1年目向けエンジニア新聞通勤15分で読み切る、毎朝のAI・技術ニュース
記事を探す
過去の号18記事・読了まで約15分

今日の見どころ

  1. Anthropic研究者が退社し、超知能開発競争に強い警鐘
  2. OpenAIのナビエ・ストークス解決発表に流用疑惑が浮上
  3. Mistral AIが30億ユーロ調達、評価額210億ユーロ超に
  4. Tailwind LabsがShopifyへの統合を発表
  5. AIエージェントはツールの出力を過信しがちと実測で判明

AIニュース過去の記事

Mistral AI、30億ユーロ調達で評価額210億ユーロ超に

フランスのMistral AIは、Series D(成長企業向けの株式による資金調達ラウンドの一つ)で30億ユーロを調達したと発表しました。韓国のSamsung Electronicsがリード投資家を務め、EQTが運用するScaleup Europe FundとPSG Equityが共同リードとして参加し、調達後の企業価値を示すpost-money評価額は210億ユーロを超えました。

新規投資家としてAdvent、BlackRock傘下ファンド、ルクセンブルク大公国が名を連ねたほか、a16z、ASML、BNP Paribas、NVIDIA、Salesforce Venturesなど既存投資家も参加しています。調達資金はフロンティア研究の拡大、モデル訓練用のコンピュート容量とインフラの拡張、商業成長の加速、国際展開の強化に充てられる予定です。

同社は特定ベンダーに依存しない「主権的」で「オープンウェイト」なAIを技術のフロンティアに押し上げることを掲げ、顧客は単一ベンダーのロードマップ、価格設定、可用性に拘束されないという考え方を強調しています。Mistral AIは20カ国で事業を展開し、Airbus、ASML、HSBCなど125社以上のグローバル企業を顧客として支援しているとしています。

元記事を読む ↗要点と引用を見る

Anthropic研究者が退社、超知能競争に強い警鐘

Anthropicの研究者ジェイコブ・コクソン氏(27歳)が2026年9月8日、X(旧Twitter)で同社からの退社を発表しました。同氏はOpenAIとAnthropicの両社で合計3年間、事前学習の研究に従事し、GPT-4.5の主力貢献者の一人でした。今年前半にOpenAIからAnthropicへ移籍していましたが、今回自己改善型AIの構築に加担したくないとしてAI業界そのものからの離脱を表明しています。

コクソン氏はAnthropicの安全性への取り組み自体は誠実だと評価する一方、政府の介入か業界全体での減速がない限り、責任を持って超知能を構築できる企業は存在しないと結論付けました。OpenAIとAnthropicの両社ともに責任ある行動を取っていないと批判しています。

「想定される中でも特に急進的なシナリオの多くを現実になぞりつつある」とし、「来年末には(AIが)既に制御不能になっている可能性がある」という強い警告を発しています。

元記事を読む ↗要点と引用を見る

OpenAI、ナビエ・ストークス解決を発表も流用疑惑

OpenAIは2026年9月8日、「GPT-6 Astraより高性能な内部モデル」を用いたマルチAIエージェントシステムで、100万ドルの懸賞金が設定されたミレニアム懸賞問題(数学における未解決の難問群)の一つ「ナビエ・ストークス方程式」を解決したと発表しました。証明の生成には270万件のAIメッセージ、約1300億トークンが使われ、コストは数百万ドルに達したとされます。

一方、同じ問題に取り組んでいたAnthropic関係者とニューヨーク大学の研究者のうち、ニューヨーク大学の研究者は、OpenAIが両者の研究情報を把握した後に同方程式へのプロンプト送信を始めたのではないかと指摘しました。同研究者はOpenAIのコーディングツール「Codex」のセッション情報が学習に使われたかどうかの確認を求めましたが、明確な回答は得られなかったといいます。

OpenAIは研究成果を直接参照したことは否定しつつ、「可能性は低いものの、両氏がOpenAI製品を使用したことに由来する匿名データがモデルの改善に寄与した可能性を完全に排除することはできない」としています。研究者の一人は、自身が論文の著者から外れれば賞金がOpenAI側のものになるという趣旨の会話を耳にしたと証言していますが、OpenAI側の人物は、著者から外れるよう求めたことはないと反論しています。

元記事を読む ↗要点と引用を見る

「青いボタンひとつ」で笑うAIエージェント風刺劇

Milošという作者による「Opusfived」は、エージェント型AIアシスタントの振る舞いを風刺したインタラクティブ・コメディ作品として公開されています。与えられる指示は「Add to Cartボタンを青くする、それ以外は何も変えない」というシンプルなものです。

「Change nothing else(他は何も変えない)」という指示にもかかわらず、AIアシスタントが余計な部分まで書き換えてしまう様子をコメディ仕立てで描いた作品で、エージェント型AIアシスタントが「言われたことだけをやる」ことの難しさを風刺しています。

元記事を読む ↗要点と引用を見る

開発・技術過去の記事

Tailwind Labs、Shopify入りを発表

Tailwind Labs創設者のAdam Wathan氏は2026年9月9日、TailwindがShopifyに統合されることを発表しました。TailwindCSSは週間110万回以上インストールされており、ChatGPT、X、Cloudflare、Reddit、Shopifyなどの企業でも利用されています。

オープンソース版TailwindCSSのライセンスはMITのまま変更されず、コミュニティによるメンテナンスも継続されます。一方、Tailwind Plusなど商用製品の新規顧客サインアップは終了するとしています。

9年間の開発を経て、「何百万人もの依存するユーザーのために、積極的にメンテナンスされ続ける安定した長期的な拠点をTailwindに与えるためにShopifyに参加する」という考えのもとでの決定だとしています。

元記事を読む ↗要点と引用を見る

LLMのトークン効率化、実践のコツまとめ

LLM(大規模言語モデル)のトークン消費、つまりコストを抑えるための実践ポイントをまとめたZenn記事です。著者は「友人に送ったメモを清書した」形式で執筆しており、プロンプトキャッシュ機構の理解と活用、不要な処理の削減、タスク難度に応じたモデル選択などを勧めています。著者自身も「最近まで僕も知らなかった」と述べるほど、キャッシュ機構は見落とされがちな要素だといいます。

具体例としてUberの事例が紹介されており、100超のツールが50〜70Kトークンを消費する環境で、キャッシュの有効期限設定を5分から1時間に変更したこと、SQL実行によって結果が半分以下になったことが挙げられています。

ツールごとのキャッシュ有効期限にも触れており、Claude Code利用時は1時間、Codex利用時は30分(従量課金時は5分)だと紹介しています。

元記事を読む ↗要点と引用を見る

AIエージェントのコーディングルール、ArchUnitで機械検証

ZOZO Tech Blogの記事で、商品基盤部の藤本氏が、AIエージェント(主にClaude Code)にコーディングルールを守らせるための取り組みを紹介しています。課題として「ルール同士の矛盾や重複」と「ルール遵守がレビューに依存していること」の2点を挙げ、Java向けのアーキテクチャ検証ツールArchUnitを使ってルールを機械的に検証する運用を行っています。

具体例として、リフレクション禁止ルールでは従来の型参照ベースの検査で誤検出が発生していたため、改善版ではリフレクションの「メソッド呼び出し」に限定し、java.lang.ClassのforNameやgetDeclaredMethodなどを明示的に監視対象にしています。UseCase層への@Transactionalアノテーション必須化ルールも設けつつ、特定のクラスでは例外的にREPEATABLE_READの分離レベルを許可しています。

ルール文書は背景説明用の.claude/knowledge/と、強制基準用の.claude/rules/にディレクトリを分けて管理し、CI/CDでは./gradlew checkを必須のゲートとして実行しています。

元記事を読む ↗要点と引用を見る

京都芸術大学、AIエージェントによる開発パイプラインを内製

京都芸術大学のクロステックマネジメント組織による記事で、筆者は「laiso」氏です。人間によるコードレビューをボトルネックにしないため、AIエージェントを活用した自動開発パイプラインを内製している経緯と設計思想を紹介しています。「人間がコードレビューをしなくていい状態を作るために鍵となるのが、品質の担保と、その責任をどう仕組み化するかです」としています。

パイプラインにはdocker-agent、Claude Code、OpenHands SDK、Microsoft Agent Governance Toolkitが使われ、サーバーサイドはGo API、フロントエンドはNext.jsとTypeScriptという構成です。実行環境にはGoogle Cloud Workstations上のDocker環境を用いています。

開発フローは設計ステージと実装ステージの二段階で構成され、Markdown、YAML、Mermaid図、OpenAPI定義、Gherkin形式テストといった成果物を生成しながら開発を進めます。

元記事を読む ↗要点と引用を見る

CORS設定ミスによる個人情報漏洩、実例に学ぶ

Qiitaに投稿された記事で、著者(@nolanlover0527)は第三者の立場から、CORS(Cross-Origin Resource Sharing、異なるオリジン間でのリソース共有を制御する仕組み)の設定ミスがどのように個人情報漏洩事故につながるかを解説しています。危険なパターンとして、「Access-Control-Allow-Origin: *」と「Access-Control-Allow-Credentials: true」の同時指定(ブラウザ仕様上エラーになるため直接の原因にはならない)、Originヘッダーの値を無検証でそのまま反射する実装(最も危険とされる)、nullオリジンを許可するケース(sandbox化されたiframeから攻撃可能)の3つが挙げられています。

実害事例としてZomato、Rockstar Games、米国防総省、LY Corporation(LINE)、UPchieveの5件が紹介されています。LY Corporationのケースでは「悪意あるWebページのリンクをユーザーがクリックしただけで個人情報が渡ってしまう」状態だったとされ、Rockstar Gamesでは「ユーザーのメールアドレスやIDなどの情報が本来意図しない形で外部に共有」される状態だったとされています。

対策としては、ホワイトリスト方式による厳格なオリジン管理が提案されています。

元記事を読む ↗要点と引用を見る

React 19.3リリース、View TransitionsとFragment Refsが正式版に

Reactチームは2026年9月9日、React 19.3をリリースしました。目玉はView Transitions(ブラウザのView Transition APIを用いたアニメーション機能)とFragment Refs(単一の親要素を持たない兄弟要素グループにrefを設定できる機能)の正式版化です。View Transitionsのアニメーションタイプはenter、exit、update、shareの4種類があり、addTransitionType機能により同じ状態更新でも異なるアニメーションタイプを指定できるようになりました。

react-domには、サーバー側レンダリングをスキップしてlocalStorageなどブラウザのみの機能を扱えるbrowser() APIが追加されたほか、DOM-based XSS攻撃を防ぐTrusted Types APIへの対応も加わりました。Server Componentsではプロバイダー用ラッパーコンポーネントなしにContextを直接レンダリングできるようになるなど、多数の改善とバグ修正が行われています。

元記事を読む ↗要点と引用を見る

Next.jsのHydration Error、原因と対処法を整理

Next.jsで発生するHydration Error(サーバーがレンダリングしたHTML構造・コンテンツと、クライアントでReactが生成するDOMツリーが一致しない場合に発生するエラー)について、原因と解決策を解説する記事です。原因としてはwindow、document、localStorageなどブラウザAPIの使用や、Math.random()、new Date()の使用が挙げられています。

解決策としては、useEffectでクライアント専用処理を分離する方法、next/dynamicとssr: falseオプションでSSR(サーバーサイドレンダリング)を無効化する方法、「use client」ディレクティブで実行環境を明示する方法、HTMLのネスト規則を遵守する方法が紹介されています。suppressHydrationWarningは最終手段として限定的な使用にとどめることが推奨されています。

元記事を読む ↗要点と引用を見る

Go 1.27、go docにバージョン指定クエリ追加

Go 1.27で、コマンドラインから特定バージョンのパッケージドキュメントを確認できる「go doc package@version」というクエリ形式が新たに追加されました。この記事はこの機能を実際に試したレポートです。従来はgo getでパッケージを取得しないと確認できなかったドキュメントが、「go doc example.com/pkg@v1.2.3」のようなコマンドだけで参照できるようになります。

実行可能なexampleを一覧表示する-exオプションや、「go doc bytes.ExampleBuffer」のように個別のexampleを確認するコマンドも紹介されています。著者は「派手さはありませんが、go getせずにコマンドラインからバージョン指定でドキュメントを確認できるようになったのは、パッケージ調査の手間を減らしてくれそうです」と評価しています。

元記事を読む ↗要点と引用を見る

リポジトリ過去の記事

複数LLMを一元管理するGo製ゲートウェイ「New API」

QuantumNousが開発するOSS「New API」は、次世代LLMゲートウェイ兼AIアセット管理システムです。OpenAI、Claude、Gemini互換形式への相互フォーマット変換に対応し、複数のAIモデルプロバイダーを一元管理できます。One APIのデータベースと完全互換性があり、Go製バックエンドでDockerによる簡単なデプロイが可能です。

統計分析機能付きのビジュアルダッシュボード、トークングループ化などの権限管理、キャッシュヒット統計に対応した使用量ベースの課金システムを備え、Discord、LinuxDO、Telegram、OIDCによる認証にも対応しています。対応モデルはOpenAIシリーズ(o3-mini、gpt-5など)、Claude(Thinkingモデル含む)、Google Gemini、DeepSeek、Qwenなど多岐にわたります。

ライセンスはAGPLv3で、GitHub上で47.7kスター、11.4kフォークを獲得しています。

元記事を読む ↗要点と引用を見る

自分のマシン上のAIエージェントを可視化する「Geiger」

Atomburstが公開したOSSスキャナー「Geiger」は、マシン上に存在するAIエージェント、MCP(AIエージェントとツールを接続する標準規格)サーバー、プラグイン、AI拡張機能などをすべて洗い出し、それぞれが何にアクセスできるか(コード実行、ファイル読み取り、認証情報保持など)を平易な言葉でレポートするツールです。「Every one of those installs is a program that can execute commands, read files, and hold credentials」という問題意識から作られています。

明示的に指定したJSONファイル以外には書き込まない読み取り専用設計で、データを外部に送信しないテレメトリなし、認証情報は形状のみを表示する設計となっています。READMEでは2026年8月にオープンソースのエージェント実行環境が急速に普及したと述べられています。

「npx geiger-scan」で基本スキャンを実行でき、--htmlや--jsonでのレポート出力、--strictでのコード実行/シークレット検知時の終了コード制御、--diffでの前回スキャンとの差分検出に対応しています。Node.js 18以上が必要です。

元記事を読む ↗要点と引用を見る

Ollama v0.34.0、ChatGPT Desktopから直接利用可能に

Ollamaのv0.34.0がリリースされ、macOSのOllamaアプリからの設定で、ChatGPT DesktopでOllamaモデルを直接使用できるようになりました。あわせてApple Silicon上での構造化出力のパフォーマンスが向上しています。

OpenAI互換APIにはツール検索とレスポンス圧縮への対応が追加されたほか、圧縮されたレスポンス経由での画像表示の不具合も修正されています。

元記事を読む ↗要点と引用を見る

論文・研究過去の記事

AIエージェントはツールを信じすぎる、過信を実測

Hoyeol Yang氏ら6名による論文は、14種類のLLMを対象に、ウェブ検索、LLMサブエージェントへの委譲、コード実行という3種類のツールから返される情報を意図的に破損させ、エージェントがその不正確な情報をどれだけ最終回答に採用してしまうかを測定しました。

結果、いずれのツールでも平均採用率は3分の1を超え、特にウェブ検索では68.0%に達するなど、エージェントが信頼性の低いツール出力を過度に信頼する「overtrust(過信)」傾向が明らかになりました。エージェントが内部的には矛盾に気づき一度は正しい答えを導き出していながら、最終的には破損した答えのみを提示するケースも確認されています。

プロンプトの工夫、メタデータの付与、ポストトレーニングなど複数の緩和策を試みましたが、いずれもツール横断で一貫してこの過信傾向を軽減できなかったとしています。

元記事を読む ↗要点と引用を見る

推論に必要な回路だけを守る、省エネLLM圧縮手法

Leonard TwagirayezuとPrasenjit Mitraによる論文は、大規模言語モデルをエネルギー効率よく配置するため、推論に不可欠な回路(reasoning circuits)を特定して保護しつつ、それ以外の部分を圧縮する「推論を意識した圧縮フレームワーク」を提案しています。均一な量子化(モデルの数値精度を落として軽量化する手法)ではなく、推論タスクへの感度が高い回路のみをFP16(16bit浮動小数点)精度に復元する手法です。

GSM8K、FOLIO、MATH-500、ProofWriter、MuSiQueの5つの推論ベンチマークを用い、196〜224層にわたる量子化への脆弱性をプロファイリングした結果、INT4(4bit精度)量子化が推論の連鎖を長くしてしまいエネルギー効率を損なう場合があることが分かりました。数学推論タスクでは注意投影(attention projection)部分が、論理推論タスクではモデルの構造的な部分が、それぞれ量子化に対して重要であるなど、タスクによって脆弱な部分が異なることも発見しています。

提案手法により、R1-Qwen-7BモデルのProofWriterタスクで従来手法比12ポイントの精度向上と、9.7%のエネルギー消費削減を同時に達成したとしています。

元記事を読む ↗要点と引用を見る

画像の細かい差分識別、MLLMの弱点を暴くベンチマーク

既存のMLLM(マルチモーダル大規模言語モデル)は一般的な視覚理解タスクには強い一方、「2つの類似画像間の差異を特定する」という基本的な比較能力に弱点があるという問題意識のもと、研究チームは新ベンチマーク「VDiff-Bench」を提案しました。1,756問の四択形式で、位置、動き、色(局所/全体)、出現/消失、ノイズ/解像度、テクスチャ、置換/サイズ、OCR/テキスト、照明という10カテゴリの変化を対象とし、正解と意味的に近い難しい誤答選択肢を用意することでモデルの真の識別能力を試す設計です。

11の最先端MLLMで評価した結果、意味的な変化の識別では52.5〜70.6%の精度を示す一方、ノイズやテクスチャなど低レベルな画像変化の識別では8.7〜33.3%まで精度が大きく低下しました。特に閉鎖型モデルのGrok 4.3はノイズ・テクスチャ検出で予想外に大きく性能が落ち込んだといいます。研究チームは、単一画像を対象とした従来の評価では見えなかった弱点が、比較タスクによって明らかになったと結論づけています。

元記事を読む ↗要点と引用を見る