株式会社ずんだもん技術室AI放送局

AIやテクノロジーのトレンドを届けるPodcast。平日毎朝6時配信。朝の通勤時間や支度中に情報キャッチアップとして聞いてほしいのだ。

私立ずんだもん女学園放送部 podcast 20260424

2026年04月24日

MP3ファイルをダウンロード

内容紹介

Deep Research Max: a step change for autonomous research agents、Speeding up agentic workflows with WebSockets in the Responses API、Winning a Kaggle Competition with Generative AI–Assisted Coding、何年たった今でも「もしドラ」がヒットした理由がわからないというつぶやきに対し、当時のマーケティングとしては斬新で「ゾルトラークみたいなものだ」という意見も

出演者

お嬢様ずんだもん
お嬢様ずんだもん

youtube版(スライド付き)

関連リンク

Google DeepMindは、最新モデル「Gemini 3.1 Pro」を基盤とした次世代の自律型リサーチエージェント「Deep Research」および「Deep Research Max」を発表しました。これまでのAIは主に情報の要約を得意としていましたが、本エージェントは自律的に推論と検索を繰り返し、プロフェッショナル品質の分析レポートを生成する「調査の自動化」を実現します。

今回のアップデートでは、用途に合わせて以下の2つのエージェントが提供されます。

  1. Deep Research: 速度と効率を最適化したモデル。ユーザーが直接操作するアプリなど、リアルタイム性が求められるシーンに適しています。
  2. Deep Research Max: 「思考時間の延長（extended test-time compute）」を活用する最上位モデル。より多くの情報源に当たり、矛盾する証拠の検証や詳細な推敲を行うため、非同期で行う重厚な調査タスクに最適です。

新人エンジニアの方に特に注目してほしい技術的なポイントは、MCP（Model Context Protocol）への対応です。これにより、エージェントはWeb上の公開情報だけでなく、企業の独自データや専門的な外部データベース（金融データなど）にセキュアにアクセスできるようになりました。単なる「検索くん」ではなく、専門的な道具を使いこなす「自律的なエージェント」へと進化しています。

その他の主な新機能は以下の通りです。

  • ネイティブな可視化: 調査結果に基づき、チャートやインフォグラフィックをHTML形式などで自動生成します。
  • 対話的なプランニング: 調査開始前にエージェントが提示する計画を人間がレビュー・修正でき、調査の方向性をコントロール可能です。
  • マルチモーダルな根拠付け: PDFやCSVだけでなく、画像、音声、動画も入力ソースとして活用できます。
  • 思考プロセスの可視化: エージェントが現在どのように考え、どのステップを進めているかをリアルタイムで確認できます。

現在はGemini APIの有料ティアでパブリックプレビューとして公開されており、Google Cloud経由での提供も予定されています。AIが「自ら考え、調べ、図解まで行う」という、エージェント活用の新しいスタンダードを示す注目のアップデートです。

引用元: https://blog.google/innovation-and-ai/models-and-research/gemini-models/next-generation-gemini-deep-research/

OpenAIは、AIエージェントの処理速度を劇的に向上させるため、Responses APIにWebSocketを導入したことを発表しました。この技術アップデートにより、複雑なタスクを実行するエージェントのワークフローが従来より約40%高速化されます。

1. 背景：推論の高速化が招いた「APIのボトルネック」

「Codex」のようなAIエージェントは、「モデルが次のアクションを決定する」→「ローカル環境でツールを実行する」→「結果をAPIに返す」というやり取りを何度も繰り返します（エージェント・ループ）。 従来、このループで最も時間がかかっていたのはモデルの推論（GPU処理）でした。しかし、最新のモデル（GPT-5.3-Codex-Sparkなど）は毎秒1,000トークン以上の高速推論が可能になったため、相対的に「APIサーバーでのリクエスト処理（CPU処理）」や「ネットワークの往復」による遅延（オーバーヘッド）が無視できない課題となりました。

2. 課題：ステートレスなHTTPの限界

これまでの標準的なAPI（HTTPベース）では、各リクエストが独立していました。そのため、会話が長くなるほど、毎回すべての履歴をトークナイズしてサーバーへ送信し、検証し直す必要がありました。この「重複した作業」が、エージェントの応答を遅くする原因でした。

3. 技術的解決策：WebSocketによる持続的接続

OpenAIの開発チームは、ステートフル（状態を維持できる）な通信プロトコルであるWebSocketを採用しました。これにより、一度接続を確立すると、サーバー側のメモリに会話のコンテキスト（履歴、ツール定義、サンプリング情報など）をキャッシュできるようになりました。

  • 使い慣れた形状の維持: gRPCなども検討されましたが、開発者が既存のAPI構成を大きく変えずに導入できるよう、馴染みのあるメッセージ形式を採用しています。
  • 増分処理の実現: previous_response_id を指定してリクエストを送ることで、サーバーはメモリ上のキャッシュから状態を復元します。これにより、安全性の検証やバリデーションを「新しく追加された入力分のみ」に限定でき、大幅な軽量化に成功しました。

4. 導入成果：エージェントが「爆速」に

このWebSocketモードの導入により、以下のような目覚ましい成果が得られています。

  • エンドツーエンドの遅延を約40%削減: VercelのAI SDKやCursor、Clineといった主要な開発ツールで、30〜40%の高速化が確認されました。
  • 超高速推論の最大活用: 推論速度が向上したモデルの性能をフルに引き出し、本番環境で最大4,000 TPS（トークン/秒）のスパイクにも対応可能になりました。

新人エンジニアの皆さんにとって、このニュースは「通信プロトコルの選択（HTTP vs WebSocket）」がいかにシステムのパフォーマンスに直結するかを示す好例です。モデルそのものの進化だけでなく、それを取り巻く周辺システムの最適化が、次世代のAI体験を支えています。

引用元: https://openai.com/index/speeding-up-agentic-workflows-with-websockets

本記事は、2026年3月に開催されたKaggleのコンペティションにおいて、3つのLLMエージェントを活用して優勝を果たした手法の解説です。特筆すべきは、LLMエージェントが60万行以上のコードを生成し、計850回もの実験を短期間で実行した点にあります。

これまでの機械学習コンペにおけるボトルネックは「実験コードを書く速さ」と「実験を実行する速さ」の2点でした。後者はNVIDIA cuDFやGPU加速ライブラリによって解決されてきましたが、前者はLLMエージェントの登場により劇的に高速化されました。今回の事例では、GPT-5.4 Pro、Gemini 3.1 Pro、Claude Opus 4.6といった複数の最新モデルを「Human-in-the-loop（人間が介在する）」形式で使い分け、以下の4ステップで開発を進めています。

  1. LLMエージェントによるEDA（探索的データ分析）: データの構造や欠損値の有無を、LLMに分析用コードを書かせて把握させます。エージェント自身にコードを実行・修正させることで、人間はデータの全体像を迅速に理解できます。
  2. ベースラインの構築: データの構造を理解したLLMに、XGBoostなどの基本的な学習パイプラインを即座に構築させます。この段階で、後の統合を見据えてクロスバリデーションの予測結果（OOF）などを保存する仕組みを整えます。
  3. 特徴量エンジニアリングと反復: ここが最も強力な部分です。LLMに論文やフォーラムの知識を読み込ませたり、新しい特徴量のアイデアを提案させたりして、次々と改善案を試します。GPUによる高速な実行環境があることで、LLMが生成する大量のコードを即座に評価し、スコアが向上したものだけを抽出するサイクルが可能になります。
  4. モデルの統合（スタッキング等）: 最終的に、850回の実験から得られた150個ものモデルを、スタッキングや知識蒸留を用いて統合します。膨大な実験結果の要約や、最適なモデルの組み合わせの選定もLLMがサポートします。

新人エンジニアの皆さんへの示唆として、現代の開発では「全てのコードを自力で書く」こと以上に、「LLMに適切な指示を出し、GPU等の計算資源をフル活用して、いかに高速に試行錯誤（イテレーション）を回すか」というスキルの重要性が高まっていることがわかります。アイデアを形にする速度をLLMで最大化することが、勝利への近道となります。

引用元: https://developer.nvidia.com/blog/winning-a-kaggle-competition-with-generative-ai-assisted-coding/

ヒット作『もしドラ』が社会現象となった背景を、当時の斬新なマーケティング戦略から分析したまとめです。後に一般的となる「長文タイトル」や「萌え絵表紙」をビジネス書に導入し、新たな市場を開拓した手法は、後に「ゾルトラーク（一般攻撃魔法）」に例えられるほど業界の標準を塗り替えました。ずんだもん発案者が「もしドラがなければ、ずんだもんは生まれなかった」と語るなど、現在のキャラ文化への影響も深い内容です。

引用元: https://togetter.com/li/2688922

VOICEVOX:ずんだもん