国内最大規模の学習型 IT カンファレンスである AWS Summit Japan が、2026 年 6 月 25 日（木）・26 日（金）の二日間にわたり幕張メッセで開催されます。今年のサミットでは エージェンティック AI と Physical AI（フィジカル AI） が大きなテーマとして掲げられており、AI Agent が自律的にタスクを遂行するだけでなく、現実世界のモノを動かす技術に注目が集まっています。ヘルスケア・ライフサイエンス（ HCLS ）ブースでは、昨年に続き（ 開催報告はこちら ）、今年も多彩なデモを展示予定です。 本記事では、その中から AWS 上の AI Scientist（ AI 科学者）が実験用ロボットを直接操作し、自律的に科学実験を遂行する Self-Driving Lab デモをご紹介します。 創薬研究と DMTA サイクル ライフサイエンス研究、特に創薬研究では DMTA サイクル （ Design–Make–Test–Analyze ）と呼ばれる反復プロセスが広く用いられています。研究者は候補となる化合物や実験条件を 設計（ Design ） し、それを実際に 合成・作製（ Make ） し、得られたサンプルを 測定・評価（ Test ） し、その結果を 分析（ Analyze ） して次のサイクルへフィードバックする ― このループを何度も回しながら、最適な化合物や条件を探索していきます。しかし、各ステップには専門的な判断と手作業が伴います。サイクルを回す速度と、同時に探索できる範囲が、研究の進捗を左右する大きなボトルネックです。 AI Agent が変える研究のかたち ” Self-Driving Lab ” ― Dry から Wet へ 近年、 AI Agent は研究の世界に急速に浸透しつつあります。 DMTA サイクルにおける Design（設計）や Analyze（分析）のような Dry（計算・情報処理）のプロセス ― すなわちコンピュータ上で完結する In Silico の領域 ― では、最新の基盤モデルを活用した AI Agent が研究者レベルの分析・推論を行えるようになってきました。一方で、 Make（合成）や Test（評価）のような Wet（実験）のプロセス は物理的な操作を伴います。コンピュータの中に閉じた AI Agent だけでは、このステップを自律的に実行することはできませんでした。ここに Physical AI ― AI が実世界の装置やロボットを直接制御する技術 ― を組み合わせることで、はじめて DMTA サイクル全体を AI が回しきることが可能になります。 もし AI が DMTA サイクルのすべてのステップ ― Dry も Wet も ― を自律的に実行できたら、何が起こるでしょうか。 AI が仮説を立て、実験を設計し、ロボットに指示を出して実際にサンプルを作り、測定結果を解析し、次の実験を自分で決める。このループを AI が完全に閉じることができれば、人間の介在なしに実験を 24 時間回し続けることが可能になります。これが Self-Driving Lab（自律実験室）のコンセプトです。 Self-Driving Lab が実現することで、探索の範囲を一気にスケールアウトでき、従来であれば研究者が数週間かけて到達する結論に、はるかに短い時間で辿り着ける可能性があります。 ラボ自動化の壁を AI が乗り越える ラボの自動化装置自体は以前から存在しています。しかし、こうした装置を動かすには実験ごとに専用のプロトコル（メソッド）を作成する必要があり、実験のたびに条件が変わる研究の現場では「プロトコルを毎回書き直す学習コスト・構築コストが重い」という壁がありました。結局、手作業のほうが早いと判断されてしまうケースが少なくありません。 AI Agent がプロトコル設計やバリデーションを自律的に行えるようになると、この状況は大きく変わります。今回のデモのようにループを完全に閉じる Self-Driving Lab だけでなく、研究者と AI が協調しながらプロトコルを半自動的に生成・検証するだけでも、 Wet 研究を大幅に加速できます。自動化装置の真のポテンシャルを引き出す鍵が、 AI Agent にあると言えるでしょう。 デモ紹介：AI Scientist ― フィジカル AI が実現する眠らないラボ 今年の HCLS ブースでは、 Self-Driving Lab のコンセプトを体感いただけるライブデモを展示します。シナリオはシンプルです。 3 種類の異なる色の原液（ A / B / C ）をランダムな比率で混合した「秘密サンプル」を用意します。 AI Scientist は、この秘密サンプルの配合比率を、実際にロボットを操作しながら自律的に突き止めます。 具体的な流れを見てみましょう。 まず AI は秘密サンプルの吸光度スペクトル（光の吸収度合いを波長ごとに測定したデータ）を取得し、ターゲットとなる測定値を把握します。 次に、配合比率に関する仮説を立て、それを検証するための実験パターンを設計します。 設計が決まると、 AI は自動分注装置（ Tecan Fluent ）に対して分注指示を送り、配合候補のサンプルを実際に作製します。 作製したサンプルの測定データをターゲットと比較・分析し、差異が大きい部分に注目して次に試すべき配合を決定します。 このサイクルを数回繰り返すうちに推定精度が上がり、最終的には正しい配合比率に到達します。 色水という身近な題材ではありますが、 AI が「考えて、試して、学んで、また試す」という科学研究の本質的なプロセスを自律的に実行する様子を目の前でご覧いただけます。 Dry のプロセス（仮説生成・実験設計・データ分析）と Wet のプロセス（ロボットによる分注・測定）の両方を AI が担い、ループを完全に閉じて自律的に回している点が、本デモの最大の見どころです。徐々に混合液の色が正解に近づいていく過程は、視覚的にもお楽しみいただけるポイントです。 技術的なポイント 自動分注装置との接続には SiLA 2 （ Standardization in Lab Automation ）プロトコルを採用しています。 SiLA 2 はラボ機器間の通信を標準化するオープンな国際規格で、メーカーを問わず装置を統一的なインターフェースで制御できるようにするものです。これにより、 AI Agent がソフトウェアから直接ロボットを操作する連携が可能になります。AI Agent 自体は Amazon Bedrock 上で動作し、実験の計画立案から測定結果の解析、次の実験の意思決定までを一貫して担います。実験全体のワークフロー管理には AWS のクラウドサービスを活用し、一連の自律実験ループをオーケストレーションしています。アーキテクチャの詳細・実装の工夫・技術的なご質問は、ぜひ当日ブースにて直接どうぞ。 同じアーキテクチャで広がる応用先 今回は色水の配合比率という分かりやすいシナリオでデモを行いますが、この Self-Driving Lab のアーキテクチャは、より実践的な研究課題へそのまま展開できます。 創薬研究におけるアッセイ（生物活性の測定試験）条件の最適化 細胞培養のための培地組成探索 製剤における処方設計 いずれも「複数の条件を組み合わせて最適解を見つける」という課題構造は共通しており、 AI が自律的に探索空間を効率よくカバーする Self-Driving Lab の真価が発揮される領域です。HCLS ブースでは、本デモのライブ実演に加え、 4 月に一般提供が開始された Amazon Bio Discovery のデモなど、複数の展示を用意しております。「 AI × ロボット × クラウド」が創る研究の未来を、ぜひ会場で体感してください。皆さまのご来場を心よりお待ちしております。 ヘルスケア・ライフサイエンス関連ブースのご案内：ブース一覧 エリア ブース番号 タイトル テーマ AWS for Healthcare & Life Sciences A001 AI Scientist ― フィジカル AI が実現する眠らないラボ Self-Driving Lab A013 中外製薬株式会社 創薬・業務向け AI 共通基盤 A014 第一三共株式会社 AWS PCS × AI エージェントによる創薬研究基盤 A015 Amazon Bio Discovery AI エージェント型 AWS マネージドサービス A016 AI エージェントが実現する次世代医療ワークフロー AI エージェントによる自律的な診断支援 AWS for Public Sector A039 神戸大学大学院医学系研究科 生成 AI 書類審査ソリューション「 RAPID 」 A040 公共ヘルスケア＆アカデミア ヘルスケア× AI ：医療・介護の未来 A001　AI Scientist ― フィジカル AI が実現する眠らないラボ AI が仮説を立て、実験し、最適解を導く ― クラウドが繋ぐ Self-Driving Lab AI が自律的に仮説を立て、ライフサイエンス向けオートメーションワークステーション実機へ実験を指示し、測定結果を解析して次の実験計画を自ら決める。このサイクル全体を AWS クラウドがオーケストレーション。ブースでは実機稼働の様子をリアルタイムで観察でき、 AI が「秘密の混合サンプル」を自力で推定・再現する瞬間を目の前で体感できます。ぜひブースにお立ち寄りください。 A013　中外製薬株式会社 創薬・業務向け AI 開発を支える AWS 共通基盤 中外製薬では、創薬領域や全社業務の変革に向けた AI 活用を支える基盤の整備を進めています。 AWS 上に認証、 API 連携、 LLM 利用等の共通機能を集約することで、 AI アプリごとの重複実装を抑制し、品質向上と開発スピード向上を両立します。 AI 活用を広げながら、新たなアプリ、エージェント開発・連携や価値創出に繋げる取り組みをご紹介します。 A014　第一三共株式会社 AWS PCS と AI エージェントで作る創薬研究基盤 近年、 AI や解析技術の急速な発展により研究の在り方は大きく変革しており、ロボティクスや生成 AI の導入によって、大量の情報に基づく意思決定の質の向上と効率化が期待されています。第一三共では AWS PCS を用いた解析基盤の安定化と、 AI エージェントによる研究効率化に挑戦しました。本発表では技術導入の背景・成果・今後をご紹介します。 AI エージェントが研究現場にもたらす変革の可能性や期待について、議論できれば幸いです。 A015　AI 創薬 新サービス Amazon Bio Discovery Lab in the loop の創薬をすべての研究者に ― AI エージェント型 AWS マネージドサービス このブースでは、 AWS の新サービス「 Amazon Bio Discovery 」をご紹介します。 AI エージェントと 40 以上の生物学 AI モデルを活用し、抗体設計からウェットラボ検証までを一気通貫で支援する AWS マネージドサービスです。計算予測と実験結果が自動フィードバックされることで、研究組織全体で「 Lab-in-the-Loop 」をアクセス可能かつスケーラブルにすることが可能です。ご興味ある方はぜひブースにお立ち寄りください。 A016　AI エージェントが実現する次世代医療ワークフロー 画像解析からレポートドラフト生成まで ― 自律的な診断支援で医師を支える 日本の放射線科医は世界トップクラスの画像診断件数をこなし、業務負荷は増す一方です。本展示では、新規の医用検査画像の到着を起点に Amazon Bedrock AgentCore にホストされた AI エージェントが読影前の準備を自律的に遂行し、医師が確認と最終判断に集中できるワークフローをお見せします。  エージェントが自動で行うこと： 電子カルテから患者背景・既往歴・過去の読影レポートを収集 専門の医療 AI モデルによる病変検出・臓器セグメンテーション・画像所見の解釈 過去検査の確定所見との突き合わせによる経時比較 診断ガイドライン等と照合した日本語の構造化レポートドラフトを生成。過去レポートから読影医の記述スタイルを抽出し、その医師らしい書き味で下書き 医師は AI エージェントによる解析結果とドラフトを確認・修正するだけでレポートを仕上げられ、診断までの時間を短縮可能になります。チャットでの追加指示や所見の深掘りも可能です。ぜひブースで体感してください。 A039　公共アカデミア 神戸大学大学院医学系研究科  生成 AI 書類審査ソリューション「 RAPID 」による研究申請プロセス DX / AX 神戸大学 MedLeap（医療特化型スタートアップ拠点）は、研究審査における修正の往復という課題に対し、申請プロセスを再設計する取り組みを進めています。その実装として、 Amazon Bedrock を基盤とする書類審査ソリューション「 RAPID 」で先行開発中。現場のスピードと品質の両立を目指し、当日は、今後の展望をご紹介いたします。 AI 実装、業務改革、産学共創、実証フィールド、スタートアップ創出に関心のある皆様のご来訪をお待ちしております。 A040　公共部門 ヘルスケア ヘルスケア× AI ：医療・介護の未来 AWS の先進技術を活用し、医療・介護の現場課題を解決するデモを展示します。医療文書の自動生成や診察・カンファレンスにおける音声入力を利用した診療録・記録の作成、医療情報ガイドラインやデジタル庁 GCAS ガイドを遵守したアプリケーション開発に AWS のエージェントコーディングツール Kiro を活用する方法、 Kiro と AWS HealthOmics を利用した精密医療のためのゲノミクス解析と可視化、さらには AI を利用した研究計画書の自動作成まで、ヘルスケアにおける幅広い AI 活用の最前線をぜひブースでご体験ください。 Summit 会場：HCLS ブースへのアクセス 本ブログは AWS Summit Japan 2026 ヘルスケア・ライフサイエンスブースの展示紹介シリーズです。他の展示内容については追って公開予定です。

AWS Graviton プロセッサは世代を重ねるごとに着実に進化を遂げ、イテレーションを経るごとに、コンピューティングパフォーマンス、料金パフォーマンス、エネルギー効率の点で進歩してきました。re:Invent 2025 では、Graviton5 を搭載した初のインスタンスである Amazon EC2 M9g のプレビュー版について お知らせしました 。それ以降、お客様は、幅広いワークロードで M9g をテストし、その結果を共有してくださいました。 ClickHouse は、コードを変更することなく、M8g と比較して 36% のパフォーマンス向上を実現しました。 Honeycomb は、本番オブザーバビリティワークロードの 6 か月間の A/B テストにおいて、Graviton4 と比較してコアあたりのスループットが 36% 向上しました。  HubSpot は、MySQL データベースに M9g をデプロイし、クエリ実行時間を最大 60% 短縮しました。2026 年 6 月 10 日より、M9g インスタンスと、高速かつ低レイテンシーのローカル NVMe SSD ストレージを必要とするお客様向けの新しい M9gd インスタンスの一般提供を開始しました。どちらのインスタンスも、AWS がこれまでに構築した中で最も強力かつエネルギー効率に優れたプロセッサである Graviton5 を搭載しています。 業界では多くの Arm ベースのインスタンスが登場していますが、AWS Graviton の展開の幅広さと奥深さに匹敵するものは他にありません。カスタムシリコンの 5 つの世代と 8 年間の継続的な投資を経て、Graviton は 350 を超えるインスタンスタイプを支え、スタートアップから大企業、強固な ISV パートナーエコシステム、幅広い一連のマネージドサービスに至るまで、12 万を超えるお客様にサービスを提供しています。Graviton は、ウェブアプリケーション、マイクロサービス、分析、データベース、機械学習 (ML) 推論、Electronic Design Automation (EDA)、ゲーム、動画エンコーディングなど、多種多様なワークロードにご利用いただけます。ワークロードでのコンピューティング負荷がより高まり、ワークロードがよりデータドリブンになるにつれ、より多くのデータを移動し、ワークロードをより迅速に完了させるために、より高い処理能力に加え、ネットワークとストレージの帯域幅の拡大を求める声が高まっています。また、当社は、コンピューティング、メモリ、I/O を効率的にパッケージ化して、エネルギー効率を最大化するために、これらのインスタンスを設計しました。 AI の役割が、質問への回答から、アクションの実行、コードの実行、ツールの使用、結果の評価、複数ステップのタスクのオーケストレーションに移行するにつれ、CPU コンピューティングの需要は急速に高まっています。Graviton5 はこの変化に対応するために構築されました。192 コア、5 倍の L3 キャッシュ、最大 33% 低いコア間レイテンシー、高帯域幅を実現する DDR5 メモリを搭載した Graviton5 は、エージェントが CPU バウンドなステップでの待機時間を短縮して、より多くの命令を処理し、多数の同時実行環境に対応するとともに、アクセラレーターを常に稼働させ続けるのに役立ちます。 Meta は、そのエージェンティック AI の取り組みをサポートするために、まずは数千万コアの規模で Graviton を大規模にデプロイしており、Graviton を利用する世界最大のお客様の 1 社となっています。リアルタイム推論、コード生成、複数ステップのタスクのオーケストレーションなど、エージェンティック AI ワークロードは CPU 負荷が高く、Graviton5 の優れたコンピューティングパフォーマンス、より大きなキャッシュ、より高いメモリ帯域幅、コア密度の恩恵を享受できます。 M9g および M9gd の新機能 第 6 世代 AWS Nitro System を基盤として構築された M9g インスタンスは、Graviton4 プロセッサと比較して、より高いコンピューティングパフォーマンス、より大きなキャッシュ、改善されたメモリおよび I/O スケーラビリティを提供する AWS Graviton5 プロセッサを搭載しています。Graviton5 は、Graviton4 ベースのインスタンスと比較して、最大 25% 優れたコンピューティングパフォーマンスを提供し、ウェブアプリケーションでは最大 35%、機械学習推論では最大 35%、データベースでは最大 30%、パフォーマンスが高速化されます。AWS Graviton5 インスタンスは、AWS フリートで初めて最新世代の PCIe Gen6 と DDR5-8800 メモリをサポートする CPU として、クラウドにおけるあらゆるプロセッサインスタンスの中で最速のメモリと、前世代と比較して 5 倍の L3 キャッシュを提供します。 また、これらの改善により、エネルギー効率も向上します。そのため、性能を損なうことなく、持続可能性に関する目標を達成するのに役立ちます。 コンピューティングの増大に対応するため、ネットワーキングとストレージの帯域幅が拡張されました。M9g および M9gd インスタンスは、さまざまなサイズにわたって、平均で最大 15% 高いネットワーク帯域幅と 20% 高い Amazon Elastic Block Store (Amazon EBS) 帯域幅を提供し、最大インスタンスサイズではネットワーク帯域幅が最大 2 倍になります。また、M9g および M9gd インスタンスは、Amazon EC2 インスタンスの Amazon EBS と Amazon Virtual Private Cloud (Amazon VPC) ネットワーキングの間の帯域幅の割り当てを最大 25% 調整するのに役立つ機能である Instance Bandwidth Configuration (IBC) もサポートしています。IBC は、データベースの読み書きのパフォーマンス、クエリ処理、ログ記録など、特定の帯域幅要件を満たす必要があるワークロードのパフォーマンスの最適化に役立ちます。これらの機能強化は、高い I/O パフォーマンスを必要とするワークロードのために、より迅速なデータ移動と改善されたスループットをサポートします。 セキュリティと分離は、クラウドでワークロードを実行するための基本的な要件です。Nitro System 内では、AWS Nitro Hypervisor が、インスタンス同士で、また、AWS オペレーターからも分離するように設計されています。M9g および M9gd インスタンスでは、Nitro Isolation Engine の導入により、セキュリティの水準をさらに引き上げています。Nitro Isolation Engine は Nitro System の機能強化であり、インスタンスの分離を強制し、形式検証を活用して数学的な精度で分離の保証を提供します。Nitro Isolation Engine は、仮想マシン間の分離を強制する役割を担う専用コンポーネントです。その役割には、最小限の一連の API を通じて、仮想マシンのメモリ、CPU レジスタ状態、I/O デバイスに対するあらゆるアクセスを仲介することが含まれます。Nitro Isolation Engine は形式検証を活用しています。形式検証とは、ハードウェアまたはソフトウェアが、特定のテストケースにおいてだけでなく、意図されたとおりに動作することを数学的に証明する手法です。この高度な検証手法により、Nitro は形式的に検証された初のクラウドハイパーバイザーとなっており、数学的に証明されたクラウドセキュリティの新たな標準を打ち立てています。 M9g インスタンスは、4 GiB のメモリごとに 1 vCPU を提供し、アプリケーションサーバー、マイクロサービス、中規模データストア、ゲーミングサーバー、キャッシングフリート、コンテナ化アプリケーション、大規模 Java アプリケーション、コードリポジトリ、ウェブアプリケーション、エージェンティック AI など、幅広い汎用ワークロードに適しています。 高速かつ低レイテンシーのローカルストレージを必要とするワークロード向けには、M9gd インスタンスが、最大 11.4 TB の NVMe SSD ストレージに加えて、Graviton4 ベースの M8gd インスタンスと比較して 30% 向上した IOPS とストレージパフォーマンスを提供します。M9gd インスタンスは、アプリケーションサーバー、マイクロサービス、ゲーミングサーバー、中規模 key-value データストア、キャッシングフリート、データログ記録、メディア処理、バッチおよびログ処理、キャッシュやスクラッチファイルなどの一時ストレージを必要とするアプリケーションなど、コンピューティングとメモリのバランスと、高速かつ低レイテンシーのローカルストレージが求められる汎用ワークロードに適しています。 このファミリー全体の主な仕様を次に示します: M9g vCPU メモリ (GiB) ネットワーク帯域幅 (Gbps) EBS 帯域幅 (Gbps) medium 1 4 最大 15 最大 12 large 2 8 最大 15 最大 12 xlarge 4 16 最大 15 最大 12 2xlarge 8 32 最大 17 最大 12 4xlarge 16 64 最大 17 最大 12 8xlarge 32 128 17 12 12xlarge 48 192 25 18 16xlarge 64 256 34 24 24xlarge 96 384 50 36 48xlarge 192 768 100 72 metal-48xl 192 768 100 72 M9gd インスタンスには、ローカル NVMe SSD ストレージが含まれます。以下の表は、各サイズのインスタンスストレージを示しています。コンピューティング、メモリ、ネットワーク、および EBS 帯域幅の仕様は M9g と同じです。 M9gd vCPU メモリ (GiB) インスタンスストレージ (GB) ネットワーク帯域幅 (Gbps) EBS 帯域幅 (Gbps) medium 1 4 1 x 59 NVMe SSD 最大 15 最大 12 large 2 8 1 x 118 NVMe SSD 最大 15 最大 12 xlarge 4 16 1 x 237 NVMe SSD 最大 15 最大 12 2xlarge 8 32 1 x 475 NVMe SSD 最大 17 最大 12 4xlarge 16 64 1 x 950 NVMe SSD 最大 17 最大 12 8xlarge 32 128 1 x 1900 NVMe SSD 17 12 12xlarge 48 192 3 x 950 NVMe SSD 25 18 16xlarge 64 256 1 x 3800 NVMe SSD 34 24 24xlarge 96 384 3 x 1900 NVMe SSD 50 36 48xlarge 192 768 3 x 3800 NVMe SSD 100 72 metal-48xl 192 768 3 x 3800 NVMe SSD 100 72 今すぐご利用いただけます M9g および M9gd インスタンスは、米国東部 (バージニア北部)、米国東部 (オハイオ)、米国西部 (オレゴン)、欧州 (フランクフルト) リージョンでご利用いただけます。M9g および M9gd インスタンスは、 Savings Plans 、オンデマンド、スポットインスタンス、ハードウェア専有インスタンス、または専有ホストを通じて購入できます。詳細については、「 Amazon EC2 の料金 」にアクセスしてください。 M9g および M9gd インスタンスの使用開始に際して、いくつかのリソースをご利用いただけます。 AWS Graviton 開始方法ガイド は、Graviton ベースのインスタンス上でワークロードを構築、実行、最適化する方法をカバーするテクニカルガイドです。 Graviton Savings Dashboard は、Graviton ベースのインスタンス上でワークロードを実行することで実現できるコスト削減を追跡および測定するのに役立ちます。 AWS Transform は、Java アプリケーションを x86 から Graviton ベースの Amazon EC2 インスタンスに移行するためのコード変換を自動化する、AI を利用したサービスです。互換性分析、自動再コンパイル、依存関係の更新、検証を処理します。 Graviton ベースのインスタンスの詳細については、「 AWS Graviton プロセッサ 」または「 Level up your compute with AWS Graviton 」にアクセスしてください。 – Esra 原文は こちら です。

はじめに はじめまして、村尾と申します。 2026年1月にセーフィーへ入社し、気付けばもう5ヶ月が経ちました。 フロントエンドエンジニアとして、日々プロダクト開発に携わっています。 セーフィーに来る前は、愛知県のスタートアップで7年間、フルスタックエンジニアをしていました。 当時から AI には触れていましたが、ここに来てから景色が大きく変わったので、今回は新入社員の等身大の目線で、その変化について書いてみようと思います。 「セーフィーで実際 AI はどう使われているのか」が気になっている方の、雰囲気を掴むヒントになれば幸いです。 まず印象的だったのは「AI 活用に必要なツールが