APPI News｜テクノロジー

中国でApple Intelligence届け出公表　現地AI連携と残る不明点

APPI News 編集部 — Sun, 09 Aug 2026 06:05:40 GMT

Apple Intelligenceは、中国本土での提供に向けて規制上の大きな関門を越えた。中国国家インターネット情報弁公室は2026年7月15日、「Apple智能」を含む端末側生成AIサービス7件の届け出情報を公表した。ただし、公告が示すのは届け出の完了であり、利用開始日ではない。中国向けのシステムにはAlibaba（アリババ）のQwenが組み込まれ、Baidu（百度）も機能開発に参加する。

中国向けApple Intelligenceでは、現地企業のAIモデルを組み込む構成が採られる（イメージ）。

公告で確認できること

中国当局の公告は、このサービスを「Apple智能」と記し、スマートフォンの端末側で動く生成AIの届け出一覧に加えた。同時に公表されたのはSamsung、Huawei、OPPO、vivo、Xiaomi、ZTEのサービスで、計7件となる。公告本文は提携企業、モデルの処理範囲、提供開始日には触れていない。

提携の輪郭は各社の説明で補える。AlibabaはQwenがiOS、iPadOS、macOS、visionOSの中国向けApple Intelligenceに組み込まれ、文章と画像の理解・生成に使われると説明し、Baiduも中国向け機能をAppleと開発していると認めた。一方、Baiduがどの機能を担うかは明らかになっていない。Engadgetも、Baiduの具体的な役割とサービス開始日は未公表だと報じている。

このため、Alibabaが全体の何割を処理するか、BaiduがSiriや画像検索を担当するかといった細部は確定情報として扱えない。公表済みの事実は、Qwenが文章と画像の理解・生成に使われること、Baiduが開発に参加していることまでである。

現地モデルが必要になる規制の仕組み

中国では2023年8月に「生成式人工智能服务管理暂行办法」が施行された。対象は、中国国内の一般利用者に文章、画像、音声、映像などを生成するサービスを提供する事業者だ。訓練データの取り扱い、生成物の表示、個人情報や知的財産の保護などを定める。

同規則第17条は、世論形成または社会動員の性質を持つ生成AIサービスについて、安全評価を実施し、アルゴリズムの届け出や変更・抹消の手続きを履行するよう求めている。第20条は、国外から中国国内へ提供されるサービスが規則に適合しない場合、当局が技術的措置などを講じると定める。

中国の生成AI規制は、安全評価とアルゴリズムの届け出を制度の一部としている（イメージ）。

Appleが中国企業のモデルを採用する背景には、この市場ごとの規制がある。ただし、現地企業と組めばApple自身の審査や責任がなくなるわけではない。今回の公告も「Apple智能」というサービス単位の届け出を公表したもので、AlibabaやBaiduの既存手続きがそのままAppleの手続きを代替したとは記していない。

二社の役割──確定した範囲と空白

Qwenは大規模言語モデル（Large Language Model）を含むAlibabaのモデル群である。中国向けApple Intelligenceでは、文章の作成や要約、画像の理解・生成といった領域への組み込みが公表されている。対応するOSとして複数の製品名が挙がる一方、中国当局の今回の公告はスマートフォン向けに限られる。iPad、Mac、Apple Vision Proで同時に提供が始まるとまでは判断できない。

Baiduについて確認できるのは、Appleとの機能開発に参加しているという同社広報の説明である。Siriの音声処理、検索、クラウド処理のどこを受け持つかは公表されていない。二社の分担は、Appleが正式な機能一覧やプライバシー資料を示すまで空白が残る。

AlibabaとBaiduの作業比率や、モデルごとの詳しい担当範囲は公表されていない（イメージ）。

日本の利用者が確認すべき条件

日本でApple Intelligenceを使っている端末でも、中国本土へ持ち込めば同じ条件で動くとは限らない。Appleの日本語サポートは、中国本土で購入した対応端末では現時点でApple Intelligenceが機能せず、中国本土以外で買った端末も、利用者が中国本土にいてApple Accountの国または地域を中国本土に設定している場合は機能しないと案内している。中国本土で利用可能になった後は、購入済みの対応端末で有効化できるとの説明もある。

当局の届け出公表後も、この案内は正式提供の有無を見分ける基準になる。旅行や赴任で一時的に滞在する場合は、端末の購入地域、現在地、Apple Accountの地域設定という複数の条件が関わる。日本の公的機関が中国版のデータ処理や利用上の注意をまとめた資料は、本稿の執筆時点で確認できていない。

中国本土での利用可否には、端末の購入地域やApple Accountの地域設定などが関わる（イメージ）。

正式提供までに残る確認事項

届け出の公表と製品の提供開始は別の段階だ。Appleは開始日、対応機種、最初に使える機能を公表していない。モデルごとの処理範囲、入力データの保存場所、Appleの端末内処理やクラウド処理が中国版でどう組み直されるかも、公告からは読み取れない。

次に確認すべき資料は、Appleが示す中国向けの機能一覧とプライバシー説明、AlibabaとBaiduが示す処理範囲、Apple日本語サポートの利用条件更新となる。それらがそろうまでは、「規制上の届け出が公表された」という事実と、「利用者が実際に機能を使える」という状態を分けて捉える必要がある。

よくある質問

中国本土でApple Intelligenceはすでに使えるのか
届け出情報は公表されたが、Appleは正式な提供開始日を発表していない。Appleの日本語サポートも、中国本土での現行の利用制限を案内している。

AlibabaとBaiduは何を担当するのか
AlibabaのQwenは文章と画像の理解・生成に組み込まれる。Baiduは開発参加を認めたが、具体的な担当機能は公表していない。

日本で購入したiPhoneを中国本土へ持ち込めば使えるのか
購入地域だけでは決まらない。Appleの案内では、中国本土にいることとApple Accountの国または地域が中国本土に設定されていることも利用可否に関わる。

カルテを院外に出さずに医療AIを鍛える「連合学習」　仕組みと残る課題

APPI News 編集部 — Sun, 09 Aug 2026 02:00:00 GMT

連合学習（Federated Learning）は、AIモデルのほうを各病院へ巡回させる学習方法だ。中央サーバーから送られたモデルが院内の患者データで学習し、返すのは学習で変化した重みの更新だけで、カルテそのものは院内に残る。医療AIの開発が長く足踏みしてきた理由の一つは、複数の病院で同じモデルを鍛えたくてもデータの持ち出しに強い制約がかかる点にあった。連合学習は「データを外に出すかどうか」という問いを、「モデルを病院に出向かせるかどうか」という問いに置き換える。

連合学習とは何か

この手法を提唱したのはグーグルの研究チームで、2017年のことだ。マクマハンらの論文は、訓練データを端末側に残したまま、各端末で計算されたモデル更新を集約して共有モデルを学習する方式と定義している。同期型の確率的勾配降下法に代えて反復的なモデル平均化を用いることで、通信のラウンド数は10分の1から100分の1に減ると論文は報告している。想定されていた舞台はスマートフォンの入力予測だった。数百万台の端末に散らばったデータを一か所に集める運用は現実的でなく、プライバシーの面でも無理がある。そこでモデルのほうを端末へ送る発想が生まれた。

医療での使い方も理屈は同じで、ノードがスマートフォンから病院に替わっただけだ。カルテの形式や項目をそろえる規格の議論とは層が違う。規格が扱うのはデータを読み合うための言語であり、連合学習が扱うのは患者データを施設の外へ出すかどうかという、より手前の制約である。

仕組み──動くのはモデル、データは動かない

NISTの公式ブログは一連の流れをこう説明する。中央サーバーが学習途中のモデルの複製を各参加機関に配り、受け取るのはデータではなくモデルの更新である。各機関は自前の機微なデータでモデルを鍛え、データ自体はその機関から出ない。中央サーバーは返ってきた重みの更新を平均して次のラウンドのグローバルモデルをつくり、収束するまで同じ手順を繰り返す。サーバー側から見えるのは「この病院ではパラメータがどちらの向きに動いたか」であり、その動きを生んだ元のカルテは見えない。

ここが、データを先に集めてから学習させる従来のやり方との最大の違いになる。従来型は各病院が匿名化したカルテを同じデータベースへ送る前提で、データが院内システムを離れた時点でアクセス管理と漏えいのリスクに新しい変数が加わる。連合学習ではデータの物理的な置き場所が動かず、動くのはモデルのパラメータだけだ。誰が生のカルテに触れるかという問いの答えは、そのデータを持つ病院に固定される。

日本の制度：要配慮個人情報と次世代医療基盤法

日本で医療データをAIの学習に回すとき、最初に突き当たるのは個人情報保護法だ。同法第2条第3項は、病歴を含む一定の情報を要配慮個人情報と位置づけている。取得には原則として本人の同意が要り、通常の個人データなら使えるオプトアウトによる第三者提供も、要配慮個人情報には認められない。複数の病院のカルテを一か所に集めてAIを鍛える構想は、この入り口で同意の取り方という重い課題に直面する。データを動かさない連合学習の設計が医療分野で関心を集める法的な背景はここにある。

医療データの二次利用について、日本には別の制度も用意されている。次世代医療基盤法（正式名称は医療分野の研究開発に資するための匿名加工医療情報及び仮名加工医療情報に関する法律）だ。国の認定を受けた事業者が医療機関から情報の提供を受け、匿名加工または仮名加工したうえで研究開発に提供する仕組みで、認定を受けた事業者の一覧は内閣府が公表している。2018年5月に施行され、2024年4月には仮名加工医療情報の枠組みを加えた改正法が施行された。

注意したいのは、この制度が連合学習と反対の設計思想に立つ点だ。次世代医療基盤法は情報をいったん認定事業者に集約し、加工することで利用の道を開く。連合学習は集約そのものを避ける。優劣の問題ではない。同意の取り方、加工の程度、研究者が扱えるデータの粒度がそれぞれ異なり、どちらを選ぶかは研究の目的しだいになる。

国外に目を向けると、医療研究での実績はすでに積み上がっている。フランスのスタートアップOwkinはキュリー研究所、リヨンのレオン・ベラール・センター、ギュスターヴ・ルシー研究所、トゥールーズの腫瘍センターの4施設と組み、連合学習で病理画像のAIモデルを学習させた。トリプルネガティブ乳がん患者650人の病理標本データは各施設のファイアウォールの内側から出ず、モデルは化学療法への反応を予測する用途に使われた。成果は2023年1月にNature Medicineへ掲載され、複数病院の病理画像を対象にした連合学習の研究としては初の発表となった。

残る課題──情報の復元とデータの偏り

連合学習はプライバシーのリスクをゼロにするわけではない。プライバシーと性能の両立を扱った医療向け連合学習フレームワークの論文は、データを動かさないことで集約に伴うリスクは下がる一方、勾配からの復元攻撃によってモデルの更新から機微な情報が取り出される余地は残ると指摘している。サーバーが受け取る重みの更新は数字の列にすぎないが、元データの特徴を推し量る手がかりを含みうる。対策として広く使われるのが差分プライバシーで、同じ論文は返送される勾配にノルムのクリッピングをかけ、較正したガウスノイズを加えることで、プライバシー予算をNISTの推奨に沿う範囲へ収めたと報告している。代わりに、ノイズの分だけモデルの精度は落ちる。

データ分布の偏りも避けて通れない。病院ごとに患者層、疾患の頻度、検査機器の仕様が異なり、統計的には非独立同一分布（non-IID）と呼ばれる状態になる。同じ論文の検証では、現実に近い異質なデータ条件で学習させた場合、分布がそろった基準条件と比べて精度は2〜4ポイント下がり、ラウンドごとのF1スコアのばらつきも大きくなった。規模の小さい病院や、患者の特徴が偏った病院が参加したとき、グローバルモデルがその病院の実態を公平に映すとは限らない。通信の負荷は相対的に軽い。同じ論文は、モデルの更新を8ビットに量子化した場合、1ノードあたり1ラウンドの通信量は約320KBだったとしている。ここは導入の主な障害になりにくい。

データガバナンスの責任の所在も、先に詰めておく論点だ。監査を誰が担うのか、モデルが誤った判断を出したときの責任はどこにあるのか、参加していた病院が抜けたあとのパラメータをどう扱うのか。こうした問いは連合学習を採用しただけでは片づかず、参加する側が自分たちで規約を決める作業が残る。

よくある質問

連合学習と、匿名化したカルテを集めて学習させるやり方はどう違うのか
後者はデータが病院を離れて中央のデータベースへ移るため、流出した場合に再識別される余地が残る。連合学習ではデータが生成された機関から出ず、中央サーバーが受け取るのはモデルの更新に限られる。データの物理的な置き場所という点で設計が異なる。

連合学習で鍛えたモデルから患者の情報が漏れる心配はないのか
皆無ではない。条件次第でモデルの更新から訓練データの一部が復元されうることは確認されており、返送する勾配に較正したノイズを加える差分プライバシーの併用が対策として挙げられている。その分だけ精度は犠牲になる。

日本の病院はすでに連合学習でAIを鍛えているのか
本稿の執筆時点で、複数の医療機関をまたぐ連合学習が国内で本格運用に入ったことを示す公的な資料は確認できていない。制度の面では、次世代医療基盤法にもとづく認定事業者を通じた集約型の枠組みが先に整えられており、認定を受けた事業者の一覧は内閣府が公表している。

米FDA、携帯型眼底カメラ向けAIを承認　日本の公開情報に残る空白

APPI News 編集部 — Fri, 07 Aug 2026 16:59:30 GMT

自律型AI（Autonomous Artificial Intelligence）は、眼底画像の撮影後に医師が画像を読み直す工程を置かず、あらかじめ定めた病変の有無をソフトウェアが出力する医療機器だ。米食品医薬品局（FDA）は2024年4月23日、糖尿病網膜症の自動検出プログラムAEYE-DSについて、据え置き型に加えて携帯型のOptomed Aurora眼底カメラとの組み合わせを認めた。眼科医のいない診療現場にも検査を置きやすくなる一方、判定対象と性能値には明確な範囲がある。

携帯型カメラで何を自動判定するのか

FDAの510(k)審査資料によると、AEYE-DSの対象は糖尿病と診断された成人のうち、糖尿病網膜症の診断歴がない人で、軽症を超える糖尿病網膜症を自動検出する。眼底カメラで撮った画像をサーバー側の解析ソフトへ送り、「検出」「非検出」「画質不十分」のいずれかを返す仕組みだ。家庭向けの自己検査機器ではなく、米国では医師の処方または指示のもとで販売される医療機器に位置づけられている。

携帯型カメラを使った臨床性能は、米国内の二つの前向き多施設試験で検証された。感度は92％と93％、特異度は94％と89％、判定可能率はいずれも99％だった。感度は病変のある人を陽性とした割合、特異度は病変のない人を陰性とした割合を指す。一つの「正確度」という数字では、見逃しと過剰な拾い上げの違いが消える。

自動検出と診断支援の境界

自動検出型と診断支援型の違いは、ソフトウェアの出力を誰が確定するかにある。AEYE-DSは対象となる病変について検出結果を自ら返す。診断支援ソフトは、医師が診断するための画像処理結果や注目領域を示す役割にとどまる。

日本で認証された眼底画像ソフトの一例がDeepEyeVision for RetinaStationだ。PMDAが公開する電子添文は、眼底画像を処理して診断のために提供する製品としたうえで、「自動的に眼疾患の診断を行うものではない」と記し、最終的な画像診断を医師の責任としている。米国のAEYE-DSと同じ「AI眼底検査」という呼び方でも、承認された役割は同じではない。

日本では臨床試験を実施、承認状況は判然とせず

日本国内でも自動検出型に近い開発は臨床評価まで進んだ。厚生労働省の臨床研究等提出・公開システムには、日本人の糖尿病患者を対象にAI診断プログラムDDX-01の性能と有用性を調べる多施設共同試験が登録されている。登録上の試験期間は2022年10月から2024年5月までで、無散瞳眼底カメラの画像をAIが解析し、その後に眼科医の診察と専門施設での画像評価を実施する設計だった。試験登録は性能評価の計画と実施を示す資料であり、製造販売承認を示す文書ではない。

同等の自動検出AIが日本で承認されたかどうかは、執筆時点の公的資料から確認できていない。ただし、これは「承認品が存在しない」という断定ではない。PMDAはプログラム医療機器の公開一覧について、承認から掲載までに時間を要し、有体物の医療機器の構成品となるプログラムは対象外で、AI活用製品を網羅する一覧でもないと説明している。公開情報の空白と未承認は区別する必要がある。

性能値から見える導入後の課題

二つの米国試験で判定可能率は99％に達したが、すべての撮影が判定に至ったわけではない。画質が基準を満たさなければ再撮影や別の検査経路が要る。陽性的中率も68％と53％で、陽性出力のすべてが参照基準で病変ありと確認されたわけではなかった。陽性的中率は検査対象集団の病変頻度にも左右されるため、米国試験の数値を日本の健診や診療所へそのまま移せない。

対象疾患の範囲も限られる。AEYE-DSが判定するのは一定以上の糖尿病網膜症で、緑内障や加齢黄斑変性などをまとめて除外する装置ではない。自動化によって変わるのは、指定された病変を拾い上げる工程だ。撮影不能例への対応、陽性後の受診経路、ほかの眼疾患を見落とさない運用は、機器の性能表とは別に設計しなければならない。

よくある質問

AEYE-DSの感度92〜93％は「正確度92〜93％」という意味か
意味は異なる。感度は参照基準で病変ありとされた人をAIが陽性とした割合で、病変なしの人を陰性とした割合は特異度で表す。FDA資料では携帯型カメラを使った二試験の特異度は89％と94％、陽性的中率は53％と68％だった。

自動検出AIは眼科医の診察をすべて置き換えるのか
置き換えない。AEYE-DSの承認対象は、糖尿病網膜症の診断歴がない成人の一定以上の病変を拾い上げる初期検査だ。出力が陽性の場合の精密評価や、判定対象外の眼疾患の診断は別の工程になる。

日本で同じ仕組みを利用できるのか
同等品の国内承認を裏づける公的資料は、執筆時点で確認できていない。DDX-01の国内試験は登録されているが、臨床試験の登録と製造販売承認は別の手続きだ。PMDAの一覧も対象範囲と掲載時期に限界があるため、公開情報だけで不存在までは断定できない。

マスク氏の「Terafab」始動　168億ドル初期投資とTSMCへの影響

APPI News 編集部 — Fri, 07 Aug 2026 05:06:08 GMT

テスラとSpaceXが計画する「Terafab」は、AI向け半導体を設計から製造、パッケージング、試験まで同じ拠点で扱う構想だ。両社は2026年8月6日、米テキサス州グライムズ郡に建設し、初期段階に168億ドルを投じると公表した。完成時には1億平方フィートを超える製造空間を設け、テスラとSpaceXの半導体需要は将来、年間1テラワット（TW）の計算能力に相当する規模を超えるとの見通しを示している。ただし、1TWは現在の生産能力ではなく、両社が想定する需要と計画の目標値である。

なぜファウンドリーを自前で持つのか

背景にあるのは、車載AI、ヒト型ロボット「Optimus」、宇宙データセンター向けの半導体需要を、外部調達の増産だけに委ねるリスクだ。マスク氏は3月の構想発表で、半導体メーカーの供給拡大がAIとロボット向け需要に追いつかないとして、必要なチップを確保するにはTerafabを建てる必要があるとの考えを示した一方、稼働時期は明らかにしなかった。

構想は一般的なファウンドリーの建設より広い。先端ロジックとメモリーを製造し、後工程のパッケージングと試験も同じ敷地に置く。設計変更を製造工程へ早く返し、量産立ち上げまでの時間を縮める狙いがある。AI半導体では前工程の微細化に加え、演算チップとメモリーをつなぐ先端パッケージングが供給量を左右するため、製造工程の一部を内製するだけでも調達上の意味を持つ。

168億ドルと1190億ドル──数字が示す範囲の違い

投資額は一つに固まっていない。8月に公表された168億ドルは初期段階の数字だ。これに先立つ5月、SpaceXが郡へ出した税優遇の提案では、当初の投資を550億ドル、複数段階をすべて実施した場合の総額を最大1190億ドルと見積もっていた。開示時期と対象段階が異なるため、168億ドルから1190億ドルへの増減と読むのは適切でない。どの設備が各段階に含まれるかも公表資料では確定していない。

計画は企業発表だけの段階からは進んでいる。グライムズ郡政府は、SpaceXとの税優遇契約と経済開発契約について、双方が署名した文書を公式ページで公開している。建設地にはギボンズ・クリーク貯水池の水を使い、地下水への依存を避ける計画も示された。工場の規模が大きいほど、電力と水、排水処理を半導体製造設備と同時に整える作業が事業日程を左右する。

インテルが加わり、完全内製の構図ではなくなった

Terafabは、テスラとSpaceXだけで半導体製造を一から抱える計画でもない。インテルは4月、設計、製造、パッケージングの能力をTerafabに提供すると表明したが、担当範囲や投資額などの詳細は公表していない。先端プロセスの量産には装置を並べる資金に加え、工程を統合して歩留まりを上げる経験が要る。既存メーカーとの協業は、その時間を短縮するための前提になる。

TSMCとサムスンへの委託は当面続く

自前工場の発表は、既存ファウンドリーからの即時撤退を意味しない。テスラの次世代車載チップAI5はサムスンとTSMCの双方でテープアウトされ、サムスンはテキサス州テイラー工場で2027年後半の量産を予定している。テープアウト後にも試作、検証、顧客認定が残る。Terafabにはさらに工場建設と装置搬入、工程の立ち上げが必要で、既存の委託先は供給をつなぐ役割を担う。

TrendForce Newsが複数の業界報道を整理した記事は、Terafabが短期にTSMCの先端製造の優位を脅かす可能性は低く、先に入りやすい領域として先端パッケージングを挙げる。2nm世代ではGAAFETへの移行、EUV露光装置の調達、工程ごとの歩留まり管理が障壁になるとの見方だ。これは受注移管を示す企業開示ではなく、サプライチェーンをどう組み替えうるかについての業界記事である。

日本企業への波及はまだ確認できない

巨大工場の新設は、製造装置、材料、電力設備、建設サービスに幅広い需要を生む。ただ、本稿の執筆時点で、日本の半導体製造装置・材料企業がTerafab向けの受注や参加を公表した資料は確認できていない。日本企業への恩恵を具体的な売上高や受注額に置き換えるのは早い。公表済みの事実は、建設地と初期投資の枠、インテルの参加、垂直統合の構想までである。

よくある質問

168億ドルと1190億ドルのどちらが正式な投資額なのか
168億ドルは2026年8月に示された初期段階の投資額で、1190億ドルは5月の郡提出資料が複数段階の全実施を前提に置いた上限の見積もりだ。対象範囲が異なり、どちらも最終的な総支出を保証する数字ではない。

Terafabが完成すればTSMCへの発注はなくなるのか
そのような企業発表はない。AI5はTSMCとサムスンの双方へ製造を委託する体制で進み、Terafabの量産時期も確定していない。少なくとも立ち上げ期間中は外部ファウンドリーが必要になる。

年1TWは工場の確定生産能力なのか
現時点の実績ではない。テスラとSpaceXが将来の半導体需要として掲げた規模であり、製品別の生産量、製造プロセス、歩留まり、達成時期は明らかになっていない。

米FDA「TEMPO」始動　未承認デジタル医療機器とメディケア給付を接続

APPI News 編集部 — Fri, 07 Aug 2026 00:00:00 GMT

米食品医薬品局（FDA）の「Technology-Enabled Meaningful Patient Outcomes（TEMPO）」は、正式な販売承認を得ていない一定のデジタル医療機器を、米公的医療保険メディケアの新たな支払いモデルと結びつける試行だ。FDAが機器ごとに一部規則への執行裁量を検討し、臨床現場で集めたデータを将来の承認審査に生かす。承認を省く恒久制度ではなく、規制と給付を同じ実証の枠内に置く設計である。

FDAは2026年1月2日にTEMPOへの参加意向書の受け付けを始め、3月から一部の候補企業に追加情報を求めた。対象は米国に拠点を置くメーカーの完成済み機器で、重い危険を患者の健康、安全、福祉にもたらす可能性がなく、医師の監督下にある外来治療と併用することが条件になる。AI搭載機器も対象になりうるが、AIであること自体が選定条件ではない。

執行裁量──承認と同じではない

TEMPOの核心は「執行裁量（enforcement discretion）」にある。通常、疾患の診断や治療などを目的とする機器は、リスク分類に応じて510(k)のクリアランス、De Novo分類、PMA承認などを経て市場に出る。TEMPOでは、ACCESS参加組織が対象ケアに使う場合に限り、メーカーが一部規則を執行しないようFDAへ求める。

FDAの説明資料は、執行裁量を求めうる例として、市販前承認、治験機器免除（IDE）、インフォームド・コンセントを定める21 CFR Part 50、治験審査委員会を定めるPart 56を挙げる一方、適用範囲は機器ごとに協議するとしている。参加すれば三つの手続きを自動的に飛ばせる制度ではない。FDAは注意事項を含む表示や記録保存などを条件に加える場合がある。

執行裁量が働く場所も限定される。未承認の用途で機器を提供できるのはCMSのACCESS参加組織を通じたケアの範囲であり、同じ用途を枠外で販売する行為はTEMPOの対象にならない。FDAは参加企業に、試行中のデータを使って最終的に正式な販売承認を申請するよう求めている。

ACCESSが給付の入り口を担う

TEMPOと対になるのが、米メディケア・メディケイド・サービスセンター（CMS）の「Advancing Chronic Care with Effective, Scalable Solutions（ACCESS）」である。ACCESSは2026年7月5日に始まった10年間の任意モデルで、従来型メディケアの加入者を対象に、診療行為の回数ではなく測定可能な健康上の成果に連動する支払いを試す。参加組織はメディケアPart Bの提供者または供給者として登録し、医師の臨床責任者を置く。

対象は、早期の心腎代謝、心腎代謝、筋骨格、行動保健の4領域だ。高血圧、脂質異常、肥満または腹部肥満を伴う過体重、糖尿病前期、糖尿病、一定段階の慢性腎臓病、動脈硬化性心血管疾患、慢性の筋骨格痛、うつ、不安が含まれる。従来型メディケアの加入者が対象で、CMSは参加組織の成績を監視し、リスク調整後の結果を公開する方針を示す。

実臨床データと安全策

メーカーには早期使用の機会が生まれるが、将来の承認は約束されない。FDAは参加候補に対し、機器が設計どおり動くことを示す安全性資料、品質管理システム、患者リスクの軽減策、実臨床での性能データを収集・監視・分析・報告する計画、正式申請までの工程表などを求めうる。試行中に集めたデータだけでは足りず、正式申請に追加データが必要になる場合もある。

FDAが想定する選定規模は4領域で米国メーカー各約10社までだ。FDAの公式一覧には本稿の執筆時点で、Cadence Solutionsの「HypertensionOS」とDexcomの「Dexcom Glucose Health Program」の2社・2機器が掲載されている。FDAは、TEMPOで評価する用途について両機器の有効性評価をまだ終えていないと明記した。参加企業は実臨床データをFDAと共有し、有害事象、新たなリスク、申請準備の進み具合を定期的に報告する計画を示す。

上市前に評価を完結させる発想から、限定された使用環境で監視を続けながら証拠を積む発想へ、検証の一部を後ろに移す。その分、対象機器、報告結果、FDAが課す条件の透明性が制度への信頼を左右する。

日本の二段階承認との違い

日本には、プログラム医療機器（Software as a Medical Device、SaMD）を臨床現場で使いながら証拠を積む別の経路がある。厚生労働省が2023年に明確化した二段階承認では、探索的な治験成績などから一定の有効性が見込める範囲に使用目的や効果を限定して第一段階の承認を出し、市販後に臨床試験や実臨床データを集めた後、第二段階の承認を目指す。

日本の第一段階は法的な承認であり、未承認のまま一部規則を執行しないTEMPOとは出発点が異なる。給付面では、厚生労働省の評価療養が、第一段階承認後のプログラム医療機器や、保険適用外の使用範囲で再評価を目指す機器について、保険診療との併用を認めている。ただし、これは機器そのものへの成果連動型支払いを約束する仕組みではない。

日米の制度は、臨床現場のデータを次の審査につなげる点では重なる。違いは、TEMPOが未承認段階の執行裁量と公的保険の支払いモデルを一つの枠に収めたことだ。日本では薬事の二段階承認と評価療養が用意されているものの、TEMPOと同じ組み合わせを示す公的資料は本稿の執筆時点で確認できていない。米国でも採択された機器名や個別条件、運用後の安全性成績がそろわなければ、この接続が審査期間の短縮と患者保護を両立したかは判断できない。

よくある質問

TEMPO参加機器はFDAの承認を受けたのか
受けたことにはならない。FDAは特定の使用環境と条件のもとで一部規則への執行裁量を検討する。参加は将来の510(k)クリアランス、De Novo分類、PMA承認の可否を示さず、メーカーには正式申請が残る。

未承認機器ならすべて応募できるのか
対象は米国に拠点を置くメーカーの完成済みデジタル医療機器で、ACCESSの4領域に対応し、医師が監督する外来治療と併用され、患者に重い危険をもたらす可能性がないことが条件だ。選定規模は各領域で約10社までとされる。

日本の二段階承認はTEMPOと同じか
同じではない。日本は限定した使用目的や効果について第一段階の承認を出した後、市販後データを集めて第二段階へ進む。TEMPOは正式承認前の機器について執行裁量を使い、ACCESS内での使用と支払いにつなぐ。

折りたたみスマホは誰に向くのか　大画面の実用性と購入前の五つの負担

APPI News 編集部 — Thu, 06 Aug 2026 05:55:28 GMT

折りたたみスマートフォンは、閉じれば電話として持ち歩け、開けば小型タブレットに近い画面を使える端末だ。ただし、画面を二つ折りにする構造は、価格、厚さ、防塵性能、修理費、中古価格という負担も伴う。買い替えの判断には、スペック表より先に、開いた大画面を1日の中で何度使うかを数える必要がある。

向く使い方──複数アプリ、読書、カバー画面

横開き型の利点が最も表れやすいのは、二つの情報を同時に見る作業だ。Samsung JapanはGalaxy Z Fold8について、メッセージの隣にカレンダーを開く分割表示や、4対3のメインディスプレイで電子書籍を読む使い方を案内している。メールを読みながら予定を確認する、資料を見ながらメモを取る、PDFとウェブページを並べるといった操作では、アプリを往復する回数が減る。

読書や資料確認も大画面が生きる場面だ。Galaxy Z Fold8は開くと約7.6インチ、閉じた状態では約5.5インチの画面を備え、Samsungは2026年8月7日に日本で発売すると発表した。閉じたまま通知や短いメッセージを処理し、長い文書を読む時だけ開くという役割分担になる。

一方、写真撮影、通話、SNSの短い閲覧が中心なら、大画面を開く回数は少ない。購入前に1週間だけ「今の端末でアプリを切り替えた回数」「文書を読むため画面を拡大した回数」を記録すると、折りたたみ構造が日常の手間を減らすかを見極めやすい。

26万9880円から　重さはiPhone 17より24g増

Galaxy Z Fold8のSamsungオンラインショップ価格は26万9880円からで、重さは約201g、閉じた厚さは9.7mm、開いた厚さは4.5mmである。比較対象となるiPhone 17は177g、厚さ7.95mmだ。Fold8は24g重く、閉じた状態では1.75mm厚い。ケースを付ければ差はさらに広がるため、店頭では開いた画面だけを試さず、閉じて片手で持つ時間も確かめたい。

数字だけでは、重心や握り幅は分からない。片手での文字入力、ポケットへの出し入れ、寝ながらの読書を試すと、毎日受け入れられる重さかどうかが見えてくる。購入価格の差は一度だが、重量と厚さの差は持ち歩くたびに生じる。

IP48の「4」は粉塵を完全には防がない

Galaxy Z Fold8の防護等級はIP48、内訳は防塵IP4X、防水IPX8だ。Samsung Japanの等級表では、防塵の「4」は直径1.0mm以上の固形異物からの保護を示し、「6」が防塵を示す。IP48は水没への一定の保護を示すものの、微細な砂や粉塵を遮断する等級ではない。海辺、工事現場、粉の舞う作業場で使う人は、一般的なIP68端末との違いを購入条件に入れる必要がある。

画面中央の折り目も構造上の確認項目だ。Samsungは新しい表示構造による平坦さと耐久性を訴えているが、Galaxy Z Fold8は国内発売直後である。折り目の見え方、保護層、ヒンジの長期耐久性を独立に追跡した国内資料は、本稿の執筆時点で確認できていない。斜めから光を当てた時の見え方や、指が中央を横切る操作を実機で試すのが現実的だ。

画面交換は一世代前でも8万円台

折りたたみ端末では、保証外の画面修理が購入後の大きな支出になりうる。Samsung Japanのメーカー直販モデル向け料金表では、Galaxy Z Fold7のディスプレイ交換は8万5910円から、Galaxy S25は2万8270円からである。料金は故障箇所と診断結果で変わり、Fold8の額は同表にまだ掲載されていない。Fold7の数字をFold8の確定料金とは扱えないが、保証や補償サービスを比較する際の目安にはなる。

購入時には、自然故障の保証期間、落下や水濡れの対象範囲、自己負担額、修理中の代替機、補償の月額を同じ表に並べる。端末価格だけを比べると、故障時に発生する金額と不便が抜け落ちる。

中古価値は米国調査で1年後35.4％

米国の買い取り価格比較サイトSellCellは、発売後12カ月のデータがそろう主要端末を調べ、折りたたみ端末の中古価値は発売時価格の平均35.4％、一般形状のスマートフォンは44.7％だったと報告した。良好な状態の買い取り価格の中央値と発売時価格を比較した調査で、Galaxy Z Fold6の1TBモデルは1年で65.5％下落した。

この数値は米国市場の集計で、日本の買い取り店、通信事業者の下取り、メーカーの期間限定キャンペーンにはそのまま当てはまらない。それでも、短期で買い替える人ほど、中古価格を含む総費用を試算すべきことは分かる。2年以上使う予定なら、下取り額の差より修理補償と電池交換の条件が重くなる。

購入前は「開く回数」と総費用を確認

折りたたみスマホが向くのは、複数アプリを並べる、長い文書や漫画を読む、外出先で小型タブレットの役割まで1台に任せる人だ。単一アプリの利用が大半なら、価格と構造上の負担に対して、大画面を使う時間が短くなる。

判断の順番は明確だ。まず現在の使い方から大画面を開く回数を見積もり、次に閉じた端末を持って重さと厚さを確かめる。その上で、本体価格、補償料、想定修理費、買い替え時の中古価値を合計する。機能の多さではなく、毎日繰り返す操作に合うかが選択を分ける。

よくある質問

折りたたみスマホを買って後悔しやすいのはどんな人か
写真、通話、SNSなど単一アプリの操作が中心で、長い文書を読まず、二つのアプリを並べる機会が少ない人だ。大画面を開く回数が少ないと、価格、厚さ、修理費の負担が残る。

画面の折り目は消えているのか
完全に消えたとは確認できない。メーカーは表示構造の改良を説明しているが、見え方は光の角度や背景色で変わる。発売直後の機種では長期使用後の変化も分からないため、店頭で中央部分を指で横切る操作まで試す必要がある。

IP48なら砂浜でも安心か
そうとは限らない。防塵側の「4」は直径1.0mm以上の固形異物からの保護であり、粉塵からの保護を示す「5」や防塵を示す「6」とは異なる。細かな砂や粉が多い場所では、ヒンジ周辺への侵入を避ける扱いが要る。

修理費と値下がりをどう見積もるか
修理費はメーカーの現行料金表で同世代か一世代前の機種を確認し、補償加入時の自己負担額も並べる。中古価値は国内の複数店で同容量・同状態の査定を比べ、海外調査の平均値を確定額として使わない。

メモリー高騰、PCとGPUに波及　買い替え時に見る三つの指標

APPI News 編集部 — Thu, 06 Aug 2026 05:55:28 GMT

メモリー価格の上昇が、日本の自作PC部品と完成品PCの売り場に及んでいる。グラフィックスカード、メインメモリー、SSDは別の商品だが、上流ではDRAMやNANDフラッシュの生産配分と価格に結びつく。2026年後半にPCを新調するなら、店頭の値札だけで底値を決めつけず、部品ごとの価格履歴とメモリー契約価格を分けて確かめる必要がある。

日本の売り場で起きた値上がり

国内では年初から大幅な値動きが確認された。TBS NEWS DIGが取材した仙台市内のPC専門店では、一般的な8GBメモリーが2025年11月上旬の3980円から2026年1月に2万2800円へ上昇し、販売は1人1日4枚までに制限された。同じ記事でMM総研は、GIGAスクール向け端末の影響を除くと国内PCの平均単価が上がり続けていると説明している。

ただし、個別店の値札は市場全体の指数ではない。AKIBA PC Hotline!が2026年5月16〜23日に秋葉原で調べた価格では、DDR5-4800の32GB×2枚組が前回比1万1480円高、DDR4-3200の32GB×2枚組が1万4200円高となった一方、一部のDDR5製品には特価による値下がりもあった。在庫のある店舗数や販促の終了だけでも最安値は動く。購入候補は製品名、容量、速度をそろえたうえで、複数店の価格履歴を比べる必要がある。

上流ではDRAMとNANDの上昇が継続

小売価格の先を読む材料になるのが、メモリーメーカーと機器メーカーが取引する契約価格だ。TrendForceは2026年第3四半期の一般DRAM契約価格を前四半期比13〜18％、NANDフラッシュを同10〜15％の上昇と予測している。上昇率は前四半期より鈍る見通しだが、値下がりへの転換ではない。同社はPCメーカーの在庫補充が続く一方、高い部品コストがノートPCの在庫を通じて小売価格へ順次反映されるとみる。

グラフィックス用DRAMも同じ方向にある。TrendForceは、ノートPCの弱い需要がGDDR6とGDDR7の需要を抑えているものの、供給側が生産能力をほかの主力製品へ振り向けているため、GDDRの価格はDRAM全体の上昇基調に連動すると予測する。GPU本体の供給、為替、販売店の在庫も価格を左右するため、メモリー高だけで特定のグラフィックスカードの値上がり幅を説明するのは無理がある。

AI向けメモリーが生産配分を変える

供給が締まる理由は、AIサーバー向けの高帯域幅メモリー（High Bandwidth Memory、HBM）やサーバーDRAMへ生産資源が移っているためだ。TrendForce Newsが紹介した業界推計では、容量1GB当たりのウエハー等価使用量はHBMが一般DRAMの4倍、GDDR7が1.7倍で、AI関連需要は2026年の世界DRAM能力の2割近くに相当する。これは実際の生産実績ではなく、業界報道が置いた需要と換算係数に基づく推計である。

メーカー側の発信にも同じ構図が表れる。SK hynixの公式ニュースルームは、WSTSなどの予測を引用し、2026年のメモリー市場が30％成長し、一部予測では4400億ドルを超えると整理した。HBM3Eは同年のHBM出荷量の約3分の2を占める見通しだ。これはSK hynixの確定出荷計画ではなく、同社がまとめた市場予測として読むべき数字になる。

価格を見る三つの指標

第1は、購入候補そのものの国内価格履歴だ。グラフィックスカードならGPU名だけで比べず、搭載メモリー容量、冷却設計、保証をそろえる。ノートPCならメモリーとSSDの容量、画面、CPUを含む総額で比べる。店頭価格は為替、在庫、特価の影響を受けるため、1日の最安値だけでは趨勢を判定しにくい。

第2はDRAMとNANDの契約価格、第3は大手メーカーの供給計画だ。TrendForceの価格ページではDRAM、メモリーモジュール、GDDRの現物価格とDRAM契約価格を分けて掲載し、各系列の更新日時も示している。現物価格が短期の需給を映すのに対し、契約価格は完成品へ波及する上流コストを追う材料になる。供給計画では、工場建設の発表より量産開始と出荷能力の記述を確認したい。

待つか買うかを決める順序

故障の代替や仕事、学業で期限が決まっている場合、相場の反転だけを期待して購入を延ばす根拠は乏しい。用途に必要な性能と上限額を先に決め、候補の実売価格を比較する方が判断しやすい。期限がない場合は、一般DRAMとNANDの契約価格の上昇率が複数四半期にわたって縮小するか、PC向けの供給量が増えるかを追う余地がある。

先行きには幅がある。TechCrunchはSamsungの2026年第2四半期決算説明会を基に、供給逼迫が2027年に強まり、少なくとも2028年まで続くとの同社見通しを報じた。長期契約を結ぶ顧客を優先しやすい環境も示された。ただし、これは2026年7月時点の見通しであり、増産の進み方や消費者需要の減速で変わりうる。

よくある質問

メモリー高騰とグラフィックスカードの値上がりは同じ問題なのか
一部はつながっている。グラフィックスカードはGDDRを搭載するため、グラフィックス用DRAMの上昇は原価を押し上げる。ただしGPUの供給量、為替、製品別の在庫も価格を動かすため、値上がりの全てをメモリーで説明はできない。

現物価格と契約価格のどちらを見ればよいのか
目的が異なる。現物価格は短期の取引状況、契約価格はメーカー間の調達コストを追う材料になる。個人の購入判断では国内の実売価格を軸にし、契約価格を数カ月先の方向を考える補助線として使う。

古いDDR4なら安く買えるのか
規格が古いことは安さを保証しない。秋葉原の2026年5月後半の調査では複数のDDR4製品も上昇した。増設前にPCが対応する規格と最大容量を確認し、同一仕様の価格を比べる必要がある。

SMS認証からパスキーへ　日本の金融機関で進む導入と機種変更の備え

APPI News 編集部 — Thu, 06 Aug 2026 05:55:28 GMT

SMSで届くワンタイムパスワード（One-Time Password、OTP）は、固定パスワードだけに頼る認証より一段強いが、偽サイトへ入力した認証コードを攻撃者が正規サイトへ即座に転送する「リアルタイムフィッシング」には弱い。電話番号を不正に別のSIMへ移すSIMスワップでも、コードの受取先を奪われる。米国立標準技術研究所（NIST）のデジタル身元確認指針は、SMSを含む帯域外認証にはフィッシング耐性がなく、公衆電話網を使う方式を「制限付き認証器」と位置づけている。

日本では、証券口座への不正アクセスを受けて認証の見直しが具体化した。金融庁は2026年4月、銀行、信用金庫、証券会社、警察庁などと共同で、フィッシング耐性のある多要素認証を周知する広報を始めた。SMSを一斉に廃止する動きではない。認証コードを人が読み取って別の画面へ入力する方式から、正規のサイトでしか応答しない暗号鍵へ重心を移す取り組みである。

なぜSMS認証だけでは足りないのか

SMSの認証コードは短時間で失効しても、その時間内なら転送して使える。攻撃者が偽のログイン画面を正規サイトと同時に動かせば、利用者が入力したID、パスワード、認証コードを順番に中継できる。コードが本物の通信事業者から届いたことは、いま開いている画面が正規サイトであることを保証しない。

SIMスワップは別の経路を突く。電話番号の契約やSIMを攻撃者側へ移されると、正規サービスが送ったSMSも攻撃者に届く。NISTの指針は、公衆電話網を使う帯域外認証を採用する組織にリスク評価を求め、同じ認証保証レベルを満たす制限のない代替手段を少なくとも一つ提供するよう定めている。SMSが直ちに使えなくなるという意味ではなく、SMSだけを強い認証の最終形とみなさないという整理だ。

パスキーの仕組み──入力する秘密をなくす

パスキー（Passkey）は、FIDO規格に基づく認証情報である。登録時に公開鍵と秘密鍵の組をつくり、公開鍵はサービス側、秘密鍵は端末やパスワード管理機能側に置く。ログイン時はサービスから届く要求に秘密鍵で署名し、サービスは公開鍵で確かめる。FIDO Allianceは、パスキーを暗号鍵の組でパスワードを置き換えるフィッシング耐性のある認証と説明し、複数端末へ同期する方式と特定端末に固定する方式の両方を示している。

顔や指紋そのものがサービスへ送られるわけではない。生体認証や端末のPINは、端末内の秘密鍵を使う本人かどうかを端末側で確かめる役割を持つ。パスキーは登録先のドメインと結び付くため、見た目を似せた別ドメインの偽サイトから認証を求められても、正規サイト用の秘密鍵は応答しない。利用者が転記できるコードも画面に出ない。

日本の金融サービスで進む実装

金融庁の金融商品取引業者向け監督指針は、ログイン、出金、出金先銀行口座の変更など重要な操作で、パスキーや公開鍵基盤を例とするフィッシング耐性のある多要素認証を実装し、原則として必須にするよう求めている。スマートフォンなど必要な機器を持たない利用者には代替的な多要素認証を用意することも盛り込んだ。日本での導入は、個々の事業者の利便性向上策にとどまらず、監督上の要請と結び付いている。

SBI証券は2025年10月にパスキー認証を導入し、2026年6月13日から全チャネルで利用可能にした。SBI証券の案内では、端末の画面ロックとパスワード管理機能を準備し、口座の「セキュリティ設定」からパスキーを登録する。登録後は顔、指紋、PINなどでログインし、登録済みパスキーの確認や削除も同じ設定画面から行う。

ただし、名称が「パスキー」でも利用条件は一律ではない。利用できるOSやブラウザ、パスキーの保存先、パスワードを併用できるか、出金時にも使うかはサービスごとに異なる。日本国内の金融・決済サービス全体を横断する公的な導入率は、本稿の執筆時点で確認できていない。

設定前に確認する三つの項目

第一は端末の画面ロックである。顔認証や指紋認証がなくても、対応するPINやパターン、端末パスコードを使える場合がある。第二は保存先だ。iPhoneやMacならiCloudキーチェーン、AndroidやChromeならGoogleパスワードマネージャー、WindowsならWindows Helloなどが候補になる。第三はサービス側の復旧手段である。端末を失ったときに使う予備のパスキー、物理セキュリティキー、既存のアカウント復旧手順を登録前に確認する。

Googleアカウントでは、ログインオプションから「パスキーを作成する」を選び、端末のロックを解除して登録する。Googleは、自分が所有して普段使う端末だけで作成するよう注意し、端末を紛失した場合はアカウント設定から該当するパスキーを削除する手順を案内している。共有PCにパスキーを残すと、その端末を解除できる人がアカウントへ入れるおそれがある。

サービス側で「パスキーを作成」「パスキーを登録」などを選ぶと、OSまたはブラウザが保存先と本人確認を提示する。登録後は一度ログアウトし、パスキーで戻れるかを確かめる。予備の認証手段を削除する場合は、この動作確認と紛失時の復旧方法の確認を先に済ませる必要がある。

機種変更と紛失への備え

機種変更の前には、パスキーがどこに保存されているかを確認する。Googleパスワードマネージャーに保存したパスキーは、同じGoogleアカウントでログインした対応端末から利用できる。Apple製品では、iCloudキーチェーンを有効にし、同じApple Accountで使う端末へパスキーを同期する。

保存先が新しい端末にない場合でも、古いスマートフォンが手元にあれば端末間認証を使える。Appleは、別の端末に表示したQRコードをiPhoneで読み取り、iCloudキーチェーン内のパスキーでサインインする手順を案内している。これは古い端末のパスキーを新しい管理機能へ一括移行する操作ではない。旧端末でログインを承認した後、必要なら新端末側にも新しいパスキーを登録する。

端末を紛失した場合は、まずApple AccountやGoogleアカウントの端末一覧から紛失端末を保護し、対象サービスに登録されたパスキーも確認する。サービス側の登録を消しても、端末やパスワード管理機能に認証情報が残る場合があるため、双方を点検する。同期も予備のパスキーもなく、復旧経路を使えなければ、サービスの本人確認から登録し直すことになる。

よくある質問

SMSの認証コードはすぐになくなるのか
一律に廃止されるわけではない。NISTは公衆電話網を使う認証を制限付きとし、金融庁は証券会社にフィッシング耐性のある多要素認証の原則必須化を求めているが、代替手段や移行時期はサービスごとに異なる。

パスキーを作ればパスワードは消えるのか
サービスの設計による。Googleアカウントはパスキーを優先する設定に切り替わっても、設定を変えればパスワードでのログインを残せる。金融サービスでもパスワード経路の無効化を別項目として用意する例がある。

スマートフォンを替えるとパスキーは使えなくなるのか
同じパスキー管理機能に同期される端末なら引き継げる。同期先が異なる端末では、手元の旧端末でQRコードを読み取って認証し、新端末にもパスキーを登録する方法がある。利用条件はサービス、OS、ブラウザで異なる。

スマホのOS更新、いつ入れるか　事前確認と元に戻せない場合の備え

APPI News 編集部 — Thu, 06 Aug 2026 05:55:28 GMT

スマートフォンのOS更新は、新機能を入れる作業であると同時に、既知の脆弱性を塞ぐ作業だ。端末が古いという理由だけで更新を避けると、安全性の修正も受け取れない。一方、仕事、決済、認証に使うアプリが新OSへ対応しているかを調べずに更新すれば、日常の手続きに支障が出る恐れがある。

最初に見るのは「大型更新か」より修正内容

更新画面では、OSの版番号と説明を確認する。Appleはソフトウェアを最新に保つことを製品の安全性を守る重要な方策と位置づけ、2026年7月27日にiPhone 11以降向けのiOS 26.6を公開した。iOS 26.6のセキュリティ情報には、Accounts Framework、WebKit、Wi-Fiなど複数の構成要素で修正された問題とCVE番号が掲載されている。版番号が小幅に変わる更新でも、安全性の修正を含む場合がある。

大型更新を一律に先送りするのではなく、メーカーの更新情報で修正内容を読む。悪用が確認された脆弱性への修正なら早期適用を優先し、業務アプリの対応が未確認なら、提供元の動作確認情報を調べて利用への影響が小さい時間帯を選ぶ。端末の更新サポートが終わり、利用可能なセキュリティ更新がない場合は、同じOSにとどまり続けることを安全対策とはみなせない。

更新前の四項目──バックアップからアプリ対応まで

1　バックアップの完了時刻を確認する。 設定をオンにした記憶ではなく、最後に正常終了した日時を見る。AppleはiPhoneについて、iCloud、Mac、Windowsパソコンを使う三つのバックアップ方法を案内している。Googleによると、Androidはアプリとアプリデータ、通話履歴、連絡先、端末設定、SMSなどをGoogleアカウントへ保存するが、アプリによっては設定やデータを復元できない。写真、認証アプリ、メッセージの保存範囲も個別に確かめる。

2　空き容量、電源、通信を整える。 更新ファイルの取得と展開には空き容量が要る。GoogleはAndroidの更新前にWi-Fiへ接続し、端末を75％以上充電するよう案内している。iPhoneでも更新には電源、インターネット接続、十分な空き容量が必要だ。移動中や翌朝すぐ端末が必要な時間は避ける。

3　止まると困るアプリから確認する。 銀行、コード決済、交通、会社の認証、医療機関の予約などを一覧にし、各社の公式サポートで新OSへの対応状況を見る。アプリストアの最終更新日だけでは動作確認済みとは判断できない。代替のログイン手段、物理カード、連絡先も更新前に用意する。

4　端末固有の配信情報を確認する。 Androidは同じOS名でも条件が一様ではない。Googleは更新スケジュールが端末、メーカー、携帯通信会社によって異なると説明している。日本で通信事業者から購入した端末は、メーカーに加えて契約先の案内も確認する。

更新後の電池消費　まず数日分の内訳を確認

更新直後に電池の減りが速くなっても、その時点で恒久的な不具合とは断定できない。Appleは、更新に関連する処理がバックグラウンドで続き、電池駆動時間と温度に影響する場合があるため、数日待ってから再確認するよう案内している。iPhoneでは「設定」の「バッテリー」で、アプリとシステム処理の消費割合を確認する。

数日後も消費が大きい場合は、更新前後の同じ時間帯と使い方で比較し、特定アプリのバックグラウンド動作、電波状況、画面点灯時間、電池の状態を切り分ける。日本国内でOS更新後の不具合を機種別に集計した公的な統計は、本稿の執筆時点で確認できていない。掲示板の報告件数だけから、自分の端末にも同じ問題が起きるとは判断できない。

旧版へ戻す前提で更新しない

iPhoneでは、更新後に元の版へ戻せる期間が必ず残ると考えないほうがよい。Appleの日本語サポートは、iOSやiPadOSのソフトウェア更新をインストールした後、それ以前の版へダウングレードできないと明記している。インターネット上に署名状況を使う手順があっても、Appleが一般利用者向けに保証する復旧方法とは異なる。

Androidには全メーカー共通の旧版復帰手順がない。Pixelには開発者向けのファクトリーイメージが公開されているが、通常の設定画面から行う復元とは別物だ。Googleはファクトリーイメージの導入で端末内の全データが消去され、ブートローダーのロック解除は安全性を下げると警告し、一部のPixelでは古いビルドへのロールバックを防ぐ仕組みも説明している。機種を取り違えた書き込みは起動不能につながるため、一般的な解決策として扱うべきではない。

更新後に問題が出た時は、まずメーカーと携帯通信会社の障害情報、アプリ更新、再起動、公式サポートの順に確認する。初期化はデータと設定を消す操作であり、OSを旧版へ戻す操作ではない。更新前の準備は、旧版へ戻るためではなく、現行版で問題が起きた時にデータと連絡手段を失わないために行う。

よくある質問

古いスマホはOSを更新しないほうがよいのか
端末の年数だけでは決まらない。メーカーが対象機種として配信しているか、セキュリティ修正を含むか、空き容量と電池の状態が足りるか、重要アプリが対応済みかを順に確かめる。更新サポートが終わった端末では、買い替えも安全対策の選択肢になる。

更新直後に電池の減りが速い時はどう見るか
まず数日待ち、設定画面でアプリとシステム処理の消費割合を確認する。改善しなければ、特定アプリのバックグラウンド動作、通信状態、画面点灯時間、電池の劣化を分けて調べる。

バックアップがあれば古いOSへ戻せるのか
バックアップはデータと設定を復元する仕組みであり、OSの版を戻す保証ではない。Androidでは、バックアップ作成時より古いAndroidを搭載した端末へデータを復元できないという制約もある。

iPhoneとAndroidのどちらが旧版へ戻しやすいのか
一般利用者向けの操作として、どちらも旧版へ戻せる前提には立てない。Appleは更新後のダウングレード不可を明記している。Androidはメーカーごとに異なり、Pixelの開発者向け手段は全データ消去と安全上の負担を伴う。

Windows 11のメモリ使用率を見直す　先に変える四つの設定

APPI News 編集部 — Thu, 06 Aug 2026 05:55:28 GMT

Windows 11のメモリ使用率は、空きメモリをキャッシュに回している時にも高く表示される。数字が60％や70％になっただけで容量不足とは判断できず、画面の切り替え、アプリの起動、入力への反応が普段より遅いかを合わせて見る必要がある。MicrosoftはWindows自体の使用量を減らす作業を進めているが、利用者が先に確認する対象は、常駐するアプリとバックグラウンド処理だ。

使用率より先に、遅さとプロセスを確認

Ctrl＋Shift＋Escでタスクマネージャーを開き、「プロセス」で「メモリ」の列を大きい順に並べる。使っていないアプリやブラウザーのタブが上位なら、まず通常の終了操作で閉じる。Windowsの処理を名前だけで判断して強制終了すると、作業中のデータやシステムの動作に影響する恐れがある。

Windows Centralの検証では、Windows 11は空いているメモリへ頻繁に使うデータを置き、別のアプリが必要とすればその領域を返すため、高い使用率だけでは異常と判断できない。アプリの起動や切り替えが遅く、仮想メモリへの退避が増えた時に性能低下が表れやすい。一律の危険ラインはなく、同じ使用率でも搭載量と作業内容で意味が変わる。

Microsoftが示した三つの改善策

Microsoftのパヴァン・ダヴルリ氏は2026年7月31日の品質報告で、8GB以上の機種に向けたメモリ最適化を年末までの新たな重点分野に加え、Windowsのメモリ使用量を減らして応答性を高める方針を示した。同社が説明した技術面の作業は、効率の高いメモリアロケーター（memory allocator）でアプリとシステム部品の余分な負荷を減らすこと、WinUI 3を使うアプリの使用量を抑えること、Windows内で動くChromiumとWebView2を効率化することの三つだ。

報告は、これまで試験提供してきた改善を2026年秋から広くWindows 11搭載機へ展開するとしている。一方、メモリが何GB減るか、8GB以上の機種向け最適化がいつ完了するかは示していない。単一の更新プログラムを入れれば一斉に使用率が下がるという発表ではない。8GB以上の機種向け最適化を詳しく説明した日本語の公式発表も、本稿の執筆時点で確認できていない。

先に見直す四つの設定

1　スタートアップアプリを絞る。 サインイン直後から使わないアプリは、「設定」→「アプリ」→「スタートアップ」でオフにする。Microsoftの日本語サポートは、同じ操作をタスクマネージャーの「スタートアップアプリ」からも行え、各アプリが起動処理へ与える影響を確認できると案内している。セキュリティ対策、入力機器、会社の管理に使うソフトは、役割を確かめずに止めない。

2　バックグラウンド動作を制限する。 「設定」→「アプリ」→「インストールされているアプリ」から対象アプリの「詳細オプション」を開き、利用しない時のバックグラウンド実行を「なし」にする。すべてのデスクトップアプリに同じ項目が出るわけではない。通知が不要なアプリは、「設定」→「システム」→「通知」でも個別に止める。

3　視覚効果を軽くする。 スタート画面で「Windowsのデザインとパフォーマンスの調整」を検索し、「視覚効果」から「パフォーマンスを優先する」を選ぶ。文字表示やウィンドウの見え方も変わるため、必要な項目は個別に戻す。MicrosoftのWindows 11向け日本語資料は、不要なスタートアップアプリとバックグラウンド動作の停止、視覚効果の調整、負荷の高いプロセスの確認を性能改善の手順として掲載している。

4　OneDriveの同期を必要な時間だけ止める。 大量のファイルを同期している最中にパソコンや通信が遅くなる場合は、タスクバーのOneDriveアイコンから同期を一時停止する。Microsoftは、一時停止時間を2時間、8時間、24時間から選ぶ手順と、同期するフォルダーを絞る方法を日本語で案内している。一時停止中の変更はクラウドへすぐ反映されないため、作業後は同期の再開と完了を確認する。

メモリ整合性は軽量化の対象にしない

Windows セキュリティの「メモリ整合性」は、メモリ容量を増やす機能ではない。Microsoft Learnによると、仮想化ベースのセキュリティ（Virtualization-Based Security、VBS）は分離した仮想環境でカーネルモードのコードを検査し、署名されていない、または信頼されていないドライバーやシステムファイルがメモリへ読み込まれるのを防ぐ。有効な機種で使用率を下げる目的だけから無効にすると、この防護を手放すことになる。一般向けの改善手順には含めない。

RAM解放ツールは数字が下がった後を見る

「ブースト」や「RAM解放」を掲げるツールは、バックグラウンド処理を閉じたり、キャッシュを解放したりして、表示上の使用率を短時間で下げる場合がある。それでも処理速度が上がったとは限らない。必要なデータをWindowsが再び読み込めば、使用率は戻る。

まずタスクマネージャーで負荷の高いアプリを特定し、普段使わない常駐項目を止める。通常の作業中にアプリの再読み込み、入力の遅れ、画面の引っ掛かりが続く場合は、メーカーの診断、Windows Updateとドライバーの確認、搭載メモリの増設可否へ進む。パーセント表示だけを下げるために新しい常駐ソフトを増やすと、原因の切り分けが難しくなる。

よくある質問

メモリ使用率が70％なら増設が必要なのか
使用率だけでは決まらない。普段の作業で遅れがあるか、特定のアプリが大きく占有しているか、不要なスタートアップ項目が動いているかを先に確認する。操作が滑らかなら、キャッシュとして使われている領域を含む可能性がある。

どの設定から変えるべきか
タスクマネージャーで負荷の高いプロセスを確認した後、使っていないスタートアップアプリ、バックグラウンド動作、視覚効果、同期中のOneDriveの順に用途を確かめる。変更前の状態を記録し、一項目ずつ戻せるようにする。

Microsoftの最適化はいつ届くのか
品質報告は、試験中の改善を2026年秋から広く展開すると説明したが、8GB以上の機種向けメモリ最適化の完了日と削減量は示していない。Windows Updateの単一パッケージで完了するとの説明もない。

メモリ整合性を切れば使用率は下がるのか
機種や構成によって負荷は異なるが、無効化はカーネルを守る機能を外す操作になる。使用率を下げる目的だけで選ばず、先に常駐アプリとバックグラウンド処理を見直す。

介護の見守り機器は「AI」か　導入前に確かめる性能とデータ管理

APPI News 編集部 — Wed, 05 Aug 2026 17:09:07 GMT

介護の見守り機器は、ベッド脇のマット、身に着ける加速度センサー、室内カメラ、ミリ波レーダーまで方式が幅広い。決められた値を超えたら通知する機器もあれば、機械学習（Machine Learning）で動作の特徴を分類する機器もある。「介護テクノロジー」や「AI見守り」という表示は製品群を示す言葉であり、判定精度や介護現場への適合を保証する認証ではない。

日本の重点分野はAIを共通要件にしていない

厚生労働省と経済産業省は2024年6月、介護テクノロジー利用の重点分野を9分野16項目に改訂し、2025年4月から新しい区分を運用する方針を示した。対象には移乗、排泄、入浴、機能訓練などと並んで、施設と在宅の「見守り・コミュニケーション」が入る。

在宅向け見守りの定義は、各種センサーと外部通信機能を備え、状態や変化を検知して家族や介護従事者へ通知し、情報を蓄積する機器やシステムとしている。端末の携行を必須とせず、浴室や暗所への対応などは加点項目だ。一方、AIや機械学習の搭載は共通の必須要件に含まれない。つまり、重点分野への該当と「AI製品であること」は同じ意味ではない。

固定ルールと学習モデル──違いは判定の中身

センサーと判定ロジックは分けて考える必要がある。加速度計、圧力マット、レーダー、カメラは動きや荷重を測る入口だ。その値を一定の閾値と照合するのか、複数の特徴を学習済みモデルへ入れて転倒らしさを分類するのかは、次の処理に当たる。同じレーダーでも固定ルールは組めるため、「ミリ波だからAI」とは限らない。逆に、カメラを使わない機器でも学習モデルは実装しうる。

学習モデルなら常に精度が高いとも断定できない。2026年にScientific Reportsへ掲載されたミリ波レーダーの研究は、健康な成人10人による模擬転倒で全体精度97.9％を報告した一方、日常動作を含む試験の精度は86.5％に下がり、人数が増えると見逃しが増えた。研究チーム自身も、模擬した転倒は実際の転倒と生体力学的に異なるとしている。製品資料の「精度」には、対象者、部屋の広さ、障害物、日常動作、測定期間が伴っているかを見る必要がある。

登録番号は性能保証ではない

製品を探す入口の一つが、公益財団法人テクノエイド協会の福祉用具情報システム（TAIS）だ。仕様、機能、性能などの情報を検索でき、登録製品にはTAISコードが付く。ただし、同協会の運用案内は、登録が製造・輸入事業者の任意申請に基づき、製品の安全性や有効性を保証するものではなく、登録品のすべてが介護保険給付や都道府県の補助対象になるわけでもないと明記している。コードの有無と、実環境での性能評価は切り分けるべきだ。

日本の介護保険による福祉用具貸与は、「スマート機器」を一括して給付する制度ではなく、対象種目ごとに運用される。厚生労働省が示す貸与対象は車いす、特殊寝台、認知症老人徘徊感知機器などの種目で、利用者はケアマネジャーと福祉用具貸与事業者に相談して用具を決める。介護事業所向けの導入支援は都道府県を通じた別の仕組みである。誰向けの制度か、保険給付か事業者補助かを先に確認しないと、製品の掲載情報をそのまま利用者個人への給付と取り違える。

誤報と見逃しを同じ表で見る

転倒検知で見るべき数字は正解率一つではない。実際の転倒を拾った割合である感度、転倒ではない動作を正しく除外した割合である特異度、通知のうち本当に転倒だった割合である適合率は、それぞれ違う。転倒しない時間が圧倒的に長い環境では、全体の正解率が高くても誤報が運用を圧迫する場合がある。

転倒検知ウェアラブルのシステマティックレビューをまとめた2021年のアンブレラレビューは、虚弱な高齢者が暮らす実環境で精度を確かめる質の高い研究がさらに必要だと結論づけた。実験室で若い参加者が行った模擬転倒と、住宅や介護施設で起きる転倒は同じではない。国内で流通する見守り機器についても、共通条件で測った誤報率と見逃し率を横断比較できる公的資料は、本稿の執筆時点で確認できていない。

導入前に残すべき確認項目

確認項目は「AI搭載か」より具体的にする。何を検知し、通知まで何秒かかるのか。感度、特異度、適合率はどの対象者と環境で測ったのか。誤報時に閾値を調整できるのか。停電、通信断、センサーの死角をどう知らせるのか。試用期間中に実際の居室で誤報と見逃しを記録し、家族や介護職が対応可能な通知量かを確かめる。

データの確認も欠かせない。カメラ画像を保存するのか、端末内で解析して結果だけを送るのか、クラウドへ送るなら保存先、保存期間、閲覧権限、契約終了時の削除方法はどうなるのか。個人情報保護委員会は、カメラ画像や顔特徴データを扱うシステムについて、利用できる従業者の限定、責任者と規程の整備、アクセス制御、漏えい防止、アクセスログの取得・分析などを安全管理措置として挙げている。映像を使わないレーダーにも、行動履歴を誰が保管するかという問いは残る。

よくある質問

「介護テクノロジー」に該当すればAI製品なのか
そうとは限らない。国の重点分野はセンサー、通信、状態変化の検知・通知などを定義しているが、AIの搭載を共通要件にしていない。判定方法は製品ごとに確認する必要がある。

TAISコードがあれば性能は国に認められているのか
TAISは選定に役立つ製品情報のデータベースだ。運営者は登録製品の安全性や有効性を保証しないと明記しており、コードだけで転倒検知の性能は判断できない。

カメラを使わない見守り機器なら個人情報の問題はないのか
映像を保存しなくても、在室、離床、睡眠、移動などの履歴が個人と結び付く場合がある。取得項目、送信先、保存期間、閲覧者、削除方法を導入前に確認する必要がある。

「ChatGPT Health」は米国限定　日本の医療データ連携と責任の違い

APPI News 編集部 — Wed, 05 Aug 2026 00:00:00 GMT

ChatGPT Healthは、本人が選んだ医療記録や健康アプリの情報をChatGPTに接続し、その内容を踏まえた回答を得るための消費者向け機能である。健診結果を生成AIに渡す場面では、回答の正しさとは別に、どの事業者がデータを受け取り、接続を誰が審査し、削除や問い合わせをどこが受け付けるのかを確認する必要がある。

OpenAIの案内によると、ChatGPT Healthは2026年7月から米国の18歳以上の利用者へ段階的に提供され、ウェブ版とiOS版に対応する。接続先はApple Health、米国の対応医療機関の患者ポータル、One Medical、Function Healthであり、日本の医療機関の記録を直接つなぐ機能は示されていない。日本の利用者が健診結果のPDFや画像を通常のチャットへ手動で送る行為は、この専用接続とは別のデータ経路になる。

ChatGPT Health──接続と削除は利用者が管理

ChatGPT Healthでは、利用者が接続するアカウントを選び、医療記録を回答へ使う際の許可を管理する。接続した医療記録とApple Healthの情報、それを使った会話は基盤モデルの学習や広告に利用されず、アカウントの接続を解除すると同期済みデータはOpenAIのシステムから30日以内に削除される。ただし、会話履歴に取り込まれた情報は、その会話を削除するまで残る。

ここで分けて見るべきなのが、サービスの安全設計と公的な審査である。OpenAIは保存時・通信時の暗号化や接続データへの追加保護を説明している。一方、これは事業者が公表した製品仕様であり、日本の行政機関が接続事業者を事前審査する枠組みではない。Health Privacy Noticeは、医療記録や検査結果などの収集目的、委託先への開示、利用者による削除請求の窓口を定めている。問題が起きた場合の第一の連絡先はOpenAIになる。

同機能は診療の代替でもない。OpenAIは、ChatGPT Healthを医療を支えるための機能と位置づけ、診断や治療を目的としないと明記している。データ接続に同意した事実は、個別の回答が医学的に検証済みであることを意味しない。

日本のマイナポータルAPI──接続前に国が審査

日本には、公的医療保険の情報を民間サービスへ連携する別の経路がある。デジタル庁の医療保険情報取得APIは、本人の同意にもとづき、診療情報、薬剤・処方・調剤情報、健診情報、医療費通知情報をマイナポータルから外部のAPI利用者へ提供する。利用者がファイルを取り出して別のサービスへ再投入する方法とは異なり、承認された事業者のシステムとマイナポータルが接続する。

接続事業者は自由にAPIを使えるわけではない。利用申請後にデジタル庁の審査を受け、開発、接続試験、本番動作確認、サービス提供前確認を経る。医療費通知を除く医療保険情報を扱う場合は、総務省、厚生労働省、経済産業省が定めたPHRサービス提供者向け基本指針の遵守も求められる。デジタル庁は、申請から提供開始までの参考期間を半年から1年としている。

個人情報保護委員会は、健診結果、診療記録、調剤録、薬剤服用歴などを要配慮個人情報に当たると説明している。日本側の制度は、本人同意だけで終わらず、接続主体と情報管理の条件を公的な規則で追える形だ。

審査が保証する範囲はデータ接続まで

もっとも、マイナポータルAPIの承認を「国がAIの回答精度を認証した」と読み替えるのは誤りである。公開されている審査の流れは、利用目的、API接続、本人同意、情報セキュリティ、サービス提供前の動作確認を扱う。連携先が生成AIで健診結果を説明する場合、その説明が医学的に正しいかを一件ずつ国が保証する制度ではない。

責任の見え方にも違いがある。ChatGPT Healthでは、接続、保存、回答、削除の主要な管理主体がOpenAIに集まる。マイナポータルAPIでは、国が接続を審査し、医療情報を渡した後のサービス運営はAPI利用事業者が担う。後者は公的審査の手順を確認しやすい反面、行政が個々の回答結果まで引き受ける構造ではない。

確認すべき三つの項目

医療データを扱うAIサービスを見る際は、まず接続方法を確認する。マイナポータルAPIとの正式なシステム連携なのか、利用者が取得したファイルを別サービスへ手動送信するのかで、データの経路と管理主体が変わる。

次に、同意の範囲と削除方法を見る。どのデータ項目を渡すのか、接続解除後に同期データと会話履歴がそれぞれどう扱われるのかは、同じ画面操作で完結するとは限らない。最後に、接続審査と回答精度の評価を区別する。公的APIの承認も、企業のセキュリティ審査も、生成された医療説明の正確性を自動的に裏づけるものではない。

よくある質問

日本からChatGPT Healthに医療機関の記録を直接つなげられるのか
2026年8月9日時点のOpenAI公式案内では、対象は米国の18歳以上で、接続できる医療記録も米国の対応医療機関に限られる。日本の医療機関との直接接続は確認できていない。

マイナポータルAPIに対応したサービスなら、AIの説明も国が保証するのか
保証しない。デジタル庁の審査はAPIの利用目的や接続、情報の取扱いを確認する仕組みであり、生成AIが返す個々の説明に対する医学的な認証ではない。

接続を解除すればChatGPT Healthの情報はすべて消えるのか
同期済みの接続データは解除後30日以内に削除されるが、会話履歴に含まれた情報は会話自体を削除するまで残る。接続元と会話履歴は別々に管理する必要がある。

Coldcardの秘密鍵を弱めた乱数生成　設定値「0」を見逃した5年

APPI News 編集部 — Wed, 05 Aug 2026 00:00:00 GMT

ハードウェアウォレット（Hardware Wallet）は、秘密鍵をネットワークから切り離した装置で保管する。そのColdcardの一部ファームウェアでは、秘密鍵の基になる乱数が予測可能な経路へ切り替わっていた。装置への侵入や偽ファームウェアの導入がなくても、生成時の候補が狭ければ、公開されたアドレスから対応する秘密鍵を探索されるおそれがある。

製造元Coinkiteは2026年7月30日に安全公告を出し、Mk2とMk3の4.0.1〜4.1.9、Mk4とMk5、Qの修正版より前のファームウェアで生成したシードを影響対象とした。全対象機種に修正版が出ているが、更新だけでは過去に作ったシードは直らない。問題の中心は保管中の鍵が装置から盗まれたことではなく、鍵を作った時点の予測困難性が不足していたことだ。

設定値「0」を有効と扱った組み合わせ

根因は乱数アルゴリズム単体ではなく、基板設定、MicroPython、暗号ライブラリーlibnguの接点にあった。Coldcardの製品設定は、独自のハードウェア乱数ラッパーを持つため、MICROPY_HW_ENABLE_RNGを0にしていた。ところがlibngu側は#ifndefでマクロが定義されているかだけを確認し、その値が有効かを調べなかった。

Blockの技術分析によると、マクロは値が0でも定義済みだったためビルドは成功し、libnguの乱数要求はMicroPythonのrng_get()へ結び付いた。MicroPython側は値を見てハードウェア乱数を無効と判断し、決定論的なYasmarangを代替処理として組み込んだ。同じ設定を二つの部品が別の意味で読んだ結果、警告のないまま意図しない経路が完成した。

Yasmarangは装置の識別子、SysTickの値、リアルタイムクロックのレジスターから初期状態を作る。これらは固定値または時刻に関係する値で、暗号学的な秘密ではない。初期状態と、それ以前に乱数が何回呼ばれたかが絞られれば、その後の出力も再現可能になる。別のYasmarang出力との排他的論理和やSHA-256によるハッシュを重ねても、元の候補数そのものは増えない。

機種で異なる探索空間

Blockの分析では、Mk2とMk3のv4系は秘密の再シードを加えず、装置識別子、タイマー状態、呼び出し履歴が固定されれば出力も一意になる。識別子が既知でタイマーを広く数えた上限は約2の40.7乗で、通常のコールドブートでリアルタイムクロックが固定される想定では約2の16.3乗まで狭まるとしている。

Mk4、Mk5、Qはセキュアエレメント由来の値を加えるが、ハッシュ結果のうち4バイトだけをYasmarangの再シードに渡す。既存の状態と呼び出し履歴が判明していれば、秘密に区別される出力系列は最大2の32乗となる。タイマー項目を互いに独立と仮定した緩い上限は2の73.3乗未満だが、Blockはこれを73ビットの暗号強度とはみなせないと明記した。

この幅は重要である。すべての遠隔攻撃者が直ちにすべてのシードを復元できるとの意味ではない。現実の費用は、装置識別子をどこまで絞れるか、起動時刻を推定できるか、事前の呼び出し履歴を再現できるか、候補ごとの鍵導出にかかる計算量に左右される。Block自身も、完全な実機試験による悪用可能性の確認と一貫した総当たり性能の数値は示していない。

見た目のランダムさでは検出できない

決定論的な疑似乱数でも、隣り合う値は異なり、出力の分布は一見すると乱数らしくなる。今回の経路には同じ値の連続を拒む検査があったが、Yasmarangは通常それを通過する。生成した32バイトをSHA-256で処理すれば、出力の偏りはさらに見えにくくなる。それでも、入力になかった予測困難性が後処理で生まれるわけではない。

米国立標準技術研究所（NIST）のSP 800-90Bは、乱数生成器に使うエントロピー源の設計原則、要件、検証試験を定め、決定論的乱数生成器と組み合わせる前段の品質を独立して扱っている。出力形式や統計的な見栄えの確認だけでは足りず、どのノイズ源からどれだけの最小エントロピーを得たかを評価する必要がある。

修正版を入れても旧シードは直らない

Coinkiteが示した修正版は、Mk2とMk3が4.2.0以降、Mk4とMk5の標準版が5.6.0以降、Edge版が6.6.0X以降、Q標準版が1.5.0Q以降、Q Edge版が6.6.0QX以降である。TAPSIGNER、OPENDIME、SATSCARDは別のコードベースを使うため、同じ不具合の対象外とされた。

影響の判定基準は現在のファームウェアではなく、シードを生成した時点の版だ。旧版で作ったシードを別のウォレットへ読み込んでも、元の候補空間は変わらない。Coinkiteは、修正版を確認して新しいシードと受取アドレスを作り、少額の試験送金を確認してから残額を移し、移行完了まで旧バックアップを残す手順を案内している。

少なくとも50回の公正で独立した非公開のサイコロ入力をシード生成時に加えた場合、その入力だけで128ビット以上のエントロピーを持つとCoinkiteは説明する。強く固有のBIP-39パスフレーズも別の障壁になる。ただし、短い語句、使い回し、規則的な文字列は推測され得る。強いパスフレーズも元の弱いシードを修復しないため、同社は該当する利用者に新しいシードへの移行を求めている。

開発側が確認すべき三つの境界

第一は、安全に直結する経路で静かな代替処理を認めないことだ。想定したエントロピー源を取得できない場合は秘密値の生成を中止し、原因を記録する。形式の正しい弱い値を返すより、明示的な失敗として扱う設計が要る。

第二は、起動時と運用中に実際の乱数経路を確かめることだ。ハードウェア乱数生成器の健全性試験に加え、呼び出し先が意図した実装へ結び付いているかをテストする。出力の統計検査は補助にはなるが、エントロピー源とコード経路の確認を置き換えない。

第三は、ビルド設定をセキュリティーレビューの対象に含めることだ。#ifdefと#if、未定義と値0の違いは小さく見えるが、コンパイル後の呼び出し先を変える。重要な設定については許される値をコンパイル時に限定し、生成物のシンボルや実行時の自己診断で選択された経路を検証する必要がある。

日本での影響は公表資料に空白

日本国内でColdcardを使う人数、国内の被害申告件数、円換算した損失額を示す公的な資料は、本稿の執筆時点で確認できていない。この空白は、国内に利用者や被害がないことを意味しない。影響の有無は居住地では決まらず、シードを作った機種とファームウェア、独立した追加エントロピー、パスフレーズの条件で決まる。

事件の技術的な教訓は暗号資産製品に限られない。認証トークン、暗号鍵、一時コードなど予測困難性を前提とする値では、APIが正常な長さの値を返した事実と、必要なエントロピーを得た事実を分けて検証する必要がある。特定の医療情報システムで同じ劣化が発生したとの国内資料は確認できないため、本稿では個別システムへの被害を推定しない。

よくある質問

Coldcard本体へ侵入されたのか
公開資料が示す根因は、シード生成時に意図しない決定論的乱数経路を使った実装上の欠陥だ。秘密鍵を装置から読み取らなくても、候補を再現し、公開アドレスと照合する攻撃が成立し得る。

ファームウェアを更新すれば十分か
新しいシードの生成には修正版が必要だが、旧版で作った既存シードは更新で直らない。Coinkiteは修正版で新しいシードを作り、受取アドレスと少額送金を確認した後に資産を移すよう案内している。

「72ビットなら安全」と判断してよいか
一律には判断できない。約72ビットはCoinkiteが示したMk4、Mk5、Qの概算で、Blockのコード分析は、既存状態が判明した場合に秘密の再シードが最大32ビットへ制限されると指摘した。実際の探索量は機種、タイマー、識別子、呼び出し履歴で変わる。

オープンソースなら同じ問題を防げるのか
ソースの公開は検証可能性を高めるが、自動的に安全を保証しない。今回の欠陥は公開コードとビルド設定の境界に長く残った。設定値を含むレビュー、実際の生成物の検査、実機での経路確認を組み合わせる必要がある。

生成AIはなぜ自信ありげに誤るのか　「ハルシネーション」の仕組み

APPI News 編集部 — Tue, 04 Aug 2026 17:07:03 GMT

ハルシネーション（hallucination）は、生成AIがもっともらしいが事実ではない内容を出力する現象だ。単一製品の一時的な不具合だけでは説明できず、事前学習で誤りが生じる仕組みと、不確実でも答えたほうが評価されやすい採点の構造が重なって残る。健康情報では、架空の出典や不正確な説明が判断材料に入り込むため、回答の流暢さと事実の確かさを分けて見る必要がある。

もっともらしい誤りはどこから生まれるのか

大規模言語モデル（Large Language Model）は、大量の文章から次に続く語の確率を学ぶ。学習用の文章には、個々の文が真実か虚偽かを示す札が一つずつ付いているわけではない。つづりや文法のように繰り返し現れる規則は捉えやすい一方、人の誕生日のような低頻度で任意性の高い事実は文章の並びだけから導きにくい。

2025年9月に公表されたOpenAIの研究論文は、正しい記述と誤った記述を言語パターンから区別できない場合、事前学習済みモデルにハルシネーションが統計的な圧力によって生じると分析した。論文では、著者の一人であるアダム・トーマン・カライ氏の誕生日を尋ねたところ、公開モデルが3回とも異なる誤った日付を返した例を示している。確信のある場合だけ答えるよう求めても、出力は止まらなかった。

正解数だけを見る評価が推測を残す

論文は、ハルシネーションが事前学習で生じる段階と、その後も残る段階を分けている。多くの評価は正答なら加点し、誤答や無回答には点を与えない。分からないと答えれば得点は増えないが、推測なら偶然に正解する余地がある。正解率だけを競う順位表では、慎重に回答を控えるモデルより、誤答を増やしても答え続けるモデルが上位になる場合がある。

評価そのものが事前学習時の誤りを直接つくるわけではない。それでも、開発者が高い正解率を目標にモデルを調整すれば、誤答と回答拒否の違いを採点しない評価が推測を有利にする。論文が提案するのは、確信を伴う誤答を無回答より重く減点し、適切に不確実性を示した回答を評価へ反映する方法だ。新しい専用テストを一つ足すのではなく、順位やモデル選定に使われる既存の主要評価を改める必要があるとしている。

健康質問250件で半数近くに問題

BMJ Openが2026年4月14日に掲載した研究は、ChatGPT、Gemini、Meta AI、Grok、DeepSeekに各50問を与えた計250件の回答を監査し、49.6％を「問題あり」、うち19.6％を「問題が大きい」と判定した。質問は、がん、ワクチン、幹細胞、栄養、運動能力の五分野から選び、各分野の専門家2人が事前に決めた基準で評価した。回答拒否は250件中2件にとどまり、いずれもMeta AIだった。

出典が並んでいることも、正確さの保証にはならなかった。参考文献の完全性スコアは中央値40％で、完全かつ正確な一覧を示した回答は一つもなかった。架空の文献や不完全な引用が混ざれば、利用者は回答だけでなく、その根拠まで誤って信頼する恐れがある。

ただし、この49.6％を一般的な健康質問の誤答率とは読めない。研究は誤情報が広がりやすい五分野を選び、モデルを誤った助言へ傾ける対抗的な設計の質問も含めた。回答の取得時期は論文公表より1年以上前の2025年2月であり、その後に更新されたサービスの性能を測ったものでもない。

日本の指針──出典と誤答率を運用後も監視

独立行政法人情報処理推進機構（IPA）のAIセーフティ・インスティテュート（AISI）は2026年4月3日、「ヘルスケア領域におけるAIセーフティ評価観点ガイド」を公表した。対象は生成AIを含むヘルスケア製品の開発、提供、利用に携わる実務者で、製品設計、モデル選定、実装、検証、導入・運用という五つの段階に評価項目を置く。

ガイドは、架空のエビデンスや薬剤情報をハルシネーションの例に挙げ、モデル選定時に回答不能と示す能力を確かめ、実装時に査読論文や診療ガイドラインへ根拠付けし、検証時に発生率と出典の実在性・正確性を測るよう求めている。本番環境では発生率の推移を監視し、参照データを新しい医学的根拠に合わせて更新する。

この文書は安全性評価を実装するための手引きであり、全ての医療機関に患者への開示を一律に義務付ける制度ではない。国内の一般向け生成AIによる健康回答を横断し、誤答率を示した公的調査も、本稿の執筆時点では確認できていない。海外の一つの監査結果と、日本の規制状況を同じものとして扱わない注意が要る。

回答ではなく根拠まで確認する

利用者が確かめる対象は、文章の自然さではなく、主張と根拠の対応だ。示されたリンクを開き、文献名や著者、発行年が実在するかを確認し、リンク先が回答中の数字や結論を本当に支えているかを見る。出典が見つからない、または内容が食い違う場合、その回答を重要な判断の唯一の根拠には置けない。

開発・運用側には、不確実な質問への回答拒否を失敗として扱わない評価設計が要る。信頼できる資料だけを検索対象にする検索拡張生成（Retrieval-Augmented Generation）を採用しても、参照先の改訂管理、出典との整合確認、専門家による検証は残る。公開前の試験で終わらせず、モデルや参照資料の更新後に誤答率を測り直し、出力と訂正の記録を追える状態にすることが運用上の要件になる。

よくある質問

ハルシネーションはプログラムの不具合なのか
単一の不具合だけでは説明できない。事前学習では、規則性の乏しい事実を文章のパターンから推定する際に誤りが生じる。さらに、正解率を優先する評価が、分からないと答えるより推測する行動を有利にする場合がある。

出典付きの回答なら信頼できるのか
出典の表示だけでは足りない。BMJ Openの監査では、参考文献の完全性スコアの中央値は40％で、完全かつ正確な一覧を示した回答はなかった。リンク先の実在性と、主張を支える記述があるかを別々に確認する必要がある。

AI創薬に資金流入、承認薬はなおゼロ　初期試験の優位と第2相の壁

APPI News 編集部 — Tue, 04 Aug 2026 00:00:00 GMT

人工知能（Artificial Intelligence、AI）を使う創薬は、膨大な化合物や標的の候補を計算で絞り込み、実験へ回す順番を決める取り組みだ。資金調達と臨床入りのニュースは増えたが、探索の速さと新薬としての承認は同じ指標ではない。2026年6月のMedCity Newsの寄稿は、2019年以降に約600億ドルが投じられ、約175のAI起点の計画が人体試験へ進んだ一方、米食品医薬品局（FDA）の承認はまだないとの業界集計を紹介した。数字は公的な一括統計ではなく、何をAI起点と数えるかにも幅がある。

20億ドルと「70％短縮」の読み方

BCC Researchが2026年7月14日に公表した市場分析は、AI創薬への直近の投資が20億ドルを超え、候補探索の期間を4〜5年から12〜18カ月へ、研究開発費を30〜40％減らすと説明している。Generate BiomedicinesとExscientiaへの各5億ドル超、Kailera Therapeuticsの6億ドルの資金調達も挙げた。

ここで示された70％は、研究室で標的や候補化合物を見つける「創薬」段階の短縮率だ。人体で安全性と有効性を調べる期間から承認までを一律に70％縮めた実績ではない。発表元は市場調査会社であり、投資判断向けの見通しと臨床試験で検証された結果を分けて読む必要がある。

第1相では80〜90％、第2相では40％

臨床での手掛かりは出始めている。2024年にDrug Discovery Todayへ掲載された分析は、AIで見いだした24候補のうち21候補が第1相試験を通過し、成功率を80〜90％と算出した。第2相を終えた候補は10件で、通過は4件、成功率は約40％だった。第1相の数字は従来の業界平均を上回る一方、第2相は従来と同程度だと著者らは位置づけた。

第1相は主に安全性や忍容性、薬物が体内でどう動くかを確かめる。第2相では患者を対象に有効性の手掛かりを調べるため、候補分子らしい性質を備えていても、狙った病気で効果が表れるとは限らない。24件と10件という標本は小さく、対象疾患や企業の選び方にも左右される。初期段階の差を承認確率へそのまま延長する材料にはならない。

先行候補にも前進と中止

BioPharma Diveが2026年7月17日にまとめた先行例では、Insilico Medicineのrentosertibが小規模な第2相試験を経て中国の52週間の第3相試験へ進んだ。同剤はAIで標的候補を選び、分子設計にも生成モデルを使った。RecursionのREC-4881は第1b／2相試験で開発が続く。一方、Verge GenomicsがAIで標的を見いだしたVRG50635は初期試験後に先へ進まなかった。

これらはAIが一つの結果を生む技術ではないことも示す。標的の優先順位付け、化合物の設計、既存薬の別用途探索、患者の選定など、使われる場所が異なるからだ。「AI創薬」という一つの箱に入れて成功率を比べると、AIが担った範囲と、その後の実験や臨床開発を担った範囲が見えにくくなる。

承認審査──問われるのは品質、有効性、安全性

FDAが示す新薬開発の流れは、探索、非臨床研究、臨床研究、FDA審査、市販後の安全監視という5段階で構成される。臨床研究では人を対象に安全性と有効性を調べ、審査では提出されたデータ全体を確認して承認の可否を決める。AIで候補を早く見つけても、後段で求められる証拠の種類は消えない。

日本でも判断軸は同じ方向を向く。医薬品医療機器総合機構（PMDA）は、医薬品を品目ごとに品質、有効性、安全性の観点から審査し、申請資料が倫理的かつ科学的に信頼できるかを調べると説明している。候補の発見にAIを使ったという事実は、承認の代わりにならない。

日本で追える数字には空白

国内の承認情報から、AIが標的探索や分子設計に使われた品目だけを切り出すのは難しい。PMDAの承認審査は品目ごとの品質、有効性、安全性を扱うが、発見手法を「AI起点」と分類した承認件数の一覧は、本稿の執筆時点で確認できていない。日本での到達点を測るには、企業の発表だけを数えるのではなく、治験の段階、主要評価項目の結果、承認申請と審査報告書を候補ごとに追う必要がある。

現時点の評価は二つに分かれる。候補探索を速め、第1相へ進む分子の性質を改善している可能性は、小規模ながら数字に表れた。一方、有効性が本格的に問われる第2相以降や承認で優位が続くかは確定していない。資金額よりも、各候補がどの試験を終え、次の段階へ進んだかが検証の中心になる。

よくある質問

AIで見つけた新薬はすでにFDAの承認を受けたのか
AI起点の新薬が承認されたとの報告は、2026年6月の業界集計ではまだない。ただし「AI起点」の公的な分類はなく、件数は調査側の定義に依存する。

AI創薬はどの工程を速めるのか
主な対象は、標的候補の探索、化合物の設計と順位付け、実験へ回す候補の絞り込みだ。臨床試験で安全性と有効性を確かめ、規制当局が申請データを審査する工程は残る。

第1相の成功率80〜90％は承認率を意味するのか
意味しない。分析時点で第1相を終えた24候補の成績であり、第2相を終えた10候補の成功率は約40％だった。第3相と承認まで進む確率を示す数字ではない。

食後のグルコース変化をAI予測する「Libre Assist」　日本提供は未確認

APPI News 編集部 — Mon, 03 Aug 2026 17:12:33 GMT

連続グルコース測定（Continuous Glucose Monitoring、CGM）に、食事の写真から食後の変化を予測する生成AIが加わった。米アボットが2026年1月5日に発表した「Libre Assist」は、食べる前に食事を撮影するか文章で入力すると、グルコースへの影響を3段階で示す機能だ。ただし発表の対象は米国であり、日本で同じ機能が使えることを示す国内の公式資料は確認できていない。

食前に予測し、食後の実測値と照合

アボットの発表によると、Libre Assistは食事の写真または文章から食材を認識し、グルコースへの影響を小さい順に緑、黄、オレンジで表示する。生成AIを使い、米国の糖尿病患者向けにLibreアプリ内で追加料金なく提供する機能としてCES 2026で公表された。

処理は食前の予測だけで終わらない。食後はアボットのCGMセンサーから得たおよそ3時間分のデータを取り込み、実際のグルコースへの影響を記録する。予測値は利用者が入力した食事情報にもとづき、実際の変化は運動、ストレス、薬剤、飲酒などにも左右されるとアボットは説明している。予測と実測を同じ画面で往復させるところが、食事記録だけのアプリとの違いになる。

一方、AIが示すのは測定値そのものではなく、食事情報から導いた予測である。アボットは、生成AIが常に正確とは限らず、治療判断には使わないよう注意書きを置く。公開された説明には、長期の精度や実際の診療での有用性を検証した大規模な臨床データは示されていない。

日本の現行製品はFreeStyleリブレ2

日本での製品構成は米国と同じではない。アボットの日本向けサイトが案内するFreeStyleリブレ2は、上腕のセンサーでグルコース値を1分ごとに測定し、低値と高値のアラートを備える。センサーの装着期間は最長14日である。日本語の製品ページにはLibre Assistの案内がなく、同機能と組み合わせて米国で訴求されるFreeStyle Libre 3 Plusについても、国内の承認や提供開始を裏づける公式資料は本稿執筆時点で確認できていない。

ここで区別が要るのは、センサーが測る層と、アプリが予測する層だ。FreeStyleリブレ2の中核はセンサーによる連続測定とアラートであり、Libre Assistは食事の画像や文章を解析する別のソフトウェア機能である。国内でCGMを利用できることから、米国向けAI機能も同時に使えるとは限らない。

保険算定の外にも選定療養

日本では機器の販売と公的医療保険の算定も別の問題になる。厚生労働省の診療報酬で、間歇スキャン式持続血糖測定器を対象とする血糖自己測定器加算は1250点で、インスリン製剤を1日1回以上自己注射する外来患者への指導に用いた場合が算定対象になる。糖尿病の病型だけで一律に決まる仕組みではなく、治療内容が要件に入っている。

算定要件から外れる患者については、間歇スキャン式持続血糖測定器を選定療養として使う道がある。選定療養は、患者が特別料金を負担し、保険外の部分と通常の保険診療を併用する制度である。CGMが国内で流通していても、利用者全員が同じ条件で給付を受けるわけではない。さらにLibre Assistのようなアプリ機能が国内の診療報酬で別に評価されていることを示す資料も確認できていない。

センサー回収とAI機能は切り分ける

Libre Assistと組み合わせて米国で案内されるセンサーには、安全面の経緯もある。米食品医薬品局（FDA）が2026年1月15日に掲載した企業告知では、一部のFreeStyle Libre 3とLibre 3 Plusが誤って低い値を示す恐れがあり、米国内の約300万個が是正措置の対象になった。世界で関連する可能性のある重篤な有害事象736件と死亡7件が報告された。

対象は一つの製造ラインで作られた一部のセンサーで、アボットは原因を特定して解消したとしている。FDAの掲載情報は、リーダーとモバイルアプリ、FreeStyleリブレ2を含む他のLibre製品は対象外だと明記する。これはLibre Assistの生成AIが誤った予測を出した事案ではなく、センサーの製造工程に起因する問題だった。AI機能の評価、国内承認の有無、センサーの安全情報は、同じブランド名でも別々に確認する必要がある。

国内で残る情報の空白

Libre Assistは、生成AIをCGMの測定データと結びつけた具体的な製品機能である。ただし、日本の読者にとって焦点になるのは米国での機能紹介より、国内版アプリへの搭載時期、対応センサーの承認、費用負担、臨床上の検証だ。この4点を示す日本語の公式資料は確認できていない。現時点で確かめられるのは、日本向け製品がFreeStyleリブレ2を中心に案内され、保険算定には治療内容による要件があり、対象外には選定療養が用意されているところまでである。

医療AIの保険評価、精度だけでは加算されず　日本の2026年度基準

APPI News 編集部 — Mon, 03 Aug 2026 00:00:00 GMT

診断支援AI（Artificial Intelligence）は、CTや内視鏡などの医用画像を解析し、病変の候補や診断の参考情報を医師に示すプログラム医療機器である。日本では薬事承認を得た後も、公的医療保険でどう評価するかは別の手続きになる。高い感度や特異度を示したという理由だけで、製品固有の加算が付く仕組みではない。

薬事承認と保険適用は別の審査

薬事承認は、医療機器として掲げる使用目的や性能、安全性を審査する。医薬品医療機器総合機構（PMDA）は承認されたプログラム医療機器の一覧を公表しているが、有体物の医療機器の構成品として承認されたプログラムは含まず、掲載まで時間を要し、AI活用製品を網羅する一覧でもないと説明している。

承認後、保険診療の中で製品をどう扱うかを決めるのが保険適用手続きだ。厚生労働省は、新たな医療機器や体外診断用医薬品を保険診療で使うには、別途、保険適用手続きが必要だと明記している。既存の検査料や手術料に費用が含まれる場合もあれば、関連技術料への加算、機器自体の材料価格、新しい技術料として評価される場合もある。承認品目数と、独立した診療報酬が付いた品目数は一致しない。

2026年度基準──精度より臨床上の上積み

厚生労働省が2026年3月にまとめた保険医療材料制度改革は、既存の検査、治療計画、手術を支援するプログラムについて、支援対象となる技術の臨床上の有効性が明らかに向上する場合、関連技術料への加算として評価するとした。ここで問われるのは、AI単体のテスト成績ではなく、AIを組み込んだ診療が従来の診療より患者にどのような結果をもたらしたかである。

同じ資料は省力化の扱いにも線を引いた。医療従事者の労働時間が短くなるという結果だけでは、原則として加算しない。既存技術の施設基準が一定数の職員や専門医の配置を求めている場合、AIの使用によって少ない人数でも実施できる、または専門医以外が担当しても同等の有効性になると示せれば、施設基準の緩和が検討対象になる。省力化は無価値なのではなく、報酬を上乗せする根拠と人員要件を見直す根拠が分けられている。

頭蓋内出血の検出AIなら何を比べるのか

CT画像から頭蓋内出血の疑いを拾い上げるAIを想定すると、感度、特異度、判定不能率は性能の出発点になる。保険上の加算を検討する段階では、AIを使わない読影と比べて、治療や搬送の判断までの時間が短くなったか、見逃しや不要な呼び出しがどう変わったか、患者の転帰に差が出たかという比較が要る。医師の読影時間が減っても、誤警報の確認に別の負担が生じれば、業務全体の削減にはならない。

臨床的な意味がまだ固まっていない一部の診断支援プログラムには、市販後の臨床試験やリアルワールドデータで根拠を積み上げる二段階承認の道がある。ただし適用範囲は限定される。厚生労働省の通知は、検査・診断結果が救急医療の初期対応方針など医学的判断に大きく影響するプログラムを、二段階承認の考え方から原則として除外している。頭蓋内出血検出AIも、承認された使用目的と医療現場で担う役割によって、求められる臨床評価の水準が変わる。

保険適用は増加、評価方法は一様でない

厚生労働省の集計では、2024年4月1日から2025年9月30日までに保険適用されたプログラム医療機器は9品目だった。大腸内視鏡の病変検出支援、手術中の尿管・膀胱の候補領域表示、長時間心電図の解析、治療補助アプリなど、目的と使い方は幅広い。支援対象の技術、患者が操作するかどうか、機器制御に使うかどうかによって評価経路が分かれるため、「医療AI」という一つの区分に共通価格を付ける制度ではない。

CT画像から頭蓋内出血を検出するAIについて、日本で製品固有の加算が設けられたことを示す公的資料は、執筆時点で確認できていない。これは国内に承認品や導入例がないという意味ではない。PMDAの公開一覧には対象範囲と掲載時期の限界があり、保険適用も既存技術料に含める形なら製品名から追いにくい。公開情報から確認できる範囲を超えて、不存在までは断定できない。

費用対効果評価は全製品への一律審査ではない

保険適用の議論で使われる「費用対効果評価」は、すべての医療AIに同じ形で課される事前試験ではない。厚生労働省の取扱通知では、一定の算定方式や有用性加算などに該当し、ピーク時予測売上高が100億円以上の品目をH1、50億円以上100億円未満の候補品目をH2とするなど、対象を指定する基準を置いている。指定後は企業分析を公的分析班が検証し、必要なら再分析する。

そのため、診断支援AIの保険評価で最初に問われる臨床上の有用性と、指定品目に対して行う制度上の費用対効果評価は同じではない。前者は加算や施設基準を判断する根拠になり、後者は一定の条件を満たす品目の価格調整に使われる。導入費、保守費、読影時間、誤警報への対応、患者の転帰を同じ表に並べる作業は有用だが、どの数字を正式な評価に使うかは申請区分によって変わる。

よくある質問

AI医療機器が承認されれば、病院は追加の診療報酬を請求できるのか
一律には請求できない。薬事承認と保険適用は別の手続きで、保険上は既存技術料への包括、加算、施設基準の緩和、特定保険医療材料など、製品の役割に応じた評価になる。

診断精度が医師より高ければ加算の対象になるのか
単体の精度比較だけでは決まらない。2026年度基準は、支援対象となる既存技術の臨床上の有効性が明らかに向上した場合に加算を検討する。患者の転帰や診療の流れを含む比較が焦点になる。

医師の読影時間を短縮すれば評価されるのか
労働時間の短縮だけでは、原則として加算しない。一方、少ない人数で同等の質を保てるなどの結果が示され、既存技術に人員配置の施設基準がある場合は、その緩和が検討される。

費用対効果評価では医師の時間や誤診の費用を必ず算入するのか
すべてのAI医療機器が費用対効果評価の対象になるわけではなく、対象品目は売上高や算定方式などの基準で指定される。指定後の分析枠組みは比較対照技術や臨床試験を含めて個別に決まり、生産性損失などは価格調整に直接使わない扱いもある。

腕時計型睡眠トラッカーはどこまで正確か　6機種比較と医療機器の境界

APPI News 編集部 — Sun, 02 Aug 2026 17:12:15 GMT

腕時計型の睡眠トラッカーは、眠りを脳波で直接測る装置ではない。加速度センサーが手首の動きを、光電式容積脈波（Photoplethysmography、PPG）センサーが脈拍の変化を捉え、独自のアルゴリズムが睡眠と覚醒、睡眠段階を推定する。画面に表示される「深い睡眠」や「レム睡眠」は、この間接的な推定の結果である。

2025年に公表された6機種の比較研究では、睡眠を検出する感度は全機種で9割を超えた。しかし、覚醒を見分ける特異度は最も高いApple Watch Series 8でも52.15％だった。寝床で静かに目を覚ましている時間を、機器が睡眠として数える弱点が数字に表れている。

睡眠段階を推定する二つのセンサー

Sleep Advances掲載の原論文は、加速度センサーが寝返りや姿勢の変化を、PPGセンサーが心拍数や心拍変動などを捉え、両者を組み合わせて睡眠状態を推定すると説明する。比較の基準にした終夜睡眠ポリグラフ検査（Polysomnography、PSG）は、脳活動、眼球運動、筋緊張などを記録して睡眠段階を判定する。

手首の動きと脈拍には睡眠を推定する手がかりがあるが、静かな覚醒と睡眠は動きだけでは区別しにくい。PPGの読み取りも体動、皮膚の色、組織の厚さ、周囲の光や温度の影響を受けうる。PSGと消費者向け機器は、測っている信号も判定までの経路も異なる。

6機種比較──睡眠には高感度、覚醒には低い特異度

研究には18歳以上の成人62人が参加し、内訳は男性52人、女性10人だった。参加者は睡眠検査室で一夜を過ごし、PSGと同時に2〜4機種を装着した。対象はFitbit Sense、Fitbit Charge 5、Whoop 4.0、Withings Scanwatch、Garmin Vivosmart 4、Apple Watch Series 8の6機種である。

睡眠を正しく拾う感度は91.68〜96.27％だった。一方、覚醒を正しく拾う特異度は29.39〜52.15％に下がった。睡眠段階全体がPSGとどれだけ一致したかを示すCohenのカッパ係数も0.21〜0.53の範囲だった。

機種	カッパ係数	感度	特異度
Apple Watch Series 8	0.53	96.27％	52.15％
Fitbit Sense	0.42	93.33％	48.80％
Fitbit Charge 5	0.41	91.68％	47.51％
Whoop 4.0	0.37	93.58％	40.13％
Withings Scanwatch	0.22	94.32％	31.09％
Garmin Vivosmart 4	0.21	95.92％	29.39％

高い感度と低い特異度は矛盾しない。眠っている時間の多くを拾えても、途中で目を覚ました時間まで睡眠に含めれば、合計の睡眠時間は長めに出やすい。論文でも全機種が入眠後の覚醒時間を平均12.38〜47.94分少なく見積もった。Apple Watch Series 8はこの研究でカッパ係数が最も高かったが、PSGとの完全な一致を意味しない。

24研究の集計でも残った測定差

2025年のメタ解析は24研究、798人分を集計し、腕時計型の機器とPSGの間に、総睡眠時間で平均16.854分、睡眠効率で4.691ポイント、入眠潜時で2.574分、入眠後覚醒時間で13.255分の差があったと報告した。四つの差はいずれも統計的に有意だった。

この集計にはFitbit、Garmin、Apple Watch、Whoopのほか、すでに販売を終えたJawboneやBasis B1も含まれる。メーカーや世代をまたいだ平均値であり、特定の現行機種が毎晩同じ幅でずれるという意味ではない。比較研究ごとに参加者、装着条件、アルゴリズムの版が異なる点も残る。

日本での承認は睡眠時無呼吸の通知に限定

消費者向けの睡眠段階表示と、疾病の兆候を知らせる承認済みプログラムは分けて考える必要がある。医薬品医療機器総合機構（PMDA）は「Appleの睡眠時無呼吸の兆候の通知プログラム」を家庭用体動情報解析プログラムとして掲載し、承認番号を30600BZI00017000、初回承認日を2024年9月17日としている。この承認の対象は睡眠時無呼吸の兆候を通知する機能で、一般の睡眠段階や睡眠スコア全体を医療機器として認めたものではない。

国内向け添付文書によると、このプログラムは加速度計から得た手首の動きを解析し、30日間に中等度から重度の睡眠時無呼吸を示唆する呼吸の乱れが特定された場合に通知する。対象は睡眠時無呼吸と診断されたことがない18歳以上で、対応機種はApple Watch Series 9以降とUltra 2以降であり、SEは除かれる。文書は正式な診断や医学的判断の基礎に使うものではないとも明記する。

つまり、同じ腕時計の画面に並んでいても、睡眠段階の推定値と睡眠時無呼吸の通知では制度上の位置づけが違う。後者の承認を根拠に、睡眠スコアや深い睡眠の分数まで医療機器と同等の精度が確認されたと読むことはできない。

数字を読むときの三つの区別

第一は感度と特異度の区別である。「睡眠の検出率が9割超」という数字だけでは、静かな覚醒を睡眠と誤る割合は分からない。第二は総睡眠時間と睡眠段階の区別だ。合計時間の誤差が比較的小さな機種でも、深い睡眠やレム睡眠の分類まで同じ精度とは限らない。

第三は一夜の値と長期の傾向の区別になる。6機種研究の著者は、相対的にカッパ係数の高かった機種について、睡眠構造の長期的で大きな変化を追う用途には使いうると結論づけた。ただし、参加者は62人で、各機種の比較人数は20〜41人に分かれる。個々の夜の睡眠段階を精密に再現した試験ではない。

日本の一般利用者を対象に、現行の主要機種を同じ条件で横断比較した公的資料は、本稿の執筆時点で確認できていない。製品画面の細かな数字を読む際は、どの信号を測り、何を正解として検証し、どの機能が医療機器として承認されたのかを切り分ける必要がある。

よくある質問

睡眠時間が表示されたら、その数字は正確なのか
機種と利用条件による。6機種研究では睡眠の検出感度が9割を超えたが、覚醒の特異度は29.39〜52.15％だった。静かに横になっていた時間が睡眠に含まれる余地がある。

「深い睡眠」の分数は睡眠検査と同じなのか
同じではない。スマートウォッチは手首の動きと脈拍から推定し、PSGは脳活動、眼球運動、筋緊張などを測る。6機種の睡眠段階のカッパ係数は0.21〜0.53だった。

睡眠時無呼吸の通知が承認されたなら、睡眠スコアも医療機器なのか
承認範囲は別である。PMDAが掲載するのは睡眠時無呼吸の兆候を通知する家庭用体動情報解析プログラムで、一般の睡眠段階表示や睡眠スコア全体の承認を示すものではない。

米FDA、対話型医療ソフト「UpDoc」を許可　LLMと投薬判断の境界

APPI News 編集部 — Sun, 02 Aug 2026 00:00:00 GMT

米食品医薬品局（FDA）は、患者が音声や文字でやり取りするインスリン管理ソフト「UpDoc」に510(k)クリアランスを出した。対象は2型糖尿病と診断された18歳以上で、医師が患者ごとの治療計画を設定する処方用の医療機器ソフトウェア（Software as a Medical Device）である。生成AIを医療機器へ組み込むとき、対話モデルが情報の受け渡しを担うのか、投薬の判断まで担うのか。その境界を公開資料から読み解く事例となる。

FDAが許可したのは何か

FDAの510(k)データベースによると、UpDocの申請は2025年9月29日に受理され、同年12月23日に実質的同等性ありと判断された。番号はK253281で、製品コードは薬剤投与量計算器に当たるNDC、クラスIIの医療機器である。審査期間は受理から決定まで85日だった。

UpDocは2026年6月の発表で、患者向け大規模言語モデル（Large Language Model）を使うSaMDとして初めてFDAのクリアランスを得たと説明した。ただし、「患者向けLLMを使う初の機器」という位置づけはUpDocによる発表である。FDAの公開決定摘要には「LLM」という語がなく、基盤モデルの名称や、モデルが会話のどの処理を担うかも記載されていない。企業の製品説明と規制当局が確認した範囲は分けて読む必要がある。

三層構造──医師の設定を中核に置く

FDAの決定摘要は、UpDocを医療従事者向けウェブ画面、患者向けモバイルアプリ、会話サービス「UpDoc Agent」と臨床サービスからなるクラウド機能の三つで構成すると説明している。患者は血糖値、食事、症状、服薬状況を手入力するほか、音声または文字の対話で報告する。医療従事者は患者ごとの血糖目標、投薬調整のアルゴリズム、安全手順を設定する。

投薬指示の計算根拠は、医療従事者が定めた治療パラメーターである。公開文書から確認できるのは、会話サービスと臨床サービスが別の構成要素であること、投薬計算が医師の設定に従うことだ。一方、自然言語を構造化する過程でLLMがどの程度関与するか、誤解や入力の曖昧さをどう検出するかは、公開摘要だけでは分からない。

d-Navとの実質的同等性

510(k)は、新しい機器が合法的に流通する比較対象機器と実質的に同等かを審査する経路だ。FDAはUpDocの比較対象として、2019年にクリアランスを得た「d-Nav System」（K181916）を挙げた。両製品は2型糖尿病の成人に医師指定の計画に基づくインスリン管理を提供する点、医療現場と家庭で使う処方機器である点が共通する。

決定摘要では、UpDocについて新たな非臨床性能試験と臨床試験はいずれも「該当なし」とされ、FDAはユーザビリティー試験、ソフトウェアの検証・妥当性確認、リスク分析、サイバーセキュリティー資料などを評価した。これは生成AI一般の安全性や診療能力を包括的に認めた判断ではない。特定用途のソフトについて、既存機器との同等性を確認した結果である。

PCCPが縛る将来の変更

UpDocのクリアランスには、予定変更管理計画（Predetermined Change Control Plan、PCCP）が含まれる。FDA、カナダ保健省、英国医薬品・医療製品規制庁の共同原則では、PCCPは予定する変更、その実施と管理の手順、変更による影響評価をあらかじめ定める計画とされる。許可時の性能を固定したままにせず、変更可能な範囲と検証方法を先に審査する考え方だ。

UpDocのPCCPは、既定値や臨床上の定義、インスリン製品情報、投薬機能、画面表示、データ入力方法など六つの変更区分を認める。その一方、変更後も決定論的なインスリン投薬ロジックを維持し、中核的な臨床判断を変えないことを性能要件に置いた。対話部分の更新を許しても、投薬判断の仕組みまで無制限に変える計画ではない。

日本の審査にある共通点と空白

日本にも、市販後の変更をあらかじめ計画し、確認を受ける制度がある。医薬品医療機器総合機構（PMDA）は、医療機器、AI関連技術を使う医療機器、プログラム医療機器の変更計画確認申請について、2020年の取扱通知や2023年のQ&A、記載事例を公開している。米国のPCCPと名称や法的手続きは同一ではないが、予定する変更と確認方法を事前に示すという課題は共通する。

生成AI特有の評価軸は固まり切っていない。PMDAが2026年3月に開いたシンポジウムの概要は、対話型の自然言語入出力では想定する臨床使用状況が広がり、出力の非決定性や患者の自動化バイアスが論点になると整理した。市販前評価だけで網羅する限界、市販後監視を組み合わせた管理、診断・治療行為との境界も課題に挙げている。

日本でUpDocと同種の患者向け対話型LLM医療機器が承認されたことを示す公的資料は、本稿の執筆時点で確認できていない。したがって、米国の結論を日本の承認や公的医療保険の評価へそのまま当てはめる段階にはない。それでも、会話の自由度、投薬ロジック、医師の設定、変更後の検証を別々に示すUpDocの公開資料は、日本で審査上の問いを組み立てる際の具体例になる。

「AI医師」の許可ではない

今回のクリアランスが示したのは、患者との対話にLLMを使うという企業の製品構想全体をFDAが包括的に認めたという事実ではない。公開決定摘要で確認できるのは、対象患者と用途が限定され、医師指定の治療計画を使い、既存の投薬量計算器と実質的に同等と判断されたこと、将来の変更にも境界が設けられたことだ。

対話型AIを医療機器として評価する際は、自然な受け答えの性能だけを見ても足りない。どの入力が臨床サービスへ渡るのか、曖昧な入力をどう扱うのか、誰が治療パラメーターを設定するのか、更新で判断ロジックが変わらないと何によって検証するのか。UpDocの事例が突きつけるのは、モデルの呼称より、臨床上の決定が生まれる場所を監査可能な形で示せるかという問題である。

AI「心の相談」規制、米2州が先行　日本の専用ルールは確認できず

APPI News 編集部 — Sat, 01 Aug 2026 16:58:56 GMT

心の悩みに応じる会話型AIを巡り、米国では州法による規制が具体化した。イリノイ州はAIが治療や心理療法を担うことを禁じ、オレゴン州はAIとの対話であることの表示と、自殺念慮や自傷意図を検知した際の対応手順を事業者に求めた。日本にはAI全般を対象とする法律と指針があるものの、心理支援をうたうチャットボットに同種の義務を課す専用ルールは、公表資料から確認できない。

イリノイ州──AIを治療の担い手にしない

規制の線を治療行為の手前に引いたのがイリノイ州だ。2025年8月に成立したウェルネス・心理資源監督法（Wellness and Oversight for Psychological Resources Act、WOPR法）は、認可を受けた専門職以外が治療や心理療法を提供、宣伝することを禁じ、インターネット上のAIも対象に含めた。州法は、認可専門職がAIに独立した治療判断、利用者との治療上の対話、専門職の確認を経ない治療計画の作成、感情や心理状態の検知を担わせることも禁じ、違反1件あたり最大1万ドルの民事制裁金を定めている。

AIの利用が全面的に排除されたわけではない。予約管理、請求処理、治療上の助言を含まない連絡文の作成など、認可専門職を支える事務用途は残された。規制対象は技術そのものではなく、AIが人に代わって治療判断や治療上の対話を担う場面である。

オレゴン州──禁止より危機対応と表示

オレゴン州のSB 1546は別の線を引いた。対象は、人間らしい応答や関係の継続を主な目的とするAIコンパニオンと、その提供基盤である。成立法は、利用者が人間と話していると受け取りうる場合にAI生成の応答だと表示し、自殺念慮や自傷意図を検知する手順、危機窓口への案内、未成年者向けの追加措置、紹介件数などを示す年次報告を事業者に求めている。確認できる損害を受けた利用者には、損害賠償と差し止めを求める民事上の手段も設けた。

両州の違いは規制対象に表れる。イリノイ州は治療・心理療法という行為を資格制度の側から囲い、オレゴン州は人間との関係を模した会話サービスに安全措置を課した。同じ「心の相談に応じるAI」でも、治療を名乗るか、利用者との関係をどう設計するかで適用される規則は変わる。

日本のAI法は横断的な枠組み

日本では、人工知能関連技術の研究開発及び活用の推進に関する法律（AI法）が2025年6月に公布され、同年9月に全面施行された。内閣府の説明によると、AI法はイノベーションの促進とリスク対応を両立させるため、AI戦略本部、基本計画、指針整備、情報収集や調査の土台を置く法律である。特定のサービス類型について、危機対応や人間への引き継ぎ方法を直接定める構造ではない。

心理職の資格を定める公認心理師法も、焦点は人の資格と業務にある。同法は、登録を受けた者を公認心理師と定義し、心理状態の観察・分析や相談、助言などの業務と、「公認心理師」「心理師」を含む名称の使用制限を定めている。AIサービスを公認心理師と表示すれば名称規制が問題になりうる一方、AIコンパニオンの表示、危機対応、監査記録を一体で定めた法律ではない。

厚労省指針が残した生成AIの空白

日本国内の情報差が最もはっきり表れたのは、自殺対策のSNS相談に関する最新資料だ。厚生労働省が2026年3月に改訂した指針は、チャットやスマートフォンアプリを使う相談事業について、相談員、監督者、地域の支援機関との連携、緊急時の対応手順を詳しく示した。同指針は、傾聴と支援先への接続を人が中心で担うことが重要だとしたうえで、生成AIの活用は慎重に可能性を探る段階にあるため、今回の改訂では言及しないと明記している。

これは生成AIの利用を禁じる記述ではなく、安全要件を定めた記述でもない。人が対応するSNS相談には複数人での判断や警察・医療・行政との連携が示される一方、AIが単独で応答するサービスへ同じ体制をどう適用するかは資料の外に残った。日本で心理支援AIに特化した公的ルールを確認できない、という本稿の結論はこの範囲に限られる。

次に問われる三つの義務

米2州と日本の資料を並べると、制度設計の論点は三つに絞られる。第一は、利用者にAIとの対話だと明示する表示義務。第二は、自殺念慮や自傷意図を示す入力を受けた際の検知、応答停止、人による相談先への接続。第三は、会話データの保存、学習利用、第三者提供を説明し、後から検証できる記録を残す責任である。

個人情報の扱いには既存の規律が及ぶ。個人情報保護委員会は、生成AIへ入力した個人情報が学習に使われ、正確または不正確な内容として出力されるリスクがあるとし、事業者には利用目的の範囲と学習利用の有無の確認を求めている。ただし、この注意喚起は心理支援AIの危機対応を定めたものではない。個人情報保護と、応答内容の安全管理は別の制度課題として残る。

AIブラウザー6製品、偽ゲームで認証情報を送信　権限設計に死角

APPI News 編集部 — Sat, 01 Aug 2026 00:00:00 GMT

「BioShocking」は、偽のゲーム画面でAIブラウザーの判断を変え、ログイン済みサービスから情報を取り出させる攻撃の概念実証だ。サイバーセキュリティー企業LayerXは2026年6月29日、5種類のAIブラウザーと1種類のブラウザー拡張機能で試し、6製品すべてが最終段階の操作を拒まなかったと公表した。実証環境で持ち出されたのは平文で置かれた試験用のSSH認証情報であり、現実の利用者が被害を受けた事件の報告ではない。

LayerXの報告によると、対象はChatGPT Atlas、Comet、Fellou、Genspark Browser、Sigma Browser、Claude Chromeで、偽のゲームを終えた6製品はいずれも試験用の認証情報を取得して外部へ送った。AIエージェント（AI agent）が信頼できないウェブページを読む機能と、利用者の認証済みセッションを操作する権限を同時に持つ設計が、被害の経路になった。

誤答を正解に変えるゲーム

研究者のRoy Paz氏は、ゲーム「BioShock」の海底都市を題材にした「Rapture Games」というページを用意した。最初の問題では「2＋2＝5」という誤答がゲーム上の正解になる。AIは誤った行動が勝利につながるという文脈を受け入れ、通常なら拒む操作にも同じ規則を当てはめていった。

これは、細工した入力や参照データでモデルの指示をすり替えるプロンプトインジェクション（prompt injection）と、達成目標の操作を組み合わせた形だ。最後の問題で示された「/code」は、実証では利用者の勤務先を想定したGitHubリポジトリーへ転送された。そこに置かれたテキスト欄からSSH認証情報を読み取り、ゲームの回答として送るまで、追加の確認は入らなかった。

実証用のファイルは無害だった。ただし、認証済みのブラウザー内で同じ誘導が成立すれば、接続先は別のタブ、社内ツール、非公開リポジトリーにもなりうる。回答文だけを生成するAIと異なり、ブラウザー型のエージェントはページを開き、内容を読み、別の場所へ送る一連の操作を担う。操作権限が広いほど、一度の判断ミスが情報流出まで進む。

修正状況──6社共通の検証結果ではない

LayerXの開示表では、OpenAIのChatGPT Atlasは2025年10月30日の通報後に「修正済み」とされた。PerplexityのCometは通報を終了扱いとし、Fellou、Genspark、Sigmaの各社は無回答だった。AnthropicのClaude Chromeには2026年1月26日に通報され、修正は実証を遮断しなかったと記録されている。

SecurityWeekもLayerXへの取材に基づき、OpenAIは修正、Anthropicの修正は機能せず、Perplexityは対応せず、残る3社は回答しなかったと報じた。ただし、これらはLayerXが示した通報結果の整理である。各社が同じ条件で再試験し、技術的な変更内容まで公開した横並びの検証ではない。

問題はモデルの返答より権限の接続

BioShockingの成立には二つの条件が重なる。第一に、エージェントが信頼できないウェブページの文章を作業指示として解釈する。第二に、そのエージェントが利用者のログイン状態を使い、別のサービスにある情報を読み取れる。入力元の信頼性と操作先の権限が分離されていなければ、モデルの拒否判断が破られた時点で、認証済み資源まで同じ経路で動く。

特定のゲーム文言を遮断する修正は、今回の再現手順には効いても、別の物語や業務指示に偽装した攻撃まで防ぐ保証にはならない。求められるのは、機密情報の読み取り、外部送信、アカウント変更などの操作で人の確認を必須にし、エージェントから見えるサービスと権限を作業単位に絞る設計だ。通常業務のブラウザープロファイルから分離し、短時間で失効する権限と操作ログを組み合わせれば、一つの防御が破られた後の影響を限定しやすい。

日本の指針は複数の防御を要求

デジタル庁の「行政の進化と革新のための生成AIの調達・利活用に係るガイドライン2.0」は、細工した外部データをモデルに参照させる攻撃を間接プロンプトインジェクションと定義し、外部参照データの検証、入出力の検証、オーケストレーターやRAGの権限管理などを対策に挙げる。AIの性質上、脅威の要因を完全に排除することは難しく、単独の対策に依存せず複数の防御を講じるとの前提も明記した。

同ガイドラインは政府機関による生成AIの調達と利用を対象とする。民間のAIブラウザーに安全性を認定する制度ではなく、今回の6製品の修正状況を保証する資料でもない。国内で6製品を同じ条件で横断評価した公的資料は、本稿の執筆時点で確認できていない。企業が導入を判断する際は、製品名や修正済みという表示より、アクセス制御、人の確認、ログ、利用終了後の権限失効を実際の設定で確かめる必要がある。

よくある質問

BioShockingは実際の情報漏えい事件なのか
LayerXが管理した環境で行った概念実証である。試験用のGitHubリポジトリーに平文で置いた無害な認証情報を使っており、実在する企業から認証情報が盗まれた事件や、大規模な悪用を示す報告ではない。

ChatGPT Atlasなら同種の攻撃をすべて防げるのか
そのようには判断できない。LayerXの「修正済み」は今回の実証に対する評価であり、異なる文脈や手順を使うプロンプトインジェクション全般への耐性を証明するものではない。

企業が導入前に確認する項目は何か
機密情報の読み取りや外部送信の前に人の承認が入るか、エージェントの参照先と操作権限を限定できるか、操作ログを残せるか、利用後に認証状態と権限を失効できるかが中心となる。モデルの拒否文だけで安全性を判断するのは不十分だ。

「ゼロトラスト」は製品ではない　日本政府と金融機関の段階導入

APPI News 編集部 — Fri, 31 Jul 2026 17:02:17 GMT

ゼロトラストアーキテクチャ（Zero Trust Architecture）は、社内ネットワークや会社支給端末を無条件に安全とみなさず、アクセスのたびに信頼の根拠を確かめる設計思想だ。米国立標準技術研究所（NIST）は2020年のSP 800-207で、防御の重心を固定されたネットワーク境界から利用者、資産、リソースへ移し、物理的な場所、ネットワーク上の位置、端末の所有者だけを理由に暗黙の信頼を与えないと定義した。認証を一度通過すれば、その後の操作まで安全と扱う方式ではない。

日本では、政府情報システム向けの適用方針と金融機関向けの調査が公表されている。ただし、どちらも全組織が同じ製品を同じ期限までに入れる計画ではない。業務と資産を把握し、対象を絞って導入し、運用結果を次の設計に戻す段階的な取り組みである。

「内側なら安全」という前提を外す

境界型防御は、組織のネットワークを内側と外側に分け、その境目で通信を制御する。ファイアウォールやネットワーク分離は現在も必要だが、クラウド上の業務システム、在宅勤務の端末、外部委託先との接続が増えると、内外の境界だけではアクセスの妥当性を説明しきれない。正規のアカウントが奪われた場合や、社内端末が侵害された場合には、接続元が内側に見えても不正な操作が起きる。

ゼロトラストが見るのは、利用者の本人性だけではない。端末が組織に登録されているか、OSやソフトウェアが安全な状態か、要求された操作が職務に必要か、普段と異なる場所や時間からの接続かといった情報を組み合わせる。条件を満たしても、付与するのはその操作に必要な最小限の権限にとどめる。

本人・端末・状況を一つの判断へ

アクセスの流れは、単純な三段階のチェックリストには収まらない。最初に利用者、端末、サービス、データを識別し、それぞれを管理対象として登録する。次に、本人認証と端末の状態確認を行い、アクセス先の機密性や接続時の状況をポリシーに照らす。許可した後もログや端末状態を観測し、条件が変われば追加認証や接続の遮断につなげる。

デジタル庁のDS-210は、政府情報システムへの適用方針を、①リソースを識別する、②主体とリソースを認証する、③ネットワークを安全とみなさない、④リソースの状態を確認する、⑤ポリシーで評価してアクセスを管理する、⑥リソースとアクセスを観測する、の6項目に整理している。元のIPアドレス、認証に使った要素、端末のOSや構成、位置情報などは判断材料の例であり、どれか一つが通行証になるわけではない。

日本政府の方針──一斉移行の工程表ではない

デジタル庁はDS-210を2022年6月30日に策定し、デジタル社会推進標準ガイドラインのうち、参考情報を示す「Informative」の文書に位置づけている。対象は政府情報システムのライフサイクル全体で、特定の製品や実装を採用すれば完了するという内容ではない。

DS-210は境界型防御の廃止も求めていない。ネットワークの送信元や宛先、ポートにもとづく制御は、複数あるアクセス制御の一つとして残る。変わるのは、ネットワークの内側に入ったという一点だけで後続のアクセスを許さず、利用者や端末など別の属性も評価する点だ。

公開資料から確認できるのは設計原則であり、各府省の移行完了率ではない。日本の政府機関を横断し、どのシステムが6方針を満たしたかを集計した公的資料は、本稿の執筆時点で確認できていない。

金融機関は調査から演習へ

金融分野では、金融庁が2021年に国内外の事例を調べた。同庁の委託調査は、ゼロトラストの導入や積極採用を進めていた国内金融機関は当時まだ少数で、検討する機関の主な目的はリモートワークの推進とクラウドサービスの活用だったと報告した。この結果は2021年時点の調査であり、現在の導入率を示す数字としては扱えない。

その後、論点はインシデント対応の訓練にも入った。金融庁が2025年10月に実施した「Delta Wall 2025」には銀行、信用金庫、信用組合、証券会社、資金移動業者、暗号資産交換業者など177先が参加し、境界型防御の限界を踏まえた内部対策とゼロトラストの意識向上が目的の一つに置かれた。演習への参加は、各社のシステムがゼロトラストへ移行済みであることを意味しない。日本の金融機関全体を横断した導入率も、公的資料では確認できていない。

導入は資産台帳から始まる

最初に要るのは製品の比較ではなく、守る対象の把握だ。利用者と権限、業務端末、サーバー、クラウドサービス、データ、業務フローを洗い出し、どの通信が何のために発生しているかを整理する。管理されていない端末や使われていない高権限アカウントが残れば、精密なアクセス制御の前提が崩れる。

金融庁の2021年調査は、現状把握・評価、リスク評価と方針策定、実装・導入、運用・展開のサイクルを繰り返す進め方を示した。既存の境界型防御とゼロトラストが長期にわたって共存する可能性も明記している。対象業務を絞って試し、誤判定、処理遅延、問い合わせの増加、ログの不足を確認してから広げる理由はここにある。

観測範囲を広げれば、侵害されたアカウントの動きは追いやすくなる。その一方で、利用者の接続場所や操作履歴を含むログが増える。誰がログを見られるのか、何の目的で使うのか、いつ消すのかを決めなければ、セキュリティ対策が新たなデータガバナンス上の負担になる。

よくある質問

ゼロトラストは特定の製品名なのか
製品名ではない。本人認証、端末管理、アクセス制御、ログ監視などを組み合わせる設計思想であり、一つの製品を入れただけでは完成しない。

ファイアウォールやVPNは不要になるのか
不要にはならない。デジタル庁の方針は境界型防御を否定せず、ネットワーク制御も複数の判断材料の一つとして扱う。VPNへ接続した後の利用者、端末、アクセス先を無条件に信頼しない点が違う。

多要素認証を導入すればゼロトラストになるのか
多要素認証は本人確認を強める要素だが、それだけでは端末の状態、アクセス先の機密性、必要な権限、接続後の挙動を評価できない。資産管理、最小権限、継続的な観測と組み合わせる必要がある。

医療データをAIにつなぐ「FHIR」　日本の共有基盤と実装の壁

APPI News 編集部 — Thu, 30 Jul 2026 17:06:47 GMT

FHIR（Fast Healthcare Interoperability Resources）は、電子カルテの情報をシステム間で交換するためにHL7が策定した規格だ。患者、検査結果、処方、アレルギーといった情報をリソース（Resource）という単位で表し、用途に応じて組み合わせる。AIにとっての意味は、病院ごとに異なる画面や文書をそのまま読むのではなく、項目とコードが明示されたデータを受け取る入り口が整うことにある。

FHIRの仕組み──病歴を共通の部品に分ける

HL7の仕様書は、交換する内容をリソースで定義し、個別の用途では複数のリソースを参照関係で組み合わせる設計を示している。患者の基本情報はPatient、検査値はObservation、処方はMedicationRequestというように役割を分ける。リソースには機械処理向けの構造化データと人が読める記述があり、XMLやJSONで表現される。RESTful APIを使えば、システムは患者単位や項目単位で検索、取得、更新を実行できる。

共通規格が必要なのは、同じ血液検査や薬剤でも、電子カルテの項目名、単位、コードが施設や製品によってそろわないためだ。FHIRは「検査結果」というリソースを用意するが、中身が正しいことまでは保証しない。元データの欠損、単位の誤り、ローカルコードから標準コードへの対応ミスは、変換工程で別に検証する必要がある。

自由記述を読むAIと、構造化データを扱うAI

大規模言語モデル（Large Language Model、LLM）は文章を処理できても、自由記述の診療録から正確な医療コードを取り出せるとは限らない。入院記録を使って六つのLLMを人間のコーダーと比較した研究では、ICD-10-CMコードの一致率はGPT-4が15.2％で最も高く、モデルが未確定の診断や過度に広いコードまで抽出する問題も確認された。研究対象や評価方法に依存する数字だが、読みやすい文章を返す能力と正確な符号化は別だと分かる。

構造化を組み込んだ試みもある。FHIRと腫瘍領域の共通データ要素mCODEを使い、自由記述から標準化プロファイルを生成したプレプリントは、SNOMED CTで87％、LOINCで90％、RxNormで84％の精度を報告した。ただし、この研究は腫瘍の臨床試験マッチングを想定した独自の枠組みを評価しており、前段のICDコード抽出研究とはデータ、モデル、正解条件が違う。数字を横に並べて「FHIRで精度が何ポイント上がる」と結論づける根拠にはならない。

FHIRがAIにもたらす利点は、精度を自動的に上げることではなく、入力の意味と形式を検査しやすくする点にある。どのResourceのどの項目を参照したかを追えれば、自由記述を丸ごと渡す場合よりも誤りの場所を切り分けやすい。モデルの性能、標準コードへの変換品質、データの欠損は、それぞれ別に測る必要がある。

日本では電子カルテ情報共有サービスに採用

日本でFHIRの実装を進める中心施策が、厚生労働省の電子カルテ情報共有サービスだ。厚生労働省はシステム事業者向けに技術解説書、FHIR記述データの手本、日本向け臨床情報プロファイルJP-CLINSへの導線を公開している。このサービスは全国医療情報プラットフォームの一部として整備されている。

同省の説明では、電子カルテ情報共有サービスは診療情報提供書、健診結果、傷病名、感染症、薬剤アレルギー、検査などを全国の医療機関や本人が共有・閲覧する仕組みである。医科診療所向けの標準型電子カルテも2026年度中の完成を目標に開発され、共有サービスから診療情報提供書や検査データを閲覧する機能が予定されている。

ここで整うのは診療情報を運ぶ基盤であり、AI向けの学習データベースそのものではない。医療機関をまたぐAI開発では、データを中央に集めずモデルの更新を共有する連合学習も選択肢になるが、FHIRと役割は異なる。FHIRはデータの意味と交換形式をそろえ、連合学習はデータを置いたまま共同学習する方法を扱う。

標準化しても残る権限と監査

医療データは、接続できれば自由に使える情報ではない。個人情報保護委員会と厚生労働省のガイダンスは、診療記録にある病歴、診療・調剤情報、健康診断の結果などを要配慮個人情報とし、取得や第三者提供には原則として本人の同意が必要だと示している。FHIRで形式をそろえても、利用目的や提供先をめぐる法的な判断は消えない。

技術仕様にも境界がある。HL7はFHIR自体が特定のセキュリティ実装を必須にするものではないと説明し、認証と認可にはOAuth、記録にはAuditEventリソースの利用を挙げている。SMART App LaunchはOAuth 2.0を基礎に、利用者向けアプリと無人のバックエンドサービスについて、リソースの種類や読み書きの範囲をスコープ（scope）で制御する方式を定める。実際に誰へどの範囲を与え、異常な連続照会をどう検知し、ログを誰が調べるかは運用側の責任になる。

AIエージェントをFHIRサーバーへ接続する場合、この設計はさらに重くなる。人が画面を操作する速度を前提にした権限でも、自動処理なら短時間に多数の患者情報へ到達しうる。読み取り専用のスコープ、患者や期間による絞り込み、操作回数の制限、監査ログの警告条件を先に決めなければ、標準APIはリスクを広げる経路にもなる。

日本ではFHIRを使う共有基盤の仕様と導入資料は公開されている。一方、その基盤につないだ医療AIの精度や業務効果を全国規模で検証した公的資料は、本稿の執筆時点で確認できていない。実装を評価するときは、FHIR対応の有無ではなく、標準コードへの変換精度、欠損率、権限の粒度、監査可能性を個別に見る必要がある。

よくある質問

FHIRを導入すれば、AIの医療コード判定は正確になるのか
導入だけでは決まらない。FHIRは入力項目の意味と形式をそろえるが、元データの誤りや欠損、ローカルコードの変換ミス、モデル自体の誤りは残る。構造化した入力と自由記述の差を測るには、同じデータと同じ評価条件で比較する必要がある。

FHIRは従来の電子カルテをすべて置き換えるのか
置き換えを必須とする規格ではない。既存の電子カルテが保持する情報をResourceへ変換し、別のシステムと交換する使い方が中心になる。日本の電子カルテ情報共有サービスも、事業者向けにFHIR記述と実装の手順を示している。

FHIRなら患者情報の安全も保証されるのか
保証されない。FHIRは認証、認可、監査に使う仕組みを用意しているが、誰にどのデータの読み書きを許すかは導入側が決める。OAuthのスコープ、AuditEventリソース、組織内の監査手順を組み合わせて初めてアクセス管理が成り立つ。

漢方AIを導入する前に確認する六項目　規制・根拠・責任の見分け方

APPI News 編集部 — Wed, 29 Jul 2026 11:26:06 GMT

漢方AIの信頼性は、画面に示された回答や正解率だけでは測れない。問診記録から証を推定するソフト、処方候補を示すシステム、脈や舌の画像を解析する機器では、患者への影響も必要な検証も異なる。日本で導入前に確かめるべきなのは、規制上の位置づけ、知識とデータの出所、性能評価、診療情報の管理、電子カルテとの接続、誤りが生じた際の責任という六項目だ。

「漢方AI」という名称では規制区分は決まらない

最初の確認点は、製品が何を目的としているかだ。単なる記録や検索と、疾病の診断・治療を支援する出力は同じ扱いではない。厚生労働省の「プログラムの医療機器該当性に関するガイドライン」は、使用目的と処理方法を整理し、不具合が起きた場合に人の生命・健康へ及ぶリスクから該当性を判断する手順を示す。患者向けの説明、診療記録の保存・表示、低リスクの処理などは規制対象外となる典型例に挙げる一方、複数機能の一つでも定義を満たせば製品全体が流通規制を受けるとしている。

したがって、開発会社にまず求める資料は「AI搭載」という説明ではなく、使用目的、想定利用者、入力、出力、出力を誤った場合の影響を記した文書になる。診断や治療方針に関わると標ぼうしながら「参考情報にすぎない」と説明するだけでは、制度上の位置づけは決まらない。

第一項目──承認・認証の対象と範囲

医療機器に当たるなら、次に見るのは販売名と承認・認証の範囲だ。ウェブサイトの宣伝文句と、公的に確認された使用目的が一致するとは限らない。医薬品医療機器総合機構（PMDA）は承認されたプログラム医療機器の一覧を公開し、AI技術を用いた機能を持つ品目に印を付けている。ただし、有体物の医療機器に組み込まれたプログラムは掲載対象外となる場合があり、患者転帰の改善を意図しないAI機能も除くため、一覧はAI活用医療機器を網羅しない。

一覧に名前が見当たらないことだけで、未承認製品とは断定できない。確認には販売名、製造販売業者、承認・認証番号、使用目的の照合が要る。漢方AIを独立した製品区分として扱う承認一覧や専用評価指針は、本稿の執筆時点で国内の公的資料から確認できていない。

第二項目──学習資料と臨床根拠の出所

漢方AIでは、古典、現代の診療録、論文、医薬品情報が一括して「学習データ」と説明されがちだ。しかし、古典の出典が明らかであることと、現在の患者に対する性能が検証されたことは別の話になる。原典名と版、現代語訳の作成者、医案の選定基準、重複除去、注釈を付けた専門家、更新履歴を分けて確認する必要がある。

臨床根拠を照合する国内の資料もある。日本東洋医学会の「漢方治療エビデンスレポート（EKAT）」は、1986年以後に報告され、現在販売されている漢方製剤と同等の品質の製剤を使ったランダム化比較試験とメタ解析を収集し、研究デザイン、参加者、介入、評価項目、安全性などを統一形式で整理している。品質が不明な煎じ薬は対象外だ。AIが典籍を何冊読んだかという量より、出力の根拠がこうした検証可能な資料までたどれるかが判断材料になる。

第三項目──誰のデータで、何を測った性能か

精度の数字には、対象者、比較基準、データの分け方が付いていなければ意味がない。学習に使った患者と評価に使った患者が重なっていないか、別施設のデータでも性能が保たれたか、見逃しと過剰な検出を別々に示しているかを読む。問診文の続きを当てる試験、資格試験の問題、実際の診療を想定した前向き試験は、測っている能力が異なる。

運用後の変化も確認対象だ。モデルや参照資料を更新した日、更新前後の性能、誤出力の報告窓口、利用停止の基準が記録されなければ、導入時の試験結果と現在動いている版を結びつけられない。出力ごとにモデルの版、入力、参照資料、利用者の採否を監査記録として残せるかが、推論経路の追跡性を左右する。

第四項目──診療情報の利用目的と管理

問診、病歴、処方、検査結果を扱うなら、入力内容がどこへ送られ、何の目的で保存され、再学習に使われるかを確認する。個人情報保護委員会の医療・介護分野向けガイダンスは、診療録に記された病歴、診療や調剤の過程で得た身体状況、健康診断の結果などを要配慮個人情報の例に挙げる。取得と個人データの第三者提供には原則として本人同意が必要で、要配慮個人情報はオプトアウトによる第三者提供の対象にならない。

氏名を外せば自由に学習へ回せるわけでもない。厚生労働省が2024年に周知した医療デジタルデータのAI研究開発向けガイドラインは、共同研究から製品開発へ進む場面を想定し、研究開発の段階ごとの法的根拠、仮名加工情報の作成手順、共同利用の運用を整理している。委託先、保存先の国・地域、保存期間、削除手順、再学習への利用、事故時の連絡経路までが確認事項になる。

第五項目──電子カルテとつながる範囲

「FHIR対応」という表示も、接続できる範囲を保証しない。FHIR（Fast Healthcare Interoperability Resources）は医療情報を交換するための規格であり、製品が読み書きする項目、使うコード、版、接続試験の有無は実装ごとに異なる。厚生労働省は電子カルテ情報共有サービス向けに技術解説書とFHIR記述データの手本を公開し、診療情報提供書、健診結果、患者サマリーなどの実装資料を示している。

一方、漢方固有の証、舌・脈の所見、処方を選んだ根拠が共通形式で交換されることを示す国内の公的資料は、本稿の執筆時点で確認できていない。製品側が「電子カルテ連携」と表示していても、患者基本情報の受け渡しに限るのか、処方や検査値を双方向で扱うのか、漢方固有の記録は自由記載のままかを切り分ける必要がある。

第六項目──最終判断と事故対応の責任

日本の公的整理では、AIは診療の主体ではない。厚生労働省は2018年の通知で、診断・治療支援AIは医師が主体となる判断の一部で情報を示す支援ツールであり、AIを利用した場合も診断・治療の主体は医師で、最終判断の責任を負うとした。漢方を扱うシステムでも、AIの出力が医師の判断を置き換えるという説明はこの整理と整合しない。

ただし、この通知だけで開発会社や医療機関の責任分担がすべて決まるわけではない。誤出力、学習データの欠陥、システム障害、表示と承認範囲のずれ、情報漏えいでは原因も関係者も変わる。契約書には、監視を担う主体、更新を承認する手順、事故を報告する窓口、ログの保存期間、患者への説明、停止と復旧の決定権を具体的に置く必要がある。

六項目を一枚で照合

確認項目	見る資料	判断できること
規制上の位置づけ	使用目的、承認・認証番号、添付文書	公的に確認された機能の範囲
学習資料と根拠	資料一覧、選定基準、注釈手順、引用先	出力の根拠を追跡できるか
性能評価	対象者、比較基準、施設外検証、版履歴	数字が実際の利用場面を反映するか
診療情報の管理	利用目的、同意、委託先、保存・削除手順	患者データがどこで何に使われるか
相互運用性	FHIRの版、交換項目、コード、接続試験	どの記録をどこまで受け渡せるか
責任と事故対応	監査ログ、契約、報告窓口、停止基準	誤りを誰が検知し、誰が対応するか

六項目は、製品の価値を一つの点数に置き換えるための表ではない。規制への適合、臨床上の根拠、データの保護、運用責任は別々に確かめる必要がある。どれか一つの資料を、残りすべての証明として扱わないことが、漢方AIを評価する出発点になる。

AI向けASICはGPUを置き換えるか　用途を分ける設計と採算条件

APPI News 編集部 — Wed, 29 Jul 2026 03:10:00 GMT

AI向けASIC（Application-Specific Integrated Circuit）は、機械学習で繰り返す演算に合わせて回路とデータの流れを設計した集積回路だ。多数の演算器をソフトウェアから使い分けるGPUに比べ、対象を絞ることで不要な処理やデータ移動を減らせる。ただし、ASICが常にGPUより速く安いわけではない。処理内容が固まり、十分な稼働量が見込めて初めて、開発費と専用ソフトへの投資を運用時の効率で回収する道が開く。

構造の違い──汎用の並列処理と用途別の回路

GPUは多数の演算器を備え、プログラムを変えて画像処理、科学技術計算、AIの学習や推論を走らせる。新しいモデルや演算が登場しても、対応するソフトウェアを用意すれば同じハードウェアを転用しやすい。この柔軟性が、モデル構造を何度も変える研究開発で強みになる。

ASICは特定用途向け集積回路の総称であり、必ずしも一つの計算しか実行しないチップを意味しない。違いは、想定する用途に合わせて演算器、メモリー、通信経路の構成を設計段階から絞り込む点にある。Google Cloudの公式資料は、機械学習向けASICであるTPUが行列積を主な処理とし、TPU v6eとTPU7xの行列乗算ユニット（MXU）では256×256個の積和演算器をシストリックアレイとして配置すると説明している。データを演算器の間で順に渡し、行列計算中のメモリーアクセスを抑える設計だ。

推論向けとは限らない

運用中のモデルで同じ形の計算を大量に繰り返す推論は、用途特化の効果を得やすい。低遅延や電力効率を優先し、処理量を高い水準で維持できるサービスなら、専用回路に投じた費用を一回あたりの計算費用で薄められる。imec IC-Linkは、推論では低遅延とエネルギー効率の比重が高まり、処理が安定して量も大きい場合にASICが適すると整理している。

一方、「ASICは推論、GPUは学習」と固定するのも正確ではない。GoogleのTPUは学習と推論の双方に使われ、AWSは学習向けのTrainiumと推論向けのInferentiaを展開する。AWSの公式資料によると、共通の開発環境NeuronはTrainiumとInferentiaに対応し、PyTorchやJAX、vLLMを使った学習から本番推論までを支える。用途特化の範囲は製品ごとに異なり、チップの呼び名だけでは担当する工程を決められない。

採算を決める四つの条件

第1は処理の安定性だ。回路を決めた後にモデルの主要演算や必要な精度が変われば、既存チップの利用率が下がり、場合によっては再設計が要る。GPUなら新しいカーネルやライブラリーで追随できる余地が広い。

第2は稼働量である。ASICでは論理設計、検証、IPの組み込み、製造用データの作成、試作、量産立ち上げに先行費用が発生する。処理量が少なければ、市販GPUを必要な分だけ調達するほうが総費用を抑えやすい。逆に、同じ処理を長期間、高い稼働率で回せる事業者は、電力と台数の削減を積み上げやすい。

第3はソフトウェアと人材だ。専用回路の性能を引き出すにはコンパイラー、演算ライブラリー、監視、障害解析までそろえる必要がある。imec IC-Linkは、GPUには成熟したソフトウェア基盤と経験者の層があり、カスタムチップでは統合と保守の負担が増えると指摘する。チップ単体の消費電力だけを比較しても、運用全体の採算は分からない。

第4は供給網だ。先端プロセスの製造枠、設計IP、高帯域メモリー、パッケージ基板のどれかが欠ければ量産は止まる。設計会社は回路図をつくるだけでは足りず、製造委託先とパッケージ、試験工程をつなぐ役割も負う。案件ごとの価格と歩留まりは契約や設計条件で変わるため、「何個つくれば必ずGPUより安い」という共通の境界は置けない。

日本企業は設計から量産までをつなぐ

日本のカスタム半導体企業も、顧客の構想を製造可能なチップへ落とし込む工程を事業にしている。ソシオネクストはカスタムSoCについて、商品化の上流から入り、世界の製造パートナーやIP・ツール企業と連携し、システム設計から生産・品質管理までを一気通貫で支援すると説明している。公式サイトが示す対象にはフロントエンドとバックエンドの設計、低消費電力化、ソフトウェア、製造技術、SoCパッケージが含まれる。

この役割は、クラウド事業者が自ら半導体工場を持たなくてもASICを開発できる理由の一つだ。ただし、日本国内の同一案件でGPUとASICを動かし、設計費、電力、保守費を同じ条件で比べた公的資料は、本稿の執筆時点で確認できていない。国内企業が工程を担っている事実と、特定のAIサービスでASICの採算が成立するかどうかは分けて見る必要がある。

GPUを選ぶ場面

モデルの構造が頻繁に変わる開発、利用量をまだ読めない新規サービス、複数種類の処理を同じ設備で回す環境ではGPUが選びやすい。既存の開発者、ライブラリー、監視ツールを引き継げる点も大きい。Google Cloudも、行列計算が中心の大規模モデルをTPU向けとする一方、独自演算が多いモデルや頻繁な分岐、高精度計算を要する処理はTPUに適さず、GPUやCPUを含めて選ぶよう案内している。

ASICへの移行はGPUの全面的な置き換えではなく、安定した処理を専用回路へ切り出す判断だ。学習か推論かという一語で決めず、演算の形、変更頻度、稼働量、ソフトウェア移行費、供給網を同じ表で比べる必要がある。

よくある質問

ASICとGPUの根本的な違いは何か
ASICは想定用途に合わせて演算器、メモリー、通信経路を設計する集積回路で、GPUは多数の演算器をプログラムから使い分ける並列プロセッサーだ。GoogleのTPUでは、ニューラルネットワークの行列計算に合わせたMXUが演算の中心を担う。

AIの推論なら必ずASICが安くなるのか
必ずしも安くならない。処理量が少ない場合やモデルの変更が続く場合は、設計費と専用ソフトの保守費を回収しにくい。ASICの採算にはアルゴリズムの安定性、量産規模、人材、製造プロセスとパッケージの確保を含めた評価が要る。

ASICはAIモデルの学習には使えないのか
使われている。GoogleのTPUとAWSのTrainiumは学習を支える用途特化チップであり、専用回路だから推論に限られるわけではない。選択を左右するのは、対象の演算が回路に合うか、モデル変更にソフトウェア側で追随できるかという条件だ。

米42州、OpenAIに召喚状　IPO前に健康データと未成年対応を調査

APPI News 編集部 — Thu, 23 Jul 2026 00:00:00 GMT

米国の42州司法長官がOpenAIへの調査に入り、ニューヨーク州が同社へ召喚状を送達した。召喚状は広告、利用者の関与と定着、消費者・健康データ、未成年者と高齢者への対応、深層学習モデル、社内方針に関する文書を求めている。2026年6月に明らかになったこの動きは、OpenAIが新規株式公開（Initial Public Offering、IPO）に向けた書類を米当局へ出した直後と重なった。

調査の開始と違法認定は同じではない。AP通信は、OpenAIが州司法長官の懸念を重く受け止め、調査に建設的に対応すると表明したと報じた。召喚状そのものは公開されておらず、各州がどの法令違反を視野に入れ、どの期間の記録を求めたのかは確認できない。現段階で確かなのは、消費者保護当局が一つの対話画面をめぐる広告、データ、安全設計をまとめて調べ始めたことだ。

調査対象──広告から健康データまで

要求された文書の幅は、問題を広告表示だけに絞れないことを示す。利用時間や再訪を促す仕組み、入力された情報の扱い、未成年者や高齢者への保護策、モデルの応答傾向、事故時の社内対応は相互に関係する。利用を長引かせる設計が広告収入と結びつく一方、同じ画面に健康状態や心理面の悩みが入力されれば、データ利用と安全管理の境界が曖昧になる。

米国の州司法長官は今回が初めてAI企業の児童対応を問題にしたわけではない。全米司法長官協会によると、2025年8月には超党派の44州・地域の司法長官が主要AI企業へ書簡を送り、子どもと対話する製品の設計で安全を優先するよう求めた。当時は特定の執行措置を示さない警告だった。今回の召喚状は、OpenAIに記録の提出を求める段階へ進んだ点が異なる。

健康情報はHIPAAだけでは捉えきれない

米国の医療プライバシーを考える際、医療保険の相互運用性と説明責任に関する法律（Health Insurance Portability and Accountability Act、HIPAA）が基準になる。ただし、HIPAAが直接規律するのは医療機関、医療保険者、医療情報交換機関と、その業務提携先などだ。一般向けサービスに利用者が自ら入力した情報が、常にHIPAAの保護対象になるわけではない。

対象外なら法規制が消えるわけでもない。米連邦取引委員会（FTC）は、HIPAAの対象外で健康情報を集める企業にも、不公正・欺瞞的な行為を禁じるFTC法や、一定の健康アプリなどに漏えい時の通知を求める健康情報漏えい通知規則が関わると説明している。今回の召喚状が健康データを独立した項目として挙げた意味は、病院の電子カルテとは異なる経路で集まる情報を、消費者保護の側から検証する点にある。

IPOで問われるのは調査の重要性

OpenAIは2026年6月8日、IPOに向けた登録届出書案を米証券取引委員会（SEC）へ非公開で提出したと公表した。同社は上場時期を決めておらず、非公開提出された書類の中身も外部からは見えない。したがって、今回の調査がすでに届出書へ記載されたと断定する材料はない。

それでも、上場準備と調査の時期が重なったことは重要だ。SECの手続きでは、非公開で審査を受けた登録届出書案とその修正版は、ロードショーの少なくとも15日前までに公開提出する必要がある。公開書類のリスク要因には投資判断に重要な事項が記載される。42州の調査をどの程度のリスクとして扱うかはOpenAIが重要性を評価し、SECの審査を受ける論点になる。

日本での接点──入力前の確認を求めた個人情報保護委員会

日本では、病歴や健康診断の結果などが個人情報保護法上の要配慮個人情報に含まれる。個人情報保護委員会のガイドラインは、要配慮個人情報の取得と第三者提供には原則として本人の同意が必要で、オプトアウトによる第三者提供は認められないと説明する。もっとも、入力内容が要配慮個人情報に当たるか、誰が取得・利用するのかは、サービスの機能と利用場面に沿って判断する必要がある。

同委員会は生成AIに絞った注意喚起も出している。2023年6月の公表資料は、一般利用者に対し、入力した個人情報が機械学習に使われたり、正確または不正確な形で出力されたりするリスクを踏まえ、利用規約とプライバシーポリシーを確認するよう求めた。同時にOpenAIへ、要配慮個人情報の取得と利用目的の通知について注意喚起した。

米国の召喚状を日本の制度へそのまま当てはめることはできない。州司法長官が担う消費者保護の執行と、日本の個人情報保護委員会による監督は権限も手続きも異なる。日本で同じ範囲の調査がOpenAIに対して始まったことを示す公的資料は、本稿の執筆時点で確認できていない。一方、健康や心理に関する情報を対話型AIへ入力する場面が、医療機関内のデータ処理とは別の規律を要するという論点は共通する。

よくある質問

42州の召喚状でOpenAIの違法行為が確定したのか
確定していない。召喚状は調査に必要な文書の提出を求める手段で、判決や行政処分ではない。参加州の全一覧と召喚状の全文も公表資料では確認できていない。

ChatGPTに入力した健康情報は米国でHIPAAに守られるのか
一律には当てはまらない。HIPAAは対象となる医療機関、医療保険者、その業務提携先などが扱う保護対象医療情報を規律する。一般向けサービスがHIPAAの対象外でも、FTC法や州法、健康情報漏えい通知規則が関わる場合がある。

調査はOpenAIのIPOを止めるのか
調査が始まっただけでIPOが停止するわけではない。OpenAIは上場時期を決めておらず、登録届出書案も非公開だ。今後の公開書類で調査をどう開示し、投資家がそのリスクをどう評価するかが焦点になる。

AI医療機器、米日欧で異なる線引き　低リスクと変更管理の設計

APPI News 編集部 — Mon, 20 Jul 2026 00:00:00 GMT

AI医療機器の規制は、AIという技術名ではなく、ソフトが患者や医療従事者の判断に何をもたらすかで入口が決まる。生活習慣の記録、診断画像の解析、治療方針の提示では、誤りが生む危害も利用者が結果を検証できる余地も違う。米国、日本、EUはいずれもこの差を制度に織り込むが、規制対象から外す条件、上市前審査、承認後の更新を扱う方法は同じではない。

米FDA──低リスク除外と医療機器審査を併用

米食品医薬品局（FDA）は、AI搭載製品を一括して規制対象にしているわけではない。2026年1月更新の一般健康製品に関する指針は、健康的な生活の維持や促進を目的とし、疾病の診断、治癒、軽減、予防、治療と無関係な一定のソフト機能は医療機器に当たらないと説明している。ここで外れるのは用途とリスクが限定された機能であり、AIを使う製品全般ではない。

臨床意思決定支援（Clinical Decision Support、CDS）にも別の線がある。FDAの2026年1月版指針は、医療従事者への推奨を示すソフトのうち、連邦食品医薬品化粧品法が定める条件をすべて満たす機能を医療機器の定義から除外する一方、定義に残るソフトには既存のデジタルヘルス政策が及ぶとしている。医療画像や検査機器の信号を解析せず、医療従事者が推奨の根拠を独立に検討でき、ソフトの出力だけに依存しない設計などが境界になる。

規制対象に残るAI医療機器は上市前審査を受ける。FDAは公開一覧に収録したAI医療機器について、用途と技術特性に応じた安全性・有効性の評価を含む上市前要件を満たしたと説明している。同時に、この一覧は承認文書などのAI関連用語から抽出したもので、網羅的ではないとも明記する。件数の多さだけで規制の緩急を測ると、収録方法の違いを見落とす。

日本──薬機法の該当性と承認後の変更計画

日本にも低リスクの除外がある。厚生労働省は、疾病の診断・治療を目的とし、意図どおりに動かなければ患者や利用者の生命・健康に影響するおそれがあるソフトを薬機法上の医療機器プログラムとし、健康への影響がほとんどない一般医療機器相当の機能を対象から外している。AIかどうかより、目的と不具合時のリスクが該当性を左右する点は米国と共通する。

対象に入った製品は、リスク区分と既存の認証基準の有無に応じ、登録認証機関による認証または厚生労働大臣の承認を経る。AI医療機器だけを別法で審査する仕組みではなく、薬機法の医療機器規制の中で性能や安全性を確認する形だ。厚生労働省が公表した会合議事録で、PMDAは2025年8月末までにAIを活用したプログラム医療機器55品目が承認され、内視鏡、CT、MRI、超音波、脈波、心電図などの解析に使われていると説明した。この55品目は日本のAI医療機器すべてを米FDAと同じ基準で数えた値ではない。

AIでは承認後の更新も審査設計の一部になる。新しいデータでモデルを改良するたびに性能が変われば、当初の承認範囲との関係を整理しなければならない。PMDAは医療機器変更計画確認申請制度「IDATEN」の通知に加え、AI関連医療機器とプログラム医療機器の変更計画に関するQ&A、申請書の記載事例を公開している。あらかじめ確認された変更計画に沿って改良する仕組みであり、「審査するか、自由に更新するか」という二者択一を避ける。

EU──医療機器規則にAI法の義務を重ねる

EUでは、医療機器規則（MDR）または体外診断用医療機器規則（IVDR）の適合性評価が先にあり、条件を満たすAIにはAI法が重なる。AI法第6条は、附属書IのEU調和法令が対象とする製品の安全部品となるAI、またはAI自体が製品であり、その製品の上市に第三者適合性評価が必要な場合を高リスクAIに分類する。医療機器と体外診断用医療機器は附属書Iに含まれるため、第三者評価が必要な製品ではこの条件が効く。

高リスクに分類されると、リスク管理、データとデータガバナンス、技術文書、ログ、人への情報提供、人による監督、精度・堅牢性・サイバーセキュリティが要件になる。MDRやIVDRの審査を終えればAI法への対応が不要になるわけではない。一方、すべての健康アプリや医療ソフトが自動的に高リスクへ入るわけでもなく、製品規制の対象と第三者評価の要否が分岐点になる。

比較の焦点は件数より境界と更新

三制度の違いは「米国は緩く、EUは厳しく、日本はその中間」という一列の順位には収まらない。米国は一般健康用途と一定のCDSを医療機器の定義から外し、対象に残る機器は上市前審査と市販後規制で扱う。日本は薬機法上の該当性を目的と危害の可能性から判断し、認証・承認に加えてIDATENで予定された変更を扱う。EUは既存の製品安全規制に、高リスクAI向けの横断的な義務を重ねる。

比較するときは、第一にどの機能が医療機器へ入るか、第二に上市前に誰が何を審査するか、第三にモデル更新をどの手続きで管理するかを分けて見る必要がある。公開件数はその後の指標だ。FDAの一覧は網羅的ではなく、日本の55品目はプログラム医療機器の承認数で、EUは製品規制とAI法の双方を読む必要がある。分母と収録範囲がそろわない数字を並べても、審査速度や患者保護の強さは判定できない。

日本については別の情報差も残る。承認品目と制度の資料は公開されているが、AI医療機器の導入施設数、継続利用率、診療報酬上の評価を横断した公的統計は、本稿の執筆時点で確認できていない。上市許可の件数は入口を示すにとどまり、医療現場への定着や臨床上の価値まで表す数字ではない。

よくある質問

FDAは低リスクのAI医療機器をすべて審査対象から外したのか
外していない。一般健康用途の指針は、疾病の診断や治療などと無関係な低リスク機能を扱う。CDSの除外にも法定の条件があり、医療画像や機器の信号を解析する機能、医療従事者が推奨根拠を独立に検討できない機能などは同じ扱いにならない。

日本ではAIを使えば自動的に医療機器になるのか
ならない。判断の軸はAIの使用そのものではなく、疾病の診断・治療という目的と、不具合が生命・健康へ与える影響である。健康への影響がほとんどない機能は薬機法上の医療機器プログラムから外れる。

EUでは医療機器のAIがすべて高リスクになるのか
一律ではない。AI法第6条第1項では、対象製品がEU調和法令の範囲に入り、上市に第三者適合性評価を要することが条件になる。医療用途をうたうか、どのリスク区分に入るか、第三者評価が必要かを順に確認する必要がある。

GPT-5 Pro、3年越しのT細胞研究に仮説　未発表実験の予測と限界

APPI News 編集部 — Sat, 18 Jul 2026 00:00:00 GMT

生成AI（Generative AI）が科学研究で示した成果を評価するには、仮説を出した段階と、実験で確かめた段階を分ける必要がある。GPT-5 Proが免疫学者Derya Unutmaz氏の未発表データを解析した事例では、T細胞の挙動を説明する機序を提案し、手元にあった別の実験結果と同じ方向を予測した。ただし、その検証データは未公表で、第三者による独立追試ではない。

2022年の実験をGPT-5 Proで再検討

Unutmaz氏は米Jackson Laboratoryの免疫学者で、University of Connecticutの教授も務める。OpenAIが2026年6月23日に公開した事例ページによると、研究の起点は2022年に行ったヒトT細胞の実験だった。研究室は結果を説明できず、実験をいったん棚上げし、2025年後半にGPT-5 Proへデータを入力した。

実験では、ヒトのCD4陽性T細胞を低グルコース環境または2-デオキシ-D-グルコース（2-deoxy-D-glucose、2-DG）の存在下で活性化した。2日後に処理を終え、インターロイキン2（Interleukin-2、IL-2）を加えて2週間培養すると、2-DGで処理した細胞は炎症反応に関わるTh17様の状態へ強く偏った。低グルコース条件でも同じ方向の変化はあったが、2-DGほど大きくなかった。単純なエネルギー不足では差を説明しきれなかった。

糖代謝ではなく糖鎖修飾に着目

GPT-5 Proは17分間の推論後、2-DGによる解糖の阻害とN-結合型糖鎖付加の障害を切り分け、後者によってIL-2受容体のシグナルが弱まり、Th17細胞への分化を抑える作用が外れたとの仮説を示した。影響を担うのはナイーブT細胞ではなくメモリーT細胞だとも予測した。研究室が見落としていた接続だが、Unutmaz氏は既知の免疫学と整合する説明だったとしている。

モデルはマンノースを加えて糖鎖付加を回復させる救済実験など、仮説を切り分ける追試も提案した。研究室は同種の実験をすでに行っており、結果は予測と一致した。一方、この部分に関しては、近い内容のマンノース救済実験を含むプレプリントがbioRxivで先に公開されていた。モデルが学習時に関連する手掛かりへ接していた余地は残る。

未発表の細胞傷害実験をどう予測したか

別の分析では、Unutmaz氏が2-DG処理後のCD8陽性T細胞について、免疫応答にブレーキをかけるPD-1とLAG-3の未発表データをGPT-5 Proへ提示した。モデルは、糖鎖付加の障害とT細胞受容体シグナルの減弱が両分子の発現低下につながるとの説明を返した。

続いてUnutmaz氏は、同じ細胞へ抗CD19キメラ抗原受容体を導入するキメラ抗原受容体T細胞（Chimeric Antigen Receptor T-cell、CAR-T細胞）の実験結果を予測させた。論文は、GPT-5 Proが作製時の短い2-DG処理によって標的がん細胞への傷害性が高まると予測し、研究室がすでに得ていた未発表結果と「ほぼ完全に」一致したと報告している。

この結果は、公開情報を要約しただけでは説明しにくい予測だったことを示す。ただし、照合したのは同じ研究室が保有するデータで、実験データ自体は公開されていない。論文中の評価は研究責任者による自己報告であり、第三者が条件と生データを点検した検証とは証拠の強さが異なる。

成果を支えた三つの条件

事例を再現するうえで必要なのは、モデルへのアクセスだけではない。第一に、実験条件と測定結果が整理されたデータが要る。第二に、出力が生物学的に妥当かを選別する専門家が要る。第三に、モデルへ見せていない実験結果か、新たに行う追試で予測を照合する必要がある。この三つがそろって初めて、流暢な説明と検証に値する仮説を分けられる。

今回の入力は、一般の利用者が集めた断片的な情報ではなく、研究者自身が実験条件を把握するフローサイトメトリーデータだった。モデルが示した案を採用したのも、その領域で長年研究してきた専門家である。生成AIの役割は探索する仮説の範囲を広げ、次に試す実験を絞る部分にあり、結果の確定は実験と査読が担う。

プレプリントが示す範囲

事例を収録した「Early science acceleration experiments with GPT-5」は、2025年11月20日にarXivへ投稿された89ページのプレプリントである。著者にはUnutmaz氏と複数のOpenAI所属者が含まれ、数学、物理学、生物学などでGPT-5を使った事例をまとめている。免疫学の章はUnutmaz氏自身が執筆したケース報告で、独立機関による比較試験ではない。

機序の一部には、糖鎖付加阻害剤を使う実験や、T細胞を活性化する初期段階でIL-2経路を詳しく調べる実験が残る。論文も、それらを未実施として明記する。従って「T細胞の謎が解明された」と結論づける段階ではなく、複数の追試へ進める具体的な仮説が得られた段階だ。

日本の研究現場で問われる検証設計

日本の研究機関がこの免疫学事例と同じ手順を追試し、再現性を示した公的な資料は、本稿の執筆時点で確認できていない。国内で同様の使い方を検討する場合も、研究データをモデルへ渡す権限と保存条件、出力を評価する担当者、事前に定めた検証実験を一組として設計する必要がある。モデルが出した仮説の採否と、研究成果として公表する判断を分ける運用も欠かせない。

研究支援AIの評価指標は、もっともらしい説明の数ではなく、事前に定めた条件で予測が再現するか、既知の結果を学習データから再生した可能性をどこまで排除したか、失敗例を含めて追跡できるかに置くべきだ。この事例が示したのは、生成AIが専門家の代わりに結論を出す姿ではなく、専門家が検証候補を早く組み立てる用途である。

よくある質問

GPT-5 ProはT細胞の機序を証明したのか
証明していない。N-結合型糖鎖付加、IL-2シグナル、Th17様細胞への分化を結ぶ仮説を示し、研究室が持つ一部の結果と整合した段階だ。論文が未実施とする追試と正式な査読が残る。

未発表のCAR-T実験を予測した事実は確認できるのか
研究室が先に行っていた実験について、2-DG処理後に細胞傷害性が高まるとの予測が未発表結果とほぼ一致した、と論文は記している。生データは公開されておらず、現時点で確認できるのは著者による報告までだ。

モデルが先行研究を覚えていただけではないのか
完全には排除できない。マンノース救済実験に近い結果はbioRxivで先に公表されており、論文もモデルがその情報を知っていた可能性を留保している。未公表だったCAR-T実験の予測は別の材料になるが、独立追試がなければ一般化はできない。

研究機関が導入時に先に決める事項は何か
入力データを扱う権限と保存条件、仮説を選別する専門家、モデルへ見せない検証データまたは追試計画、失敗を含む記録方法である。モデルの出力を研究上の結論として扱う前に、検証工程を固定する必要がある。

GPT-5.4が化学反応1万件を検証　自動実験室が示した発見の条件

APPI News 編集部 — Thu, 16 Jul 2026 00:00:00 GMT

生成AIが化学の仮説を出しても、実験で再現されなければ発見とは呼べない。OpenAIとポーランド発の化学スタートアップMolecule.oneは2026年6月17日、GPT-5.4と化学AI「Maria」、自動実験室をつなぎ、医薬品候補の合成に使われる反応を改良したと発表した。成果の中心はモデル単体の推論力ではなく、仮説を大量の実験へ落とし込み、測定結果を次の条件探索へ戻す一連の仕組みにある。

1万80件で検証したTEMPOの効果

対象は、第一級スルホンアミドとアリールボロン酸を結ぶChan–Lamカップリング（Chan–Lam Coupling）だ。銅を使って炭素―窒素結合をつくる反応だが、この基質の組み合わせでは目的物の収率が低くなりやすい。GPT-5.4は複数の研究課題からこの反応を選び、安定なアミノキシルラジカルであるTEMPOを穏やかな酸化剤として加える案を提示した。

OpenAIとMolecule.oneのプレプリントによると、96穴プレートを使った2回のスクリーニングでは、第一級スルホンアミド12種とボロン酸8種を組み合わせ、酸化剤、銅源、塩基、溶媒、温度などを変えた計1万80件の反応を調べた。最適化した条件では、目的物の推定平均収率が酸化剤を加えない対照の16.6%から25.2%へ上昇した。収率30%を超えた反応の割合も15.6%から37.5%へ増えた。

この数字は改善を示すが、反応が完成形に達したことを意味しない。平均収率は25.2%で、効果は基質に左右された。論文は、TEMPOがボロン酸を失わせる酸化的脱ホウ素化を抑えた可能性を示す一方、反応機構の確定には追加研究が必要だとしている。

モデル、自動実験室、人間の分担

OpenAIの公式発表では、科学者が評価用の指示を設計し、GPT-5.4が数千件の研究案を生成・順位づけした後、人間の化学者が上位案から実験に回す4件を選んだ。Mariaは選ばれた案を実験手順に変換し、測定データをモデルへ返した。人間は溶媒にジメチルスルホキシドを使わないよう計画を修正し、試薬の準備や最終確認にも関わった。

発表側が「完全自律」ではなく「near-autonomous」と呼ぶ理由はここにある。モデルは課題候補と仮説を広く探し、自動実験室は人手では処理しにくい数の条件を試した。人間は実験に進める案と安全上の修正を判断した。さらに化学者が代表的な14組を手作業で再現し、11組で収率が上がり、そのうち8組では2倍を超えた。信頼性を支えたのは、三者の役割を切り分けた検証工程である。

突破したのは探索量の制約

1万80件という規模は、候補が文献に存在するかどうかとは別の障壁を取り除いた。TEMPOはChan–Lam反応と無縁の物質ではなく、初期研究にも登場していた。今回のプレプリントが新規性として挙げるのは、第一級スルホンアミドを対象に、幅広い基質と条件でTEMPOの効果を系統的に調べた点だ。

したがって、この成果を「AIが人間の知らない化学を単独で発見した」と整理するのは正確ではない。探索空間を広く走査するモデル、微量試薬で多数の条件を処理する装置、結果を選別する測定系が結びつき、試行回数の制約を縮めた事例とみるべきだ。AI創薬全体でも、候補の提案から承認薬までには臨床試験を含む長い検証が残る。AI創薬の臨床段階と承認までの隔たりは、合成反応の改善と医薬品の有効性を分けて考える必要を示している。

日本で問われる実験基盤と運用

日本でも自動分注機やロボットアームを使う実験自動化の研究は進む。だが装置を導入すれば、同じ探索工程が直ちに動くわけではない。理化学研究所などの研究チームは2025年、実験操作の自動化が進む一方、装置向けの手順作成、試薬や消耗品の補充、センサー異常への対応は熟練者に依存し、処理速度の律速段階になると指摘した。

研究機関や製薬企業が今回の事例から検討すべき対象は、生成AIの性能だけではない。装置間で実験条件を受け渡す形式、失敗例を含む測定データ、試薬と機器の管理、異常時に止める権限、手作業で追試する工程が一体で要る。日本国内で同規模の生成AIと化学自動実験室を結び、開放的な課題設定から成果を得た事例を示す公的資料は、本稿執筆時点で確認できていない。

独立追試と製造規模への拡張が次の焦点

公開された論文はプレプリントで、著者はOpenAIとMolecule.oneの関係者である。外部の化学者4人が事前に内容を評価したと公式発表は説明するが、独立した研究室が同じ条件を再現した結果ではない。手作業の検証も代表的な14組に限られる。別の設備、より広い基質、製造に近い規模で同じ傾向が続くかは未確定だ。

今回示されたのは、生成AIが仮説づくりから実験結果の解釈まで研究工程の一部を担う形である。成果を左右したのは、1万件規模の試行を実物の反応へ変換する設備と、モデルの出力を止めたり確かめたりする人間の判断だった。独立追試が積み重なるまでは、化学研究の自動化を示す初期事例として評価するのが妥当だ。

よくある質問

GPT-5.4は人間の関与なしに化学反応を改良したのか
人間の関与は残った。科学者が評価用の指示をつくり、実験に回す案を選び、計画を一部修正した。試薬の準備と手作業による再検証も人間が担ったため、発表側は「near-autonomous」と表現している。

収率25.2%なら実用化に十分なのか
十分とは断定できない。平均値は対照条件より上がったが、基質による差があり、製造規模での再現性も調べられていない。30%という区切りは今回の分析で用いた指標であり、全ての製造工程に共通する採用基準ではない。

この成果から新薬が生まれたのか
新薬の発見や承認を報告した研究ではない。低収率になりやすい合成反応の条件を改善した段階で、特定の医薬品候補の有効性や安全性を示すデータは含まれていない。

AMD、MEXT買収でメモリー最適化　容量拡張と「メモリーウォール」の限界

APPI News 編集部 — Mon, 13 Jul 2026 00:00:00 GMT

AI向け計算基盤では、アクセラレーターの演算性能を引き上げても、必要なデータが届かなければ処理装置の待ち時間が増える。AMDは2026年6月15日、メモリー最適化を手がけるMEXTを買収した。AMDの公式発表は、MEXTの技術をデータセンター向け製品群へ組み込み、利用可能なメモリー容量の拡大と総保有コストの低減を目指すとしている。買収額と製品別の統合時期は明らかにしていない。

MEXTの仕組み──フラッシュをDRAMの補助層に

MEXTの予測型メモリー（Predictive Memory）は、アプリケーションのアクセス傾向を機械学習で読み、近く要求される可能性が高いページをフラッシュからDRAMへ先回りして移す。頻繁に使うデータは高速なDRAMに置き、利用頻度が低いデータは安価で大容量のフラッシュに退避させる階層化の一種だ。OSやアプリケーションからは、フラッシュをDRAMに近いメモリー領域として扱う設計である。

狙いは、搭載DRAMと同じ比率で物理メモリーを買い足さずに、扱えるデータ量を広げることにある。ただしAMDが発表で示した性能維持やコスト低減は、統合後の効果を見込む将来情報だ。対象ワークロード、フラッシュの構成、予測精度をそろえた第三者試験は公表資料で確認できず、導入効果を一律の数字には置き換えられない。

容量不足と帯域不足は別の制約

メモリーをめぐる制約には、モデルやデータが収まらない容量の問題と、演算器へデータを送る速度が足りない帯域幅の問題がある。MEXTが直接扱うのは前者だ。フラッシュを加えて実効容量を広げても、GPUに接続された高帯域幅メモリー（High Bandwidth Memory、HBM）自体の転送速度は上がらない。

2024年の論文「AI and Memory Wall」は、サーバーの演算性能が過去20年間に2年ごと約3倍で伸びた一方、DRAM帯域幅は約1.6倍、プロセッサー間の接続帯域幅は約1.4倍の伸びにとどまったと分析した。デコーダー型の大規模言語モデルでは、演算量よりメモリー転送が処理時間を決める場合がある。この演算性能とデータ供給速度の開きを「メモリーウォール」と呼ぶ。

TrendForceは、演算処理がメモリーからのデータ待ちで止まる構造を示し、GPUの近くにDRAMを積層するHBMがAIアクセラレーターの帯域確保で中心的な役割を担うと説明する。MEXTの階層化は、HBMやDRAMを不要にする代替策ではなく、高速メモリーの外側に低コストの容量を足す手段と位置づけるのが妥当だ。

予測が外れればフラッシュの遅延が表面化

先回りしたページが実際の要求と一致すれば、アプリケーションは低速な層への読み出しを意識せずに済む。予測が外れた場合はフラッシュからデータを取り出す時間が発生する。TechInsightsのアナリストはNetwork Worldに対し、ソフトウェアによる最適化は高価なDRAMの増設を遅らせる手段にはなるが、遅延に敏感な用途の高性能DRAMを置き換えられないと指摘した。

この限界は、容量を増やす技術と帯域を広げる技術を分けて評価する必要性を示す。大規模モデルを搭載するための容量が不足する構成では予測型階層化が候補になる。一定時間内に大量のデータをGPUへ送り続ける処理では、HBMの帯域、チップ間接続、先端パッケージングの設計が引き続き性能を左右する。

DRAM高騰がソフトウェアの採算を変える

買収の背景には、メモリー調達費の急増がある。TrendForceによると、2026年1〜3月のDRAM産業売上高は前四半期比81％増の970億ドルとなり、汎用DRAMの契約価格は同93〜98％上昇した。同社は、メーカーが供給を高容量のサーバー向け製品へ優先したため、PCやスマートフォン向けの供給が限られたと分析する。

DRAMの単価が上がれば、使用量を抑えるソフトウェアに割ける費用も増える。AMDにとってMEXTの買収は、CPUやGPUの単体性能に加え、メモリーとストレージを含むシステム全体の利用効率を販売価値に組み込む動きだ。ただ、2026年1〜3月の市況が今後も続くとは限らず、買収額が非開示のため投資回収の条件も評価できない。

日本での提供時期は未確認

AMDの発表はMEXTの技術を同社のデータセンター製品群へ統合する方針を示したが、対応製品、提供地域、料金を明記していない。本稿の執筆時点で、日本国内の導入先や提供開始時期を示すAMDまたは顧客企業の公表資料は確認できていない。国内での調達計画やコスト削減効果を具体的に見積もる段階にはない。

よくある質問

「メモリーウォール」はメモリー容量の不足を指すのか
狭い意味では、演算性能の伸びにメモリー帯域幅が追いつかず、データ転送が処理速度を制約する状態を指す。容量、帯域幅、遅延は関連するが、同じ指標ではない。

MEXTは何を予測するのか
アプリケーションが次に要求する可能性の高いメモリーページを予測し、フラッシュからDRAMへ先回りして移す。予測精度と対象ワークロードによって効果は変わる。

MEXTの技術があればHBMは不要になるのか
不要にはならない。MEXTは低コストのフラッシュを使って実効容量を広げる技術で、HBMの帯域幅を増やさない。遅延に敏感な処理では高速なDRAMとHBMが引き続き必要だ。

APPI News｜テクノロジー

中国でApple Intelligence届け出公表 現地AI連携と残る不明点

公告で確認できること

現地モデルが必要になる規制の仕組み

二社の役割──確定した範囲と空白

日本の利用者が確認すべき条件

正式提供までに残る確認事項

よくある質問

カルテを院外に出さずに医療AIを鍛える「連合学習」 仕組みと残る課題

連合学習とは何か

仕組み──動くのはモデル、データは動かない

日本の制度：要配慮個人情報と次世代医療基盤法

残る課題──情報の復元とデータの偏り

よくある質問

米FDA、携帯型眼底カメラ向けAIを承認 日本の公開情報に残る空白

携帯型カメラで何を自動判定するのか

自動検出と診断支援の境界

日本では臨床試験を実施、承認状況は判然とせず

性能値から見える導入後の課題

よくある質問

マスク氏の「Terafab」始動 168億ドル初期投資とTSMCへの影響

なぜファウンドリーを自前で持つのか

168億ドルと1190億ドル──数字が示す範囲の違い

インテルが加わり、完全内製の構図ではなくなった

TSMCとサムスンへの委託は当面続く

日本企業への波及はまだ確認できない

よくある質問

米FDA「TEMPO」始動 未承認デジタル医療機器とメディケア給付を接続

執行裁量──承認と同じではない

ACCESSが給付の入り口を担う

実臨床データと安全策

日本の二段階承認との違い

よくある質問

折りたたみスマホは誰に向くのか 大画面の実用性と購入前の五つの負担

向く使い方──複数アプリ、読書、カバー画面

26万9880円から 重さはiPhone 17より24g増

IP48の「4」は粉塵を完全には防がない

画面交換は一世代前でも8万円台

中古価値は米国調査で1年後35.4％

購入前は「開く回数」と総費用を確認

よくある質問

メモリー高騰、PCとGPUに波及 買い替え時に見る三つの指標

日本の売り場で起きた値上がり

上流ではDRAMとNANDの上昇が継続

AI向けメモリーが生産配分を変える

価格を見る三つの指標

待つか買うかを決める順序

よくある質問

SMS認証からパスキーへ 日本の金融機関で進む導入と機種変更の備え

なぜSMS認証だけでは足りないのか

パスキーの仕組み──入力する秘密をなくす

日本の金融サービスで進む実装

設定前に確認する三つの項目

機種変更と紛失への備え

よくある質問

スマホのOS更新、いつ入れるか 事前確認と元に戻せない場合の備え

最初に見るのは「大型更新か」より修正内容

更新前の四項目──バックアップからアプリ対応まで

更新後の電池消費 まず数日分の内訳を確認

旧版へ戻す前提で更新しない

よくある質問

Windows 11のメモリ使用率を見直す 先に変える四つの設定

使用率より先に、遅さとプロセスを確認

Microsoftが示した三つの改善策

先に見直す四つの設定

メモリ整合性は軽量化の対象にしない

RAM解放ツールは数字が下がった後を見る

よくある質問

介護の見守り機器は「AI」か 導入前に確かめる性能とデータ管理

日本の重点分野はAIを共通要件にしていない

固定ルールと学習モデル──違いは判定の中身

登録番号は性能保証ではない

誤報と見逃しを同じ表で見る

導入前に残すべき確認項目

よくある質問

「ChatGPT Health」は米国限定 日本の医療データ連携と責任の違い

ChatGPT Health──接続と削除は利用者が管理

日本のマイナポータルAPI──接続前に国が審査

審査が保証する範囲はデータ接続まで

確認すべき三つの項目

中国でApple Intelligence届け出公表　現地AI連携と残る不明点

カルテを院外に出さずに医療AIを鍛える「連合学習」　仕組みと残る課題

米FDA、携帯型眼底カメラ向けAIを承認　日本の公開情報に残る空白

マスク氏の「Terafab」始動　168億ドル初期投資とTSMCへの影響

米FDA「TEMPO」始動　未承認デジタル医療機器とメディケア給付を接続

折りたたみスマホは誰に向くのか　大画面の実用性と購入前の五つの負担

26万9880円から　重さはiPhone 17より24g増

メモリー高騰、PCとGPUに波及　買い替え時に見る三つの指標

SMS認証からパスキーへ　日本の金融機関で進む導入と機種変更の備え

スマホのOS更新、いつ入れるか　事前確認と元に戻せない場合の備え

更新後の電池消費　まず数日分の内訳を確認

Windows 11のメモリ使用率を見直す　先に変える四つの設定

介護の見守り機器は「AI」か　導入前に確かめる性能とデータ管理

「ChatGPT Health」は米国限定　日本の医療データ連携と責任の違い

Coldcardの秘密鍵を弱めた乱数生成　設定値「0」を見逃した5年

生成AIはなぜ自信ありげに誤るのか　「ハルシネーション」の仕組み

AI創薬に資金流入、承認薬はなおゼロ　初期試験の優位と第2相の壁

食後のグルコース変化をAI予測する「Libre Assist」　日本提供は未確認

医療AIの保険評価、精度だけでは加算されず　日本の2026年度基準

腕時計型睡眠トラッカーはどこまで正確か　6機種比較と医療機器の境界

米FDA、対話型医療ソフト「UpDoc」を許可　LLMと投薬判断の境界

AI「心の相談」規制、米2州が先行　日本の専用ルールは確認できず

AIブラウザー6製品、偽ゲームで認証情報を送信　権限設計に死角

「ゼロトラスト」は製品ではない　日本政府と金融機関の段階導入

医療データをAIにつなぐ「FHIR」　日本の共有基盤と実装の壁