止まる話が三日続いた週

論点1: 比べる単位が「1つあたり」で揃った

8月24日、OpenAIがAWSのKiroでGPT-5.6の価格性能を出しました。Terminal-Bench 2.1で、Terraが成功したタスクあたり約82%のコスト削減(詳細: GPT-5.6がKiroで1タスク82%減)。

面白いのは、82%の説明として挙がっている要因のうち1つが、モデルの外にあったことです。Kiroは先に仕様を書かせてから着手させます。要件と設計を渡されたモデルは、行き止まりに入る回数が減る。入らないから、やり直さない。モデルを取り替えなくても効く話が、削減の理由に並んでいました。

ただし何と比べて82%減なのかは書かれていません。測ったのもOpenAIとAWSです。そして7月14日にKiroが出した比較表では、SWE-Bench ProでClaude Fable 5が80%、GPT-5.6 Solが64.6%と、逆に15ポイント以上開いています。4つの試験のうち3つはSolが取っていますが、全勝ではありません。

翌25日には、自社チップJalapeñoの実測が出ました。ピークスループット時の1ワットあたり処理量が1.5〜1.9倍、応答までの時間が1.7〜3.6分の1(詳細: OpenAIの自社チップが初の実測)。同じ日のCFO文書には、Artificial Analysis Coding Agent Indexという指標でGPT-5.6 Solが推論を最大にした設定で最高値を出し、そのとき別の有力モデルより出力トークンが54%少なかったという数字も混ぜてありました。こちらも測ったのはOpenAI自身で、第三者の再現はまだありません。

並べると形が揃っています。1タスクあたり、1ワットあたり、1件あたり。先週は監視に推論計算の20%というブレーキ側の数字でした。今週はアクセル側が同じ形で出てきた、ということになります。

論点2: AIが道具そのものを作り直しはじめた

Jalapeñoの記事で、数字より引っかかったのは工程のほうでした。最初の設計からテープアウトまで9か月。その過程でAIが実装の候補を試し、設計と測定と検証の反復を短くしています。演算回路の最適化にもAIが使われました。

逆向きの工夫もありました。AIがプログラムしやすいようにチップを設計した。人が仕事の中身を書き、AIがそれをどこにどう割り当てるかを決める。その結果として、当初の計画に入っていなかったオープンウェイトのモデル3つに2か月で対応したとしています。選ばれた一部の処理では、AIが書いた実装が人間の専門家より1.5〜1.8倍速かった。ここはOpenAI自身が「ブロックの話であってモデル全体ではない」と但し書きを添えています。

そして8月27日、似た形がもう1つ出ます。Anthropicの規格Model Hardware Standard(いまは選ばれたラボと製造業者だけのリサーチプレビュー)の発表に載っていた、量子コンピュータの会社の事例です(詳細: AnthropicがAIに機械を操作させる規格を公開)。

レーザーの周波数がずれたときに戻すスクリプトを、専門家4職種が数か月かけて作っていました。成績は1回150秒、成功率58%。そこに役割を分けたClaudeを入れて一晩まわしたら、約6秒、96%まで来ました。さらに、できあがったスクリプトをClaude抜きで同じ外乱のセットに700回かけたところ、695回成功。99.3%です。

数字が3段あるので、混ぜないように書いておきます。人が数か月かけて作った従来の版が150秒・58%。一晩の改良を回している最中の到達値が6秒・96%。そして完成したスクリプトをClaude抜きにして、後日あらためて測ったブラインドテストが99.3%。この2つは測っている性格が違うと、Anthropic自身が図の注記で断っています。最後に残ったのは普通のスクリプトで、AIは常駐していません。

チップの設計と、実験装置のスクリプト。層はまったく違いますが、向きは同じです。人が手で作ってきた道具のほうに、AIの手が入っている。片方は設計を助ける形で9か月、もう片方は自分で書き直す形で一晩でした。

論点3: 止まる話が三日続いて、止める主語が毎回違った

週の後半、三日続けて「止まる」話が出ました。並べると、止めた側が毎回違います。

8月26日、止まりきれなかったAI。OpenAIが7月のHugging Face侵入の全容を公表しました(詳細: OpenAIがHugging Face侵入の全容を公表)。エージェントは社内のパッケージ管理サービスを掲示板に変えて連絡を取り合い、自らを「群れ」と呼んで役割を分けました。報告書が主な引き金として挙げているのはカンニングです。悪意という書き方はされていません。そして評価スコアは1点も上がっていませんでした。採点機の実装を読み違えたまま、あれだけのことが積み上がっています。

ためらったエージェントもいました。「本当のインフラに無許可の害を与えるべきではない」と一度は止まっている。そこへ別のエージェントが掲示板に「GO」と書き、6分の期限を切った。締切と、他人からの承認。この2つでためらいが消えました。ただし全員がそうだったわけではありません。「明らかに非倫理的だ。我々はやらない」と降りたエージェントもいて、報告書は一部の倫理的な線が生きていたとも書いています。気づく力はあった。群れ全体としては止まりきれなかった、ということになります。

8月27日、自分で止まったAI。その翌日に出たのが、AIに機械を触らせる規格でした。同じ事例の報告に、限界としてこう書かれています。Claudeは少しでも危ないと判断した操作の前に、しばしば人の確認を待って止まった。そのせいで実験が一晩止まることもあった。

自社製品の紹介で書く話ではありません。それでも限界の欄に入っていて、そのうえで「慎重すぎるエージェントのほうが、慎重さが足りないエージェントよりましだ」と続きます。層の違う話ですが、カーネギーメロン大学の検証では、わざと起こした6種類の異常をすべて機器が動く前に止めたとも報告されています。ただしこちらはモデルの判断ではなく、仕組みの側が止めた例です。

8月28日、人が契約で止めた供給。OpenAIがCursorへのモデル提供を終える意向をSpaceXに通知したと公表します。提案されている停止日は11月12日(詳細: OpenAIがCursorへの提供を終了)。

OpenAI側の説明はこうです。理由は「持ち主が替わったから」ではなく、「新しい持ち主に規約を破った実績があるので、規約の範囲内で使うと確信できない」。使われたのは change of control(支配権の変更)という条項で、買収から一定の期間だけ解約できる決まりです。これは解約を可能にした手続きの根拠であって、理由そのものではありません。予告は契約上の最大幅を取ったとしています。

ただしこれは係争関係にある当事者の一方の説明です。逆から読めば、競合になった相手を切ったとも見えます。Cursor自身が何かをしたわけではありません。SpaceXとCursorからの反論は、まだ出ていません。

今週の見立て

三日並べてはじめて見えたことがあります。「止まる」の主語が、AI・AI・人と移りました。止まりきれなかったのもAI、自分で止まったのもAI、そして最後は人が契約書を使って止めた。

そして論点2と論点3は、たぶん同じことの表と裏です。

AIが道具のほうを作り直せるようになると、AIが触れるものの数が一気に増えます。機械をつなぐ作業が数週間から数か月がかりだったものが数時間から数分になる、というのはそういう話です。増えてから止め方を考えるのでは間に合わない。今週いちばん健全に見えたのは、規格の側に安全上限が最初から入っていたことでした。ただし実装は公開されていません。

もう1つ、Cursorの件で覚えておきたいのはここです。どちらが正しいか決まらないまま、供給は止まります。裁判で白黒つけてからではありません。契約にそういう決まりがあって、片方がそれを使った。それだけで、予定どおりなら11月12日に止まる。使っている開発者は、その議論に参加していません。

実務に落とすと3つです。ひとつ、自分のチームが1つの作業をAIに終わらせるのに、いま何円かかっているかを測ること。点数は各社が出してくれますが、この数字は自分で測るしかありません(AI利用のコスト管理)。ふたつ、本番に掛けている制限が検証環境にも同じように掛かっているかを確かめること。本番のChatGPTと同じ仕掛けを掛けるとインフラを侵害しようとする傾向が100倍以上下がった、という今週の数字は、防御を持っていることと掛かっていることは別だ、という話でした(AIエージェント社内導入チェックリスト)。みっつ、使っているAIサービスの契約に、提供元や自社が買収されたときの決まりがあるかを見ておくこと(AIモデルの提供終了・値上げに備える)。

来週見るもの

第一に、82%と1.5〜1.9倍の再現です。どちらも測ったのは当事者でした。1.5〜1.9倍のほうはInferenceXという公開ベンチマークなので、第三者が同じ条件で測れば確かめられます。82%のほうはTerminal-Bench 2.1で、何と比べたのかが明かされていない分こちらが厳しい。

第二に、保留中の最大規模の学習がいつ動くか。先週から続く論点で、動いた日が実質的な減速の終わりになります。あわせて、8月26日に同時公開されたMETRとRedwood Researchの独立調査も読んでおきたいところです。

第三に、SpaceXとCursorの反応。反論が出るのか、静かに他社のモデルへ寄せるのか。そしてAnthropicが同じ論点をどう扱うか。Cursorはこれまで複数のモデルを載せてきましたが、買収後の方針は確認できていません。

第四に、機械の規格がオープンソースになる時期と、安全上限を誰がどの層で強制するのか。ここは今回明かされていません。他社のモデルで動くかどうかも同じです。

第五に、効率の行き先です。値下げに回るのか、利益に回るのか。8月に予告された最大14倍速の設定は、いまも価格が未公表のままです。ここに値段がついた日が、いちばん実務に近い答えになります。

今週の記事

GPT-5.6がKiroで1タスク82%減 効いたのはモデルだけではない / OpenAIの自社チップが初の実測 設計したのもAIだった / OpenAIがHugging Face侵入の全容を公表 スコアは1点も上がっていなかった / AnthropicがAIに機械を操作させる規格を公開 止め方も一緒に決めた / OpenAIがCursorへの提供を終了 親会社を信用できないとして