Anthropic、LLMにおけるグローバルな作業空間（J-space）を発見、Runwayがパリにphysical AIハブを開設、Claude Codeがエージェント的ループを解説

7月6日は、基礎的な解釈可能性と物理インフラのあいだで濃密な一日となった。Anthropicは、LLMにおいて発見されたグローバルな作業空間であり、神経科学における意識理論を想起させるJ-spaceに関する研究を公開。Runwayは、physical AI 研究に3000万USDを投じてフランス初のオフィスを開設。そしてClaude Codeチームは、ようやく自律ワークフローを構成する4種類のエージェント的ループを文書化した。オープンソース側では、LeRobot v0.6.0とGoogle DeepMind × Apptronikの提携が、2026年におけるロボティックAIの解剖図を明確にしている。

Anthropic研究 — LLMにおけるグローバルな作業空間、J-space

7月6日 — Anthropicは transformer-circuits.pub で、解釈可能性に関する新たな研究を公開した。LLMは、認知神経科学で説明されるグローバルな作業空間（global workspace）に類似した仕組みを備えている、つまり推論にアクセス可能な、意識的なアクティブ情報領域があるという。J-spaceと名付けられたこの仕組みは、明示的に設計されていないにもかかわらず、言語モデルの中で自然に現れる。

この研究は、人間の脳が神経活動のごく一部しか意識に開放しないのと同様に、LLMもその活発な推論をこの限られた空間に集中させていることを示している。この発見には3つの具体的な意味がある。

読む：ある時点でClaudeが何について能動的に推論しているかを把握する
監査する：推論の中間状態を監査する
誘導する：実行中のモデルの思考過程を方向づける

AnthropicのXの投稿では、open-weightsモデル上でNeuronpedia経由で利用可能なインタラクティブなデモに言及しており、J-spaceを直接探索できる。今回の研究は、Anthropicの機械論的解釈可能性（mechanistic interpretability）プログラムの一環であり、能力が向上するにつれて信頼性を確保するため、モデル内部表現の理解を目指している。

New Anthropic research: A global workspace in language models. Of everything happening in your brain right now, only a tiny fraction is consciously accessible—thoughts you can describe, hold in mind, and reason with. We found a strikingly similar dynamic inside language models. The J-space lets us read, audit, and shape what Claude is actively thinking about—useful tools for keeping models trustworthy as they grow more capable. And it suggests surprising parallels between language models and our own minds.

🇯🇵 Anthropicの新研究：言語モデルにおけるグローバルな作業空間。今まさにあなたの脳で起きていることのうち、意識的にアクセスできるのはごくわずかな部分だけです。つまり、説明できて、頭の中に保って、推論できる思考だけです。私たちは、言語モデルの中にも驚くほど似たダイナミクスを発見しました。J-spaceによって、Claudeが今まさに何を考えているのかを読むこと、監査すること、そして誘導することができます。これは、モデルが能力を増すにつれて信頼性を保つために役立つツールです。そしてそれは、言語モデルと私たち自身の心とのあいだに驚くべき類似性があることを示唆しています。 — @AnthropicAI on X

🔗 完全な論文 — transformer-circuits.pub

Runway、パリにフランス初のオフィスを開設

7月6日 — Runwayは、world models（世界モデル）と physical AI（物理AI）の研究に特化した、パリのフランス初オフィスの開設を発表した。このハブは、ロンドン初オフィスの開設から6週間後の、Runwayの欧州展開の一環である。

要素	詳細
場所	フランス、パリ
初期チーム	10人
投資額	3000万USD
注力分野	World models, physical AI
採用	パリ + 欧州

“France has one of the deepest concentrations of AI research talent in the world. We’re excited to plant a flag in Paris as we continue to grow our global research presence.”

🇯🇵 「フランスは、世界でも最も深いAI研究人材の集中地の一つです。私たちが研究における世界的プレゼンスを拡大し続ける中で、パリに旗を立てられることを大変うれしく思います。」 — Anastasis Germanidis, co-CEO, Runway

co-CEOは、フランスの主要研究機関から生まれる人材の密度と政府の支援を決定要因として挙げている。Runwayはパリおよび欧州全域で積極的に採用を進めている。3000万USDの投資により、パリは商業化志向のロンドン拠点を補完する、基礎研究の中心地として位置づけられる。

🔗 Runway公式発表

Claude Code — 4種類のエージェント的ループに関するガイド

7月6日 — Claude Codeチームは @ClaudeDevs 経由で、エージェント的ループの設計に関する基礎ガイドを公開した。すでに316,000回閲覧されているこのガイドは、まず明確な定義から始める。ループとは、停止条件に達するまで作業サイクルを繰り返すエージェントである。

ループの種類	トリガー	停止条件	Claude Codeのプリミティブ	典型的なユースケース
ターンベース (turn-based)	ユーザープロンプト	Claudeがタスク完了と判断したとき	Agentic loop	短く探索的なタスク
目標ベース (goal-based)	プロンプト + 明示的な条件	条件達成または最大ターン数	`/goal`	検証可能な出力条件を持つタスク
時間ベース (time-based)	時間間隔	キャンセルまたは作業終了	`/loop`, `/schedule`	定期作業または外部システム
プロアクティブ (proactive)	人間なしのイベントまたはスケジュール	各サブタスクの完了	Dynamic workflows + auto mode	明確に定義された反復ワークフロー

ガイドで示された具体例：/goal get the homepage Lighthouse score to 90 or above, stop after 5 tries（goal-based）、/loop 5m check my PR, address review comments, and fix failing CI（time-based）。また、長いループにおけるコード品質の管理（自己検証のためのSKILL.md、レビュー用の第2エージェント）や、トークン使用の制御（適切なモデルの選択、明確な停止基準）についても扱っている。

🔗 @ClaudeDevsスレッド — ループ入門

アルバータ州政府 — 20時間で4億6600万行を監査

7月6日 — Anthropicは、カナダのアルバータ州政府による詳細なユースケースを公開した。2025年以降、この州はOpusおよびSonnetモデルを備えたClaude Codeを用いて、政府ITシステムのセキュリティ監査を行っている。その結果は驚異的だ。

指標	値
スキャンされたコード行数	4億6600万
スキャン時間	20時間
並列エージェント	約50（Opus + Sonnet）
対象アプリケーション数	1,280
対象リポジトリ数	3,400
対象省庁数	27
パスあたりのセキュリティチェック	約95

このアーキテクチャは、Claude Agent SDKで構築された2種類のエージェントに依拠している。ひとつは攻撃者のようにアプリケーションを探る「レッドチーム」エージェント、もうひとつは国際的なセキュリティ基準に照らして防御を評価し、是正計画を作成する「ブルーチーム」エージェントだ。25年前のJava助成金ポータルは、当初5か月かかったものが4〜5日で再構築された。アルバータ州は、他の政府がこの手法を再現できるよう、技術白書を公開している。

🔗 ケーススタディ — anthropic.com

Sakana AI、Sakana Translateを発表 — JA/EN/ZHのリアルタイム翻訳

7月6日 — 生体着想型ニューラルネットワークに特化した東京の研究所Sakana AIは、Sakana Chatサービスに統合されたSakana Translateを発表した。このツールは、日本語 ↔ 英語 ↔ 中国語の双方向翻訳に対応し、3つの異なるモードを備える。

モード	機能
Translate	長文をリアルタイム翻訳
Proofread	変更履歴を追跡しながら、トーンと言い回しを洗練
Ask	微妙な語彙選択の理由を明確化

この発表は、東アジアの3大言語に明確に焦点を当てた形で、Sakana AIが一般向け翻訳ツールに参入したことを示している。サービスは translate.sakana.ai で利用可能だ。

🔗 Sakana AIのツイート

HuggingFace LeRobot v0.6.0 — world models、reward models、9つのベンチマーク群

7月5〜6日 — HuggingFaceは「Imagine, Evaluate, Improve」というタイトルでLeRobot v0.6.0を公開した。ロボティクス学習を3つの相補的な軸で構造化するバージョンである。

世界モデル付きポリシー：

ポリシー	説明
VLA-JEPA	latent空間で未来を予測するコンパクトなVLA（Qwen3-VL-2B）
LingBot-VA	未来の動画とアクションを同時に予測する自己回帰型の動画-行動モデル
FastWAM	推論時の想像が実際に性能を向上させるかどうかを評価

新たに統合されたVLA： GR00T N1.7（NVIDIA）、MolmoAct2（Allen AI、推論時約12 GB）、EO-1、Multitask DiT、EVO1（0.77Bパラメータ）。

報酬モデル： Robometer（LeRobotの全データセットに対してゼロショット）とTOPReward（Qwen3-VLを審判として使用）。

ベンチマークは現在9つのファミリーをカバーしている：LIBERO、Meta-World、NVIDIA IsaacLab-Arena、そして新たに6つ。インフラも、DAgger戦略によるデプロイ用CLI lerobot-rollout、利用可能なGPUメモリを超える大規模モデルを訓練するためのFSDPサポート、そして1行コマンドでクラウド学習を行うHF Jobsにより拡充された。

🔗 LeRobot v0.6.0 — HuggingFace Blog

Google DeepMind × Apptronik — Robot Park拡張、Gemini Robotics向けにApollo 2データを活用

7月6日 — Google DeepMindは、Apptronikとの研究提携の拡張を発表した。ApptronikのRobot Park拡張に伴い、ヒューマノイドプラットフォームApollo 2が実環境で収集したデータは、Gemini Roboticsの訓練に直接利用される。

要素	詳細
パートナー	Apptronik（Robot Park拡張）
プラットフォーム	Apollo 2（ヒューマノイドロボット）
利用	実データ → Gemini Roboticsの訓練

この発表は、Google DeepMindの戦略を示している。すなわち、シミュレーションではなく実地データにロボティックAIを根ざさせ、実世界に展開された物理ヒューマノイドロボットを活用するという方針だ。

🔗 @GoogleDeepMindのツイート

短報

Kimi K2.7 Code vs Claude Fable 5 — ランディングページのコストを94%削減 — Together AIが比較を公開：12のランディングページを生成したところ、Kimi K2.7 Codeは1ページあたり約4セント、Fable 5は1.09USDで、平均では16倍安価。ページによってはGPT-5.5スコアの差が4〜12ポイントだった。Kimiの優位性は、ビジュアル参照用MCPサーバーによってさらに拡大する。 🔗 Together AI Blog

これが意味すること

解釈可能性は、研究室から監督ツールへ移行している。 AnthropicによるJ-spaceの発見は、単なる学術的成果ではない。モデル自体を変更せずに、LLM内部の仕組みをリアルタイムで読み取り、監査し、方向づけられるのは初めてだ。この研究に基づく監督ツールが実用化されれば、自律エージェントが何を計画しているのかを検証する方法が根本的に変わるだろう。これは、セキュリティチームにとっても、エージェント的ワークフローの障害対応をする開発者にとっても重要だ。

physical AIはパリを通じて欧州に根付く。 Runwayのパリオフィス開設、HuggingFaceのLeRobot v0.6.0、そしてGoogle DeepMind × Apptronikの提携が組み合わさり、physical AI をめぐる一貫したエコシステムが描かれている。すなわち、実行前に自らの行動を想像するモデル（world model policies）、学習用の実在するヒューマノイドロボットデータ、そしてアクセスを民主化するクラウド基盤だ。Runwayがパリを選んだのは、基礎研究の密度ゆえであり、この分野の将来の地理を示すシグナルである。

エージェントAIは政府業務で本番導入されつつある。 アルバータ州の事例はパイロットではない。50の並列エージェントにより20時間で4億6600万行がスキャンされ、1,280アプリケーションと27省庁が対象となり、他の政府向けに白書まで公開されている。これを、完全自律ワークフロー向けのプリミティブ /goal、/loop、/schedule を文書化したClaude Codeのループガイドと合わせると、エージェントAIは、監督付きのマルチエージェントアーキテクチャを伴えば、もはやクリティカルなシステムに展開できるほど十分に信頼できる段階にあることを示している。

コストと品質の方程式が動いている。 Together AIが公開したKimi K2.7 CodeとFable 5の比較は、構造的な緊張を可視化する。高頻度タスク（ページ生成、反復的ワークフロー）では、十分に最適化されたopen-weightモデルが、品質差を10%未満に抑えつつ、コストを16分の1に引き下げる。これは閉じたモデルの価値が失われるという意味ではない。むしろ、その優位性は、真に重要な限界的品質が求められるタスクへと、ますます集中しているということだ。