DLSSの正体はCUDAカーネルの集合体だった：それを知ったValveエンジニアが3日でLinuxに実装した話
2026年6月22日
https://xenospectrum.com/nvk-dlss-linux-cuda-kernel/

速度20倍、精度78%向上。生成AIの限界を突破する新技術「Omni RAG」とは？
AIのハルシネーションは、データベースの構造的欠陥による事実の欠落が原因である。KAISTの研究チームは、ベクトル、グラフ、リレーショナルの三要素を単一エンジンでネイティブ統合したAkasicDBを開発し、高精度な検索でAIの虚偽回答を防ぐことに成功した。
2026年6月22日
https://xenospectrum.com/akasicdb-omni-rag-kaist-eliminates-ai-hallucinations/
UltraDomainデータセット（農業、コンピュータサイエンス、法律、およびそれらの混在領域からなる計数百万トークン規模のデータ）を用いた実験において、その効果は定量的に証明された。既存のシステム（pgvectorとAGEを組み合わせたPostgreSQLなど）では各データベース間の調整とデータ転送に手間取り、回答を導き出すまでに最大で21.3秒という長い時間を要していた複雑な検索クエリが、AkasicDB上ではわずか1秒未満で処理された。これは20倍以上という驚異的な高速化である。
さらに注視すべきは、回答の品質の劇的な向上である。構造化条件やエンティティ間の関係性を正確に把握した上でコンテキストが抽出されるため、LLMが推測で物語を補う余地が徹底的に排除された。その結果、従来のベクトル検索のみに依存するRAGと比較して、回答の精度は最大で78%向上した。
以下の表は、異なるアーキテクチャ間でのRAGの性能を比較したものである。
アーキテクチャ
システム構成例
複雑クエリ処理時間 (ミリ秒)
精度向上に対する優位性
構造的特徴
Out-of-DB統合
Neo4j + Milvus
3,001 〜 7,099
限定的
複数の独立システム。データ転送コストと過剰な中間データ生成がネック。
In-DB非ネイティブ
PostgreSQL (pgvector + AGE)
4,728 〜 21,278
限定的
一つのDB上に拡張機能を付加。プランナの最適化が不十分で実行効率が著しく低い。
In-DBネイティブ AkasicDB (Omni RAG) 583 〜 942 最大78%向上
3つの機能を最下層で統合。単一プランナによる無駄のない一括実行。
とりわけ興味深いのは、データソースが複雑に絡み合い、複数の領域を横断するような質問（表の基盤となったMixデータセット環境）において、Omni RAGがベクトル単体のアプローチに対して28パーセントポイントという最大の精度差を叩き出している事実である。直面する問いの構造が入り組んでいればいるほど、ネイティブ統合アプローチの真価が発揮される。