昨夜、シリコンバレーでAI神々の戦いが繰り広げられた

作者：Max、01 Founder

編集：Max

昨夜のシリコンバレーでは、3つの大きな出来事があった。

GoogleはGemini 3.8 Flashを発表し、MetaはMuse Spark 1.3を発表し、これまで誰も話題にしていなかったスタートアップMostikは、有力メディアWIREDの独占インタビューに登場した。

最初の2つだけを見れば、これはまたありふれたAIベンチマーク更新の夜のように見える。

GoogleがGeminiをDeepSWEの首位に押し上げたわずか数時間後、Metaはさらに高いスコアを発表し、世界1位の座は数時間しか持たなかった。

こうしたことは2026年にもなると、もはや人々はほとんど麻痺してしまっている。

モデル発表、ベンチマーク更新、Xで数時間祝う、そして次の企業がさらに更新するのを待つ。

しかし、昨夜のこの3つの出来事をまとめて見ると、本当に注目すべきものはランキングにはまったくないと私は思う。

AIの経済学が急変しつつある。

ここ数年、AIコストを語るとき、最もよく見られる数字は100万トークンあたりの価格だった。

しかし、Agentの登場以降、この測定方法はますます不十分になってきている。

将来本当に重要になる問題は、「100万トークンがいくらか」ではなく、バグを1つ修正するのにいくらかかるか、リサーチを1件完了するのにいくらかかるか、Agentを3時間連続稼働させるのにいったいいくらかかるか、かもしれない。

そして昨夜、推論コストはまったく異なる複数の方向から同時に低下しつつある。

Googleはフロンティア級の能力をますます安価なモデルに詰め込み、MetaはAgentが同じタスクをより少ないトークンとツール呼び出しで完了できるようにし、Mostikはさらに一歩進んで、こう問いかけ始めた。

通信する双方がそもそもAIなら、モデル同士はなぜ人間向けに設計された言語でやり取りする必要があるのか、と。

PART.01、Geminiが帰ってきた

まずGoogleを見よう。

Googleは新しいフラッグシップモデルGemini 3.8 Flashを発表した。公式はこれを、これまでで最も強力な推論・コードモデルと呼んでいる。

これはGoogleが6週間の間にFlashシリーズに対して行った3回目のアップデートでもある。3.6から3.7、そして今回の3.8へ。

これまでFlashに抱かれる印象は非常にシンプルだった。より速く、より安いが、能力は最強モデルよりやや劣る、というものだ。

Googleは今、その定義を少しずつ変えつつある。

今回の3.8 Flashで最も核心的な向上は、long-horizon codingとagentic workflowに集中している。

AIの長期的なソフトウェアエンジニアリング能力を測るDeepSWE v1.1で、約74%のスコアを獲得した。

DeepSWEと従来のコードベンチマークの最大の違いは、モデルにアルゴリズム問題を1問投げるのではなく、実際にAgentをコードリポジトリに入れる点だ。

モデルは問題を理解し、コードを検索し、ファイルを修正し、ツールを呼び出し、テストを実行し、失敗したら原因を探し続ける必要がある。

1つの完全なタスクは数十ステップ、場合によっては100ステップ以上続くこともある。

こうしたテストで、Gemini 3.8 Flashは一時世界1位に立った。

Claude Opus 5も同じく約74%、GPT-5.6 Solは約73%、これまでリードしていたFable 5は約70%だ。

能力だけを見れば、これらの最強モデル間に特別大きな差はすでにない。

本当に恐ろしいのは別の数字、つまり金だ。

Gemini 3.8 FlashのAPI初回価格は、入力0.75ドル/1Mトークン、出力3.75ドル/1Mトークンに据え置かれている。

DeepSWEで1つの完全なタスクを完了する平均コストはわずか2.36ドルだ。

対照的に、同じく約74%のClaude Opus 5は、1タスクあたりの平均コストが11.84ドルに達し、GPT-5.6 Solは約73%で、平均コストも6.46ドルかかる。

つまり、同じレベルのソフトウェアエンジニアリング能力でも、実行コストはすでに数倍の差がつきうるのだ。

これはAgent時代に非常に重要になる。

チャットボット時代は、1回の回答が数セント高いか安いかは、一般ユーザーにはほとんど感知されなかった。

しかしAgentはまったく違う。コーディングAgentは100ステップ連続で動作するかもしれないし、リサーチAgentは数十のウェブページを検索し、数百ページの資料を読むかもしれない。将来、企業内のAgentは数時間連続で働く可能性さえある。

Google公式は、3.8 Flashは複雑なタスクに直面すると自発的にwork harderし、より多くの推論とツール呼び出しを行うとさえ述べている。

Googleはコスト削減のためにモデルに「少なく考える」よう求めたのではなく、トークンがすでに十分安いため、より長いループを回すことを許したのだ。

だから私が思うに、3.8 Flashで本当に重要なのは、また世界1位を取ったことではない。

これまで最も高価なフロンティアモデルしか提供できなかった能力を、無理やりFlashの価格帯に押し込んでいることだ。

PART.02、3時間半後にMetaが切り返してきた

Googleの関係者がGemini 3.8 Flashの発表を祝っている最中、Metaが突然切り返してきた。

Metaは突然、Muse Spark 1.3モデルを発表した。

Metaが公表した評価によると、Muse Spark 1.3はDeepSWE v1.1で75.4%のスコアを達成した。

この数字はGemini 3.8 Flash、Claude Opus 5、GPT-5.6 Solを上回る。

さらに驚くべきことに、Muse Spark 1.2のこのテストでのスコアはまだ約55%にすぎなかった。

1.2から1.3へ、マイナーバージョンアップ1回で約20ポイントも直接向上したことになる。

しかし、今回のMetaで本当に見るべきものも75.4%ではないと私は思う。

ほかに2つの数字がある。ツール呼び出しが約20%減少し、トークン消費が約25%減少したことだ。

これは見落とされがちだが、実はAgentが本格的に商業化された後の最も重要な問題に非常に近い。

Agentで最も金を浪費するのは、正常な思考ではなく、脱線であることが多い。

たとえばコーディングAgentが20ステップ目で要件を誤解した場合、5つのファイルを修正し続け、3回テストを回し、大量のコードを検索し、最後になってようやく方針が間違っていたことに気づき、すべてやり直すかもしれない。

数十回のツール呼び出しと数万トークンが、こうして無駄になる。

だから、モデルがタスクの曖昧さをより早く発見でき、より早く自分では続行できないと気づき、より早くユーザーに質問できれば、それは実質的にコストを直接削減していることになる。

Muse Spark 1.3が今回強化した能力の多くはこの種のものだ。長いスレッドの中で複数のワークフローを同時に維持でき、曖昧なタスクに直面したら自発的に質問し、解決できない問題は自発的に助けを求め、不可逆的な操作に関わる場合は事前に確認し、長いタスクを何ラウンドも実行した後でも最初の制約を忘れにくくなっている。

Metaはモデル自身の能力の限界に対する認識さえ強調し始めた。自分に何ができて、何ができないかを知っている、と。

これらの能力はチャットボット時代には、ベンチマークが20点上がるほど魅力的ではないかもしれないが、Agent時代になれば、すべて直接金に換算できる。

Agentがミスを1回減らすこと自体が、1回の推論最適化なのだ。

だからGoogleとMetaを並べて見ると、大規模モデル競争の測定単位が静かに変わりつつあることがわかる。

今後、人々は「100万トークンがいくらか」にはますます関心を持たなくなり、別の数字をますます気にするようになるかもしれない。

実際のタスクを最初から最後まで実行するのに、いったいいくらかかるのか、という数字だ。

PART.03、Mostik、破壊的ブレイクスルー

GoogleとMetaが、より安く、より少ないトークンでタスクを遂行する方法をまだ研究しているのだとすれば、Mostikはさらに根本的な問題に着手し始めている。

これらの token はなぜ必ず存在しなければならないのか？

Mostik はロシア語で「橋」を意味する。

CEO の Sasha Malysheva はこの手法の主要開発者であり、最高科学責任者はジュネーブ大学教授で 2010 年フィールズ賞受賞者の Stanislav Smirnov である。

彼らが取り組んでいるのは、一見すると非常にシンプルだが、実際には極めて困難なことだ。それは、2 つの AI モデルが自然言語を介して互いにコミュニケーションしないようにすることである。

現在、大多数のマルチエージェントシステムは次のように動作している。

モデル A は何らかの情報を得ると、まず数百から数千の token を生成し、自分の結論を自然言語で表現する。モデル B はそれらのテキストをすべて読み込み、再び理解して自らの内部表現を構築し、そこから推論を続ける。

しかし問題は、大規模モデルの内部で実際に計算されているものは、もともと中国語でも英語でもなく、次のようなものだということだ。

高次元で連続的な数学的表現。

これは、2 台のコンピュータが直接データを転送できるにもかかわらず、コンピュータ A がまずファイルを数百ページの紙に印刷し、それをコンピュータ B がカメラで 1 ページずつ OCR で読み取っているようなものだ。

これまで人々は印刷コストを下げる方法を研究してきたが、Mostik はいっそプリンターを捨てようとしている。

彼らは異なるモデルの内部表現の間に「橋」を架け、モデルが自然言語を生成するのではなく、潜在表現（latent representation）を直接交換できるようにしようとしている。

シリコンバレーの有力メディア WIRED が公開したある実験は非常に興味深い。

Mostik はフル版の GLM-5.2 753B と、わずか 4B でモバイルデバイス上で動作可能な Qwen 3.5 をブリッジ接続した。

最終的に得られたハイブリッドシステムの能力は 2 つのモデルの中間に位置するが、推論コストはフル版 GLM-5.2 のわずか 1/20 だった。

もちろん、Mostik がモデル間通信をすでに解決したと言うのは時期尚早であることは間違いない。

潜在コミュニケーション自体も昨日初めて登場したものではなく、ここ数年、embedding、hidden state、KV cache などの内部表現を交換する研究は数多く試みられてきた。

本当に難しいのは、異なるモデルのアーキテクチャ、パラメータ、学習データ、内部座標系がすべて異なる中で、どうやって 2 つのモデルに互いの潜在空間を本当に理解させるかということであり、それ自体が非常に困難な問題だ。

Smirnov 自身も、現時点では異なるモデル間の共通表現を記述する成熟した数学的言語すら欠けていると認めている。

それでも、1/20 という数字には非常に興奮させられた。

なぜなら、まったく異なる未来の AI アーキテクチャについて真剣に考え始めるきっかけになったからだ。

PART.04、未来、あなたに必要なのはわずか 0.xB のモデルだけ

この 2 年間、オンデバイス AI の議論では、より大きなモデルをいかにスマートフォンに押し込むかが研究されてきた。7B、4B、3B、1B と、蒸留・量子化・圧縮を繰り返してきたのだ。

しかし、もし Mostik のこの路線が最終的に本当に機能するなら、未来のスマートフォンには「何でもできる」大規模モデルはそもそも必要ないのではないかと私は思う。

デバイス上で実行する必要があるのは、0.xB か数 B の小さなモデルだけかもしれない。

それは非常に安価で、継続的に動作し、あなたが今どのアプリにいるのか、さっき何をしていたのか、デバイスがどんな状態なのかを理解し、大多数のシンプルで高頻度なタスクを処理する役割を担う。

本当に難しい問題に直面したときだけ、潜在空間を通じた通信でリモートの大規模モデルを呼び出す。

しかし決定的な違いは、今日のように 10 万 token のコンテキストをすべてクラウドに再送信して、リモートモデルに最初から読み直させる必要がないということだ。

高度に圧縮された潜在状態（latent state）の一部を転送するだけで済むかもしれない。

リモートの大規模モデルが複雑な推論を完了した後も、必ずしも数千 token の自然言語による説明を生成してローカルモデルに伝える必要はなく、新しい内部表現を直接送り返せばよい。

そうなれば、ローカルの小規模モデルが高頻度・低コスト・常時動作を担当し、クラウドのフロンティアモデルは低頻度だが本当に難しい推論だけを担当し、その間を何らかの「橋」で効率的に通信することになる。

もし将来本当にこれが実現すれば、推論コストの低下幅は、今日のモデル API の 30% や 50% の値下げにとどまらないだろう。

それは AI 計算そのものを組織化する方法を変える可能性がある。

PART.05、結び

だから昨夜を振り返ると、表面的にはまったく異なる 3 つのニュースだった。

Google は Gemini 3.8 Flash を発表し、フロンティア級の能力を Flash の価格帯に押し込んだ。

Meta は Muse Spark 1.3 を発表し、エージェントがより少ない token とツール呼び出しでより多くのことを成し遂げられるようにした。

Mostik はさらに一歩進んで、モデル間の token の一部をそもそも生成しないようにする試みを始めた。

これらはすべて同じ変化を指し示している。

知能は非常に劇的なスピードで安くなっている。

そしてこの値下げは、もはや API の単価下落だけではない。

モデルの価格が下がり、タスク完了に必要な計算量が減り、今ではモデル間で情報を交換する方法までもが再設計され始めている。

このことが最終的にもたらす影響は、ベンチマークが数パーセントポイント上昇することよりもはるかに大きい。

なぜなら、多くの技術が本当に爆発するのは、「初めて使えるようになったとき」ではなく、「ついに誰でも気軽に使えるほど安くなったとき」だからだ。

今日、エージェントに数十ドルを費やして一般人の小さなタスクを 1 つ処理させるのは、まったく割に合わないかもしれない。

もし将来、数円で済むようになれば、今は誰も検討しないようなアプリケーションが突然成立するようになる。

今日、数十のエージェントを 1 人の人間のために 24 時間体制で動かし続けることは不可能だが、推論コストがさらに 1〜2 桁下がれば、それがデフォルトの状態になるかもしれない。

今はもう朝の 7 時で、本当は数時間前に寝るべきだった。

ところが Gemini が発表され、数時間後に Meta が追いつき、そして Mostik の 1/20 の実験を目にした。

ベッドに横になっても、これらのことが頭から離れなかった。スマートフォンの中の 0.xB モデル、クラウドの大規模モデル、そしてそれらがもしかすると自然言語で会話する必要すらなくなるかもしれないということ。

考えれば考えるほど眠れなくなり、結局起き出してこの記事を書き上げてしまった。

Gemini の 74%、Muse の 75.4% も、数日後には新しい数字に塗り替えられているかもしれない。

それでも、今この興奮を抑えるのは本当に難しい。

なぜなら、誰がまた世界一を取ったかよりも、私がますます気になっているのは別の問題だからだ。

これほど賢い AI は、最終的にどこまで安くなれるのか？

ひとたび強力な知能が本当に気軽に呼び出せるほど安くなれば、今日はまだ非常にクレイジーに見える多くの AI 製品が、ようやく始まったばかりなのだと私は思う。