Third Moment Research、1万のAIエージェントを36時間超稼働

背景と概要

OpenAIが公開した事例紹介によると、AI研究組織のThird Moment Researchは、OpenAIのモデルとツールを使い、長時間連続で働くエージェントのシステムを構築しています。記事が示す中心的な数字は、1万を超えるエージェントが同時に稼働し、その状態が36時間以上続いたという点です。

構成要素として挙げられているのは、GPT-6 AstraとGPT-6.1 Solの2つのモデル、コーディングエージェントのCodex、そしてサイバーセキュリティ向けのDaybreakです。同ラボの狙いは、エージェントが何日も集中を保ち、使うほど賢くなることだとされています。タスクが終わるたびにゼロへ戻る使い方からの脱却を目指しています。

ただし、各エージェントの役割分担、タスクの種類、費用、成功率は公開されていません。以降の分析は、既知の事実と一般的なエンジニアリングの考え方に基づくものです。同チームの内部設計を説明するものではありません。

深掘り分析

36時間という数字が目を引くのは、多くのエージェント製品が今も数分から数十分の単発タスクを前提にしているからです。そこでは、モデルが1つのコンテキストウィンドウの中で計画を立て、ツールを呼び出し、結果を返します。稼働時間が数十時間に延びると、課題は大きく変わります。

1つ目はコンテキストの漂流です。初期の目標や制約が後から入る情報に薄められ、エージェントが気づかないうちに本来の方向からずれる恐れがあります。2つ目はエラーの蓄積です。1ステップごとの失敗確率が小さくても、連鎖が長くなれば全体の信頼性は下がります。チェックポイント、ロールバック、自己検証が欠かせません。3つ目は状態管理です。これだけ長い作業を1回の会話に収めることはできないため、外部メモリ、タスクログ、ファイルシステムに進捗を残し、中断後も続きから再開できる仕組みが要ります。4つ目はリソース配分です。1万のエージェントが並列で動けば、モデル呼び出し、ツール実行、サンドボックスの数も膨大になり、どこか1層のレート制限や障害が全体に波及します。

そのため、36時間を走り切ったという事実は、オーケストレーションと耐障害性の層がある程度の完成度に達したことを示唆します。「使うほど賢くなる」についても注意が必要です。一般には、過去の実行で得た知見を再利用可能なメモリ、スキル、評価データとして蓄え、後続のエージェントが無駄な試行を減らす仕組みを指します。これはシステムレベルの学習であり、モデルの重みが変わるとは限りません。元記事もどちらを指すのかは明らかにしていません。

業界への影響

構成には役割分担の発想が見えます。大規模モデルが推論と判断を担い、Codexが判断をプログラムやスクリプト、自動化フローに落とし込みます。Daybreakは、その能力を価値もリスクも高いセキュリティ分野へ向けます。

サイバーセキュリティは、長時間稼働エージェントの自然な試験場です。脆弱性の探索、ログ分析、攻防演習は、根気、反復、広い網羅性が求められる作業で、人手では費用がかさみます。機械なら休まず作業を広げられます。一方で、この分野では制御性への要求も極めて高くなります。エージェントの操作は一つひとつ監査でき、範囲も限定できなければなりません。能力が上がるほどリスクも増すからです。

開発者や企業の利用者にとっては、評価の物差しが変わる可能性があります。単発の回答の質だけでなく、連続作業の安定性、失敗からの復旧力、完了したタスク1件あたりの費用が問われるでしょう。競合のモデル・エージェント事業者にとっても、長時間タスクは新しい競争軸になります。ベンチマークの点数では差が見えにくく、複雑な仕事を最後までやり切れるかどうかが説得力を左右します。セキュリティ業界では、防御側が大規模な点検にエージェントを使える一方、攻撃側も同様の能力で効率を高められます。アクセス制御、利用審査、責任ある公開の重要性が増します。

今後の展望

注目点は4つあります。第1に、OpenAIがこの種の大規模・長時間のオーケストレーションを製品化するかどうかです。タスクキュー、メモリ保存、チェックポイント、監視用インターフェースが用意されれば、多くのチームがゼロから構築せずに済みます。 第2に、費用の公開です。1万のエージェントを36時間動かせば、計算コストは相当な規模になるはずです。タスク1件あたりの費用が現実的な水準まで下がらなければ、この方式は研究室の外に広がりません。現時点で数値は示されていません。 第3に、評価方法の進化です。数日規模のタスクの達成度を測る新しいベンチマークと、エージェントが本当に改善しているかを見分ける信頼できる方法が求められます。第4に、ガバナンスです。Daybreakのようなセキュリティ向けツールで、認可、監査、悪用防止がどう設計されるかは、この能力の広がり方の健全さを左右します。

この事例が示す方向は明確です。エージェントの競争は、うまく答えられるかから、長い時間をかけて確実かつ安全に仕事を終えられるかへ移りつつあります。ただし、詳細が出そろうまでは、1つの事例を業界全体の水準と見なすべきではありません。