
2026年11月18日から19日にかけて、AWS・OpenAI・Googleの公式技術チャネルから、エンタープライズ向けAI基盤の学習・安全実行・モバイル展開に直結する重要なアップデートが相次いで公開されました。
本稿では各社の公式一次情報をもとに、モデルの全重み最適化(FFT)、OSレベルのエージェント隔離設計、省メモリ端末へのAI配信という3つの技術的要点と実務への適用指針を整理します。
Amazon SageMaker AI サーバーレスのフルファインチューニング対応とLoRAとの品質差

AWSは、Amazon SageMaker AI Serverless Model Customizationにおいて、GPUプロビジョニングや分散学習クラスタ管理なしで実行できるFull Fine-Tuning(FFT:フルファインチューニング)のサポートを発表しました(出典:AWS Machine Learning 公式ブログ)。
パラメータ効率の高いLoRAは低ランク行列のみを更新するため導入しやすい一方、タスクの複雑さやデータ規模が数万〜10万件を超えると、構造的なランク不足(rank deficiency)により精度が頭打ちになる課題が報告されています。FFTはモデルの全重み行列を同時に最適化するため、事前学習で得た知識表現を活かしながら高度な業務適応を実現できます。
AWSがQwen3-4Bベースモデルと11万件のコード生成データセット(Magicoder-Evol-Instruct-110K、90/5/5分割)で行った比較検証では、10万件超の規模においてFFTがLLM-as-Judge(Amazon Nova Pro評価)で90.0%の意味的正答率を達成し、BLEU・ROUGE-2・F1(PRIMECODE)でもLoRAを一貫して上回りました。
- コード1行での手法切替:SageMaker Python SDKの
SFTTrainerでTrainingType.FULLとTrainingType.LORAを切り替えるだけで同一パイプライン上の比較実験が可能 - 破滅的忘却のガードレール評価:LLM-as-Judge・PRIMECODEに加え、57科目の一般知識ベンチマーク(MMLU)を同時計測し、ドメイン特化に伴う汎用性能の劣化を定量管理
- 実務ハイパーパラメータの目安:10万件規模のデータでは学習率 2e-5 が安全圏となり、エポック数は 3エポック で90.0%に到達(3エポック超では全バリアントで性能劣化を確認)
- MLOps連携:学習メトリクスはMLflowへ自動連携され、カスタマイズ済みモデルはSageMaker Model Registryへバージョン付きモデルパッケージとして自動登録
OpenAI Codex サンドボックスの多層防御とOS固有のプロセス隔離設計
OpenAIのエンジニアリングチームは、コーディングエージェントが開発者マシン上でシェルコマンドを実行する際のリスクを抑え込むCodexサンドボックスの内部設計を詳細に公開しました(出典:OpenAI 公式Engineeringブログ)。
一般的なコンテナ隔離(Docker等)へ処理を移すと、macOSのネイティブビルドツールチェーンやシミュレータなどホスト固有の開発環境が利用できなくなる課題があります。Codexはこれに対し、macOSのSeatbelt、Linux、WindowsそれぞれのOS固有サンドボックス機構を共通API(spawn_command_under_sandbox)で統一的に制御し、子孫プロセス全体へ制限を継承させるアプローチを採用しています。
ネットワーク制御においても、必要なドメインだけを通す codex-network-proxy(HTTP/SOCKS5プロキシ)を組み込み、ホスト名にデータを埋め込むDNS経由の情報漏洩を防ぐため「許可判定が通った後のみDNS解決を行う」という徹底した多層防御を実装しています。
- 保守的な既定プロファイル(:workspace):ワークスペース内の書き込みを許可しつつ、
.git・.codex・.agents・.awsを読み取り専用に保護し、外部ネットワークは既定で無効化 - 組織ガバナンスと階層設定:
config.tomlの階層マージに加え、管理者がrequirements.toml(クラウドポリシー含む)で:danger-full-accessの利用を明示禁止可能 - MCPサーバーへの応用:独立CLIコマンド
codex sandboxを使うことで、通常は非隔離で動くstdio型MCPサーバーの書き込み先と通信を最小権限へ閉じ込め可能
Google Gemini アプリの低メモリ Android(Go edition)端末向け全面展開
Googleは、これまでハードウェア制約により基本的な音声コマンド程度にとどまっていた低メモリ Android(Go edition)対象端末に向けて、全面的に再設計したGeminiアプリの提供開始を発表しました(出典:Google 公式ブログ)。
世界では数億人規模のユーザーが低メモリAndroid端末を教育・ビジネス・日常の情報アクセスの基盤として利用しています。今回のアーキテクチャ刷新により、限られたRAM容量でもGeminiの中核機能が軽快に動作するよう最適化されました。
ユーザーは長いプロンプトを手入力せずとも、45言語以上に対応したGemini Liveによる自然な音声対話や、カメラをかざしてノートや書類を学習・翻訳する機能、さらにNano Bananaを活用したカスタム画像生成などをそのまま利用できます。
- 主要機能の軽量動作:Gemini Live音声対話・カメラ経由の翻訳と学習支援・画像生成を低メモリ環境向けに再構築
- 導入チャネルの拡大:Google Playからのダウンロードや対応端末の電源ボタン長押し起動に加え、Transsionなどのパートナー端末へのプリロード展開を予定
- Web・サービス設計への示唆:ハイエンド端末前提の設計から脱却し、省リソース端末・音声・カメラ主体のマルチモーダル体験を標準設計に組み込む重要性が高まる
実務へのインパクトと今後の展望
今回のAWS・OpenAI・Googleの公式発表に共通しているのは、生成AIの実務適用が「大規模データでの高精度チューニング(学習)」「OS・プロキシ境界での厳格な権限統制(隔離)」「省メモリ端末まで届く軽量アーキテクチャ(展開)」という全レイヤーで本番品質へ成熟しつつある点です。
企業のWebシステム開発や社内AI基盤の整備においては、少量データではLoRAから着手しつつ10万件超の本格領域でサーバーレスFFTと忘却評価を導入し、エージェント実行環境にはプロファイル型のサンドボックスとドメイン制御を組み合わせることが有効です。一次公式仕様に基づいた段階的検証を徹底し、安全性と投資対効果を両立する運用体制を構築していくことが求められます。