AI新聞

AnthropicがClaudeで、AI生成文に見た目に影響せず編集しても残るテキスト透かしを組み込む方針。文章全体の単語選択や並びにごく小さな偏りを入れ、専用検出器で「AIが関与した可能性」を統計的に見分ける。EU AI法が「AI生成物に技術的な印」を義務化したことへの対応で、Claude CodeやCoworkなどAPI経路も含め一括適用される。

ただし決定的な証拠にはならず、短文や大幅な書き換えでは検出が難しい。翻訳や校正でも透かしが付くため、「誰が考えたか」までは判定できない点に注意が必要。

世界的にAIの学習用テキストが不足しつつある中、とくに中国は中国語データの乏しさが深刻だという指摘。中国語サイトは全体の1.3％、Common Crawlの中国語は4.8％にとどまり、百科事典や学術誌など知識の濃い資料も少ない。人類が公開した高品質テキストは約300兆トークンで、2026〜2032年に枯渇する可能性も示されている。

これに対し、出版物や古典の大規模デジタル化、方言・少数言語や映像の取り込み、著作権許諾の整備が提案される。政府は2028年末までに各分野で実運用で検証済みのデータセットを整備し、不足分は合成で補う計画。要するに、AI競争は計算資源だけでなく、高品質なデータ供給システムの競争へと重心が移っている。

既存コードに品質ゲートを後入れしても開発を止めずに進められる、ever-better（MIT・依存ゼロ）の紹介。ESLint/TypeScript/CIを自動整備し、診断→導入→凍結→チェック→削減の流れをコマンドで回せる。とくに、違反の天井を凍結して、そこから一切増やさない仕組みで「新規コードは初日から厳格、古い負債は後から計画的に減らす」を実現する。

Claude Codeと組み合わせればPRが連続投入され、pm2のような大規模・古いプロジェクトでも短時間で整備と実バグ検出まで到達。数える・順番決め・合否判定はツールが担い、AIは「読む・直す・テストを書く」に専念できる点が特徴。

AI投資が株高を牽引する一方、収益化の見通しが弱いまま資金が非公開スタートアップやテック大手に流れ込み、評価は過度に楽観的だという指摘が強い。IMFは崩壊時に投資縮小や信用収縮、消費低下、貿易の混乱が起きると警告する。

今回の特徴は、一般の個人投資家ではなく大企業と富裕層が主役で、しかも高金利下で借金を増やしバブルを膨らませている点だ。持続性はあるかもしれないが、崩壊すれば雇用と信用が一斉に冷え込むため、投資していない庶民も景気悪化や貸し渋り、年金・保険の運用悪化を通じて打撃を受けると論じている。

中国で人型ロボットの実利用が広がる一方、転倒で関節交換に70万円など維持費が高騰し、技術者や部品供給も不足していることが課題となっている。年間維持費が本体の1〜3割、修理は数週間〜数カ月待ちで、メーカー独自設計ゆえ第三者修理も難しい。

筆者は、現在の「買えるが維持できない」状況を変えるには、自動車のような地域密着の修理網と、標準化・部品開放が必要だと指摘する。要は、維持コストと修理難が普及の最大の壁で、修理・保守の仕組み整備こそ次の成長の鍵だという。

Claude Codeの使いこなし…ではなく、AIで編集しやすいWBSの書き方と運用をまとめた記事。

• 結論は、WBSを1行1タスクのフラットなMarkdown表にし、集計は別で自動生成。機能と工程は列で持ち、合計行は混ぜない。
• Markdownを選ぶ理由は、差分が行単位で読める、AIにそのまま渡せる、Gitでレビューしやすい。
• 列設計ルール：不変のID、数値列は数だけ、空欄は-、セル内改行禁止、パイプは\|で逃がす、状態語彙を固定。
• 集計は機能軸・工程軸・クロスで作成し、AIの計算は鵜呑みにせずスクリプトで検算してCIで落とす。
• GFMの落とし穴：列超過は黙って捨てられる、見出しと区切りの列数不一致で表崩壊、|が列を割る。
• AIには構造レビューだけ依頼（IDを変えない・行を減らさない・数値を変えない）。
• ExcelへはCSV経由（utf-8-sig）で渡し、列数不一致は変換時にエラーで止める。
• 規模が大きい・依存関係管理が必要・同時編集が多い場合は専用ツールを検討。

Claude CodeのようなLLMエージェントでセキュリティ調査を自動化する実装解説。

• 自然文は説明用、判定はJSON Schemaでの構造化出力に分ける（パース失敗で異常に気づける）
• ツール呼び出しと結果投入を while ループで回し、結論が出るまで反復。最大ステップやタイムアウトで暴走防止
• 危険操作は実装しない、最小権限・ドライラン・結果の要約などで安全とコストを管理
• 人の調査手順をコード側（外側の制御ロジック）に埋め込み、目的・観点・裏取りの順序を明示
• まずスキーマ確認→当たり付け→必要な本文だけ取得など、知識APIとログ検索を組み合わせる
• アラート判定は単一ログで決めず、Okta/GitHub/Slack/GCP/SSHを横断して「本人性」「業務の裏付け」「その後の操作」を確認
• ReAct/Plan-and-Execute/自己批評などの実行様式は再現性とコストのトレードオフで選ぶ
• LLMを採点者にしてレポートを評価（正解一致、根拠の具体性、見落とし有無）し、プロンプトを改善して回す

メタが高性能AIの技術を外部に開放し、一部を無料で提供する取り組みを発表。背景にはAI利用コストの高騰があり、インターネットのように低価格化して普及を狙う方針で、ザッカーバーグ氏は先端AIを数十億人が使える無料版として提供すると述べている。

公開範囲の詳細は未公表だが、多くの高性能モデルが対象になる見通し。開発者や企業が最新AIを低コストで試しやすくなり、サービス開発のスピードと裾野の広がりが期待できる。

AI駆動開発で増える「人の操作」を、Raycastで最小化するコツを段階的に紹介した記事。目的は、AIの速度に人の操作を追いつかせること。

• 初期設定：⌘+SpaceでRaycastを開くように変更（Spotlightは無効化）
• まず試す：アプリ起動、Emoji検索、電卓・単位変換、画面ロックをコマンドバーから実行
• 必須の設定：Clipboard History（履歴貼り付け）、Snippets（定型文展開）、Window Management（ウィンドウ整列）にHotkey（呼び出しキー）を割り当てる
• 慣れたら：File SearchにAlias（短い呼び名）を付ける、Quicklinksで{Query}検索、拡張機能でVS Code/Brew/プロセス終了などを連携
• 例：fでファイル検索、gでGoogle検索、⌘+Shift+Vで履歴貼り付け、左右半分/最大化の整列キー
• コツ：最初は1機能から。毎日使う操作をキーボード中心に置き換え、人間側の手作業をキーボード操作で徹底的に削る

OpenAIがサイバー防御プログラム「Daybreak」を拡張し、承認ユーザー向けにBlue（防御作業用の制限緩和）とRed（専用学習モデル提供）の2階層化。BlueではGPT-5.6 Solを使って脆弱性発見やマルウェア解析、インシデント対応などが行える。

Redでは特化モデル「GPT-5.6-Cyber」を提供し、ゼロデイ発見やエクスプロイト連鎖の開発など専門作業に強化。社内評価で高リスクな依頼への完了率95%を達成し、実際にChrome V8の未知の脆弱性連鎖も見つけて修正に結びつけた。安全評価は「High」にとどめつつ、信頼できる防御側に先行提供する方針。

米名門大で学んだ楊植麟がAppleからの誘いを断り、中国でムーンショットAIを創業し「Kimi」を急成長させた事例を軸に、米国が長年保ってきたAI人材の引力が弱まっている現実を描く。背景にはビザや安全保障の不確実性、巨大ITの社内事情による研究の自由度低下がある。

一方で中国は市場の大きさと実装の速さ、資金や人材の還流で勢いを増す。オープンなAIモデルの進歩も追い風になり、米優位は相対的に薄れている。筆者は、米国が移民や研究支援の見直しで人材を引き留めない限り、次のブレイクスルーを生む場が分散すると警鐘を鳴らしている。

AI用語の基礎を整理し、LLMとMCPの役割分担を誤解なく理解するための解説記事。

• モデルは親概念で、LLMは言語特化（画像も扱うものはLMM）。LLMは次トークン予測のみで、実行や操作はアプリが担う。
• トークン＝課金と処理単位、コンテキスト＝一度に読める上限。日本語はトークン効率が悪い。APIはステートレスで履歴は毎回送る。大きいコンテキストが常に有利ではない。
• MCPはAIアプリと外部ツールをつなぐ共通ルール。LSPに似ており、ツール定義をJSON Schemaで渡す。
• 役割分担は、LLMがツール呼び出しを提案、クライアント（アプリ）が実行判断、サーバーが処理。
• MCPサーバーはローカル実装も多く、標準入出力でやり取りし、必要に応じて外部APIを叩く。
• 核心は、仕様を調べる主体が人間からAIに移るため、呼び出し側の改修が減り、パラメータ不一致などのミスが起きにくくなる。

超知能を少数の組織に集中させると、特定の価値観が押しつけられ社会の安全が揺らぐという問題提起。ザッカーバーグは、人類の価値観は多様で単一解はなく、安全性は技術ではなく権力の均衡の問題だと主張する。

対策として、開発中チェックポイントの政府共有や重要インフラ防御への活用を提案し、対中チップ規制は支持する一方で米国のモデル公開遅延には反対。社外の独立取締役会が公開基準を審査する体制を導入し、MSLからMuse Glimmerを公開、基盤モデルのウェイトも順次再開すると述べ、オープン化で中央集権化を防ぐ方針を明確にした。

DeepSeek V4 Flash-0731をDGX Spark×2で動かす実践記事。llama.cpp構成とvLLM構成を比較し、用途別の選び方を整理している。

• 選択肢は「llama.cpp＋4-bit GGUF（RPC分散）」と「vLLM＋公式FP8（テンソル並列）」の2通り。
• vLLMはdecode 76 tok/s、prefill約1900 tok/s。90万トークンの長文も通り、6並列で合計210 tok/s。待ち時間はプロンプト長に比例して伸びるが、生成中は速い。
• llama.cppは4-bitを2台に分割してもdecode劣化は約2%と小さい。RDMAでオーバーヘッド低減。DSpark式の投機デコードで最大2割増速。複数ワーカー落ち対策のPR適用が必要。
• 並列特性は、短文の同時利用はvLLMが強く、長め入力の共有はllama.cppでも合計スループットが伸び続ける。
• 選び方の目安：単発速度・長文・複数人運用はvLLM。軽量セットアップや量子化の入れ替え重視はllama.cpp。セットアップはvLLMが重く（各ノードに約167GB配置）、llama.cppは手軽。
• 品質スコアは両者で差が出ず。実務体感は速度差が効く。

結論は、284Bがローカルで実用速度になることを実測で示した点が新しい。