AI新聞

お名前.comの中古ドメインおすすめ表示が刷新。ランキングに「掲載リストはAIによって選定」と明記し、項目も「SEO対策に最適／アフィリエイトに」から「外部リンク数上位／ドメインオーソリティ上位／短い文字数」などの客観指標へ。Mozのスコア（0〜100）も用いる。

浅田真央さん旧ドメインの出品をめぐる批判を受け、用途の断定を避け、客観指標とAI選定に切り替えたのがポイント。小さく「おすすめの使用例」は残しつつ、誤解を招きにくい表示に改めた。

Kimi-K3 を B300 x8 単一ノードに当日デプロイした手順と運用ノウハウをまとめた記事。

• MXFP4（量子化認識学習済み）配布で重みは約1.6TBに収まり、B300 x8で起動可能。2.8Tモデルを1ノードで実用速度で動かしたのが肝。
• SGLangを採用。DCP対応でMLAのKVキャッシュを8GPUに分散でき、実効コンテキストが大幅増（当日時点のvLLMは未対応）。
• --mamba-full-memory-ratioは業務に合わせて要調整。大きくすると短文多並列向け、小さくすると長文向け。今回は大き過ぎてKVが不足しがちだった。
• DSPARKによる投機的デコードを併用し速度を底上げ。
• 起動は約90分（モデルロードが大半）。再起動コストが高いので設定試行やフェイルオーバー設計に織り込む。ロード中の進捗はdocker attachで確認可。
• スループットは並列30前後で頭打ち。長コンテキスト用途はKVキャッシュ拡大が鍵。
• コーディング実タスクでも一発動作し、出来栄えは良好（A*可視化ツール）。

Claude CodeやCopilotなどを使った、AI前提の開発フローをまとめた記事。

• リファインメントは「grill」で実施。AIがコードや画面、権限などを先に調べ、チームは判断だけに集中。実装イメージまで揃える。
• プランニングは順番と担当容量を決めるだけ。不確実さはgrillで減らす。
• 実装はClaude Codeに任せ、grillで書いた仕様をそのままプロンプトに流す。
• 多層レビューを採用。Copilotは.instructions.md/REVIEW.mdで規約チェック役、Codexは構造的バグの発見役。複数モデルと厚いCIで品質を機械的に底上げ。
• 厚いCIでテスト・リンター・型チェック・VRT（見た目の差分）・E2Eを実行。目視全確認を不要にする。
• 人間レビューの指摘を定期的にlintルールやガイドに反映し、仕組みを継続的に強化。
• babysit-prがCI失敗や指摘対応を自動でループし、green後にPRをopen。人間は最終判断に集中。

AcrabのミニPC「Acrab Agent Box」は、独自プロセッサG≡LIX 1で100B級LLMをローカル実行できるパーソナルAIマシン。

Prefill/DecodeでDGX Sparkに迫る性能をうたい、同等級のAI処理を低価格・低消費電力で自宅に持ち込めるのが売り（価格は約1/5、消費電力は約半分と主張）。

5nm/700TOPS、広帯域メモリ、注意機構を最大3倍に高速化するアクセラレーションなどを備え、20コアCPUや小型GPUも搭載。

OSやモデルツール、エージェントのリファレンスまでソフトも一式提供し、音声で家電連携や3Dプリントを自動化するデモを示している。

エージェント前提のプロジェクト運用サーバ「Projektor」。MCPサーバを中心に、課題起票、チケット移動、スプリント計画、wiki検索まで、面倒な管理作業をエージェントが自動でこなす。

gitのようにリポジトリに密着しつつ、Jira並みに横断利用でき、使い込んで規模が増えたら道具はそのままにデータベースだけ差し替えればよい。登録台帳や調整メッセージにより、多数のエージェントが同じリポジトリで衝突せず並走できる。

Cloudflare Workers上で動作し、Hono・D1・KV・R2を利用。サーバやコンテナは不要で、数分で自分のアカウントへデプロイでき、低コストで自前運用しやすい。

視聴者コメントに仕込んだ指示で、24時間配信のAIずんだもんが暴走する様子を映した動画が話題に。お堅い説明よりも、視聴者の書き込みだけでAIの振る舞いを壊せることが直感的に伝わると受け止められている。

カスタマー対応や配信連動のAIは特に危険で、メールや読み上げ経由でも命令が紛れ込み得るため、公開前に強い拒否動作や入力の制御を入れないと個人情報流出の恐れがある、との声が多い。

AI向けに自分の顔の使用権を売買できる「New Claw」などのプラットフォームを紹介。ユーザーは顔のタイプや許可する用途、出演本数に応じて価格を決め、15～700ドルの報酬を得られる。広告やショートドラマ、ゲームなどで使われ、検索は性別・年齢・雰囲気・ジャンルで絞り込める。

背景には、無断で顔が使われたAI動画が相次ぎ削除される状況がある。人を雇うより顔だけを使う方が安く、制作現場が自分の顔の使用権をAI向けに売る流れに移っているという。

「ActID」は契約管理と無断利用の監視、必要時の法的支援も提供。開始以来約800人が登録し、1話あたり99～500元での取引事例が出ている。

Googleの新モデル「Gemini 3.6 Flash」を、公開直後に指摘された“おバカ回答”で再検証した記事。初歩的な数値比較や架空の魚の件は、1週間後の再試験では多くが正答に改善していた。

一方で、コード実装の誤りや、根拠のない断定（ハルシネーション）の報告はなお散見される。高速応答とトークン効率の改善は強みで、用途を選べば有用という声もあるが、単純ミスは減った一方で信頼性の揺らぎは残る。

LLMのコストと待ち時間を減らす「プロンプトキャッシュ」の解説記事。

• 仕組みの要点: 入力はトークン化→埋め込み→Transformer→出力へ進む。キャッシュはこの途中の計算結果を保存し、同じ先頭部分は再計算しない。
• 何を保存するか: Self-AttentionのKey/Value（KV）。生成文そのものではなく中間状態なので、同じプロンプトでも答えは変わり得る。
• 効果: 長い共通の前置きがあるとレイテンシ最大85％減、入力トークン料金が約1/10に。LLM内部のKVキャッシュを使い回すことで料金と待ち時間を同時に削る。
• 効く場面: システムプロンプト、利用規約、ツール定義など毎回同じ前置き。質問の「What is〜」のような共通の冒頭が多いと特に有利。
• 仕組みのイメージ: Webのページ全体ではなく、モデル内部の中間計算だけを保存するキャッシュ。
• プロバイダ差: OpenAIは自動管理でヒット率は実測約50％と揺らぎやすい。Anthropicは開発者が作成・保持期間を指定でき、追加料金だが指定時はヒット100％で応答が安定。

AI学習用データ確保を急ぐ中、Anthropicが中古本を大量購入して背表紙を切り落とし高速スキャン後に原本を廃棄する手法を採用し、貴重な本がスキャンのために破壊され失われる懸念が浮上している。法律上はフェアユースに当たるとされるが、GoogleやInternet Archiveが非破壊スキャンを選ぶのに対し、コストと速度重視で希少本が消える可能性が批判の的になっている。

古書市場では専門書や絶版本の買い占めが報告され、将来的な入手性や価格への影響が指摘される。これに対しイーロン・マスクは、SpaceXAIは希少本を保存し手間をかけてスキャンすると表明した。

米中の巨大企業が計算資源とデータを握る中、日本は中央集権型のAI競争に乗らず、地域の現場知や職人技を起点にした「市民参加のAI」で勝てると述べる。重要なのは、すし職人や介護職など多様な当事者を開発に招き入れ、ニーズ起点で小さく作り素早く回すこと。

クラウド依存よりエッジAIや地域クラスタを活用し、データは住民が共同で管理・持ち運べる形にする。プラットフォームに従うのではなく、現場が主役の合意形成と実装で価値を生むという提案だ。

KDDIが新AIサービス「Buffmee」を提供開始。新聞・雑誌・百科事典・Webメディアなど計150の厳選ソースをまとめて検索し、会話形式で要点を返す。回答には出典や引用を明示し、誤情報や作り話を抑える設計。つまり、150の信頼できる媒体を横断検索し、根拠付きで答えるのが特長。

初年度は利用回数の上限なく使えるキャンペーンを実施。基盤はGoogle Cloudで、Geminiなどのモデルを活用している。KDDIは併せてGoogleと起業支援プログラムも始動し、国内での生成AI活用を広げる方針。

Microsoftが発表したMAI-Cyber-1-Flashは、巨大なコードから見つけにくい脆弱性を洗い出すセキュリティ特化AI。自社のセキュリティ基盤MDASHに統合され、GPT-5.4と組み合わせることで業界ベンチマークCyberGymで競合モデルを上回る性能を示した。

設計の要は、全体の約90％の作業を軽量な本モデルで処理し、最難関の約10％だけをGPT-5.4に回すこと。これによりMDASHはCyberGymで96％を達成しつつコストを半減し、大半の作業を軽量モデルでさばき、難所だけを大型モデルに回す戦略を実現。継続監視・パッチ適用・封じ込めを担うエージェント型システムPerceptionも提供し、今後さらに適用範囲を広げるとしている。

Claude Codeの使いこなし術について書かれた記事。

• Mac mini M4 Proで、Ollama＋LlamaIndexを使い「完全ローカルのLLM＋RAG」を構築する手順。外部送信なし・従量課金なし・オフラインで検証可能。
• 使う構成：生成モデル qwen3:14b、比較用 gemma3:27b、埋め込み bge-m3。RAGは「生成用」と「埋め込み用」の2モデルが必要。
• 手順の肝：HomebrewでOllama導入→モデル取得→単体動作確認→Python仮想環境→LlamaIndexで十数行のrag.py作成→data配下の文書で質問。
• 重要ポイント：Apple Siliconのユニファイドメモリで14B〜32Bが実用速度。MLX形式を優先、モデル同時稼働のメモリ配分に注意。
• 調整項目：similarity_top_kで検索件数を最適化。まず14Bで確認し、必要に応じて27Bへ。
• 目安：15 tokens/s以上で快適。
• 典型エラー：Ollama未起動（connection refused）、GUI常駐でポート衝突、PDF要pypdf、メモリ不足は一時的に上限引き上げ。
• GUI代替：AnythingLLM、LM StudioでもコードなしでRAGを体験可能。

Moonshot AIが最上位モデル「Kimi K3」のモデル重みを公開。2.8兆パラメーターのMoEで、視覚理解と100万トークンの長文脈に対応し、Claude Fable 5やGPT-5.6 Solに迫る性能を狙う。

新アーキテクチャで計算量あたり2.5倍の賢さをうたい、単に巨大化しただけでない点が特徴。

数TB級メモリが必要なためクラウド実行が前提。LM Studio BionicやOllamaのクラウドで即利用できる。