AI

概要 Gartnerは2026年4月7日、インフラ・オペレーション（I&O）分野におけるAI投資の実態調査レポートを発表した。2025年11月〜12月に783人のI&Oリーダーを対象に実施した調査によれば、AIプロジェクトがROIの期待を完全に達成したのはわずか**28%にとどまった。一方で20%**が完全失敗と報告しており、**57%**のリーダーが少なくとも1件のプロジェクト失敗を経験していた。ただし、**77%**のリーダーは少なくとも1件の成功事例も持っており、成否が大きく分かれている実態が浮き彫りになった。 失敗の主な原因 Gartnerのリサーチディレクターであるメラニー・フリーズ氏は、失敗の最大の要因として「期待が高すぎ、早すぎた」点を挙げる。AIがすぐに複雑なタスクの自動化やコスト削減、長年の運用課題の解消を実現すると見込んでいたリーダーが多く、短期間で結果が出ないと自信を失いプロジェクトが停滞するケースが相次いだという。失敗が集中したユースケースは自動修復（Auto-remediation）、自己修復インフラ（Self-healing infrastructure）、エージェント主導のワークフロー管理など、複雑性が高く実装難度の大きい領域だった。また、多くのチームがAIをビジネス戦略の中核ではなく「実験的なサイドプロジェクト」として扱っていたことも問題として指摘された。スキルギャップおよびデータ品質・データ不足はそれぞれ失敗原因の**38%**を占めた。 成功している領域と成功要因 成功率が高かったのはITサービスマネジメント（ITSM）とクラウドオペレーションで、これらの分野では53%のリーダーが成功を報告した。どちらも市場が成熟しており、AIが付加価値をもたらす実証済みのユースケースが存在する点が共通している。フリーズ氏はAIプロジェクトを成功に導く3つの条件として、①既存ワークフローへのAIの統合、②経営幹部によるサポートと資金継続、③組織の実際のニーズに基づいた現実的なビジネスケースの構築を挙げた。さらに、AIユースケースを「製品として管理する」こと——共有スコアリングモデルの導入や、セキュリティ・財務チームを巻き込んだ部門横断的な評価——を推奨している。 業界全体で共通するAI投資の課題 この調査は、AI投資のリターンに懐疑的な見方が広がる昨今の流れとも一致する。MITが2025年8月に実施した調査では、生成AIのパイロットプロジェクトの**95%**が測定可能な財務的リターンを生まなかったと報告されており、コーポレート幹部の80%以上が「AI投資にもかかわらず生産性向上を実感できていない」とする調査結果も出ている。Gartnerは今回の結果を受け、I&Oリーダーに対して中央集権的な戦略主導アプローチへの転換と、サイロ型の部門予算管理からの脱却を促している。AIの潜在的な価値を引き出すためには、技術的な実装だけでなく、組織設計やビジネスケースの精緻化が不可欠であることが改めて示された。

概要 Metaは2026年4月8日、新しいAIモデル「Muse Spark」を発表した。これは2025年6月にScale AIの49%の非議決権株式を143億ドルで取得し、同社の共同創業者兼CEOだったAlexandr WangがチーフAIオフィサーとして率いるMeta Superintelligence Labsが9ヶ月かけて開発した初の成果物となる。2025年4月のLlama 4が市場から低評価を受けて以来、Metaにとって初の主力AIモデルとなるMuse Sparkは、Meta AIアプリおよびMeta.aiウェブサイトで即日利用が開始された。注目すべきは、従来のMetaのオープンソース戦略（Llamaシリーズ）とは異なり、Muse Sparkはプロプライエタリなクローズドソースモデルとして展開されている点だ。 技術的な詳細 Muse Sparkはテキスト・画像・音声のマルチモーダル入力に対応し、出力はテキストで行う。3つの動作モードを備えており、日常的なクエリに応答する「Instant（即時）」、深い分析が必要な場合の「Thinking（思考）」、そして複数のAIエージェントが並列で推論する「Contemplating（熟考）」モードがある。効率面では、Llama 4 Maverickと比較して10倍以上少ないコンピュートで同等以上の性能を実現したとされている。 ベンチマーク結果は強みと弱みが混在する。Artificial Analysis Intelligence Indexでは52点を記録し総合4位（1位はGemini 3.1 Pro PreviewとGPT-5.4が同点の57点）、医療系ベンチマークのHealthBench Hardでは42.8%でGPT-5.4（40.1%）を上回りトップを獲得した。博士レベルの推論を問うGPQA Diamondでは89.5%、視覚理解のMMMU-Proでは80.5%を達成している。一方でコーディングを評価するTerminal-Benchでは59.0と、GPT-5.4の75.1に大きく遅れており、コーディング分野での差はMeta自身も認めている。 展開計画と今後の展望 Muse Sparkは発表と同時にMeta AIアプリおよびMeta.aiで利用開始となったが、今後数週間以内にFacebook・Instagram・WhatsApp・MessengerといったMetaの主要プラットフォーム全体へ展開される予定だ。さらにRay-Ban Meta AIスマートグラスへの統合も計画されている。開発者向けAPIは現在プライベートプレビュー中で、正式公開は近日中の見込み。また、将来的には一部バージョンをオープンソースライセンスで公開する計画も示されているが、具体的な時期は未定とされている。 MetaはMuse Sparkを「スケーリングラダー」の最初の一歩と位置づけており、より強力な後継モデルの開発が計画されている。2026年のAI・データセンターへの設備投資は最大1,350億ドルに達する見込みで、OpenAIやGoogleとの競争に向けた本格的な体制を整えつつある。Meta幹部はAxiosに対し「Muse Sparkは必ずしも最先端を塗り替えるものではないが、マルチモーダル理解や医療情報処理など特定の領域では主要ラボの最新モデルと十分に競合できる」と語っている。

概要 米スタートアップArcee AIは、400Bパラメータのオープンウェイト推論モデル「Trinity Large Thinking」をApache 2.0ライセンスで公開した。CEO Mark McQuadeは「非中国企業がリリースしたオープンウェイトモデルとして史上最高性能」と主張している。同社は従業員わずか26名、トレーニング予算2000万ドルという極めて小規模なチームでこのモデルを開発しており、潤沢なリソースを持つ大手AIラボに少人数チームが真っ向から対抗できることを示す事例として業界の注目を集めている。 モデルはHugging Faceからウェイトをダウンロードして利用できるほか、Arcee APIを通じたクラウドホスト版（出力トークン100万件あたり$0.90）や、オンプレミスでのデプロイ・カスタムトレーニングにも対応している。 技術的な詳細 Trinity Large Thinkingは、短期的なコーディング性能よりも**長時間稼働するエージェントタスク（long-horizon agents）**に最適化されている点が特徴だ。マルチターンのツール呼び出しや、拡張ワークフローでのコンテキスト一貫性の維持、長期エージェントループでの安定したパフォーマンスを重視して設計されている。Arceeチームは「開発者が毎日24時間365日稼働させているエージェントで異常なほど優れたモデルを構築することに注力した」と説明している。 インフラ面では、事前学習にNVIDIA B300を2,048基、後処理学習にH100を1,152基使用。本番環境にはNVIDIA DynamoとBlackwell Ultra GPU、vLLMを組み合わせて運用している。ベンチマークでは、Kiloのエージェント特化評価「PinchBench」で2位を記録（1位はClaude Opus-4.6のみ）。OpenRouterにおける米国内オープンモデルの使用量でも首位を達成しており、ピーク時（2026年3月1日）には1日あたり806億トークン以上を処理したという。 普及の背景と今後の展開 同モデルが急速に普及した背景には、AnthropicがClaude Codeのサブスクリプション条件を変更し追加料金が必要になったことで、開発者がオープンソース代替を探し始めたタイミングがあったとされる。また、中国系AIモデルへのデータセキュリティ・地政学的リスクへの懸念から、自社インフラで運用・カスタマイズできる西側企業製オープンウェイトモデルへの需要が高まっていることも追い風となっている。 今後はTrinity Large Thinkingで確立したトレーニング手法を、Trinity-MiniやTrinity-Nanoといった小型モデルへディスティレーションで展開する計画だ。「まず大きなモデルで優れた手法を確立し、その後スタック下方へと流し込む」という段階的アプローチを採用しており、エンタープライズおよび開発者コミュニティへのさらなる普及拡大を目指している。

概要 Anthropicは2026年4月7日、サイバーセキュリティ分野で卓越した能力を発揮する新AIモデル「Claude Mythos Preview」のプレビュー版を発表した。同モデルは同社の新サイバーセキュリティイニシアティブ「Project Glasswing」の一環として開発されたものだが、その能力の高さゆえに悪意ある攻撃者に利用された場合の危険性を考慮し、Apple・Google・Microsoft・Nvidia・AWSといった限られたハイプロファイルな企業パートナーへの提供にとどめている。一般公開は当面見送られた。 高いサイバーセキュリティ能力と悪用リスク Claude Mythos Previewは「防御的なサイバーセキュリティ業務」を主な用途として設計されており、既存のモデルを大きく上回る脆弱性検出・解析能力を持つとされる。Anthropicは同モデルのハッキング能力が非常に強力であると認めており、もし悪用されれば大規模なサイバー攻撃を可能にするリスクがあると説明している。このような判断から、同社は一般向けのリリースを控え、信頼できるセキュリティ研究パートナーに限定した形でのプレビュー提供という慎重なアプローチを選択した。 Project Glasswingとサイバーセキュリティへの取り組み Project Glasswingは、AIを活用したサイバーセキュリティ研究の加速を目的としたAnthropicの取り組みである。ソフトウェアの脆弱性を自動的に発見・分析することで、企業や研究機関がセキュリティ上の問題を攻撃者より先に修正できるよう支援することが狙いだ。限定パートナーにはApple・Google・Microsoft・Nvidia・AWSのほか、Broadcom・Cisco・CrowdStrike・Palo Alto Networksなど計12社が名を連ね、さらに約40の組織にもアクセスが提供されている。各パートナーはMythosを活用した防御的セキュリティ研究の実施が期待されている。 今後の展望 Anthropicは今後、Mythos Previewで得られた知見やフィードバックをもとに安全策を強化しつつ、提供範囲の段階的な拡大を検討するとみられる。AIの能力が高度化するなかで、強力なモデルをいかに安全かつ責任ある形で展開するかという課題は、業界全体にとって重要な問いとなっている。同社の慎重な姿勢は、AIの安全性を優先するAnthropicの基本方針を改めて示すものといえる。

概要 中国のZhipu AI（智谱AI、現在はZ.AIとも表記）は2026年3月27日、コーディングタスクに特化したフラッグシップのオープンソース大規模言語モデル「GLM-5.1」を公開した。MITライセンスのもとで重みが公開されており、開発者が自由に利用・改変できる。特筆すべきはソフトウェアエンジニアリングベンチマーク「SWE-Bench Pro」でスコア58.4を記録し、Claude Opus 4.6（57.3）、GPT-5.4（57.7）、Gemini 3.1 Pro（54.2）といった米国主要モデルを上回ったとの同社発表だ。これは中国製モデルがこのベンチマークで米国主要モデルを初めて超えたケースとして注目されている。 技術的な詳細 GLM-5.1はMixture-of-Experts（MoE）アーキテクチャを採用しており、総パラメータ数は744Bだが、推論時にはトークンあたり40Bのみが活性化される設計となっている。コンテキストウィンドウは200K、最大出力は128Kに対応する。特徴的なのは単純なコード生成を超えた「最大8時間の長時間自律実行」を実現している点で、計画立案・実行・テスト・修正・最適化までの一連の工程を自律的にこなし、本番環境対応のアウトプットを生成できるという。オプションのDeep Thinking機能、ストリーム型ツール呼び出し出力、Claude CodeやClineなどOpenAI互換ツールへの対応も備え、vLLM・SGLang・KTransformersを用いたデプロイが可能だ。 SWE-Bench Pro以外のベンチマークでも、CyberGym（68.7）、MCP-Atlas（71.8）、AIME 2026（95.3）、GPQA-Diamond（86.2）といった高いスコアを示している。ただしSWE-Bench Verified（コード修正成功率）では77.8%と、Claude Opus 4.6（80.8%）やGPT-5.4（80.0%）をやや下回る結果もあり、ベンチマークによって得意・不得意があることが示されている。 開発背景と注目ポイント Zhipu AIはNvidiaのGPUを使用せず、華為（Huawei）のAscend 910Bチップ10万基とMindSporeフレームワークでGLM-5.1を訓練した。同社は2025年1月に米国の輸出規制リスト（エンティティリスト）に掲載されたが、開発を継続し、2026年1月には香港IPOで約5億5800万ドル（約857億円）を調達している。今回の公開はGLM-5（2月）、Turbo版（3月中旬）に続く6週間で3度目の重要モデル更新であり、急速な開発ペースを維持している。 展望と課題 GLM-5.1のオープンソース公開は、オープンウェイトのコーディング特化モデルとして開発者コミュニティへの訴求力が高く、「80%のスタートアップが中国オープンモデルを採用」という現状をさらに後押しする可能性がある。一方でSWE-Bench Proのスコアは現時点でZhipu AI自身の自己申告であり、第三者機関による独立した評価はまだ確認されていない点には注意が必要だ。米中のAI競争が激化するなか、Huaweiチップを活用した大規模訓練インフラの実績とオープンソース戦略の組み合わせは、今後の中国製LLMの動向を占う重要な事例となりそうだ。

概要 Googleは2026年4月7日、エッジデバイス上でのLLM（大規模言語モデル）推論に特化したオープンソースフレームワーク「LiteRT-LM」を公開した。同フレームワークはgoogle-ai-edgeチームが開発したプロダクション向けの推論エンジンであり、Chrome・Chromebook Plus・Pixel Watchへのオンデバイス生成AI機能としてすでに実装されている。クラウドへの依存を排除することで、ユーザーのプライバシー保護と応答レイテンシの低減を同時に実現する。 アーキテクチャと技術的最適化 LiteRT-LMはEngine/Sessionパターンを採用している。Engineはベースモデルやエンコーダーなどの共有リソースを管理するシングルトンとして機能し、Sessionは個々の会話を担当してステートフルなコンテキストとLoRAウェイトによるタスク固有のカスタマイズを処理する。 メモリと計算効率を最大化するため、以下の3つの主要な最適化機能を備える。 コンテキストスイッチング: タスク切り替え時にKVキャッシュとLoRAの状態を保持し、再計算を省く セッションクローニング: 計算済みのKVキャッシュ状態をキャッシュし、冗長な処理を回避する Copy-on-Write KVキャッシュ: バッファを変更が生じるまで共有し、メモリ使用量を最小化する プラットフォームサポートはAndroid・Linux・macOS・Windows・Raspberry Piに対応し、バックエンドはCPU・GPU・NPUの各ハードウェアアクセラレーターをサポートする。 実装事例：Chrome・Chromebook PlusとPixel Watch ChromeおよびChromebook Plusでは、複数のAI機能が単一のGemini Nanoベースモデルを共有する構成を採用した。これにより、機能ごとに専用モデルを配置する場合と比較してメモリ要件を大幅に削減できる。 Pixel Watchへの実装では、ウェアラブルデバイスの制約に対応するためモジュラー設計が活用された。実行エンジン・トークナイザー・サンプラーという必要最小限のコンポーネントのみを選択して組み合わせることで、限られたリソース内での動作を実現している。この事例はフレームワークの柔軟性と拡張性を示すものだ。 開発者向けリソースと今後の展望 LiteRT-LMのC++プレビュー版はGitHub上で公開されており、ドキュメントとサンプルコードも提供されている。対応モデルはLiteRTのHugging Faceコミュニティから参照可能で、エンジンの基礎となるC++インターフェースにも直接アクセスできる。 今回のリリースは、LLM処理の分散化・エッジ化という業界全体の流れを加速させるものとして注目される。クラウドデータセンターへの依存を低減し、よりレスポンシブでプライバシーに配慮したアプリケーション開発を可能にするLiteRT-LMは、エッジAI開発の標準的フレームワークとなる可能性を持つ。

概要 NVIDIAは2026年の全米ロボット週間（National Robotics Week）に合わせ、物理AI（Physical AI）領域における最新の実用事例を公式ブログで公開した。同社のIsaac Sim、Omniverse、Cosmos、Jetson Orinといったプラットフォームを活用したスタートアップ企業が、太陽光発電や農業など産業現場で具体的な成果を上げていることが明らかになった。また、NVIDIAのスタートアップ支援プログラム「NVIDIA Inception」の第2期MassRobotics Fellowshipに選ばれた9社も発表された。 注目事例：太陽光パネルの自律設置と農業AIロボット 特に注目を集めているのが、AES Corporationから生まれた太陽光ロボティクス企業Maximoによる太陽光パネルの自律設置プロジェクトだ。同社はNVIDIAのアクセラレーテッドコンピューティング、Omniverse ライブラリ、Isaac Simフレームワークを活用したロボットフリートを開発・展開し、100メガワット規模の太陽光設備設置を完了した。労働力不足が課題となっている太陽光発電の普及において、設置速度・安全性・一貫性の向上に貢献しているとされる。 農業分野ではAigenが、NVIDIA Jetson Orin エッジAIモジュールを搭載したソーラー駆動の自律ローバーを展開している。作物と雑草をリアルタイムで識別し、精密な除草を実施することで除草剤への依存を低減する。バックエンドではNVIDIAのCosmos基盤モデルを農業データで追加学習させ、Isaac Simのパイプラインを使って多様な農場環境でのシミュレーションを行っている点が技術的な特徴だ。 MassRobotics Fellowship 第2期採択スタートアップ NVIDIA Inception メンバーの中から、AWSのクラウドクレジット支援を受ける9社が選出された。自律農業ロボットのBurro、双腕ロボット向けデータ基盤のConfig Intelligence、製造向けコンピュータビジョンのDeltia、物理AIシステム用触覚デバイスのHaply Robotics、太陽光パネル設置向けAIロボットのLuminous Robotics、ロボット開発向けデータ分析プラットフォームのRoboto AI、小売・物流向けAIヒューマノイドのTelexistence、レーザー除草農業ロボットのTerra Robotics、歩行支援ウェアラブルのWiRoboticsの9社で、多様な領域をカバーするラインナップとなっている。 物理AI普及に向けた展望 今回の事例群は、NVIDIAのシミュレーション・エッジ推論・基盤モデルという三層のプラットフォームが、物理AIの「仮想訓練から実世界展開」というサイクルを加速していることを示している。太陽光・農業・製造・小売といった多様な産業での実用化が同時並行で進んでおり、物理AIが研究フェーズを超えて産業インフラとして定着しつつある段階に入っていると言えるだろう。

概要 UberはAWSとの戦略的パートナーシップを拡大し、Amazonのカスタムシリコン「AWS Graviton4」と「AWS Trainium3」の採用を発表した。Graviton4はUberの「Trip Serving Zones（乗車提供ゾーン）」に展開され、ライダーとドライバーのリアルタイムマッチングを支える。一方、Trainium3はAIモデルのトレーニングへのパイロット導入として新たに試験利用を開始する。TechCrunchはこの発表をOracleやGoogleへの影響を示唆する動きとして報じており、ハイパースケーラーの独自チップ採用が業界全体で加速している様子を映し出している。 技術的な詳細 AWS Graviton4は低消費電力のARMベースサーバーCPUで、Uberはすでに利用していたGravitonをさらに拡大し、核心的なライドおよびデリバリーのリアルタイムインフラに組み込んだ。Trip Serving Zonesでは数百万件の予測を同時処理し、位置データをミリ秒単位で分析することでドライバーとライダーの最短距離マッチング、最適ルート算出、到着時刻（ETA）予測などをスプリット秒で実行する。ピーク時やイベント時のグローバルな需要急増にも対応できる急速なスケーリング機能を持ちながら、エネルギー消費の削減と運用コストの低減も実現している。 Trainium3はAIトレーニング専用チップで、Uberにとっては今回が初めての採用となる。数十億件にのぼるライドとデリバリーのデータを分析するAIモデルのトレーニングに活用され、最適なドライバー・クーリエの割り当て判断やパーソナライズされた配達レコメンデーションの改善を目指す。大規模スケールでのコスト効率に優れたトレーニング環境の構築が主な狙いだ。 背景と業界動向 Uber VP of EngineeringのKamran Zargahi氏は「Uberはミリ秒が重要なスケールで運営しています。より多くのTrip Servingワークロードをより迅速にスケールし、需要急増時も途切れなく対応する柔軟性を得られます。一部のAIモデルをTrainiumでパイロットし始めることで、すべてのUber体験をよりスマートにする技術基盤を構築しています」とコメントした。AWSのRich Geraffo VP兼北米マネージングディレクターも「Uberは世界で最も要求の厳しいリアルタイムアプリケーションのひとつであり、そのグローバル業務を支えるインフラの重要な一部を担えることを誇りに思う」と述べている。 今回の発表は、主要テクノロジー企業がクラウドプロバイダーの独自設計チップを採用して特定ワークロードのパフォーマンスとコスト効率を最適化する業界全体のトレンドを象徴するものだ。Uberがミッションクリティカルなライドシェア業務においてAmazonのカスタムシリコンを本格採用したことは、汎用GPUやサードパーティ製チップへの依存から脱却し、クラウドプロバイダー固有のシリコンを中核インフラに据える流れがさらに強まることを示している。

概要 RubyコミッターのYusuke Endoh氏が、Claude Codeを対象とした13言語にわたる大規模ベンチマーク（計600回以上の実行）の結果を公開した。簡略化したGit実装をAIエージェントに開発させるという手法で、言語ごとのコストと速度を比較した結果、動的言語が静的型付け言語を大きく上回ることが示された。 最も優秀だったのはRuby（1回あたり$0.36、73.1秒）で、Python（$0.38、74.6秒）、JavaScript（$0.39、81.1秒）が続いた。これら3言語はいずれも全テストを安定してパスし、40回の実行を通じて分散も小さかった。一方、静的型付け言語は動的言語と比べて「1.4〜2.6倍遅くコスト高」であることが確認された。 ベンチマークの設計と技術的詳細 ベンチマークはv1・v2の2フェーズで構成され、各言語20回ずつ実行された。言語レベルの差異を正確に測定するためカスタムハッシュアルゴリズムを採用し、実装規模は約200行程度のプロトタイピングスケールとして設計された。 静的型付け言語の中ではGoが平均$0.50と比較的コンパクトだったが、標準偏差37秒と分散が大きかった。Rustは平均$0.54で最も広いスプレッドを示し（標準偏差54.8秒）、全言語中テスト失敗が2件のみと品質面では健闘した。Cは最もコストが高く平均$0.74で、生成コード量もRubyの219行に対し517行と大幅に多かった。 型チェッカーの影響 注目すべきは、型チェッカーを追加した場合にさらなる速度低下が観測された点だ。PythonにMyPyを適用すると1.6〜1.7倍、RubyにSteepを適用すると2.0〜3.2倍の速度低下が生じた。TypeScriptとJavaScriptの比較でも、$0.62対$0.39と大きな差が出ており、厳密な型チェックがAIエージェントの試行錯誤コストを著しく増加させることが示唆された。 考察と限界 Endoh氏は自身の限界も率直に認めており、約200行規模のプロトタイピングコードに基づく結果であること、自身がRubyコミッターであることによる潜在的バイアス、そして大規模コードベースでは静的型付けの利点が逆に有利に働く可能性を指摘している。AIコーディングエージェントが主流になりつつある現在、言語選択の基準として「型の厳密さ」が必ずしも効率につながらないという新たな視点を提供する研究として注目される。

概要 AIを用いた半導体設計プラットフォームを開発するスタートアップCognichipは2026年4月1日、Seligman Ventures主導のシリーズAラウンドで6,000万ドルの調達を発表した。SBI Investment、Mayfield、Lux Capital、FPV、Candou Venturesも参加し、2024年の創業以来の累計調達額は9,300万ドルを超えた。今回の資金調達と同時に、IntelのCEO Lip-Bu Tan氏とSeligman VenturesのマネージングパートナーUmesh Padval氏が取締役に就任している。 同社を創業したCEOのFaraj Aalaei氏は、ネットワーク半導体のAquantiaやCentillium Communicationsを立ち上げた3度目の起業家。Amazon、Google、Apple、Synopsys、KLAといった企業の出身者に加え、数学・物理のオリンピックメダリストを含む精鋭チームを率いている。 技術的な詳細：ACI®プラットフォーム Cognichipの中核製品は「ACI®（Artificial Chip Intelligence）プラットフォーム」と呼ばれる独自のフルスタックアプローチだ。従来のEDA（電子設計自動化）ツールが設計プロセスを逐次的に処理するのに対し、ACIは「物理インフォームド基盤モデル（Physics-Informed Foundation Model）」を採用し、物理的制約・回路動作・製造上の複雑さを設計プロセス全体に統合している。 最大の特徴は並列設計探索の実現だ。従来は順番に行う必要があった設計判断を同時並列で探索できるため、設計期間を約50%以上短縮できると主張する。同社は設計サイクルを数ヶ月から数日規模へ加速させるとも述べている。また、デジタル・アナログ・混合信号の全設計領域に対応しており、コンポーネント間の相互依存性を横断的に計算できる。同社はすでに30社以上の半導体企業と取引しており、業界上位20社の多くが顧客に含まれるとしている。 業界背景と意義 現代の高度な半導体チップの設計には数年の期間と数億ドルの投資が必要とされており、AI自体の進化を支えるチップの開発サイクルがAI産業全体のボトルネックになりつつある。Seligman VenturesのPadval氏は「次の波による設計サイクルの大幅短縮は、既存ツールの漸進的な最適化ではなく、AIによって直列化されていたチップ設計プロセスを並列化することから生まれる」とコメントしている。 Intel CEOのLip-Bu Tan氏が取締役に就任したことは、業界大手がCognichipの技術的方向性を評価していることを示す象徴的な出来事だ。CEOのAalaei氏は、ソフトウェアエンジニアがAIツールを当然のように使うように、半導体設計の世界にも同様の変革をもたらすことを目指している。チップ設計コストの75%削減と開発期間の半減という主張が実現すれば、AI向け半導体の開発競争に大きな影響を与える可能性がある。