AI新聞

Anthropicは、Claude ProおよびMaxプランのユーザーに対し、5時間ごとおよび週単位の利用上限をリセットした。

この措置は、Opus 4.8モデルの一部セッションで過剰な並列サブエージェントが生成され、利用量が想定以上に消費されるバグを修正したことに伴うものである。

問題はダイナミックワークフローとは無関係で、モデルが意図した数を超えて並列ツール呼び出しを実行していたことが原因とされている。

NTT東日本が取り組む「アクアポニックス」は、錦鯉の養殖と高麗人参（オタネニンジン）の水耕栽培を組み合わせ、AIと各種センサーによる環境管理を行う循環型農業モデルです。高麗人参は栽培が非常に難しく、国内流通の99％が輸入に頼る現状ですが、水耕栽培とICT活用により連作障害の克服や栽培期間の短縮が期待されています。

この手法は無農薬・オーガニックで、根だけでなく茎や葉も有効成分として活用できる点が特徴です。実証実験で蓄積されたデータやノウハウは、今後他の高付加価値作物への応用も見込まれています。

OpenAIの「Codex」アプリがWindowsで「コンピューター使用」に対応し、デスクトップ画面を認識して最前面のアプリをマウスやキーボード操作で直接制御できるようになった。これにより、CLIやAPIでは難しい不具合の再現や設定変更、Webブラウザーの操作などもCodexに任せることが可能となる。

さらに、iOS/AndroidのChatGPTアプリやMacのCodexアプリから、WindowsのCodexアプリへリモート接続できる機能も追加された。利用状況やトークン消費量を確認できるプロフィール画面も新たに導入されている。

AIによるバグ検出技術の進歩により、Linuxカーネルの深刻な脆弱性が次々と発見されている現状がある。

この問題に対して、メモリ安全性を重視したRust言語をカーネル開発に導入することで、従来のC言語では避けられなかったバグやセキュリティリスクを大幅に減らせると筆者は主張している。

今後のLinuxの安全性向上はRustの普及と開発者コミュニティの取り組みにかかっているといえるでしょう。

• 投機的デコードを利用し、小さな下書きモデルで先にトークンを予測し、大きな検証モデルで確認することで、メモリ帯域の負担を軽減している。

• MoE（専門家混合モデル）構造のGemma 4 26B-A4B-itを使い、必要なエキスパートのみを選択して計算・メモリアクセスを効率化している。

• --cpu-moeや--merge-up-gate-expertsなどのオプションで、CPUキャッシュを有効活用し、メモリアクセスの回数を減らしている。

• スレッド数は物理コア数（8）に合わせ、メモリ帯域の詰まりを防いでいる。

• --mlockでAIモデルの重みを物理メモリに固定し、スワップによる速度低下を防止している（OS側のmemlock制限変更も必要）。

• --run-time-repackで重みの配置を最適化し、CPUによる読み出し効率を向上させている。

• --no-kv-offloadでKVキャッシュをGPUに逃がさず、CPUのみで管理している。

• Flash Attentionや--flash-attn on、--mla-use 3（Multi-Head Latent Attention）を使い、アテンション処理やKVキャッシュのメモリ消費を抑えている。

• これらの工夫により、2016年製のXeonサーバー（GPUなし、DDR3メモリ）でも26B規模のローカルAIが実用的な速度で動作している。

AIによるコーディングをやめた理由は、自分でコードを書く機会が減ることで学習効果や成長速度が鈍化し、実装の詳細を即答できなくなるなど業務のスピードも落ちたためです。また、AIにコードを書かせてレビューするよりも、自分で書いた方が早い場合も多いと感じています。

一方で、専門外の作業や調査、定型業務、自分しか使わないローカルツールの実装などにはAIを活用しており、AIのプラン契約も継続しています。コーディングの主導権をAIに渡すことには慎重ですが、今後AIがコーディングを完全に担う時代が来る可能性も見据えています。

テスト計画から分析、設計、実装、実行、レポートまでを自動化するAIスキル群と、それらを統合して一連のテストプロセスを自動実行するオーケストレーションスキルを開発・公開している。各工程で中間成果物を出力し、レビューと修正を繰り返すことで抜け漏れや曖昧さを防ぎ、リスクやテストアプローチ、仕様とテスト項目をトレーサビリティ付きで管理できるのが特徴です。

Unit test、Integration test、e2e自動テスト、手動テストなど、テスト観点ごとに適切なレイヤーで計画・実施し、コードベース用・e2e用・人間用テストケースを分けて自動生成・自動実行まで行います。必要な情報（仕様やコードの保存場所）を与えるだけで、テストプロセス全体を1時間程度で完了でき、工程ごとの分割実行やレビューも柔軟に対応しています。

個人開発でFlutterとCodexを使い、クラウド連携や簡易編集機能を備えたギャラリーアプリ「マイギャラリー」を約3か月でGoogle Play公開まで到達できたが、実装よりも公開のための周辺作業が圧倒的に多く大変であることを痛感した。

かつてのWindowsアプリ公開と異なり、現代のスマホアプリ公開では利用規約・プライバシーポリシー作成、公式サイト整備、Google Play Console対応、各種審査や説明動画作成、テスター集めなど多岐にわたる作業が求められ、特にGoogle OAuth審査ではセキュリティ設定や動画内容の細部まで注意が必要である。

AI活用で開発速度は上がったものの、個人開発者にとっては「公開する」ためのハードルが格段に高くなっているといえるでしょう。

LLMの選定において日本語性能の情報が不足していることが課題となっており、特にコストパフォーマンス重視の用途では日本語対応の精度が重要です。

Bedrock経由で利用できるLLMを対象に、日本語ベンチマークツールllm-jp-evalを用いて、自然言語推論、質問応答、読解、常識推論、日本語・英語試験問題、数学推論、要約、機械翻訳といった多様なカテゴリで日本語性能を評価した結果をまとめています。

各カテゴリごとに使用データセットや評価方法、具体例も示されており、実際の日本語タスクに対するモデルの適合度を定量的に比較できる内容となっています。

複数プロダクトを管理するPdMの「覚えておきたいが自分のアクションではない案件」を効率的に把握するため、脳内の記憶や判断プロセスをClaude Code上に再現する仕組みを構築した。情報ソース（JIRA、Slack、GitHub、Gmail等）から客観的な事実（context.md）、判断経緯（decisions/）、タスク（tasks/）を自動で整理し、主観的な「気にしていること」を可視化するdashboardを2時間ごとに自動生成することで、記憶の負荷を減らし、情報の抜け漏れやメンテナンス性も向上している。

主観（dashboard）と客観（context.md、decisions/）を明確に分離し、情報の流れを片方向に固定することで、脳内の状態を安定的かつ自律的に可視化・管理できる点が特徴といえる。

QPSの増加に伴いBigQueryのコストが増大し、従来のデータ基盤では運用が困難になっていた。生ログテーブルのパーティショニングを日別から時間別に変更し、dbtのincremental modelsを活用してデータモデリングを再設計したことで、スキャン量を90%以上削減することに成功した。

主な対応策は、生ログ設計の見直し（用途ごとにテーブル分割・不要データの削除）、SQLのみで表現可能な処理へのUDF利用の削減、分析・配信制御用と機械学習モデル訓練用のSQL管理の統一、データカタログ・リネージの可視化など。これにより、パフォーマンスと運用性が大きく向上した。

在日コリアン3世として日本で育ち、電子情報工学を専攻し制御理論の研究に没頭したが、研究成果の社会実装に課題を感じてメーカーに就職した。前職ではシステム開発のマネジメント業務に違和感を覚え、Deep Learningとの出会いをきっかけにAI分野への強い興味を持ち、独学や社内活動を通じてスキルを磨いた。

松尾研究所ではシニアデータサイエンティストとして金融領域のLLM活用やAgentic RLの研究に従事し、キャリア選択に悩む人への後押しになればという思いで入社エントリを執筆した。自身の多様なバックグラウンドやキャリアの葛藤を通じて、「違いを個性と捉え、知を社会に還元する生き方の大切さ」を伝えている。

Claude Designは、テキストや既存資料、ロゴ、Webキャプチャなど多様な入力からブランドの「デザインシステム」を自動で抽出し、誰でも統一感のあるスライド資料を短時間で作成できるビジュアル制作ツールです。デザインの専門知識がなくても、原稿を渡すだけでブランドに沿ったスライドが生成され、PDFやPPTXなど多様な形式で出力できます。

従来、Google Slidesなどで手作業していた煩雑なデザイン調整や統一感の維持が、Claude Designではデザインシステムの一度の作成で再現性高く自動化され、作業時間が大幅に短縮されます。細かなレイアウト調整や複雑な図表の作成には人の手も必要ですが、ブランド資料作成の生産性と再現性を飛躍的に高めることが可能です。

AIコーディングエージェントが生成する大量のコードに対し、従来のCIやLintツールでは検出しきれない「臭うコード」を自作ルールで検出し、Claude CodeのHooks機能を使って自律的に修正させる仕組みを構築した事例を紹介している。

ESLintやPHPStanなどの公式ルールではカバーできない独自規約も、カスタムルールを作成してCIやコミットフックで検出できるようになり、さらに「明確にNGではないが再検討してほしい実装」は、Stop HookなどでClaude Code自身にフィードバックし、AIが自動で修正・改善を試みる運用が可能となった。

AIによるコード生成が増えた現場で、人間レビューの負担軽減や、CIで落としづらいグレーな実装の検出・是正を自動化したい開発者に有用なアプローチといえる。