が約1年早まると報じている。

    前倒しされた2法の内容はこうだ。SB 813(マクナーニー州上院議員)は、AIシステムとモデルの安全性・リスクを客観評価できる「独立検証組織」の認定枠組みを整備するもので、州の発表では全国初の制度とされる。AB 1405(バウアー=カハン州下院議員)は、州法への準拠を評価するAI監査人の州登録簿を作り、監査人の独立性・透明性・誠実性の基準を定める。

    キルスイッチはまだ「法案」ではない

    報道で「キルスイッチ命令」と紹介されがちだが、この時点の緊急停止機構は法案ではなく、専門家チームへの検討課題だ。大統領令が検討を求める項目は4つある。(1)フロンティアAI企業への指定独立検証組織の常駐と定期監査・評価、(2)州法で提出が義務付けられる安全フレームワーク・透明性報告・リスク評価の第三者検証、(3)フロンティアモデル向け緊急停止機構の創設と、その効力の継続的な検証、(4)重大安全事案の定義更新――州は「Hugging Face攻撃」のような制御喪失を伴う事案を定義に含める案を挙げている。

    土台にあるのは2025年9月に成立したSB 53(フロンティアAI透明性法)だ。フロンティアAI開発者に安全フレームワークの公開、重大安全事案の州への報告、内部告発者保護を義務付ける。ニューサム知事は今回の声明で「賭け金が高すぎて、待ったり先送りしたりする余裕はない」と述べ、自州の枠組みを連邦が採用するか、最低線として使うよう議会と大統領に求めた。なお緊急停止機構の扱いは国によって割れており、英国政府は危険なAIへのキルスイッチ案をBBCの報道に対して拒否している。

    与野党の州が動く――分権化する米国のAIガバナンス

    州レベルの動きはカリフォルニアだけではない。POLITICOは9月18日、共和党系と民主党系の双方の州がトランプ政権の方針に逆らい、それぞれの形でAI規制を進めていると報じた。フロリダ州では州司法長官が6月、利用者を潜在的害から守る対策を怠っているとしてOpenAIとアルトマンCEOを提訴し、OpenAI側は利用者保護政策を擁護して争う姿勢を示している。

    国外ではEUが一足先に執行段階に入っている。EUの公式説明によれば、AI法では社会的スコアリングなど一部手法の禁止が2025年2月から、汎用AI(GPAI)モデルへの義務が2025年8月から順次適用され、2026年8月2日から禁止規定・GPAI義務・透明性義務の執行が加盟国とEUの両レベルで始まった。

    見えてくるのは、米国が「単一の連邦規制」ではなく「州ごとの重畳的な規制+連邦の自主規制枠組み」という非対称な構造に移行しつつあるという状況だ。カリフォルニア州は自らを全国の基準と位置づけるが、これはあくまで州の主張である。一方で、多数の州規制とEU法に同時に対応する企業側の負担は、制度設計の巧拙にかかわらず増えていく。次の節目は2か月後の専門家指針の取りまとめと、11月の中間選挙後の議会構図だ。連邦が動かない前提が固まれば、「州が基準を作る時代」はさらに長くなる。

    +
  • 米ドレクセル大学の研究チームが2026年9月12日、Scientific Reportsに全米6,166病院を対象としたAI・ロボティクス導入と医療成果の関連を報告した。勤務スケジューリングAIは敗血症治療バンドルの完遂率上昇と、定型業務自動化AIは30日肺炎死亡率の低下と、それぞれ統計的に有意な関連を示した。一方で、AI対応病院から車で30分圏外に暮らす人口は約1.146億人に達し、成果と格差が同時に浮き彫りになった。

    時間が結果を分ける医療で、スケジューリングAIが示した関連

    米国の病院でAIの導入が広がるなか、「実際に医療の質と結びついているのか」を全国規模のデータで検証した研究が報告された。ドレクセル大学のAaron Johnson氏、David Gefen氏、Teresa D. Harrison氏の研究チームは2026年9月12日、英Nature系列のScientific Reportsに論文を発表した(DOI: 10.1038/s41598-026-70027-1。受理済み論文の早期公開版)。

    分析では、米国病院会(AHA)の2023年調査データ6,166病院分を、メディケア・メディケイドサービスセンター(CMS)の病院成果指標、疾病対策センター(CDC)の死亡統計、3,143郡の社会経済データと結合した。2019年のベースライン性能と病院・郡の特性を調整した統計モデル(AIPW)で、AI導入と2023年の医療成果の関連を推定している。

    結果の要点は2つある。第1に、スタッフ勤務スケジューリングAIの導入は、重症敗血症・敗血症性ショックの早期治療バンドル(SEP-1)完遂率と、調整後2.24ポイント(相対改善3.9%、P < 0.05)の上昇と関連した。第2に、定型業務自動化AIの導入は、30日肺炎死亡率が0.87ポイント(相対低下5.4%、P < 0.05)低いことと関連した。敗血症も肺炎も、初期対応の速さが転帰を左右する時間依存性の病態であり、人手配置や定型業務の負荷が成果に直結しやすい領域だ。

    「改善」と言い切れない理由──研究が自ら引いた線

    この研究は観察研究であり、因果関係の証明ではない。論文の要旨自体が「因果解釈ではなく、縦断的な確認に値する成果固有の調整後関連」だと結論づけている。

    留意点は3つある。まず、後に定型業務自動化AIを導入した病院は、導入前から肺炎死亡率がやや低い傾向にあったという。つまり「もともと組織的能力の高い病院がAIを導入した」という交絡が残る。次に、郡レベルの分析では、定型業務自動化AIへのアクセスは75歳未満の院内死亡が10万人あたり25.5人少ないこと(9.9%減、P < 0.001)と関連したものの、この推定は推定量の選択や組織的能力に関する調整を加えるとほぼゼロに近づいた。研究チーム自身がこの結果を慎重に扱っている。

    第3に、外科ロボティクスは、偶発的な穿刺・裂傷を示す患者安全指標(PSI-15)とのみ0.03ポイントの改善と関連し、AIで見られたような広範な関連は観測されなかった。働き方を変えるAIと、手技を補助するロボティクスでは、現れる成果の形が違う可能性を示唆する結果といえる。

    車で30分圏内は65.8%──残る約1.146億人のアクセス格差

    成果と同時に浮き彫りになったのはアクセスの偏りだ。研究チームは約24万の米国勢調査ブロックグループを単位に、人口加重した車の走行時間を解析した。その結果、AI対応病院から車で30分以内に暮らす人口は分析対象の65.8%(約2億2,010万人)にとどまり、約1億1,460万人が30分圏外だった。外科ロボティクス対応病院では79.5%(約2億6,600万人)が30分圏内であり、AIのほうが地理的な偏りが大きい。

    走行距離の分布も不均衡だ。AI対応病院までの距離は10パーセンタイルで1.9マイル(約3.1 km)に対し、90パーセンタイルでは61.3マイル(約98.7 km)と、約32倍の開きがある。アクセス負担の不均衡を示すジニ係数はAIで0.740、ロボティクスで0.776と、いずれも高い水準だった。なおこのアクセス指標は地理的近接性を表すもので、実際の受診や病院の収容力、AI実装の深さを反映するものではないと研究チームは注記している。

    病院数は56%増えても埋まらない偏り

    導入自体は急速に進んでいる。2022年から2024年の間にAI対応病院の数は推定56%増加し、30分圏内に暮らす人口の割合も66.2%から75.2%へ上がった(この多年比較では、2023年の主分析より広い定義を使用)。ところが、アクセス負担のジニ係数は0.739から0.767へとわずかに悪化した。分布全体で見ると、不均衡は解消に向かっていない計算だ。

    一方、最も遠い層に限れば状況は異なる。90/10パーセンタイル比で測った格差は33%縮小しており、アクセスが最も悪かった地域には改善の兆しがある。導入の増加が都市部への集中を強めながらも、周辺部の底上げを進めている──それが2022〜2024年の米国の姿としてデータから読み取れる。

    分析コードを公開して「検証可能」にした設計

    この研究には再現性への配慮もある。AIPW推定から空間診断、図表生成までを含む分析コード(SQLとPython)はGitHub上に公開されており(タグv1.0.5)、ライセンス契約下のAHAデータへのアクセスがあれば誰でも結果を再現できる構造だ。

    病院AIの効果は、個別事例の物語ではなく、ベースラインを調整した全国規模のデータで検証してはじめて輪郭が見える。今回の分析が示したのは「一部の時間依存性医療では有意な関連が見えた」「因果とは言えない」「アクセスは大きく偏っている」という3点であり、次に必要なのは導入前後を追う縦断研究だと研究チームはしている。

    +
  • アクセンチュアとGoogle Cloudは2026年9月8日、エージェントAIの導入支援に特化した共同事業体「Accenture Gemini Enterprise Business Group」の発足を発表した。中核は1,000人規模の専任技術者部隊の設置で、約5万人のGoogle Cloud人材基盤の上に構える。一方、調査ではAIエージェントの試験導入を持つ企業は8割近い一方、全社展開に至ったのは1割強。AI導入の主戦場はモデル選定から「組織的な展開力」へ移りつつある。

    1,000人の専任部隊が担う「導入の産業化」

    アクセンチュアとGoogle Cloudは9月8日、公式リリースで共同事業体「Accenture Gemini Enterprise Business Group」の発足を発表した。アクセンチュアが約5万人抱えるGoogle Cloud関連スキル人材の基盤の上に、Gemini Enterpriseの研修・認定を拡充し、1,000人規模のFDE(Forward Deployed Engineer、前方展開技術者)部隊を新たに設ける。FDEは顧客企業の現場に入り込んで実装を進める技術者で、同リリースはこの事業体を「エージェントAI時代にGemini Enterpriseの成果を拡大させる」ための大きな共同投資だと位置づけている。

    事業体が優先する4つの領域も、モデル開発ではなく導入と定着に照準が合っている。(1)独自のアクセラレーターや実装フレームワークによる採用拡大、(2)業界特化の再利用可能なソリューション構築による価値実現までの時間短縮、(3)専用ケイパビリティセンターによる実験と全社展開の間のギャップ解消、(4)大規模な利用定着の推進——。Google Cloudのトーマス・クリエンCEOは発表の中で「エージェントAIの展開は今日の企業の最優先事項だ」と述べ、需要の強さを強調している。

    試験導入は8割、全社展開は1割強

    こうした投資が必要とされる背景には、実験と実装の間の溝がある。テクノロジー媒体AI Newsが9月14日に報じたところによれば、Deloitteの2026年テクノロジートレンド調査は、AIエージェントのパイロットが本番導入に至らない割合を89%と示している。またTeradataの調査(企業の技術責任者650人が対象と報じられている)では、少なくとも1つのエージェントのパイロットを走らせている企業は78%に上る一方、組織全体へ展開した企業は14%のみだったという(AI News)。

    つまり「試している会社は多いが、社内で本番運用にしている会社はまだ少数」——これが2026年半ば時点の企業AI導入の全体像と考えられる。なお、これらの数字はコンサルティング企業とデータベースベンダーが主体の調査であり、それぞれが自社のサービス文脈で語る数値でもある。個々の割合の絶対値より「パイロット持ち8割に対して全社展開1割強」という桁の違う構図そのものが、読み取るべき情報だろう。

    ボトルネックはモデルではなく組織力にある

    アクセンチュアのリリースに同梱された、調査会社Everest GroupのパートナーYugal Joshi氏のコメントはこの点を明快にしている。同氏は「新事業体は、AIへの投資を本番環境レベルの成果へ翻訳できるパートナーへの買い手の需要に直接応えるものだ」と述べ、共同投資型の深い提携へと向かう業界全体のシフトを指摘している。

    ここから読み取れるのは、生成AIモデルそのものの性能は普及の律速要因ではなくなりつつある、という業界側の認識だ。壁として残るのは、データの整備、業務プロセスの再設計、現場での利用定着といった組織側の課題であると考えられる。1,000人の専任部隊は、この組織課題を人的な手厚さと業界知見で解くための装置と言える。当然、これは「導入には外部の専門家が大量に必要」という状況の証左でもあり、社内リソースだけで完結できていない企業が多いことの裏返しでもある。

    効果を示す数字は「主張」として読む

    リリースには先行事例として、YouTubeがアクセンチュアおよびGoogle Cloudと組み、NFL「Sunday Ticket」の需要急増時にGemini Enterpriseのエージェントを展開した例が紹介されている。会社側の発表によれば、顧客センチメントが11%向上し、平均処理時間が37%短縮されたという。

    この数値は第三者検証されたものではなく、あくまで両社の事例としての主張だ。ただし需要が急増する期間に限定した明確なユースケースで、比較可能な指標を用いている点は評価できる。成功の条件を「範囲を限定した運用」に求めるという前述の調査結果の傾向とも整合的である。

    導入の経路は多様化している

    同時期の動きを見ると、導入の経路は一本ではなくなっている。業界メディアの報道によれば、Salesforceは業務即応型のエージェント7種の提供を発表し(9月11日報道)、既存SaaSへの組み込み型で展開を進めている。インドのJuniper Hotels(NSE: JUNIPER)は9月17日、SignoffのエージェントAI意思決定プラットフォームを国内9施設へ展開すると企業発表した。またIT系報道によれば、CiscoとSplunkはエージェントワークロード向けのオンプレミス基盤の提供を始めたという。

    SaaS埋め込み、業界特化プラットフォーム、オンプレミス――選択肢が増えること自体は企業にとってプラスだ。ただし経路が増えるほど、データ統合やガバナンスの設計はむしろ複雑になる。1,000人部隊のような「伴走型」の需要が当分続くとすれば、それはAI導入がまだ成熟産業ではないことの表れでもある。パイロット78%対全社展開14%という溝がどう埋まっていくかは、今後の企業AI導入成否の中核を占める指標になりそうだ。

    +
  • IBMとシカゴ大学は2026年7月30日、70個の論理量子ビットを用いた計算で、古典コンピュータでは実行困難な問題を約15分で解き、計算結果の信頼性を統計的に保証できることを発表した。量子優位性の主張にとどまらず「検証可能性」を組み込んだ点が今回の実験の核心であり、量子計算が「動く」段階から「信頼できる」段階へ移行しつつあることを示している。

    2026年7月30日、IBMとシカゴ大学の研究チームは、論理回路による信頼できる量子計算の実証を発表した。同日に公開された査読前の論文「Sampling hard circuits with verifiably high fidelity」では、エラー訂正を施した70個の論理量子ビットを用い、最先端の古典シミュレーション手法では現実的な時間内に解けない問題を約15分で計算したと報告されている。

    量子優位性の「証明」に残されていた穴

    量子計算の性能を測るベンチマークとして、これまで乱数回路サンプリング(RCS)が広く使われてきた。RCSは、量子コンピュータに古典計算では効率的に再現できないほど複雑なパターンを生成させる手法だ。しかし問題は検証にある。計算が難しくなるほど、量子コンピュータの答えが正しいことを、装置の内部動作に関する強い仮定を置かずに証明することが困難になる。

    IBMとシカゴ大学のチームは、RCSと同等の計算困難性を保ちながら、計算中にエラーを検出できる構造化された代替手法を開発した。シカゴ大学のBill Fefferman准教授は「検証は実験的な量子優位性を確立する上で最大の課題の一つであり続けてきた。この実験は、ノイズ下で難しい量子状態の忠実度をより良く特徴づける技術を発展させ、量子コンピュータが計算困難な問題を解いているという確信を高める」と述べている。つまり今回の進展は「速い」ことではなく、結果が正しいと主張する根拠を計算自身の内部に持たせた点にある。

    70個の論理量子ビットと2,415回の論理演算

    実験の規模は、エラー訂正の実証としては世界最大級とされている。研究チームは70個の論理量子ビットをエラーから保護した状態で、2,415回の論理2量子ビット演算と468回の論理Tゲートを実行した。いずれも回路の複雑さを測る指標だ。回路がエンコードされていたことで、有効な論理エラー率は物理エラー率の10分の1に抑えられ、多数のゲートを含む回路でも高い忠実度を維持できたと報告されている。

    ここで整理しておきたい。論理量子ビットとは、複数の物理量子ビットをまとめてエラー訂正を施した仮想的な量子ビットであり、実用に足る量子計算の前提条件とされてきた。物理量子ビットの個数を増やすだけでは、エラーの機会も増える。エラー訂正が機能する物理エラー率の境界を「しきい値」と呼ぶ。Googleは105量子ビットの超伝導プロセッサWillowを用いて、表面符号の格子を3×3から5×5、7×7へ拡大するたびに符号化されたエラー率が約2分の1に低下する、という指数的エラー抑制を公式に報告している。格子を大きくすればエラー率が下がる、つまり「しきい値を下回った」状態の実証であり、約30年間の目標が達成された。IBMの今回の成果は、この原理を大規模な論理回路の実行へとつなげたものと位置づけられる。

    「主張」として読むべき部分と、事実として読める部分

    注意すべき点もある。15分という計算時間は、あくまにより多くの古典シミュレーション手法が現実的でない実行時間を要するという比較であり、解いた問題が実用上の価値を持つわけではない。また、論文自体はarXivで公開された査読前のものであり、専門家による検証を経た段階ではない。IBMの発表は同社の主張として扱うのが正確だ。ただし、回路とその結果はQuantum Advantage Tracker上で公開されており、第三者による検証の土台は整っている。IBM ResearchのDirectorであるJay Gambetta氏は「我々は今や量子優位性の時代にしっかりと入っている」と述べているが、この種の宣言は歴史的に何度も修正されてきた経緯もあり、慎重に受け取りたい。

    信頼性の担保が次の争点になる

    量子計算の実用化に向けた残りの課題は、エラー訂正とその出力への信頼だ、というのが今回の成果が示す方向性である。検証手法の進展は、次世代の量子コンピュータで実用的な応用を解き放つ可能性がある、とシカゴ大学の博士課程学生Soumik Ghosh氏は指摘する。化学シミュレーションや最適化といった応用の多くは、億単位の演算を高い信頼性で実行する必要がある。演算ごとに千回に一回は失敗する現状の装置では足りず、エラー訂正のスケールと、結果を検証する仕組みの両方が前提となる。論理回路の時代に入ったと言えるかどうかは今後の再現と検証を待つべきだが、「量子コンピュータの結果をどこまで信用できるか」という問いが、性能競争と並ぶ主戦場になりつつあることは間違いなさそうだ。

    +
  • TSMCとASMLは2026年9月8日、High NA EUVリソグラフィ向けにフォトマスクを現在の6インチから12インチへ拡大する業界共同イニシアチブの発足を発表した。2031年のパイロットライン立ち上げと2033年の量産システム実用化を目指すこの転換は、微細化の限界に近づく半導体製造がコスト面で突破口を見出すための10年計画である。本記事では、この決定が持つ技術的・経済的な意味を整理する。

    半導体の微細化を支えるリソグラフィ技術の将来像が、少しずつ具体形を帯びてきた。ASMLとTSMCは2026年9月8日、High NA EUV(開口数を高めた極端紫外リソグラフィ)で使うフォトマスクを、現行の6インチから12インチへ移行する業界共同イニシアチブを発表した。 timingはSPIE BACUS会議の前日にあたる9月7日に設立されたもので、主要な装置・マスクサプライヤーが参加への関心を示しているという。

    なぜ「マスクの大型化」が微細化の鍵になるのか

    EUVリソグラフィでは、回路パターンを転写するための原版であるフォトマスクのサイズが生産性を左右する。ASMLの発表によれば、12インチマスクへの移行は、ファブの生産性向上、チップ製造コストの低減、そしてステッチング(複数回の露光をつなぎ合わせる工程)の制約除去という3つの効果が見込まれる。

    背景にあるのは、トランジスタの微細化が進むほど1チップあたりの露光回数とマスク枚数が増え、製造コストが膨らむという構造問題だ。High NA EUVは1回の露光でより微細なパターンを転写できるが、露光できる範囲(フィールドサイズ)が従来より狭くなる。大判マスクはこの弱点を補い、High NA EUVの利点を最大限引き出すための仕組みと位置づけられている。

    2031年のパイロットライン、2033年の量産対応

    スケジュールは明確だ。イニシアチブは2031年までに12インチマスクのパイロットラインを確立し、2033年には先端ノード生産に対応するリソグラフィシステムの実用化を目指す。ASMLのChristophe Fouquet社長は「High NA EUVの採用はまず現行の6インチマスクで進み、その後12インチマスクが支える形で段階的に拡大する」と述べている。

    TSMC側は、ASMLのHigh NA技術を2030年から先端ノードの量産に投入する意向を示している。AIアプリケーションが要求するトランジスタ構造の複雑化に伴い、High NA EUVが必要となるレイヤー数は増えていくという見立てだ。つまり12インチマスクは遠い未来の話ではなく、2030年前後の量産に合わせた現実的な投資判断ということになる。

    IntelもHigh NAで先行、競争と標準化が同時に進む

    この動きはTSMCだけのものではない。Tom’s Hardwareが報じるところによれば、Intel FoundryはHigh NA EUVで100万枚超のウェハーを処理したと発表しており、業界他社の合計を上回るペースだとされる。同社は18AノードとPanther Lakeの量産でHigh NAをいち早く採用している。

    一方で、12インチマスクへの移行は単一企業では完遂できない。マスクブランク、レジスト、検査装置などサプライチェーン全体の変更を伴うため、ASMLとTSMCは「業界全体で取り組む複雑な問題を協力して解決する」という形で参加各社を巻き込んだ。TSMCの魏哲家(C.C. Wei)会長は「価値チェーン全体の専門知識を結集することで、先端技術を規模に応じてアクセス可能にし続けたい」とコメントしている。

    コスト構造の転換点としての意味

    注目すべきは、この発表が性能ではなく「コスト」を主眼に置いている点だ。High NA EUV露光装置は1台数百億円とも言われ、先端ロジックの製造コストに占めるリソグラフィの割合は増す一方である。12インチマスクによる生産性向上は、2nm以降の先端ノードを経済的に成り立たせるための条件そのものだ。

    TSMCが公表した産能計画でも、2nmの月産11万枚・3nmの月産21万枚体制を2026年中に目指すなど(Gate.comが報じる業界情報)、先端容量の拡張競争は続いている。また同社の2026年8月売上は前年同月比53.3%増と、AI需要を背景に強含みが続いている。

    もちろん、2031年と2033年という目標は7年先の話であり、技術的・経済的な検証はこれからだ。それでも、リソグラフィの標準規格をめぐる合意形成が装置メーカーとファブのトップどうしで動き出したこと自体が、次の10年の微細化ロードマップが「コスト」を軸に再設計されつつあることの表れと言えるだろう。

    参照:
    – ASML・TSMC公式プレスリリース(2026年9月8日)
    – Tom’s Hardware: Intel surpasses one million High NA EUV wafers processed

    +
  • スウェーデンのチャルマース工科大学の研究チームが、ボソニック量子符号と呼ばれる方式の量子演算を従来比で1000倍以上高速化する制御手法を、Physical Review Lettersに発表した。数千回の駆動サイクルを要していた複雑な演算をわずか1回のサイクルで完了できるという。演算時間の短縮はそのまま誤りの蓄積リスクの低減につながり、耐故障量子コンピュータの実現に向けた既知のボトルネックを一つ取り除くものと期待される。

    量子コンピュータが実用に向けた最大の壁は、量子ビットの壊れやすさだ。電気ノイズ、宇宙線、熱といったわずかな外部擾乱で量子状態は標的からずれ、情報が失われる。誤りが訂正される前に蓄積しすぎると計算は失敗する。論文の筆頭著者である同大学応用量子物理学のLei Du氏は「小さな擾乱でも量子状態を標的から逸らし、情報の喪失につながる」と説明する。

    誤りに強い「ボソニック符号」という格納方式

    この問題への対策の一つが、情報の格納方法そのものを変えるアプローチだ。個々の量子ビットに情報を蓄える代わりに、超伝導回路のマイクロ波場に符号化して保持する「ボソニック量子符号」が注目されている。共同著者のTangyou Huang氏によれば、この方式は特定種類の誤りに対してより強い保護を提供することが示されているという。

    ただしボソニック符号には別の難点があった。この符号での量子演算は制御が難しく、従来手法では量子状態を少しずつ積み上げるために、駆動サイクルと呼ばれる制御工程を数千回繰り返す必要があった。工程が長いほど擾乱が入り込む機会は増える。演算の高速化は、誤り訂正と表裏一体の課題なのである。

    鍵は「量子格子ゲート」——数千サイクルを1回に短縮

    研究チームの新手法の中核にあるのは「量子格子ゲート」と呼ぶ新しい普遍的ゲートセットだ。同チームが先にCommunications Physicsで提案したもので、目的の演算を1回の駆動周期(single-period Floquet制御)で完了できる「ショートカットコマンド」として機能する。Du氏は「数千回必要だった多様なボソニック状態への演算が、単一の駆動サイクルで完了することを示した。演算が速く効率的になるだけでなく、処理が終わる前に情報が壊れるリスクを減らす」と述べる。

    Huang氏はレゴ城の例えで説明する。ブロックを一つずつ積み上げて途中でミスするリスクを負う代わりに、あらかじめ組み上がったモジュールを素早く接続するイメージだ。論文はPhysical Review Lettersに掲載されており(DOI: 10.1103/tnb8-3m8m)、査読済みの成果である。

    既存の超伝導プラットフォームで実装可能な点が実用性の鍵

    この手法は超伝導量子コンピュータに特に適しており、重要なのは既存の超伝導量子回路プラットフォームで実装できる点だと研究チームは強調する。新しいハードウェアを待つ必要がなく、チャルマースでは現在100量子ビット級の量子コンピュータを開発中で、実装に向けた議論が既に進められているという。大学の公式リリース(Chalmers University of Technology)およびPhysical Review Lettersの論文、基盤となる量子格子ゲートのCommunications Physics論文が一次情報源となる。

    なお、1000倍という数値は理論的な制御方式の比較に基づくものであり、実機での大規模ベンチマーク結果ではない点には注意が必要だ。理論研究の段階とはいえ、誤り訂正に必要な演算速度と実際のデコヒーレンス時間のギャップを埋める方向性を示した意味で、耐故障量子計算のロードマップにとって意味のある一歩と考えられる。医薬品探索から暗号、AI、物流まで、量子計算の応用が現実になるかどうかは、こうした地味な制御技術の積み重ねに依存している。

    +
  • NASAの太陽系外惑星探査衛星TESSが、設計上の主力手法であるトランジット法ではなく、重力マイクロレンズ法によって初めて惑星を検出した。対象は約4万光年彼方を周るスーパージュピター「Gaia23bra b」。ESAの退役したGaia宇宙望遠鏡のアラートとTESSのアーカイブデータを掛け合わせたことで、トランジット法では到達できない遠方の惑星系が見えてきた。2026年8月に打ち上げられたローマン宇宙望遠鏡が本格的に展開するマイクロレンズ探査の前哨戦としても意味を持つ。

    NASAは9月、TESS(Transiting Exoplanet Survey Satellite)が重力マイクロレンズ法によって惑星を発見したのはこれが初めてだと発表した。検出されたのは橙色矮星(質量が太陽の約80パーセント)を周るスーパージュピター「Gaia23bra b」で、質量は木星の1.6倍、軌道距離も木星に近い。地球からの距離は約4万光年におよび、TESSの通常の探索半径(約150光年)を大きく超える (NASA)。

    なぜ「トランジット専用機」で遠方の惑星が見えたのか

    TESSが本来担うのはトランジット法、つまり惑星が恒星の手前を横切る際のわずかな減光を捉える手法だ。既知の6,000個を超える太陽系外惑星の約4分の3はこの方法で見つかっている。ただしトランジット法は「大きな惑星が恒星に近い軌道を回る」場合に最も効く。木星のような遠い軌道の惑星が恒星面を横切る確率は低く、TESSの通常の探索距離も比較的近距離に限られていた。

    今回の鍵になったのはマイクロレンズ現象そのものだった。手前の恒星が背後の恒星とほぼ一直線に並ぶとき、手前の恒星の質量が歪ませた時空が「宇宙のレンズ」として働き、背後の恒星の光を増幅する。手前の恒星に惑星があれば、その惑星も小さなレンズとして振る舞い、光度曲線に短いスパイクが現れる。既知惑星のうちマイクロレンズで見つかったのは5パーセント未満だが、この手法はトランジット法と逆に、木星型のような「大きく遠い」惑星の検出を得意とする (NASA)。

    GaiaのアラートとTESSのアーカイブが掛け合わされた経緯

    発見の起点は2023年まで遡る。ESAのGaia宇宙望遠鏡(運用終了)のアラートシステムが、ある恒星が増光したことを捕捉した。これはマイクロレンズイベントの兆候だった。研究チームはその後、TESSのアーカイブデータを遡って調べ、TESSが同じ天域を偶然監視していたことを突き止めた。

    「Gaiaの観測は間隔が粗く、惑星を拾うには不十分でした。一方でTESSはイベント発生時に同じ空域を監視しており、より密な時間カバーが光度曲線の惑星由来の追加構造を示しました」と、研究を主導したニューメキシコ大学の博士課程学生Mallory Harrisは述べている。解析結果は2026年7月1日にThe Astrophysical Journal Lettersに掲載された (論文)。

    TESSの打ち上げ時点で、この種の惑星を発見できるとは誰も想定していなかったと共同著者のDiana Dragomir(ニューメキシコ大学)は振り返る。「この発見は、これまで探そうと考えていなかったマイクロレンズ惑星がTESSのデータの中に他にも潜んでいる可能性を示唆しています」。

    2つの手法の「補完性」が惑星人口統計を変える

    今回の成果は単発の幸運ではない可能性がある。トランジット法は惑星の「大きさ」を、マイクロレンズ法は「質量と軌道距離」を与えるという具合に、両者は異なる情報を提供する。しかもTESSは銀河面の中でも恒星密度が比較的低い領域をほぼ全天にわたって観測しており、銀河中心部とは異なる環境にある惑星系を調べられる。銀河中心部は超新星に由来する放射が強く、恒星同士の重力遭遇で惑星系が乱されやすい一方、TESSが見る領域はそうした撹乱が少ない。太陽系のような惑星系が銀河のどの環境で形成されやすいかを比べる手段になる、とチームは指摘する (NASA)。

    ローマン望遠鏡へ引き継がれる「前触れ」

    この発見は、2026年8月30日に打ち上げられたNASAのナンシー・グレース・ローマン宇宙望遠鏡への布石という側面も持つ。ローマンは銀河中心部を密な時間分解能で観測するコアサーベイにより、マイクロレンズ惑星約1,000個とトランジット惑星約10万個の発見をNASAは見込んでいる。共同著者のMichael Fausnaugh(テキサス工科大学)は、TESSの初検出を「ローマンが行うマイクロレンズ観測の予行演習」と表現した。ローマンが銀河バルジ、TESSが銀河面の他の領域という分担で観測が進めば、異なる恒星環境下での惑星形成の比較が本格化する。

    ただしマイクロレンズ観測はイベントの発生が一過きりで、追跡観測の機会が限られるという弱点もある。個々の惑星の詳細な性格付けより、惑星全体の人口統計に強い手法だという点は留意が必要だろう。それでも、6,000個超の既知惑星の大半が近傍のトランジット惑星である現状において、銀河の反対側に近い領域まで惑星探査の射程が伸びたことの意味は小さくない。TESSのような既存ミッションのアーカイブに、設計意図を超えた発見が眠っている──そんな視点で過去データを見直す価値を、今回の発見は示している。

    +
  • OpenAIは2026年9月10日、長時間稼働するAIエージェントの基盤を提供する「Agents API」を公開ベータとして発表した。同社の開発コード支援「Codex」を支えるハーネスとインフラをAPI経由で外部開放するもので、エージェント開発の負担を大きく下げる可能性がある。一方でベンダーロックインへの懸念も指摘される。エージェントフレームワークを取り巻く構図がどう変わりつつあるかを整理する。

    AIエージェントの開発では、モデルそのものよりも「周辺のシステム」がボトルネックになりやすい。コンテキスト管理、ツール呼び出し、サンドボックス実行、障害からの復旧──これらを自前で組み上げる工数が大きく、デモから本番運用への移行で挫折するケースが多い。この課題に対し、OpenAIはAgents APIの公開ベータを発表した。タスク・モデル・ツール・実行環境を指定する1回のAPI呼び出しで本番稼働可能なエージェントを構築できるとされる。

    CodexのハーネスをAPIとして外部開放した意味

    OpenAIの説明によれば、Agents APIは同社が「Codex」や「ChatGPT for Work」の運用で培ったハーネス(エージェントのループを制御する仕組み)とインフラをそのまま提供する。具体的には、セッションがコンテキスト上限に近づくと自動で文脈を圧縮する「自動コンパクション」、必要なツール定義を必要なときに読み込む「ツール検索」、複数のサブエージェントの協調などだ。長時間のタスクでエージェントが止まらないようにする、これまで開発者が自前で実装してきた部分を肩代わりする。

    注目すべきは実行環境の選択肢だ。OpenAIが管理するホステッドサンドボックスに加え、自社インフラ(VPC内)での実行や、Blaxel、Cloudflare、Daytona、DigitalOcean、E2B、Modal、Oracle、Runloop、Vercelといったサンドボックスプロバイダーとの統合が用意されている。CPU・GPU・メモリ構成やコールドスタート、コストの要件に応じて環境を選べる設計で、完全マネージドと自社管理の中間を取れる。

    「フレームワーク自作」から「インフラ調達」への焦点移動

    この動きは、エージェントフレームワークをめぐる競争の地続きで捉える必要がある。MicrosoftはAutoGenとSemantic Kernelの後継としてAgent Frameworkをバージョン1.0に到達させ、.NETとPythonでグラフベースのワークフロー構築を可能にしている。LangChainのLangGraphは状態管理とhuman-in-the-loopのチェックポイント機能で保守運用向けの評価が高い。OpenAI自身も4月にAgents SDKを刷新し、設定可能なメモリ、サンドボックス対応のオーケストレーション、ネイティブのサンドボックス実行を導入した。

    Agents APIは既存のAgents SDK(開発者がループと状態を制御)とは役割が異なる。ハーネスとインフラをOpenAI側がホストして管理する点が本質的な違いで、コードで細かく制御したい層にはSDK、長時間稼働の基盤ごと任せたい層にはAPI、という住み分けになる。共通しているのは、ツール接続の標準MCPや、指示ファイルAGENTS.md、段階的開示のskillsといった「プリミティブ」を框架に組み込む方向で、業界全体の相互運用性が上がっていることだ。

    実際の開発現場の声も、インフラ負担の軽減を評価している。InfoWorldの報道では、アナリストのPareekh Jain氏が「可動部品が減る」利点を指摘。コンサルティング会社KanerikaのAmit Kumar Jena氏は、手作りの長時間エージェントにはジョブキュー、状態データベース、サンドボックス群、圧縮処理、リトライ方針が必要で「それぞれに責任者とオンコールが必要になる」と語り、デモと無人運用の間で開発が止まる企業にとってInfrastructure managed by providerの価値は大きいと述べている。

    便利さの裏にあるロックインとガバナンスの懸念

    もとより、利便性には対価が伴う。前出のInfoWorld記事でJena氏は「OpenAIがモデル、コンテキスト管理、ツール、オーケストレーション、実行環境のすべてを提供すれば、他プラットフォームへの移行は難しくなる」とロックインを最大の懸念として挙げた。価格交渉力の低下や、データガバナンスの制約(現時点でZero Data Retentionに未対応)も指摘されている。ハーネスとモデルが密結合であることは性能面での利点であると同時に、依存の深化を意味する。企業にとっては、どの層をどのベンダーに預けるかの判断が、これまで以上に重要になる。

    エージェントの「身元」をめぐる標準化も並行して進む

    フレームワークの進化と並行して、エージェンティック商取引の信頼基盤を整える動きも加速している。Ant International、Visa、Mastercardの3社は9月9日、「Know Your Agent(KYA)」の相互運用性フレームワークで協業を開始すると発表した。プレスリリースによれば、2030年までにAIエージェントが世界の消費者取引の3〜5兆ドル規模を扱うとの予測を背景に、各社が保有する独自プロトコル──Visaの「Trusted Agent Protocol」、Mastercardの「Verifiable Intent」、Ant Internationalの「Agentic Mobile Protocol」──を共通原則の下で相互接続することを検討する。

    エージェントが推薦から実際の購買代行へ進むにつれ、「このエージェントは誰で、何を権限として持つのか」をネットワーク横断で検証する仕組みが取引の前提条件になる。技術基盤の進化(Agents API)と信頼基盤の整備(KYA)が同時に進むのは、偶然ではなく需要の表裏だろう。

    選択肢が増えた先で問われるのは判断基準

    OpenAIのAgents API公開ベータは、エージェント開発の「動くデモ」から「数日動き続けるシステム」への距離を縮める候補の一つになった。ただし企業にとっての問いは「どのフレームワークを使うか」から「どの層を誰に預け、どこに境界を置くか」へと移りつつある。SDKで制御を握るか、APIで基盤を預けるか、その中間を取るか。サンドボックスを自社VPCに置くか、マネージドに任せるか。ロックイン許容度と運用能力に応じた答えは組織ごとに異なり、それを明示的に議論することが、エージェントを本番投入する最初の設計判断になりつつある。

    +
  • OECDの2026年3月版科学技術主要指標(MSTI)によれば、OECD圏の政府研究開発予算(GBARD)は2024年にインフレ調整後で4.1%減少し、資金がエネルギー・環境から防衛へ再配分されている。一方で民間主導の研究開発投資は全体として安定した成長を続け、科学技術人材の比率も過去最高水準に達した。公的資金と民間資金の役割分担が静かに変わりつつある。

    OECDは2026年3月、主要科学技術指標(Main Science and Technology Indicators、MSTI)の統計リリースを公表した。それによると、政府の研究開発予算(GBARD:Government Budget Appropriations or Outlays for R&D)は2024年にインフレ調整後で前年比4.1%減と、予想を上回る幅で縮小した。2023年には0.7%の増加だったことを踏まえると、明確な方向転換である。注目すべきは総額の減少そのものより、内訳の変化だ。この記事では、公的研究資金の再編が研究環境に何を意味するのかを、OECDの統計をもとに整理する。

    減ったのは予算総額ではなく、その「向き先」

    MSTIの統計リリースが示す2024年のGBARD構成の変化は明瞭だ。エネルギー・環境関連の予算は8.0%減少した。これまで数年にわたって拡大が続いてきた分野だけに、転換点としての意味は大きい。一方で防衛向け研究開発予算は1.2%増加し、多くの目的別区分が削減されるなかで数少ない成長分野となった。地域別にみると、この傾向はEU27(+11.5%)と日本(+17.9%)でとくに顕著である。また、一般大学経費(General University Funds)も2.1%増加しており、基礎研究の基盤である大学への支援は必ずしも一律に削られているわけではない。

    先行きについてはさらに厳しい見通しが示されている。2025年分の推計を提出済みの9カ国では、実質ベースで5%超の減少が見込まれ、うち米国は7.9%減とされる。2025年全体のGBARD動向の確定値は2027年3月の更新を待つ必要があるが、公的研究資金の縮小傾向は短期的には続く可能性が高い。

    民間の研究開発投資は「安定的な成長」を維持

    同じMSTIリリースでは、OECD圏全体の研究開発支出は安定的な成長を維持したと報告されている。米国と中国は2024年に研究開発支出1兆ドルの水準に達したとされる。つまり、政府予算の縮小にもかかわらず、国や企業を合わせた総額は民間投資を中心に伸びている。研究開発という営みの主たる資金源が、公的セクターから民間セクターへと相対的に移動している状況は、日本の科学技術・学術政策における議論とも重なる。日本では長年、研究開発費に占める政府負担の割合が主要国より低いことが政策課題として指摘されてきた。

    民間主導の研究開発が必ずしも悪いわけではない。ただし、民間投資は事業性を見込める領域に集中しやすく、成果の出時期が不確実な基礎研究や、公共性の高い環境・エネルギー研究を支える構造とは役割が異なる。公的資金が防衛へ振り替えられるなかで、基礎研究や気候関連研究の資金源をどう確保するかは、各国の科学技術政策にとって差し迫った論点となる。

    人材市場は拡大を続ける——研究者は増えている

    予算と人材、この二つの断面は必ずしも同調していない。OECDと欧州委員会が共同で運営する研究・イノベーションキャリアズ観測所(ReICO)の2026年6月リリースによると、科学・工学(S&E)専門職の労働力に占める割合は2024年に3.7%となり、2017年の3.2%から上昇した。ICT専門職も平均で2.0%から3.1%へ拡大している。研究開発従事者(研究者・技術者・支援職員)は労働力の約1.6%に達した。

    人材が増えて公的予算が減るという組み合わせは、研究現場の競争激化と雇用の不安定化を招きやすい。研究職のポストは有限であり、資金の縮小局面では若手研究者が最初に影響を受けることが多い。ReICOが人材のキャリアパスやモビリティの監視を主眼に置いているのも、こうした構造的問題への対応という文脈があると考えられる。

    資金の再編が描く今後の研究環境

    OECDの統計が描いているのは、量的な縮小と質的な再編が同時に進む研究環境である。総額では民間投資が研究開発を支え続け、公的資金は防衛や大学基盤経費へ重点を移しつつある。エネルギー・環境研究の予算が8.0%減った反面、防衛関連がEUと日本で二桁増となった事実は、今後5年間の研究の優先順位が大きく書き換わる可能性を示唆する。

    統計はあくまで過去の集計であり、2024年GBARDの確定値にも暫定性がある。また、GBARDは予算配分であり、実際の支出や研究成果を直接反映するものではない。ただ、公的資金の向き先の変化は、基礎研究の持続性や国際的な研究協力のあり方に中長期的な影響を与える。2027年3月のMSTI更新で2025年の全体像が判明するまで、この再編が一時的なものか構造的なものかを見極める必要がある。

    参考:

    +