Microsoft Researchは11月12日(現地時間)、ポッドキャスト「Microsoft Research Focus – Edition #98」を公開し、最新の研究成果を紹介しました。人工知能を活用したユニバーサル翻訳、31年来の数学的難題の解決、AIコーディングエージェントの効率化などが主な内容です。東京のMicrosoft Research labでのインターンシップ体験や、104言語に対応するAIトークン化技術の改善についても言及しています。

今回のポッドキャストでは、ホストのAnson Ho氏がMicrosoft全体からの最新ニュースと研究成果を共有しました。主要な成果として、人工知能によるユニバーサル翻訳の実現可能性向上、31年間未解決だったKLS conjecture(高次元幾何学における問題)の解決、そしてAIコーディングエージェントの高速化と効率化が挙げられます。

東京のMicrosoft Research labに所属する研究インターン、Lilika Makabe氏の経験も紹介されました。Makabe氏はコンピュータービジョンから物理的知能へと専門知識を深め、新しい研究コミュニティ形成に貢献したと報じられています。

翻訳の分野では、Microsoft Applied Science ManagerのJinyu Li氏が、言語間のコミュニケーションがどのように進歩しているかについて説明しています。

KLS conjectureは、高次元幾何学における31年来の中心的未解決問題でしたが、新たな研究によって解決されました。これは、科学やコンピューティングで用いられるランダム化アルゴリズムの効率を理解する上での主要な理論的障害を取り除くものです。このブレイクスルーは、対数凹分布の普遍的原理を確立し、結果は独立した検証を受け、証明はコンピューター支援によって正式に検証されています。

AIコーディングエージェントの効率化に向けた取り組みでは、モデルが一度に処理できる情報量を最大化するために以前のインタラクションを要約するプロセスであるコンテキスト圧縮に焦点を当てました。1350万回のコーディングセッションを分析した結果、コンテキスト圧縮が必要なセッションは8%未満であるにもかかわらず、これらが全体の処理コストの44%を占めることが判明しました。研究者らはこの課題に対応するため、コンテキスト圧縮評価用ベンチマーク「COMPACTIONBENCH」と、バックグラウンドで要約を準備するメソッド「APEC」を開発。APECはコーディングパフォーマンスを向上させながら、コストを最大25.4%、実行時間を9.6%削減しました。

トークン化の改善では、モデルがテキストを処理する前に、より小さな単位であるトークンに分割する方法が、効率とパフォーマンスに影響を与えることが指摘されました。特に異なる言語間ではその影響が顕著です。Latent Core Tokenizer(LCT)という新しい手法が導入され、単語の再利用可能な要素を特定し、言語横断的な共有語彙を構築します。104言語を対象とした評価では、LCTは主要な代替手法と同等の効率を保ちつつ、より言語学的に意味のあるトークンを生成し、4つの多言語ベンチマークでモデル性能を向上させました。


参考: Microsoft Research Blog (アーカイブ) — 2026年11月13日 06:31 (JST)

この記事をシェア
X はてブ LinkedIn