---
title: "Google CloudでOpenAI利用可能に、OpenAIのレガシー言語対…ほか｜Visibility Watch AI 10/22"
date: 2026-10-22
author: bitzer
slug: vw-ai-20261022
permalink: https://bitzer.co.jp/visibility-watch/vw-ai-20261022/
---

> **TL;DR**: Google CloudでOpenAIのモデルが利用可能になり、GeminiやClaudeと共に単一プラットフォームで提供されます。また、OpenAIの最新モデルはCOBOL等のレガシー言語の移行能力が大幅に向上しました。あわせて、NVIDIAが企業向けAIエージェント構築ツール群を拡充し、データ連携と安全性を強化しています。

## Google CloudでOpenAIモデルが利用可能に。主要3社モデルが集結

OpenAIとGoogle Cloudは、Google Cloud Marketplaceを通じて、OpenAIのモデルおよびCodexワークフローをGeminiのModel Gardenで提供することを発表しました。企業向けプライベートプレビューとして、GPT-6 Astra、GPT-6.1 Sol、GPT-6 Lunaが提供されます。これにより、Google CloudはGemini、Claude、OpenAIの主要なモデルを単一プラットフォーム上で提供する初の主要クラウドプロバイダーとなりました。

**解説**

これまでクラウドプラットフォームごとに分断されていた最先端モデルの利用環境が、Google Cloudという単一の基盤に統合されたことを意味します。開発者はインフラを切り替えることなく、タスクに応じてGemini、Claude、GPT-6といった異なる特性を持つモデルを柔軟に選択し、比較検証することが可能になります。

特に、複数のLLMを組み合わせた複雑なワークフローを構築している企業や、特定のモデルに依存することによるリスク（ベンダーロックイン）を避けたい技術者にとって、運用コストの削減と開発速度の向上が期待できます。APIの統合管理により、ガバナンスの維持も容易になるでしょう。

導入にあたっては、モデルごとのトークンコストの差異や、データプライバシーに関するGoogle CloudとOpenAI双方の規約を確認する必要があります。また、プライベートプレビュー段階であるため、本番環境への適用における可用性や制限事項の精査が不可欠です。

出典: [OpenAI models are coming to Google Cloud](https://openai.com/index/openai-models-google-cloud)（OpenAI News） / [Google Cloud now offers OpenAI models alongside Gemini and Claude, becoming the only major provider with all three](https://the-decoder.com/google-cloud-now-offers-openai-models-alongside-gemini-and-claude-becoming-the-only-major-provider-with-all-three/)（The Decoder）

## OpenAIの最新モデル、COBOL等のレガシー言語でのコーディング能力が大幅向上

OpenAIは、学習データの少ないCOBOLやFortranなどの言語において、最新モデル「GPT-6 Astra」の開発・移行能力が向上したと発表しました。20言語を対象としたエンジン構築評価では平均87.4%の合格率を記録し、COBOLから現代的な言語への移行テストでは最大97.9%の正解率を達成しています。

**解説**

今回のアップデートは、長年企業の基幹システムを支えてきたレガシー言語の近代化（モダナイゼーション）を加速させる可能性があります。これまで学習データの不足から精度が低かった言語において高い正解率を記録したことは、手作業による移行コストの削減と、移行に伴うリスクの低減を意味します。

特に、金融機関や公共機関など、大規模なCOBOL資産を抱える組織にとって、コードの解析や現代言語への書き換え業務の効率化に寄与すると考えられます。単なるコード変換だけでなく、仕様の抽出やドキュメント化といった上流工程への適用も期待できるでしょう。

導入にあたっては、生成されたコードの動作検証（テスト）体制の構築が不可欠です。また、機密性の高い基幹システムのソースコードを扱うため、データの取り扱いに関するセキュリティポリシーの確認や、エンタープライズ向けプランによるデータ保護の適用など、ガバナンス面での検討が重要になります。

出典: [OpenAI、「COBOL」など学習リソースの少ない言語でのコーディング能力が大幅向上 COBOL移行の正解率は最大97.9％に](https://www.itmedia.co.jp/news/article/2610/21/2000002447/)（ITmedia AI＋）

## NVIDIAが企業向けAIエージェント構築ツール群を拡充、データ連携と安全性を強化

NVIDIAは、企業が自社データに基づいたAIエージェントを構築・制御するためのオープンソース「NVIDIA Agent Toolkit」を拡充しました。新たに、生データをビジネス概念に変換するAuto-Ontologyライブラリを含む「Agent Knowledge Foundation」や、構造化データ向けの「Kumo」モデルファミリー、安全な実行環境を提供する「OpenShell」などを導入しています。また、機密性の高いワークロードを専用インフラで動作させる「Confidential Bare Metal」を含む、機密コンピューティングの選択肢を拡大しました。

**解説**

今回の発表は、AIエージェントを単なるチャットボットから、企業の内部データに基づき自律的にタスクを遂行する「実務的なエージェント」へ進化させるための包括的なスタックを提供したことを意味します。特に、データの意味付けを行うオントロジー機能や、構造化データ（表形式や時系列など）に特化したモデルの提供により、RAG（検索拡張生成）の精度向上と、より複雑なビジネスロジックへの対応が可能になります。

自社独自のデータ資産を保有し、それをAIに活用させたい企業の開発者やDX担当者にとって有用です。特に、サプライチェーンの最適化や予測分析など、定型的なデータ処理と高度な推論を組み合わせた業務フローの自動化に寄与します。

導入にあたっては、オープンウェイトモデルのライセンス確認に加え、エージェントが自律的に動作することによるセキュリティリスクへの対策が不可欠です。NVIDIAが提供するOpenShellのような実行境界の制御や、ハードウェアレベルでの機密保護（Confidential Computing）を検討し、ガバナンスを効かせた運用設計を行うことが重要になります。

出典: [NVIDIA Agent Toolkit Expands, Grounding Enterprise Agents in Company Data](https://blogs.nvidia.com/blog/enterprise-platforms-agent-toolkit/)（NVIDIA AI Blog） / [Inside NVIDIA Sentry: Secure AI Agents at Runtime](https://developer.nvidia.com/blog/inside-nvidia-sentry-secure-ai-agents-at-runtime/)（NVIDIA Technical Blog） / [How NVIDIA OpenShell Reference Architecture Secures and Governs AI Agent Workloads at Scale](https://developer.nvidia.com/blog/how-nvidia-openshell-reference-architecture-secures-and-governs-ai-agent-workloads-at-scale/)（NVIDIA Technical Blog）

## DeepSeekが推論スタック「DeepInfer」を公開、超効率的な推論基盤を実現

DeepSeekは、V4.1 Flashの推論を支えるプロダクションスタック「DeepInfer」をオープンソースで公開しました。このエンジンはvLLMをベースにカスタマイズされており、NVIDIAおよびHuawei Ascendプラットフォームに対応しています。運用実績として、1クラスターあたり1日155兆トークンの処理能力を持ち、入力キャッシュヒット率96%を達成していることが報告されています。また、10月20日には外部開発者により、DeepSeek-V4.1-Flash-1017をローカル環境で動作させるための最適化モデルの登場が示唆されています。

**解説**

今回の公開は、単なるモデルの提供に留まらず、商用レベルの推論効率を実現する「仕組み」をオープンにした点に大きな意味があります。特に最大72時間のプロンプトキャッシュ機能は、OpenAIなどの競合を上回る効率性を追求しており、同一コンテキストを繰り返し利用する業務において、劇的なコスト削減とレスポンス速度の向上が期待できます。

この技術は、大量のドキュメントを読み込ませて繰り返し質問を行うナレッジベース構築や、大規模なバッチ処理を行うエンジニアにとって極めて有用です。特に、数万ページ規模のサイト監査やデータ抽出など、定型的なコンテキストを大量に扱うワークフローにおいて、推論コストの最適化による利益率の改善に直結します。

導入にあたっては、オープンウェイトモデルであるため、ライセンス条件の確認に加え、ハードウェアの選定が重要になります。特にVRAM容量がボトルネックとなるため、筆者が過去に言及したMac Studioのような大容量メモリ環境や、CUDA環境の最適化を検討する必要があります。また、推論エンジンの最適化レベルによって精度や速度が変動するため、実務適用前のベンチマーク検証が不可欠です。

出典: [[AINews] DeepSeek DeepInfer: Open Source SOTA Inference running 155T toks/day/cluster making $22m/day at ~80% margin for a 81 day payback](https://www.latent.space/p/ainews-deepseek-deepinfer-open-source)（Latent Space） / [StrataでDeepSeek-V4.1-Flash-1017が動く？最適化モデルがまもなく登場](https://pc.watch.impress.co.jp/docs/news/2149879.html)（PC Watch（Impress））

## NVIDIAがDGX/RTX Sparkを発表、推論性能を40%向上し最大1TBメモリを実現

NVIDIAは、AI推論性能を40%向上させたDGX SparkおよびRTX Sparkを発表しました。DGX Sparkは最大8台のクラスター構成が可能となり、合計1TBのメモリを搭載できます。RTX SparkはWindows搭載のノートPC向けに展開され、ローカル環境でのAIエージェント動作を支援します。日本国内での提供開始日や価格に関する具体的な情報は記載されていません。

**解説**

今回の発表は、これまでクラウドに依存していた大規模なAI推論やエージェントの動作を、より強力なローカル環境へ移行させる狙いがあります。特にDGX Sparkのメモリ拡張性は、巨大なモデルをオンプレミスで動かしたい企業にとって選択肢となります。一方、RTX SparkはWindowsユーザーが手軽にローカルAIを業務に組み込むことを可能にします。

ただし、筆者の過去の見解にある通り、CUDA環境が必須でない限り、メモリ容量とコストパフォーマンスのバランスからMac StudioやMacBook Pro（M5 Max等）の方が実用的である可能性があります。導入を検討する際は、単なるスペック向上だけでなく、自社のワークフローにおいて「CUDAでなければ不可能な処理」があるかを見極めることが重要です。また、ローカル環境での運用には、ハードウェアコストに加え、電力消費や冷却性能などの物理的な管理コストも考慮する必要があります。

出典: [NVIDIA Gives DGX And RTX Systems A 40% AI Inference Boost, While DGX Spark Now Clusters Up To 8 Units For 1 TB Memory – Wccftech](https://news.google.com/rss/articles/CBMirAFBVV95cUxOM0J6S2puSXBqREhKVC01TlRWVndhUFVYS0Rpa2IwaEZIRGhBdEpBZHpyWEVaYTlaMDA1Q1BEZmpfLUdjdFhmVHBsZ2VOTkJVeUMzeDNWZGdNemNqU2ozdGR5anp0ZjdHWUZpakNocHU0aHZJWkt4RG9vbENrdGlfaEpENnZzRzBybU1VVjBjM19uX3J6dER6VG54bE4yTjUzZDhQT29RcmVaRzRq0gGyAUFVX3lxTFBYdVdTdk1GOG5OcVZCRW1vQlpUUkthWFZlaVNjVEozQXI4SmFvZ2xOS2NuZ3VLVDlVbmxYV29rU2xHVTJqMVVMQWdFRXVjaW1aYnJSZjZreUJJbDE0SllfRy1UUlNhNGZFdU10NUtvTXVId2UxUEFRaUw5WDExWFc5UWotX0ZHdEpGT3JvdGRNQml5YlhvbnpROTJ4WkUwNlV4UjZ6bXpxY09KMk9IbnpveHc?oc=5)（Google News(EN): DGX Spark / RTX Spark） / [Nvidia RTX Spark Brings Local AI Agents to Windows Laptops – TechRepublic](https://news.google.com/rss/articles/CBMikAFBVV95cUxOTy1zMmVDNTNYZTJ3dGd1MXNCX01TZXllVEVrM21HQnZ6bGNOOUxIWXIwcUhYRkx6X0o5YnRoc2o2bXJFcldIQXhVcDBiMVlnckFRaEl3cWhULWlIVTZxeE5vNFlRT0R6eDN1THlSallLV2tnX2g1dVRwdmdFVDR3b0lIbE5RTnVLMUdsbTRKaWU?oc=5)（Google News(EN): DGX Spark / RTX Spark） / [RTX Spark: Real-World Local AI ⭐ – Thurrott.com](https://news.google.com/rss/articles/CBMic0FVX3lxTE1keTBfa3gzc2hKUENPNVVwNWJiSWN4U2EwNkVwT0tkSmV2NjdCNXFvc3BMcVRBOFU1M0E3VXFHX0dmUXlDY3lIR2s4T29qNlhvVjhwSjBpQjNTTnNHS29YMUs3MUZzZmZzeFdjWTRORjRKbXM?oc=5)（Google News(EN): DGX Spark / RTX Spark）

## 最大192GBメモリ搭載のRyzen AI Max PRO 400が登場、巨大LLMのローカル動作へ

AMDが、最大192GBのメモリを搭載可能な「Ryzen AI Max PRO 400」を発表しました。このプロセッサを搭載した環境では、300B（3000億パラメータ）規模の巨大な大規模言語モデル（LLM）をローカルで動作させることが可能です。これにより、従来はクラウド環境でしか扱えなかった規模のモデルを、個別のワークステーション上で運用できる道が開かれました。

**解説**

今回の発表は、ローカルAI環境におけるメモリ容量の制約が大幅に緩和されたことを意味します。これまで数百B規模のモデルを動かすには、極めて高価なエンタープライズ向けGPUを複数枚搭載する必要がありましたが、統合メモリ構成のプロセッサでこれを実現できれば、開発・検証のコストとハードルが劇的に下がります。特に、機密性の高いデータを扱うためクラウドを利用できない企業や、モデルの微調整を頻繁に行う技術者にとって、強力な選択肢となるでしょう。

導入にあたっては、単なるスペック上の数値だけでなく、実際の推論速度（トークン生成速度）が実務に耐えうるかを見極める必要があります。また、Windows環境でのメモリ管理や、利用したいモデルの量子化形式への対応状況など、ソフトウェア側の最適化状況が運用の鍵となります。CUDA環境が必須でないタスクにおいて、Mac Studio等のユニファイドメモリ搭載機に対するコストパフォーマンス上の優位性がどこにあるかを検証することが重要です。

出典: [Ryzen AI Max PRO 400: 192GB Memory Runs 300B LLMs – shattered.io](https://news.google.com/rss/articles/CBMib0FVX3lxTE8ydzFWNGl0M1V1Mmk0aVRma1J2UEgwVTlCaVN2enZlMjA5dlZjRlFpUFJfVWtpZzhrdm9icTktUWx6LUJ2TTR6V0dPdG9SV01NWFlkYmh5M1lqNHhKVWhuS0x0SjhuWnBJVlVBVExRUQ?oc=5)（Google News(EN): Strix Halo / Ryzen AI Max） / [Local AI finally got close to the cloud for me, and this loud little cube is why – How-To Geek](https://news.google.com/rss/articles/CBMibkFVX3lxTE5hZkFiMDE3TkMxN3ZDTHc5SjRQT3QyT2hLTnBzell4SFpuSkd6LXpmX2RWbzJRZGtQX0FBSFBwU1VLME95dHhTUkhoaW9Va3lQRkh2a2hkalNIbWpuVm5IREpEc1VGMjBlemRnVWJR?oc=5)（Google News(EN): Strix Halo / Ryzen AI Max）

## OpenAIが常時稼働エージェント「Dots」を提供開始、日本は世界2位の利用規模

OpenAIは、常時稼働するAIエージェント機能「Dots」を提供しました。OpenAI Japanの長谷川忠雄社長によると、日本におけるユーザー数は世界で2位の規模となっています。本機能は、従来のチャット形式とは異なり、自律的にタスクを遂行し続けるエージェントとしての動作を特徴としています。

**解説**

今回の「Dots」の登場は、AIが単なる「問いかけへの回答者」から、バックグラウンドでタスクを完結させる「自律的な実行者」へと進化することを意味します。ユーザーが都度プロンプトを入力せずとも、設定した目的に向かってAIが能動的に動き続けることで、業務フローの自動化レベルが一段階引き上げられる可能性があります。

特に、定型的なリサーチやデータ収集、複数のツールを跨ぐワークフローの管理など、時間のかかる定常業務を抱えるビジネスパーソンにとって大きな恩恵があるでしょう。一方で、自律的に動作させるため、実行権限の範囲設定や、予期せぬ動作によるコスト増、機密情報の取り扱いといったセキュリティ上のガバナンス構築が不可欠となります。

導入にあたっては、どの業務をエージェントに委ね、人間がどのタイミングでレビュー（検収）を行うかという「人間介在型（Human-in-the-Loop）」の運用設計が、精度と安全性を担保する鍵となります。

出典: [OpenAIの常時稼働エージェント「Dots」、日本のユーザー数は「世界2位」 「仕事の在り方を大きく変える可能性」と長?社長](https://www.itmedia.co.jp/aiplus/article/2610/21/2000002457/)（ITmedia AI＋）

## ChatGPTに「Locked Chats」が登場。PINや生体認証で特定のチャットを保護可能に

OpenAIは2026年10月21日、特定のチャット履歴を保護できる「Locked Chats」機能の提供を開始しました。この機能は、無料プランからPlus、Business、Enterprise、Eduなどの全プランを対象に、同日より順次展開されています。利用者はPINコードや生体認証を用いることで、機密性の高いチャットへのアクセスを制限することが可能です。

**解説**

これまでChatGPTの履歴は、アカウントにログインしていれば誰でも閲覧できる状態にあり、PCの共有や画面共有時の不用意な露出がリスクとなっていました。今回の機能追加により、個別のチャット単位で認証を求められるため、機密情報の取り扱いにおける心理的・物理的なハードルが一段階上がったと言えます。

特に、社内でのAI活用を推進しているビジネスパーソンや、複数のユーザーでアカウントを共有・管理している環境において、個人のメモや機密性の高いプロンプトを保護する手段として有効です。業務フローの中で「AIにどこまで情報を入力して良いか」という判断に加え、「出力結果をどう保護するか」という視点での運用管理が可能になります。

ただし、この機能はあくまで「UI上の閲覧制限」であり、OpenAI側のデータ保持ポリシーや学習への利用設定（オプトアウト）とは別物である点に注意が必要です。セキュリティ要件が厳しい業務で利用する場合は、認証機能に頼るだけでなく、プランごとのデータプライバシー設定を併せて確認することが不可欠です。

出典: [ChatGPT、見られたくないチャットをロック可能に。PIN/生体認証で保護](https://pc.watch.impress.co.jp/docs/news/2149977.html)（PC Watch（Impress））

## PFNとTenstorrentが生成AI特化プロセッサを共同開発へ

Preferred Networks（PFN）と米Tenstorrentが、生成AIの学習および推論を効率的に行うためのプロセッサとシステムの共同開発を開始しました。TenstorrentがCPUの開発を担当し、PFNがAIプロセッサの開発を担います。開発にあたっては、光電融合技術や最先端のパッケージング技術を導入し、超高メモリ帯域幅を実現するシステム化を目指します。

**解説**

本取り組みは、NVIDIAのGPUが独占的な状況にあるAIインフラ市場において、ハードウェアレベルから最適化された代替選択肢を構築しようとする動きです。特に光電融合技術の導入により、生成AIのボトルネックとなっているメモリ帯域幅の課題を解決し、電力効率と処理性能の両立を図る狙いがあると考えられます。

この開発が進めば、大規模なLLMを運用するクラウド事業者や、自社で計算基盤を構築する国内の技術企業にとって、コスト削減やパフォーマンス向上の選択肢となります。特に、推論コストの低減は、AIを業務プロセスに組み込む際の最大の障壁の一つであるため、実用化されれば多くのビジネスパーソンに恩恵が及ぶ可能性があります。

導入・検証の観点では、既存のCUDAエコシステムからの移行コストや、ソフトウェアスタックの互換性が最大の焦点となります。また、ハードウェアの供給安定性や、国内でのサポート体制など、運用面でのリスク評価が不可欠です。

出典: [PFNとTenstorrentがタッグ、生成AI特化プロセッサ開発へ 超高メモリ帯域幅、光電融合技術を実装](https://www.itmedia.co.jp/aiplus/article/2610/21/2000002438/)（ITmedia AI＋）

## 新型Mac miniで始めるローカルAI：M6チップ搭載モデルの可能性

Appleが約2年ぶりに新型Mac miniを発売しました。M6チップと24GBメモリを搭載したモデルは約22万円で提供されており、一定規模のLLM（大規模言語モデル）をローカル環境で実行できる性能を備えています。

**解説**

今回の新型Mac miniの登場は、これまで高価なワークステーションやクラウド環境に頼っていたローカルAIの実行環境を、より身近な価格帯で提供することを意味します。特にメモリ24GB搭載モデルは、軽量なLLMや特定のタスクに特化したモデルを動作させるためのエントリーモデルとして機能し、個人の業務効率化を模索するビジネスパーソンにとって現実的な選択肢となります。

実務においては、機密性の高いドキュメントの要約や、外部に送信できないデータの処理など、セキュリティが重視される領域での活用が期待できます。ただし、大規模なモデルを動かすには依然としてメモリ不足がボトルネックとなるため、実行したいモデルのパラメータ数とメモリ消費量の整合性を確認することが不可欠です。また、CUDA環境が必須なライブラリを利用する場合は、Mac環境での代替手段があるか、あるいは性能的に十分かを慎重に検証する必要があります。

出典: [約22万円の新型「Mac mini」で初めてのローカルAI体験 ストレージの価格高騰対策にピッタリかも](https://www.itmedia.co.jp/pcuser/articles/2610/20/news074.html)（ITmedia PC USER） / [Kingy Local AI adds a tested PDF setup for the M4 Mac mini – Kingy AI](https://news.google.com/rss/articles/CBMia0FVX3lxTE5iTjRPeDRHaGVwcE1wVHhQa1JOZ3R1ajRKTFFtTFdSTEVxNTVReng0R21vWlhuVDh5cHd6Z0Z4LXJ5QjJ4OTRnNFEtTndhdmtCak9nSk44ekx5TFJBVnpGSDNsWktMZjREbUtF?oc=5)（Google News(EN): Mac Studio × LLM） / [Mac Studio M5 Ultra 64-Core vs 80-Core GPU for Local AI: Is the Upgrade Worth It? – zeera wireless](https://news.google.com/rss/articles/CBMiugFBVV95cUxQWUo2ZVdrNzM5RTNaSlBXWjEyRHZwYUVvZmhQYkpFaTY0OF9ucDRaNDdfSWpxOWFsWWFxVjJyanJjeThGWmJCclVWM1pzSE8yS2R0elYwNkR2SHA3RlRzVGZfSWs0WjR1b0hwOHB3OUNpNXRqaDJ4TFhOQnJSaFU2bzJGWFhUdTZ2VUtSNlpSRUhPT3ZqR2ZyRjJOQTRJUk81ZGNxeGZBRXBuQXFfUUctZ05WTVRFTjI0V3c?oc=5)（Google News(EN): Mac Studio × LLM）

## AWSがMCPサーバーの動的発見を可能にする「AWS Agent Registry」を公開

AWSは、Model Context Protocol（MCP）サーバーやエージェントのスキルをカタログ化し、実行時に動的に検索・発見できる管理サービス「AWS Agent Registry」を発表しました。これにより、オーケストレーターにツールをハードコードすることなく、セマンティック検索を通じて必要なツールを特定し、接続することが可能です。また、Amazon Bedrock AgentCoreと組み合わせることで、サプライチェーン管理などの複雑な業務において、複数の基幹システムにまたがるデータへのアクセスと操作を自然言語で完結させる構成を実現しています。

**解説**

今回の発表の核心は、AIエージェントが利用できる「道具（ツール）」の管理を、静的な定義から動的なレジストリ形式へ移行させた点にあります。従来、エージェントに多数のAPIを連携させると、プロンプトの肥大化による精度の低下や、ツール追加のたびに発生する再デプロイが運用上のボトルネックとなっていました。AWS Agent Registryの導入により、企業は数百規模の内部APIを効率的に管理し、必要な時に必要なツールだけをAIに選択させることが可能になります。

特に、ERPや在庫管理、調達システムなど、データが複数のシステムに断片化している製造・物流業などのバックオフィス業務において大きな効果が期待できます。ユーザーは個別のシステムを操作することなく、自然言語で状況把握からアクション（見積依頼の送付など）までを一気通貫で実行できるようになります。

導入にあたっては、レジストリが提供するのは接続メタデータのみであり、認証情報（認証トークン等）は別途安全な経路で管理・適用する必要がある点に注意が必要です。また、MCPというオープンなプロトコルに基づいているため、エコシステム全体の互換性と、自社環境でのMCPサーバー構築コストを検証することが重要です。

出典: [From data to decisions: Conversational supply chain intelligence with Amazon Quick and Amazon Bedrock AgentCore](https://aws.amazon.com/blogs/machine-learning/from-data-to-decisions-conversational-supply-chain-intelligence-with-amazon-quick-and-amazon-bedrock-agentcore/)（AWS Machine Learning Blog） / [Discover tools at runtime with AWS Agent Registry](https://aws.amazon.com/blogs/machine-learning/discover-tools-at-runtime-with-aws-agent-registry/)（AWS Machine Learning Blog）

## MistralとNvidiaが提携、物理AIで工業設計とシミュレーションを加速

MistralとNvidiaが、AIを活用してエンジニアリング・シミュレーションおよび工業製品の設計を高速化させるための提携を発表しました。物理学的なアプローチを取り入れたAIを用いることで、設計プロセスの効率化を目指します。

**解説**

今回の提携は、汎用的な言語処理にとどまらず、物理法則を組み込んだAIを工業設計という専門領域に適用させる試みです。従来のシミュレーションは膨大な計算リソースと時間を要していましたが、AIによる近似や加速が実現すれば、製品開発サイクルが劇的に短縮される可能性があります。

特に、製造業の設計エンジニアやR&D部門にとって、試作回数の削減や設計最適化の高速化という形で業務フローが変わることが期待されます。一方で、物理AIの導入にあたっては、AIが出力した結果の物理的な妥当性をどう検証するかという精度管理や、機密性の高い設計データの取り扱いに関するセキュリティ確保が重要な観点となります。

出典: [Mistral and Nvidia want to speed up industrial design with physics AI](https://the-decoder.com/mistral-and-nvidia-want-to-speed-up-industrial-design-with-physics-ai/)（The Decoder）

## デジタル庁が「神Excel」対策ツールを公開、AI時代のデータ整備を支援

デジタル庁は、Excelファイルなどのデータが機械的に読み取りやすい形式であるかを判定するツール「Harunobu」を公開しました。このツールは、セル結合などが多用され、人間向けのレイアウトが優先された「神Excel」と呼ばれる形式のファイルを検出し、改善に役立てることを目的としています。あわせて、AIを活用してデータを効率的に整備する方法についても紹介しています。

**解説**

これまで多くの組織で、人間が見やすい形式（神Excel）が優先され、データの再利用やシステム連携の妨げとなってきました。今回のツールの公開は、単なる形式チェックに留まらず、AIによるデータ処理を前提とした「機械可読性」の重要性が公的に示されたことを意味します。特に、大量の社内ドキュメントをRAG（検索拡張生成）などのAI基盤に組み込もうとしている企業のデータ整備担当者にとって、現状のデータ品質を定量的に把握し、クレンジングの優先順位を付けるための有用な手段となるでしょう。

導入にあたっては、ツールの判定基準が自社の業務要件に合致しているかを確認する必要があります。また、AIによるデータ整備を併用する場合、機密情報の取り扱いなどのセキュリティポリシーを策定した上で運用することが不可欠です。形式を整えること自体が目的ではなく、その後の分析やAI活用でどのような価値を生むかという出口戦略に基づいた整備が求められます。

出典: [デジタル庁、「神Excel」対策ツールを公開 AIと組み合わせたデータ整備方法も紹介](https://www.itmedia.co.jp/aiplus/article/2610/21/2000002475/)（ITmedia AI＋）

## 日東工業が日本IBMと共同開発、図面から見積情報を抽出する生成AIアプリを運用開始

日東工業は、日本IBMの支援を受けて、設備図面から分電盤の見積もりに必要な回路情報や機器情報を抽出するマルチモーダル生成AIアプリケーションを開発しました。本アプリは、2026年10月より段階的に実業務での運用が開始されています。これにより、図面からの情報抽出という専門的な工程に生成AIを活用する業務基盤を構築しました。

**解説**

今回の取り組みは、テキストベースのAI活用から、図面という非構造化データ（画像・図表）を扱うマルチモーダルAIへの実務適用へと踏み出した点に意義があります。これまで熟練者の目視と経験に頼っていた「図面からの情報読み取り」をAIで自動化することで、見積もり業務のリードタイム短縮と属人化の解消が期待できます。

特に、製造業や建設業など、複雑な設計図面を扱う業界のバックオフィス業務において、同様のアプローチは非常に有効です。定型的な抽出作業をAIに任せ、人間が最終的な整合性確認や戦略的な見積もり判断に集中するという役割分担が可能になります。

導入にあたっては、図面の形式（CADデータかPDFか等）による認識精度の差や、誤抽出が招く見積もり金額の乖離といったリスクへの対策が不可欠です。また、機密性の高い設計図面を扱うため、データの取り扱いに関するセキュリティ環境の整備や、抽出結果を人間が効率的に検収するワークフローの設計が運用の鍵となります。

出典: [日東工業、日本IBMと図面から分電盤見積情報を抽出する生成AIアプリを開発 AI活用の業務基盤を構築](https://ai.watch.impress.co.jp/docs/news/2149568.html)（AI Watch（Impress））

## DMG森精機が工作機械の不具合対応を支援する生成AIサービスを開始

DMG森精機は、ユーザー専用ポータルサイト「my DMG MORI」にて、生成AIを活用した新機能「サービスエージェント」の提供を開始しました。このサービスは、工作機械の不具合対応などのユーザーサポートをAIが支援することを目的としています。

**解説**

製造業における専門性の高いドキュメントや過去のトラブル事例をAIに学習・参照させることで、現場のダウンタイム削減を狙った取り組みと言えます。これまで熟練技術者の経験や膨大なマニュアルに依存していた不具合解消プロセスを、AIが一次的に切り分けることで、サポート効率の劇的な向上が期待できます。

特に、複雑な設備を運用する工場管理者やメンテナンス担当者にとって、必要な回答に即座に辿り着ける点は大きなメリットです。一方で、製造現場では誤った指示が物理的な事故や設備の破損に直結するため、AIの回答精度（ハルシネーションの抑制）と、最新の技術資料への正確なグラウンディングが運用の鍵となります。

出典: [工作機械の不具合対応を生成AIが支援、DMG森精機が新サービス](https://monoist.itmedia.co.jp/mn/articles/2610/21/news034.html)（ITmedia AI＋）

## FAQ

### Google CloudでOpenAIのモデルが利用可能になったことで、どのようなメリットがありますか？

Gemini、Claude、OpenAIの主要モデルを単一プラットフォームで利用でき、インフラを切り替えることなくタスクに応じてモデルを柔軟に選択・比較検証することが可能です。

