AI新聞

MIXIが、新卒エンジニア向け技術研修の資料と一部アーカイブ動画を無料公開。Git、コンテナ、セキュリティ、モバイル、データ活用、AIなど全12科目で構成され、AI研修は2日間でLLMやAIエージェントの実践まで学べる。

全科目で実務例に基づくAIの使い方を解説し、全12科目をAI活用前提で体系化している点が特徴。コードを書く力に加え、AIで開発速度とユーザー価値を高める姿勢の重要性を伝え、業界全体の学習資源としての公開を狙う。

東京大学 松尾・岩澤研が、講義動画の日本語音声から英語字幕を自動生成する「lecture_subtitle_translator」を無償公開。オープンソース（Apache-2.0）で、Windows/macOS/Linuxに対応。

書き起こし、文章の整形、英訳、字幕分割、品質チェックを一気通貫で自動化。OpenAIやGeminiのほか、LM StudioやOllamaなどローカルモデルにも切替可能で、文字数・表示速度などの読みやすさは専用アルゴリズムで検査・調整。

完全自動ではなく、字幕エディターで要確認箇所をバッジ表示し、人が最小限の手直しで仕上げられる設計。実運用の試算で作業時間を約16％削減し、翻訳の見やすさも向上。GitHubから入手可能。

Moonshot AIの大型モデル「Kimi K3」が今夜オープンウェイト公開。オープンな3兆級モデルの重み公開で手元実行が現実に。2.8兆パラメータ、最大100万トークン、画像/動画入力対応で、総合力は最上位に届かないものの、ProgramBenchやSWE-MarathonではClaudeやGPTの最新上位を上回るコーディング性能を示す。

新方式のKimi Delta AttentionやAttention Residuals、MoE（多専門家の切替）で計算を絞り込み、生成したコードや画面を自分で確認・修正できるため、ゲーム開発やフロントエンド、CADに強い。すでにWeb、デスクトップ「Kimi Work」、「Kimi Code」、APIでも利用可能。

MIXIが2026年度新卒向け技術研修の資料・動画を一般公開。AI研修を2日間に拡充し、ML基礎から推論・学習・デプロイ、さらにLLMやAIエージェントのハンズオンまで扱う。データベース、セキュリティ、Kubernetes、フロントエンドなど全12科目を実践形式で用意し、現場エンジニアのノウハウを反映。

特長は、実務に根ざしたAI活用を前提に全科目を設計している点。AIを日々の開発に組み込み、開発スピードとユーザー価値の最大化を狙う内容となっている。

「ソフトウェアアーキテクチャの基礎」を読み、設計判断のコツを整理した記事。

• アーキテクチャに正解はなく、あるのはトレードオフだけ。文脈に合わせ「何を捨てて何を取るか」を決める。
• 重要な品質（可用性・スケール・セキュリティなど）は3つ以内に絞る。全部は同時に満たせない。
• スタイル選択は機能ではなく品質要求で決める。例：モジュラーモノリスは移行しやすい、イベント駆動は拡張性は高いが整合性に工夫が要る。
• CQRSは読み多めのシステムで効果的。サガは分散での整合性確保。サービスメッシュは横断機能をインフラ側に寄せる。
• アーキテクチャは「スタイル・特性・論理コンポーネント・決定」の4要素で考える。戦略性や変更コストが高いものが建築判断。
• ADRは「あとで理由を説明しにくい決定」を軽く記録する。選ばなかった案と影響も残す。
• リスクストーミングは観点を一つに絞って洗い出し、「影響度×確率」で優先度をそろえる。
• 会議の沈黙＝同意ではない（多元的無知）。疑問を歓迎する空気づくりが要る。
• AIが実装を担うほど、人が品質優先度の整理やトレードオフの最終判断を行う重要性が増す。

生成AIとエージェントを駆使すれば技術書はすぐ書けるはずだ、という期待に対し、実際は文体の模倣はできても「語彙・リズム・骨格」のうち骨格が弱く、読み物として面白くならない。自動の「脱臭」やLinterも別の偏りを生み、責任の所在や“外注の痕跡消し”という不誠実さも悩みを深める。

結局、AIエージェントでも技術書はすぐ書けない。人が骨格を握り、細かいレビューを刻んで進め、良い表現だけを採用するのが現実的で、銀の弾丸はないと述べている。

各社が「オープンウェイト」（誰でも入手・改変できる重みの公開モデル）への規制強化を検討する流れに対し、NVIDIAやMicrosoft、OpenAIらは、普及と競争、サイバー防御の観点から時期尚早な規制は避けるべきと共同声明で主張した。大規模モデルの出力を小規模モデルの学習に使う「蒸留」も、正当な改良手法として非公開モデルの流用と区別すべきだと述べる。

GoogleやMeta、IBM、Mistral、SpaceXなども支持。一方、Anthropicは署名せず、同社エンジニアがCUDAやWindowsの「オープンソース化」を皮肉る投稿をし、オープンとクローズドの立場の溝が浮き彫りになった。

飲食業の倒産が過去最多で厳しい中、調理未経験の64歳がChatGPTと二人三脚で館山の「伏姫BURGER」を立ち上げた。地元牛と豆腐を使ったパティは20〜30回の改良で完成し、月1000個売れる人気に。

生成AIは最初から完璧ではないが、16秒で旬や地元食材を踏まえた新メニュー案を出すなど、発想と試作の効率を大きく上げる。

記事は、少人数でもAIと相談しながら新規事業に挑める現実が広がっていることを示す。

LLM導入の是非を、具体的な問いでふるいにかける実践的フレームワークを紹介した記事。

• 仕事に「厳密な正解」が必要か？必要ならLLMは不向き。曖昧さに強いが、厳密さに弱い。
• 間違えたときの被害はどれくらいか？失敗コストが高い仕事は避ける。
• 成功・失敗をどう測るか？数値で評価できる指標を先に決める。
• 既存の単純な自動化（正規表現・ルール・API連携）で十分か？まずはそれを試す。
• 入力は整理されたデータか？雑多なテキストなら前処理や分割などの設計が要る。
• 人が最終確認できる流れになっているか？人手レビューや再実行の手段を組み込む。
• コストと待ち時間は実用範囲か？試作段階で推定し、規模拡大時の費用も見る。
• 振る舞いを監視し、学習データやプロンプトの変更履歴を残せるか？後から原因を追える設計にする。

筆者は、自動エージェントに丸投げして大量の誤判定を生んだ失敗から、まず「使わない理由」を潰す設計が必要だと説く。最小構成で試し、評価と人手の介入を前提に段階的に広げるべきだとしている。

弁護士ドットコムが導入した AWS DevOps Agentの事例。監視ツールのアラートを合図に自動で調査を走らせ、Slackに調査レポート、Jiraにチケットを起票するまでをつなぐ、運用支援エージェントです。

DatadogやGitHub、Slackと連携し、デプロイ履歴やAPMの痕跡から根本原因を突き止めます。実運用ではN+1クエリ起因の劣化を約10分で特定し、ロールバックを即断。属人化を解消し、自動で原因特定から起票までを10分前後で回すのが魅力です。

今後は予防提案や依存関係の可視化も活用し、障害前から改善のサイクルを回す方針です。

React習熟度ベンチでClaude Opus 5が平均90.28点を記録し、Fable 5を抜いて首位となった。特に「high」設定でもFable 5の「max」を超え、highが前世代最強のmaxを上回ったことが最大のトピックだ。

effortをmaxにしても伸びは小さく、平均を底上げするより難所での上振れを狙う性格が強い。アクセシビリティとコンポーネント設計が大幅に改善された一方、並行機能の活用が少なく性能面の意識はまだ弱い。現行ベンチは飽和しつつあり、React Compiler前提などを取り入れたv2への移行が必要と述べている。

AnthropicがClaude Opus 5を公開。最大級モデルに迫る知能を、Opus 4.8と同じ価格で提供し、Fable 5級の知能を半額で使えるのが売り。Claude Maxの既定モデル、Proでは最上位として日常利用の主力を狙う。

コーディングや知識タスクで多数のベンチマーク更新、難問でもコスト効率が高い。一方、攻撃的サイバーや長期の自律バイオ研究は制限あり。全プラットフォームで提供、APIはclaude-opus-5、入力$5/100万トークン・出力$25。同価格で約2.5倍速のFastモードや、自動フォールバック等の新機能もベータ提供。

中国勢のオープンモデルが台頭し、米国製はクローズド中心で開発が偏る状況がある。これに対しMicrosoftは、米国のAI優位を保つにはオープンウェイトを核にした強いエコシステムが必要だと声明を発表した。

誰でも使えるモデルは開発費を下げ、特定企業への依存も減らせると主張。リスクは認めつつ、全面規制ではなく防御側にも同等性能を開放し、計算資源やデータ・評価基盤への投資を求める。

NVIDIA・OpenAI・Googleなどが賛同し、Anthropicは不参加。Kimi K3など中国製オープンモデルが高性能化する中、政策面でも「的を絞った枠組み」を提案している。

RTX 3090一枚で7Bモデルを安定学習させるまでの実践的な落とし穴と対策をまとめた記事。

• 理論上の見積もりは当てにならない。ピークVRAMで判断する。
• 8bit/CPU offload/ZeRO/NVMeは帯域やWSL2の仮想メモリの壁で失速・不安定。
• カスタムAdafactorでBF16のまま直更新し、stateをMB級に削減。optimizerの巨大なstateを「運ぶ」のではなく「無くす」。
• DataLoaderはサンプル毎のtensor化をやめ、shard単位でfrom_numpy→インデックス参照。
• torch.compile(reduce-overhead)は動的グラフ（形状や経路が変わる）やcheckpointingと相性悪くOFF。
• 計測はcuda.synchronizeを計測時だけ使い、真のボトルネックを特定。
• 最終構成はVRAM22.6GBで安定、約1770 tok/s。gradient checkpointing ON、バッチは固定。