8月10日版 — The Trend Tribune

【田中テック】2026年8月10日

AnthropicがNVIDIAと「別れる」わけではない理由——独自チップ開発に踏み出した本当の狙い

8月5日、AnthropicがClaude向けの独自AIチップを設計する社内チームを立ち上げたことを正式に確認した。ハードウェアとソフトウェアの両方に精通したエンジニアを募集しているという。エンジニアとして興味深いのは、このニュースが「NVIDIA依存からの脱却」という単純な図式では語れない、もう少し込み入った事情を含んでいる点だ。

「脱NVIDIA」ではなく「マルチチップ戦略の追加」

まず押さえておきたいのは、Anthropic自身がこの動きを「NVIDIAからの離脱」ではないと明確に位置づけている点だ。同社は現在、モデルの学習・推論の両方において、NVIDIAとGoogleのアクセラレータを中心とするパートナー企業のハードウェアに依存している。今回の独自チップ開発は、AWS・Google・NVIDIA・AMDという既存の取引関係を置き換えるものではなく、そこに新しい層を一つ追加するものだと説明されている。

つまりAnthropicが目指しているのは、単一のサプライヤーへの依存から脱却する「脱却」ではなく、複数の選択肢を持つ「マルチチップ戦略」の強化だ。実際、同社は既にGoogleとBroadcomとの長期契約を通じて、2027年から利用可能になる約3.5ギガワット規模のカスタムTPU（Tensor Processing Unit、Google独自開発の機械学習向け専用チップ）容量を確保しているとも報じられている。今回の独自チップ開発は、この既存の取り組みに、さらに自社設計のチップという新しい選択肢を積み増す動きと理解するのが正確だろう。

動機は「日々さばくトークン数の算術」

Forbesの報道によれば、この動きを後押ししているのは、Anthropicが1日あたり処理する膨大なトークン数と、年間300億ドル規模に達したとされる収益ペースという「単純な算術」だという。汎用的に設計された既製のアクセラレータではなく、自社のモデルに特化して最適化されたチップを使うことで、クエリ1件あたりのコストを継続的に引き下げていく——これが、今回の取り組みの核心にある狙いだ。

これは、AIモデルの提供コストという観点から見ると、極めて合理的な判断だと言える。ハードウェアとソフトウェア（この場合はAIモデルそのもの）を、互いに最適化し合う形で「協調設計（co-design）」することで、既製品の組み合わせでは達成できない効率性を引き出せる可能性がある。GoogleのTPUが長年この戦略を追求してきたことを考えれば、Anthropicが同じ方向に踏み出すのは、業界の必然的な流れの一部とも言えるだろう。

「即戦力」が求められる採用条件

今回の採用募集で目を引くのが、求められる人材像の具体性だ。求人票では「個人として、完成した半導体設計を実際に出荷した経験を持つ」エンジニアが求められており、年俸は32万ドルから48万5000ドルという高水準に設定されている。ある報道では、この職務が「大きな組織のサポートなしに、重要な意思決定を下すことに抵抗がない人」向けだと、率直に説明されているという。

これは、Anthropicが今回のチップ開発を、実験的な研究プロジェクトとしてではなく、実際に量産・展開まで見据えた、本気の取り組みとして進めていることを示唆している。

先行する競合他社との比較

Anthropicのこの動きは、業界の中で孤立したものではない。OpenAIは6月に、Broadcomと共同開発した推論特化型チップ「Jalapeño」を発表済みだ。Metaも次世代の自社製AIアクセラレータ「MTIA」の量産準備を進めている。Googleは、他のどのAI企業よりも長い期間、独自チップ（TPU）の開発を続けてきた実績がある。フランスのスタートアップMistralも、独自シリコン開発への関心を表明しているという。

つまり、フロンティアAI企業が独自チップ開発に乗り出すという流れは、もはや例外的な戦略ではなく、この業界で生き残るための標準的な打ち手になりつつある。半導体業界の情報筋によれば、先端的なAIチップの設計コストは、専門的なエンジニアリング人材の確保と、歩留まりの良い製造プロセスの実現を含めると、5億ドル近くに達する可能性があるという。この巨額の投資を正当化できるだけの、日々の推論コストの規模に、Anthropicも到達しつつあるということだろう。

エンジニアとして見ておきたいこと

今回のニュースが示しているのは、AIモデルの性能競争が、ソフトウェアのアルゴリズムだけでなく、それを支えるハードウェアの設計にまで及ぶ、垂直統合の時代に入りつつあるという構造変化だ。Anthropicが製造そのものを自社で手がけるのか、それとも(報道されているようにSamsungのような)ファウンドリパートナーに委託するのかは、まだ明らかにされていない。

自社でAIモデルを大規模に運用している開発者にとって、この動きは「推論コストは今後さらに下がっていく可能性がある」という、前向きなシグナルとして受け取れる。一方で、複数の主要AI企業が独自シリコンを持つようになれば、それぞれのプラットフォームでの最適化のされ方に違いが生まれ、モデルの移植性やベンチマークの比較にも、今後新たな複雑さが加わっていくかもしれない。

参考：qz.com／www.forbes.com／techwireasia.com

AnthropicClaude半導体AIインフラAI/ML

「ロボット工学最大の難問」に挑む——米新興企業が示した、触覚から始めるロボットハンドという発想

【高橋呂牡】

▶ パロアルトのTacta Systemsが7月27日、触覚センサー内蔵ロボットハンド「TactaBot」を初公開。独自の「Fluidic Tendon」アクチュエーション技術、米粒より小さい触覚センサーが250〜70万パスカルを検出する感度、作業者装着型グローブによるスキルキャプチャでデータ不足を解消する二段階学習アプローチ、2027年初頭出荷予定という商用化計画までを、要素技術としての「手」への注目という視点で解説する。

「ロボット工学最大の難問」に挑む——米新興企業が示した、触覚から始めるロボットハンドという発想

パロアルトを拠点とするTacta Systemsが7月27日、これまで非公開で開発を進めてきた技術を初めて公開した。電子部品の精密組み立てや配線作業など、これまでロボットには難しいとされてきた「高付加価値の手作業」を自動化することを狙った、触覚センサー内蔵のロボットハンドだ。ソフト屋として、この会社が挑んでいる技術的な難問の中身を掘り下げてみたい。

「手」がロボット工学最大の難問である理由

Tacta SystemsのCEO、ヴィクラム・パヴァテ氏は、今回の発表で印象的な発言をしている。「誰もがロボット市場の規模は1兆ドルになると語るが、その技術はまだそこに到達していない。なぜなら、ロボットはまだ自分の手をうまく使えないからだ」。そして「手はロボット工学における最も難しい問題であり、触覚なしにそれを解決することはできない」とも述べている。

この指摘は、ロボット工学に携わったことのあるエンジニアなら、直感的に頷ける話だろう。カメラによる視覚情報だけでは、対象物をどれだけの力で、どの角度で掴めばいいのかを正確に判断するのは難しい。人間が目をつぶってでも物を掴めるのは、指先の触覚から得られる情報を、無意識のうちに処理しているからだ。ロボットにこの感覚を持たせることが、精密な組み立て作業を自動化する上での、長年のボトルネックだったと言える。

「流体腱」という独自のアクチュエータ設計

TactaHandの技術的な核心は、「Fluidic Tendon（流体腱）」と呼ばれる、同社独自のアクチュエーション（駆動）技術にある。従来のロボットハンドは、モーターとケーブル（腱）を組み合わせた機構で指を動かすものが主流だったが、Tactaはこれとは異なるアプローチを採用している。この設計により、精度・力強さ・速度を、工場での何百万回もの動作サイクルにわたって維持できる耐久性を実現しているという。

さらに注目すべきは、搭載されている触覚センサーの感度だ。米粒よりも小さいサイズのセンサーが、250パスカルというごく軽い圧力から、70万パスカルというクランプレベルの強い力まで、幅広い範囲の圧力を検出できるという。この感度の幅広さが、羽のように軽い部品を壊さずに扱うことと、しっかりと固定して力を加える作業の両方を、同じ手で実現することを可能にしている。

データ収集のボトルネックに挑む「スキルキャプチャ」

もう一つの技術的な柱が、「Tacta Glove」という、人間の作業者が装着するウェアラブルデバイスを使った「スキルキャプチャ」システムだ。作業者がこのグローブを着けて実際の製造作業を行うと、力・動き・温度・映像といったデータがリアルタイムで記録される。

この仕組みが解決しようとしているのは、ロボット工学における別の根深い課題——「器用な作業のための、大規模で質の高いデータセットが存在しない」という問題だ。言語系のAIモデルが、インターネット上の膨大なテキストデータを学習素材にできるのに対し、ロボットの手による精密作業のデータは、圧倒的に不足している。Tactaは、実際の工場現場で人間の作業者からこのデータを継続的に収集することで、自社のAIモデル「Dexterous Intelligence」を訓練し、さらに顧客ごとの特定タスクに合わせて微調整する、という二段階のアプローチを取っている。

「事前学習」と「現場での微調整」という二段構え

このアプローチの実務的な利点は、新しいタスクを学習するのにかかる時間を大幅に短縮できる点にある。まず幅広い触覚スキルのデータで事前学習を行い、そのモデルを土台として、顧客の工場現場で収集した、そのタスクに特化したデータで微調整する。この二段階の学習フローにより、長い裾野を持つ多様な状況（long-tail situations、頻度は低いが現場では頻繁に遭遇する例外的なケースの集まり）にも対応しやすくなり、自動化を検討する側にとっての導入ハードルを下げる効果が期待できる。

商用化はまだ先——2027年初頭という現実的なタイムライン

技術的な野心の大きさに対して、Tactaの商用化計画は現実的なペースを保っている。同社の第一弾製品「TactaBot」は、2027年初頭に電子機器・AIインフラ・自動車産業の大手製造業者向けに、初期出荷を予定しているという。将来的には、医療機器や航空宇宙、防衛分野への展開も見込んでいる。

対象タスクとして具体的に挙げられているのが、精密な電子機器の組み立て、コネクタケーブルの接続、ワイヤーハーネスの組み立てといった作業だ。これらはいずれも、人間の熟練工が長年培ってきた、繊細な力加減と正確な位置合わせを要する作業であり、従来の産業用ロボットアームでは自動化が難しいとされてきた領域だ。

ソフト屋として見ておきたいこと

Tacta Systemsの取り組みが興味深いのは、派手なヒューマノイド全体のデモではなく、「手」という一部分に技術的な焦点を絞り込んでいる点だ。ハンドという要素技術に特化することで、既存のヒューマノイドプラットフォームや産業用ロボットアームに、後付けで組み込める可能性も見えてくる。

米国内での製造業回帰（リショアリング）が政策的な追い風となる中、電子機器製造という具体的な業界に狙いを定めている点も、現実的な事業戦略として評価できる。触覚センサーとデータ収集グローブという組み合わせは、既存のヒューマノイド企業とは異なるアプローチであり、2027年の実際の出荷実績を通じて、この技術が本当に「ロボット工学最大の難問」を解決できるのか、注視していきたい。

参考：www.prnewswire.com／www.therobotreport.com／roboticsandautomationnews.com

ロボットハンド触覚センサー製造業フィジカルAIスタートアップ

「一つのAI」ではなく「無数のAIの群れ」の安全性——DeepMindが1000万ドルを投じる、まだ手薄な研究領域

【山本浪漫】

▶ Google DeepMindがSchmidt Sciences・Cooperative AI Foundation・ARIA・Google.orgと共同で、マルチエージェントAI安全性研究に最大1000万ドルを助成するプログラム「Scaling AI Safety for a Multi-Agent World」を実施中(応募締切8月8日)。サンドボックス構築・集団行動の科学・アイデンティティプロトコル・監視ツールという4つの優先領域、Tier1(30万ドルまで)とTier2(30万〜100万ドル)の助成枠、市場原理では埋まらない研究の隙間という問題意識までを解説する。

「一つのAI」ではなく「無数のAIの群れ」の安全性——DeepMindが1000万ドルを投じる、まだ手薄な研究領域

Google DeepMindが、Schmidt Sciences、Cooperative AI Foundation、Advanced Research and Invention Agency（ARIA）、Google.orgという4つの組織とともに、「マルチエージェントAI安全性」の研究に対して最大1000万ドルを助成する、共同研究資金提供プログラムを進めている。応募締め切りは8月8日、採択結果は今秋発表される予定だ。AI研究者出身のジャーナリストとして、なぜ今この分野に注目が集まっているのか、その技術的な背景を整理したい。

「単一モデルの安全性」から「群れの安全性」へ

このプログラムが正式名称として掲げているのは、「Scaling AI Safety for a Multi-Agent World（マルチエージェント世界のためのAI安全性のスケーリング）」というテーマだ。DeepMindのシニアディレクター、オーウェン・ラーター氏は、多数のAIエージェントが同時に動作するときに生じる、予測不能な振る舞いやリスクを理解することの重要性を強調している。

これまでのAI安全性研究の多くは、「一つのモデルが、意図された振る舞いから逸脱しないようにする」という、単体のアライメント（AIの目標を人間の意図に一致させること）に焦点を当ててきた。しかし今回のプログラムが問題提起しているのは、それとは異なる種類のリスクだ——異なる組織によって開発され、異なるプラットフォーム上で動作する、無数のAIエージェントが、互いに交渉し、取引し、協調しあうようになったとき、個々のモデルの安全性を積み上げるだけでは捉えきれない、集団としての新しいリスクが生まれるのではないか、という問いである。

4つの優先研究領域

今回の資金提供プログラムは、具体的に4つの優先研究領域を掲げている。

1つ目は、マルチエージェントシステムを評価・比較するための、現実的で再現可能な「サンドボックスとテストベッド」の構築だ。2つ目は、エージェントのネットワークがどのように集団的な振る舞いを生み出し、どのように機能不全に陥るかを理解する「サイエンス」的な研究。3つ目は、身元確認やアカウンタビリティの仕組みなど、異なるプラットフォーム間でのエージェント間相互作用を支える「アイデンティティと評判のプロトコル」のストレステスト。そして4つ目が、展開されたエージェント群を監視し、必要に応じて介入するための「監視・制御ツール」の開発だ。

助成金の規模と応募条件

プロジェクト助成金は1年から2年の期間で、Tier 1が最大30万ドル、Tier 2が30万ドルから100万ドルという2段階の枠組みが用意されている。世界中の研究者からの応募を受け付けており、採択された研究者には今秋、結果が通知される予定だ。

DeepMindはこの取り組みを、自社が過去に手がけてきた協調研究の延長線上に位置づけている。マルチエージェント間の協調を検証するための環境として、以前に開発した「Concordia」や「Melting Pot」といった基盤研究が、今回のプログラムの土台になっているという。

なぜ「今」なのか——セキュリティインシデントの増加という背景

この資金提供プログラムが立ち上がった背景には、エージェント同士のやり取りが急速に増加し、それに伴うセキュリティインシデントも増えているという実態がある。実際、今回の助成プログラムが始動した時期の前後には、自動化されたコーディングツールを標的としたマルウェア攻撃によって、複数のGitHubリポジトリが無効化されるといった事案も報告されている。

多数のAIエージェントが実世界のシステムに接続され、互いにやり取りする機会が増えるほど、単一のモデルの安全性評価だけでは見えてこない、システム全体としての脆弱性が顕在化するリスクも高まる。今回のプログラムは、そうした「群れとしてのAI」に固有のリスクに、研究コミュニティとして先回りして取り組もうとする試みだと言える。

「市場の力では埋まらない隙間」という問題意識

この研究資金提供プログラムの案内文書には、示唆に富む一節がある——「これらの問題の一部は市場の力によって対処されるだろうが、一部はその隙間からこぼれ落ちてしまうと我々は予想している」。

つまりこのプログラムは、営利企業が自社の製品開発の中で自然に解決していくであろう課題と、そうではなく、学術研究として意図的に資金を投じなければ誰も手をつけない課題とを、明確に区別しようとしている。多数の組織が開発した、異なるAIエージェント同士がどう安全に協調できるかという「エコシステムレベルの安全性」は、個々の企業にとって直接的な収益に結びつきにくく、まさに市場原理だけでは埋まりにくい研究領域だと位置づけられている。

研究者として見ておきたいこと

このプログラムは、AI安全性研究における関心の重心が、「一つのモデルをどう制御するか」から、「多数の自律的なエージェントが相互作用する系全体を、どう安全に設計するか」へと広がりつつあることを象徴している。

エージェント型AIが企業のワークフローに次々と組み込まれ、複数のAIエージェントが互いに通信・連携する場面が実務でも増えている今、この分野の研究成果は、学術的な関心にとどまらず、実際にマルチエージェントシステムを設計・運用するエンジニアにとっても、いずれ実践的な指針となっていく可能性がある。今秋の採択結果発表を経て、どのような研究テーマに資金が投じられるのか、注視していきたい。

参考：deepmind.google／www.tun.com／www.cooperativeai.com

DeepMindマルチエージェントAI安全性研究資金AI/ML