Fused Attention Scoreとは
Fused Attention Scoreとは、アテンション計算の複数ステップを1つのカーネルに統合して実行する最適化手法
読み: フューズドアテンションスコア
アテンション計算の複数ステップを1つのカーネルに統合して実行する最適化手法。DGX Spark上でPyTorch比11.6倍の0.021msを記録。
かんたんに言うと
AIの「どの言葉に注目するか」の計算を、バラバラに3回やるのではなく、1回でまとめて処理する高速化技術。
Fused融合の意味
通常のアテンション計算は内積→スケーリング→Softmaxの3ステップを順番に実行し、各ステップでメモリに書き出す。Fusedはこれを1つのカーネルで一気に処理し、メモリ読み書き回数を激減させる。
4Kコンテキストでの実測値
DGX Spark上でPyTorch標準0.247msに対しTriton最適化0.021ms。11.6倍の高速化（出典: DevelopersIO 2026年3月27日）。アテンション計算は最も頻繁に繰り返されるミクロな処理であり、ここが0.02msに削られたことが全体パイプライン188倍の基礎になっている。
当社の見解
当社はOpenAI APIを完全廃止し、EmbeddingもLLMも全てローカルで稼働させている（2026年4月時点）。これにより月額のAPI費用がゼロになっただけでなく、機密情報や顧客データを外部に送信せずにAI処理できるようになった。クライアントのログデータをマスキングなしでそのまま分析に回せるのは、ローカルLLMだからこそ実現できる。2026年4月にはOllama常駐実行（CPU 25%、GPU 30%を常時占有）を廃止し、FastEmbed（ONNX Runtime）による非常駐型推論に移行。処理が必要な瞬間だけプロセスを起動し、完了後に即座に終了する設計で、アイドル時のリソース消費をゼロにした。あえて一般的なデスクトップPC環境で複数のローカルLLMを実機検証した経験から言えることは、ベンチマークスコアと実務での使い勝手、そして常駐時のリソース消費は全て別の指標だということだ。
同じ失敗を二度としないAIエージェント
今のAIは、聞けば何でも答えてくれます。
でも、セッションが切れた瞬間に前回の失敗を忘れます。
当社が開発しているAIは、過去の経緯を念頭に置いて、
聞かれる前に「それは前回うまくいきませんでした」と声をかけます。
人間にも同じ失敗をさせず、AI自身も繰り返しません。
古参の社員が横にいるように、黙っていても気づいてくれる。
それが、当社が考える本当のAI社員です。