リチウム採掘からAIメモリ、そしてAIプロトタイプ：インフラとUXの視点から
【ソース 1】The Download: unlocking lithium and controlling Ebola
EVの台頭に伴い、リチウムの重要性が増しているが、従来の採掘方法はコストがかかりすぎる。そこで注目なのがMITの研究だ。弱酸を使って珪酸塩鉱石を溶かすことで、リチウムだけでなくアルミナやシリカも回収できるという手法だ。論文では「スケールアウトすれば世界最安の供給源になる」と強気な見解が出ている。
これを聞いて、MITの研究は従来のリチウム採掘方法に代わる革新的なアプローチであり、サプライチェーン全体の効率化に寄与する可能性がある。自分の業務でKubernetesやTerraformを触っている人間として、インフラのボトルネックを解消するアプローチは興味深い。採掘ではなく化学処理で済むなら、環境負荷の削減にもつながるはずだ。すでにRock Zeroというスタートアップが商業化に向けて動いている。将来的にこの技術が定着すれば、エネルギー貯蔵インフラの裏側で何が起きているかが変わるかもしれない。ただ、具体的な処理プロセスや廃棄物の扱いについてはまだ情報が足りない。とりあえず「弱酸で溶かす」というのは、単に化学の話以上のインパクトがありそうだ。
【ソース 2】This chip startup just raised $135M on a bet that AI’s biggest bottleneck isn’t compute — it’s memory
AIインフラのボトルネックが、GPUの性能から「メモリ」へシフトしているという話を聞いた。XCENAというスタートアップがその主張を証明するチップを開発し、1350万ドルの資金調達を完了した。
これまで「計算力」が足りないと言われることが多かったけれど、XCENAのCEOは「推論は計算問題ではなく、メモリのスケーリング問題だ」と断言している。生成AIが一文を生成するたびに、データがメモリからCPU、GPUへと往復する。この往復こそがコストとエネルギーを食う。
XCENAの狙いは、この「往復」をなくすこと。MX1というチップがCXLを使って、CPUとメモリを直結し、メモリモジュール内で計算を完結させようとしている。キャッシュ管理や前処理といった、GPUの重い計算以外のタスクも、このチップが肩代わりするという。
もし実際に「10台分のサーバーを1台で賄える」という性能が出れば、たとえば、XCENAの技術が導入された場合、10台分のサーバーを1台で賄える性能が出れば、年間数百万ドル以上のコスト削減効果があると推定される。これはGoogleやMetaのような巨大企業にとって重要な節約策となる。彼らが年間数十億ドルを投資するインフラを変えるきっかけになるかもしれない。
スタッフがSamsungやSK Hynixの元幹部ばかりというのも面白い。メモリ業界の裏側を知る人間が作るチップだからこそ、実用性の高さが期待できる。RISC-Vを採用し、数千のコアを積んだという話だけど、2026年の量産予定までにはまだ時間がある。技術的な実現性は未知数だ。でも、このアプローチは「データを移動させない」ことへのアンチテゼとして、XCENAのアプローチは、データ移動のコストを削減し、AI推論の効率性を向上させる可能性がある。
【ソース 3】Check out real-life AI prototypes from the Futures Lab.
「怪我を防ぐために筋トレのフォームをAIがチェックしてくれる」というMuscleMemoryは、実用性が高いなとすぐに思った。筋トレ中に画面を見るわけにはいかないから、音声でフィードバックするのは賢い設計だ。自分がKubernetesでインフラを組んでいる時も、こういう「ユーザーがどこでつまづくか」を考えることは大事だが、学生たちが実際に作り上げたのは驚きだ。
同時に、日本語学習アプリのKanji Gardenも面白い。暗記カードのようなやり方ではなく、AIが生成した物語を通して学ぶ。これなら文脈を理解しながら覚えられるかもしれない。Googleがウォータールー大学と組んだFutures Labは、AIとUXを8週間で学ぶ学生たちに、新しい学び方の形を作らせている。
ただ、技術だけでなく「応用コミュニケーション」や「アクセシビリティ」を意識する姿勢も見える。技術的な側面だけでなく、応用コミュニケーションやアクセシビリティも重要な要素であり、AIの実用化にはこれらの視点が不可欠である。実際に動くプロトタイプを作る過程で、技術以外の壁にぶつかることも多いはずだ。まだ完成品ではないかもしれないが、こういう「試行錯誤」こそが、AIの本当の価値だ。