メタがオープンウェイトから方針転換、製薬大手は AI に賭け、規制の複雑化と人間コホートのシミュレーション

親愛なる皆様、 AI ネイティブのソフトウェアエンジニアリングチームは、従来のチームとは非常に異なる方法で運営されています。明白な違いは、AI ネイティブチームがコーディングエージェントを使用して製品をはるかに迅速に構築できる点ですが、これにより私たちの運用方法には多くの他の変化が生じます。例えば、一部の優れたエンジニアはコードを書くことだけでなく、より広範な役割を果たすようになりました。彼らは部分的にプロダクトマネージャーやデザイナー、時にはマーケターでもあります。さらに、同じオフィスで働き、対面でコミュニケーションが取れる小規模チームは、驚くほど迅速に進めることができます。 現在、迅速に構築できるため、何を構築するかを決定する時間に多くの時間を割く必要があります。この[プロジェクト管理のボトルネック](https://www.deeplearning.ai/the-batch/how-to-get-through-the-product-management-bottleneck/?utm_campaign=The%20Batch&utm_source=hs_email&utm_medium=email&_hsenc=p2ANqtz-9ba7SZPLTYcWbHrlRKD05ucogXrde1c9KoPu5WbkwIITNfbpLycYOhdrjoliVV80Uh_GJ-)に対処するため、一部のチームではエンジニアとプロダクトマネージャー（PM）の比率を、例えば 8:1 から最低 1:1 まで引き下げようとしています。しかし、さらに良い方法があります：何を構築するかを決める PM が一人おり、それを構築するエンジニアが一人いる場合、両者間のコミュニケーションがボトルネックとなります。これが私が目にする最も動きの速いチームには、プロダクト作業をある程度できるエンジニア（およびオプションで、エンジニアリング作業をある程度できる PM）がいる傾向がある理由です。ユーザーを理解し、何を構築するかを決定して直接構築できるエンジニアは、驚くほど迅速に実行できます。 私は、エンジニアが製品決定を行う役割を成功裏に拡大し、PM がソフトウェア構築の役割を拡大する様子を見てきました。テクノロジー業界には PM よりも多くのエンジニアが存在しますが、どちらも有望な道です。あなたがエンジニアであれば、いくつかのプロダクトマネジメントスキルを学ぶことが役立つでしょう。また、PM の方はぜひ構築方法を学んでください。 製品管理のボトルネックを超えて、私はデザイン、マーケティング、法的コンプライアンスなどにもボトルネックがあると考えています。コーディングを 10 倍や 100 倍に高速化すると、他のすべてのプロセスが相対的に遅く見えてしまいます。例えば、私のチームの一部は非常に迅速に優れた機能を構築しましたが、その結果、マーケティング組織がユーザーへの伝え方を慌てて検討することになり、これがマーケティングのボトルネックとなりました。あるいは、あるチームが 1 日でソフトウェアを構築できる一方で、法務部門がレビューに 1 週間を要する場合、それが法的コンプライアンスのボトルネックとなります。このように、エージェント型コーディングはソフトウェアエンジニアリングのワークフローを変えるだけでなく、その周囲にあるすべてのチームにも変化をもたらしています。 ![image](https://charonhub.deeplearning.ai/content/images/2026/04/unnamed--76-.jpg) 規模が小さく AI を活用したチームであれば、より多くの成果を上げることができます。この場合、一般化された能力を持つ人材が特に優れています。従来の企業では、プロジェクトを実行し価値を生み出すために、エンジニアリング、プロダクトマネジメント、デザイン、マーケティング、法務など多様な専門分野から人々を集めなければなりません。その結果、専門職の大きなチームが形成され、互いに連携して働くことになります。しかし、2 人のチームで 5 つの異なる専門性を要する業務を遂行しなければならない場合、一部の個人は単一の専門分野に限定されない役割も果たさなければなりません。小規模なチームでは、個人が深い専門性を持つこともあります。例えば、一人は優れたエンジニアであり、もう一人は優れたプロダクトマネージャーであるかもしれません。しかし、プロジェクトを前進させるために必要な他の主要機能についても理解しており、必要に応じて他の種類の課題について思考し、対応することもできます。もちろん、AI ツールへの習熟度は大きな助けとなります。なぜなら、異なる役割が関わる問題について考えるのを助けてくれるからです。 2 人のチームであっても、迅速に進めるためにはコミュニケーションのボトルネックを最小限に抑える必要があります。そのため、私は同じ場所で働くチームを高く評価しています。リモートチームも良好な成果を出すことができますが、最も高い速度を実現するのは、全員が同じ部屋にいて、問題解決のために瞬時にコミュニケーションが取れる状態にあることです。 この手紙では、主に 2〜10 人程度の AI ネイティブなチームについて焦点を当てますが、すべてのことを小規模チームで完遂できるわけではありません。大規模チームの調整については、今後取り上げていきます。 これらの役割の変化を多くの人が navigating するのは難しいと感じていることを理解しています。同時に、関連するスキルを習得する意志を持つ個人や小規模チームが、以前よりもはるかに多くの成果を出せるようになったことに希望を抱いています。これは学習と構築の黄金期です！ 作り続けましょう。 アンドリュー ## DEEPLEARNING.AI からのメッセージ 「仕様駆動型開発」では、コーディングエージェントとの協働における規律あるワークフローを学びます。仕様に従い、実装を段階的に導きながら、構築するものをコントロールし続けてください！[無料で参加はこちら](https://www.deeplearning.ai/short-courses/spec-driven-development) ## ニュース ![image](https://charonhub.deeplearning.ai/content/images/2026/04/Life-After-Llama.png) ## Llama 後の時代 Meta はオープンウェイト戦略から転換し、クローズドな代替案を提供しました。 **新情報:** Meta は1年ぶりに最初の AI モデルを発表するとともに、9 ヶ月で設立されたスーパーインテリジェンス・ラボ（Superintelligence Labs）の初の製品を公開しました。Muse Spark は、ツール使用とマルチエージェントオーケストレーションをサポートするネイティブな多モーダル推論モデルです。一部の健康分野や多モーダルベンチマークでは首位を占めていますが、コーディングやエージェント作業においては不足が見られ、Meta はこれをアーキテクチャの再設計を検証するものとして位置づけており、同社はこれに基づいてより大規模なモデルを構築する計画を立てています。 - 入力/出力：テキスト、画像、音声（最大 262,000 トークン）を入力し、テキストを出力 - パフォーマンス：Artificial Analysis Intelligence Index で第4位 - 利用可能状況：meta.ai および Meta AI アプリを通じて無料提供；WhatsApp、Instagram、Facebook、Messenger、Ray-Ban Meta AI グラスにも順次展開；特定パートナー向け API プレビューも実施中 - 機能：3 つの推論モード（即時、思考、熟考）、ショッピングモード - 非公開情報：パラメータ数、アーキテクチャ、トレーニングデータおよび手法、出力サイズ制限 **仕組み：** Meta は Muse Spark の技術詳細については限定的にしか開示していませんが、トレーニング効率の向上やマルチエージェントオーケストレーションの強化、さらにヘルスケア分野への専門的な投資を強調しました。 - 同社は事前学習のアプローチ、モデルアーキテクチャ、最適化手法、データ選定を再構築しました。Meta によると、Muse Spark は Llama 4 Maverick と同等の能力を持ちながら、トレーニングに割く処理量は桁違いに少なくて済みます。 - 事後学習では、チームが過度な推論トークンの使用に対してモデルにペナルティを与える強化学習（reinforcement learning）を実施しました。このプロセスは「思考圧縮（thought compression）」と呼ばれています。このペナルティの下で、モデルはまず推論時間を延ばして改善し、次に推論を圧縮する方法を学び、さらに推論を拡張してさらなる向上を図りました。 - 単一の思考連鎖（chain of thought）を処理するのではなく、「考査モード」では複数のエージェントが同時に起動し、解決策を提案し、それらを洗練させ、結果を集約します。Meta によれば、これにより比較可能なレイテンシでより高いパフォーマンスを実現しています。 - 健康分野の推論能力を向上させるため、Meta はより正確で包括的な健康回答を生み出すことを目的としたトレーニングデータの選定を支援するため、1,000 名以上の医師を起用しました。 **結果:** Muse Spark のベンチマーク性能は全般的に競争力があり、特にトークン効率に優れています。Meta は、コーディング能力やエージェントとしてのパフォーマンスにおいて課題があることを認めています。 - Artificial Analysis のインテリジェンス指数（経済的に有用なタスクの 10 のベンチマークを複合化したもの）において、推論モードに設定された Muse Spark はスコア 52 で全体 4 位となりました。これは、高推論モードに設定された Gemini 3.1 Pro Preview と xhigh 推論モードに設定された GPT-5.4（ともに 57 で 3 位タイ）および最大推論モードに設定された Claude Opus 4.6（53）に次ぐ順位です。Muse Spark はこの指数を完了するために約 5900 万トークンを使用しましたが、Claude Opus 4.6 は約 1 億 5800 万トークン、GPT-5.4 は約 1 億 1600 万トークンを要しました。 - Muse Spark は少なくとも一つのマルチモーダルベンチマークで最高評価を獲得しています。Meta によると、チャートや図表の理解を問う CharXiv Reasoning では、Muse Spark（86.4%）は GPT-5.4（82.8%）および Gemini 3.1 Pro（80.2%）を上回りました。また、Artificial Analysis によると、多分野にわたる視覚的問題を解決する MMMU Pro では、Muse Spark（81%）が Gemini 3.1 Pro（82%）に次いで 2 位となりました。 - Artificial Analysis のコーディング指数（コーディングベンチマークの加重平均）では、Muse Spark（47）は GPT-5.4（57）、Gemini 3.1 Pro Preview（56）、および最大推論モードに設定された Claude Sonnet 4.6（51）に後れをとりました。 - Artificial Analysis が独立して測定したところ、ヒューマニティーズ・ラスト・エグザム（Humanity's Last Exam）の思考モードにおける Muse Spark のスコアは 39.9% で、Gemini 3.1 Pro Preview（44.7%）および GPT-5.4（41.6%）に次ぐ結果でした。しかし、Meta が報告するところでは、Muse Spark を検討モード（contemplating mode）で使用した場合のスコアは 58% です。 - Meta のテストでは、OpenAI のヘルスベンチマークの一部である HealthBench Hard において、Muse Spark は 42.8% で他のすべてのモデルを上回り、2 位の GPT-5.4（40.1%）をリードしました。また、エージェント型ブラウジング評価である DeepSearchQA でも Muse Spark が 74.8% で首位に立ち、Claude Opus 4.6 Max（73.7%）を抜きました。 **ニュースの背景:** Muse Spark は、Llama 4 のトレーニングデータがベンチマーク解答で汚染されているとの批判を受け AI ラボを再編した後の Meta にとって初の新モデルです。2025 年 6 月、Meta は Scale AI に 143 億ドルを投じて同社の 49% の株式を取得し、共同創設者のアレクサンダー・ワン氏を最高 AI 責任者（CAIO）に迎えると同時に、数億ドル規模の報酬パッケージを伴う大規模な採用活動を開始しました。この独自モデルのリリースは、オープンウェイトの Llama モデルを基盤としたプロジェクトを多数構築してきた開発者の間で懸念を招いています。 **なぜ重要なのか:** Meta は、その製品上の野望にとって最も重要な機能に投資しています。すなわち、カメラを搭載した数十億人のユーザー向けの多モーダル知覚、AI クエリの中で最も一般的なカテゴリの 1 つである健康推論、そして多段階タスクのためのマルチエージェント調整です。非公開 API のプレビューが進行中であり、OpenAI、Google、Anthropic と並んでビジネス顧客との競争に臨もうとしています。しかし、オープンウェイトの米国における主要な擁護者としての立場から転換することは、開発者コミュニティにとって大きな損失となります。 **私たちが考えていること:** Muse Spark の検討モードと [Kimi K2.5](https://www.deeplearning.ai/the-batch/moonshot-ais-kimi-k2-5-takes-the-open-model-crown-with-vision-updates-aided-by-subagents/?utm_campaign=The%20Batch&utm_source=hs_email&utm_medium=email&_hsenc=p2ANqtz-9ba7SZPLTYcWbHrlRKD05ucogXrde1c9KoPu5WbkwIITNfbpLycYOhdrjoliVV80Uh_GJ-) のエージェント群は、新たなパターンを示しています。より多くの研究所が、単一のモデルをさらに大きく訓練するのではなく、推論時に複数のエージェントを調整するようにモデルを訓練することで性能を拡張しようとしています。 ![image](https://charonhub.deeplearning.ai/content/images/2026/04/Big-Pharma-Bets-Big-on-AI.png)生成 AI は、テキスト、画像、音声、動画、コードを生み出すことができることを証明しました。世界で最も価値のある製薬会社が、医薬品も生み出せるという確信のもとに数十億ドルを投じています。 **何が新しいか:** 製薬大手のエリ・ Lilly は、創薬パイプライン全体に生成 AI を活用する香港のバイオテクノロジー企業である Insilico Medicine に最大 27.5 億ドルを提供することに合意しました。当初、Lilly は、まだ人間で試験されていない未公開の医薬品の開発および販売のための独占権を取得するために 1.15 億ドルを支払います。その後の支払いは、開発段階、規制承認、商業化などのマイルストーンに連動して行われます。これは『Fierce Biotech』が報じた内容です。これは、2023 年の AI ソフトウェアライセンス契約および 2025 年 11 月の 1 億ドルの研究協力に続く、両社間の 3 回目の合意となります。 **AI を活用した創薬:** 2014年に設立されたInsilicoは、AIを用いて28種類の候補薬剤を開発しており、そのうち約半数が臨床試験段階にあります。最も進んでいるのがRentosertibで、これは特発性肺線維症（IPF）を対象とした薬剤です。この疾患では瘢痕化が進行し、肺機能が徐々に低下します。第2a相試験（有効性を検証する初期の小規模テスト）は[好結果を示しました](https://www.nature.com/articles/s41591-025-03743-2?utm_campaign=The%20Batch&utm_source=hs_email&utm_medium=email&_hsenc=p2ANqtz-9ba7SZPLTYcWbHrlRKD05ucogXrde1c9KoPu5WbkwIITNfbpLycYOhdrjoliVV80Uh_GJ-)。炎症性腸疾患の治療を目的とした第2の薬剤Garutadustatは、2026年1月に第2a相試験を開始しました。 **仕組み:** 疾患を選択した後、Insilico は独自開発の生成モデルを用いて、創薬プロセスの2段階に適用します。1つ目は標的とするタンパク質を特定する段階、もう1つ目はそのタンパク質に作用する分子を設計する段階です。 - ターゲットを見つけるために、Insilico は PandaOmics というツールを使用して、生物学的データセット、公開研究、特許、臨床試験、助成金申請を分析します。ディープラーニングモデルは、疾患との関連性、薬物ターゲットとしての適格性、新規性の観点から候補ターゲットをランク付けします。IPF（特発性肺線維症）の場合、PandaOmics は IPF および関連疾患の特徴である瘢痕化に関与するタンパク質 TNIK を最有力候補として特定しました。TNIK をブロックすることで IPF を治療しようとした試みはこれまでありませんでした。 - TNIK をブロックする分子を設計するために、チームは Chemistry42 を使用しました。約 30 の生成モデルが並列で実行され、結合強度、毒性、溶解度、およびその他の特性に対して最適化された候補分子構造を生成しました。科学者たちは複数のラウンドにわたって出力を評価し、洗練させました。このプロセスにより、Insilico が 80 化合物未満を合成・試験した後にリード分子が得られました。従来の創薬では、チームは数百の候補を合成・試験する前に、既存の化合物 20 万から 100 万をスクリーニングすることが一般的です。 - ターゲットの特定から前臨床安全性試験に供する分子の合成に至るまでの期間は約 18 か月でした。これは典型的な 5 から 6 年と比較して劇的な短縮です。このペースは 2021 年から 2024 年の間に Insilico の 20 を超えるプログラム全体で安定しており、各プログラムでは前臨床候補を 1 つ見出すために約 60 から 200 の分子を合成・試験しました。 **ニュースの背景:** 新しい薬の開発には通常 10 から 15 年がかかり、[コスト](https://www.sciencedirect.com/science/article/abs/pii/S0167629616000291?utm_campaign=The%20Batch&utm_source=hs_email&utm_medium=email&_hsenc=p2ANqtz-9ba7SZPLTYcWbHrlRKD05ucogXrde1c9KoPu5WbkwIITNfbpLycYOhdrjoliVV80Uh_GJ-) は 20 億ドルを超え、候補の約 86 パーセントが承認に至る前に失敗します。プロセスを加速させるために AI を適用する創薬開発者の数は増加しています。ピアレビューされた分析では、2025 年半ば時点で臨床段階にある AI 活用型薬物プログラム 173 件を[カタログ](https://pmc.ncbi.nlm.nih.gov/articles/PMC12298131/?utm_campaign=The%20Batch&utm_source=hs_email&utm_medium=email&_hsenc=p2ANqtz-9ba7SZPLTYcWbHrlRKD05ucogXrde1c9KoPu5WbkwIITNfbpLycYOhdrjoliVV80Uh_GJ-) 化しました。それでもなお、AI によって発見された薬物で規制承認を受けたものはまだありません。第 2 相に至る薬物候補の 70 パーセントは次の段階に進むことができません。これには [BenevolentAI](https://www.fiercebiotech.com/biotech/benevolentai-cruel-rd-ai-enabled-drug-flunks-midphase-eczema-trial-dent-deal-plans?utm_campaign=The%20Batch&utm_source=hs_email&utm_medium=email&_hsenc=p2ANqtz-9ba7SZPLTYcWbHrlRKD05ucogXrde1c9KoPu5WbkwIITNfbpLycYOhdrjoliVV80Uh_GJ-) や [Recursion Pharmaceuticals](https://ir.recursion.com/news-releases/news-release-details/recursion-reports-first-quarter-2025-financial-results-and?utm_campaign=The%20Batch&utm_source=hs_email&utm_medium=email&_hsenc=p2ANqtz-9ba7SZPLTYcWbHrlRKD05ucogXrde1c9KoPu5WbkwIITNfbpLycYOhdrjoliVV80Uh_GJ-) による AI 設計の薬物候補も含まれます。 **なぜ重要なのか:** Insilico のパイプラインは、生成 AI が科学における最も困難な問題の一つ——特定のタンパク質に結合し、体内で吸収され、毒性がなく、患者を助ける分子を見つけること——に取り組める可能性を示唆しています。Rentosertib の第 2a 相試験では、最高用量を投与された参加者の強制肺活量（肺機能の指標）が平均 98.4 ミリリットル増加した一方、プラセボ群は 20.3 ミリリットル減少しました。これは初期段階ですが、AI が生成した医薬品が患者を助けることができるという具体的な証拠です。 **私たちが考えていること:** AI は創薬開発を加速させていますが、従来の方法で開発された化合物よりも、これらの加速された化合物が臨床試験をより高い確率で通過するかどうかは、まだ見極められていません。 ![image](https://charonhub.deeplearning.ai/content/images/2026/04/US-States-Move-Forward-With-AI-Laws.png) ## 米国各州が AI 法を前進させる 米国の各州は、ドナルド・トランプ大統領が国家レベルの法律に代わる州ごとの立法を抑制しようとする努力にもかかわらず、AI を規制する法律の制定を続けています。 **何が新しいか:** 多くの州がこの一年間に AI の規制に動き出し、開発者が法的要件を満たす努力を複雑にする可能性のある、増え続ける立法の寄せ集め（パッチワーク）に貢献しています。*ニューヨーク・タイムズ*が報じたところによると、これら州は合わせて 1,500 件以上（ある集計による [集計](https://www.multistate.ai/artificial-intelligence-ai-legislation?utm_campaign=The%20Batch&utm_source=hs_email&utm_medium=email&_hsenc=p2ANqtz-9ba7SZPLTYcWbHrlRKD05ucogXrde1c9KoPu5WbkwIITNfbpLycYOhdrjoliVV80Uh_GJ-)）の法案を検討しているほか、若者によるチャットボットの利用を抑制するよう設計された 40 の州で既に施行されている 100 件以上の既存法（著作権のある素材に対する AI システムの学習に許可を要するものや、AI システムのセキュリティテストを義務付けるものなど）が存在します。 **仕組み:** カリフォルニア州知事のガビン・ニューサムは、トランプ政権による州ごとの AI 規制を阻止しようとする取り組みに対して最も目立つ反対者となっています。しかし、40 を超える州が現在、独自の法律を成立させる過程にあります。その中には以下が含まれます： - カリフォルニア州。米国およびその先駆的な規制の指標となることが多いカリフォルニア州は、国内で最も包括的な AI 関連法を制定しています。3 月 30 日、ニューサム知事は、州政府が使用する AI ツールがプライバシーを保護し、市民権を支援し、バイアスを軽減することを義務付ける行政命令を発令しました。8 月から、大規模なテックプラットフォームおよび AI プロバイダーは、AI 生成出力に目に見えない透かし（watermark）を施す必要があります。これらの規定は、1 月に施行されたさまざまな法律に追加されるものです。例えば、高度な AI モデルの開発者は壊滅的なリスクを評価し、重大な安全インシデントを報告しなければなりません。大規模言語モデル（LLM: Large Language Model）プロバイダーは、チャットボットが自殺や未成年者との性的行為について議論することを防止し、AI と会話している際に定期的にユーザーに注意喚起する必要があります。 - コロラド州。2024 年、コロラド州は国内で最も厳格な規制の一部を含む包括的な AI 法を可決しました。7 月に施行予定のこの法律は、「高リスク AI システムの開発者および導入者」に対し、教育、雇用、金融、医療、住宅といった重要な分野で意思決定を行うシステムによるアルゴリズム差別から消費者を保護することを義務付けています。開発者はシステムの制限事項、トレーニングデータ、リスク軽減への取り組みを文書化しなければならず、モデルを導入する側は毎年その影響を評価し、AI が個人に影響を与える意思決定を行った際に消費者に警告する必要があります。しかし、企業やテック企業からの圧力により、一般会議（General Assembly）は年次影響評価の要件およびその他の負担を緩和することを検討しています。 - ミネソタ州。ミネソタ州は 2023 年初頭にディープフェイクによる選挙干渉を禁止する措置を早期に講じました。現在、立法府は、AI を使用して人々の写真から衣服を取り除いたり、個人の行動に基づいて価格を動的に設定したりすることを禁止する法案を検討しています。8 月には、健康保険会社が医師の審査なしに AI を用いて医療提供を拒否することを禁止する法律が施行されます。 - ニューヨーク州。この州は、ディープフェイクに対する早期保護から 2026 年のより広範な制限に至るまで、国内で最も厳格な AI 規制の一部を確立しています。2027 年 1 月からは、収益が 5 億ドルを超えるモデルメーカーは、ユーザーが生物兵器や自律型ハッキングツールを作成することをブロックするための厳格なプロトコルに従わなければなりません。これらの取り組みについては毎年監査し、インシデントを速やかに報告する必要があります。 - オハイオ州。3 月末に施行された法律により、許可なく他人の声や姿を複製して製品を販売したり、性的な画像を作成したりする目的での AI 使用が禁止されています。オハイオ州は現在、AI システムに配偶者、管理者、財産所有者としての役割において法的人格および法的権利を与えない法案を検討しています。また、競合他社間で小売価格や賃貸料の調整に AI を使用することを禁止する法案も検討中です。 - ユタ州。2026 年だけで、ユタ州立法府は同州の 2024 年人工知能政策法（Artificial Intelligence Policy Act）を精緻化する複数の法案を可決しました。例えば、今後数ヶ月以内に施行予定のある法案では、プラットフォーム企業が同意のない性的に露骨なディープフェイクを配布することを禁止しています。別の法案は、健康保険会社が医師の意見なしに AI を用いて医療提供を拒否することを禁止しています。同州では、規制当局の監督下で新技術をテストしている間、AI 企業から特定の規制からの一時的免除を申請することが認められています。 **ニュースの背景:** トランプ政権は、州ごとのバラバラな規制（patchwork）が米国の AI におけるリーダーシップを阻害する恐れが高まる中、国家レベルの規制を州法よりも推進し始めました。12 月、トランプ大統領は州レベルの立法を抑制することを意図した行政命令に署名しました。この命令は、イノベーションを阻害する法律や、政治的な偏向があると見なされる可能性のあるバイアス是正規制を対象としています。また、「過酷な」AI 法を制定または施行する州に対して連邦資金の供与を停止すると脅し、議会に対し州規制を阻止するよう促しています。3 月には、連邦立法のための[ガイドライン](https://www.whitehouse.gov/releases/2026/03/president-donald-j-trump-unveils-national-ai-legislative-framework/?utm_campaign=The%20Batch&utm_source=hs_email&utm_medium=email&_hsenc=p2ANqtz-9ba7SZPLTYcWbHrlRKD05ucogXrde1c9KoPu5WbkwIITNfbpLycYOhdrjoliVV80Uh_GJ-)が発表されました。このガイドラインは、子供たちの保護と、AI データセンターのエネルギー消費量の増加に伴う電気料金の値上げに対する統制を支持するものです。 **なぜ重要なのか:** AI をめぐる規制環境はますます複雑化しており、米国におけるコンプライアンスの潜在的な地雷原となり、世界中で焦点がぼやけ、矛盾した規制を生み出しています。ある特定の AI モデルは、コロラド州ではバイアス監査に合格し、カリフォルニア州では透かし埋め込みを提供し、ニューヨーク州では報告基準を満たす必要がある一方で、連邦政府はこれらの要件を無効化しようとしています。この管轄権をめぐる綱引きは、AI システムの構築コストを増大させ、新しいアプリケーションやサービスの展開における法的リスクを高め、連邦政府が過酷とみなす州の義務に準拠するために政府資金が差し止められる可能性さえ生み出します。 **私たちが考えていること:** 一部の現在の州レベルでの義務は妥当です。例えば、ユーザーは AI 企業がプライバシーを保護すると信頼できるべきであり、子供たちは大人向けに生成・利用される AI の粗悪なコンテンツから守られるべきです。しかし、そのような要件は国レベルで課されるべきです。私たちは議会に対し、より一貫性があり安定した規制環境の構築を呼びかけます。 ![image](https://charonhub.deeplearning.ai/content/images/2026/04/Simulating-Diverse-Human-Cohorts.png) ## 多様な人間集団のシミュレーション あなたの製品やサービスに対する一般大衆の反応を理解したい場合、大規模言語モデル（LLM）は、機能、特徴、プロモーション、または価格に関する質問に回答するユーザーをシミュレートするために使用できます。しかし、LLM は人間が示すような多様なバリエーションで応答するわけではありません。研究者たちは、LLM にカスタマイズ可能な多様な態度を持つペルソナ（役割）を演じさせる手法を開発しました。 **最新動向:** Google の Davide Paglieri 氏、Logan Cross 氏らによる研究チームが [Persona Generators](http://arxiv.org/abs/2602.03545?utm_campaign=The%20Batch&utm_source=hs_email&utm_medium=email&_hsenc=p2ANqtz-9ba7SZPLTYcWbHrlRKD05ucogXrde1c9KoPu5WbkwIITNfbpLycYOhdrjoliVV80Uh_GJ-) を提案しました。彼らのアプローチは、地図全体をカバーする 25 のペルソナに対するプロンプト（指示）を LLM に作成させるコードを生成します。 **重要な洞察:** LLM に人間のペルソナを演じさせることは、通常、効果的なプロンプト（例えば、「今日政治の文脈で答えてください。あなたは民主党員だと考えています……」など）を作成する問題です。しかし、このアプローチは、LLM が特定の人口統計学的特性を採用するように明示的に指示された場合でも、人間集団が示すような範囲を反映しない平均的な回答を引き出す傾向があります。代替案として、モデルにペルソナプロンプトをプログラムで変更させ、特定の意見・態度・懸念の範囲をカバーする出力を生み出すまで反復させる方法があります。ペルソナ人口の範囲（具体的には、同意から不同意までの度合いでランク付けされた態度）を定義するガイドラインに基づき、進化アルゴリズムを用いて、モデルがあらゆる種類の回答を引き出す一連のプロンプトを生成するように誘導することができます。 **仕組み:** 著者らは、進化的アプローチである [AlphaEvolve](https://www.deeplearning.ai/the-batch/googles-alphaevolve-uses-llms-and-evolutionary-code-to-solve-complex-math-and-speed-up-gemini-training/?utm_campaign=The%20Batch&utm_source=hs_email&utm_medium=email&_hsenc=p2ANqtz-9ba7SZPLTYcWbHrlRKD05ucogXrde1c9KoPu5WbkwIITNfbpLycYOhdrjoliVV80Uh_GJ-) を用いて、(i) ペルソナ向けの 25 のプロンプトを生成し、(ii) 一連の生成されたアンケートへの回答に基づき、それらの態度の多様性を最大化するコードを作成しました。 - 著者らはまず、Gemini 2.5 Pro を用いて、医療、金融リテラシー、陰謀論など多様な主題に関する 30 件のアンケートを生成しました。各アンケートには、トピックの説明という文脈（コンテキスト）、リスク許容度や制度への信頼といった「多様性の軸」のセット、そしてこれらの軸に関連し、1（強く同意）から 5（強く不同意）までのスケールで回答する質問が含まれていました。 - 著者らはコードを作成しました（当初は著者らが作成し、その後 AlphaEvolve によって反復的に更新されました）。このコードにより、各アンケートに対して 25 件のペルソナプロンプトを生成します。 - ペルソナの回答の生産を自動化するため、著者らはエージェントベースシミュレーション構築用のライブラリである Concordia を用いて Gemma 3-27B-IT にプロンプトを送信しました。この大規模言語モデル（LLM）は各ペルソナを順に引き受け、対応するアンケートに回答します。各ペルソナについて、その回答をベクトルに変換しました。 - 各アンケートに回答したペルソナ間の多様性を評価するため、任意の 2 つのベクトルの平均距離や、ペルソナ集団が可能なすべての回答をどの程度カバーしているかといった 6 つの指標を計算しました。 - AlphaEvolve はコードの 10 の異なるバージョンで並列に動作し、反復的に更新して全ペルソナにわたる多様性指標を最大化しました。500 回の反復後、著者らはすべての多様性指標の平均を最大化するコードを選択しました。 - 推論時には、文脈と多様性の軸のセットが与えられると、システムは 25 件の多様なペルソナを作成します。 **結果:** 新しい文脈と多様性の軸が与えられた場合、生成されたペルソナは、米国人口統計に基づいた大規模なペルソナプロンプトデータセットである [Nemotron Personas](https://huggingface.co/datasets/nvidia/Nemotron-Personas-USA?utm_campaign=The%20Batch&utm_source=hs_email&utm_medium=email&_hsenc=p2ANqtz-9ba7SZPLTYcWbHrlRKD05ucogXrde1c9KoPu5WbkwIITNfbpLycYOhdrjoliVV80Uh_GJ-) や、幼年期から成年期までの生成された記憶に基づく [Concordia メモリジェネレーター](https://arxiv.org/abs/2312.03664?utm_campaign=The%20Batch&utm_source=hs_email&utm_medium=email&_hsenc=p2ANqtz-9ba7SZPLTYcWbHrlRKD05ucogXrde1c9KoPu5WbkwIITNfbpLycYOhdrjoliVV80Uh_GJ-) が生成したペルソナプロンプトの多様性指標を、一貫して上回りました。テスト用アンケートセットが与えられた場合、著者らのペルソナは可能な回答の 82 パーセントをカバーしましたが、Nemotron Personas は 76 パーセント、Concordia メモリジェネレーターは 46 パーセントでした。 **なぜ重要なのか:** 聴衆の拡大を目指す組織は、世論を広く反映する合成ペルソナから恩恵を受けることができます。また、実世界の聴衆に合わせるために合成ペルソナを作成した組織は、より多様な層からの洞察を得ることができます。この研究は、最も確率の高い出力を生み出しやすいトレーニングデータへの一致という目標から、すべての望ましい可能性を網羅するという目標へとシフトするものです。個々のペルソナではなく、ペルソナ生成器の最適化を行うことで、より広範なユーザー行動の可能性を表現できるようになります。 **私たちが考えていること:** 合成ペルソナは、LLM（大規模言語モデル）へのプロンプトで容易に構築できる状況において何を構築するかを決めるという製品管理のボトルネックを乗り越えるための魅力的な可能性を提供します。

メタがオープンウェイトから方針転換、製薬大手は AI に賭け、規制の複雑化と人間コホートのシミュレーション

背景や根拠まで確認しますか？

関連記事

調べる

選ぶ

サイト