#スタートアップ

中国のAIラボが使っている手法を、米国の小規模なオープンウェイトAIラボにも使わせるべきではないか。Y CombinatorのCEO、Garry Tanがそう主張したことが、今回の話の中心だ。単なる「規制反対」の話ではなく、米国のAI開発をどう分厚く保つかという競争戦略の話でもある。しかも、OpenAIやAnthropicのような閉じた大手だけに力が集まる未来を危ういと見る視点も、そこには含まれている。 Tanがこの話題を持ち出したのは、今週のCNBCインタビューがきっかけだった。そこで彼は、中国のAIラボがフロンティアモデルを持つ企業から知識を引き出す「distillation（蒸留）」について、規制当局は何もしないほうがいいと述べた。むしろ「米国版のdistillation regime、つまり米国でも同じような取り組みを認める制度があってもいい」とまで言っている。 その意図をTechCrunchに補足した説明が重要だ。Tanが考えているのは、米国の小さなオープンウェイトAIラボが、米国のフロンティアAIラボに対して同種の訓練手法を使えるようにすることだという。オープンウェイトは、

欧州の新興企業 Isar Aerospace が、2回目の飛行で軌道に到達し、ペイロードの分離までやり切ったと発表した。しかも打ち上げ場所はノルウェーの Andøya、つまり米国やロシアの既存インフラに頼らない「欧州発」の宇宙輸送として大きな節目になった。単なる成功報告に見えるかもしれないが、この記事は欧州の商業宇宙産業が抱えてきた弱点、つまり打ち上げ能力の不足を正面から揺さぶる内容だ。ここでは発表内容を整理したうえで、これが何を変えるのかを少し踏み込んで見たい。 Isar Aerospace は 2026年9月5日、ノルウェーの Andøya Space にある自社専用の発射施設から「Onward and Upward」と名付けたミッションを打ち上げた。打ち上げ時刻は CEST 22時12分で、同社はこの飛行で衛星を軌道に送り込み、ペイロードの展開まで完了したと発表している。発表文では、ヨーロッパの商業宇宙企業として初めて「衛星を軌道へ届けた」と強く打ち出しており、しかも達成は「たった2回目の飛行」だったと強調している。 CEO 兼共同創業者の Daniel Metzler 氏は、こ

Google で長くソフトウェア開発に関わってきた Martin von Zweigbergk が、バージョン管理システム Jujutsu の創作者として East River Source Control（ERSC）の CTO に就いた。単なる人事ニュースに見えて、実はかなり野心のある話だ。AI の影響でコードを書く量も、コードを共有して管理するやり方も変わりつつある中で、ERSC は「次世代の source control platform」を本気で作ろうとしている。そこに、既存の Git 系ツールの限界をよく知る人物を迎えた、という構図である。 ERSC は 2026 年 9 月 1 日、Martin von Zweigbergk を chief technology officer に任命したと発表した。von Zweigbergk は Jujutsu の作者として知られる。Jujutsu は 2019 年後半に個人プロジェクトとして始まり、その後 Google での本業になった。GitHub では 30,000 以上の star を集め、Apache 2.0 license

生成AIの話題は、どうしても最強モデルの性能競争に寄りがちです。けれど今回の元記事は、その見え方を少しずらします。著者が注目しているのは、最前線の巨大モデルではなく、「小さくて速いのに十分使える」モデルが現実の仕事にどう効いてくるかです。特に、消費者向けアプリや日々の業務で、推論コストがどれだけ商売を左右するかをかなり具体的に語っています。 著者の Calvin French-Owen は、ここ数週間 `gpt-5.6-luna` を試してきたと言います。彼の印象はかなり強く、驚くほど有能で、速く、賢い。コードベースやメール、知識ベースをまたいで作業させると、1秒あたり約100 token を処理する場面をよく目にしたそうです。しかも驚くべき点は、単に速いだけではなく、使っていて高くつかないことでした。 著者は、かなり込み入った research thread を走らせても、請求額が大きく膨らみにくいと述べています。たとえば何千通ものメールを横断検索させても、API コストは数十セントに収まることが多かった。これに対して、以前の世代のモデル、彼が Sonnet class と呼ぶもので

最初に思ったのは、「ここまで来ると、AIの勝負は賢さより請求書なのか」ということだった。 モデルの性能差を語る記事は山ほどあるけれど、実際に現場で効いてくるのは、どのモデルが何点高いかより、月末にいくら払うかのほうだ。この記事はその現実をかなり露骨に見せている。 Sapiomのやっていることは、ざっくり言えば「この仕事には高いモデルを使わなくていいよね」を機械的に判断する仕組みだ。人間でも、簡単な作業に高級な外注先を毎回呼ぶのは馬鹿らしい。AI agentも同じで、全部をfrontier modelに投げるのは贅沢すぎる場面がかなりある。そこを routing で切り分けて、安くて十分なモデルに逃がす。発想は地味だけど、地味だからこそ刺さる。 面白いのは、Anthropicが投資家に入っている点だった。自分たちのモデル利用料を減らす側の会社に、モデル提供側が資金を出している。普通なら少しねじれて見える。でも、考えてみるとそこまで不自然でもないのかもしれない。高いモデルを無理に使わせるより、まず使い続けてもらう土台を広げたほうが、結局は市場全体が育つ。そういう割り切りなのだろうと思う。