7月10日版 — The Trend Tribune

【田中テック】2026年7月10日

Metaが「オープンソースの旗」を静かに降ろした日——Muse Spark 1.1が語る戦略転換

7月9日、シリコンバレーでちょっとした地殻変動があった。Metaが「Muse Spark 1.1」という新しいAIモデルを発表し、AIコーディング市場——AnthropicのClaudeとOpenAIのGPT系が長年支配してきた領域——に本格参入したのだ。地味なニュースに見えるかもしれないが、実はこれ、Metaという会社の哲学そのものが変わったことを示す象徴的な出来事だと思う。

「Llamaの会社」が有料APIを始めた

これまでMetaと言えば、「オープンソースAIの旗手」というイメージが強かった。Llamaファミリーのモデル群を無料で公開し、「AIの民主化」を掲げてOpenAIやAnthropicのようなクローズドモデル勢力に対抗する——というのが、長年のMetaの立ち位置だった。

ところが今回のMuse Spark 1.1は、Metaにとって初めての本格的な有料AI APIとして登場した。AI最高責任者のAlexandr Wang氏（Scale AIの共同創業者として知られる28歳の人物で、2025年6月にMetaへ移籍）は、この方針転換について「オープンソースへのコミットメントは続けている」としつつも、Muse Sparkの完全なオープンソース版については「開発中」とだけ述べ、リリース時期は明言を避けている。要するに、看板だった無料公開路線を、少なくとも最先端モデルについては後回しにするという判断だ。

価格設定に透ける「本気度」

料金は入力100万トークンあたり1.25ドル、出力100万トークンあたり4.25ドル。新規APIアカウントには20ドル分の無料クレジットが付与される。

この数字がどれくらい「攻めている」かというと、Anthropicの高速・低コスト向けモデルであるClaude Haiku 4.5や、OpenAIのGPT-5.6 Lunaと同水準のコスト帯に位置している。Wang氏自身、この価格設定を「非常に攻撃的で魅力的」と表現しており、「利用量が増えるほど魅力的になる価格設定を目指した」と語っている。これまでコーディング用AIを選ぶ際、価格面でMetaを比較対象に入れる必要はほとんどなかった。今回の発表で、その計算が変わったことになる。

性能面はまだ「追いつきつつある」段階

正直に言っておくと、前身モデルのMuse Spark 1.0（今年4月リリース）は、コーディング性能の面でかなり見劣りしていた。Artificial Analysis Intelligence Indexのベンチマークでは、Claudeの80.8点、GPT-5.4の75.1点に対し、Muse Spark 1.0はわずか59.0点だったと報告されている。

今回の1.1アップデートは、まさにこのギャップを埋めることを狙ったものだ。100万トークンのコンテキストウィンドウを備え、OpenAI互換のAPI形式を採用することで、既存のツールから乗り換えるハードルを下げている。Replit、Cline、Boxといった開発者ツール企業が早期パートナーとして名を連ねており、実際の開発現場での評価がこれから積み上がっていく段階だ。

Zuckerberg氏、3年ぶりのX投稿という「物語」

このニュースでもう一つ面白いのが、CEOのMark Zuckerberg氏が今回の発表に合わせて、実に3年ぶりにX（旧Twitter）に投稿したという点だ。TechCrunchの報道によれば、Zuckerberg氏はMuse Spark 1.1を「非常に低価格な、強力なエージェント・コーディングモデル」と表現したという。

MetaとXの関係を考えると、この「沈黙を破っての投稿」は単なる偶然ではなく、明確なメッセージ性を持った行動だと見るべきだろう。Wall Street筋からは、Metaの巨額なAIインフラ投資に対するリターンを示すよう圧力がかかっている、とも報じられている。Metaはハイパースケーラー並みの投資ペースを続けている一方で、AWSやAzure、Google Cloudのようなクラウドインフラ事業を持たず（将来的に開始する計画はあるとされる）、人気モデルやAIアプリケーションの開発でもOpenAI・Anthropic・Googleの後塵を拝してきた。今回の有料API参入は、その遅れを取り戻すための、かなり本気度の高い一手だと理解していい。

安全性評価も同時公開されている点は評価したい

技術的な話に戻ると、Metaは今回、自社の「Advanced AI Scaling Framework」に基づく安全性評価の結果も公開している。それによると、緩和策を施す前のMuse Spark 1.1は、化学・生物・サイバーセキュリティの分野で「高リスク」の閾値に達していたが、多層的な安全対策によって残存リスクを中〜低リスクまで引き下げたという。またジェイルブレイク（安全制約の回避）の成功率も、前バージョンのMuse Spark 1.0と比べて低下したとされている。

派手な性能競争の裏でこうした安全性データを開示する動き自体は、業界の透明性という観点から素直に評価したいポイントだ。

開発者としてどう捉えるべきか

Muse Spark 1.1は、既にClaude・GPT-5系という2強がひしめくAIコーディング市場に、Metaが「第3、いや第4の選択肢」として食い込もうとしている、という構図だ（SpaceXが買収したCursor陣営の動きも含めれば、実質的にはもっと混戦になっている）。米国のBoxやReplitのような大手が早期パートナーに名を連ねている点からも、市場としての注目度の高さが伺える。

とはいえ、ベンチマーク数値は各社が自社に都合よく切り取って発表するものでもあるので、実際にプロダクションで使う際は、自分たちのワークロードでの検証を怠らないことをお勧めしたい。「オープンソースの旗手」だったMetaが、有料クローズドモデルで殴り込みをかけてきたという事実だけでも、AIコーディング市場の競争環境が新しいフェーズに入ったことは間違いなさそうだ。

参考：www.cnbc.com／mlq.ai／easternherald.com

MetaAI/MLAIコーディングMuse Sparkオープンソース

「ゴミを片付けて」で本当にゴミを片付けたロボット——AgilityのCEOが明かす"脳"と"体"の分業戦略

【高橋呂牡】

▶ Agility RoboticsのCEO Peggy Johnson氏へのTechCrunchインタビューを基に、Digitの技術アーキテクチャを解説。Claude・Geminiを使い分ける「LLM非依存」の意味理解層と、10年分の実運用データに支えられた物理制御層という分業設計、逆関節の膝や特化型ハンドの設計思想、安全認証の壁、家庭用ロボットへの現実的な距離感までを読み解く。

「ゴミを片付けて」で本当にゴミを片付けたロボット——AgilityのCEOが明かす"脳"と"体"の分業戦略

「ゴミを片付けて」——たったこれだけの指示で、Digitはバブルラップを非リサイクル品と正しく判定し、床に散らばったさまざまなゴミを仕分けてビンに入れた。7月上旬、Agility RoboticsのCEO Peggy Johnson氏がTechCrunchのインタビューで明かしたこのデモ、ソフト屋としては地味に興奮するポイントが詰まっている。

Agilityといえば先日、SPAC合併による上場計画（評価額約25億ドル、調達見込み6.2億ドル超）が発表されたばかりだが、今回はその華やかな資金調達の話ではなく、インタビューの中で語られた技術アーキテクチャの設計思想に注目したい。

「LLM非依存」という賢い割り切り

まず面白いのが、AgilityがLLM（大規模言語モデル）について「LLM-agnostic（LLMに依存しない）」という立場を明確にしている点だ。ClaudeやGeminiといった複数のモデルを、状況に応じて使い分けているという。

Johnson氏はLLMの役割を「意味理解層（semantic layer）」——つまり、人間の高レベルな指示（「ゴミを片付けて」）を、ロボットが実行できる具体的な行動系列に翻訳する部分——に限定していると説明している。これは設計として非常に理にかなっている。1社のLLMに縛られると、そのモデルの性能や価格、可用性のリスクをまるごと背負い込むことになる。逆に「意味理解」という抽象的なタスクに絞れば、最新の高性能モデルが登場するたびに乗り換えられる柔軟性を確保できる。

LLMが苦手とする「物理層」こそがAgilityの本丸

ここがこのインタビューで一番刺さったポイントだ。Johnson氏は「LLMは全インターネットを学習データにできた。でもヒューマノイドのフィジカルAI（身体性を伴うAI）は、そんなデータはまだ存在しない」と言い切っている。

つまり、バランスを取りながら歩く、物を掴む、重い荷物を運ぶ——こうした身体制御の部分は、テキストや画像を学習させれば身につくものではなく、実世界での長年の運用データの蓄積でしか磨けない、という考え方だ。Agilityは2015年にオレゴン州立大学からスピンオフした会社で、10年以上、実際の倉庫や工場でロボットを動かし続けてきた実績がある。Johnson氏は「実際の運用環境における実機ロボティクスデータとしては、我々が最大級のデータレイクを持っているかもしれない」と自信を見せている。

ここは中国勢の華やかなデモ映像を見るときにいつも思うことでもあるのだが、見た目の滑らかさと、実運用での信頼性は別物だ。Agilityのアプローチは、派手さより「10年かけて積み上げた物理層のデータ」を差別化要因に据えている点で、地に足のついた戦略だと感じる。

Digitのハードウェア、意外と「割り切り」がすごい

Digit本体のスペックも紹介しておきたい。身長約175cm、体重約73kg。最大の特徴は逆関節（いわゆる「鳥脚」）の膝で、床レベルから頭上の棚まで、膝が倉庫のラッキングにぶつからずにリーチできる設計になっている。Johnson氏いわく、これは生体模倣そのものを目的にしたわけではなく、あくまで機能から逆算した結果だという。

手も「親指2本・指2本」というシンプルな構成で、これは重いプラスチックコンテナを、中身が輸送中に動いても確実に掴めるよう最適化されたものだ。人間の手をそのまま模倣するのではなく、タスクに特化した最小限の自由度に絞り込む設計思想は、ソフトウェアエンジニアとしても共感できる部分が大きい。過剰な汎用性は、複雑さとコストを増やすだけで、実運用上のメリットに直結しないことが多い。

安全認証という「地味だが逃げられない」壁

もう一つ、Johnson氏が強調していたのが安全性の話だ。競合他社がラボでのデモや振り付けされた映像でロボットを見せる一方、Agilityは顧客施設内で稼働させるために、実際の産業安全認証要件をクリアする必要に迫られてきたという。「ロボットを作ってから安全にすることはできない。それは設計のやり直しになる。電気系統、部品、それを支えるソフトウェアまで、すべて安全認証を取得しておく必要がある」という彼女の発言は、以前このコラムでも紹介したNVIDIA Halosの話とも通じる、業界共通の課題を物語っている。

この文脈で触れておきたいのが、Figure AIの元プロダクト安全責任者が、同社ロボットが「人間の頭蓋骨を骨折させかねないほどのパワーを持つ」ことへの懸念を提起した後に解雇されたとして訴訟を起こした一件だ（Figure側は主張を争っている）。真偽はさておき、こうした訴訟が実際に起きているという事実自体が、ヒューマノイドの安全設計がまだ発展途上の領域であることを示している。

「家庭用ロボット」への現実的な距離感

最後に、Johnson氏の発言でもう一つ好感が持てたのが、家庭用ヒューマノイドについての姿勢だ。「10年以上はかかる」と明言し、その理由を「倉庫や工場は複雑とはいえ、通路は固定され、設備の配置も予測可能。家庭は犬がいて、赤ちゃんがいて、来客があって、物が思わぬ場所に置かれる、まったく違う話だ」と説明している。

「道路にはまだ一定の秩序がある」と自動運転車と比較しているあたり、誇大な将来予想を語りがちなこの業界にあって、かなり地に足のついた発言だと思う。現在Agilityが注力しているのは、退職していく労働者や、身体的にきつい仕事を敬遠する若年層によって生まれている、米国内で100万件を超えるとされる人手不足のポジションだという。派手な「家庭用ロボットの夢」よりも、目の前の労働力不足という具体的な課題に照準を合わせている点が、このインタビュー全体を通じて一貫していた。

まとめ

華やかな資金調達競争（Figure AIの390億ドル評価額、Apptronikの55億ドル評価額など）が話題になりがちなヒューマノイド業界だが、今回のインタビューが教えてくれるのは、「脳（LLM）と体（物理制御）を分けて考える」という設計思想の健全さだ。LLMの進化は他社に任せ、自社は10年かけて積み上げた物理層のデータと安全認証という、簡単には真似できない資産に集中する——このAgilityの割り切り方は、これから工場や倉庫にヒューマノイドを導入しようとする企業にとって、参考になる視点だと思う。

元記事：techcrunch.com

Agility RoboticsヒューマノイドDigitLLMロボット制御フィジカルAI

トップAI研究者25人に聞いた「AI開発を自動化するAI」への本音——20人が"最も深刻なリスク"と回答した理由

【山本浪漫】

▶ UC BerkeleyのField・Douglas・Krueger氏らが、Google DeepMind・OpenAI・Anthropic・Meta・大学から集めた25人の第一線AI研究者に行ったインタビュー調査論文を解説。「ASARA（自律的AI研究開発システム）」という概念、20人が最重要リスクに挙げた理由、17人が予測する内部限定利用への懸念、Claudeを使った分析手法までを紹介する。

トップAI研究者25人に聞いた「AI開発を自動化するAI」への本音——20人が"最も深刻なリスク"と回答した理由

「AIがAI自身の研究開発を自動化する」——これはSFの話ではなく、Google DeepMind、OpenAI、Anthropic、Meta、そしてUC Berkeley・Princeton・Stanfordといった第一線の研究者たちが、真剣に議論している近未来のシナリオだ。今回紹介する論文は、この話題について研究者たち自身が実際にどう考えているのかを、丁寧なインタビュー調査でまとめたものだ。

25人の「本音」を聞き出すという地道な作業

論文のタイトルは「AI Researchers' Views on Automating AI R&D and Intelligence Explosions（AI研究者が語る、AI研究開発の自動化と知能爆発）」。著者はSeverin Field氏、Raymond Douglas氏、David Krueger氏の3名で、UC Berkeleyの「MLアライメント・理論スカラーズプログラム」を拠点に行われた研究だ。

2025年8月から9月にかけて、フロンティアAIラボと大学の両方から25人の第一線の研究者にインタビューを実施している。この手の調査で個人的に評価したいのは、サンプリングの方法論だ。ランダム抽出ではなく、意図的に多様な視点——特に反対意見や異論を唱える立場の研究者も含めるよう配慮したという。AI研究の世界は往々にして「主流の空気」に流されやすいテーマだけに、あえて異なる意見を拾いに行く姿勢は、調査設計として誠実だと感じる。

「まだ実現していない」のに、8割が最重要リスクに挙げた

結果として最も印象的なのは、この一文に尽きる。AIシステムはまだ自己再帰的に自己改善する能力を獲得していないにもかかわらず、インタビューを受けた25人中20人が、AI研究の自動化を「最も深刻で差し迫ったAIリスクの一つ」として挙げたという点だ。

まだ起きていない現象を、8割の専門家が最優先の懸念事項として名指しする——これは決して大げさな話ではなく、研究者たちの間で「軌道」がかなり明確に見えている、ということの表れだと理解できる。参加者たちは、AIエージェントがコーディング・数学、そして最終的にはAI開発そのものにおいて能力を高めていき、「アシスタント」や「ツール」的な立ち位置から徐々に「自律的なAI開発者」へと移行していく、という点で意見が一致していた。ただし、その先の予測——つまり自律的なAI開発者が実現した後に何が起きるか——については、意見が大きく分かれたという。

論文はこの自律的なAI研究開発システムを指す略語として「ASARA（Autonomous Systems for AI Research and Development）」という用語を導入している。今後この分野の議論で頻出しそうな概念なので、覚えておいて損はないだろう。

「公開されない」という、もう一つの重要な指摘

この論文が示すもう一つの重要な論点は、ASARAが一般公開されるプロダクトとして世に出るとは限らないという予測だ。25人中17人の研究者が、高度なコーディング・AI研究開発システムは、AI企業や政府による内部利用に限定される方向に進むと予想していたという。

これは冷静に考えれば筋の通った話だ。もしあるシステムが自社のAI開発を本当に加速できるなら、それを競合他社に公開することは、自分たちの優位性を手放すことに等しい。研究者たちの予測が正しければ、AI開発競争における最も重要なツールほど、外部からは見えない場所で使われるという構図になる。これは政策議論において見過ごされがちな視点だと思う。透明性や規制を語る際、私たちがつい注目するのは一般公開されたプロダクトだが、本当に重要な進展は、公開されないまま進んでいく可能性がある。

分析にAI自身を使うという、ちょっとしたメタな工夫

方法論的に面白いのが、著者たちがインタビューの分析作業にClaudeを活用している点だ。匿名化した文字起こしを1件ずつ、構造化されたプロンプトを使ってAIシステムに読み込ませ、参加者の立場を（「不明」という選択肢も許容しつつ）特定させるという手法を取っている。AIの将来について語るインタビューを、AI自身の力を借りて分析する——このメタな構造は、この分野の研究がどれだけAIツールと一体化しているかを象徴しているようで、個人的に興味深く感じた。

研究者間で「文化の対立」が存在するという指摘

論文の終盤では、参加者の間に相反する2つの「文化」が存在することも示唆されている。詳細な内訳までは公開情報からは読み取れないが、著者らはこの分断について「政策議論には両方の立場を含めるべきだ」と提言している。AI政策を考える上で、単一の「専門家の総意」を前提にするのではなく、対立する視点の存在そのものを政策設計に織り込むべきだ、というこの指摘は、地味だが実務上重要な示唆だと思う。

この研究の位置づけと限界

著者ら自身も論文中で、この調査の限界について正直に述べている。インタビューのサンプリング手法がランダムではないため、結果の代表性や妥当性に影響を与える可能性があるという点、そしてコーディングを筆頭著者一人が帰納的に行ったため、評価者間信頼性（複数人での採点一致度）が算出されていない点だ。著者らも「AI研究者の間に明確なコンセンサスがある」と断定する意図はなく、あくまで「ある特定の時点における専門家の見解のスナップショット」として結果を提示している、というスタンスを明確にしている。

とはいえ、この分野で25人もの第一線の研究者に直接インタビューし、定性的な理由づけまで丁寧に拾い上げた調査は、貴重な一次資料だと言える。ベンチマークの数字や企業のプレスリリースだけでは見えてこない、研究者たち自身の「本音の温度感」を伝えてくれる論文として、今後この分野の議論を追う上で押さえておきたい一本だ。

参考：arxiv.org／www.researchgate.net／exploringchatgpt.substack.com

AI/ML論文AI安全性AI研究インタビュー調査