• NASAの火星周回機16年分の電波追跡データを再解析した研究が、太陽との季節的潮汐に対する火星の重力応答から、マントル深部に南北で最大400℃規模の熱異常が今も存在することを示した。北半球低地の地下は硬く冷たく、南半球高地の地下は相対的に熱い──地表の「地殻二分性」が星球内部の非対称まで貫いているという描像が、潮汐トモグラフィーという新しい手法で裏付けられた。

    火星は地表で明確な南北の非対称を持つ。北半球は低く平坦な平原が広がり、南半球は標高が高く、クレーターに密集した高地が占める。この「地殻二分性」は火星最古の地質学的謎の一つだが、その起源が巨大衝突なのかマントル対流なのかは、 decades にわたって決着がついていない。2026年8月26日に学術誌Natureへ掲載された研究は、この論争に新しい手がかりを与えた。地表ではなく、星球の「内部」に残る非対称を直接検出したからである(出典: Nature)。

    16年分の周回機データから「内部のゆがみ」を読む

    研究チームが用いたのは、火星全球探査機(MGS)、オデッセイ(ODY)、火星偵察軌道機(MRO)という3機の周回機が送り続けたXバンド電波のドップラー追跡データだ。合計16年分。電波のずれから周回機の軌道の微細な揺らぎを復元し、そこから火星重力場の時間変化を引き出す。追跡を支えたのはNASAのディープ・スペース・ネットワーク(DSN)である(出典: NASA DSN)。

    鍵となるのは、太陽との潮汐相互作用だ。火星の一年(687地球日)の周期で加わる潮汐力に対し、球対称な星球なら次数2の重力応答しか生じない。ところが実際のデータでは、本来ほぼゼロのはずの次数3の季節変動成分が、球対称モデルの予測から最大約300%も逸脱していた(有意性は99.99%超、と報告されている)。次数2の潮汐が星球内部の南北非対称構造と「結合」して初めて生じるシグナルであり、つまり火星のマントルには今も強い水平方向の不均質構造がある、というわけだ。

    マントルの剛性差、南半球の地下は「熱い」

    研究チームはこのシグナルをベイズ推定(MCMC法)で逆問題解析し、マントル(深さ50〜1,560 km)のせん断弾性率に半球スケールの変動を復元した。ピーク間振幅は南北方向で60±40%、全体で81±60%と、統計的に有意な「硬さの差」として現れた。かたや地殻(深さ0〜50 km)には有意な水平構造は検出されず、深部マントル特有のシグナルと考えられる。

    硬さの差の原因は何か。同じ圧力条件下で岩石の剛性は温度と組成に依存するが、地震波的な短い時間スケールでは1000 K超の温度差が必要となり、非現実的だ。ところが火星の一年という長い周期に引き伸ばすと、カンラン石の実効せん断弾性率は温度に対して約15〜20倍敏感になる。研究チームの計算では、検出された剛性変動の大部分は、現在の火星マントルにおける約200〜400℃の半球規模温度異常で説明できる。重心と図心のずれ(COM–COFオフセット)の観測値から、組成差だけでは説明しきれないことも示された。

    地表の地形と地下の温度異常が重なる意味

    復元された熱・剛性異常の空間パターンは、地表の地殻二分性と広く一致する。北半球低地ヴァスティタス・ボレアリスの地下(北緯45度・西経138度付近)には剛性の高い(=冷たい)領域、南半球高地のヘラス盆地付近(南緯45度・東経42度)には剛性の低い(=熱い)領域が対応し、剛性変動のゼロ等値線は二分性の境界に沿って走る。

    この描像は一つの仮説と整合的だ。南半球の厚い地殻が断熱材として働き、深部の放射発熱を閉じ込えることで、マントルに200℃超の南北温差を生む──以前の熱モデリング研究が予測していたメカニズムである。つまり厚い地殻という「昔の傷」が、40数億年経った今も内部の温度構造を規定し続けている可能性がある。一方、火山地域タルシスの直下には有意な異常が見られず、タルシス形成に関わる現在の内部構造は浅い、あるいは小規模にとどまると解釈された。

    検証は続く──有望な手法と残る不確実性

    潮汐トモグラフィーは、静的重力場では感度の浅い側に偏る深部構造を、時間変動重力から直接探れる点が新しい。ただし復元される剛性変動はマントル全層の平均であり、深さ方向の局在(リソスフェア基底やコア・マントル境界近傍の構造)はこのデータだけでは切り分けられない、と著者ら自身が限界を明記している。係数の不確実性を保守化するため15倍のインフレーションを行うなど、誤差評価には慎重な処理がされている。

    火星探査はこれまでセイモメーターによる地震波トモグラフィー(InSightなど)で内部を探ってきた。潮汐トモグラフィーはその補完手段として、長周期変形に敏感という独立の窓を開いた。宇宙探査の主力データが「画像」から「重力・変形の微細シグナル」へと広がる中、この手法が他の惑星にも適用される日は近いだろう。

    +
  • NASA/ESAのハッブル宇宙望遠鏡とESAのガイアの観測データを組み合わせた国際研究チームは、銀河系が約118億年前──ビッグバン後わずか約20億年──に「LKH」と名付けた矮小銀河を呑み込んだ確たる証拠を発表した。銀河系中心部の球状星団39個の年齢と金属量を精密測定することで、従来より18億年さかのぼる合体史が復元された。査読付き論文としてNature Astronomyに掲載されている。

    天の川銀河は現在、数千億個の恒星を持つ巨大な渦巻銀河だ。しかし最初からこの大きさだったわけではない。自らのガスから恒星を生み続けると同時に、より小さな銀河を繰り返し呑み込みながら成長してきた。ESAの公式リリースによれば、今回の発見はこの「銀河考古学」の記録を大きく書き換えるものだ。

    銀河系の合体史に「3番目の事件」が加わった

    これまで銀河系の大規模な合体としては2つが知られていた。1つは60億年以上前から現在も進行中のいて座矮小銀河との合体。もう1つは約100億年前に起きた「Gaia-Sausage-Enceladus(ガイア・ソーセージ・エンセラダス)」との合体で、これは銀河系の恒星円盤の構造に大きな影響を与えた。

    一方、観測とシミュレーションは、これらよりさらに以前にも大規模な合体があった可能性を示唆してきた。ただし具体的な時期や規模については激しい議論の対象だった。研究チームを率いるイタリア・ボローニャ天体物理学・宇宙科学研究所のDavide Massari氏は「私たちの家が天の川銀河だが、この家がどう建てられたかは分かっていなかった。今回の論文で、最初の主要なレンガがどこから来たかを発見した」と述べている。それが矮小銀河「LKH」だ。

    球状星団39個の年齢と金属量が示した「第三の集団」

    研究の鍵になったのは球状星団だ。球状星団は数万から数百万個の恒星が球状にまとまった集団で、銀河系で最も古い恒星を含む。外部から呑み込まれた恒星も保存する「宇宙の考古遺跡」として機能する。

    チームはハッブルで、銀河系内側の2万光年の範囲にある球状星団39個を観測した。この領域には最も古い時代の合体の証拠が残っていると期待される。ハッブルの高解像度画像から各星団の年齢と、ヘリウムより重い元素の豊度(金属量)を精密に決定した結果、予想していた2集団──若い銀河系内部で生まれた星団と、Gaia-Sausage-Enceladus合体で取り込まれた星団──とは異なる「第三の集団」が存在することが分かった。

    この第三の集団は、Gaia-Sausage-Enceladus由来の星団より古く、銀河系内生まれの星団より若い。金属量に関係なくこの順序が保たれることから、別個の、より早期の合体由来であると結論された。共同著者のボローニャ大学Chiara Zerbinati氏は「ハッブル画像の高解像度と深度により、これらの星団の年齢と金属量を前例のない精度で測定できた。ガイアの測定と組み合わせることで、他と性質の異なる球状星団集団を識別できた」と説明する。

    118億年前、太陽質量の約5億倍を一気に呑み込む

    解析の結果、LKHは恒星の質量だけで太陽の約5億倍という矮小銀河で、約118億年前──ビッグバン後約20億年──に銀河系に呑み込まれたと推定された。当時の銀河系の全質量の中では無視できない割合を占める規模だ。名前のLKHは、銀河系早期の大合体を提唱してきた過去の3本の研究論文(Low-energy、Kraken、Heracles)にちなんで付けられた。

    この発見は、銀河系形成論の描像そのものにも影響する。「初期の銀河系進化は自銀河内で生まれた恒星だけで定義されていたという過去の研究もあった。しかし外部銀河で生まれた恒星も考慮する必要があることを示した」とMassari氏は述べている。

    ガイア退役後も続く「銀河考古学」の最前線

    こうした研究を支えてきたESAのガイアミッションは2025年に運用を終えたが、その膨大な測定データは今後も銀河系史の解明に使われ続ける。研究チームは球状星団の観測を続け、銀河系が宇宙史で経験したすべての大規模合体を特徴づけることを目指すという。共同著者のフェルナンド・アグアド=アヘレット氏(ビーゴ大学・ラ・ラグナ大学)は「ハッブルはこれまで研究されたことのない球状星団を観測しており、銀河系の遠い過去の合体イベント解明に役立つ」と話している。

    36年間運用され続けるハッブルと、姿を消したガイアのデータ遺産。2つのミッションの組み合わせが、私たちの「家」が建てられた最初の段階を照らし出した。今回の成果は、宇宙望遠鏡が蓄積したデータが時間とともに新しい発見を生み続ける好例と言える。

    (本記事の内容はNature Astronomy掲載の査読済み論文およびESA・NASAの公式リリースに基づく)

    参照:

    +
  • NASAの次世代赤外線望遠鏡「ナンシー・グレース・ローマン宇宙望遠鏡」が日本時間8月30日夜、ケネディ宇宙センターからFalcon Heavyで打ち上げられた。望遠鏡は約150万km先のL2点へ向かう3ヶ月の巡航期間を経て、ダークエネルギーとダークマター、系外惑星の観測を始める。ハッブルの千倍の速度で宇宙を掃くこの観測装置が、現代宇宙論の最大の謎にどう挑むのかを整理する。

    米東部夏時間8月30日午前7時26分(日本時間同日午後8時26分)、NASAのNancy Grace Roman Space TelescopeがスペースX社のFalcon Heavyロケットでフロリダ州ケネディ宇宙センター発射Complex 39Aから打ち上げられた。NASAの発表によれば、ロケットは計画どおりに飛行し、打ち上げ31分後に観測機と分離。地上管制チームは打ち上げ7分後にテレメトリデータの受信を開始し、1時間23分後には太陽電池パネルと下部機器の日除けの展開成功を確認したという。

    なぜ「千倍速い」掃天が可能なのか

    ローマン望遠鏡の主装置はWide Field Instrumentと呼ばれる3億画素の赤外線カメラだ。塩クラッカー大の4K検出器を18基搭載し、広い視野と高い赤外感度を両立している。NASAは「剛性の高い設計と安定した光学性能により、観測間の切り替え時間をほとんど必要とせず、ハッブル宇宙望遠鏡の千倍の速度で宇宙を調査できる」と説明している。

    この高速掃天能力が本来の目的である。宇宙の約68%を占めるとされるダークエネルギーの正体を探るには、広大な天域に分散する何億もの銀河を体系的に観測する必要がある。NASA Scienceの解説ページでは、ローマンがバリオン音響振動(BAO)と呼ばれる初期宇宙の音波の残滓を検出し、宇宙膨張の歴史をほぼ全域にわたって追跡できるとされている。近年の観測では、ダークエネルギーが時間とともに変化している可能性が示唆されており、宇宙論の標準モデルが書き換わるかどうかの検証が期待される。

    100万マイルの旅と、3ヶ月の準備期間

    望遠鏡は現在、地球から約150万km(100万マイル)離れた第2ラグランジュ点(L2)へ向かう3ヶ月の飛行中だ。通信は打ち上げ約70分後にディープスペースネットワークへ引き継がれ、オーストラリアのキャンベラ局から始まり、スペインのマドリード局、カリフォルニアのゴールドストーン局へと順次切り替わって常時通信を確保する。

    今後数日で高利得アンテナとバイザー状の開口カバーが展開され、2回の軌道修正のうち最初の噴射が行われる。また、コロナグラフ機器の電源投入も予定されており、この装置は木星型惑星の直接撮影を通じて、将来のハビタブルワールズ観測所構想につながる技術実証を行う。NASAは最初の画像公開を2027年早々としており、運用中のデータ量は毎日1.4テラバイトに達する見込みで、これはNASA天体物理ミッションとして過去最大となる。機械学習や市民科学者の協力でデータのふるい分けが行われる予定だ。

    国際協力と「予定より早い」打ち上げ

    NASAによれば、ローマンは「予定より早く、予算内で」完成したとしている。打ち上げ日自体も、スペースXとの調整で前倒しされた。プロジェクトはNASAゴダード宇宙飛行センターが管理し、JPLやCaltech/IPAC、宇宙望遠鏡科学研究所に加えて、ESA・JAXA・フランスCNES・独マックスプランク天文研究所も協力している。

    上級プロジェクト科学者のJulie McEnery氏は「ローマンのような目で宇宙を見たことはこれまで一度もなかった」と述べている。 Rubin天文台やEuclid宇宙望遠鏡とのデータ統合により、ダークエネルギーが本当に時間変化しているのかどうか——現代宇宙論が直面する最大の問いへの回答が、この先数年で得られる可能性がある。

    +
  • プロンプトやツールを自ら書き換えて能力を伸ばす「自己進化型」のLLMエージェントが研究の最前線に現れている。だが2026年8月末にarXivへ投稿された査読前の複数の論文によれば、自己書き換えは「戻せない変更」を残すリスクを伴い、防御側の仕組みもまた静的なままでは機能不全に陥る可能性が指摘されている。本記事では、進化と制御の両面を扱った3本の論文から、エージェント設計の次の論点を整理する。

    自己進化がもたらす「回復不能」な変異の問題

    LLMエージェントは、システムプロンプトやツール定義、実行ハーネスまでを実行時に自分で変更する方向へ進んでいる。能力向上には有効だが、一度成功した自己改変が、別の状態では安全に取り消せない——こうした「回復可能性」の問題を体系化したのが、2026年8月28日にarXivへ投稿された(査読前)EvoUndoである。

    この研究は600件の未見タスクで自己進化を実験し、能力を実際に向上させた変異197件が回復可能性の検証に失敗したと報告している。つまり、うまく動いた自己書き換えの3分の1近くが、「元に戻す」操作を保証できない状態を残していたことになる。従来の反復的な修復プロンプトではこの自然発生した失敗を1件も回復できず、状態を正確に指定する「グラウンディング」と、復元言語の表現力を拡張することで、初めて回復率が9割を超えたという。

    注目すべきは結論の方向性だ。論文は、信頼できる自己進化には検証・状態特定・復元言語の設計を共同設計する必要があり、プロンプトの繰り返しでは不十分だと主張している。エージェントフレームワークの設計者が「進化機能」を足すだけでなく、その取り消し機構までを一緒に設計すべき、という示唆と読める。

    攻撃側も進化する:静的防御の限界

    自己進化の議論は防御側にも及ぶ。同じく8月26日にarXivへ投稿された(査読前)別の論文は、ジェイルブレイク攻撃への対策が静的である限り、いたちごっこに終わると指摘する。多くの防御は配置時に安全挙動が固定され、新種の攻撃手法に対して経験を蓄積できない。

    この論文が提案するのは、攻撃が成功するたびにその失敗を「手法レベルのルール」として抽象化し、外部のルールメモリに蓄えて再利用する、テスト時自己進化型のマルチエージェント防御だ。有害なトピックではなく攻撃の構造(ロールプレイ、難読化、多段階の迂回など)でルール化するため、1つのルールが同種の攻撃族全体に一般化されるという。仕組みは外部メモリとプロンプトのみで動作し、モデルのパラメータ更新を必要としないため、ブラックボックスのAPIモデルにも適用できるとされる。

    実験では、複数のブラックボックス攻撃族に対して攻撃成功率を大幅に下げつつ、良性の利用を損なわず、適応的な複合攻撃に対しても頑健だったと報告されている。ただしこれは著者ら(シンガポール国立大学の研究グループ)の実験に基づく主張であり、査読を経た段階ではない点には注意が必要だ。

    命令の仲裁そのものが攻撃面になる

    進化や防御といった機能面とは別に、より根源的な脆弱性を指摘する研究もある。8月28日投稿の(査読前)論文「Recognition Without Enforcement」は、LLMエージェントがシステムプロンプト・ユーザー・メモリ・ツール由来の複数の命令を仲裁する際、その仲裁が信頼境界を強制しているとは仮定できない、と論じる。

    著者らは「認識と強制のギャップ」と呼ぶ現象を特定した。ソースの書式特徴(ロールテンプレート上の位置、チャネルのメタデータ、整形の手がかり)はモデル内部で線形に読み取れる一方で、その情報が実際の拒否や実行の制御に結びついているとは限らない。つまりモデルは「どこからの命令か」を認識できていても、それを権限の強制に使えていないケースがあるというのだ。

    システムプロンプトインジェクション対策が「見分けられること」と「守れること」を混同してきた可能性を示す指摘であり、エージェントに外部ツールやメモリを持たせるフレームワークでは、仲裁機構そのものを検証対象にするべきだという方向性を裏付ける。

    フレームワーク設計の次の論点は「可逆性」と「経験の蓄積」

    3本の論文は、それぞれ異なる層に問題を設定している。EvoUndoは自己改変の可逆性を、ジェイルブレイク防御の研究は防御経験の蓄積を、命令仲裁の研究は信頼境界の強制を扱う。共通するのは、静的に固定された設計では、動的に変化するエージェントの挙動に追従できないという視点だ。

    実務への含意は2つに絞れる。第一に、エージェントに自己書き換えを持たせる場合は、変更の記録と検証済みの復元手段を同時に実装すべきである。EvoUndoの実験が示すように、反復プロンプトによる場当たり的な修復は機能しない可能性が高い。第二に、防御は配置時に完成するものではなく、失敗を構造化された知識として蓄え続ける仕組みに移行する必要がある。ルールメモリのような外部化された経験は、パラメータ更新できない環境でも動作する現実的な選択肢だ。

    読者に一つ問いたい——自社のエージェント実装で「戻す」手段を設計に組み込んでいるだろうか。自己進化はもはや研究テーマではなく、実装に先立って決めるべき要件になりつつある。

    +
  • OpenAIは2026年8月25日、初の自社開発推論チップ「Jalapeño」の初の計測結果を公開した。公開ベンチマーク「InferenceX」で、GPT-OSS 120B・DeepSeek R1・Kimi K2.5 1Tの3モデルにおいて、比較対象の商用システムに対しピーク時1ワットあたり1.5〜1.9倍の処理量と、1.7〜3.6倍低いエンドツーエンドのレイテンシを示したと同社は主張する。本記事は、この数字が何を意味するのかを、同社の公開資料から読み解く。

    OpenAIは2026年8月25日、エンジニアリングブログで自社初のカスタム推論チップ「Jalapeño」の性能計測結果を初めて公開した(OpenAI Engineering Blog)。翌日には、このチップを含むコンピュート戦略の全体像を説明する記事「The full stack behind abundant intelligence」も公開している(OpenAI)。以下、断りのない限り数値はすべてOpenAI自身の発表値であり、独立機関による検証結果ではない点に注意されたい。

    チップ単位ではなく「ワットあたり」で示された性能

    OpenAIが今回の計測で用いたのは、SemiAnalysisが公開するベンチマーク「InferenceX」だ。これはAIリクエストのサービング処理全体を測定するもので、OpenAIは「性能はチップ単位ではなく消費電力あたりで評価すべきだ」という立場をとっている。

    発表によれば、GPT-OSS 120B、DeepSeek R1 670B、Kimi K2.5 1Tという3つの公開モデルにおいて、Jalapeñoは比較対象の商用システムに対して、ピークスループット時でワットあたり1.5〜1.9倍のAI処理量を達成し、エンドツーエンドのレイテンシは1.7〜3.6倍低かった。特に対話的なワークロードでは2.1〜4.1倍の性能を示したとされる。最大のテストモデルだったKimi K2.5 1Tでは、ワットあたりピーク性能が約1.5倍、レイテンシが3.4倍低いとしている。

    注目すべきは、スループットとレイテンシを同時に改善した点だ。既存のハードウェアではこの2つはトレードオフになることが多く、片方を立てるともう片方が犠牲になりがちだった。OpenAIは「1つのアーキテクチャで両立した」と主張している。なお、チップの定格は700ワットだが、テストしたワークロードでは実効消費電力は550ワット以下に収まっていたという。

    推論のフェーズごとのボトルネックに合わせた設計

    言語モデルの推論は複数のフェーズで構成され、ボトルネックが異なる。プロンプトを処理する「prefill」は計算集約的、トークンを逐次生成する「decode」はメモリ帯域に制約される。さらにコア間やチップ間のデータ移動がレイテンシを加算し、待機中の処理ユニットが遊ぶこともある。

    Jalapeñoの設計思想は、このデータ移動と通信遅延を最小化することだという。レスポンス生成中のKVキャッシュなどのモデル状態を明示的にローカルに配置し、推論フェーズごとに計算・メモリ・ネットワークの適切な組み合わせを activate する。ネットワーク自体がアーキテクチャの一部であり、ワークロード全体を1つの接続システム内に収めることでデータ移動を減らす。その結果、prefillとdecodeの両方に対応でき、バランスが変化するエージェンティックなワークロードにも追随できる「バランスの取れたアクセラレータ」になったと同社は説明する。

    AIがチップを設計し、チップがAIにプログラムされる

    この発表で興味深いのは、開発プロセスそのものにもAIを組み込んだ点だ。OpenAIによれば、初期設計からテープアウト(マスク作成)まで9か月だったとされ、AIが実装の探索や検証ループの短縮に寄与したという。また演算回路の最適化にもAIを用い、スケジュール内により多くの計算性能を収めたとしている。

    プログラミング面でも、エンジニアはローカルテンソル・明示的な通信・予測可能な同期でワークを記述し、AIがそのマッピングやスケジューリングを最適化する構造だ。実際、元の生産計画に含まれていなかった3つのオープンウェイトモデルを、CodexとGPT-Astraを使って2か月で高性能化したとされる。さらに、GPT-OSSの一部のattentionブロックとMoEブロックでは、AIが生成した実装が人間の専門家による実装より1.5〜1.8倍高速だったと報告されている。ただし同社自身も「これはモデル全体ではなく選択されたブロックの数値だ」と限定しており、解釈には幅がある。

    主張として読むべき数字と、検証のこれから

    これらの数値はすべてOpenAIによる自己申告であり、「comparison systems(比較対象システム)」が具体的にどの商用システムかは公開資料では明示されていない。ベンチマークのInferenceXは公開されたものであり、正規化には各アクセラレータの公称チップ消費電力を用いたとされるが、独立した第三者検証はまだ公表されていない。

    一方、この発表の位置づけは明確だ。OpenAIはJalapeñoを「マルチジェネレーションのプラットフォームの始まり」と位置づけ、すでに次世代の開発を進行中としている。同社のコンピュートポートフォリオはMicrosoft・NVIDIAに加え、AWS、AMD、Broadcom、Cerebras、CoreWeave、Oracleなど多岐にわたり、自社シリコンはその中の「ファーストパーティの選択肢」を増やすものだ。モデル・サービングソフト・チップ・メモリ・ネットワークを協調設計するフルスタック戦略が、推論コストの低減という形でどこまで実証されるか。今後の独立検証と、次世代チップの実測値を見る必要がある。

    +
  • 米国商務省NISTとエネルギー省(DOE)科学局は2026年8月、AI活用で科学研究の生産性を10年で2倍にするという政府横断イニシアチブ「Genesis Mission」の下で協力覚書(MOU)を締結した。背景には、科学技術の国家課題解決にAIを組織的に動員する政策設計がある。NISTの製造業向けAIセンター2拠点は2年間のスプリントで成果を出す計画で、同じ時期には中小製造業を支援するMEP14拠点の公募も締め切られた。米国の「科学の作り方」自体を変えようとする動きを、一次情報から整理する。

    「10年で科学の生産性を2倍に」という国家目標

    米国政府が進めるGenesis Missionは、ホワイトハウス科学技術政策室(OSTP)が主導する政府全体(whole-of-government)イニシアチブだ。目標は「10年以内に米国の科学とエンジニアリングの生産性とインパクトを2倍にする」ことで、AIが可能にする科学的発見とイノベーションをその原動力に位置づけている。

    2026年8月、商務省国立標準技術研究所(NIST)とDOE科学局はこのミッションの下でMOUを締結したと発表した。両機関はバイオテクノロジー、量子科学、材料設計・発見などの分野で、それぞれの得意分野とリソースを合わせ、調整して取り組むという。

    この連携の特徴は、個別の研究課題への資金配分ではなく、「科学研究の進め方そのもの」をAIで加速するという上流の設計にある。DOEは26の国家科学技術チャレンジをGenesis Missionの課題として公開しており、NISTの取り組みはこの課題群に対応する形で組まれている。

    NISTの2拠点スプリント──ドローン10倍・超高速サイバー防御

    NISTはGenesis Missionへの貢献を、2025年12日に非営利組織MITREとの官民パートナーシップで設立した「AI in Manufacturing and Critical Infrastructure Centers」を通じて実行する。うち2つの取り組みが、このほど2年間のスプリントとして具体化された。

    第一は「AI Economic Security Center for U.S. Manufacturing Productivity」だ。AI駆動の自律エージェントや「human in the loop」型ロボティクス・自律システムを用い、コスト競争力のある高付加価値・カスタマイズ可能な米国製品の生産を目指す。最初のプロジェクトとして、民間・軍事用途のドローン生産に着手し、「2年で生産能力を10倍にする」ことを目標に掲げている。NISTの発表はあくまで計画であり、目標達成は保証されていない点には注意が必要だ。

    第二は「AI Economic Security Center to Secure U.S. Critical Infrastructure from Cyberthreats」で、電力網、通信網、水処理施設、金融プラットフォーム、医療システムなど重要インフラを、超高速のサイバー脅威検知・修復を行うAIエージェントで守る。両取り組みは2年スプリントで商業・産業展開に直接つなげる高インパクトな成果を狙いつつ、他分野に横展開できる汎用化された戦略も生み出す設計になっているとNISTは説明している。

    中小製造業98%を支えるMEP14拠点の公募

    同じ流れの中で、NISTは7月に中小規模製造業者向けの支援拠点「Manufacturing Extension Partnership(MEP)」センター14拠点の新設公募も発表した。対象はアラバマ、アラスカ、カリフォルニア、プエルトリコなど14の州・地域で、割当額はアラスカの約70万6,300ドルからカリフォルニアの約1,564万1,800ドルまで幅がある。応募締切は2026年8月21日で、採択者は50%以上の非連邦マッチングファンドを確保した上でNISTと協力協定を結ぶ。

    ポイントは、MEPが扱う「先進製造技術」の定義にAI・ロボティクス・自動化・アディティブマニュファクチャリング等が明示されている点だ。NISTは公募発表の中で、中小製造業が米国製造業基盤の98%を占めると強調している。大企業向けのAIスプリントと、現場の中小企業への技術普及を担うMEPネットワーク──約450カ所のサービス拠点に約1,400人の専門アドバイザーを擁する──を同時に強化する構えであり、AI活用の「上流」と「下流」を同時に押さえる設計と言える。

    Genesis Missionが変えようとしていること

    これらの発表を並べると、米国の意図は読み取りやすい。従来の科学研究・産業政策は、個別課題ごとの競争的資金配分が中心だった。Genesis Missionはその枠を超え、(1)国家課題を明示的に列挙し、(2)AIという手段に研究速度の向上を期待し、(3)2年スプリントのような短い期間で成果と横展開を求める──という運用に変えようとしている。

    8月に上院で承認され第18代NIST長官に就任したアーヴィンド・ラマンは、Genesis Missionへの参画について「経済・国家安全保障に不可欠な重要技術での米国のリーダーシップを前進させる取り組みだ」と述べている。これは政府側の目標表明であり、実際に生産性2倍が達成できるかは今後10年の実装次第だ。

    一方で、AIによる科学加速には品質管理の課題も付きまとう。NIST自身が計測・標準の専門機関であり、同時にAIエージェントの産業適用を急いでいる構図は、「速度」と「検証」の両立が政策の成否を分けることを示唆している。査読や再現性といった科学の品質保証と、2年スプリントの速度要求が実際にどう両立するのか。Genesis Missionの設計そのものが、その実験場になっている。

    日本への示唆

    米国の動きは、AIを個別ツールではなく研究インフラとして再編する政策実験だ。日本でも政府がAI活用を成長戦略の中核に据える中、研究生産性の測り方、官民連携のスキーム、短周期での成果評価という3点は、米国の設計から学べる要素が多い。米国のチャレンジ列挙とスプリント方式が成果を出すか、失敗するならどこで破綻するか。今後1〜2年の一次情報の追跣が重要になる。

    +
  • 米国の連邦研究費をめぐる制度設計が大きく動いている。行政管理予算局(OMB)が2026年5月に発表した連邦財政支援規則の改定案では、助成金の割り当て権限をOMBが強く掌握する内容が盛り込まれ、コメント募集は7月13日に締め切られた。その後も8月に入りNSFが差別禁止規則の最終規則を発表するなど、規則の実装は着実に進んでいる。一連の変更が研究現場に何をもたらすのか、一次情報をもとに整理する。

    米国の科学技術政策では、研究費の配分ルールそのものを書き換える動きが加速している。中心にあるのは、行政管理予算局(Office of Management and Budget、OMB)が2026年5月29日に連邦官報(Federal Register)で発表した提案規則「Regulation for Federal Financial Assistance(連邦財政支援に関する規則)」だ。7月13日にパブリックコメントが締め切られた後も、関係機関での実装準備が進んでおり、8月下旬には各機関がOMBの方針に沿った対応に動き出したと専門メディアが報じている。

    OMB提案規則が変える助成金治理の構図

    連邦官報に掲載された提案規則の要旨によれば、今回の改定は「助成金、協力協定(cooperative agreements)その他の支援形態の管理に関する政府横断的な方針と要件」を改訂するものだ。掲げられた目的は、政府全体の連邦賞(Federal Awards)における「透明性、説明責任、監督の改善」であり、「納税者の金が無駄や悪用されないこと」「連邦賞の下で行われる活動が法律・政策と一致すること」「基準を満たさない受給者が説明責任を負うこと」が明記されている。

    注目すべきは、この提案規則の発行主体がOMB単独ではない点だ。連邦官報の記録では、厚生省(HHS)、農務省(USDA)、国務省、エネルギー省、国防総省、商務省、内務省、環境保護庁(EPA)、NASAなど主要な助成機関が「整合する変更(conforming changes)」を同時に提案している。つまり、OMBが政府横断の枠組みを定め、各機関がそれに合わせて自団体規則を変えるという二段構えの設計だ。科学技術政策の専門家の間では、この構図は「補助金のチェックを科学者ではなくOMBが主導する形への移行」とも表現される。提案自体はまだ最終規則ではないが、評価・選定の実務がOMBの監督下に置かれる方向性が示されている。

    さらに要旨は、「賞与プロセスの全段階で法違反な差別を認めない」ことや、OMB要件の規制上の地位の明確化、政府横断要件の将来の更新プロセスについても言及している。差別禁止の規範を助成金の条件として明示する一方で、受給者負担の軽減策も盛り込まれており、規制強化と負担軽減が同居する内容になっている。

    NSFの最終規則が示す実装の方向性

    一方、個別機関の対応も先行して動いている。米国国立科学財団(NSF)は2026年8月4日、連邦官報(91 FR 49283)で「NSFの連邦支援プログラムにおける差別禁止」に関する最終規則を発表した。同規則は、1964年公民権法第6編(Title VI)の実施規則を改訂するもので、NSF自身の説明によれば、司法省(DOJ)が最近発行した最終規則との整合、および大統領令14281の方向性を実装するものとされている。

    ここでの論点は、公民権法第6編が禁じる差別の範囲をどう定義するかだ。公民権法は人種・肌の色・出身国による差別を禁じており、NSFの改訂は「規則が禁じる行為をTitle VIの文言に沿わせる」ことを目的としている。 Title VIの執行は連邦政府の支援を受けるプログラム全般に及ぶため、大学などの研究機関は、研究費を受ける条件としてコンプライアンス体制の見直しを迫られることになる。この最終規則はコメント募集を経ていない直接最終的な形での発表であり、規則としての効力発生の条件については官報本文の記載を参照する必要がある。

    コメント消去問題が照らすプロセスの透明性

    一連の規則づくりには波紋も出ている。専門メディアSTATは2026年8月25日、OMB提案規則に対して寄せられたパブリックコメントが、連邦政府の規則提案ポータルから「理由が説明されないまま削除された」と報じた。また教育専門メディアのInside Higher Edも8月24日、各機関がOMBによる助成金管理の掌握案の実装に動き出したと伝えている。いずれもメディア報道であり、事実関係の一部は当局の説明を待たねばならないが、コメント期間が終了した直後から透明性への疑問が提起されているのは確かだ。

    米国の行政手続法(APA)では、重要な規則の制定にはコメント募集とその検討が求められる。提案規則へのコメントの総数や内容は、最終規則の際に行政机关がどう応答したかを検証する基礎資料となる。コメントの削除が報じられる状況は、規則制定プロセスそのものの信頼性をめぐる議論を呼ぶ可能性がある。

    研究現場に届く3つの影響

    一次情報を整理すると、今回の制度変更が研究現場に及ぼしうる影響は概ね3つにまとめられる。

    第一に、助成金の評価・選定プロセスの変更だ。OMBが政府横断の要件を強化すれば、各機関の審査実務に共通の基準がより強く反映される。提案規則が「活動が法律・政策と一致すること」を明記した点は、科学的内容だけでなく政策適合性が審査要素になりうることを示唆する。

    第二に、コンプライアンス負担の再配分だ。NSFの最終規則が「コンプライアンスコストの削減」を目的に掲げる一方、差別禁止要件の明確化は、大学側に新たな体制整備を求める可能性がある。負担が減るのか増えるのかは、個別機関の実装待ちだ。

    第三に、プロセスの透明性をめぐる信頼の問題だ。コメント削除の報道が示すように、ルールの内容以前に、ルールのつくり方そのものが争点化しつつある。研究コミュニティの信頼を維持するには、最終規則の発表段階でコメントへの応答が丁寧に示されることが欠かせない。

    提案規則はまだ最終化されておらず、ここから内容が修正される可能性は残されている。ただ、NSFの最終規則が示すように、機関側の実装は既に動き始めている。連邦研究費に依存する研究体制の行方は、今後数か月の官報の動きから目を離せない。

    +
  • AIエージェントを人間参加者の「代替」として研究や公共政策の審議に使う動きが広がる中、参加そのものが持つ民主的な正統性を損なう倫理的リスクが指摘された。AAAI/ACMの国際会議AIES 2026への採択論文(査読前プレプリント)を軸に、合成エージェントが研究倫理に投げかける問いを整理する。

    LLMを基盤とする「合成エージェント(synthetic agents)」が、研究や社会の様々な場面で人間の代わりを務めようとしている。ユーザビリティテストや市場調査だけでなく、政策協議、陪審審議、さらには人道外交の実験まで、その適用範囲は拡大の一途をたどっている。だが、人間の参加が前提となるプロセスをAIで置き換えること──この判断自体が、研究倫理の古典的な問いを再び浮上させている。

    「正統に見える」だけでは参加の代替には足りない

    2026年8月17日にarXivへ公開された論文「Appearing Legitimate is Not Enough」(査読前、AAAI/ACM主催のAIES 2026への採択が報告されている)は、合成エージェントが人間参加者の代替として使われる事例を3つの規模で分析した。地域政策、企業の陪審審議、世界規模の外交である。

    著者らは、参加の価値は情報提供や合意形成にとどまらないと主張する。民主的な制度において、参加は正統性の源泉そのものだという。つまり、AIが人間らしく振る舞い、プロセスが表面上正統に見えても、それだけで代表としての正当性は生まれない。論文は参加型デザインの手法を援用しつつ、LLMと合成エージェントへの監督設計に「ソフトな境界」と「ハードな境界」の両方を設けることを提案している。

    合成データの偏りが研究の信頼性を蝕むリスク

    研究現場への影響は、制度論だけにとどまらない。同じくAIES 2026への採択が報告されている別の論文(2026年8月25日公開、査読前)は、生成AIと黒人コミュニティをめぐる言説と学術研究91篇を体系的に分析した。その結果、学術研究は技術的なバイアス検出に集中し、文化的実践や構造的条件との関わりを軽視していると指摘する。

    この知見は、合成エージェントで「参加者データ」を代替する際の警鐘として読める。人間参加者をAIで置き換えれば、そもそも誰の声がモデル化されていないのか、という問いが置き去りになる。データセットの段階で説明を終える因果分析では、共同体が経験する害の実態を掬い取れない──論文はこうした構造的なずれを、フレーム分析というAI倫理の方法論で可視化した。

    論文誌が向き合うべき「代替の境界線」

    AIES(AI, Ethics, and Society)はAI倫理分野の主要な国際会議で、2026年で第9回を迎える。両論文が採択されたこの会議自体が、合成エージェントの倫理を主要テーマとして扱い始めたことには意味がある。研究倫理の枠組みは、AIの台頭以前には「人間参加者をどう保護するか」というインフォームド・コンセントの問題を中心に発展してきた。しかし代替の対象が参加者からAIに移ると、守るべきは「参加の意味」そのものへと移行する。

    注目すべきは、著者らが全面禁止を主張していない点だ。ソフトな境界としての設計原則と、ハードな境界としての不可侵領域を区別するアプローチは、研究倫理審査の実務にも応用可能だろう。例えば、探索的な仮説生成への合成エージェント活用は許容しつつ、正統性が問われる制度的プロセスへの適用は線引きする、といった運用である。

    査読前論文を「確定した知見」としない読み方

    両論文はいずれもarXivでの公開段階にあり、査読の最終結果は確認が必要だ。ただしAIES 2026への採択が論文自身の注記として記録されており、少なくとも学術コミュニティの一次審査は経ている。数値や固有名詞も、本記事では論文の記述に基づいて報告形で扱った。

    読者に一つ問いたい──研究の「参加者」がAIで置き換え可能になったとき、我々は何のために人間に参加を求めるのか。この問いへの答えを持たないまま代替を進めることが、もっとも深刻な倫理的リスクなのかもしれない。

    +
  • EUのAI規制「AI Act」で、生成AIコンテンツの識別・表示に関する透明性義務が2026年8月に適用された。チャットボットでの機械であることの告知、ディープフェイクのラベリング、GPUの提供者への透明性報告義務などが段階的に実効化しており、EU市場でAI製品を提供・運用する事業者には対応が求められる。本記事は欧州委員会の公式資料と規則本文に基づき、適用の全体像と実務上の論点を整理する。

    EUにおける包括的なAI規制「AI Act」(規則 (EU) 2024/1689)の適用が、2026年夏で大きな節目を迎えた。2024年8月1日の発効から2年が経過し、禁止規定(2025年2月適用)、汎用AIモデル(GPAI)への義務(2025年8月適用)に続き、規則の残りの大部分が2026年8月2日から適用されている。欧州委員会の公式解説ページによれば、生成AIコンテンツの識別・表示に関する透明性ルールもこの8月に効力を持つ。

    透明性義務の適用は「残る全体」の一部にすぎない

    AI Actの適用は一斉ではなく、リスク区分に応じて段階的に進む設計だ。2026年8月2日には規則の「残余部分」が適用され、これには透明性リスクへの対応が含まれる。具体的には、(1) チャットボットなど対話型AIについて、人間が機械とやり取りしていることを認識できる情報提供、(2) 生成コンテンツが機械生成であることの識別可能性の確保、(3) ディープフェイクおよび公共の関心事項に関する報道目的テキストへの可視的なラベル付け――である。

    一方、採用選考や信用スコアリングといった高リスクAIシステムへの厳格な事前義務(リスク管理、データ品質、ログ保存、人間による監督など)の本格適用は、規則の実装タイムラインでは2027年12月以降とされており、委員会の解説でも「2027年12月2日開始」と明記されている。つまり8月の節目は「規制の完成」ではなく、透明性を中心とする中間段階であり、企業にとっては高リスク分野の準備期間が進行中であることを意味する。

    コンテンツ表示に向けた委員会の道具立て

    欧州委員会は2025年7月、GPAI提供者向けの3つの支援文書(義務の範囲に関するガイドライン、GPAI実践規範、訓練コンテンツの公開要約テンプレート)を公表した。さらに透明性ルールについては「生成コンテンツの標識とラベリングに関する実践規範(Code of Practice on Marking and Labelling of AI-generated Content)」を任意の準拠ツールとして整備し、画像・音声・テキストの人工性を開示するためのアイコン群を提供している。任意規範とはいえ、準拠の実務的足がかりとして企業の参照が進む可能性がある。

    域外にも及ぶ「ブルッセル効果」の再点検

    AI ActはEU域内で上市・運用されるAIシステムに適用されるため、日本企業を含む域外事業者もEU向けサービスを持つ限り影響を受ける。違反には売上高連動の制裁金が設定されており、加盟各国は2025年8月までに罰則規定を国内法に整備する義務を負っていた。また2026年8月2日までに、各加盟国は国内レベルで少なくとも1つのAI規制サンドボックス(実験環境)を運用可能にすることが求められている。

    米国側でも州レベルの規制立案は活発だ。フロリダ州ではデサンティス政権が就学前教育から博士課程までの教育分野でのAI利用規制に着手したと報じられており(Florida Phoenix、2026年8月28日付)、連邦統一規制不在の中で州ごとの対応が分岐する「規制先取り(preemption)」問題が論点になっている(The Regulatory Review、2026年8月26日付)。これらは二次報道であり、条文の内容は原文での確認が必要だが、EU方式を参照しつつ各国・各地域で制度設計が分岐しつつある状況は一次資料からも裏付けられる。コロンビアがEU AI Actに類似した法案を準備しているとの報道(Tech Policy Press、2026年8月25日付)も、EU型規制の域外波及の一例と言える。

    事業者がいま確認すべき3点

    第一に、自社のAI製品・サービスのリスク分類の見直しだ。透明性義務は生成AIを広くカバーするため、チャットボットやコンテンツ生成機能を持つ製品は高リスク該当の有無とは別に表示対応が求められる。第二に、供給チェーン全体での文書化だ。GPAIモデルを組み込む事業者は、モデル提供者側の透明性情報(訓練データの公開要約を含む)を取得・保持する構えが必要になる。第三に、加盟国ごとの市場監視当局とサンドボックスの動向の追跡だ。国内代理人の指定や深刻な事故の報告義務も段階的に実効化するため、EU展開企業は規制対応を一時的なプロジェクトではなく継続的なコンプライアンス機能として位置づける必要がある。

    AI Actの次の大きな山は2027年の高リスク義務の全面適用と、2025年8月以前に上市されたGPAIモデルの適用猶予期限(2027年8月)だ。規制の実効化はこれからが本番であり、一次資料にあたった上での準備の精度が問われる。

    参照情報源:
    – 欧州委員会 AI Act 公式ページ: https://digital-strategy.ec.europa.eu/en/policies/regulatory-framework-ai
    – 規則 (EU) 2024/1689(EUR-Lex): https://eur-lex.europa.eu/eli/reg/2024/1689/oj
    – AI Act 実装タイムライン: https://artificialintelligenceact.eu/implementation-timeline/

    +
  • 物流AIの戦場は「技術実証」から「コスト回収」に移った

    物流の自動化が実用段階に入ったことは誰もが知っている。だが、2026年夏の動きを見ると、一段階階段を上がっていることに気づく。各社がこぞって「コスト」の数字を語り始めたのだ。

    UPSのQ2決算でCEOのCarol Toméが明かした数字は端的だった。米国の荷物取扱量の68.5%が自動化された施設を通過している。前年は64%。これが意味するのは、年間3億3700万個の追加荷物が自動化で処理され、その分のコストが28%削減されたということだ。「自動化施設の1個あたり処理コストは非自動化施設より28%低い」という言葉は、これがもはや実験ではなく投資回収フェーズであることを宣言している。

    背景にはUPSの大きな構造変化がある。2025年から続くAmazon配送からの脱却だ。平均200万個/日のAmazon貨物を切り捨て、施設を閉鎖し、約7万8000人のオペレーション人員を削減した。つまりUPSは、一度ネットワークを「縮めてから」自動化で「効率化」するという大胆な再構築をやった。Amazonという低利益率の巨大需要を失っても、自動化でコスト構造を変えれば耐えられる——その計算式を、28%という数字が裏付けている。

    自動化の波は配送網だけではない。倉庫とルートの最適化も加速している。J.B. Huntが1年かけて開発したルート最適化プラットフォーム「Overroute」を公開し、すでに数百万件の貨物管理に活用し始めた。GE Aerospaceに至ってはAI駆動のサプライチェーン再設計で、部品のリードタイムを60%短縮している。これが製造業の物流におけるインパクトだ。

    そして地上だけでなく空中へ。WalmartはAlphabet傘下のWingと組んでフロリダ・オーランドエリアでドローン配送を開始した。最短30分で日用品を届ける。Wingのドローンは時速60マイルで飛び、現在は2.5ポンド(約1.1kg)まで対応。2027年までに全米270拠点への拡大を計画している。これはモビリティのインフラが物理的に変わろうとしている合図だ。

    無人トラックの動きも本格的だ。Aurora InnovationはQ2決算で、無人トラック運行のビジネスモデルを明確にした。Transportation-as-a-Service(TaaS)で1マイル$2以上、Driver-as-a-Service(DaaS)で$0.85以上。2027年には大手冷藏車運送会社Hirschbachが500台を導入予定だ。$0.85/マイルという数字が意味するのは、ドライバー人件費を含めた従来のトラック運行コストの大部分をAIが肩代わりできるようになりつつあることだ。

    ReindeerのCEO Yoav Navehが先週のサプライチェーンAIシンポジウムで指摘したように、「エンタープライズAIの次の戦場はモデルの性能ではない」。「モデルはコモディティ化する。差別化は保守レイヤーにある」という見方は、物流AIにもそのまま当てはまる。UPSもWalmartもAuroraも、使っているAIの種類を競っているのではない。システム全体の統合度と運用効率で勝負している。

    物流AIが教えてくれるのは、AIの価値が「賢さ」から「動き」に移ったということだ。モデルの性能を争う時代は過ぎた。これからは、AIがどれだけ現場のムダを削り、どれだけコストに直結するかの数値がすべてだ。

    +