7月14日版 — The Trend Tribune

【高橋呂牡】2026年7月14日

「ロボットの工場」の隣に「データの工場」を作った会社——Apptronikの発想がソフト屋として腑に落ちる

旧Dellのサーバー工場だった建物が、今はヒューマノイドロボットの「通学先」になっている。テキサス州オースティンに拠点を置くApptronikが6月30日、約90,000平方フィート（東京ドームのグラウンド部分よりやや広い規模）の施設「Robot Park（ロボットパーク）」を公開した。CEOのJeff Cardenas氏の言葉を借りれば、「ロボットを作る工場があるのと同じように、データを作る工場もある」という発想だ。この言い方、ソフト屋としてはかなり腑に落ちるものがある。

ロボットを働かせて、働かせながらデータを集める

Robot Parkの中身はシンプルだ。両足歩行タイプと車輪タイプ、両方の構成を持つApollo 2ヒューマノイドの群れが、施設内でひたすら実務タスクをこなし続けている。箱を積み上げたり、コンベアに荷物を載せたり、おもちゃを仕分けたり——物流・製造・小売の現場を模した環境で、来る日も来る日も同じような作業を反復している。

作業は遠隔操作（テレオペレーション）と自律動作の組み合わせで行われており、オペレーターがロボットのそばに常駐して動きを誘導・監視しながら、同時にデータを収集しているという。施設は週7日稼働という報道もある。派手な単発デモではなく、地道な反復作業そのものが製品になっている、という点がこの施設の本質だ。

なぜ「工場」という比喩がしっくりくるのか

ソフトウェアの世界に長くいた身として、この「データ工場」という発想には強く共感する。機械学習モデルの性能は、結局のところ学習データの質と量に大きく左右される。とりわけヒューマノイドのような身体性を伴うAI（フィジカルAI）の場合、テキストや画像と違ってインターネット上に無限に転がっているデータが存在しない。現実世界でロボットを実際に動かして初めて手に入るデータなので、これを効率的に大量生産する仕組みそのものが、事業の競争力に直結する。

Apptronikはすでにロボット本体を組み立てる製造ラインを持っており、Robot Parkはいわば、その「もう半分」を担う存在として位置づけられている。ロボットという製品と、そのロボットを賢くするためのデータという製品、この2つを同時並行で工業的に生産する体制を敷いた、という理解でいいだろう。

Google DeepMindとの連携が本丸

技術的に見逃せないのが、ここで集められたデータがGoogle DeepMindとの研究提携を通じて、同社のロボット向け基盤モデル「Gemini Robotics」の訓練に直接活用されているという点だ。テキストや画像を中心に学習してきた大規模言語モデルの世界的リーダーであるGoogleと、実機を大量に動かして現実世界のデータを集める役割のApptronikという、明確な分業構造がここにはある。

Robot Parkのコンセプト自体もオースティンだけにとどまらず、Google DeepMindの拠点、そしてMercedes-Benzや物流大手GXOといった顧客先にも同様のデータ収集ワークフローとして展開されているという。特定の1拠点に閉じたショーケースではなく、顧客の実務現場そのものを学習データ生成の場に変えていく、というスケール戦略が見て取れる。

「プロトタイプ」から「製品」への切り替えという正直な整理

個人的に好感を持ったのが、Apptronik側の説明の率直さだ。現行のApollo 2について、CEOのCardenas氏は「大規模なパイロット運用とデータ収集のための、実質的なプロトタイプ」と位置づけている。その上で、次期モデルのApollo 3については「成熟した早期段階の製品にはなるが、それでも製品だ」と明言している。

現行機を無理に「完成品」として売り込まず、あくまでデータ収集フェーズの主力機と正直に位置づける——この整理の仕方は、過大な宣伝が横行しがちなこの業界では、むしろ評価したいポイントだ。Apollo 3の実力がどこまで伸びるかは、結局のところこのRobot Parkでどれだけの質の高いデータを積み上げられるかにかかっている、というロジックも筋が通っている。

懐疑的に見ておきたい点

とはいえ、いくつか慎重に見ておきたい部分もある。まず、施設内で実際に稼働しているApollo 2の台数は公表されていない。「大量生産」を印象づける発表ではあるものの、規模感を裏付ける具体的な数字が伴っていない点は留意すべきだろう。

また、テレオペレーション（遠隔操作）と自律動作がどのような比率で行われているかも明らかにされていない。この業界でありがちな「自律的に動いているように見えるが、実際にはオペレーターが多くを操作している」というケースに当たらないかどうかは、今後の続報を待って判断したい。

まとめ：地味な反復作業こそが競争力の源泉になる

派手なダンスやバク宙のデモがSNSで話題になりやすいこの業界にあって、Apptronikの今回の発表は「箱を積む」「仕分けをする」という地味な反復作業そのものを主役に据えている。しかしフィジカルAIの実用化において本当に効くのは、まさにこうした泥臭いデータの蓄積だ。ロボットの工場と、データの工場——この2つを同時に回す体制を築けた企業が、次のフェーズで頭一つ抜け出す可能性は十分にある。今後、Apollo 3が実際にどれだけの性能向上を見せるか、Robot Parkで積み上げたデータの成果として注目したい。

参考：www.forbes.com／www.globenewswire.com／interestingengineering.com／www.rundown.ai

ApptronikヒューマノイドApolloGoogle DeepMindフィジカルAIデータ収集

「TPUの頭脳が、次のTPUの体を設計する」——AlphaEvolveが1年間で証明した、自己改善するAIの実力

【山本浪漫】

▶ Google DeepMindが公開したGeminiベースのコーディングエージェント「AlphaEvolve」の1年間の活動報告を解説。次世代TPU設計への組み込みという再帰的な自己改善構造、ゲノミクス・量子物理学・数学研究にまたがる分野横断的な成果、Klarna・FM Logistic・Schrödinger等での商用展開までを、適用範囲の限界にも触れながら紹介する。

「TPUの頭脳が、次のTPUの体を設計する」——AlphaEvolveが1年間で証明した、自己改善するAIの実力

Google DeepMindが開発した「AlphaEvolve」というコーディングエージェントをご存知だろうか。1年前、2025年5月に登場した際には「数学とコンピュータサイエンスの未解決問題を解くAI」という紹介のされ方が中心だった。しかし今回、DeepMindが公開した1年間の活動報告を読み込むと、この技術がすでに研究の域を超え、実世界のインフラや商用ビジネスの中に静かに、しかし着実に浸透していることが分かる。今回はこの「1年間の実績報告」を丁寧に見ていきたい。

AlphaEvolveとは何か、あらためて整理する

AlphaEvolveは、GeminiベースのAIが新しいコードや計算手法の候補を生成し、自動評価システムが速度・精度・コスト削減の観点でスコアをつけ、より優れた候補をさらに改良していく、という進化的なアプローチを取るシステムだ。単純なコード補完ツールとは違い、定量的に評価できる問題に対して、より優れたアルゴリズムそのものを発見することに主眼を置いている。

「Google自身のAIを、AIが改善する」という再帰的な話

今回の報告の中で、個人的に最も興味深かったのがこの一節だ。AlphaEvolveは、Googleの内部インフラの改善に本格的に組み込まれており、次世代TPU（Tensor Processing Unit、Google独自のAI専用チップ）の設計を最適化する定番ツールとして使われているという。DeepMindのチーフサイエンティスト、Jeff Dean氏はこの成果を「AlphaEvolveはAIスタックを支える最下層のハードウェアを最適化することから始まった。直感に反するほど効率的な回路設計を提案し、それが次世代TPUのシリコンに直接組み込まれた。これはTPUの頭脳が、次世代TPUの体を設計するという、最新の実例だ」と表現している。

これはつまり、AlphaEvolveというAIツール自体を動かしているGemini（そしてそのGeminiが動くハードウェアであるTPU）の設計改善に、AlphaEvolve自身が貢献しているという、ある種の再帰的な構造を持つ話だ。AI研究者としての視点で言えば、こうした自己改善のループが実際に本番環境で機能している事例は、まだそれほど多くない。派手な「AIがAIを改善する」という触れ込みだけが先行しがちなこの分野で、TPUのRTL（回路設計の記述レベル）まで踏み込んだ具体的な成果として示された点は、実証としての重みが違う。

分野横断の「守備範囲の広さ」も特筆すべき点

もう一つ注目したいのが、AlphaEvolveが特化型ツールではなく、汎用の最適化エンジンとして機能している点だ。DeepMindの報告書に挙がっている成果を、いくつか紹介したい。

• ゲノミクス：PacBioのDNAシーケンシングモデル「DeepConsensus」の変異検出エラーを30%削減。PacBio社のシニアディレクター、Aaron Wenger氏は「シーケンシング機器の精度を大きく引き上げるものだ。研究者にとっては、これまで隠れていた疾患原因の変異を発見できる可能性がある」とコメントしている • 送電網最適化：AC最適潮流問題（電力網の運用に関わる複雑な最適化問題）において、実行可能解を見つけられる割合を14%から88%超まで引き上げた • 量子物理学：Googleの量子プロセッサ「Willow」上で分子シミュレーションを実行するための量子回路を提案し、従来の最適化手法と比べて誤り率を10分の1に低減 • 数学研究：UCLAの数学者テレンス・タオ氏との協働で、エルデシュ問題群の研究を支援。巡回セールスマン問題やラムゼー数といった古典的な数学課題の下限記録も更新している

一つのシステムが、DNA解析から量子回路、純粋数学まで、これだけ異なる領域で具体的な成果を出しているという事実は、AlphaEvolveが「定量的に評価可能な問題」という共通項さえあれば、分野を問わず適用できる汎用性を持つことを示している。

商用展開もすでに本格化している

研究上の成果だけでなく、Google Cloudを通じた商用提供も進んでいる点も見逃せない。金融サービスのKlarnaは大規模なトランスフォーマーモデルの学習速度を倍増させながら品質も改善させたと報告しており、物流企業のFM Logisticは倉庫規模での巡回セールスマン問題（配送ルートの最適化）で10.4%の効率改善を実現し、年間15,000キロメートル分の走行距離削減につなげたという。広告分野のWPPは手動での最適化と比べて10%の精度向上を達成し、創薬・材料科学分野のSchrödingerは機械学習力場（MLFF）の学習・推論を約4倍高速化したと報告している。

Schrödinger社の技術リード、Gabriel Marques氏のコメントが印象的だ。「AlphaEvolveのおかげで、これまでよりも速く効率的に、より大きな化学空間を探索できるようになった。MLFF推論の高速化は、創薬・触媒設計・材料開発におけるR&Dサイクルを短縮するという、実際のビジネスインパクトを持つ」。

研究者として留意しておきたいこと

DeepMind自身の報告書にも明記されているが、AlphaEvolveの適用範囲には明確な限界がある。「定量的に評価できる、自動化されたスコアリング基準が存在する問題」にしか機能しない、という前提条件だ。人間の主観的な判断が本質的に必要な課題や、明確な評価関数を設計できない問題には、この手法はそのままでは適用できない。

また、今回の報告は開発元であるDeepMind自身によるものであり、独立した第三者による検証や再現実験がどこまで行われているかは、公開情報だけでは判断が難しい部分もある。個々の成果（TPU回路設計、DeepConsensusの改善など）については、それぞれ論文や技術ブログとして詳細が公開されているため、興味のある方はそちらも確認することをお勧めしたい。

まとめ

AlphaEvolveの1年間の軌跡は、「AIによるアルゴリズム発見」という比較的ニッチな研究テーマが、実際のインフラ・商用サービスにここまで浸透しうることを示す好例だ。特に自社の基盤モデルを支えるハードウェア設計そのものにAIを組み込むという再帰的な構造は、今後の「自己改善するAIシステム」という大きな潮流を考える上でも、示唆に富む事例だと思う。DeepMindは今後、この技術をさらに幅広い外部課題に展開していく方針を示しており、続報を追いたい。

参考：deepmind.google／www.digitaltoday.co.kr／winbuzzer.com

AI/MLGoogle DeepMindAlphaEvolveアルゴリズム発見企業公式発表自己改善AI

「Opusに迫る、いや超えるかも」——マスクの自己申告から10日で公開されたGrok 4.5の中身

【田中テック】

▶ xAIのGrok 4.5が6月28日の非公開ベータ発表からわずか10日、7月8日に一般公開された経緯を解説。「Opusに迫るかも」という自己申告の性能主張、公開版がMoE構成だったという当初触れ込みとのズレ、SpaceXによるCursor買収を通じた計算資源・モデル・コーディングツールの垂直統合という構造的な狙いを読み解く。

「Opusに迫る、いや超えるかも」——マスクの自己申告から10日で公開されたGrok 4.5の中身

「Opusに迫る、もしかしたら超えるかもしれない」。6月28日、Elon Musk氏がXにそう投稿したとき、多くのエンジニアは半信半疑だったと思う。独立した第三者ベンチマークが一切存在しない、あくまで社内評価に基づく自己申告のコメントだったからだ。それからわずか10日後の7月8日、Grok 4.5は実際に一般公開された。今回はこのスピード感の裏にある構造を見ていきたい。

「1.5兆パラメータのV9」という触れ込みと、実際に出てきたもの

Musk氏の6月28日の投稿を振り返っておく。「1.5兆パラメータのV9基盤モデルをベースに、Cursorのデータを追加学習に取り込んだGrok 4.5が、SpaceXとTeslaで非公開ベータに入った。初期評価ではOpusに迫る、もしかしたら超える性能を示している」という内容だった。

ここでいう「V9」とは、xAIが5月26日に学習を完了させたばかりの新しい基盤モデルアーキテクチャで、現在Xの本番トラフィックを処理している「v8-small」（約5,000億パラメータ）の3倍規模にあたる。Musk氏は同時に、SpaceXを通じて「完全にゼロから学習し直した新モデル」を今年の残り期間、毎月リリースしていく計画も明かしていた。

ただし、実際に7月8日に公開されたモデルの中身を見ると、興味深いズレがある。公開版はMoE（Mixture of Experts、複数の専門家ネットワークを切り替えて使う構成）方式のシステムであることが確認されており、当初ツイートで示唆されていた「1.5兆パラメータの密なV9」というイメージとは異なっていた、と報じられている。SpaceXAI側も、この1.5兆という数字を正式に確認したわけではなかったようだ。料金体系は、入力100万トークンあたり2ドル、出力100万トークンあたり6ドル（キャッシュ利用時0.5ドル）、コンテキストウィンドウは50万トークンという構成で公開されている。

なぜここまで急いで出したのか

正直に言うと、非公開ベータからわずか10日での一般公開というスピード感は、この業界の標準的なリリースサイクルと比べてもかなり速い部類に入る。Musk氏自身、公開の判断についてベータ期間中のフィードバックが好感触だったことを理由に挙げている。

技術的な背景として見逃せないのが、Grok BuildというxAI社内のコーディング評価基盤の存在だ。SpaceXの航空宇宙エンジニアリングのワークフローや、Teslaの車載ソフトウェア開発という、どんなベンチマークよりも難易度の高い実務タスクを、ベータ期間中の「実地試験場」として活用していたとされる。自社のロケット設計や自動運転ソフトウェアの開発現場そのものをテスト環境にできる、というのはxAIならではの強みだ。

「計算資源・モデル・コーディングツール」を1社が握る構図

今回の一件で個人的に一番注目したいのは、性能の話よりも構造の話だ。SpaceXは今年6月、AIコーディングツールで知られるCursorの親会社Anysphereを600億ドルで買収している。Grok 4.5の学習には、このCursorの開発者セッションデータが補助学習として組み込まれた。

つまり、モデルを学習させるための計算資源（xAIのColossusスーパークラスタ）、モデル自体（Grok）、そしてそのモデルの訓練データを生み出すコーディングツール（Cursor）という3つの要素を、事実上一つの企業グループが同時に握っている、という構図がここにはある。開発者がCursorでコードを書くたびに、そのデータが次のGrokモデルの学習に還元されうる——この自己増殖的なループ（フライホイール）こそが、今回の一件の本質的な意味だと思う。

「Opus級」という宣伝文句、どう受け止めるべきか

技術記事を書く立場として、ここは慎重に書いておきたい。Musk氏の「Opusに迫る、もしかしたら超える」という主張は、あくまで内部評価に基づく自己申告であり、この記事を書いている時点で、xAIからシステムカードや独立した第三者ベンチマークは公開されていない。開発者のMehul Mohan氏がベータ版を試した際の「Opusに似た使用感だった」というコメントも、あくまで個人の感想の域を出ない。

公開版は「より高速、よりトークン効率が良く、比較対象モデルより低コスト」と謳われているが、これも現時点では公式のポジショニング表現に過ぎない。実際の性能評価は、今後独立系の評価機関（Artificial Analysisなど）がベンチマークを行い、その結果が出揃ってから判断すべきだろう。

エンジニアとして見ておきたいこと

今回の一件が示しているのは、AI開発競争の焦点が「誰が最も賢いモデルを作るか」だけでなく、「誰が計算資源・モデル・データ生成ツールをまとめて垂直統合できるか」という、より構造的な競争軸に移りつつあるという流れだ。xAIが月次でモデルを更新し続ける計画を公言している以上、この「フライホイール」がどこまで実際の性能向上につながっていくのか、今後数ヶ月の推移を独立したベンチマークとあわせて見ていきたい。

参考：www.techtimes.com／www.digitalapplied.com／www.cometapi.com／seekingalpha.com／letsdatascience.com

xAIGrokElon MuskSpaceXCursorAI/ML