OpenClawのようなAIエージェントハーネスがLLM、推論、CPUを変えつつある

ここ4年近く、数千億ドルを投じてより賢く高性能なモデルが作られてきたが、人々は単なるチャットボット以上のことを期待している。OpenClawのようなエージェントハーネスは、LLMのAPI呼び出しを複数ステップに編成し、複雑なタスクを自動化する。これらのハーネスはコードに焦点を当てたもので、OpenClaw、Claude Code、Codex、Pi Coding Agentなどがある。

ハーネスはモデルのトレーニング方法や構築・実行方法に対する考え方を変えている。従来のトランザクション型API呼び出しとは異なり、ハーネスは単一のリクエストを複数のステップに分解する。例えば、コードエージェントにログを解析するアプリを作成するよう依頼すると、ハーネスは最初に計画を立て、ログディレクトリをレビューし、コードを生成して実行し、エラーをデバッグする。このループはタスクが完了するかユーザーの入力が必要になるまで続く。

少なくともコーディングにおいては、これらのハーネスは十分に実用的だ。実際、コードアシスタントの成功にはモデル自体よりもハーネスの影響が大きいかもしれない。Qwen3.6-27Bのような小型モデルでも、Claude CodeやClineといったハーネスと組み合わせることで、より大型の有料モデルに匹敵する性能を発揮する。これにより、AI愛好家がMac MiniでOpenClawとLLMをセルフホストしようと殺到し、Mac Miniが不足している。

トレーニング面では、2024年末には大規模モデルの収穫逓減が顕著になった。DeepSeek R1は推論モデルとテスト時スケーリングを主流にし、強化学習を使って連鎖思考推論を教えた。現在では、強化学習を用いてモデルにエージェントハーネスが公開するツールやリソースの使い方を教えることが増えている。最近のモデルリリースでは、エージェントツール呼び出しと長文脈推論が重視されている。

ハードウェア面では、CPUが再び脚光を浴びている。Intel Xeonプロセッサは需要に供給が追いつかず、MetaはArmやNvidiaのチップを買い占め、AmazonのGraviton CPUを大量にレンタルしている。これはエージェントハーネスがGPU上で実行されないためだ。同時に推論コストも上昇しており、OpenAIはGPT-5.5の価格を引き上げ、MicrosoftはGitHub Copilotを従量課金制に移行した。この背景には、トレーニング用に設計されたハードウェアで推論も行っていることがある。

NvidiaはGroqを買収し、そのLPUチップ技術をGPUに統合してトークン生成速度を向上させている。AWSはCerebrasのウェハースケールAIアクセラレータを、IntelはSambaNovaとの協業で分散コンピューティングアーキテクチャを採用している。今後、ユーザー向けエージェントハーネスはクライアントデバイスに計算負荷の一部をオフロードする可能性がある。GoogleはChromeに小型LLMを搭載し始めている。しかし、そのためには大容量の高速メモリが必要であり、DRAMとNANDの不足が課題となる。

クライアント側のオフロードが進んでも、エージェントが部門全体の仕事を代行することを望む声は依然として強い。人間をループから外せば、エージェントは制約なく桁違いに高速に動作できる。しかし、PCの台頭がメインフレームを終わらせなかったように、ローカルAIがデータセンターへの投資を終わらせることは当面ないだろう。