6月19日版 — The Trend Tribune

【田中テック】2026年6月19日

OpenAIがトランスフォーマー共同発明者を獲得、IPO前に人材・資金の「大型補強」が加速 — （写真はイメージ）

「トランスフォーマーの父」がOpenAIへ――IPO前の電撃補強

AI業界に激震が走った。現代の深層学習を根底から変えた2017年の論文「Attention Is All You Need」、いわゆるトランスフォーマーアーキテクチャ（Transformer：大規模言語モデルの基盤となる設計思想）の共同発明者の一人、Noam Shazeer氏がOpenAIに加わることを自ら6月18日に公表した。

Shazeer氏はGoogleで長年研究に従事し、近年はGoogle DeepMindに所属していたことでも知られる。同氏の移籍は単なる人材獲得にとどまらない。ChatGPTや GPT-4を生んだアーキテクチャの「設計者の一人」が、そのアーキテクチャを最も商業的に活用してきた企業の内側に入るという、象徴的な出来事だ。

OpenAIはこれに加え、元トランプ政権のAI政策担当官だったDean Ball氏も同週内に迎え入れている。技術と政策の両面で大物を連続採用するこの動きは、上場（IPO）に向けた組織固めの一環とみて間違いないだろう。

「推論ゴールドラッシュ」は止まらない――Basetenが$1.5Bに迫る

OpenAIが人材を積み上げる一方、AIインフラ側でも巨額マネーが動いている。AIモデルの推論（Inference：学習済みモデルが実際に答えを生成するプロセス）に特化したクラウドインフラを提供するスタートアップ、Basetenが15億ドル（約2,100億円）規模の資金調達をほぼ確定させたと報じられた。評価額は130億ドル（約1.8兆円）に達する見込みという。

驚くべきは、前回の大型ラウンドから数か月しか経っていない点だ。AIモデルを「使う」コストが爆発的に増大するなか、高速・低コストな推論インフラへの需要は天井知らずで伸び続けている。Basetenの急成長はその縮図といえる。

SnapはAI動画チームを「切り離す」という決断

対照的な動きも起きている。Snapchatを運営するSnapは、社内で育てていたAI動画開発チームをDotmoという新会社としてスピンオフすることを発表した。理由はコスト。生成AI動画の開発・運用には莫大な計算資源が必要であり、ソーシャルメディア企業としてのSnapの収益モデルとは相性が悪かったようだ。

DotmoはSnapの現社員がそのまま移籍して立ち上げる形をとる。「社内で持つには重すぎる」技術を独立させることで、専門特化したスタートアップとして資金調達しやすい状態に置く狙いがある。AI時代の「選択と集中」の一形態として注目に値する。

YC Spring 2026 Demo Day：次の波を担うスタートアップが登場

シリコンバレーのスタートアップ登竜門、Yコンビネーター（YC）のSpring 2026 Demo Dayでは、VCたちが注目する11社がピックアップされた。なかには評価額が1億7,500万ドル（約250億円）を超える企業もあり、AIを軸にした応用領域での競争は一段と激しくなっている。

まとめ：AIの「使われ方」を巡る競争が本格化

今週のニュースを俯瞰すると、共通するキーワードが浮かぶ。「AIをいかに使うか」だ。OpenAIはIPOに向けてアーキテクチャの根幹を知る人材を囲い込み、Basetenは推論インフラという「AIを動かすエンジン」に巨額が集まる現実を体現している。SnapのDotmoスピンオフは、重いAI開発を組織のどこに置くかという構造問題への一つの答えだ。

AIモデルそのものの開発競争は続きながらも、戦場は「どこで・誰が・どうやって動かすか」という実装レイヤーへと急速に移行している。Noam Shazeer氏がOpenAIの内側から何を生み出すのか、Basetenが数千億円規模の資金で何を構築するのか——2026年後半の最重要テーマになりそうだ。

参考：techcrunch.com／twitter.com／techcrunch.com／techcrunch.com／techcrunch.com

OpenAIAIIPOスタートアップ推論インフラ

ロボットが失敗から学び、AIは「ゼロ」を発見できるか——2026年6月最前線の論文を読む

【山本浪漫】

▶ arXivに投稿された最新論文群から、ロボットの自律学習・身体操作と、AIの数学的発見能力という二大トレンドが浮上。実世界応用への布石が着々と打たれている。

今朝のポイント：ロボット×自律学習と、AIの「数学的発見」が同時進行

2026年6月19日朝、arXivに並んだ最新論文群を眺めると、大きく二つの潮流が見えてくる。一つはロボットが失敗・映像・言語を手がかりに自律的に能力を獲得する研究の加速、もう一つはAIそのものの知的限界——「ゼロ」すら発見できるか——を問い直す哲学的ともいえる問いだ。

ロボットは「失敗」から賢くなる：RDSRCとGuava

ロボット研究のなかで今朝もっとも目を引くのが、カーネギーメロン大学らが提案したRDSRC（Recovery-Driven Synthesis of Relational Concepts）フレームワーク（arXiv:2606.18328）だ。

従来の強化学習では、失敗するたびに「その失敗専用のポリシー」を別途学習する必要があり、非効率だった。RDSRCはロボットが失敗から抽象的な概念とスキルを同時に獲得し、次回以降の類似失敗を未然に防ぐ仕組みを実現している。「回復（Recover）→発見（Discover）→計画（Plan）」という三段階ループが特徴で、失敗を学習の燃料に変える発想が新鮮だ。

同系統の研究として、Guava（arXiv:2606.18363）も注目に値する。大規模ビジョン言語モデル（VLM）を「汎用ハーネス」として活用し、知覚・計画・制御の各モジュールを外部ツールとして組み合わせることで、エンドツーエンドのVLA（Vision-Language-Action）モデルを超える汎用性を示した。特定のロボット機構に依存しない設計思想が、産業応用への道を開く可能性がある。

映像だけでナビゲーションを学ぶ：VEGA

VEGA（arXiv:2606.18426）は、インターネット上に溢れる「ラベルなし一人称視点映像」からナビゲーション能力を学習するアプローチだ。人間が日常的に撮影した雑然とした室内映像や、障害物が入り乱れる実環境映像を活用し、幾何学的軌跡を監督信号として利用する。

ロボット用の高品質な訓練データ収集コストは長らく課題だったが、VEGAは「既存の人間映像」という無尽蔵のリソースを活用することでそのボトルネックを突破しようとしている。スケールの点で革命的なアプローチといえる。

3D一貫性を持つ世界モデル：PAIWorld

ロボット操作に特化した世界基盤モデルPAIWorld（arXiv:2606.18375）は、複数カメラ視点（自己中心・手首・手から遠ざかる視点）の3D整合性という、これまで軽視されがちだった課題に正面から取り組む。単純にマルチビュー映像を結合するだけでは3D一貫性が崩れるという問題を解決し、ロボットポリシー学習のシミュレーター精度を高める。

「AIはゼロを発見できるか」——数学的発見の限界に迫る

一方でAI研究側では、より根源的な問いが投げかけられた。「Nothing from Something」（arXiv:2606.17289）は、「ニューラルネットワーク系AIは訓練データを超えた数学的概念を自力で発見できるか」を検証する論文だ。

具体的なテストケースとして「0（ゼロ）の概念の独立発見」が設定されている。人類の数学史においてゼロの概念が発見・定着するのに長い時間を要したように、AIにとってもゼロは単純な数字ではなく「存在しないこと」を表す抽象概念だ。この研究は現在のLLMが訓練分布外の真の数学的発見をどこまで行えるかを問い直す点で、AI能力評価の新しい軸を提示している。

Transformerの効率革命：Gaussian Mixture Attention

アーキテクチャ側では、Gaussian Mixture Attention（GMA）（arXiv:2606.18283）が登場した。標準的なドット積アテンションのトークン間全対全計算（O(n²)）を、K個の学習済みガウス混合分布へのルーティングに置き換えることで線形時間を実現する。長文コンテキスト処理のボトルネック解消に向けた実用的なアプローチとして、今後の採用事例が注目される。

まとめ：実世界との接点をひたすら広げるAI研究

今朝の論文群に共通するテーマは「実世界との接点の拡張」だ。ロボットは失敗・映像・3D空間からデータを吸収し、言語モデルは数学的発見能力とアテンション効率の双方で進化の圧力を受けている。個々の論文が点として見えても、その集積は「汎用知能ロボット」という大きなうねりへと向かっている。明日のarXivからも目が離せない。

参考：arxiv.org／arxiv.org／arxiv.org／arxiv.org／arxiv.org／arxiv.org／arxiv.org

AI論文ロボティクス深層学習VLATransformer

AI予算の「請求書」が届いた——企業がROI計算に苦しむ2026年のリアル

【鈴木光悦】

▶ トークン使い放題の「Tokenmaxxing」ブームが企業に巨額コストをもたらした。UberのAI予算超過など、AIのROI問題が投資家・経営者の間で最大の焦点になっている。

「AIに使え」と言い続けた結果——Uberの予算が数カ月で底をついた

2026年前半、シリコンバレーで最も流行したマネジメント手法の一つが「Tokenmaxxing（トークンマックシング）」だった。CEOたちが社員に対し「AIをとことん使い倒せ」と奨励し、生産性向上への期待を社内で煽り続けた。しかし、請求書が届いた瞬間、現実は一変した。

NEA（New Enterprise Associates）のパートナー、Tiffany Luckは最新のインタビューでこう指摘する。「エンタープライズ企業はまだAIのROIを計算できていない。それが今、業界全体の最大の課題だ」。

Uberは年間AIバジェットをわずか数カ月で使い切ったと報じられており、一部の企業はAnthropicのClaude利用ライセンスを組織の一部で打ち切った。Metaは社内のAI活用ランキングボードを廃止。「使えば使うほど良い」という前提が、コスト管理の観点から急速に見直されている。

トークンコストの構造問題——1回の推論で何が起きているか

CS学士としての視点から補足すると、大規模言語モデルの推論コストはトークン数に比例する従量課金モデルが主流だ。1,000トークンあたりの単価は数セント程度に見えるが、数百人規模の社員が日常業務でフル活用すれば、月間コストは容易に数百万ドル規模に達する。

Tokenmaxxingの問題は、トークン消費量の上限設定や費用対効果の測定基準を設けないまま「とにかく使え」という号令をかけた点にある。公認会計士の目で見れば、これは予算統制の欠如そのものだ。投資対効果（ROI）の算出に不可欠な「ベースラインとなる業務効率の定量化」が後回しにされてきたツケが、今まとめて回収されている。

VCの視点——「AI売り」ではなく「AIで稼ぐ」企業が本命

Kleiner PerkinsのベテランVC、Chi-Hua Chienは「真のAI勝者はAIを売る企業ではない」と主張する。Facebookの台頭を早期に見抜いたことで知られる彼の洞察は、単なる逆張りではなく、収益モデルの本質を突いている。

彼の論理はシンプルだ。AIインフラやモデルを提供するレイヤーはコモディティ化が進み、利益率が圧縮される。一方で、AIを使って既存の非効率な産業プロセスを刷新し、そのアウトカム（成果）に対してマネタイズできる企業こそが長期的な勝者になるという見立てだ。

これはYC（Yコンビネーター）の2026年春バッチにも如実に表れている。TechCrunchがVCに取材してまとめた注目スタートアップ11社の中には、時価総額1億7,500万ドルを超える評価を受けた企業も含まれるが、その多くは「AIを使って何かをする」業種特化型のビジネスモデルだ。

PayPal Venturesの閉鎖が示すもの——CVCの選別圧力

同じ週、PayPal Venturesが10年・80件の投資実績を持ちながら閉鎖することが明らかになった。親会社であるPayPalの構造改革の一環とされるが、より大きな文脈で捉えると、コーポレートVC（CVC）がAI投資ブームの中でどれだけ独自の付加価値を示せるかという問いへの一つの答えでもある。

戦略的シナジーが曖昧なまま膨らんだ投資ポートフォリオは、本業の収益圧力が高まった際に最初にリストラ対象となる。財務的な視点では、CVCはそもそも財務リターンと戦略的リターンの二重目標を持つ構造的な難しさを抱えており、AI時代の加速する変化の中でその矛盾が顕在化しやすい。

まとめ——2026年下半期のAI投資の焦点は「測定」へ

2025年から2026年前半にかけての「とにかくAIに投資・活用せよ」というフェーズは、明らかに転換点を迎えた。これからの半年は、AIコストの可視化、ROIの定量評価、そして成果に連動したマネタイズモデルの構築が企業・投資家双方の主要課題となるだろう。

朝のコーヒーを飲みながら問うてみてほしい。あなたの会社のAI支出は、今日何を生み出しているか——その答えを持っているCFOは、まだ少数派かもしれない。

参考：techcrunch.com／techcrunch.com／techcrunch.com／techcrunch.com

AI投資ROIエンタープライズAIベンチャーキャピタルコスト管理

OpenAIがトランスフォーマー共同発明者を獲得、IPO前に人材・資金の「大型補強」が加速