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 20261120

2026年11月20日

MP3ファイルをダウンロード

内容紹介

How OpenAI’s Performance Factory keeps ChatGPT fast、Inside the Codex sandbox、Advancing chip design with OpenAI models

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

OpenAI社は、急速なエージェント開発のペースに対応するため、Codexと自社モデルを活用してパフォーマンスの低下(リグレッション)を自動検出し修正する自律型システム「Performance Factory」を構築しました。伝統的な手動によるパフォーマンスエンジニアリング手法が持続不可能になる中、このクラウド上で動作するシステムは、アラートの発出から原因調査、修正案の作成、デプロイ後の検証に至るまでの全プロセスを自動化しています。わずか3ヶ月余りで1,700件以上の調査を追跡し、600件以上の根本原因を特定することに成功しています。

Performance Factoryは、以下の4つの主要コンポーネントで構成されています。まず、設定可能なワークフローを持つ「タスクサービス」では、Markdownで書かれたエージェント用の指示や状態遷移を定義します。次に、次に処理すべきタスクを定期的に確認してエージェントに割り当てる「ディスパッチループ」があります。さらに、内部APIを通じてクラウド環境上でCodexをプログラムから実行する「クラウド実行環境」があり、コードリポジトリやメトリクス、ログ、トレースなどの観測ツールにアクセス可能です。最後に、GitHubのレビューコメント投稿やデプロイ完了などのイベントを検知してエージェントの作業を再開させる「サブスクリプション」機能を備えています。

最初に導入された「リグレッションワークフロー」では、パフォーマンスアラートが発出されるとタスクが作成され、「調査が必要」「根本原因特定済み」「修正提案済み」「解決済み」というステージをエージェントが自動的に移動させます。早期の段階ではエージェントが最初の妥協的な説明で停止することがあったため、別のCodexセッションが診断結果の矛盾や前提条件を反証的に再検証する「敵対的レビュー」を導入し、正確性を高めています。根本原因の特定だけでなく、修正案の実装とプルリクエストの作成も行いますが、修正の適用は複雑なケースもあるため、人間のエンジニアがレビューしてマージを判断する仕組みをとっています。

このシステム運用から得られた教訓として、エンジニアの注意を守るための情報整理やランキング化の重要性が挙げられます。また、エージェント自体の変更に対する評価として、過去のインシデントを使ったバックテストによる調査の評価や、タスク要約の品質評価を別々に行っています。さらに、壊れたプロファイラーや欠落した権限などのツール障害を毎日エージェント自身にチェックさせ、自律的に修復する仕組みも取り入れられています。今後は、アラートが発出されない状態でもパフォーマンスの最適化をプロアクティブに見つけ出す仕組みや、将来的な完全自動でのマージに向けた探索が進められています。

引用元: https://openai.com/index/how-openai-performance-factory-keeps-chatgpt-fast

OpenAIの公式記事「Inside the Codex sandbox」では、AIコーディングエージェント「Codex」をローカル環境で安全に実行するためのサンドボックス機構の設計と実装について詳細に解説されています。AIがユーザーのコンピュータ上でコマンドを実行する際のリスクを軽減するため、環境全体をDockerなどで分離するのではなく、各OSのネイティブなサンドボックス機能を活用してファイルシステムやネットワークのアクセスを制限するアプローチが採用されています。サンドボックスのデフォルト方針として、Gitリポジトリをワークスペースのルートとし、.gitや.codexなどの重要なディレクトリを読み取り専用に保護しつつ、コンパイラやビルドツールに必要な外部SDKやライブラリの読み取りを許可する一方で、デフォルトではネットワークアクセスを無効化しています。また、ユーザーや企業は設定ファイル(config.tomlやrequirements.toml)を通じてパーミッションプロファイル(カスタムのファイルシステム規則やドメイン単位のネットワーク許可ルール)を定義・制御することが可能です。各OS固有の実装としては、macOSではカーネル強制の「Seatbelt」(/usr/bin/sandbox-exec)を利用し、Linuxでは「bubblewrap」によるファイルシステムの名前空間分離と「seccomp-bpf」によるシステムコールフィルタリングを組み合わせています。さらに、Windows環境では従来の制限を改善するため、 Microsoftの「MXC(Microsoft eXecution Container)」ライブラリへの移行が進められています。ネットワーク制限の enforcement(強制)においては、共通の「codex-network-proxy」がHTTPおよびSOCKS5プロキシとして機能し、ドメイン規則に基づいてリクエストの許可・拒否や承認フローを管理します。新人エンジニアにとっても、AIエージェントの安全なローカル実行環境の構築方法、OSレベルのセキュリティ機構(Seatbelt、bubblewrap、seccomp、MXC)の具体的な活用方法、そして多層防御(Defense in depth)の設計思想を学ぶ上で非常に重要な技術的知見となります。

引用元: https://openai.com/index/inside-the-codex-sandbox

本記事では、OpenAIのフロンティアモデルを活用した半導体チップ設計の高度化に関する取り組みについて解説しています。OpenAIは自社製のカスタム推論チップ「Jalapeño」の開発において、GPT-o3 miniなどのモデルを用いて回路設計の最適化を行いました。具体的には、演算処理を行うベクトルユニットやマトリックスユニットにおいて、浮動小数点加算器や乗算器、低精度ドット積回路などの論理回路の再設計やパイプライン処理の改善を実施し、標準セル面積の削減やレイテンシの改善を実現しました。これらの最適化により、ベクトルユニットで約13%、マトリックスユニットで約10%の面積削減が実証されています。

また、AMDとのパートナーシップにおいても、フラグシップGPUのIPに対して同様のアプローチを適用し、SystemVerilogで記述されたRTL(レジスタ転送レベル)のコード書き換えによって、従来の数倍のペースとなる約5か月で大幅な性能改善を達成しました。モデルはマイクロアーキテクトの専門家と同等のレベルで回路を推論し、SynopsysのEDA(電子設計自動化)ツールと連携して、消費電力・性能・面積(PPA)のトレードオフを検証しています。AMDの次世代フラグシップCPUやGPUの設計にもモデルの提案が採用されており、実際の製造プロセスや製品版の設計ファイルに組み込まれています。

さらに、モデルのチップ設計能力の進化を測定するため、オープンソースの32ビットRISC-Vコア(PicoRV32およびIbex)を用いた評価実験が行われました。既存のRTLコードの最適化および仕様書からの新規設計という2つのタスクにおいて、トークン予算やモデル世代ごとの性能が比較されています。実験の結果、新しい「GPT-6.2 Astra」などのモデルは高いスループットスコアを記録し、特に仕様書から直接設計を行うタスクでは、既存デザインの改善よりも高いスコアを示す傾向が確認されました。今後は、Synopsysとのパートナーシップを通じて、EDAツールを直接操作してチップ設計を革新する新モデル「GPT-Synopsys」の開発も進められており、AIを活用したハードウェア開発の可能性がさらに広がることが示されています。

引用元: https://openai.com/index/advancing-chip-design-with-our-models

VOICEVOX:ずんだもん