AI新聞

自身の大量の発言・連載・配信記録をAIに読ませ、初稿生成と多段のAI校正で記事を量産しているが、事実誤認や「AIっぽさ」の除去、翻訳の逆引き検証など人間の確認が不可欠で、待ち時間に次の案件を走らせてしまうため、むしろ仕事は増え休めなくなったと述べる。

鍵は誰にも真似できない一次情報をどれだけ渡せるかであり、AIで「書く」ことは代替できても、現場の記憶にもとづく検証や読者コメントへの向き合いは人間の仕事だと結論づける。要するに、書く仕事は渡せるが、確認と判断は渡せない。

Qwen3.8-27Bをローカルで活かす「コーディングエージェント用ハーネス（操作枠組み）」の選び方をまとめた記事。

• ローカルLLMではハーネスの軽量さが重要。まずはPiが無駄な文脈消費を抑えやすく有力。
• OpenCodeは検索やサブエージェントまで揃う多機能派。端末で使いやすい。
• Claude Codeは公式評価に近い環境を再現しやすいが、プロンプトが重くなりがち。
• Qwen CodeはQwen公式の多機能実装。SubAgentsやLSP、Sandboxなどと相性良い。
• DeepSeek Harnessはプラグイン式＋自動圧縮で長作業に強い。ローカル構築例もあり。
• Codex CLIは高機能でローカル対応だが、Qwen3.8-27Bとの実例は少なめ。
• 目安: 軽さ=Pi、多機能=OpenCode、公式評価準拠=Claude Code、Qwen中心=Qwen Code。

AIエージェントが業務実行と開発の両方を加速させ、人が何ヶ月働いたかという尺度が成果の実態を表しにくくなることが課題になっている。SaaS自体は消えないが、「ソフトは人が操作・実装する前提」が崩れ、SIerの人月モデルにひずみが出る。

筆者は、SIerの価値は「作って納める」から「業務を再設計し、既存システムとAIを安全に統合し、成果に責任を持つ」へ移ると主張する。収益は人月ではなく成果で稼ぐに転換し、仕様定義とアーキ設計、AIの統制（権限・監査・停止）、そして法人としての責任を中核に据えるべきだと述べている。

Claude Codeのようなエージェントを、フレームワークなしのピュアPythonで作る手順と設計の勘所を解説した記事。

• 最小構成は4つ：LLM対話I/F、Tool、思考ループ、ガードレール
• providersでOpenAI/Anthropic/Googleを共通I/F化し、毎ターン全履歴を渡す
• Toolはdataclass1個に説明文＋JSON Schema＋実処理関数を束ね、descriptionがツール選択の決め手
• editFileは一致1回のみ差分適用。0回/複数回はエラーをtoolメッセージで返し、異常系を会話に戻してLLMが自己回復させる
• 思考ループはwhileで「聞く→実行→結果を履歴に→もう一度聞く」
• ガードレールはワークスペース外アクセス防止、y/n承認、ステップ上限
• 課題と対策：記憶欠落→REPL、長会話→要約（切り位置調整）、固定ツール→MCP/Skillで動的追加
• 実行デモと公開リポジトリ付きで、手元で試せる構成となっている

医師に症状を軽視された経験から、牧師の男性がChatGPTに健康相談を重ね、指示された薬や姿勢を実行した結果、倒れたという事例。男性はOpenAIとCEOを相手取り、利益を優先し安全対策や警告を怠ったと訴える。

損害賠償に加え、緊急の医療が必要な兆候が出たら会話を自動終了させる仕組みの導入を求めている。弁護士は、医療情報にも役立つと宣伝しながら厳格な安全テストを欠いた点が問題だと指摘している。

NVIDIA GPUで、VRAMに収まりきらない大型MoEモデルを高速にローカル推論できるエンジン。ExpertをGPUにキャッシュし、必要に応じてCPUと協調実行する設計で、VRAMを超える大型MoEを手元GPUで高速推論できるのが核。

RTX 30/40/50向けで、OpenAI/Anthropic互換APIに対応。QwenやGLM、DeepSeekなどで動作確認済み。16GBのRTX 3080 Laptopで23.5GBのQwen3.6-35B-A3Bを約70〜73 tok/sで生成でき、VRAM不足環境で特に力を発揮する。

中島聡氏が他者の技術解説をAIで要約してnoteに掲載し、著者名の示し方が不明確、要約中心で自説は有料誘導だとして批判が集中。削除後も「情報に著作権はない」と主張し、現行の紹介スタイルを続ける姿勢を示した。

筆者は、争点は著作権の条文だけでなく、他人の知見を使う際の作法だと指摘。AI時代ほど出典を明確にし、元著者への敬意と主従の区別を徹底すべきで、中島氏の対応は危機管理と発信姿勢の稚拙さを露呈したと論じている。

コンシューマ向けGPUで巨大なMoEモデルを動かすための推論エンジン。expert（専門ブロック）をRAMに置き、よく使うものだけをGPUにキャッシュして動かすのが肝心です。OpenAI互換APIで使え、GPU側はLRUキャッシュや専用カーネルで最適化されています。

35B級のようにVRAMへ収まるモデルはvLLMやllama.cppが速い一方、65GB超の120B級では実力を発揮。RTX 5090＋RAM128GBでgpt-oss-120bが127 tok/s、Qwen3.5-122B-A10Bが32 tok/sを記録しました。要するに、VRAMに収まらない巨大MoEをコンシューマGPUで実用速度で動かせるのが最大の価値です。