NTTは2026年11月16日、検査対象のソースコードを外部AIへ送らず、脆弱性を調べる技術を発表しました。組織が管理する環境でAIを動かし、機密情報を守りながら解析する構想です。
評価では、メモリ破壊に関する150課題で成功率63%を記録しました。複数のAIモデルに独自の解析技術と作業手順を組み合わせ、従来の48%から15ポイント高めています。
NTTのソブリン型AIで検査対象のソースコードと実行環境を自ら管理する
ソースコードには、未公開の機能や認証の仕組みなどが書かれています。外部のAIサービスへの送信を制限している組織では、自社で管理できる解析環境が必要です。
NTTが目指す「ソブリン型」は、使うモデルや運用環境を組織が選び、管理できる構成です。検査対象のコードを外部AIサービスへ送信せず、高度な解析を行います。
利用するのは、学習済みの重みを公開しているオープンウェイトモデルです。重みは、AIが学んだ特徴を表す数値の集まり。各モデルの利用条件に従って、組織内の環境で動かす選択肢があります。
NTTはAIの着眼点と解析手順を工夫して脆弱性の発見を支える
AIによる脆弱性解析では、コードを読んで問題の仮説を立て、検証を繰り返します。そのときの調べ方や使うツールも、解析結果を左右します。
NTTは、脆弱性研究で得た知見を手引きにまとめ、AIの解析手順に組み込みました。問題が生じそうな箇所に着眼点を与え、検証を進めやすくする工夫です。
今回の技術は、主に次の要素を組み合わせています。
- 自ら管理する環境で利用できる複数のオープンウェイトモデル
- 脆弱性研究の知見を取り入れた独自の解析技術
- AIエージェントの調査や検証を進める手順の制御
規模の異なるモデルを使った評価も実施しました。中規模モデルの組み合わせでも性能を高められる可能性を確認したとしています。今後は、解析能力と必要な計算資源の両方を考え、運用しやすい技術へ発展させる計画です。
CyberGymのメモリ破壊150課題で成功率が48%から63%に上昇
評価には、AIエージェントのサイバーセキュリティ能力を調べるCyberGymを使いました。約1,500件の課題から、メモリ破壊に関する150件を選んでいます。
メモリ破壊は、プログラムが使うメモリを不適切に書き換えるなどの不具合です。異常終了や、攻撃につながる場合があります。
| 比較した解析手順 | 選定した150課題での成功率 |
|---|---|
| 既存の解析手順 | 48% |
| NTTの改良手法 | 63% |
| 差 | 15ポイント |
これは、選んだ課題に対する解析成功率です。日常の開発で検査するあらゆるコードの検出率は、別途確かめる必要があります。実務に使う際は、対象言語や問題の種類をそろえて評価することが大切です。
NTTは脆弱性の発見からリスク判断・対処までの支援を目指す
次の研究目標は、見つけた脆弱性を組織ごとのリスク判断につなげることです。公開された脆弱性情報とシステム構成を照合し、影響を受ける箇所や優先順位を絞り込む構想を示しています。
さらに、運用状況や業務への影響を考え、適切な対処を支える技術へ広げます。発見・判断・対処をつなぎ、リスクを減らすまでの負担と時間を抑える狙いです。
11月16日の発表は研究開発成果の紹介です。NTT R&D FORUM 2026での展示を予定しており、製品としての提供条件は今後の案内で確認することになります。
脆弱性を検証・修正するAIや、企業向け脆弱性管理サービスの動きは、下の関連ニュースで紹介しています。オープンウェイトAI、評価スコアの見方、AIに渡す権限の基本は関連記事も参考になります。



