インドとUAE、CerebrasスーパーコンピュータでAI主権において提携

インドはUAEのG42と提携し、Cerebras AIスーパーコンピューターをインド国内に導入。政府のAIワークロードにおいて、AWS、Azure、Google Cloudに代わる非米国の選択肢を提供する。2026年5月15日に署名されたこの契約では、64台のCerebrasシステムをインドに設置し、G42の子会社Core42がインドのデータガバナンス規則のもとで運用・管理する。
ハードウェアと所有権
- 64基のCerebrasウェハースケールシステム:各チップはディナープレート大のシリコン片で、Nvidiaのどのチップよりも大きい。大規模モデル学習よりも高速推論に特化。
- G42のCore42が設置、運用、保守を担当。Cerebrasは技術サポートを提供。
- データはインドのガバナンス規則下に留まる。自律的科学機関である先端コンピューティング開発センター(CDAC)がCore42と連携。
- 資金条件と導入後のハードウェア所有権は非公開。
デベロッパーにとっての重要性
インドの既存の国家AIプログラム(12.5億ドル)は、すべてNvidiaプロセッサ(現在34,000基、目標100,000基)で稼働している。G42との契約は、第二の道——インド国内、インドの規則下、非米国パートナーによる運用——を追加するものだ。これはG42の「インテリジェンス・グリッド」の一部であり、政府向けに建設・所有・運営されるAI施設のグローバルネットワークである。インドは最初の署名国であり、他国との協議も進行中。
Cerebras vs Nvidia
Cerebrasチップは学習能力よりも推論速度を優先しており、インドが医療、農業、公共サービス全体にAIを展開する目標に合致する。G42は2021年にCerebrasの最大顧客となり、共同で3つのCondor Galaxy施設(カリフォルニア、テキサス、ミネソタ)を建設した。G42とUAEのMBZUAIを合わせて、Cerebrasの2025年の収益の86%を購入した。Cerebrasは2026年5月14日にナスダックに上場し、55.5億ドルを調達した。
競争の現実
インドはすでに米国クラウドプロバイダーから450億ドルのコミットメントを受けている:Microsoft(175億ドル)、Google(150億ドル)、AWS(127億ドル)——すべてNvidiaベース。タフツ大学のクリス・ミラー教授は、G42がこれらプロバイダーの提供する統合ソフトウェアおよびデベロッパーツールエコシステムに匹敵する必要があると指摘する。元米国商務省代理長官のキャメロン・ケリー氏は、インドのアプローチは「実用的なAI主権」であり、完全な管理ではなく複数のパートナーから能力を集めるものだと述べる。
皮肉なことに、G42はUAE国内で同じ米国企業と協力している:Amazonは完全なクラウドリージョンを運営し、MicrosoftはG42の子会社Khaznaを通じてUAEのデータセンターに152億ドルをコミットした。ケリー氏は、インドのリベラルなデータ転送法を考慮すると、この契約は見かけほどインドに管理権を与えない可能性があると警告する。
📖 出典全文: HN LLM Tools
👀 See Also

バークレー研究:AIリビジョンプロンプトはすべて散文を形式性へとドリフトさせる、「声を保持する」場合でも
バークレー校の新しい論文では、Claude、ChatGPT、Geminiを用いて300の個人語りを3つのプロンプト条件下で測定。すべてのモデルと条件において、短縮形、一人称代名詞、語りの親密さが減少し、「声を保持する」プロンプトはドリフトの大きさを減らすだけで、方向は変わらなかった。

「クラウゼージ」の分析:AIサブスクリプションモデルにおけるユーザーの不安パターン
ユーザー分析により『クラウゼージ』または『クロード症候群』が特定されました。これはプレミアムAIサービス契約者に見られる行動パターンで、慢性的な使用不安、回避行動、強迫的なリソース監視が特徴です。この分析では、予期的回避、使用過剰警戒、有料サービスの逆説的過小利用といった具体的な症状が詳細に説明されています。

クロードのソースコード流出により、反蒸留機能、潜入モード、フラストレーション検知が明らかに
Claude Codeのnpmパッケージから流出したソースコードマップファイルにより、偽ツールを用いた蒸留防止技術、AIの作成者を隠すアンダーカバーモード、正規表現パターンによるフラストレーション検出が明らかになりました。

Anthropicのアクティベーション・ステアリングが有効なJSON生成に苦戦する理由
AIセーフティに用いられる手法であるアクティベーション・ステアリングは、有効なJSONを生成できず、未訓練のベースモデルの86.8%に対してわずか24.4%の有効性しか達成しませんでした。