AI & Frontier Tech Roundup: Local Models, Agentic Evolution, and the Robotics Race

ローカル AI とハードウェア主権へのシフト

高性能 AI モデルをローカルで実行し、継続的なサブスクリプション費用を回避し、データプライバシーを保つ動きが拡大しています。

コンシューマーハードウェアの能力: 一部のユーザーは Mac Studio と RTX 5090 GPU を使って GLM 5.2 などのオープンウェイトモデルを動かす自宅 AI ラボを構築しています。ベンチマークでは Opus 4.8 に近いと報告されています [Alex Lieberman]。予測では GLM 5.2 相当の知能が RTX 5090 上で 18 か月以内にホスト可能になるとされています [Ahmad]。
コスト効率: ローカルモデルを実行することで費用を大幅に削減できます。あるユーザーは月額 500 ドルのクラウド費用を、Ornith-1.0 9B を動かす 900 ドルの GPU 1 台に置き換えたと報告しています [koba]。
ポータブル AI: llamafile プロジェクトにより、ユーザーはオフラインで単一実行ファイルとして LLM を様々な OS 上で走らせ、クラウドサブスクリプションの必要性を回避できます [Oliver Crest]。
専門インフラ: NVIDIA はクラウド依存を減らすことを目的としたコンパクトなローカル AI サーバー DGX Spark を導入しました [lagerskoy]。また、エージェント AI ループのボトルネックを防ぐためにシングルスレッド性能を最適化した Vera CPU も発表しています [NVIDIA]。

AI エージェントは単なるチャットボットから、自己修正、メモリ管理、検証された推論が可能な自律システムへと進化しています。

自己改善ループ: "MetaSkill-Evolve" の研究は、タスクスキルと改善手順そのものを進化させるエージェントを紹介しています [DAIR.AI]。同様に Hermes エージェントは、手続き的・意味的・エピソード的メモリをローカルに保存し、ミスから学習してクラウドに依存しない再利用可能スキルを生成します [YanXbt]。
検証をスケーリング軸に: Stanford、NVIDIA、UC Berkeley の共同論文は、LLM を検証者としてトークンロジットを抽出し、離散的な評価ではなく連続的な確率スコアで評価する手法を提案しています。この手法は Terminal-Bench V2（86.5%）や SWE-Bench Verified（78.2%）といったベンチマークで高精度を示しました [elvis, Gill]。
トレース可能な推論: SERV Reasoning v2 は、エンタープライズ AI の "ブラックボックス" 問題を解決するために、エージェントの推論をトレース可能にし、"Shadow Agents" を用いて出力を元のブリーフと照合して検証します [Dan Haberern]。
開発者向けツール: Anthropic はメモリと自律性を含む自己改善エージェントシステムの構築に関するワークショップを公開しました [Codez]。

米国と中国の研究所間の競争が激化し、純粋な性能からコスト効率とハードウェア独立性へとシフトしています。

中国モデルの採用: 米国企業は OpenRouter を通じて中国モデルへのワークロードを増やしており、利用率は 2025 年上半期の 4.5% から 2 月以降は週次で 30% 超に上昇しています [Hedgie]。GLM 5.2 は性能対コスト比が高いため主要なドライバーとされています [Hedgie, Artificial Analysis]。
ハードウェア独立: DeepSeek と Ziphu は NVIDIA と Huawei への依存を減らすために独自の AI チップを開発中と報じられています [Reuters, Whale Insider]。
企業間対立: 報道によると Anthropic が Claude Code に中国ユーザーを検出する隠しコードを埋め込んだとして、Alibaba が Anthropic 製品を禁止し自社ツール Qoder に切り替えたとされています [Ricardo]。
新リリース: SpaceXAI と Cursor が共同で AI モデルをリリースする噂があります [Cointelegraph, DogeDesigner]。

ロボティクスは固定された産業用アームから、非構造化環境をナビゲートできる汎用エージェントへと移行しています。

視覚と知覚: LingBot-VLA 2.0 がオープンソース化され、20 種類のロボット構成にわたる 60,000 時間の事前学習データを活用しています [Robbyant]。LingBot-Depth 2.0 は反射面や透明面に対する深度認識の課題に特化しています [MR NADEEM AI, Arti Shah]。
汎用アプリケーション: MindOn は、ヒューマノイドとデュアルアームロボットが単一 AI モデルで制御される倉庫ワークフローを実証しました [The AI Colony R&D]。Boston Dynamics の Atlas は Hyundai の Metaplant で資材搬送に導入され、2028 年までに 30,000 台規模へ拡大する計画です [CyberRobo]。
ロボット推論: Strike Robot AI は ReAct ベースの推論（Thought, Action, Observation）を用いて、ヒューマノイドロボットが予期せぬ変化に自律的に対応できるようにしています [Muhit]。