Alphabet(Google)(GOOGL)、FairwindのAIアクセスを9月開始後に日本へ拡大
Google(GOOGL)はFairwindを通じて、日本の政府機関や重要インフラ事業者に高度なAIサイバー防御モデルへの先行アクセスを提供する。9月の枠組み拡張で国内のサイバー攻撃増加に対応する。
FairwindのAIアクセス、日本へ到達
Alphabet傘下のGoogleは、日本政府および国内の重要インフラ事業者に対し、サイバー防御向けの最先端AIモデルへの先行アクセスを提供する。2026年9月に開設された枠組みの拡張にあたる。Google Cloudの最高経営責任者を務めるThomas Kurianが、2026年11月16日付の月曜日発行の日本経済新聞とのインタビューでこの計画を確認した。Kurian氏は、国内で増加し続けるサイバー攻撃に対処できるよう、9月の枠組みを拡大する方針を表明。攻撃件数が上昇局面にあるなか、日本のサイバー防御を支える位置づけだと説明した。
構築の柱となるのはFairwindプログラムだ。9月2日に発表された政府機関および審査済みパートナー限定の制度で、その設計思想は「タイミング」にある。攻撃者が同じAI能力を悪用し始める前に、防御側が高度なサイバー防御機能へアクセスできる状態をつくることだ。参加者にはサイバー防御向けに構築されたAIモデルが提供され、CodeMenderと組み合わせて利用できる。CodeMenderは脆弱性の発見、検証、修正を自動化するAIエージェントで、ソフトウェアへのパッチ適用を支援する。優先アクセスの対象は政府機関、サイバーセキュリティ当局、そして医療、通信、エネルギー、金融の重要インフラ事業者。ただし参加には条件があり、組織は審査を受け、モデルの利用を社内のサイバーセキュリティ、インシデント対応、ペネトレーションテストの各チームに限定しなければならない。GoogleはFairwindを先手のサイバー防御の取り組みとして位置づけており、攻撃者に先に渡るはずだった能力を防御側に早期提供する狙いがある。日本での取り組みは、それ以前のコミットメントの延長線上にある。4月13日、Googleは総務省傘下の情報通信研究機構のAIセキュリティ研究センター(CREATE)が主導する脆弱性検出エージェントの開発を支援すると発表。Geminiモデルファミリーを含む技術を供給し、車載ソフトウェア、医療機器、IoT機器全般の検出率向上を図るとしていた。なお、参加する日本の機関や事業者の名称は明らかにされておらず、拡大されたアクセスの条件も非開示だ。株式市場はこの拡大を特別な材料ではなく定常的なニュースとして処理している。Alphabet(GOOGL)にとって、テクニカルな姿勢を変えるのは日本のプログラムではなく、直近の抵抗レベルを日足終値で上回ることになる。
Sekhon氏、DeepMindからAnthropicへ移籍
Google DeepMindの最高戦略責任者を務めたJasjeet Sekhon氏が、在任約8か月で同ラボを離れ、Claudeモデルファミリーを開発するAnthropicに加わった。Anthropicは広報を通じて就任を確認し、Sekhon氏自身もXへの投稿で移籍を発表している。新しい役割の中心にあるのはAnthropicが「認識的厳密さ(エピステミック・リゴール)」と呼ぶ研究領域だ。Claudeが何を知り、何を知らないかをどう区別し、不確実性をどう定量化するかを探る。Sekhon氏はこの仕事を、自身が長年積み重ねてきた研究手法の延長と説明する。DeepMindでの在任は短い一章だった。2026年3月、最高経営責任者のDemis Hassabis氏が最高戦略責任者としての採用を自ら発表し、汎用人工知能(AGI)に向けた戦略計画のなかで技術研究、事業化、政策を統括する位置づけとした。当時Sekhon氏は、AGIを安全に推進する地位にある最良のラボと判断して加わったと述べていたが、その在任期間は約8か月で11月の退任を迎えた。経歴は学術、定量ファイナンス、先端AI研究に及ぶ。2018年にBridgewater Associatesへ加わり、最高科学責任者兼AI部門責任者を務め、2023年には同社の共同最高投資責任者であるGreg Jensen氏とともにAIA Labsを共同設立し、AIと機械学習を金融市場の研究・投資に応用した。学術界ではHarvard、カリフォルニア大学バークレー校、Yaleで教え、YaleではEugene Mayer講座教授の座に就いた。研究領域は因果推論、統計学、機械学習、生成AIで、シグナル対ノイズ比が低く利用可能なデータが乏しい状況で信頼できる因果判断を構築することに特に注力してきた。Anthropicが採用で狙う課題は具体的だ。大規模言語モデルは、根拠が十分でない状態でも構造の整った自信に満ちた回答を生成しうる。これは幻覚(ハルシネーション)と呼ばれる失敗様式だ。認識的厳密さの目標は誤答の割合を減らすことにとどまらず、証拠の強さを考慮し、自らの知識の限界を認識し、根拠が薄い場合には不確実性を明示するモデルの実現へ向かう。
AIによって生成され、AIによるレビューを経て、COINOTAGの編集監督のもとで公開されました。

