PyTorch Conference NA 2026、エージェント AI と次世代知能セッション

TL;DR

PyTorch Conference North America 2026 では、エージェントのトレーニングや本番環境での運用、PyTorch を構築するエージェント、そして物理世界における PyTorch など、Agentic AI と次世代知能に関するセッションが多数開催されます。

PyTorch Con NA における Agentic AI と次世代知能

2026 年 North America 版のスケジュールを見ると、一目でわかることがあります。それは「エージェント」が至る所に登場しているという点です。カーネルの記述から CI のトリアージ、チップ間でのワークロード移行、ロボットの制御、さらには電話応対まで、多岐にわたるタスクを担っています。今や問われているのは「モデルがこれらの作業をこなせるか」ということではなく、「自律的に動作するシステムをどうトレーニングし、本番環境で運用し、ガバナンスし、デバッグするか」という課題へとシフトしています。

以下では、PyTorch Conference North America の 2 日間にわたる Agentic AI と次世代知能に関するコンテンツのガイドツアーと、会場に参加する意義についてご紹介します。

会議スケジュール全体はこちら

PyTorch Conference North America 2026 の登録はこちら

基調講演から始まる

3 つの基調講演が全体の議論を形作ります。

brute force に頼らない時代：適応型知能の幕開け

Sara Hooker (Adaption)

10 月 20 日 午前 9:40 | Grand Ballroom

次なる突破口は規模の拡大ではなく、アーキテクチャにあります。本番環境に展開された後も学習を継続し、モデルが凍結されたトレーニング分布と、実際に動作する現実世界の間のギャップを埋めるシステムです。

サラ氏の講演では、完全な再学習を行わず、壊滅的な忘却（カタストロフィック・フォアゲッティング）を引き起こさず、繰り返し微調整を行うコストもかけずに、行動を更新する継続的かつ勾配フリーの学習について掘り下げます。モデルをリリースした後、次第に時代遅れになっていく様子を見せつけられた経験があるなら、この講演は必見です。

エージェント時代のワークロードの代替可能性

Bill Jia氏（Google Cloud）

10月21日 午前9時15分 | グランドボールルーム

もう一つの側面は、開発者としてのエージェントに焦点を当てたものです。TorchTPU のオープンソース化に関する詳細な解説に加え、Jia氏は複雑なモデルのワークロードをGPUからTPUへ移行する、長期にわたるアジェンシー・ワークフローを実演します。これらのワークフローでは、人間による介入を最小限に抑えつつ、量子化やカスタムカーネル生成、シャード戦略におけるヒルクライミング（最適化）を継続的に実行していきます。

エージェントAI基盤基調講演

Mazin Gilbert氏（Agentic AI Foundation）

10月21日 午前9時10分 | グランドボールルーム

Mazin Gilbert氏は、Linux Foundation傘下のAgentic AI Foundationの執行ディレクターです。オープンソースプラットフォームの開拓に25年以上のキャリアを持ち、研究論文を100本以上執筆し、米国特許を260件以上保有しています。

基調講演では、スケーラブルでエンタープライズ対応のオープンソースAI展開を支える中立的なガバナンスの場として、エージェントインフラがどのように確立されつつあるかについて、重要な文脈を提供します。

エージェントの訓練：強化学習が必須となる

エージェンティックなコンテンツで最も密度が高いのは、ポストトレーニング（学習後の調整）領域です。マルチターン操作、ツール利用、長期ホライズンの強化学習はもはや研究段階の好奇心の対象から、実用化における必須要件へと進化しました。

PyTorch におけるエージェント強化学習訓練

Yichuan Wang, Shuhua Yu (Meta)

10 月 20 日 16:20 | 会場 210AE

ロールアウトインフラ、トレーナーとサービング間の通信、環境抽象化、サンドボックス実行、タスクスケジューリング、そしてオンポリシーとオフポリシー手法のトレードオフまで、強化学習訓練ループ全体を網羅したエンドツーエンドの概要を紹介します。

エージェントハッチスを用いたオープンソース強化学習

Ben Burtenshaw (Hugging Face)

10 月 20 日 17:30 | 会場 210AE

OpenEnv は、RL 環境の公開と実行のための相互運用性レイヤーです。Hugging Face、Meta、Unsloth、Prime Intellect、Modal、NVIDIA、Mercor など複数の企業によって共同所有されています。フロンティア研究所ではモデルを独自のハッチス内で訓練していますが、オープンエコシステムではモデル、ハッチス、訓練プロセスがそれぞれ別々のベンダーによって提供される傾向があります。本セッションはこのギャップを埋めるための取り組みについて話し、最後に 1 つの GPU でフォーク可能なデモで締めくくります。

モデルだけでなくエージェントを訓練する

Sergio Paniego Blanco (Hugging Face)

10 月 21 日 12:20 | 会場 LL21DEF

エージェンティック環境における実用的な SFT（教師あり微調整）と GRPO の手法を探求し、ハッチスが環境内で直接自身の内部ループを管理するハッチス駆動型訓練へと発展させるプロセスを紹介します。

Torchtitan RL：エージェントタスク向けの統一かつ拡張可能な訓練フレームワーク

Felipe Mello, Jiani Wang (Meta)

10 月 21 日 16:20 | 会場 LL21DEF

フェリペとジャニのセッションでは、システムアーティファクトが報酬設計を妨げないよう、オンポリシーかつビット単位で再現可能なモードを用いて、トレーニングと生成の両方に単一のモデル定義を使用する方法を学びます。

マイルズ：エンタープライズ向けエージェント型 RL フレームワーク

毛成（RadixArk）

10 月 21 日 11:45 | LL21DEF

統一された低精度トレーニング、安定した Mixture-of-Experts (MoE) リンforcement ラーニング、そして加速された推測ロールアウトを活用して、ポストトレーニングの拡張方法を学びます。

ロールアウトとトレーニングの不一致について

Neiwen Ling（ByteDance）、Tianle Zhong（バージニア大学）

10 月 21 日 16:55 | LL21DEF

トレーニングと推論のミスマッチに焦点を当てた鋭く具体的なライトニングトークです。ロールアウトエンジンとトレーニングパスの間で生じる小さなトークンレベルの数値的不一致が、単なるノイズではなく、PPO/GRPO の目的関数を静かに書き換えてしまう理由とその対策について解説します。

本番環境でのエージェント型ワークロードの提供

エージェント型の負荷は、推論スタックが前提としていた仮定を崩壊させます。セッションが数時間アイドル状態になることもあれば、その後にフォローアップリクエストが来ることもあります。コンテキストは長く、多対一のやり取りを含み、ツールも多数使用されます。オーケストレーションやツールの実行、スケジューリングといった CPU 処理はもはや無視できる誤差ではなくなります。

PyTorch と vLLM を活用したエンタープライズ向けエージェント型推論の本番環境化

Joseph Groenenboom, Tyler Michael Smith（Red Hat）

10 月 20 日 15:25 | LL21ABC

Joseph は、ビルドインフラからツール呼び出し、長文コンテキストを扱う複数回の対話まで、エンタープライズ向けに実装する際に実際に必要な要素について解説します。エンジニア自身の実践的な知見も交えて紹介されます。

スポンサー：PyTorch for Agentic AI: Scaling Heterogeneous Systems from CPU to XPU

Eikan Wang, Huma Abidi, Intel

10 月 20 日 17:30 | LL21DEF

システム負荷が高く、CPU と XPU を組み合わせた異種構成のエージェント AI ワークロードに対応するため、Intel は Xeon プロセッサ、GPU、そしてオープンソースソフトウェアスタック全体に「アップストリームファースト」戦略を適用しています。これにより、標準的な PyTorch のワークフローを実現するとともに、深いレベルでのパフォーマンス最適化を提供します。

Native Tiered KV Cache Offloading in vLLM

Or Ozeri, IBM

10 月 20 日 14:50 | LL20CD

長期にわたるエージェントセッションにおける LLM のスケーリング課題に対処するため、vLLM は依存関係のない階層型 KV キャッシュオフローディングフレームワークをアップストリームで導入しました。この仕組みは CPU メモリを経由して転送を行うユニバーサルなトランスポートハブとして機能し、GPU への負荷を最小限に抑えつつ、ハードウェアに依存しない互換性を確保します。

LMCache: a cluster-wide open source solution for LLM prompt caching

Kuntai Du, Tensormesh

10 月 20 日 15:40 | LL20CD

LMCache は、主要な推論エンジンやストレージバックエンドを幅広くサポートする人気のあるオープンソースのプロンプトキャッシングソリューションです。Kubernetes でのデプロイ方法に関するガイダンスや、その背後にある研究知見も提供しています。

Agents that build PyTorch

これはスケジュールの中で最も自己言及的なセッションの一つであり、同時に非常に実用的な内容となっています。

Contributing to PyTorch with AI agents (Birds of a Feather)

Edward Yang（Meta）

10月20日 10時35分 | コミュニティエキスポ

エージェントをどう活用すれば生産的な成果につながるか。また、プルリクエストのレビューはどのように進めるべきか。本セッションでは、これらのテーマについて対面で議論し、皆様の知見を共有します。

エージェントで戦うエージェント：Claude を PyTorch の CI・トリアージ・PR レビューに導入する

Driss Guessous（Meta）

10月20日 12時35分 | LL21DEF

メンテナーは、すでにエージェントが作成したプルリクエストのレビュー数を増やし続けています。このセッションでは、エージェントが活躍する世界に対応するため、メンテナーに「エージェント向け」のインフラを提供する取り組みについてご紹介します。具体的には、イシューのトリアージ、PR レビューの自動化、自動リバーチ調査、そしてローンチ後の採用曲線などについて解説します。

PyTorch とそのエコシステムのリリース：現代的なリリースストーリー

Andrey Talman（Meta）

10月20日 11時45分 | LL21DEF

PyTorch は、Triton や vLLM といったエコシステムプロジェクトを統合した「統一されたリリース列車」として機能しています。これにより、アップストリームの継続的インテグレーションとエージェント支援型のトリアージを通じて、より高速で検証済み、かつ予測可能なソフトウェアビルドを実現しています。本セッションでは、リリースループにおけるエージェントがチームのスピードを加速させた具体的な事例と、最終的な判断は依然として人間が行うべき領域について、率直に共有します。

カーネルとパフォーマンスにおけるアジェンティック・サーチ

アジェンティック・サーチにより、カーネル分野で実測可能な性能向上が実現されています。

KernelAgent：マルチエージェントオーケストレーションによるハードウェア誘導型 GPU カーネル最適化

Kaiming Cheng, Laura Wang（Meta）

10月20日 14時15分 | LL21DEF

KernelBench のタスクで 100% の正答率を達成した実績を持つ KernelAgent がアップデートされ、GPU ハードウェアのパフォーマンス信号をクローズドループ型のマルチエージェントワークフローに統合しました。これにより Triton カーネルの最適化を実現し、デフォルトの torch.compile を平均 1.56 倍高速化。NVIDIA H100 GPU 上ではハードウェア性能限界（roofline）効率の 89% に到達しています。

カーネルのためのスマートな自動調整：ベイズ最適化から Helion DSL における LLM ガイド付き検索へ

Jongsok Choi, Ethan Che (Meta)

10 月 20 日 14:15 | 210BF

PyTorch の Helion DSL は、Likelihood-Free Bayesian Optimization（LFBO）と LLM ガイド付き検索を組み合わせることで、LLM でシードされたハイブリッドアプローチを実現。これにより自動調整の時間を最大 10 倍短縮し、NVIDIA H100 および B200 GPU 上で性能向上をもたらします。

CuteDSL と TPU バックエンドを備えた Helion：なぜこれがエージェントに適しているのか

Oguz Ulgen, Dunfan Lu, Jason Ansel (Meta)

10 月 20 日 11:45 | 210BF

Helion は、NVIDIA GPU と TPU で高性能かつ移植性の高い ML カーネルを記述するための高レベル Python DSL です。CuteDSL および Pallas バックエンドを活用し、LLM エージェントと組み込みの自動調整機能を駆使してコード生成を簡素化します。本セッションでは、なぜ CuteDSL と TPU バックエンドがエージェントに適しているのかを解説します。

数週間から一夜明けまで：エージェントパイプラインによる自律的な Day-0 カーネル起動

Xiaogang Gu, Qun Yang (Intel)

10 月 20 日 17:30 | 210BF

本セッションでは、反復的な手動カーネル最適化を、文脈に依存しない専門エージェントを用いた自律システムへ置き換える手法について探ります。このアプローチは、決定論的なプロファイリングからベンチマークまでのワークフローと長期記憶機能を備えており、vLLM のカーネル立ち上げ時間を数週間から一晩の無人実行へと短縮します。

Primus Tuning: 分散学習のためのハイブリッド投影とエージェント検索

Anshu Raina, Peyman Razaghi (AMD)

10 月 21 日 16:20 | セッション室 210AE

Primus Tuning エージェントは、単一ノードのハイブリッド投影エンジンを用いてクロスノード間のパフォーマンスを約 10% の精度で解析的に再構築し、LLM が導く検索を実行します。これにより、フルクラスタのプロファイリングを行わずとも、30 分未満で Mixtral 8x22B のスループットを、公開されている 4 ノード基準のベンチマークと比較して 27% 向上させることに成功しました。

後援：Cloud TPU Nexus: PyTorch 向けの自律型マルチエージェント群

Sandeep Pokkunuri, Chris Jones (Google)

10 月 20 日 11:45 | セッション室 210AE

Cloud TPU Nexus は、開発者向け IDE ツールに自律的なマルチエージェント知能プラットフォームを組み込むことで、GPU から TPU への PyTorch モデル移行を簡素化します。手動カーネルチューニングを不要としながら、24 時間以内に人手による調整の 70% に匹敵するパフォーマンスを実現しています。

TorchInsights: GPU メモリゼロ・ランタイム推定

Sanket Jayant Purandare, Aditya Venkataraman (Meta)

10 月 20 日 17:45 | セッション室 LL21ABC

ICML 2025 で TorchSim として発表されたオープンソースツール「TorchInsights」は、ゼロ GPU の疑似テンソル実行を通じてマルチストリーム GPU 実行をシミュレートします。これにより、マルチノードジョブを開始する前にピークメモリ使用量を正確に分解し、分散ランタイム構成のプロファイル作成が可能になります。

物理世界におけるエージェント

次世代の知能はテキストだけではありません。スケジュールの大きな部分を占めるのが、「見て」「聞いて」「動く」モデルに関するセッションです。

ピクセルから物理運動へ：PyTorch と NVIDIA Cosmos で世界行動モデルを構築する

Susie Xia, Ruijie Zheng, George Kurian (NVIDIA)

10 月 21 日 14:15 | 会議室 210AE

NVIDIA Cosmos と GR00T は、PyTorch で物理 AI を構築するための相互に関連するケーススタディです。これらは、マルチモーダルな世界理解を実行可能なロボットの動きに変換する方法と、エンドツーエンドのトレーニングやレイテンシに敏感なデプロイにおける課題をどう乗り越えるかを示しています。

ExecuTorch で多数のターゲットへロボットポリシーを展開する

Jacob Szwejbka (Meta)

10 月 21 日 15:25 | 会議室 210AE

ExecuTorch は、LeRobot や OpenVLA などのフレームワークから PyTorch のロボットポリシーを、NVIDIA、Intel、ARM、マイクロコントローラー向けに移植可能なランタイムアーティファクトに変換するプロダクションデプロイ層を提供します。これにより、各ターゲットごとにスタックを再構築する必要がなくなります。

物理 AI 向けのマルチモーダルデータローダー

Gijs de Jong, Peter Prettenhofer (Rerun)

10 月 21 日 17:30 | 会議室 210BF

大規模な物理 AI モデルの学習時に GPU リソースが枯渇するリスクを回避するため、本セッションでは多モーダル時系列データの管理手法や、デコードとネットワーク間のトレードオフのバランス調整、複雑なアクセスパターンに対応した PyTorch のデータローダー最適化について解説します。

ExecuTorch を活用したポータブルでコンポーザブルなローカルエージェントの構築

Mergen Nachin, Digant Desai (Meta)

10 月 20 日 17:45 | LL20CD

ExecuTorch は、高速かつメモリ効率が良く、ハードウェアに依存しないランタイム基盤です。これにより、多様なモデルやデバイス、オープンなエコシステム標準に対応した、効率的でコンポーザブル、プライバシーを重視したローカルエージェント体験が可能になります。

PyTorch からエッジへ：異種ハードウェア向け推論ランタイムのアジェンティック合成

Thomas Cottenier (Arm)

10 月 21 日 17:30 | LL20AB

手動で調整した汎用ランタイムに頼るのではなく、アジェンティックなハレスがターゲットごとに専用のランタイムを自動生成します。Apple シリコン上では llama.cpp や MLX と比較検証済みであり、従来ベースラインが存在しないハードウェアに対しても対応可能です。

オーディオ AI インフラの拡張：音声ネイティブ AI の構築

Mu Li, Huapeng Zhou, Lindsey Allen (Boson AI)

10 月 21 日 12:20 | LL20AB

リアルタイムで音声に特化した AI を実現するため、本セッションではシステムレベルの議論を通じて、PyTorch のポストトレーニングからレイテンシ制約下での推論最適化までを包括的に解説します。具体的には、オーディオワークロード向けに SGLang の拡張についても取り上げます。

後援：ハードウェア認識型 AI：クラウドからエッジまでのアジェンティックシステム構築

Kavya Sri Chennoju (Arm)

10 月 20 日 12:20 | LL20CD

本セッションでは、PyTorch、ExecuTorch、vLLM、Arm Device Connect を組み合わせたエンドツーエンドのクラウドからエッジまでのワークフローを通じて、ハードウェアを意識した物理 AI アプリケーションの構築方法を探ります。これにより、モデルは独自の統合なしに推論を行い、生センサーデータを取得し、物理デバイスを協調制御することが可能になります。

ガバナンス：責任あるアプローチの実践

ガバナンストラックでは、責任所在について現実的で実用的な視点を提供します。

エージェントが修正を行う際、本番環境の責任は誰にあるのか？AI 支援 SRE におけるガバナンス

Prakshal Doshi, Aditi Mewada (Apple)

10 月 20 日 11:10 | LL21ABC

深夜 3 時にエージェントがサービスの設定を誤り、本番環境をダウンさせた場合、誰が責任を負うべきでしょうか？このトークでは、エージェントが修正すべきこと、報告すべきこと、そして決して人間の手に委ねるべきでないことの判断基準となる実用的なメンタルモデルを紹介します。

計算リソース、レイテンシ、安全性：マルチエージェントワークフローのためのステートフルなガードレール設計

Purva Chiniya (Amazon)

10 月 20 日 11:45 | LL21ABC

スループットを損なうことなくエンタープライズ向けのマルチエージェントアーキテクチャを保護するため、このセッションでは、継続的なレッドチーム（攻撃テスト）パイプラインの構築方法と、間接的なオーケストレーションの悪用やプロンプトインジェクションを検出するための低レイテンシ小型言語モデル（SLM）を決定論的なガードレールとして展開する方法について詳しく解説します。

インフラストラクチャ層におけるガードレール（バード・オブ・ア・フィーザー）

Sai Charan Teja Gopaluni, Aaresh Sharma (AWS)

10 月 20 日 15:50 | コミュニティエキスポ

この Birds of a Feather セッションでは、コンテナサンドボックス化や GPU リソースの制限、トークンレベルでの観測機能を通じて、本番環境におけるエージェント型 AI のガバナンスを実現するインフラレベルのアプローチを探ります。

信頼性のギャップを埋める：エンタープライズシステムで AI 出力の信頼性を高める

Ravi Teja Prabhala Venkata（Capital One）

10 月 20日 12:20 | LL21ABC

AI の信頼性ギャップを解消するため、このセッションではモデルの信頼性をエンジニアリングの一分野として確立する 4 レイヤー検証アーキテクチャを紹介します。具体的には、スキーマベースの型強制、信頼度キャリブレーション、契約検証、そして継続的な観測機能を実装します。

プログラム全体を見る

2026 年 10 月 20〜21 日、サンノゼで 2 日間にわたるイベントを開催します。ステージ上でオープンソース化されるエージェント型 RL フレームワークや、ベンチマークが公開されたカーネルエージェント、マイクロコントローラー上で動作するロボットポリシー、そして一般公開の場でオープンソースのエージェント貢献を巡って議論するメンテナーたちを体験してください。

初日の締めくくりは「Flare Party」およびポスター発表です。2 日目は「AI Community Bash」で PyTorch、AGNTCon、MCPCon のコミュニティが一堂に会し、De La Soul によるライブパフォーマンスも開催されます。コンサート会場には限りがあるため、登録時に参加の意思を必ずお示しください。

PyTorch Conference North America 2026 の登録受付は現在開始されています。公式 PyTorch Foundation コンファレンスページより、登録手続きとホテルの予約をお済ませください。

PyTorch Conference North America 2026 に登録する