🤖💻 AI Daily Digest — 2026年8月5日
OpenAI、アクティブユーザー10億人突破——出力トークンの99.8%はCodexのエージェント作業
OpenAIは7月31日のブログで、同社モデルのアクティブユーザーが10億人、企業ユーザーが200万社を超えたと発表した。ChatGPTの登場から4年足らずの到達だ。注目すべきは利用の深さを示す数字で、登録から約6週間で1日あたりのメッセージ数は約50%増え、ChatGPTでこなす仕事の種類は約2倍になるという。「有用な知能のコストが下がれば、やる価値のある仕事は増える」と同社は書いている。
その言葉を裏付ける値下げが数日前に発表された。GPT-5.6 Lunaは80%引きで入力100万トークン0.20ドル・出力1.20ドル、Terraは20%引きで2ドル・12ドル、Solは据え置き。Solの内部運用ではエンドツーエンドの配信コストが20%削減され、トークン生成効率は15%以上向上。コンテキスト管理と推論維持の改善により、SolのARC-AGI-3スコアは13.3%から38.3%へ、6分の1の出力トークンで到達したという。
覚えておくべき数字はこれだ。OpenAIの週間出力トークンの99.8%は、Codexによるエージェント作業が占める。同社はもはやチャットボット企業ではなくエージェント企業として自己定義している——そして10億ユーザーという数字は、IPOに向かう成長ストーリーの土台になる。
— OpenAI · TechRepublic
🔗 OpenAI — Building Abundant Intelligence · TechRepublic
Gemini Robotics 2、全身インテリジェンスをロボットへ
Google DeepMindは7月30日、Gemini Robotics 2を発表した。「あらゆるロボットを動かすインテリジェンス層」と位置づけられるモデル群だ。初代からの最大の変化は全身制御で、VLA（視覚-言語-行動）モデルが上半身中心だった従来から、つま先から指先までの全身動作を統合する。ApptronikのApollo 2人型ロボットでは、歩行・しゃがむ・棚からの物体取り出し・マルチステップタスクのリアルタイム推論まで実演された。
2つの兄弟モデルが範囲を広げる。Gemini Robotics ER 2は具身推論モデルで、ビデオを見ながら計画を立て、数分間に及ぶタスクで数百回の判断を行う。進捗追跡、エラー後の最後の正しいステップからの再開、複数ロボットへのタスク分割、Google検索などツール呼び出しによる曖昧な指示の解消まで可能だ。Gemini Robotics On-Device 2はロボット上でローカル動作し、200サンプル未満・数時間の追加学習で新しい両腕プラットフォームに適応できるとされる。安全面ではASIMOV-Agenticベンチマークが新設され、危険な指示の拒否や不明時の人間への問い合わせを評価する。ER 2は周囲の人間を検知し、接近時に安全停止を発動できる。
発表された数字は、全身器用さの現状を率直に示す。物体持ち上げの成功率はテーブル68.4%、床45.7%、棚76.3%。22自由度の5指ロボットハンドは電球の取り外し92%だが、取り付けは36%。DeepMindは「人間レベルの器用さが次の目標」と正直に言う。方向性は明確だ——ロボットメーカーはタスクごとの専用コントローラの寄せ集めから、汎用の「一つの頭脳」へ収斂しつつある。
— Google DeepMind · 澎湃新聞
🔗 Google DeepMind — Gemini Robotics 2 · 澎湃新聞報道
NVIDIA、会話しながらツールを呼べる初のオープン全二重音声モデルを公開
NVIDIAは8月3日、NemotronLabs VoiceChatを公開した。110億パラメータの音声モデルで、Hugging Faceでオープンウェイトとして提供される。会話中にツール呼び出しができる初のオープン全二重（フルデュプレックス）モデルだ。全二重とは聞きながら同時に話せることを指し、ウェイクワード不要、話の途中で割り込める。従来のASR→LLM→TTSリレーを単一のストリーミングネットワークに畳み込んでおり、Fast Conformer音声エンコーダーがNemotron Nano v2 9Bバックボーンに入力し、TTSデコーダーが音声を生成、ツール呼び出しスクリプトは別チャンネルで出力される。
数字で位置づけを確認する。ターンテイキング遅延は約450ms、割り込み処理は約480ms、オープン全二重モデルのVoiceBenchで2位。ツール呼び出しのBFCL-v3では平均56.1%だが、内訳が正直な部分だ——正しいツール選択82.5%、引数の正しさ44.2%、pass@1は33%。NVIDIAはセッションあたり最大5ツールを推奨し、並列呼び出しは不安定と注記する。第一世代のオープン試作であり、ホスト型音声APIの代替ではない。
戦略的な読みが重要だ。クローズドなリアルタイム音声APIだけが、全二重会話とエージェント的ツール利用の組み合わせを見られる場所だった。今やvLLM（A100〜B200）で動くオープンな参照実装が存在し、研究者は自由に検証できる。ただしライセンスはOpenMDW v1.1で研究利用に限定される——出荷できるスタックではなく、学ぶための設計図として扱うべきだ。
— NVIDIA · Artificial Analysis
🔗 NVIDIA — NemotronLabs VoiceChat 11B (Hugging Face) · Artificial Analysis
OpenAI、「Apple Is Getting This Wrong」——営業秘密訴訟への全面反論
OpenAIは8月3日、Appleの営業秘密訴訟への最も詳細な反論を公開した。タイトルは遠慮がない:「Apple Is Getting This Wrong（Appleはこれを間違えている）」。Appleは7月10日、OpenAIのハードウェア責任者であるTang Tanら元幹部が機密情報を消費財ハードウェア事業に持ち込んだと提訴した。カリフォルニア北部地区連邦裁判所で係争中で、Appleは仮差し止め命令を申請している。
反論は時系列の矛盾を突く。Appleは2月にOpenAIへ連絡したが返答がなかったと主張。しかしOpenAIが公開したメールによると、Apple側の外部弁護士がアジア系の姓を混同して誤った相手に送信し、その後ミスを認めた。OpenAIは「その後5カ月間何も連絡がなく、そのまま提訴された」と述べる。元エンジニアのChang Liuについては、退職後にApple社員がプロジェクトファイルの提供を求めて連絡してきたiMessage記録を公開。継続アクセスの原因はApple側がiCloud共有権限を整理しなかった管理不備であり、同社が「residual access（残存アクセス）」と呼び直したものだと主張する。
OpenAIは仮差し止め申請を「虚偽情報に基づく」とし、「Appleの営業秘密を所有しておらず、欲しくもない」と述べる。実質的な争点は次世代ネイティブAIハードウェアの主導権だ。Appleはサプライチェーンの防壁を守り、OpenAIは自社ハードウェア事業の独立性を示す必要がある。裁判所はまだ仮差し止めを判断していない。
— OpenAI · MacObserver
🔗 OpenAI — Apple Is Getting This Wrong · MacObserver
Tuya AI Coding——一文から実デバイスと連動するアプリを生成
AIoTクラウド大手のTuya Smart（NYSE:TUYA）は8月3日、AIネイティブのノーコード開発プラットフォーム「Tuya AI Coding」を発表した。自然言語で要件を伝えると、UIとインタラクションロジックに加えてバックエンドまで一括生成される。データベース、APIゲートウェイ、ユーザー認証、デバイス管理を自動構築し、200以上の国・地域をカバーするTuyaクラウド基盤に接続される。
差別化要因はハードウェア層だ。多くのAIアプリ生成ツールはWebページやミニアプリで止まるが、Tuya版は10万以上のSKUを擁するデバイスエコシステムにネイティブ接続するため、生成されたアプリが実際のデバイスを制御し、デバイス統計を読み、シーンを起動できる。対象は意図的に非技術者——デザイナー、プロダクトマネージャー、創業者、フリーランサー、学生。開発サイクルは数カ月から数分に短縮され、技術的ハードルは90%低下するという。
背景には市場全体の流れがある。Gartnerは2026年末までに新規エンタープライズアプリの75%がローコード・ノーコードで構築されると予測する。Tuyaが賭けているのは、AIアプリ生成がフロントエンドをコモディティ化した後、「デモと製品を分ける最後の1マイル」は現実世界との接続であり、それはIoT企業がすでに持っている堀だという点だ。
— Tuya · 南方+報導
🔗 Tuya Developer — AI Coding Kit · Tuya AI Coding · 南方+報導
プレプリント:長周期エージェント訓練は「習慣」を学び、ベンチマークを横断して転移する
7月31日付のプレプリント（arXiv:2608.00181）は、ベンチマーク表が通常避ける問いを立てる。長周期のツール利用でエージェントを訓練したとき、転移する何かを学ぶのか。著者らはオープンウェイトのMoEモデルQwen3.5-122B-A10Bを、27カテゴリ・363のMCP（Model Context Protocol）タスクでSFT→RLの2段階パイプラインにより事後訓練した。重要なのは、外部ベンチマークのタスクも採点器も訓練に含まれず、外部スコアが報酬に影響しなかったことだ。
結果は「学ぶ」を示唆する。greedy pass@1で、訓練済みモデルは5つの外部評価でベースを上回った。Toolathlon +9.6pp、τ2-Bench +5.3pp、BFCL-V4 +3.5pp、SWE-Bench Pro +5.8pp、Terminal-Bench 2 +2.8pp。特筆すべきはSWE-Bench Proで、訓練コレクションにソフトウェア工学タスクが一切含まれていないにもかかわらず、ソフトウェア工学の性能が向上した。
ペア軌跡分析は、オフィスワークフローとコードの両方に現れる4つの行動変化を特定する。局所目標のより慎重な形成、目標関連の作業状態の構築、局所的修復中の親目標の安定維持、完了の検証。要するに、マルチツール長周期タスクでのRLは、エージェントが「何を知っているか」ではなく「どう働くか」を変え、その働き方は訓練領域を超えて転移する——これはタスク記憶というより習慣形成に近い。
— arXiv
🔗 arXiv — Cross-Benchmark Generalization in Long-Horizon Agents
LiveEdit——テキスト指示でリアルタイム動画編集、オープンソース化
清華大学と香港科技大学のチームが、テキスト指示によるストリーミング動画編集フレームワーク「LiveEdit」（arXiv:2606.26740）を公開した。ECCV 2026に採択され、訓練コードとモデルはオープンソース。対象はライブ配信エフェクト、ビデオ会議、拡張現実など、全動画を待ってから編集を始められないリアルタイムシナリオだ。
技術的な難題は、動画拡散モデルが双方向の時空間アテンションに依存していることにある。あるフレームを処理するには未来のフレームが必要で、ストリーミングでは現在と過去しか見えない。論文は、未来フレームを単純に切り捨てるとアテンションがより長い履歴に分散し、局所的時事前件が壊れてフリッカーやドリフトが生じると示す。LiveEditは因果的・チャンク単位で到来動画を処理し、動画チャンクあたり4ステップで12.66 FPSのストリーミング編集を実現。編集領域の正確性と未編集領域の一貫性を保ち、静的バックグラウンドトークンの再計算を避けることでリアルタイム推論の主要コストを削減する。
論文の枠組みは覚えておく価値がある。生成動画はノイズから作れるが、編集は元の構造・照明・動きを保存しなければならない。この制約こそが、ストリーミング編集がストリーミング生成とは別問題であり、これまでの「リアルタイム」ツールの多くが名ばかりだった理由だ。今回はオープンソースなので、直接試せる。
— arXiv · 機器之心