新たな研究により、Googleの医療AI「AMIE」が病気管理において重要な役割を果たす可能性が示されました。診断から治療までのプロセスで、AMIEは患者とのリアルタイム対話を行い、専門的な医療知識を活用して症状を管理します。最近の研究では、AMIEは医師と同等の判断力を持ち、計画の正確さやガイドラインへの適合性において優れた結果を示しました。今後、AMIEの臨床での実用化が期待されます。

DifyがMongoDB AtlasとVoyage AIの2つのプラグインを導入し、AIアプリケーションの開発を加速します。これにより、データとの直接接続やセマンティック検索が可能となり、開発者やノーコードビルダーが迅速にアイデアを実現できるようになります。Difyは、データの取得・精度向上を図り、ビジュアルなワークフローを提供することで、AIの活用を一層容易にします。

NVIDIA XR AIはAR眼鏡やXRデバイス向けのAIエージェントを構築するための基盤を提供します。開発者は、カメラやマイク、マルチモーダルAIモデル、企業データを統合して、リアルタイムでユーザーの意図を理解し、エンタープライズツールを呼び出すエージェントを開発できます。これにより、医療現場や製造業などで効率的なサポートが可能になり、情報検索や手順ガイド、結果の検証に役立ちます。

本記事では、NVIDIAの技術を使って取引データに基づく基盤モデルを構築する方法を解説します。具体的には、GPUアクセラレーションによるデータ処理、カスタムトークン化、トランスフォーマーの事前学習、埋め込みの抽出、詐欺検出モデルの強化の5つのステップを踏むことで、業界標準のXGBoostモデルに対し、約50%のAP向上を目指します。

トランスフォーマーは現代の大規模AIモデルの基盤です。低精度フォーマットを活用することで、トレーニングの速度とコストを改善できます。具体的には、モデル設定を基にGEMM（行列の積）形状を特定し、異なる精度間でベンチマークを行うことで、最適な精度を見極めます。NVIDIAのツールを使用して、実際のモデル構成における低精度トレーニングの効果を評価し、期待される速度向上を現実的に予測することが重要です。

NVIDIAはMLPerf Training v6.0で全てのベンチマークで最高のトレーニング時間とパフォーマンスを記録しました。新しいAIモデル用のベンチマークであるDeepSeek-V3とGPT-OSS-20Bで唯一の結果を提出。最大8192のBlackwell GPUを使ったスケーリングが実証され、ハードウェアとソフトウェアの最適化により、トレーニング効率が大幅に改善されました。

トルコのピナル・ユンサルさんは、ブルーベリー農場を運営し、İmeceMobilアプリを利用して成功を収めています。アプリは、衛星画像分析、天候警報、専門家からのアドバイスを提供し、農業管理を効率化します。ユンサルさんは、このアプリによりコスト削減と収穫量の向上を実現し、農業の不確実性を乗り越える手助けを受けています。

NVIDIAのBioNeMo Recipesを使い、LoRAによる生物モデルの微調整を解説。ESM2とEvo2を用いた事例を示し、フルファインチューニングよりも少ないパラメータで高精度を達成。LoRAは、事前学習されたバックボーンを固定し、低ランクアダプターを訓練することで、計算資源を節約しつつ性能を維持する手法。テクニックとして、シーケンスパッキングやTransformer Engineを活用し、効率的なトレーニングが可能。

Mixture-of-experts (MoE)モデルは、AIシステムの基盤を成す技術であり、パラメータの一部のみを活性化することで大規模なモデルを実現します。NVIDIAは、メモリと同期のボトルネックを解消するために、高度に融合されたMLPカーネルを導入しました。この最適化により、DeepSeek-V3で8%、GPT-OSSで93%のエンドツーエンド性能向上が得られます。カーネルはcuDNN Frontendを通じて利用可能で、トレーニング時間の短縮やハードウェアの最適化に貢献します。

Googleは2026年と2027年にアラバマ州ジャクソン郡のデータセンター拡張に15億ドルを投資することを発表しました。この施設は2019年から運営されており、地域の成長を促進しています。さらに、Googleは200万ドルのエネルギー影響基金を設立し、550,000ドルを地元のSTEM教育に寄付します。これにより、地域のデジタルスキル向上や雇用創出に貢献します。

NVIDIAは、人工分析が提供する初のエージェントAIベンチマーク「AA-AgentPerf」において、エージェントコーディング性能で従来の20倍を達成しました。このベンチマークは、複数のAIエージェントが同時に実行できる性能を測定し、具体的なスループットと効率を評価します。新システムは、エージェントの非決定的な要求を捉え、最適なパフォーマンスを提供するために設計されています。

NVIDIA TensorRTを使用して、FP8量子化されたチェックポイントをエンジンに変換する方法を解説。モデルの最適化から本番環境への展開を橋渡しし、高速推論と効率的なGPU活用を実現。具体的には、CLIPモデルをONNX形式にエクスポートし、TensorRTエンジンにコンパイルする過程を紹介。FP8量子化により、推論速度が向上し、メモリ使用量が削減されることが確認された。