AIの導入が進む中、成功にはAIを支える統合システムが不可欠です。このシステムは、エージェントの構築、運用、監視、改善を一貫して行うことが求められます。Microsoftは、AzureやGitHubなどを組み合わせた包括的なプラットフォームを構築し、エンタープライズのニーズに応じてエージェントを効果的に運用し、継続的な改善を実現します。これにより、ビジネスの効率性と創造性が向上します。

MiniMax M3は、NVIDIAの加速インフラ上で動作するマルチモーダルAIシステムで、長文コンテキスト推論とエージェントワークフローを実現します。428Bのパラメータを持ち、最大1Mトークンをサポート。映像やテキスト、画像を統合的に処理可能で、開発者は長時間のビデオ理解や高品質なデザインワークフローを構築できます。また、MiniMax Sparse Attentionにより、従来の手法よりも高速で効率的な処理が可能です。

Googleはバージニア州で新たな地域投資を発表しました。この投資により、数千の地元雇用が生まれ、次世代の労働力が育成されます。具体的には、電気訓練アライアンスへの資金提供を通じて、2030年までに2,741名の研修生を支援します。また、1500万ドルのエネルギーインパクトファンドを設立し、地元のエネルギー効率向上プロジェクトを支援します。

NVIDIA Quantum InfiniBandは、Unified Fabric Managerでのワンクリックのマルチテナントセキュリティを提供します。これにより、管理者は一般、ベアメタルクラウド、セキュアベアメタルクラウドの3つのプロファイルから選択し、自動的にセキュリティ設定を構成可能です。これにより、導入時間が数時間から数分に短縮され、数万のGPU間でのテナント分離が容易に実現します。さらに、継続的なセキュリティ検証機能もサポートされ、ネットワークの健全性を保つことができます。

本記事では、PyTorchのプロファイリングを通じてnn.Linearを用いたMLP（Multilayer Perceptron）の性能向上を探ります。具体的には、GPUカーネルの並列処理や、CPUでのスケジューリングの重要性を解説し、手書きの行列計算をnn.Linearに置き換えることで、どのように効率的に計算を行うかを示します。また、torch.compileを利用した場合と手動でチューニングしたカーネルの比較も行い、最適化のポイントを明らかにします。

DiffusionGemmaは、Google DeepMindが開発した新しいテキスト生成モデルで、トークンを並列に生成することで、高速かつ高スループットなAIアプリケーションを実現します。NVIDIAのH100 GPU上で、最大1,000トークン/秒の速度を達成し、開発者は低コストで高い応答性を享受できます。さらに、NVIDIA NIMを使用して、モデルのデプロイが簡単に行え、特定のタスクに適応するためのファインチューニングも可能です。

GitHub ActionsのCIをHugging Face Jobsに移行する手順を解説します。Trackioでは、CPUのCIを約30%短縮し、GPUテストを可能にしました。手順は以下の通りです。1. dispatcher Spaceを複製。2. GitHub Appを作成・インストール。3. 最終設定を行う。4. `runs-on`を変更。5. テストを実施。Hugging Face Jobsは、GPUを使用したテストを容易にし、ログの取得も簡単です。

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。

NVIDIA DGX SparkのEnterprise Manageabilityは、AIインフラのライフサイクル管理を提供します。これにより、企業はシステムの調達から引退までを効率的に管理できます。主な機能には、初期設定、継続的な監視、更新管理、診断ツールが含まれます。特に、エアギャップ環境においても運用が可能で、セキュリティも強化されています。DGX Sparkは、既存のITツールとの統合が容易で、運用の成熟度向上を支援します。

FP8量子化を用いてNVIDIA TensorRTエンジンを構築する方法を解説します。主な手順は、モデルをONNX形式にエクスポートし、TensorRTでエンジンを作成することです。FP8量子化により、メモリ使用量や推論速度が向上し、CLIPモデルでは画像エンコーダーが50%、テキストエンコーダーが34%サイズを削減。これにより、GPUの効率的な利用が可能になります。

NVIDIA DGX SparkのEnterprise Manageabilityは、AIインフラのライフサイクル管理を提供します。このフレームワークは、調達から廃棄までの全過程をサポートし、エンタープライズITチームが既存のツールと統合できるように設計されています。主な機能には、初期プロビジョニング、継続的な監視、更新管理、セキュリティ機能などが含まれ、特にインターネットアクセスが制限される環境でも効率的に運用可能です。

NVIDIAのAuto-FLは、連合学習（FL）戦略を最適化するための自動化されたAI駆動の研究ループです。このシステムは、比較可能なベンチマークタスクを基に、エージェントが制約された実験を通じてFL戦略を探索し、結果を記録します。重要な要素には、研究の制御面、実験台帳、文献に基づく回復ループが含まれ、研究者がより迅速にアイデアを評価するのを助けます。Auto-FLは、さまざまなデータセットやタスクに適応可能で、効率的な研究を促進します。

NVIDIA FLAREのAuto-FLは、連合学習（FL）戦略を自動化・最適化する研究ループです。明確なベンチマークタスクから始め、AIエージェントが制約のある変異を通じて候補戦略を試行し、結果を実験台帳に記録します。このプロセスにより、研究者は迅速にアイデアを評価でき、再現性のある報告書を作成することが可能になります。また、Auto-FLは様々なデータセットやタスクに適応可能で、医療用ビジュアル言語モデルの評価も実施されています。

がん治療の精度は進化しているが、同じがんでも薬の反応が異なる理由は、腫瘍の挙動にあると研究者は指摘する。MicrosoftのLorin Crawford氏は、Project Ex Vivoを通じて、がん細胞の状態を評価することで、最適な治療法を見つけることを目指している。これにより、患者に合った治療法の選定や新薬開発が進む可能性がある。この研究は、AIを活用し、細胞の多様性を考慮した治療法の実現を目指している。

医療用音声認識（ASR）モデルの評価には、特有の専門用語を正確に認識する能力が求められます。NVIDIAは、音声合成データ生成（SDG）を用い、発音に配慮した合成音声を自動生成するワークフローを提案します。このプロセスでは、AIエージェントが臨床プロファイルを定義し、ベンチマークを構築、音声品質を評価し、モデル改善に向けたフィードバックループを実現します。これにより、医療現場での音声AIの活用が向上します。

NVIDIA Blackwellを用いたモデルの高速トレーニング手法、NVFP4について解説します。NVFP4は、JAXを使用した4ビットの混合精度での事前トレーニングを可能にし、FP8ベースラインと比べて精度を失うことなく高いスループットを実現します。この手法は、トレーニングコストを削減し、より大きなモデルのトレーニングを可能にします。MaxTextフレームワークを使った具体的な実装例も紹介されており、効率的なトレーニングを支援します。

OpenEnvはエージェントが操作できる環境を作成するツールで、オープンソースのトレーニングを促進するためにさらにオープンになります。Meta-PyTorchなどの企業が協力し、OpenEnvはAIエコシステムで広く支持されています。今後は、タスクセットや外部報酬の統合、エンドツーエンドの例を提供し、コミュニティと共に成長を目指します。

2026年5月のGoogleのAIアップデートでは、新しい「エージェント的」時代の到来が発表され、Gemini 3.5およびGemini Omniが登場しました。これにより、日常業務を効率化するためのプロアクティブなツールが利用可能に。新しいGoogle HealthアプリやFitbit Air、Universal Cartなどを通じて、AIの利便性が向上しました。特に、Geminiアプリはユーザーのニーズに応じてタスク管理をサポートします。