AI新聞

ローグライクは入力が少なく長期的な判断が要るため、AIの適性が試せる。筆者はSnes9xにMCPを実装し、コマンドをボタン列に落とすハーネスとRAM読取りで状態を取得して、『トルネコの大冒険』をAIに自動プレイさせた。

AIは慎重すぎてアイテムを浪費し、未識別の活用も弱かったが、事故のたびにハーネスを自動修正し、視界や状態異常の検知を強化。倉庫で装備を育成し、最終的に27階往復を達成。結論として、ハーネスとRAM読取りでゲーム状態を構造化し、LLM判断を最小化すれば、汎用モデルでも難度の高いゲーム攻略が現実的になると示している。

日販グループの子会社が、米AI企業アンソロピックに日本の書籍を無断で販売していたことが判明し、日本の書籍が無断でAI学習に組み込まれた可能性が指摘されている。書協の照会に日販は2024年12月〜2025年12月の販売を認め、「AI学習目的とは認識していなかった」と回答した。

米国では作家らが著作権侵害で提訴中で、資料には「Nippan Japan」の名もある。日本の著作権法はデータ解析目的の無断学習を条件付きで認めるが、線引きが不明確で、出版社は出版文化への打撃を強く懸念している。

企業への不正アクセスで個人情報の大量流出が相次ぎ、7月以降に被害が急増する“異様な状況”が続いている。具体例も多く、社会的な影響が広がっている。

セキュリティー会社は、AIが攻撃側に使われ、被害が加速している可能性が高いと指摘する。高度化・自動化した手口に備え、企業は監視と防御を強め、早期検知と情報共有を急ぐべきだとしている。

説明系スキル3種（ELI5・Archify・Explainer）の比較と使いどころを実例で検証した記事。

• 背景：AIの説明は冗長で専門語過多になりがち。視覚化・構造化・読者最適化で負担を下げる発想。
• ELI5：大きな絵＋短文で全体像だけ示す。初心者向けの「要約して」用途に最適。細部は捨てがち。
• Archify：説明やコードを型付きJSONにして5種の図（architecture/workflow/sequence/dataflow/lifecycle）で可視化。再現性は高いが適用範囲は狭め。「図解して」に有効。
• Explainer：読者の知っていること／曖昧なことを先に整理し、差分だけ説明。コードの実行結果と引用の対応確認も含む。読者の既知・未知の差分に合わせて説明を最適化。
• 実験結果：ELI5は4段階カードで俯瞰、Archifyは分岐も含めワークフローを正確に可視化、Explainerは学習用プログラムで理解を検証。
• 使い分け：キーワード抽出→ELI5、精密な図解→Archify、学習・コード読解→Explainer。試せるGistも提供。

データ漏えいが相次ぐ中、安野貴博氏はサイバー攻撃能力の高いAIモデルが拡散していると警鐘を鳴らす。4月に「Claude Mythos級が数カ月で広がる」と国会で述べており、中国Z.aiのGLM-5.3が「ほぼMythos級」として、その懸念が現実化したと示した。

これを受け、政府と企業は検知・防御の強化、AIモデル利用のルール整備、学習データとアクセスの厳格管理を急ぐべきだと主張している。

Claude Codeの拡張「Claude Mods」の概要・使い方・安全な入れ方をまとめた記事。

• Claude Codeの中で画面と挙動を差し替えられる拡張。TypeScriptでイベントに介入し、ペイン追加やプロンプト書き換え、ツール呼び出しの差し止めができる。
• settings hook/skill/MCPとの違いは「プロセス内で動きUIを描ける」点。/diffもmod化され入れ替え可能。
• 体験紹介の3つ: prompt-rail（プロンプトの目次とジャンプ）、md-prompt（入力欄にMarkdown/コードの色付け）、qa-guide（質問に文脈と選択肢の影響を添える）。
• 導入は/pluginの2行でOK。まずは呼ぶAPIが少ないmd-promptが無難。
• 安全策: claude plugin validateでhooks/callsを確認。$.fs/$.process/$.http/$.modelがあれば用途をソースで要確認。更新ごとに再validate。
• 注意: modはユーザー権限で動き、ファイル操作やネットワークが可能。permissionsのdenyはmodの$.fsや$.processには効かない。
• トラブル時はバージョン(v2.1.287+)、ワークスペースの信頼、端末幅(144列)を確認。停止は/plugin無効化、--safe-mode、disableAllHooks。

GraphRAGとMS GraphRAGの考え方と使い方をゼロから解説した記事。

• RAGの基本と弱点を整理。検索で文を拾えても、離れた情報のつながりや全体の筋を追うのが苦手。
• その補強としてナレッジグラフ（エンティティ＝物や人、リレーション＝関係）と、型を決めるオントロジーを導入。散らばった事実を関係で結ぶと推論が楽になる。
• GraphRAGは検索先をグラフにする発想。関係がデータ側に埋め込まれるので、辿るだけで答えに近づける。
• MS GraphRAGの要は、Leiden法でコミュニティ（関係が強い塊）を作り、階層要約「レポート」を生成し、グローバル検索で抽象的質問に答えられる。
• グローバル検索はベクトル検索を使わず、LLMがレポート群をクエリとの関連度でスコア付け→統合要約。ローカル検索は従来どおりembeddingで近いノードを辿る。
• 構築手順は、文書をチャンク化→LLMでエンティティ/関係を抽出→統合→可視化→検索。OSSのQuick Startで試せるが、モデル選択やプロンプト次第で精度が変わる。