執筆：深思圈あなたは次の疑問を考えたことがありますか：なぜOpenClawはこれほど話題になっているのに、実際に使ってみると多くの人が感じるのは――「賢いけど、もう一歩足りない」？それはモデルの性能不足や機能の少なさではありません。問題は、「考える」部分は解決したが、「行動する」部分が未解決であることです。あなたがタスクを指示すると、彼らは端末上で動作し、IDEで書き、対話ウィンドウで推論します。しかし、「判断完了」から「実際に完了」までの間にはまだ道のりがあり――ウィンドウの切り替え、システムの呼び出し、コピー＆ペースト、確認クリック――これらはすべてあなたが行っているのです。これはOpenClawの設計ミスではありません。これはAIエージェント全体のエコシステムが直面している構造的な問題です。感知と推論の層はかなり成熟していますが、実行層はほぼ空白です。皆が過小評価している変数過去2年間、AIインフラの議論は二つの方向に集中してきました。一つはモデル能力――パラメータ規模、推論速度、コンテキストウィンドウの拡大など、この分野の進展は目覚ましいものがあります。もう一つはエージェントフレームワーク――LangChain、AutoGPT、OpenClawが代表するタスクの編成とスケジューリング能力です。こちらも多くの投資がなされています。しかし、ほとんど誰も取り組んでいない変数があります。それは、「作業ステーションレベルの実行基盤」です。作業ステーションレベルの実行基盤とは何か？簡単に言えば、それはエージェントがあなたの具体的な作業環境で「実際に動かす」ためのものです――特定のサンドボックス環境やコンテナ内ではなく、あなたの実際の画面、ツール、システム上で。なぜこれが難しいのか？それは現実の作業環境の複雑さが、いかなるサンドボックスの模擬をも超えているからです。多くの企業はAPIのないレガシーシステムを運用し、多数のワークフローは五六個の異なるツールを横断し、多くのタスクのコンテキストは複数のウィンドウに散在しています。標準化されたインターフェースは存在しません。この複雑さは、モデルの賢さだけでは解決できません。より低レベルの感知と実行能力が必要です。リアルな画面を見て、ウィンドウ間の状態を理解し、マウスやキーボードを直接操作できる能力です。これこそがエージェントの実現における真のボトルネックであり、多くの人がAIエージェントについて議論する際に過小評価している変数です。Violoopは何をしているのか最近、私の視野に入ったプロジェクトがあります。それがVioloopです。これは、HDMI＋Type-CでPCに接続する、原生のタッチスクリーンAIハードウェアです。MacとWindowsの両方に対応します。外見は目立たないですが、その実現していることは、まさに前述の過小評価されている部分を指し示しています。彼らが取得しているデータは三つです： ・ビデオストリーム（画面全体の視覚認知） ・システムAPI（OSの状態信号） ・HID操作権限（マウス・キーボードの底層制御） これら三層を組み合わせることで、作業ステーションレベルの感知・判断・実行のランタイムを構築しています。さらに重要なのは、その動作モードです。 それは、指示を待つ受動的な実行者ではなく、作業状態を継続的に感知し、積極的に判断して介入のタイミングを決める能動的なランタイムです。彼らは、どのウィンドウを切り替えたか、どのページにどれだけ留まったか、タスクの進行状況を見て、判断し、必要なら動き出す――この設計思想は、現在のすべてのAIツールの「受動応答」モデルとは本質的に異なります。実行層の構造的価値少し詳しく説明したいのは、なぜ実行層の欠如が単なる機能の不足ではなく、構造的な問題なのかという点です。現在のAIエージェントの層構造はおおまかに次のように理解できます： ・モデル層：推論を担い、すでにかなり成熟 ・フレームワーク層：タスクの編成とスケジューリングを担当し、急速に収束中 ・ツール層：特定シナリオの強化を担い、高度に同質化 ・実行層：作業ステーションレベルの感知とツール横断の実行を担う部分はほぼ空白この実行層の欠如は、「エージェントの性能が少し劣る」だけではありません。より深刻な問題は、エージェントの能力の境界が人為的に制限されてしまうことです。例えば、Cursorの能力範囲はIDEに限定され、Claude Codeの能力範囲は端末に限定されます。彼らは自分のコンテナ内では強力ですが、その外側で起きていることは知らず、対応もできません。これは、今日のAIエージェントが本質的に「局所的な強化」に過ぎないことを意味します。特定のツール内での能力は向上しますが、全体のワークフロー全体の能力は向上しません。真にエージェントを実現するには、これらのコンテナの境界を越えた感知と実行能力が必要です。全体を見渡し、操作できるAIシステムが求められます。Violoopのアプローチは、まさにそこにあります。いくつかの深く考えるべき設計決定Violoopのアーキテクチャには、単なる機能選択以上の意図が込められた設計があります。それは、この問題の理解の表れです。録画学習モード：APIのない「現実」への正面からの対応多くの企業は、APIのないレガシーシステムを運用しています。これは技術的な負債の問題ではなく、現実的な制約です。これらのシステムは短期的に消えることも、突然インターフェースを公開することもありません。Violoopの録画学習モードは、固定座標のリプレイではなく、強化学習を用いてタスク構造モデルを構築します。これは、実際の作業環境は動的であり、固定パスに基づく自動化はUIの変化により崩壊するためです。タスクの意図を理解し、変化の中でも高い安定性を保つことが重要です。この判断は正しく、従来のRPAツールが規模拡大時に直面した天井の根本原因でもあります。端末側＋クラウド側の役割分担：推論コストとプライバシーの両立高頻度のマルチモーダル処理（画面認知、視覚理解、プライバシーデータの洗浄）はローカルのチップ上で行い、複雑な推論はクラウドに委ねます。この分担は二つの問題を解決します。 一つはコスト。マルチモーダル推論は現在のエージェントの運用コストの主な要因であり、ローカル化により単一実行コストを大幅に削減できます。 もう一つはプライバシー。敏感なデータはクラウドに送る前にフィルタリングされ、企業のデータガバナンス要件を満たします。さらに、このアーキテクチャによりVioloopは24/7待機を実現可能です。Wake-on-LAN機能と組み合わせることで、指定時間に自動的にホストを起動し、タスクを実行し、再び休眠状態に戻すことができるのです。これは純粋なソフトウェアエージェントでは不可能なことです。ハードウェアレベルの権限隔離：リスクに対するエンジニアリング的対応独立したセキュリティチップが権限審査を担当し、メインの演算チップと物理的に隔離されています。高リスクの操作はハードウェアの確認プロセスを経なければならず、ソフトウェア層の迂回はできません。物理的に切断すれば全停止です。この設計には特に注目しています。なぜなら、「能動的な実行」のリスクを理解し、それに対して明確な対策を講じている証拠だからです。自主的な実行のリスクは、promptやシステムpromptだけでは制御できず、ランタイム層での硬性制約が必要です。これは、実運用環境にエージェントを展開した経験のあるチームだけが持つ判断です。なぜ今この方向性が出てきたのか一つ考えるべき疑問は、実行層の欠如は新しい問題ではないのに、なぜVioloopのようなプロジェクトが今出てきたのかです。私の見解は、次のいくつかの条件が最近同時に成熟したからです。第一、エッジ端のマルチモーダル推論能力が、リアルタイムで画面の視覚信号を処理できるレベルに達した。以前のハードウェアでは不可能でした。第二、大規模モデルのタスク理解能力が十分に高まり、「タスク意図の理解」が「操作シーケンスの記録」だけでなく可能になった。これが録画学習モードの成立条件です。第三、OpenClawのブームが、実行層の欠如問題を露呈させ、市場の需要を明確にしました。これら三つの条件が同時に成熟したことで、かつてなかった新たなウィンドウが開かれたのです。また、Violoopのチーム背景もこの判断を裏付けています。CEOのJaylen Heは連続起業家で、YCに進出経験あり。CTOのZhu KingはMIT EECS出身の天才で、MicrosoftのXbox、HoloLens、Surfaceのエンジニア経験を持ち、2023年からは世界の大手企業で端末側の展開を行っています。これは、OpenClawの流行を見てから参入したチームではなく、条件が整う前からこの方向性を検証してきた証です。さらに、Violoopは一ヶ月で二度の資金調達を完了し、二次ラウンドは面談から契約まで一週間、三次ラウンドも進行中です。このペースは、資本もこの方向性に肯定的であることを示しています。本当に注目すべきサイン製品は4月のKickstarterで正式にクラウドファンディングを開始します。まだ量産には至っておらず、多くの能力は実環境での検証が必要です。 録画学習モードの汎用性、Skill体系の長期的なメンテナンス性、量産ハードの安定性――これらは時間と実ユーザーデータをもって答えを出すべき課題です。しかし、私がすでに判断できることがあります。それは、実行層はエージェントエコシステムにとって、今後2〜3年で必須となるインフラであるということです。 これは、ある製品が流行したからではなく、この層を補完しなければ、感知層や推論層への投資が実際の作業効率の向上に結びつかないからです。このポジションは、いずれ誰かが必ず取り組むでしょう。今の問題は、「実行層は重要かどうか」ではなく、「誰が、どうやって、いつやるか」です。Violoopは、この方向性において、問題を深く理解し、自ら判断したアーキテクチャを持つ数少ないプロジェクトの一つです。OpenClawの爆発的な成功は、エージェントの可能性を示しました。しかし、エージェントの本当の実現点は、新しいモデルのリリース日ではなく、実行層のインフラが整備された日になる可能性が高いのです。これこそが、この熱狂の背後にある、真に注目すべきサインです。
OpenClawの後、なぜ大多数の人はまだ何か物足りないと感じているのか
執筆：深思圈
あなたは次の疑問を考えたことがありますか：なぜOpenClawはこれほど話題になっているのに、実際に使ってみると多くの人が感じるのは――「賢いけど、もう一歩足りない」？
それはモデルの性能不足や機能の少なさではありません。問題は、「考える」部分は解決したが、「行動する」部分が未解決であることです。
あなたがタスクを指示すると、彼らは端末上で動作し、IDEで書き、対話ウィンドウで推論します。しかし、「判断完了」から「実際に完了」までの間にはまだ道のりがあり――ウィンドウの切り替え、システムの呼び出し、コピー＆ペースト、確認クリック――これらはすべてあなたが行っているのです。
これはOpenClawの設計ミスではありません。これはAIエージェント全体のエコシステムが直面している構造的な問題です。感知と推論の層はかなり成熟していますが、実行層はほぼ空白です。
皆が過小評価している変数
過去2年間、AIインフラの議論は二つの方向に集中してきました。
一つはモデル能力――パラメータ規模、推論速度、コンテキストウィンドウの拡大など、この分野の進展は目覚ましいものがあります。
もう一つはエージェントフレームワーク――LangChain、AutoGPT、OpenClawが代表するタスクの編成とスケジューリング能力です。こちらも多くの投資がなされています。
しかし、ほとんど誰も取り組んでいない変数があります。それは、「作業ステーションレベルの実行基盤」です。
作業ステーションレベルの実行基盤とは何か？
簡単に言えば、それはエージェントがあなたの具体的な作業環境で「実際に動かす」ためのものです――特定のサンドボックス環境やコンテナ内ではなく、あなたの実際の画面、ツール、システム上で。
なぜこれが難しいのか？
それは現実の作業環境の複雑さが、いかなるサンドボックスの模擬をも超えているからです。多くの企業はAPIのないレガシーシステムを運用し、多数のワークフローは五六個の異なるツールを横断し、多くのタスクのコンテキストは複数のウィンドウに散在しています。標準化されたインターフェースは存在しません。
この複雑さは、モデルの賢さだけでは解決できません。より低レベルの感知と実行能力が必要です。リアルな画面を見て、ウィンドウ間の状態を理解し、マウスやキーボードを直接操作できる能力です。
これこそがエージェントの実現における真のボトルネックであり、多くの人がAIエージェントについて議論する際に過小評価している変数です。
Violoopは何をしているのか
最近、私の視野に入ったプロジェクトがあります。それがVioloopです。
これは、HDMI＋Type-CでPCに接続する、原生のタッチスクリーンAIハードウェアです。MacとWindowsの両方に対応します。外見は目立たないですが、その実現していることは、まさに前述の過小評価されている部分を指し示しています。
彼らが取得しているデータは三つです：
・ビデオストリーム（画面全体の視覚認知）
・システムAPI（OSの状態信号）
・HID操作権限（マウス・キーボードの底層制御）
これら三層を組み合わせることで、作業ステーションレベルの感知・判断・実行のランタイムを構築しています。
さらに重要なのは、その動作モードです。
それは、指示を待つ受動的な実行者ではなく、作業状態を継続的に感知し、積極的に判断して介入のタイミングを決める能動的なランタイムです。
彼らは、どのウィンドウを切り替えたか、どのページにどれだけ留まったか、タスクの進行状況を見て、判断し、必要なら動き出す――この設計思想は、現在のすべてのAIツールの「受動応答」モデルとは本質的に異なります。
実行層の構造的価値
少し詳しく説明したいのは、なぜ実行層の欠如が単なる機能の不足ではなく、構造的な問題なのかという点です。
現在のAIエージェントの層構造はおおまかに次のように理解できます：
・モデル層：推論を担い、すでにかなり成熟
・フレームワーク層：タスクの編成とスケジューリングを担当し、急速に収束中
・ツール層：特定シナリオの強化を担い、高度に同質化
・実行層：作業ステーションレベルの感知とツール横断の実行を担う部分はほぼ空白
この実行層の欠如は、「エージェントの性能が少し劣る」だけではありません。より深刻な問題は、エージェントの能力の境界が人為的に制限されてしまうことです。
例えば、Cursorの能力範囲はIDEに限定され、Claude Codeの能力範囲は端末に限定されます。彼らは自分のコンテナ内では強力ですが、その外側で起きていることは知らず、対応もできません。
これは、今日のAIエージェントが本質的に「局所的な強化」に過ぎないことを意味します。特定のツール内での能力は向上しますが、全体のワークフロー全体の能力は向上しません。
真にエージェントを実現するには、これらのコンテナの境界を越えた感知と実行能力が必要です。全体を見渡し、操作できるAIシステムが求められます。
Violoopのアプローチは、まさにそこにあります。
いくつかの深く考えるべき設計決定
Violoopのアーキテクチャには、単なる機能選択以上の意図が込められた設計があります。それは、この問題の理解の表れです。
録画学習モード：APIのない「現実」への正面からの対応
多くの企業は、APIのないレガシーシステムを運用しています。これは技術的な負債の問題ではなく、現実的な制約です。これらのシステムは短期的に消えることも、突然インターフェースを公開することもありません。
Violoopの録画学習モードは、固定座標のリプレイではなく、強化学習を用いてタスク構造モデルを構築します。これは、実際の作業環境は動的であり、固定パスに基づく自動化はUIの変化により崩壊するためです。タスクの意図を理解し、変化の中でも高い安定性を保つことが重要です。
この判断は正しく、従来のRPAツールが規模拡大時に直面した天井の根本原因でもあります。
端末側＋クラウド側の役割分担：推論コストとプライバシーの両立
高頻度のマルチモーダル処理（画面認知、視覚理解、プライバシーデータの洗浄）はローカルのチップ上で行い、複雑な推論はクラウドに委ねます。
この分担は二つの問題を解決します。
一つはコスト。マルチモーダル推論は現在のエージェントの運用コストの主な要因であり、ローカル化により単一実行コストを大幅に削減できます。
もう一つはプライバシー。敏感なデータはクラウドに送る前にフィルタリングされ、企業のデータガバナンス要件を満たします。
さらに、このアーキテクチャによりVioloopは24/7待機を実現可能です。Wake-on-LAN機能と組み合わせることで、指定時間に自動的にホストを起動し、タスクを実行し、再び休眠状態に戻すことができるのです。これは純粋なソフトウェアエージェントでは不可能なことです。
ハードウェアレベルの権限隔離：リスクに対するエンジニアリング的対応
独立したセキュリティチップが権限審査を担当し、メインの演算チップと物理的に隔離されています。高リスクの操作はハードウェアの確認プロセスを経なければならず、ソフトウェア層の迂回はできません。物理的に切断すれば全停止です。
この設計には特に注目しています。なぜなら、「能動的な実行」のリスクを理解し、それに対して明確な対策を講じている証拠だからです。自主的な実行のリスクは、promptやシステムpromptだけでは制御できず、ランタイム層での硬性制約が必要です。これは、実運用環境にエージェントを展開した経験のあるチームだけが持つ判断です。
なぜ今この方向性が出てきたのか
一つ考えるべき疑問は、実行層の欠如は新しい問題ではないのに、なぜVioloopのようなプロジェクトが今出てきたのかです。
私の見解は、次のいくつかの条件が最近同時に成熟したからです。
第一、エッジ端のマルチモーダル推論能力が、リアルタイムで画面の視覚信号を処理できるレベルに達した。以前のハードウェアでは不可能でした。
第二、大規模モデルのタスク理解能力が十分に高まり、「タスク意図の理解」が「操作シーケンスの記録」だけでなく可能になった。これが録画学習モードの成立条件です。
第三、OpenClawのブームが、実行層の欠如問題を露呈させ、市場の需要を明確にしました。
これら三つの条件が同時に成熟したことで、かつてなかった新たなウィンドウが開かれたのです。
また、Violoopのチーム背景もこの判断を裏付けています。CEOのJaylen Heは連続起業家で、YCに進出経験あり。CTOのZhu KingはMIT EECS出身の天才で、MicrosoftのXbox、HoloLens、Surfaceのエンジニア経験を持ち、2023年からは世界の大手企業で端末側の展開を行っています。これは、OpenClawの流行を見てから参入したチームではなく、条件が整う前からこの方向性を検証してきた証です。
さらに、Violoopは一ヶ月で二度の資金調達を完了し、二次ラウンドは面談から契約まで一週間、三次ラウンドも進行中です。このペースは、資本もこの方向性に肯定的であることを示しています。
本当に注目すべきサイン
製品は4月のKickstarterで正式にクラウドファンディングを開始します。まだ量産には至っておらず、多くの能力は実環境での検証が必要です。
録画学習モードの汎用性、Skill体系の長期的なメンテナンス性、量産ハードの安定性――これらは時間と実ユーザーデータをもって答えを出すべき課題です。
しかし、私がすでに判断できることがあります。
それは、実行層はエージェントエコシステムにとって、今後2〜3年で必須となるインフラであるということです。
これは、ある製品が流行したからではなく、この層を補完しなければ、感知層や推論層への投資が実際の作業効率の向上に結びつかないからです。
このポジションは、いずれ誰かが必ず取り組むでしょう。
今の問題は、「実行層は重要かどうか」ではなく、「誰が、どうやって、いつやるか」です。
Violoopは、この方向性において、問題を深く理解し、自ら判断したアーキテクチャを持つ数少ないプロジェクトの一つです。
OpenClawの爆発的な成功は、エージェントの可能性を示しました。しかし、エージェントの本当の実現点は、新しいモデルのリリース日ではなく、実行層のインフラが整備された日になる可能性が高いのです。
これこそが、この熱狂の背後にある、真に注目すべきサインです。