AnthropicがUCバークレーのCS部門長ジェラニ・ネルソン氏を招聘、AI人材獲得競争は「理論と数学」の新局面へ
2026年7月3日 23:11
AIスタートアップのAnthropic（アンソロピック）は、カリフォルニア大学バークレー校（UCバークレー）の電気工学・コンピュータ科学（EECS）部門長であるジェラニ・ネルソン教授を技術スタッフとして迎えた。ネルソン氏は、巨大データを効率的に処理する「ストリーミングアルゴリズム」や次元削減の世界的権威であり、今回の移籍はAI開発における「理論的限界の解明」の重要性が高まっていることを示している。ノーベル賞受賞者や著名研究者の移籍が相次ぐ中、この動きは今後のAIモデルのメモリ効率化や計算コスト削減に大きな影響を与える可能性がある。
■理論コンピュータ科学の権威がAnthropicへ
2026年7月1日（水曜日）、UCバークレーの電気工学・コンピュータ科学（EECS）部門長であり、理論コンピュータ科学の教授であるジェラニ・ネルソン（Jelani Nelson）氏が、大学を休職してAnthropicに技術スタッフ（Member of Technical Staff）として加入することを発表した。ネルソン氏はX（旧Twitter）への投稿で、同社への加入と大学からの休職を報告し、「現代を定義するテクノロジー」において、才能豊かでミッション主導のメンバーと共に働けることへの興奮を語った。
この発表により、AI業界の人材獲得競争は、これまでになく理論的な基盤を持つ人材の獲得へとシフトした。ネルソン氏は、実際にモデルを構築するエンジニアではなく、モデルが何を計算でき、何を計算できないかを数学的に証明する理論家である。
Anthropicにとって、今回の採用は極めて重要なタイミングで行われた。同社には過去6週間で4人の著名な研究者が加入している。5月には事前学習研究を率いるためにアンドレイ・カルパシー（Andrej Karpathy）氏が加入し、6月19日にはタンパク質構造予測AI「AlphaFold」の開発者でノーベル化学賞受賞者のジョン・ジャンパー（John Jumper）氏がGoogle DeepMindからの移籍を発表した。カルパシー氏らが実験的・生物学的な専門知識をもたらしたのに対し、ネルソン氏は計算効率の理論的基盤をもたらすことになる。
■ジェラニ・ネルソン氏の経歴と「ストリーミングアルゴリズム」
ネルソン氏は、コンピュータ科学の中でも最も難解な数学的領域でキャリアを築いてきた。マサチューセッツ工科大学（MIT）で学士、修士、博士号を取得し、2011年に大規模データセット向けの効率的なアルゴリズムに焦点を当てた研究で博士号を取得した。その後、バークレー、プリンストン、高等研究所（IAS）でのポスドクを経て、2013年にハーバード大学のコンピュータ科学教員に就任。2019年にはUCバークレーに移籍し、理論コンピュータ科学の共同研究における世界的な拠点であるサイモンズ理論計算機科学研究所の中心人物となった。2024年秋からは、世界最高峰のプログラムの一つであるバークレーEECSのCS部門長を務めていた。
彼の研究分野は、ストリーミングアルゴリズム、次元削減、ランダム化アルゴリズムに及ぶ。これらに共通する根本的な問いは、「メモリに収まらないほど巨大なデータセットがある場合、そのデータに関する質問に答えるために必要な絶対的な最小計算量はいくらか」というものだ。エンジニアがプログラムを高速化するのに対し、ネルソン氏はプログラムが「理論上どこまで高速に動作し得るか」を証明する。エンジニアがメモリ使用量を削減するのに対し、ネルソン氏は「あらゆるアルゴリズムが使用し得る最小のメモリ量」を数学的に証明する。
■なぜAnthropicは「ストリーミングアルゴリズム」を必要とするのか
ストリーミングアルゴリズムとは、データを1回だけスキャン（シングルパス）して処理し、メモリ使用量をデータセットのサイズに対して対数（logarithmic）的にしか増加させないアルゴリズムのことである。
ネルソン氏の最も有名な業績の一つは、キャスパー・グリーン・ラーセン（Kasper Green Larsen）氏と共に、次元削減の基礎である「ジョンソン＝リンデンシュトラウスの補題（Johnson-Lindenstrauss lemma）」が数学的に最適であることを証明したことだ。この補題は、高次元の点集合を、点同士の距離をほぼ保ったまま、はるかに低い次元の空間に埋め込めることを示している。この理論は、現代のAIにおけるRAG（検索拡張生成）パイプラインを支えるベクトル検索システムや、自然言語処理に直接応用されている。
また、ネルソン氏はダニエル・ケイン（Daniel Kane）氏と共同で、より計算効率の高い「Sparse Johnson-Lindenstrauss Transform」を開発した。さらに、ケイン氏およびデビッド・ウッドラフ（David Woodruff）氏と共に、データストリーム内のユニークな要素の数を正確に特定する「count-distinct問題」において、メモリ使用量を極限まで抑えた漸近的最適アルゴリズムを開発している。
これらの成果がAnthropicにとって極めて重要なのは、大規模言語モデル（LLM）のトレーニングと実行における最大のコスト要因が、データストリームに対するメモリと計算効率だからである。事前学習において、モデルは天文学的な量のテキストデータを順次処理する。また、推論時には、過去に計算したアテンション状態を記録して重複計算を防ぐ「キー・バリュー（KV）キャッシュ」へのアクセスが必要となる。例えば、100万トークンのコンテキスト窓を持つ「Llama-3-8B」のようなモデルでは、KVキャッシュだけで137ギガバイト以上のストレージが必要となり、一般的な80ギガバイトのGPU1枚の容量を超えてしまう。このキャッシュをどのように管理し、圧縮するかという課題は、まさにストリーミングアルゴリズム理論が解決を目指す領域そのものである。
■「休職モデル」がもたらす大学と業界への影響
ネルソン氏は「大学を休職する」という表現を意図的に使っている。休職（leave of absence）は退職ではない。バークレーでの教授職は維持され、将来的に復職することが可能だ。かつてフェイフェイ・リー（Fei-Fei Li）氏も同様の仕組みを利用して、2017年から2019年までGoogleのクラウドAI担当バイスプレジデント兼チーフサイエンティストを務めた後、スタンフォード大学に復帰した。このアプローチは、シニア研究者がAI業界に移行する際の主流モデルとなっている。
この仕組みは、双方に非対称なメリットをもたらす。研究者にとっては、最先端ラボの膨大な計算資源やデータ、エンジニアリングインフラをフルに活用できる一方で、大学に戻る選択肢も確保できる。Anthropicにとっては、摩擦を最小限に抑えて優秀な人材を獲得でき、その研究者の指導学生や共同研究者のネットワークにもアクセスできるようになる。大学にとっては、優秀な人材の「永久的な喪失」ではなく「一時的な貸し出し」で済む。しかし、AIラボが提示する株式（未公開株）の価値がアカデミアの給与の何倍にも達する現状において、この「一時的」という言葉が何を意味するのか、大学側は明確な答えを持てていない。
Anthropicの採用力は偶然ではない。人材調査会社SignalFireの「2025 State of Talent Report」によると、Google DeepMindのエンジニアがAnthropicに移籍する確率は、その逆の約11倍に達するという。また、Anthropicは2026年6月1日に秘密裏にIPO（新規公開株）関連文書を提出したと報じられており、その評価額は約9650億ドル（約155兆3650億円、1ドル=161円換算）、年間換算売上高は推定470億ドル（約7兆5670億円、1ドル=161円換算）に上る。このレベルの未公開株による報酬は、上場企業や大学が給与調整だけで埋められるものではない。
■2週間で起きたAI業界の人材大移動
ネルソン氏の7月1日の発表は、AI業界において前例のない、わずか2週間の間に起きた一連の人材移動の締めくくりとなった。
まず6月18日、GoogleのエンジニアリングVPであり、Geminiの共同リード、そしてTransformerアーキテクチャを提唱した著名な論文「Attention Is All You Need」の共著者であるノーム・シャジール（Noam Shazeer）氏が、OpenAIへの移籍を発表した。Googleが彼をCharacter.AIから呼び戻すために約27億ドル（約4347億円、1ドル=161円換算）を支払ってから、わずか2年足らずでの出来事だった。
翌6月19日には、AlphaFoldの業績で2024年のノーベル化学賞を共同受賞したジョン・ジャンパー氏が、約9年間在籍したGoogle DeepMindを去り、Anthropicに加入することを発表した。このニュースを受けて親会社Alphabetの株価は下落し、投資家はGoogleのトップ人材引き留め能力に疑問を抱くようになった。
その後すぐに、DeepMindでGoogleのAIコーディングチームを率いていたジョナス・アドラー（Jonas Adler）氏や、モデルの事前学習を担当していたアレクサンダー・プリッツェル（Alexander Pritzel）氏もAnthropicへの加入を認めた。さらに6月25日には、UCバークレーで19年間教授を務めたドーン・ソン（Dawn Song）氏が、MetaのSuperintelligence LabsにAI研究担当VPとして加入することを発表した。
わずか2週間足らずの間に、ノーベル賞受賞者1名、Transformerの共著者1名、DeepMindのシニア研究者2名、AI安全性のベテラン学者1名、そして現職の部門長1名が移動した。そして、そのうちジャンパー、アドラー、プリッツェル、ネルソンの4名がAnthropicに集結した。
この人材獲得の構成は、AI分野が今後どこに向かおうとしているかを示している。これまでの採用競争は「より大きなモデルをトレーニングできるエンジニア」を対象としていた。しかし、今回の波は「モデルに何ができるか、その限界を理解している人物」を対象としている。すなわち、Transformerの設計者、タンパク質折りたたみのノーベル賞受賞者、およびメモリの下限を証明する理論家たちである。
AIモデルが数兆パラメータ規模にスケールし、コンテキスト窓が数百万トークンに拡大する中、「エンジニアリングで効率化できる領域」と「数学的な限界（床）」のギャップは、決定的な競争変数となる。ネルソン氏のキャリアは、まさにその「床」をマッピングすることに捧げられてきた。AIの競争は、もはや「誰が最も巨大なモデルを構築するか」だけではない。数学的な証明のレベルにおいて、「いかなるモデルであっても、そもそも何を計算できるのか」を誰が理解しているかという競争へと移行しつつある。
■注目ポイントQ&A
●ジェラニ・ネルソン氏はなぜUCバークレーを休職してAnthropicに加入したのですか？
ネルソン氏はAIを「現代を定義するテクノロジー」と表現し、優秀なメンバーと共に働くことへの興奮を語っています。また、背景にはAnthropicの強力な採用力があります。同社は推定評価額約9650億ドル（約155兆3650億円）規模でIPOを控えていると報じられており、大学や上場企業では対抗できないレベルの未公開株による報酬や、大学では得られない規模の計算資源を提供できることが大きな魅力となっています。
●「ストリーミングアルゴリズム」はAI開発にどのように役立つのでしょうか？
ストリーミングアルゴリズムは、メモリに収まらない巨大なデータを効率的に処理する技術です。LLMの推論時には、過去の文脈を保持する「KVキャッシュ」が膨大なメモリを消費し、GPUの容量を超えるボトルネックとなります。ネルソン氏が研究してきたストリーミングアルゴリズムや次元削減の理論は、このキャッシュの圧縮や管理、またRAG（検索拡張生成）で使われるベクトルデータベースの最適化において、数学的な限界（これ以上改善できない理論上の最小値）を特定し、効率を極限まで高めるために不可欠な基礎となります。
●大学の教授が企業へ移籍する「休職モデル」にはどのような課題がありますか？
休職モデルは、研究者が大学の終身在職権（テニュア）を維持したまま企業で働けるため、研究者にとってはリスクが低く、大学にとっても「一時的な貸し出し」で済むというメリットがあります。しかし、研究者が企業の膨大な計算資源に依存するようになると、大学の限られた環境に戻ることが難しくなる可能性があります。また、休職中に指導する大学院生が業界へ流出するなど、大学のアカデミックな研究基盤が空洞化する懸念も指摘されています。
元記事: Anthropic Hires Berkeley CS Chair Jelani Nelson, Signaling New Phase of AI Race