名古屋ではたらく社長のITニュースポッドキャスト

日本時間9月19日、AWS公式ブログ（日本語版）が「新しい料金プランと新エージェント『Auto』」を発表しました。元記事は米国時間9月15日のKiro公式ブログで、Kiroは9月30日まで無料、10月1日から選択プランに基づき課金開始という明確な移行スケジュールを提示。料金はFree/Pro/Pro+/Powerで月額$0/$20/$40/$200、上限は50/1,000/2,000/10,000クレジット、超過は$0.04/クレジットという“クレジット制”に一本化されました。初回アクセスには14日間有効の500クレジットを付与する無料トライアルも導入され、月次ダッシュボードで消費量の可視化も進みます。

同時にお披露目された新エージェント「Auto」は、タスク内容に応じてSonnet 4など複数モデルと専門モデル群を組み合わせ、意図検出やキャッシュ最適化で“品質＝Sonnet 4級、コストはその約1/1.3”を狙う設計です。デフォルトモデルとしてAutoを選ぶと、同じ処理をSonnet 4単独で走らせるよりクレジット消費が少ない——この“質とコストの同時最適化”を武器に、日常の開発作業はAutoで、高度なこだわりには明示的にSonnet 4、という使い分けを想定しています。さらに今後はニューラル×記号推論の“ニューロシンボリックAI”をAutoに導入し、要件作成や実装検証の品質を押し上げるロードマップも言及されました。

背景を振り返ると、Kiroは7月の発表時から“vibe coding（勢いのプロンプト駆動）から、仕様に基づく実務へ”の転換を掲げ、VS Code系の体験に仕様書生成・設計ドキュメント・テスト検証を織り込むことで、プロトタイピングを“製品品質”へ押し上げる路線を打ち出してきました。MCP対応やエージェント連携を前提に、計画と実装のゆらぎをAIで締めていく——そんな思想は各種メディアでも“vibeからviableへ”の挑戦として評価されています。

実務インパクトで言えば、クレジット制の一本化とAutoの標準化は、チーム運用の見積もりとガバナンスを楽にします。月あたりの“処理量”でコストが読めるため、財務側の予算統制がしやすい一方、実装側はAutoの自動最適化で“迷わず速い”をデフォルトにできる。比較対象としてのAmazon Q Developerは、月額のリクエスト枠やコード変換行数での課金モデルを提示しており、企業は“IDEとしてのKiro”と“支援サービスとしてのQ Developer”を用途で住み分ける選択が現実的になります。プレビュー期の混雑で導入制限や価格再考が報じられた経緯を踏まえても、今回の正式な価格体系とAutoの投入で、Kiroは“本番業務で回せるAI IDE”としての地固めを一段進めた格好です。

9月24日、杭州の「雲栖大会2025」でアリババの呉泳銘CEOが基調講演に立ち、三年間で総額3,800億元（約520億米ドル）のAIインフラ投資を進め、さらに追加投資も行うと明言しました。生成AIの爆発的な需要を前提に、AIインフラを“次の成長エンジン”に据える姿勢が鮮明です。同日の国際報道でも、同社がこの枠を上回る投資拡大に踏み込む方針を伝え、株価は好感して上昇しました。

呉氏はAIの進化を「知能の湧現→自律行動→自我進化」の三段階で語り、長期的にはASI（人工超知能）を見据えると強調しました。そのための土台として、第一に通義千問は“AI時代のAndroid”を目指して開放路線を貫くこと、第二に“スーパーAIクラウド”を「次世代の計算機」として世界規模の知能算力ネットワークへ育てることを掲げています。将来的には世界で5〜6つの超クラウドに集約されるとの見立ても示し、2032年には同社データセンターの消費電力規模を2022年比で10倍へと拡張する長期計画に触れました。

モデル戦略では、通義千問の“開放”を前面に出しました。英語圏報道でも、オープン公開したモデルは300超、累計ダウンロードは6億超、派生モデルは17万超との最新データが並び、開発者の裾野拡大を裏付けています。さらに同会場ではフラッグシップ級の新モデル群が披露され、アリババは「Qwen3-Max（1兆超パラメータ）」の投入で最先端モデルの存在感も強めています。

ハードと応用の両輪も加速します。アリババはNVIDIAと“Physical AI（実世界で動くAI）”で包括連携し、合成データ生成から学習・シミュレーション・検証までをクラウド基盤に統合します。ロボティクスや自動運転支援など“見る・動く・考える”領域で、開発から実装までのリードタイム短縮を狙う布陣です。

ビジネスの現場感で言えば、アリババは「モデルは開き、インフラは抱える」という二面作戦で、開発者と企業の双方を自陣に引き寄せようとしています。巨大投資でGPU中心のAI計算を面で押さえつつ、Qwenの開放で“使われる場”を広げる。呉氏が「トークンは未来の電気」と比喩したように、同社はAI算力をユーティリティ化する方向へ舵を切りました。中国発の“超クラウド”構想は、米系ハイパースケーラーと真正面から競う段階に入り、アジアのAIサプライチェーン全体の再編も現実味を帯びてきます。

Metaの研究公開ページに「CwM: An Open-Weights LLM for Research on Code Generation with World Models」という掲載が確認され、コード生成と世界モデル研究の交差点に特化した“研究用オープンウェイトLLM”が打ち出されました。要は、従来の一般目的コーディングLLMとは別に、“世界のふるまい”をコードとして書き出し検証できる方向へ、基盤そのものを開いていくという姿勢です。

背景には、「世界モデルをコードで表す」という発想の追い風があります。近年の研究では、LLMがPythonで環境ダイナミクスや報酬をプログラムとして生成し、それを実行して計画に用いる枠組み（Code World Models＝CWM）が提案されています。コードはLLMの生テキスト推論よりも“実行で確かめられる・速い・解釈しやすい”という利点があり、Monte Carlo Tree Searchで生成・改善・修正を回すGIF-MCTSや、18環境で構成されたベンチマークCWMBなど、評価系も整いつつあります。こうした土台は、エージェントが長い手順を踏む課題でサンプル効率と実行信頼性を高める手立てになります。

“オープンウェイトで出す”ことの意味も大きい。オープンウェイトは、モデルの重みを配布することで、研究者がローカルや自前クラウドで検証・微調整・安全性評価を反復できる点に価値があります。一方で、学習データや完全再現手順まで含む“完全なオープンソース”とは区別されることも多く、ライセンス条件の読み込みは欠かせません。MetaはLlama系でオープンウェイトの実績を重ねており、CwMもその研究ラインの延長として、コード×世界モデル領域に実験可能性を広く提供する狙いがうかがえます。

実務目線では、レポジトリ単位の課題やロボティクス、シミュレーションを伴う計画生成で効果が期待できます。仕様書やログ、環境トレースをもとにLLMが“実行可能な環境コード”を出し、テストで検証・修正を回しながら計画を組む——そんなワークフローは、従来の関数単位のコーディング補助よりも業務に直結します。CWM系研究が示す通り、実行テストでループを回せる設計は、幻覚の早期検知や失敗の切り分けにも効きます。CwMの公開で、こうしたアプローチを評価・再現・比較する共通土台が広がるほど、企業のエージェント実装や安全性検証の“実装格差”は縮まっていくでしょう。

最後に留意点です。世界モデルは“外界の簡略化”ゆえに、どこまでの因果や不確実性をコードで抱えるかの設計判断が問われます。また、オープンウェイトは検証自由度の一方で、ライセンスやモデルの想定用途を逸脱しない運用ガードが前提です。研究側は、Metaが示した入口（CwM）と既存のCWMベンチマーク群を併用し、計画性能・堅牢性・コストの三点を定量で詰める段階に入りました。

2025年9月24日、The Informationは「U.S. Loses Appeal for Chinese AI Researchers（米国は中国人AI研究者にとって魅力を失いつつある）」と題する記事を公開しました。米国のAI研究現場に中国出身者が多数いるのは事実としても、近年は政治・査証環境の不透明さが増し、渡航・就労のハードルや心理的コストが上がっている——そんな空気感の変化を伝えています。

背景には、人材を受け入れる制度側の揺れがあります。米国ではH-1Bの運用見直しや新規申請に高額の手数料を課す動きが表面化し、コスト増や選考の不確実性が企業の採用判断を鈍らせています。市場では「年内の制度転換が採用計画を直撃する」との警戒感が強まり、金融を含むAI依存度の高い産業では採用の海外移転やオフショア化の検討が進むとの報道も出ています。

同時に、米国の安全保障・輸出管理は中国のAIサプライチェーンに圧をかけてきましたが、その副作用として現地のチップ・モデル開発を「自前化」へと駆り立てた側面も否めません。政策当局者の国会証言や業界トップの発言でも、中国勢の追い上げや国内代替の進展が語られており、研究・起業機会はアジア側にも明確に広がっています。渡米にまつわる手続きや再入国審査の厳格化を嫌い、欧州・アジアや中国本土を選ぶ若手・中堅研究者が増えた、という現場の証言も出ています。

さらに各国政府は、米国の制度変更を“好機”と捉え、AI人材誘致策を矢継ぎ早に打ち出しています。特別ビザや優遇制度で研究・起業環境を整え、移り気なトップタレントの心をつかもうというわけです。米国の強みは依然として巨大な計算資源や資本市場にありますが、移民・安全保障の文脈が人材の自由な往来を細らせれば、研究拠点の地理的分散は一段と進むでしょう。

9月23日、Qwenは新世代のビジョンランゲージモデル「Qwen3-VL」を発表しました。公式ブログとリポジトリでは、“シリーズ史上最強”を掲げ、テキスト理解と生成、視覚認識と推論、長コンテキスト、空間・動画理解、さらにはエージェント連携までを横断的に引き上げたと説明しています。

ラインアップの中心は「Qwen3-VL-235B-A22B」。この旗艦は用途に応じて、深く考えてから答える「Thinking」と、軽快に応答する「Instruct」の2系統を提供。Qwenは主要ベンチマークでGemini 2.5 Proを上回る項目があると主張し、両バリアントをオープンに利用できる形で打ち出しました。もっとも、重量級の235Bモデルは実運用でも相応のインフラを要し、ローカル推論は現実的でないサイズ感です。

技術面の強化点は、視覚情報の“読み取り”から“推論”への橋渡しが丁寧になったことです。従来の物体・文字認識にとどまらず、動画の時間的文脈や空間的な位置関係を捉え、指示に沿って複数ステップで解決策を組み立てる力を高めた、とQwenは説明しています。これにより、現場マニュアルの画面指示、マーケットリサーチの画像比較、製造現場の外観検査ログ解析といった“視て考える”業務が幅広く自動化しやすくなります。

同時発表としては、安全性モデル「Qwen3Guard」が公開され、プロンプトと応答をリアルタイムで監視・フィルタする仕組みを整えました。企業利用でのリスクコントロールが課題になる中、マルチモーダル推論の強化と安全性の両輪を前面に出した構図です。さらに、クローズドの超大型モデル「Qwen3-Max（1兆超パラメータ）」にも言及があり、エコシステム全体で“開発の速度と射程”を拡張する狙いが読み取れます。

ビジネスの目線で見ると、このQwen3-VLは“現場の文脈をまるごと入力する”発想を後押しします。分厚い仕様書とスクリーンショット、検査動画やホワイトボードの写真を一括で投げ込み、モデル側が要点を抽出しながら段階的に意思決定を支援する。Thinkingモードで下ごしらえをし、Instructで高速に仕上げる——そんなワークフローが実務に馴染みやすくなるはずです。中国勢がオープン指向の大型VLMを矢継ぎ早に出す中で、Qwen3-VLは“見て、考えて、動く”を一段上の水準でまとめ上げ、エンタープライズの導入判断を加速させる存在になりそうです。

9月23日、Hugging Faceのコミュニティブログで「Nemotron-Personas-Japan」が発表されました。日本の実社会分布に合わせて設計された“日本語の合成ペルソナ”を一挙公開し、主権AIの基盤となるデータを誰でも入手できる形に整えたのがポイントです。ライセンスはCC BY 4.0。用途は企業チャットボットから業界別コパイロット、バイアス検証まで幅広く想定されています。

中身をのぞくと、レコード100万件に各6タイプのペルソナを付与した合計約600万ペルソナ、総トークンは約14億。22の属性フィールドには、年齢や地域、職業、教育など公的統計に基づく文脈情報が盛り込まれ、ユニークな日本人名は約95万件、職業カテゴリは1500超に及びます。いずれも日本の文化的・社会的背景を自然言語で細やかに表現する狙いで、実在個人情報は含まない“Private by Design”の方針が明言されています。

生成パイプラインはNVIDIAのNeMo Data Designerを中核に据え、テンプレート生成、Pydanticによる構造化検証、自動リトライなどの複合AI機構を組み合わせています。統計的整合性を担保するPGMと、日本語の叙述を担うGPT-OSS-120Bの併用が明記され、実運用を意識した堅牢性がうかがえます。

この日本版は、6月に公開された米国版「Nemotron-Personas」の“地域展開”にあたります。米国版は実社会の人口・地理分布に合わせて多様性と複雑性を高め、学習データのバイアス低減やレッドチーミングにも活用されてきました。今回の日本版はその設計思想を引き継ぎつつ、日本固有の命名慣習や職業構造、デジタルリテラシー差などを丁寧に組み込んでいます。

背景には、合成データを用いて自前の学習データを賄う潮流があります。NVIDIAは昨年「Nemotron-4 340B」を打ち出し、オープンな生成パイプラインで学習用データを創り出すアプローチを前面に押し出しました。直近では基盤モデルや推論スタック「Nemotron/NIM」とあわせて、各国の主権AI構築を後押しする姿勢を鮮明にしています。

実務の観点では、日本の企業や自治体が“日本語の文脈に強い”LLMを育てるための種データとして価値があります。たとえば顧客対応AIなら、地方と都市部で変わる語彙や行動様式、業界特有の肩書や勤務形態まで自然に反映できる。公平性評価でも、年齢層や教育歴の違いによる応答の偏りを体系的に検証しやすくなります。Hugging Face上のデータセットはすでに公開されており、datasetsライブラリから読み込んで会話データ拡張やファインチューニングに使う、といった導入も容易です。

日本ではNVIDIAのNeMoやNIMを使った主権AIの取り組みが産学で広がっており、こうした“地域文脈に根ざしたデータ”と組み合わせることで、応答品質と規制対応の両立が現実味を帯びます。海外中心の学習データへの依存を減らしつつ、国内の実運用要件に足の着いたAIを育てる――今回の公開は、そのための実践的な一歩と言えるでしょう。

9月23日、DeepSeekがV3.1の改良版「DeepSeek-V3.1-Terminus」を公開しました。位置づけは“サービスパック”で、英中が混ざるなどの表記ゆれを抑え、エージェント機能ではSearch/Codeの挙動を磨き込んだ――と公式モデルカードが説明しています。実際のベンチでは、BrowseCompが30.0→38.5に伸長、SWE Verifiedは66.0→68.4へ。いっぽうで中国語ブラウズのBrowseComp-zhは49.2→45.0と軽微な後退、Codeforcesのコンテスト指標も2091→2046とわずかに低下という“現場調整の跡”も併記されました。重い推論そのものは据え置きつつ、“道具を使う仕事”の信頼性を上げた格好です。

Hugging Face

配布は“即・実務向け”の設計です。Hugging FaceではMITライセンスで重みが公開され、同カード上で「V3.1→Terminusはユーザー指摘の修正と安定化を図ったアップデート」と明記。構造はV3と同一で、運用や推論コードは既存資産を流用できます。API側もApp/Web/APIで順次使えると開発者向けニュースに記され、OpenRouterでもTerminusの提供が始まっています。

背景の土台はV3系のMoEです。総671Bパラメータのうち約37Bをトークンごとに動かす設計で、大規模ながら“燃費”を確保するのが持ち味。V3.1世代では1モデルでThinking/Non-Thinkingを切り替えられ、Terminusはこの運用にそのまま乗るため、重めの長考も軽い短答も一枚で扱えます。

産業面の意味合いをひと言でいえば、「開源×実務の足腰がさらに固まった」。価格破壊で脚光を浴びたDeepSeekは、今年前半のV3アップグレードを経て、いまは“検索・コード・端末操作”といったエージェント系の実用度を上げる段階に入っています。各社モデルが競う中でも、オープンな重みとMITライセンス、そしてブラウズやツール接続の強化は、RAGや社内FAQ、開発支援ボットの“日常運用”に効く要素です。

現場の使いどころとしては、まずはRAGや社内調査でTerminusを既存V3.1の置き換えに当て、BrowseComp系の改善が効く領域（検索→要約→根拠提示）を優先導入するのが現実的です。対話はNon-Thinkingで軽く回し、詰めの検証や根拠組み立てはThinkingに切替える――そんな“可変思考”の運用がしやすくなります。逆に、競技プログラミングのような純粋推論の一部は従来比で伸びが限定的という前提を置き、評価とロールアウトを切り分けて進めるのが安全策でしょう。

OpenAIとNVIDIAが、少なくとも10ギガワット分のNVIDIAシステムを段階的に導入する戦略的パートナーシップで基本合意（LOI）しました。総計では“数百万枚のGPU”に相当する規模で、OpenAIの次世代インフラ――学習・推論の両面で“超知能”に向けた土台づくりを加速させます。NVIDIAは各ギガワットの導入に合わせ、最大1000億ドルをOpenAIに段階投資する枠組みを明示。第1期の1GWは2026年後半にNVIDIAの新プラットフォーム「Vera Rubin」で立ち上げる計画です。

両社はハードとソフトのロードマップを“相互最適化”する方針で、OpenAIはNVIDIAを戦略的な計算・ネットワークの優先パートナーとして位置づけます。今回の提携は、MicrosoftやOracle、SoftBank、そしてStargateパートナーとの既存の取り組みを補完するものとされ、OpenAIは“週あたり7億人のアクティブユーザー”を背景に次のステージへ進むと述べています。発表声明では、フアン氏が「10GWの展開で次の知能の時代を駆動する」と語り、アルトマン氏は「これからの経済の基盤はコンピュート」と強調しました。

実務の含意は三つあります。第一に、電力・用地・送配電の確保を伴う“ギガワット級”の計画を、GPU供給と資金調達を一体に縛る設計で前に進める点です。第二に、Vera Rubinを核にした標準ラック／ネットワーク設計をOpenAIのモデル・インフラソフト側に合わせて磨くことで、学習・推論ともに“レイテンシとスループットの実効”を引き出す狙いが見えます。第三に、Stargateや既存クラウド連携と並列で走らせることで、地理分散と主権要件を満たしながら“計算の在庫”を厚くする布陣が整いつつあります。

総じて、今回のLOIは「モデルとデータセンターを同時に拡張する」ための現実解です。GPUだけでなく“ギガワット単位の電力と資本”を束ねる契約構造を採り、2026年後半の1GW立ち上げから10GWへ――OpenAIとNVIDIAは、AI時代の“産業インフラ”を本格的に共同で積み上げる段階に入りました。

Qwenが“オムニ”を名乗る新基盤「Qwen3-Omni」を公開しました。最大の特徴は、聞く（ASR・音声理解）・見る（画像/動画理解）・話す（リアルタイムTTS）までを一枚のモデルで直結し、会話のターン取りまで自然にこなす点です。GitHubの技術ページによれば、Omniは119のテキスト言語、19の音声入力言語、10の音声出力言語をサポート。音声/音声–映像のベンチ36種中32でオープンソースSOTA、22でSOTAを獲得し、ASRやボイス会話はGemini 2.5 Proと同等級の性能に達したと整理しています。

設計面の肝はMoEベースの“Thinker–Talker”。重い推論はThinkerに寄せ、返答音声の生成はTalker側の多コードブック表現で極小レイテンシ化。これに、テキスト先行の事前学習（AuT）と混合モーダルトレーニングを重ねることで、音声や映像に強くなっても、テキストと画像の単独性能が落ちない“底の強さ”を保ったといいます。加えて、30B級のOmniには“Captioner”派生もあり、音源の微細描写に長けた音声キャプショニングをオープン提供してコミュニティの穴を埋める狙いも見えます。

実装の足場も整っています。ローカル実行はTransformers/vLLMやDocker手順が用意され、リアルタイムAPIやオフラインAPIも案内。Cookbookでは、音声認識・歌詞起こし・音声翻訳・音楽解析・動画記述・音声関数呼び出しなどの実行ログが公開され、開発者がプロンプト設計や運用設定をそのまま移植できる構成です。

現場での効きどころは三つです。第一に、音声エージェントの“会話らしさ”。低遅延TTSとマルチ言語ASRで、問い合わせ→即応答の往復が短くなります。第二に、動画×音声の同時理解。作業手順動画を見せながら口頭で質問する等、“手がふさがる現場”での支援が現実味を帯びます。第三に、運用の一体化。ASR/翻訳/TTS/視覚理解を個別モデルで積み木する代わりに、Omniでワンパス化することで遅延と統合コストを削れます。GitHubの評価表が示すとおり、テキスト・画像の基礎体力を落とさずに音声・映像の頭を伸ばしたバランスが、企業導入の“総合点”を引き上げるはずです。

一方の留意点。Omniの強みは“統合”にありますが、現実運用ではデータ境界や監査要件に応じてAPI/オンプレを使い分ける設計が必要です。また、SOTA主張は一次資料ベースの相対評価で、ユースケース適合の最終判断は自社データでのA/B検証が不可欠。とはいえ、公開CookbookとリアルタイムAPIの組み合わせは、検証→PoC→本番の“動線”を明らかに短くしてくれます。

Qwenがテキスト読み上げの新モデル「Qwen3-TTS-Flash」を公開しました。公式ブログと告知では“multi-timbre, multi-lingual, multi-dialect”をキーワードに掲げ、ひとつのモデルで多様な声質や言語・方言を自然に切り替えることを目指すと説明。英語と中国語を中心に強みをうたう一方、提供は当面API経由が基本で、無料で触れる公式デモも案内されています。

今回のTTSは、Qwenが進める“音声エージェントの三位一体”のうち「話す」パートの最新ピースです。「聞く」側には多言語対応の音声認識「Qwen3-ASR-Flash」が控え、「考える・統合する」にはテキスト・画像・音声・動画を横断する基盤「Qwen3-Omni」が位置づきます。ASRとTTSを前後に挟むことで、リアルタイムの会話体験や音声UIの応答速度・自然さを底上げする構図が見えてきました。

実装と配布の足回りも抜かりありません。Qwenは自社サイトやHugging FaceのデモでTTSの試聴を広げつつ、モデル群はAWSのBedrockにも載りはじめ、企業が既存クラウド内でQwen3系のエージェント機能を組み込める環境が整ってきました。要は“配れる場所”と“触れる窓口”が増え、試作から本番までの移行が軽くなっているわけです。

プロダクトの肝は「一つのTTSで、声・言語・方言をまたぐ」ことです。これがうまく回ると、例えばコールセンターの自動応答で“相手の言語と訛りに合わせた声色”を即座に切り替えたり、動画の多言語吹き替えで“話者らしさ”を保ったまま翻訳したりと、仕上がりの一体感が一段上がります。Qwen自身も“方言”を明示的にアピールしており、アジア圏の現場言語に根ざした設計を押し出しているのが印象的です。

注意点も整理しておきましょう。現時点の公開情報では“API先行”が前提で、完全なオープンウェイト提供ではないため、オンプレや厳格なデータ境界が必要な案件では運用設計が鍵になります。とはいえ、まずはデモとAPIで体験を掴み、ASRと合わせた“聞く→考える→話す”の一連を小さく回す――そんな導入ステップが現実解です。

総じてQwen3-TTS-Flashは、音声エージェント時代の「声の器」を一段広げる発表でした。多言語・多方言・多声色という三本柱で“地元の声に寄り添うAI”を作りやすくし、ASRやOmniとの連係でリアルタイムの会話体験へ踏み込む。音声UIが“ちょっと便利”から“仕事の道具”へ変わる、その過渡期を加速させる一手と言えます。