AI FRONTIER
Signals worth understanding before they become obvious.
31年来の数学の難題を解決——KLS予想の証明
Microsoft Researchの研究者Xinzhi Zhang氏と共同研究者がKannan-Lovász-Simonovits（KLS）予想を証明し、その上界が次元に依存しない固定定数であることを示した。
- KLS予想は1995年に提唱され、最良の超平面カットと任意形状の最良カットの差が次元によらず普遍定数以内に収まると予測していた。
- それまでの最良の結果（2026年7月）は上界が次元とともに緩やかに増大することを許容していた。
- 研究者らは人間が方向づけるエージェント型プロセスで100を超える候補アプローチを探索し、AIが導出や原稿作成、内部証明チェックを支援した。
- 完全な証明は2026年10月4日版の論文で完成し、同日に独立した並行証明とLean 4による形式化検証が公開された。
KLS証明により、これまで予想を前提としていた高次元幾何・確率・理論計算機科学の多くの結果が無条件に述べられるようになる。
LitPivot：文献ランドスケープ内での動的な文脈化による研究アイデアの展開
Ai2 はペンシルベニア大学との共同研究で LitPivot を開発した。これは Asta Paper Finder で取得した論文を用い、編集中の提案部分を中心に文献を整理し、抜粋付きの批評と、受け入れ・編集・拒否できる修正案を提示するシステムである。17 名の研究者による研究では、領域専門家は LitPivot で展開した研究アイデアを、テキストエディタと AI チャットツールで展開したものより文献に基づいていると評価した。
- 完了した 4 件のコンピュータサイエンス研究プロジェクトの会議メモ分析で、4 件すべてにわたり 21 件の文献起点のピボットを特定した。内訳は、新規性を確立するための既存研究との差別化と、既存研究の上に構築するための整合の 2 種類である。
- 17 名の研究者によるラボ研究で、どちらのシステムを使ったか知らない 2 名の領域専門家が、関連文献をアイデアの支持と正当化にどれだけ活用したかを単一基準で評価し、LitPivot の提案がより高い評価を得た。
- 参加者は、ベースラインと比べて LitPivot 使用時に周辺文献への理解がより強まり、アイデアの新規性と有用性の自己申告の改善がより大きいと報告した。
- LitPivot は研究アイデアを問題、提案された貢献、評価計画の 3 つのファセットに分割し、各ファセットに独自の文献集合と関連度ランキングを持たせる。
研究支援ツールを構築する開発者にとって、LitPivot は文献選択とアイデア改訂を反復ループとして結びつけることが、一度きりの検索よりもアイデアの文献的根拠を高めることを示している。
TorchNeuron プロファイリング（第1部）：AWS Trainium でのシステムレベルプロファイリング
Hugging Face ブログのチュートリアルで、Neuron バックエンドと torch.profiler を使い AWS Trainium 上の推論性能を体系的に分析し、RMSNorm の3実装でデバイス時間を比較する方法を解説する。
- Neuron バックエンドは PyTorch の PrivateUse1 拡張ポイントを利用し、torch_neuronx パッケージが Neuron を PyTorch のネイティブバックエンドとして登録する。
- ナイーブな PyTorch 実装の RMSNorm は key_averages() テーブルで Self NEURON 合計 2.355 ms を示し、aten::mul が 49.5% を占めた。
- torch.rms_norm は単一の aten::_fused_rms_norm 演算に融合され、Self NEURON 時間は 403.3 μs だった。
- torch.compile(backend="neuron") でコンパイルしたナイーブ RMSNorm は1つの Torch-Compiled Region として表示され、Self NEURON 時間は 375.5 μs だった。
AI ビルダーにとって、key_averages() でデバイス時間のホットスポットを特定し、融合演算や torch.compile により RMSNorm のデバイス時間をナイーブ実装の約6分の1に削減できることを示している。
IBM Granite 時系列モデルによるアンサンブル予測
Granite Timeseries Ensemble は4つの事前学習済み Granite モデルを1つの拡張可能な予測インターフェースに統合し、再学習やアンサンブル重みのフィッティングなしで中央値と分位点予測を返す。
- デフォルトのレシピは4つのアーキテクチャを組み合わせる。Granite PatchTST-FM-r1(Patched Transformer)、Granite PatchTST-FM-r2(Patched Conformer)、Granite FlowState-r1.1(状態空間モデル)、Granite TTM-r3(Tiny Time Mixers)。
- 97の GIFT-Eval データセット構成での評価において、両アンサンブルは集計 MASE と平均 MASE Rank で4つの個別メンバーすべてを上回り、Probabilistic Ensemble は6つの予測の中で最低の MASE 0.683 を達成した。
- PatchTST-FM-r2 は依然として最低の集計 CRPS/MWQL スコア 0.467 を保持し、IQR Ensemble はこれら6つの予測の中で最低の平均 CRPS Rank を達成した。
- レシピはマージされたモデル重みではなくアンサンブル構成を保存し、実行時に4つのメンバーチェックポイントをダウンロードするため、初回実行には追加の時間が必要となる。
構築者にとってこのアンサンブルは、最強の単一アーキテクチャを事前に選択することなく同等以上の集計精度を得られる実用的なデフォルトを提供するが、4つのメンバーチェックポイントを読み込むため推論時間とメモリが増加する。
OpenAI、フロンティアモデル訓練環境のセキュリティを強化
OpenAIは、フロンティアモデルの訓練と評価における封じ込めを強化したと説明し、オフライン環境と高計算リソースのレッドチーミングを挙げている。
- OpenAIはフロンティアモデルの訓練と評価における封じ込めを強化したと説明している。
- 対策にはオフライン環境が含まれる。
- 対策には高計算リソースのレッドチーミングが含まれる。
フロンティアモデルを開発するチームにとって、訓練・評価段階の封じ込めとレッドチーミングが能力開発と並ぶ重要な工程として扱われ始めている。
OpenAI のモデルが Google Cloud に登場
OpenAI と Google Cloud は、フロンティアモデルと Codex ワークフローを Gemini の Model Garden に導入し、Google Cloud Marketplace を通じて提供する。
- OpenAI と Google Cloud は、フロンティアモデルと Codex ワークフローを Gemini の Model Garden に導入する。
- これらは Google Cloud Marketplace を通じて利用可能になる。
AI 開発者にとって、OpenAI のフロンティアモデルと Codex ワークフローが Google Cloud の調達・デプロイ経路から利用できるようになる。