T最新テックトレンド

AIエンジニアリングの未来を拓く：AI Engineer World's Fair 2025が示す「標準モデル」への道

AI Engineer
0:00--:--

はじめに：AI時代の新たな担い手、AIエンジニア

現代社会は、かつてない技術革新の波、すなわち「AI革命」の只中にあります。この革命の中心で、従来のソフトウェアエンジニアリングの枠を超え、大規模言語モデル（LLM）やエージェントといった最先端のAI技術を実用的なアプリケーションへと昇華させる「AIエンジニア」が、その重要性を増しています。彼らは、AIモデルの設計、開発、デプロイ、そして運用といった複雑なプロセス全体を担う、まさに未来の技術のパイオニアたちです。

このAIエンジニアリングの急速な進化と、それを取り巻くエコシステムの形成を祝し、そしてその未来を共に議論するために開催されたのが、今回の「AI Engineer World's Fair 2025」です。本記事では、このイベントのオープニングキーノートスピーチから得られた深い洞察に基づき、AIエンジニアリングの現状、その進化の軌跡、直面する課題、そして将来の「標準モデル」がどのように定義されるべきかについて、詳細かつ分かりやすく解説していきます。

AIエンジニアリングの目覚ましい成長：数字が語る熱狂

AI Engineer World's Fair 2025の会場は、AIエンジニアリングに対する圧倒的な熱気で満ち溢れていました。3,000人を超える参加者が直前に登録するという異例の事態は、この分野への関心の高さと、技術者たちの切迫した学習意欲を如実に物語っています。スピーカーであるSwyx氏は、この参加者数の急増を「ストレス指数」とユーモラスに表現しつつも、AIエンジニアリングコミュニティの爆発的な成長を強調しました。

この成長は、カンファレンスのコンテンツにも顕著に表れています。昨年と比較してトラック数が倍増されたことは、AIエンジニアリングが単一の技術領域に留まらず、多様な専門分野へと枝分かれし、深化していることを示唆しています。RAG（Retrieval-Augmented Generation）フレームワークやベクトルデータベース、オープンモデルの開発、コード生成ツール、Fortune 500企業におけるAI導入、マルチモーダル性やオムニモーダル性、GPU推論、Evals & LLM Ops（LLMの評価と運用）、そしてAIエージェントアプリケーションなど、多岐にわたるテーマが用意され、それぞれの領域で新たな知見と実践が共有されました。

このカンファレンスは、単なる技術発表の場ではありません。Swyx氏は、このイベントをNeurIPS（神経情報処理システムに関する主要な国際会議）よりも「レスポンシブ」に、そしてTED（テクノロジー、エンターテインメント、デザインに関する会議）よりも「技術的」にすることを目指していると語りました。これは、学術的な厳密さと実用的な知見の両方を追求し、AIエンジニアが本当に必要としている情報をタイムリーに提供しようとする主催者の強い意志の表れです。また、参加者からのフィードバックを積極的に収集し、次回のカンファレンスコンテンツに反映させることで、コミュニティ主導の進化を促しています。

AIエンジニアの進化：多角的視点から捉える歴史と展望

AIエンジニアの役割は、AI技術の発展とともに絶えず進化してきました。2023年には、特定のタスクに特化したシンプルなAIシステムを構築する「3種類のAIエンジニア」が議論されました。しかし、2024年に入ると、AIエンジニアリングは「World's Fair（万博）」というコンセプトが示すように、より多分野横断的なアプローチが求められるようになりました。これは、AI技術が多様な産業や機能に統合されるにつれて、エンジニアも幅広い知識とスキルを身につける必要が生じたためです。

そして、2025年のニューヨークで開催されるカンファレンスでは、「エージェントエンジニアリング」が主要な焦点となることが発表されました。これは、AIが単なるツールとして機能するだけでなく、自律的に目標を設定し、行動を計画し、実行し、そして学習する「エージェント」へと進化していくという未来のビジョンを反映しています。

この進化の過程で、AIエンジニアリングはかつてないほどの社会的地位と経済的価値を獲得しました。Swyx氏が「かつてGPTラッパーが嘲笑されていたが、今や彼らは皆富豪だ」と語ったように、AI技術を既存のシステムやサービスに統合し、新たな価値を生み出すAIエンジニアは、ビジネスの世界で極めて高く評価されています。Boltが4,200万ドル、Perplexityが5億2,000万ドルもの資金調達に成功し、OpenAIがCursorを90億ドル、Windsurfを30億ドルで買収したといったニュースは、この分野の企業が急成長し、巨大な市場価値を持つようになったことを示しています。

実践とイノベーション：AIエンジニアリングの現場から

AI Engineer World's Fairは、カンファレンス自体がエンジニアリングの革新の場でもありました。例えば、MCP（Multimodal Chat Protocol）というプロトコルを導入した初のカンファレンスであること、そして公式チャットボット（Riderとの連携）と音声ボット（DailyやVAPIとの連携）を提供したことは、イベント体験そのものをAI技術で強化しようとする試みです。Sam Julian氏、Quinn氏、John氏、Elizabeth Traiken氏といった協力者の名前が挙げられ、彼らの貢献がカンファレンスの成功に不可欠であったことが示されました。

また、AIエンジニアリングの現場からは、「複雑にしすぎない」という重要な教訓が繰り返し伝えられています。AnthropicのEric Zhant氏の事例では、シンプルなスキャフォールドでSWE-Bench（ソフトウェアエンジニアリングベンチマーク）を打ち破ったことが示されました。OpenAIのGreg Brockman氏もDeep Researchというシンプルなエージェントが驚くほど有用であると語っており、Augment Code（Amp Code）の貢献も強調されています。これらは、AI技術がまだ「非常に初期の分野」であり、複雑なシステムを構築する前に、基本的な概念とシンプルなアプローチで大きな成果を出せる余地が多分にあることを示唆しています。AIエンジニアは、この「まだ掘り起こされていないアルファ（未開発の価値）」を最大限に活用すべきだと、Swyx氏は力強く主張しました。

「標準モデル」の探求：エンジニアリングの普遍的課題

講演の後半では、「AIエンジニアリングにおける標準モデルとは何か？」という核心的な問いが投げかけられました。物理学における「標準モデル」が素粒子の振る舞いを記述する普遍的な枠組みであるように、他の工学分野にも確立された「標準モデル」が存在します。

例えば：

  1. データエンジニアリング: ETL (Extract, Transform, Load)
  2. 分散システム: MapReduce
  3. バックエンド開発: CRUD (Create, Read, Update, Delete)
  4. フロントエンド開発: MVC (Model-View-Controller)
  5. 機械学習エンジニアリング: Train-Validate-Test

これらのモデルは、各分野における基本的な思考様式、共通の課題解決パターン、そして開発プロセスの基礎を提供します。しかし、AIエンジニアリングには、まだこのような普遍的に受け入れられた「標準モデル」が存在しないとSwyx氏は指摘します。「RAGは死んだのか？」という刺激的な問いかけは、現在人気の技術トレンドであっても、その普遍性や持続可能性について常に問い直す必要があることを示しています。

AIエンジニアリングの新たな標準モデル候補

AIエンジニアリングにおける「標準モデル」は、単なる概念的な枠組みに留まらず、具体的な技術的アプローチとして形をなし始めています。Swyx氏は、いくつかの有力な候補を提示しました。

  1. LLM OS (Large Language Model Operating System): 2023年にAndrej Karpathy氏が提唱したLLMをOSと見立てる初期の概念を、2025年版としてSwyx氏がアップデートしました。これは、LLMを中心として、マルチモーダルな入力（音声、テキスト、ビジョン）と出力（音声、テキスト、画像、動画）を処理し、検索/クローラー、ドキュメント/ライブラリ、コード実行/ブラウザといったツールセットと連携するシステムです。さらに、MCP（Multimodal Chat Protocol）を通じて外部の世界と連携し、より包括的なAIアプリケーションエコシステムを構築することを目指しています。

  2. LLM SDLC (Software Development Life Cycle): AIアプリケーションの開発ライフサイクルを、プロトタイプからプロダクションへとスムーズに移行させるための標準モデルです。Swyx氏は、LLM APIプラットフォーム、RAGフレームワークプラットフォーム、LLM Opsプラットフォームといった要素が徐々にコモディティ化し、無料で利用できるようになっていると指摘しました。真の収益と価値は、Evals（評価）、Security（セキュリティ）、Orchestration（オーケストレーション）といった、プロダクション環境で求められる「本当に難しいエンジニアリング作業」から生まれるという洞察は、AIビジネスを構築する上で極めて重要です。BrainTrustのAnkur氏との議論を通じて、この「リアルな $$$ が始まる場所」が明確にされました。

  3. Building Effective Agents (効果的なエージェントの構築): AnthropicのBarry氏が前回のカンファレンスで行った非常に人気のある講演のテーマです。これは、LLMを「LLM Cell」として捉え、Human（人間）からの入力に基づいてAction（行動）を起こし、Environment（環境）からのFeedback（フィードバック）を受け取り、必要に応じてStop（停止）するという、サイクルベースのモデルです。OpenAIもエージェントSDKのSwarmコンセプトを推進しており、エージェントが自律的に行動し、複雑なタスクを解決する能力を向上させることに焦点が当てられています。

  4. SGLang/DSPy: これらは、AIアプリケーションをより効率的かつ堅牢に構築するための新しいプログラミングパラダイムやフレームワークを指します。動画では具体的な詳細には踏み込まれていませんが、これらがAIエンジニアリングにおける新たな言語的・設計的標準となりうる可能性が示唆されています。

  5. DocETL/Petals: データ処理とモデル運用に関する具体的な技術やアプローチの候補です。特にDocETLは、ドキュメントからの情報抽出・変換・ロードといったプロセスを効率化するものであり、Petalsは分散型LLM実行を可能にする技術です。

  6. Agent Engineering (IMPACT): Swyx氏自身の提唱するエージェントエンジニアリングのアプローチです。これは、「Encoded Intent（意図の符号化）」、「Long Running Memory（長期記憶）」、「Multi-Step Running（多段階実行）」、「Delegated Authority（権限委譲）」、「LLM Control Flow（LLM制御フロー）」、「Tool Using LLMs（ツール利用LLM）」といった要素を通じてエージェントを記述し、より複雑な問題解決を可能にするモデルです。ブログ記事「Agent Engineering」でその詳細が解説されており、2025年が「エージェントの年」になるという期待が込められています。

これらの標準モデル候補は、AIエンジニアが直面する具体的な課題（例：LLM OSではマルチモーダルな入力と出力の統合、LLM SDLCではプロトタイプからプロダクションへの移行、Building Effective Agentsでは人間とAIのインタラクションの最適化）に対する、構造化された解決策を提供します。

エージェントの有効性を測る新たな指標：人間入力対AI出力の比率

「エージェント的であるか否か」という議論よりも、Swyx氏はAI製品の「価値」を測る新たな指標として、「人間による入力：価値あるAI出力」の比率を提案しました。この比率が高いほど、より効率的で価値の高いAI製品であるという考え方です。

  • Copilot: 1:0.5 (人間が多くの文字を入力して、AIがコードの一部を補完)
  • ChatGPT: 1:1 (人間が質問を投げかけ、AIが回答を生成)
  • O-series, Reasoners, Simple Agents/Workflows: 1:10 (人間が少ない入力で、AIが10倍の思考やタスクを実行)
  • Deep Research, NotebookLM: 1:10000 (人間がわずかな入力で、AIが膨大な調査や複雑な推論を実施)
  • Ambient Agents: 0:1 (人間による入力なしで、AIが自律的に価値を生成)

このフレームワークは、AIエンジニアが製品の真の価値と効率性を追求するための、具体的な指針を提供します。目指すべきは、人間が最小限の努力で最大限の価値を得られるようなAIシステムの構築です。

汎用的な疑似コード「SPADE」が示すAIエンジニアリングのプロセス

Swyx氏は、自身の開発したAIニュースサービス（AI News）の裏側にあるプロセスを汎用的な疑似コードとして提示しました。これを「SPADE」と名付け、AIエンジニアリングにおける普遍的なワークフローを表現しています。

  1. Sync (sync/preprocessFromSources -> Knowledge Graph): 複数のソースからデータを同期し、前処理を行い、それを知識グラフとして構造化します。これは、情報をクローリングし、トークン化するML Opsの「Tokenization」に相当します。
  2. Plan (planParallelProcess -> Planning, Structured Data Extraction, READ Tool Calls): データを並列で処理し、プランニングを行い、構造化されたデータを抽出し、必要に応じてツールを読み込む（READ Tool Calls）。ML Opsでは「Matmul」と表現されるツール選択の段階です。
  3. Analyze (analyzeAuthorizeAct -> Summarization, Human-in-Loop, WRITE Tool Calls): 収集した情報を分析し、要約します。Human-in-Loop（人間が介在するループ）を導入して品質を確保し、必要に応じて書き込みツールを呼び出します（WRITE Tool Calls）。これは、潜在的推論とソフトマックス/リデューサーによるML Opsの「Auth, Resolve, Reduce」に相当します。
  4. Deliver (deliverInteractively -> Code Generation, Gen. UI): 結果をインタラクティブな形式で届けます。コード生成や、CanvasやArtifactsのような生成UIを通じて、ユーザーに利用可能なコードアーティファクトとして出力することも可能です。ML Opsでは「Decode」に相当します。
  5. Evaluate (evaluateRememberImprove -> Evals, LLM Judge): 最終的な出力を評価し、その結果を元に改善を行います。LLM自身が評価を行う「LLM Judge」のようなメカニズムも活用されます。これは、フィードバックとEvals、そしてバックプロパゲーションによるML Opsの「RLHF, trace feedback, tuning」に相当します。

SPADEモデルは、AIアプリケーション開発の各段階において、どのような技術的アプローチや思考が求められるかを明確にし、AIエンジニアが効率的かつ効果的に開発を進めるためのロードマップを提供します。

結論：あなたのミッション、業界の未来

AIエンジニアリングはまだ揺籃期にあり、確立されたプラクティスや普遍的な「標準モデル」が不在の状況です。しかし、このカンファレンスで示されたLLM OS、LLM SDLC、効果的なエージェントの構築、そしてSPADEのような概念は、その空白を埋める強力な候補となり得ます。

Swyx氏は、参加者全員に向けて「AIエンジニアリングの標準モデルを定義する手助けをしてほしい」というミッションを投げかけました。これは、AIエンジニアが単に既存のツールを使うだけでなく、業界全体の方向性を形作る「ビルダー」としての役割を担うべきだというメッセージです。どのようなツールやフレームワークが普遍的に受け入れられ、AI開発の効率を最大化し、最終的に人々が本当に使いたいと思うような製品を生み出すのか。その問いに対する答えは、コミュニティ全体の議論と協力から生まれるでしょう。

AIエンジニアリングの未来は、私たち自身の手に委ねられています。このエキサイティングな分野の発展に貢献し、人類の未来を形作るAI技術の標準を共に定義していきましょう。

← 一覧に戻る