編集者注: 本ブログは、最新のオープン モデル、データセット、トレーニング手法が、企業による NVIDIA プラットフォーム上での特化型 AI システムやアプリケーション構築にどう役立つかを紹介する「Nemotron Labs」ブログ シリーズの最新号です。各記事では、透明性の高い研究用コパイロットからスケーラブルな AI エージェントまで、オープン スタックを活用して本番環境で実際の価値を提供する実践的な方法を紹介しています。
2026 年初頭までに、オープン ソースのプロジェクトである OpenClaw は一大現象となりました。1 月には、開発者からの関心が高まり、GitHub でのスター数が 10 万を突破しました。コミュニティのダッシュボードやトラフィック分析によると、わずか 1 週間で 200 万人以上の訪問者が記録されました。3 月までに、OpenClaw のスター数は 25 万を超え、わずか 60 日間で React を抜いて GitHub 上で最もスターを獲得したソフトウェア プロジェクトとなりました。
Peter Steinberger 氏によって開発された OpenClaw は、ローカル環境やプライベート サーバー上で動作するように設計された、セルフホスト型の常時稼働型 AI アシスタントです。このプロジェクトは、そのアクセシビリティと制限のない自律性によって注目を集めました。ユーザーは、クラウド インフラや外部のアプリケーション プログラミング インターフェイス (API) に依存することなく、AI モデルをローカルに展開できます。
現在の AI エージェントの多くは、プロンプトによって起動され、定義されたタスクを完了すると動作を停止します。一方、長時間稼働する自律型エージェント、いわゆる「クロー (Claw)」はこれと異なります。この種のエージェントはバックグラウンドで常時稼働し、自らタスクを完了させ、人間の判断が必要な事項のみを表示します。このエージェントを動作させるのは「ハートビート機能」です。つまり、一定の間隔でタスク リストを確認し、アクションが必要な項目を評価した上で、実行するか、次のサイクルまで待機するかを判断します。
OpenClaw の急速な普及は議論の的にもなりました。セキュリティ研究者たちは、セルフホスト型 AI ツールが機密データ、認証、モデルの更新をどのように管理するのかについて懸念を表明しました。また、ローカル環境での展開が、パッチ未適用のサーバー インスタンスやコミュニティ フォークに対する悪意ある改変の混入など、ユーザーを新たなリスクにさらす可能性はないか、と疑問を呈する声もありました。貢献者やメンテナーがこれらの問題の解決に取り組む中、OpenClaw の台頭は、AI エコシステム全体において、オープン性、プライバシー、安全性の間のトレードオフについての議論をさらに拡大させることにつながりました。
OpenClaw プロジェクトのセキュリティと堅牢性を高めるため、NVIDIA は Steinberger 氏および OpenClaw 開発者コミュニティと協力し、潜在的な脆弱性への対応に取り組んでいます。その詳細は、OpenClaw の最近のブログ記事でご確認いただけます。
NVIDIA は、モデルの分離性の向上、ローカル データへのアクセス管理の強化、およびコミュニティからのコード提供の検証プロセスの強化に焦点を当てたコードとガイダンスを提供しています。その目的は、OpenClaw の独立したガバナンスを維持しつつ、コミュニティの活動を強化する、オープンかつ透明性の高い方法で、自社のセキュリティおよびシステムに関する専門知識を提供し、プロジェクトの勢いを後押しすることにあります。
また、企業における長期稼働エージェントの安全性を高めるため、NVIDIA は NVIDIA NemoClaw を発表しました。NVIDIA NemoClaw は、OpenClaw、NVIDIA OpenShell セキュア ランタイム、および NVIDIA Nemotron のオープン モデルを、ネットワーク、データ アクセス、セキュリティ向けに強化された既定設定とともに、単一コマンドでインストールできるリファレンス実装です。NemoClaw は、組織がより安全に Claw を展開するためのブループリントとして機能します。
AI の波が訪れるたびに推論需要は倍増
AI はこれまでに 4 つの段階を経てきましたが、その間隔は段階ごとに短くなっています。予測 AI が主流になるまでには数年を要しました。生成 AI はそれよりも急速に普及し、リーズニング AI はさらに速いスピードで普及しました。そして、OpenClaw がその波の代表格である自律型 AI は、他の 3 つよりもさらに速いペースで進展しています。
各波の登場ごとに増大するのが推論の需要です。生成 AI は予測 AI に比べてトークン使用量を増加させ、リーズニング AI はそれをさらに 100 倍に増加させました。自律型エージェントは、継続的に稼働し長期間にわたって動作するため、リーズニング AI に比べて推論需要をさらに 1,000 倍に押し上げます。波から波へと進むごとに、必要な計算能力は増大しています。
トークン利用の増加により、組織は生産性を飛躍的に向上させることが可能になっています。例えば、長時間稼働するエージェントを活用することで、研究者は一晩で問題を解決させ、数千もの構成設定で設計の反復検証を行い、システムを監視して人間の判断が必要な異常のみを抽出することができます。これにより、研究者は日中の業務時間をより付加価値の高い業務に充てられるようになります。
ツールの選択: 「Claw」を導入すべきタイミング
生成 AI はオンデマンドのタスクの定番となっていますが、クローの持続的な「ハートビート」が明確な利点をもたらすような特定のシナリオも存在します。標準的なプロンプトベースの AI から、長時間稼働するエージェントへと移行すべきタイミングを判断する場合、その判断の多くはワークフローの性質が鍵となります。
- 「オンデマンド」から「常時稼働」へ: 標準的なモデルは、人間がトリガーとなる即時的なクエリには優れていますが、手動での起動を必要としない継続的なバックグラウンド監視や定期的なシステム チェックを要するタスクには、クローの方が適している場合が多いです。
- 高反復ループの管理: 数千種類の化学物質の組み合わせをテストしたり、インフラのストレス テストをシミュレーションしたりするような複雑な問題において、クローは、人間の介入によってボトルネックになりかねない膨大な反復処理を管理することができます。
- 提案から実行への移行: 多くのワークフローにおいて、標準的な AI は情報提供やドラフト作成に使用されます。つまり API との連携や、データベースの更新、長期にわたるファイル管理など、つまり AI が実行段階に移行することを目標とする場合、クローの導入が検討されることがよくあります。
- リソースの最適化: トークンを大量に消費する大規模なリーズニング タスクの場合、NVIDIA DGX Spark パーソナル AI スーパーコンピュータのような専用ハードウェア上にローカル クローを展開することで、クラウド API 呼び出しを頻繁に行う場合と比較して、コスト予測とデータ プライバシーが向上します。
組織は長期稼働自律型エージェントをどのように活用しているか?
長期稼働自律型エージェントの実用的な活用例は、あらゆる機能や業界に及んでいます。
金融サービス分野では、エージェントが取引システムや規制関連の情報を継続的に監視し、朝のレビュー前に重要な事象をフラグ付けしています。創薬分野では、エージェントが最新の科学文献を精査し、関連する知見を抽出して、研究者の介入なしにリアルタイムで社内データベースを更新しています。これは、以前は数週間を要していたプロセスです。
エンジニアリングや製造分野では、エージェントが数千ものパラメータの組み合わせをテストし、結果をランク付けして検証すべき構成をフラグ付けすることで、問題分析を加速させています。これらすべてが一晩で完了するのです。
IT 運用においては、エージェントがインフラのインシデントを診断し、既知の対処法を適用して、新規の問題のみをエスカレーションすることで、解決までの平均時間を数時間から数分に短縮しています。ServiceNow では、Apriel および NVIDIA Nemotron モデルを活用する AI スペシャリストが、チケットの 90% を自律的に解決しています。
企業は自律型エージェントをどのように責任をもって展開すべきか?
自律型エージェントは実践的に動作します。通信の送信、ファイルの書き込み、API の呼び出し、稼働中のシステムの更新など、さまざまな動作が可能です。エージェントが誤った動作を行った場合、深刻な結果を招きます。そのため、導入スタート時から適切な説明責任体制を整えることが不可欠であり、本番環境に自律型エージェントを導入する組織は、ガバナンスを最優先事項として扱う必要があります。
組織は、エージェントの動作を把握し、各ステップにおけるリーズニング プロセスを検証し、動作を監査し、必要に応じて介入する必要があります。
自律型エージェントを責任持って展開する組織は、以下の3つの優先事項に重点を置いています。
- オープンで監査可能なフレームワーク: NemoClaw は、OpenClaw の MIT ライセンスに基づくコードベース上に構築されているため、組織はエージェント ハーネス全体を所有することになります。組織は、エージェントの構築および展開方法のあらゆる層を閲覧、フォーク、修正することができます。この透明性により、チームはコード レベルでシステムを理解し、制御することが可能になります。NVIDIA Nemotron のようなオープン ソース モデルをローカルで実行することで、患者記録、法的文書、金融取引、独自の研究データなど、機密性の高いワークロードを組織内の環境内に留め、トレース データが確実に組織の管理下に留まります。
- ランタイム環境のセキュリティ確保: NemoClaw は、エージェントが実行できる操作とできない操作を厳密に定義し、初めから明確な権限の境界を強制するサンドボックス環境である OpenShell 内でエージェントを実行します。
- ローカル コンピューティング: NVIDIA DGX Spark スーパーコンピューターは、データセンタークラスの GPU 性能をデスクトップ サイズの筐体で実現します。常時稼働する継続的なローカル推論のために設計されており、モデルをローカルでホストし、データを組織の環境内に保持します。NVIDIA DGX Station システムは、複数エージェントを同時実行するチーム向けの複雑かつ継続的なワークロードへと、その機能を拡張します。
自律型エージェントの実務における役割を定義している組織は、貴重な資産を蓄積しつつあります。それは、数ヶ月にわたる実稼働環境での学習成果、実際のワークロードを通じて構築されたガバナンス フレームワーク、そして真に役立つ組織的コンテキストを吸収したエージェントです。この基盤は、今後さらに強固なものになっていくでしょう。
NVIDIA NemoClaw を使ってみましょう
NVIDIA DGX Spark 上で NemoClaw を使用して、より安全な AI エージェントを構築する方法をステップバイステップで解説したチュートリアルをご覧ください。NemoClaw が、単一のコマンドでさらに安全に常時稼働する AI アシスタントを展開している現状をご確認ください。
GitHub で公開中の NemoClaw を試してみてください。また、NVIDIA Nemotron 3 Super と Telegram を DGX Spark 上で活用して NemoClaw を開発している開発者のコミュニティに Discord で参加しましょう。
NVIDIA AI ニュースに登録、コミュニティに参加、LinkedIn、Instagram、X、Facebook で NVIDIA AI をフォローすることで、エージェント型 AI や NVIDIA Nemotron などの最新情報を入手できます。
オンデマンドの動画チュートリアルやライブ配信もご覧ください。