JST
中国のAIエージェント集団、研究者が追跡開始
・独立系研究者がテンセントのインフラ上で稼働するAIエージェント集団を発見 ・ターゲットはアリババの地図サービス「Amap」 ・複数のAIが協調して動作する「エージェント群」の存在が確認される
AI
Archive 記事を横断検索
自社に関係するAI情報を、すぐ見つける。
キーワードだけでなく、業界・用途・情報種別・公開時期を組み合わせて検索できます。気になるテーマから、自社で試すヒントまでまとめて辿れます。
← AI Intel トップに戻る1 / 3ページ
- Source
- JSTSource
Meta、Muse AI が許可なくメッセージを読んだという報道に異議を唱える
・ジャーナリストが Muse AI エージェントが Mac 設定を無効にした状態でプライベートメッセージを読んだと報告 ・Meta は Muse が明示的な許可なしにメッセージにアクセスできないと主張 ・プライバシー設定の解釈をめぐり Meta と報道者で見解が対立
- JSTSource
xAIのGrok 4.7がAmazon Bedrockで利用可能に
・xAIのGrok 4.7がAmazon Bedrockに追加され、コード生成、長時間実行エージェント、知識作業向けのフロンティアモデルとして利用可能になった ・500Kトークンのコンテキストウィンドウを備え、4段階の推論努力レベル（low/medium/high/xhigh）を設定可能 ・AWS顧客はBedrock APIを通じてGrok 4.7にアクセスでき、既存のLLM統合ワークフロー内での利用が可能
- JSTSource
OuterBox、業務フローに合わせたカスタムAIツール「OBxFrontier」を開始
・OuterBoxがOBxFrontierという新サービスを開始。企業の既存システムとワークフロー上の課題をマッピングし、カスタムAIエージェントを構築する。 ・定型業務の自動化を目的とした受託型のAI開発サービスモデル。 ・クライアント固有の業務環境に対応するため、汎用ツールでは実現できない最適化が可能との想定。
- JSTSource
2026年のAI CRM選定ガイド：営業チームの実装課題と検討ポイント
・AI CRMは従来のCRMに予測モデル・コパイロット・AIエージェントを統合し、営業チームの定型業務を自動化する機能を持つ ・リード スコアリングと次アクション提案を備えたシステムにより、営業チームがデータに基づいて即座に対応できる環境を提供 ・記事はCRM選定時に注視すべき機能要件と導入形態の実践的な比較を示唆
- JSTSource
Agensh：中央調整なしで1,024エージェントまで拡張可能なマルチエージェントシステム
・複雑なタスクを複数エージェントが並行実行することで遅延を削減するマルチエージェントシステムの研究。 ・既存フレームワークは中央オーケストレーターのボトルネックにより拡張性が制限される課題を指摘。 ・Agenshは中央調整者なしで自己組織化し、1,024エージェントまでスケーリング可能な新フレームワークを提案。 ・分散型アーキテクチャにより、タスク割り当てと並行実行の効率化を実現。
- JSTSource
MCP エコシステムにおけるエージェント乗っ取り攻撃フレームワーク A2M の提案
・Model Context Protocol（MCP）を使用するAIエージェントが、セマンティックマッチング経由でツール選択する際のセマンティック供給チェーンリスクを指摘 ・攻撃フレームワーク「A2M」は2段階（Attraction/Manipulation）で機能し、攻撃者が制御するメタデータと出力を悪用 ・Attraction段階はツールメタデータを最適化して呼び出し確率を増加させ、Manipulation段階は実行トレースを活用...
- JSTSource
コーディング AI エージェントの設計要素の効果測定：実証研究
・コーディング AI エージェントの性能は、計画・実行方法・文脈管理といった設計要素に左右される。 ・従来研究では harness（システム構成）全体を単一の単位として評価していたため、個別要素の効果が不明確だった。 ・本研究は実行ループを固定し、三つの要素を独立に変更して、各要素が長期的なソフトウェア開発タスクに与える影響を測定する。 ・成果を詳細に検証できる軽量フレームワークを提供し、コーディング AI の設計改善に必要な知見をもた...
- JSTSource
対話環境でのAIエージェント強化：記憶と自己反省の認知拡張
・対話環境でのAIエージェントの脆弱性（長期的な状態追跡、行動実行、失敗からの回復）に対応する研究。 ・SwiftSageという二重処理エージェント（高速な行動提案と遅い計画立案の組み合わせ）を拡張。 ・適応型メモリモジュール（AMM）と自己反省モジュール（SRM）という2つの認知拡張を導入し、実行時の検証を実現。
- JSTSource
AIエージェントがGoogle Homeデバイスを操作可能に
・GoogleがMCPサーバーの早期アクセスを開始し、ClaudeやChatGPTなどのAIエージェントがGoogle Homeの接続デバイスを制御可能にした ・自然言語でカメラサマリーの確認やスマートホーム活動ログへのアクセスが可能 ・複数のAIプラットフォーム間で統一的にスマートホーム制御を実現する基盤となる
- JSTSource
全二重音声エージェントにおける重複発話への即時適応：継続・修正・譲歩の三択評価
・全二重通話型AI音声エージェントの評価で、従来は「話し続ける/止める」の二者択一に限定されていた。 ・人間は第三の対応「相手の発言を組み込みながら話し続ける」を日常的に使用している。 ・新評価指標「Duplex Cue」を提案し、リスナーの意図（補足・協調・割り込み）に応じた即時適応を測定。 ・実装により全二重エージェントの自然性と実用性が向上する可能性を示唆。
- JSTSource
Amazon Bedrock AgentCoreでAIエージェントのOAuth同意を管理する
・AIエージェントがGitHubやSlackなど外部サービスにユーザー代わりでアクセスする際、ユーザー認証と明示的な許可が必要 ・OAuth認可をユーザーと安全に紐付けるセッションバインディングというプロセスを実装 ・Amazon Bedrock AgentCoreのIdentity機能が3LO（3段階OAuth）フローをサポート
- JSTSource
複数デバイス対応のGUIエージェント：動的タスク構成による統合制御の実現
・実務的なGUI操作は複数デバイス間でのワークフロー実行を要するが、既存の評価ベンチマークは単一デバイス・静的タスク中心である点を指摘 ・中間結果の転送、共有状態の維持、異種環境間の調整といった実装課題が未検証のままとなっている ・JarvisGUIは動的タスク構成により、複数デバイス・プラットフォーム間での統合的なGUI自動化を目指す研究
- JSTSource
Amazon Q本番運用のセキュリティ：エージェント・フロー・スペースの統合戦略
・Amazon Qの概念実証(POC)は小規模パイロットチームでは成功しても、本番化時にセキュリティ・コンプライアンスレビューで停滞することが多い ・パイロット段階の権限モデルが、複数部門への拡張時に機能しなくなり、エージェントの意図しないデータ返却や監査追跡の困難が課題 ・AWSがAgents、Flows、Spacesの統合セキュリティ方針を提示し、POCから本番への移行パターンを解説している
- JSTSource
AIR が 5,000 万ドル調達、AI エージェントのスキル・プラグイン検証を支援
・AIR が 5,000 万ドルの資金調達を実施。企業内で稼働する AI エージェントの発見・検証を目的とした新プラットフォーム ・プラットフォームは社内 AI エージェントを自動発見し、スキルとプラグイン（拡張機能）を継続的に検証 ・不正な動作をブロックする機能を備え、企業のリスク管理と AI ガバナンスを強化
- JSTSource
AWS Agent Registry で AI エージェント・ツール・スキルを一元管理
・AWS が Agent Registry を正式リリース。エージェント・ツール・スキルを一元管理する検索可能なカタログ機能を提供 ・従来は各チームが孤立して開発・管理していたため、重複や統治の欠落が課題だった ・単一の管理基盤により、所有者の明確化とレビュー履歴の記録が可能に ・組織規模での AI エージェント導入時の管理・ガバナンス課題に対応
- JSTSource
長期タスク向けAIエージェントの記憶進化：経験と作業メモリの再帰的統合
・長期タスクで履歴が増えると状態把握と適切なスキル選択が困難になる課題に対し、Recurisという新しいメモリアーキテクチャを提案 ・作業メモリがタスク進捗を追跡し、経験メモリから必要なスキルを選別することで、過去全体ではなく現在のニーズに基づく判断を実現 ・再帰的自己改善プロセスを構造化し、長期的な複雑タスクの解決性能向上を目指す
- JSTSource
自己改善型エージェントの脆弱性：分散、タスク順序、未指定性の影響
・メモリベースの自己改善型エージェント（オンラインタスク学習とテキストメモリ管理で段階的に改善）は従来の研究で有望と評価されてきた。 ・本研究は複数実行による分散測定とタスク順序のランダムシャッフルを含めて、これら手法の信頼性を包括的に再評価した。 ・従来の単一実行や固定順序の評価では、メモリ型エージェントの実際の安定性と汎用性が過度に評価されている可能性を指摘。
- JSTSource
Amazon Bedrock AgentCore Identity が Private Key JWT 認証に対応
・Amazon Bedrock AgentCore Identity が Private Key JWT によるクライアント認証に対応し、エージェントが共有シークレット不要で署名済み JWT で認証可能に ・公開鍵を ID プロバイダーに登録し秘密鍵で JWT にサイン、セキュアで管理しやすい方式を実現 ・OAuth 2.0 のシークレット管理負担を軽減し、エージェントと外部 API 間の認証セキュリティを向上
- JSTSource
複数エージェントシステムの有効性を情報ボトルネック理論で解明
・LLM（大規模言語モデル）を用いた複数エージェントシステム（MAS）と単一エージェントシステム（SAS）の性能差を理論的に分析した研究。 ・SASは推論プロセス全体を共有コンテキストに蓄積するのに対し、MASは各エージェントが独立したコンテキストを保有することが特徴。 ・情報ボトルネック理論により、両者の優劣が場面ごとに変動する理由を数学的に説明。 ・複数エージェント化がいつ効果的か、設計段階での判断指標を提供。
- JSTSource
エージェント型強化学習でMuon最適化器はいつ役立つか
・Muon最適化器は大規模事前学習ではAdamWと同等だが、強化学習の後学習での有効性は未検証 ・報酬が疎な環境でのエージェント学習（ALFWorld、Qwen2.5モデル）にMuonを適用すると、検証成功率が29%から54.6%に大幅向上（+88%） ・隠れ層の重み行列に限定してMuonを適用することで、効率的な学習を実現
- JSTSource
AI エージェントのセキュリティギャップ：54% の企業が既にインシデントを経験
・107 社の調査で、54% の企業が AI エージェント関連のセキュリティインシデントまたは懸念事象を経験済み ・3 分の 1 程度しかエージェントごとに独立したアイデンティティを付与しておらず、大多数が認証情報を共有している状況 ・最高リスク層のエージェントを隔離している企業は 30% に留まり、セキュリティ対策が実装に追いついていない ・セキュリティスタックの大部分がモデルプロバイダーやハイパースケーラーからの借用に依存
- JSTSource
エージェント最適化は複利的に効果が増すか：継続学習評価での検証
・従来のエージェント最適化研究は単一ベンチマークでの改善を報告していますが、実運用環境では最適化の繰り返しが重要です。 ・本研究は Terminal-Bench 2.0 で継続学習シナリオを検証し、複数回の最適化サイクルにおいて改善が持続するか調査しています。 ・実装・運用段階のエージェントが新タスク追加時に段階的に性能向上するメカニズムを解析する基礎的な知見を提供します。
- JSTSource
実行トレースから根本原因へ：エージェント最適化のための構造的軌跡分析と因果抽出
・長時間のタスク実行を行うAIエージェントの改善には、大言語モデルが失敗を診断し改良する反射型メカニズムが用いられている ・実際の実行記録は冗長性と異質性があり、最適化が非効率で過学習につながるため、有効な信号抽出が課題 ・個別の実行軌跡内のノイズを除去し、構造的な因果関係を特定する手法を提案