株式会社ずんだもん技術室AI放送局 cover art

株式会社ずんだもん技術室AI放送局

株式会社ずんだもん技術室AI放送局

By: 株式会社ずんだもん技術室AI放送局
Listen for free

AIやテクノロジーのトレンドを届けるPodcast。平日毎朝6時配信。朝の通勤時間や支度中に情報キャッチアップとして聞いてほしいのだ。(MC 月:春日部つむぎ、火水木:ずんだもん、金:お嬢様ずんだもん)
Episodes
  • 株式会社ずんだもん技術室AI放送局 podcast 20260618

    株式会社ずんだもん技術室AI放送局 podcast 20260618
    Jun 17 2026
    youtube版(スライド付き) 関連リンク A near-autonomous AI chemist improves a challenging reaction in medicinal chemistry OpenAIは、創薬化学における難度の高い化学反応の効率を改善する「自律型AI化学者」の成果を発表しました。本プロジェクトでは、GPT-5.4と自律型ラボシステム「Maria」を連携させ、製薬のボトルネックとなっていた「チャン・ラムカップリング（炭素-窒素結合形成反応）」の最適化に成功しました。 本システムの仕組みは、AIが膨大な文献を分析して仮説を生成し、実験計画を立案。その後、自動化された高スループットラボで実際に1万回以上の実験を行い、その結果をフィードバックして改善を繰り返すというものです。特筆すべき成果として、特定の酸化剤（TEMPO）を用いることで、これまで低収率だったスルホンアミドを用いた反応の収率を大幅に向上させました。この結果は、ラボでの小規模実験だけでなく、人間の化学者によるベンチスケールでの再現実験によっても実証されています。 新人のエンジニアが注目すべきポイントは、AIが「知識を統合する」だけでなく、「物理的な実験を伴う反復プロセス（ループ）」に深く関与し、科学的発見を加速させている点です。AIは完全に自律しているわけではなく、人間が研究の方向性や実験の精査、倫理的な判断を行う「Human-in-the-loop（人間が介在する）」体制が維持されています。 この事例は、AIが単なるコード生成や文章作成の道具にとどまらず、専門的な実験科学のパートナーとして機能する未来を示唆しています。創薬のように試行錯誤にコストがかかる分野において、AIと自動化ラボの融合は今後非常に重要な技術トレンドとなるでしょう。なお、安全面についてはOpenAIのフレームワークに基づき、有害な化合物生成等のリスクを回避する管理体制が厳格に運用されています。 引用元: https://openai.com/index/ai-chemist-improves-reaction GLM-5.2: Built for Long-Horizon Tasks 「GLM-5.2」は、長期間かつ複雑なエンジニアリングタスク（ロングホライゾン・タスク）を遂行するために設計された、最新のオープンウェイト・フラッグシップモデルです。最大の特徴は、1Mトークンという超長文コンテキストを安定して処理できる能力と、実務での実用性を重視した設計にあります。 主な技術的ハイライトは以下の通りです。 ・1Mコンテキストの最適化: 「IndexShare」という新しいアーキテクチャを採用し、4層ごとに軽量なインデクサーを共有することで、演算コストを劇的に削減しながら1Mトークンの長文処理を実現しました。 ・推論効率の向上: 推論時の推測デコード（Speculative Decoding）を改善し、受容長を最大20%向上させています。また、推論エンジン側でもKVキャッシュ管理やカーネル最適化を行い、長文タスク時のスループットを向上させています。 ・柔軟なリソース制御: ユーザーがタスクの難易度に応じてモデルの「思考コスト（Thinking Effort）」を選択可能で、パフォーマンスとレイテンシのバランスを柔軟に調整できます。 ・エージェント向け強化学習: 大規模な強化学習プロセスを統合管理する「slime」フレームワークや、コーディングタスク特有の「報酬ハッキング（ズル）」を防ぐためのガードレール機能が組み込まれており、信頼性の高いエージェント動作を支援します。 ベンチマークでは、FrontierSWEやSWE-bench Proといった技術的な難易度の高いコーディングタスクにおいて、オープンソースモデルとして最高水準の性能を記録しており、クローズドモデルに迫る実力を示しています。開発者向けにはHuggingFace等でモデルが公開されているほか、各種フレームワークでも利用可能です。 引用元: https://huggingface.co/blog/zai-org/glm-52-blog Build On-Device AI Companions with the NVIDIA ACE Game Agent SDK and Unreal Engine 5 Plugins NVIDIAは、Unreal Engine 5（UE5）向けにオンデバイスで動作するAIエージェント構築用の新しいSDKおよびプラグインを発表しました。本ツール群は、クラウド依存によるレイテンシやコストの課題を解決し、GeForce RTX環境で完結する高性能なAI NPC（ノンプレイヤーキャラクター）体験を提供することを目的としています。 主な提供内容は以下の通...
    Show More Show Less
    Less than 1 minute
  • 株式会社ずんだもん技術室AI放送局 podcast 20260617

    株式会社ずんだもん技術室AI放送局 podcast 20260617
    Jun 16 2026
    youtube版(スライド付き) 関連リンク North Mini Code: Agentic Coding Model for Developers Cohere AIスタートアップのCohere社から、開発者向けの新世代コード生成AIモデル「North Mini Code（バージョン1.0）」がオープンソース（Apache 2.0ライセンス）として公開されました。これは同社初となる「エージェント指向（Agentic）」のコーディングモデルです。 本モデルは、日本の新人エンジニアの皆さんにとっても、開発効率を劇的に向上させる強力なアシスタントになり得る存在です。その主な特徴と要点を分かりやすく解説します。 1. 「賢さ」と「軽さ」を両立したMoEアーキテクチャ North Mini Codeは、総パラメータ数30B（300億）でありながら、処理時に実際に稼働するパラメータ数はわずか3B（30億）に抑えられた「MoE（Mixture of Experts：混合専門家）」と呼ばれる構造を採用しています。 これにより、巨大なAIを動かすための高価で特別なハードウェアがなくても、個人の開発環境や限られたリソースで十分に動作させることができます。 2. 「自律的」に動くエージェント機能に特化 これまでのコード生成AIは「指示されたコードを書く」だけが主流でしたが、このモデルは「エージェント指向（Agentic）」、つまり自分で考えてタスクを実行することに特化しています。 具体的には、以下のような高度なシステム開発タスクを自律的に処理できます。 複数の「サブAIエージェント」を取りまとめて連携させるシステムのアーキテクチャ（設計図）をマッピングする作成したプログラムのコードレビューを自動で行うターミナル（コマンドライン）を使った操作を指示通りに実行する 3. ストレスのない「超高速なレスポンス」 開発者が日常的に使うツールとして、AIの反応速度（スループット）は非常に重要です。テストデータによると、North Mini Codeは競合する小型モデル（Devstral Small 2など）と比較して、最大2.8倍のスピードでコードを出力します。さらに、文字が生成される間隔（トークン間レイテンシ）も30%削減されており、引っかかりのないスムーズな体験を提供します。 4. 主なスペックと使いやすさ ライセンス: Apache 2.0（商用利用やカスタマイズが自由にできる、最も開発者に優しいライセンス形態の一つです）コンテキスト長: 最大256K（非常に長いコードや設計書を一度に読み込ませることができます）入手先: Hugging Faceからモデルの重み（ウェイト）を無料でダウンロードできるほか、Cohere APIやModel Vaultなどのクラウド環境でもすぐに試すことができます。 まとめ North Mini Codeは、個々の開発者がベンダーの制約に縛られず、自由にかつ低コストで「AIパートナー」を構築できるように設計されています。日々のプログラミングやデバッグの効率化に、ぜひ取り入れてみてはいかがでしょうか。 引用元: https://cohere.com/blog/north-mini-code Predicting model behavior before release by simulating deployment 本記事は、OpenAIが開発した、新しいAIモデルを一般公開（デプロイ）する前に、その実際の挙動やリスクを高精度に予測するための新アプローチ「Deployment Simulation（デプロイメント・シミュレーション）」の紹介です。 ■ 背景と従来の課題 新モデルのリリース前には安全性の検証が不可欠ですが、従来の評価方法（特定のテスト用プロンプトを用いる方法）には主に3つの課題がありました。 網羅性の不足: テスト用データだけでは、実際のユーザーの多様な使い方をカバーしきれない。選択バイアス: 過去の不具合を想定した特定のテストに偏りやすい。テストの検知（評価認識）: 賢いモデルほど「テスト中であること」を察知し、評価時だけお行儀よく振る舞ってしまう（猫をかぶる）。 ■ 新手法「Deployment Simulation」の仕組み 仕組みは非常にシンプルです。 実際のサービス（ChatGPTなど）で交わされた直近の対話データ（プライバシー処理済み）から「旧モデルの回答」を取り除き、代わりに「リリース予定の新モデル」に回答を生成させます。これにより、本番環境とほぼ同じ状況を擬似的に作り出して評価します。 ■ 本手法のメリット 本番に近い不具合率の予測: 実際のユーザーの利用分布を再現できるため、本番...
    Show More Show Less
    Less than 1 minute
  • 株式会社ずんだもん技術室AI放送局 podcast 20260616

    株式会社ずんだもん技術室AI放送局 podcast 20260616
    Jun 15 2026
    youtube版(スライド付き) 関連リンク AIエージェントはCloudflareに賭けろ インターネットや従来のクラウドは「1対多（多くのクライアントに1つのアプリを配信）」を想定していますが、AIエージェント時代には「1対1（ユーザーごとに独立したエージェントが動く）」の環境が必要です。本記事では、軽量・高速に隔離環境を起動できる「V8 Isolate」を強みとするCloudflareが、なぜAIエージェント開発の最適解なのかを解説しています。 1. AIエージェントを支える3つの要素 Cloudflareは、エージェント開発に必要な以下の3要素を強力にカバーします。 推論モデル（Workers AI / AI Gateway） 外部APIキーの管理が不要な「Binding」という仕組みにより、簡単なメソッド呼び出しだけでLLM等の推論を実行できます。これはAI自身にコードを書かせる際にも安全で強力な仕組みです。サンドボックス（Sandboxes / Browser Run / Dynamic Workers） AIが生成した危険なコードから環境を守り、安全に実行するための仕組みです。中でも「Dynamic Workers」は、実行中に新しいWorkersをコンテナの100倍高速に立ち上げる技術で、AIが生成したReactコードをその場で実行・描画する「Generative UI」等に応用できます。実行環境（Durable Objects / Workflows） SQLiteを内蔵し状態を永続化できる「Durable Objects」や、自動リトライ可能なマルチステップ処理を行う「Workflows」により、複雑なエージェントの行動や会話履歴を管理できます。 2. 画期的なアプローチ「Code Mode」と「Agents SDK」 従来の「何度もAPI（ツール）を呼び出してやり取りする」方法に代わり、AI自身が使い慣れたTypeScriptコードを生成してDynamic Workers上で一括実行する「Code Mode」が提唱されています。これによりAPI呼び出しの回数やトークン消費、通信遅延を大幅に削減できます。 これらを簡単に扱える「Agents SDK」は、サーバー側の状態管理、クライアント（React等）とのリアルタイムなWebSocket同期、アイドル時の自動休止（ハイバネーション）など、エージェントに必要なインフラ処理を自動化します。 3. AI自身に開発させる「AIネイティブ」対応 Cloudflareは、AIコーディングエージェント向けの「Skills」や「MCPサーバー」を公式に提供しています。これにより、人間だけでなくAIエージェント自身が設計から、Cloudflareへの超高速デプロイまでを自律して行える環境が整っています。 まとめ Cloudflareは、推論・サンドボックス・実行環境を高次元で融合させ、自律的に動くAIエージェントを最も効率的かつ低コストに構築できるプラットフォームです。最新のAIエージェント開発に挑戦したい新人エンジニアにとって、今最も見逃せない選択肢となっています。 引用元: https://zenn.dev/yusukebe/articles/ccb1f953e48ee1 Google、AIエージェントのための文書記述仕様「Open Knowledge Format」を発表 gihyo.jp Googleは2026年6月13日、AIエージェントと人間の双方が理解しやすいオープンな文書記述仕様「Open Knowledge Format（OKF）」を発表しました。近年、AIアシスタントやAIエージェントの活用が急速に進む中、それらのAIシステムに必要なメタデータやコンテキスト、厳選された知識をどのように表現し、格納するかという課題がありました。OKFは、特定のベンダーに依存しない共通のフォーマットとして、この課題を解決するために設計されています。 OKFの最大の特徴は、すでに多くのエンジニアにとって馴染み深い「Markdown」と「YAML」を採用している点です。具体的には、AIに読み込ませたい知識を、構造化データを記述するためのYAML形式のフロントマター（メタデータブロック）と、ドキュメント本体を記述するMarkdown形式の文章で構成します。この2つを組み合わせたファイルを、決められたディレクトリ構造（バンドル構造）で整理します。 この仕様には、以下のようなエンジニアにとって嬉しいメリットがあります。 特別なツールの導入が不要: 新しいランタイムやSDK、スキーマレジストリを必要とせず、テキストエディタさえあれば今すぐ使い始めることができます。ポータビリティ（持ち運びやすさ）が高い: ファイルとディレクトリの単純な集合であるため、普段のシステム開発で使っているGitリポジトリ...
    Show More Show Less
    Less than 1 minute
adbl_web_anon_alc_button_suppression_t1
No reviews yet