AI新聞

ClaudeやGPT経由でBlenderを自動操作する手順と作例を解説した記事。

• MCPというAIと外部ソフトをつなぐ共通規格で接続し、日本語指示でBlenderを直接操作できる。
• Blender 4.2以上を起動し、Claude Codeに「操作環境を整えて」と伝えるだけで必要アドオンの導入まで自動セットアップ。
• 作りたい絵を先に固め、画像AI（例：GPT Image 2.0）でリファレンスを用意→簡易モデル→段階的に細部を詰めるワークフローが有効。
• プリビズをBlenderで作り、Seedance 2.0やHailuo AIを使って最終動画化。アニメ調への変換も可能。
• Blender開発者製のMCP Connectorで操作範囲が広がり、初心者でもAI動画制作の土台として使いやすくなった。

Claudeの使いこなし術について書かれた記事。

• 自分の小さなクローンをつくる発想で、複数エージェントに仕事を分担させる。
• Claudeを同僚として扱い、チャットだけでなく実作業と判断の補助まで任せる。
• Slack・メール・共有ドキュメント・ダッシュボードなど、日常の情報源すべてに接続する。
• 1日仕事をClaudeに「付き添わせ」、コピペや画面切り替えが起きた場所を「未接続の穴」として洗い出す。
• 会議直後にメモや通話の書き起こしを投入し、「今すぐやれるタスク」やPR候補を出させる。
• 制約や過去の経緯、顧客の意図も渡し、背景を共有してアウトプットの質を上げる。

GSC APIとGemini、Next.jsをつないでSEO改善を自動化する実装手順を解説した記事。

• Vercel CronでGSC APIを定期実行し、平均掲載順位が低いURLを機械的に抽出
• 抽出記事の本文を取得し、Geminiでプロンプト設計して自然なリライトを生成
• データベース更新をトリガーにNext.jsのISRで即時公開し、IndexNowで検索エンジンに通知
• 週次でDiscordに実データの順位変動を自動レポート
• モデル更新やアルゴリズム変化に合わせてプロンプトや閾値を継続調整し、低順位記事の自動リライト＆公開を回し続ける

Claude Codeの使いこなし術について書かれた記事。

• 8Bが1.15GBでCPUでも実用速度。真の1-bit学習で超小型、Apache 2.0で商用OK。Ternary版は少し大きいが精度向上。
• セットアップは既存のllama.cpp/Ollama非対応。公式Bonsai-demoかPrismMLフォークを使う。Metal/CUDA/Vulkan/CPUに対応。
• ローカルチャット・要約・RAG生成に強い。Web UIやローカルサーバで手早く使える。
• OpenAI互換APIで既存アプリの向き先を差し替え可能。社内処理やクラウド前段のルーターでコストと待ち時間を下げられる。
• 27Bは画像入力・Function Calling・MCP・長文に対応し、ノートPC級でも「小さなローカルエージェント」の土台になる。
• コーディングエージェントの頭脳としては現状力不足（特に8B）。当面はAPI直接呼び用途で活かすのが現実的。
• 注意点: ベンチは自社公表が中心で要検証。1.7Bは品質が厳しめ。1-bit特有で微調整ツールは未整備。

AI向けデータセンター投資が急拡大し、経済の主役がスマホから置き換わりつつある。AIサーバーは車の40倍超の部品を使い、半導体、電子部品、HDD、冷却、電力インフラまで需要が広がる。つまり、スマホを逆転する巨大な投資と裾野の広さが新しい波を生んでいる。

筆者は、かつてない規模の資金が流れ込み、供給網や企業の稼ぎ方が大きく変わると指摘する。日本企業には追い風だが、電力や冷却、部材の供給制約をどう乗り越えるかが鍵になると述べている。

生成AIの「ループエンジニアリング」は、エージェントが勝手に最後まで走ること自体は新しくない。問題は、人が毎回プロンプトを打たなくても動く仕組みをどう作るかにある。

筆者は、スケジュールやイベントで仕事が始まり、失敗時の復帰や品質確認までを含む「運用ループ」を設計することが核だと主張する。テストやlintなどの機械チェック、別エージェントの独立レビュー、人の判断を組み合わせ、起動と検証を設計する運用ループとしてソフトウェアファクトリーを捉えるべきだとしている。

Hugging FaceがAIエージェントによる攻撃を受け、守る側もAIで調査したが、商用モデルは安全フィルタで解析を拒否し、最終的にGLM 5.2を自社運用して対応したという報告。攻撃は初期設定のままの認証、設定ミス、トークン窃取、SNS誘導、DDoSなどを組み合わせ、背後は大量のエージェントで人手ではないと見る。

AI攻撃は今後避けられず、防御にもAIが必須になる。しかし商用APIの制限で手が止まる場面があるため、重大な調査や防御では外部API任せにせず、自社でホストしたオープンモデルで防御する現実解を提示している。

米大手テック5社で、AI向けの長期契約や設備リースなどが貸借対照表に載らない「将来の支払い約束」として急膨張し、合計1.65兆ドル（約268兆円）に達した。過去4年で8倍となり、実際の有利子負債を上回る規模だという。

これらは決算の注記にしか出ず、契約条件も不透明で、注記に埋もれた巨額の将来債務がリスクの見極めを難しくしている。AIの採算が想定を下回れば資金繰りの重荷になりうる。

筆者は、契約の内訳や期間などの開示を一段と明確にし、投資家はキャッシュフローや取引先の偏りを点検すべきだと指摘している。

AIエージェントが変更したコードやドキュメントを、GitHubのPRレビューのような画面で行単位に指摘できるレビュー支援ツール。/critでローカルにサーバが立ち上がり、ブラウザ上でハイライト・インラインコメント・解決マーク・承認まで一連のフローを回せる。

Claude Codeと連携すると、コメントに対してAIが即返信・修正し、再レビューへつなげられるのが特徴。AI生成コードをGitHub風UIでレビューし、コメント対応から自動修正まで回せる体験が新しく、人間の理解や成長を保ちながらレビューのボトルネックを減らせる。

AIの擬人化を避けるための言い換えと考え方を提案した記事。

• 機械に主体性を与えない言い回しに直す。主語は人間に戻す（例：「ChatGPTが支援」→「学生がChatGPTを使った」）。
• AI → 「確率に基づいた自動化」やPUSM（検証しない確率的操作ツール）など、実態が分かる語に。
• image recognition → image labeling（画像のラベル付け）。
• speech recognition → automatic transcription（自動文字起こし）。
• hallucination → undesirable output（望ましくない出力）。
• prompt → text input（テキスト入力）。
• answer → output（出力）。
• chatbot/conversational agent → conversation simulator（対話シミュレーター）。
• 「間違える（mistakes）」→「エラーを出す（errors）」に。
• 「〜が得意（good at）」→「〜に適している（good for）」に。
• ねらいは、過大評価を防ぎ、責任の所在をあいまいにしないこと。

中国のAI新興「月之暗面（ムーンショットAI）」が、米国の最先端モデルに迫る性能と発表した自社モデルで注目を集めている。高性能をうたう大規模言語モデルを提供し、低価格・高品質を売りに急速にユーザーが増えた。

直近48時間で利用が想定を大きく超え、サーバーの処理能力が限界に達したため、利用急増で新規受付を一時停止（計算資源不足）。当面は既存ユーザーの提供を優先するとしており、需要の強さと計算資源のひっ迫が浮き彫りになった。

Google Maps Grounding Lite MCPは、AIエージェントをGoogleマップの信頼できる実世界データに結び付ける、Google提供のマネージドMCPサーバー。MCP（ツール接続の共通規格）経由で簡単に組み込み、場所検索・天気取得・ルート計算の3ツールを呼び出せる。リアルタイムの地理・天気・経路データでエージェントを現実に結び付けることで、ハルシネーションを減らし、運用に使える判断へ近づける。

記事では、ベストプラクティスとともに、Google ADKでの旅行プランナー実装例や無料のデモAPIキーも紹介し、すぐに試せる構成を示している。

AIエージェントの反復ループを監視し、固定回数の上限ではなく誤差の推移を見て即停止・ベスト版に巻き戻すオープンソースのコストコントローラ。収束をリアルタイムに検知し、無駄な反復を切り上げるので、ベンチマークではAPI費用を約92.8%削減、実行も約15倍高速化しつつ品質を維持。

検証・改稿ループ、RAGの自己修正、コード生成とテストなど、誤差を数値化できるあらゆる反復に対応。LangGraphやLangChain、CrewAIなど主要フレームワーク用アダプタを同梱し、Pythonだけで簡単に導入できる。限界として「正しさ」そのものは判定せず、与えた検証指標の質に依存する。

機械学習の全体像から生成AIまでを、数式少なめでやさしく入門できる記事。

• ルール記述型と機械学習の違いを整理。データから傾向を学び、重み（パラメータ）を調整して予測する発想を掴む。
• 特徴量とラベル、学習/検証/テスト分割の基本。データ漏れを避け、前処理や特徴量設計で性能が大きく変わることを強調。
• 教師あり・教師なし・強化学習・自己教師ありの4類型を具体例で理解。大規模言語モデルは自己教師ありが土台。
• 一次関数で予測を捉え、損失（MSE/交差エントロピー）で外れ具合を数値化。勾配降下法と学習率・エポック・バッチの勘所。
• 分類は確率としきい値で運用を調整。校正の発想で「0.8＝本当に8割当たるか」を検証。境界の複雑さは過学習リスクと表裏一体。
• 評価は正解率だけでは不十分。混同行列、適合率/再現率/F1、ROC-AUCとPR曲線を問題の偏りに応じて選ぶ。正解率だけに頼らず、損失・評価・しきい値を使い分ける。
• 汎化と過学習を学習曲線で見極める。正則化、データ拡張、交差検証、時系列の分割（未来漏れ回避）が実務の肝。
• モデル概観：線形、決定木/ランダムフォレスト、勾配ブースティング、k近傍・ナイーブベイズ・SVMの使いどころ。
• ニューラルネットの基本（ニューロン、活性化、逆伝播）。CNN/RNN/Transformerの適材適所。
• TransformerのAttention、事前学習→ファインチューニング、人間の選好学習（RLHF/DPO）の位置づけ。
• 埋め込みとRAGで外部知識を検索併用。トークン化と次トークン予測、ハルシネーション対策（根拠提示・人手確認）。
• 長文脈は「入る量」と「使いこなせる量」は別。必要部分の抽出・要約が有効。
• 近年の流れ：スケーリング法則、LoRAなど軽量適応、推論時の思考量制御、マルチモーダル、エージェント、安全性評価。
• 学び方：中学数学レベルで式を日本語に戻す→小規模データでscikit-learn→一度は手計算→生成AIへ進む前に分割・損失・指標・過学習・埋め込み/RAGを押さえる。