この記事の結論

NVIDIAが2026年8月11日に発表したNemotron 3.5 LightningとNeMo Switchyardを軸に、NemoClaw・OpenShell・NeMo Customizerの最新動向を整理。常時稼働AIエージェント基盤の実力とコスト削減効果を解説します。

NemoClawとは何か：OpenClaw向け実行基盤の全体像

NVIDIAは2026年3月16日のGTCで、OpenClawエージェントプラットフォーム向けのNVIDIA NemoClawスタックを発表しました。NemoClawはNVIDIA Nemotronモデルと、同時に発表されたNVIDIA OpenShellランタイムを単一コマンドでインストールできる点が最大の特徴で、自己進化する自律型AIエージェント（claw）にプライバシーとセキュリティの制御を追加し、より信頼できる形で誰もが扱えるようにすることを狙っています。

ジェンスン・フアンCEOは、OpenClawが史上最速で成長したオープンソースプロジェクトになったと述べ、MacやWindowsがPCのOSであるように「OpenClawはパーソナルAIのOSだ」と位置づけました。NemoClawはクラウドからオンプレミス、さらにNVIDIA RTX PC・DGX Station・DGX Sparkまで、同じ構成で常時稼働のAIアシスタントを動かせる展開範囲の広さを備えます。

ブループリントの構成：LangChain Deep AgentsとOpenShellの組み合わせ

NemoClawのブループリントは、LangChainのオープンソース「Deep Agents Code」ハーネスをNemotron 3 Ultra向けにチューニングして同梱し、他モデルにも差し替えられる柔軟性を持たせています。これにOpenShellによるランタイムのポリシー制御と、特化・最適化のためのNVIDIA NeMoを組み合わせ、企業が自由にカスタマイズし、ガバナンスを効かせ、どこでも実行できるオープンな設計になっています。

アーキテクチャ面では、ユーザー専用マシン上でNemotronなどのオープンモデルをローカル実行しつつ、プライバシールーターを介してクラウド上のフロンティアモデルも利用できます。ローカルとクラウドを組み合わせることで、定義されたプライバシー／セキュリティのガードレールに従いながら、エージェントが新しいスキルを学習してタスクを完遂する土台が整います。常時稼働のエージェントには24時間ソフトウェアやツールを構築し続ける専用の計算資源が必要になるため、DGX StationやDGX Sparkといったローカル基盤が重要な役割を担います。

最新発表：Nemotron 3.5 Lightning（30B MoE）の実力

2026年8月11日、NVIDIAはNemotron 3ファミリーを拡張し、長時間稼働するエージェントAIワークロード向けにNemotron 3.5 Lightningを投入しました。総パラメータ30B・アクティブ3BのMoE（Mixture of Experts）モデルで、Mamba-2＋MoE＋Attentionのハイブリッド構成と100万トークンのコンテキストウィンドウを備え、大規模なマルチエージェントシステム内の専門タスクを高速に処理する設計です。

NVIDIAは同クラスのモデル比で最大4倍の出力速度、そして1万件のPinchBenchタスクにおいてQwen3.6 35Bと同等精度で約30%速いタスク完了を報告しています。ライセンスは寛容で、重み・データ・レシピが公開されているため、企業は自社ハードウェア上で独自ドメインデータやツール、ワークフローを使ってNeMoでポストトレーニングし、専門タスクの精度を高められます。NVIDIAの生成AI担当バイスプレジデントであるKari Briski氏も、Lightningのカスタマイズ容易性が高く評価されていると語っています。

NeMo Switchyard：エージェント工程ごとに最適モデルへルーティング

Lightningと同時に公開されたNeMo Switchyardは、エージェントワークフローの各ステップを、最も有能かつ効率的なモデルへ振り分けるオープンソースのルーティングライブラリです。長時間稼働エージェントは処理時間の大半をツール呼び出し、結果検証、サブエージェントへの委譲に費やしますが、そのすべてをフロンティア推論モデルに投げるとコストとレイテンシが膨らむという構造的課題に対応します。

Switchyardには、セッションアフィニティ付きLLM分類器、直近のツール活動を読み取るステージルーター、安価なモデルから始めて難易度の持続に応じて昇格させるエスカレーションルーターなどチューニング不要のルーターが用意され、さらにモデルの残差ストリームから成功可能性を予測するチューナブルなプリフィルルーターも提供されます。参照サーバーはOpenAI・Anthropic・Responses APIのリクエスト形式を受け付けます。LangChainによる145件のマルチターン・エージェンティックタスクのベンチマークでは、LightningとClaude Opus 4.8をエスカレーションルーターで振り分けた結果、フロンティアモデルのみの構成に比べてコストを74%削減し、フロンティアモデルへの呼び出しは全体の7%に抑えられました（精度は約6ポイントのトレードオフ）。

NeMo Customizerと「教師モデル」としてのNemotron 3 Ultra

NeMo Customizerは、NeMoマイクロサービス群におけるモデルカスタマイズ機能を担うコンポーネントです。用途に合わせて大規模言語モデルをファインチューニングするジョブを実行し、モデルサイズや手法を選ぶことで計算コストと性能のバランスを調整できます。学習済みモデルはNVIDIA NIMと容易に統合できるため、カスタマイズから本番デプロイまでの導線が短いのが利点です。

実運用の例としてAibleは、エージェントの推論ステップやツール呼び出しに対する細粒度のユーザーフィードバックを用い、NeMo Customizer・NeMo Evaluator・NeMo Data Designer経由でモデルをポストトレーニングする手法を採っています。小型モデルの学習にはブートストラップ用の大型教師モデルが必要になる一方、多くのフロンティアモデルはライセンス上その出力をポストトレーニングに使えません。ここでNemotron 3 Ultraが、寛容なライセンスと公開された学習データ・パイプラインを持つオープンな最高品質の教師モデルとして機能し、Nemotron 3 SuperやNanoの学習に出力を利用できる点が重要になります。

エコシステムの広がり：産業応用と安全性レイヤー

NVIDIAはNVIDIA Agent Toolkitをエンジニアリング領域へ拡張し、PhysicsNeMoとCUDA-Xライブラリをエージェントが扱えるツール／スキルとして追加しました。Cadence、Siemens、Synopsysなどが半導体設計・検証・パッケージング領域で自律的なワークフロー高度化に取り組んでおり、SiemensはNeMo GymとNemotronオープンモデル、CUDA-XライブラリをSiemens Fuse EDA AI Agentと組み合わせてマルチツール／マルチエージェントのワークフローを統括しています。NVIDIA ResearchのACE-RTLエージェントを用いた検証では、Nemotron 3 UltraがエージェンティックなRTLコーディングでオープンモデル中の首位に立ったと報告されています。

安全面では、Nemotron Safetyモデルが有害コンテンツ、話題からの逸脱、脱獄（ジェイルブレイク）試行に対するリアルタイム保護を提供し、多言語・マルチモーダルなコンテンツ安全レイヤーを付与します。NemoClaw側でも、Nous ResearchのHermesとの連携により、スキルとメモリのループにOpenShellのランタイム制御を組み合わせ、経験から学び、成功したワークフローを再利用しながらプライバシーとセキュリティを担保する自己改善型エージェントの構築例が示されています。

実務へのインパクトと導入時の着眼点

今回の一連の発表が示す方向性は明確で、「単一の巨大モデルに全工程を任せる」から「役割ごとに最適なモデルを組み合わせる」への移行です。高頻度・低レイテンシの実行はLightningのような小型MoEが担い、複雑な計画立案はUltraやフロンティアモデルへエスカレーションし、その切り替えをSwitchyardが自動化します。LangChainのベンチマークが示した74%のコスト削減は、常時稼働エージェントを本番運用する上での経済性を大きく変える数字です。

導入検討時は、(1) 自社ワークフローのどのステップが単純な実行系でどこが高度推論系かの棚卸し、(2) OpenShellによるランタイムポリシーとプライバシールーターの設計、(3) NeMo Customizer／Evaluatorを用いた継続的なポストトレーニングのループ設計、という三点が実務上の要になります。Nemotron 3.5 LightningはHugging Face、ModelScope、OpenRouter、build.nvidia.com（NVIDIA NIMマイクロサービス）で提供され、NeMo SwitchyardはGitHubで公開済みのため、検証は比較的すぐに着手できます。