Atsushi Nakada

日経BPの中田敦です。投稿は会社や組織を代表するものではありません

[Atsushi Nakada @Nakada_itpro]

みずほ銀行で発生した一連のシステム障害について詳細や原因を分析し、システム安定稼働対策の教訓を得ようと執筆した書籍「ポストモーテム みずほ銀行システム障害 事後検証報告」が3月17日に発売されます https://t.co/DIops1MtaJ

[Atsushi Nakada @Nakada_itpro]

ハイパースケーラー4社は95GW分のデータセンターを2030年までに整備する計画なので、そのリターンは3000億ドル（48兆円）×95GWなので28兆5000億ドル（4560兆円）ということになります。そろそろ「京円」という単位が見えてくることになりますね

[Atsushi Nakada @Nakada_itpro]

消費電力1GWのAIデータセンターは、NVIDIA GB200だと40万基ほどを運用できます。ジェンスン・ファン氏によればその投資額は1カ所につき500億ドル（8兆円）にも達するのですが、間もなく800億ドルから1000億ドル（13兆円から16兆円）に高騰する見込みだといいます。
https://t.co/Mn8ZDJ19gj

[Atsushi Nakada @Nakada_itpro]

ジェンスン・ファン氏は2026年5月に収録されたセコイア・キャピタルのポッドキャストで、1GW級データセンターは投資額500億ドルに対して、リターンは3000億ドルから4000億ドルが見込める、と発言しています https://t.co/Av5fwN2bBR

[François Chollet @fchollet]

AI in 2040 will not be built on the stack we are using today. It will be much closer to optimal. The current stack has 3-4 orders of magnitude of data inefficiency and 4-5 orders of magnitude of compute inefficiency.

Near-optimal AI is what symbolic learning will deliver.

[とちぷ @toocheap]

AIがagileに追いついたのか。

[Atsushi Nakada @Nakada_itpro]

今日のコラムでは「ループエンジニアリング」について取り上げました。まとめると、AIに「改善ループ」をたくさん回させよう、という話です。「テスト・タイム・スケーリング」の行き着く先、という印象があります。

https://t.co/yGrmDby4gm

[Daisuke Okanohara / 岡野原 大輔 @hillbig]

日経Robotics編集長の進藤さんによる、フィジカルAIに関する渾身の記事が公開されている。日本におけるフィジカルAIの議論にとって非常に重要な内容であり、現状の環境や技術動向がよく整理されているとともに、現状の方針に対する疑問も投げかけられている。記事自体は公開されているので、興味のある方はぜひ読んでいただきたい（スレッドにリンクを貼っておきます）。

私も取材を受けた関係者の一人としては、フィジカルAIの競争力は、現場データを集めるだけでなく、現場に入り、価値検証とデータ収集を繰り返す改善ループを作れるかにあると考えている。日本には、そのループを多様な産業現場で回せる可能性がある。

フィジカルAIにおいては、現場データを集めればそれで終わりというわけではなく、ロボットを直接導入する形でも、人間が操作や作業を行う形、さらには人間の作業ログでもよいので、現場にシステムを実験的に導入し、実際に使えるのか、価値が出るのかを検証する。そのうえで、さらに新しいデータを取り、改善していくサイクルが必要になると考えている。
日本の強みは、多様な産業が比較的密に集積していることにある。量で勝負するのではなく、要求水準の高いニッチな現場が幅広く存在し、多様なドメインで改善ループを回せる可能性がある。ただし、よくあるPoC止まりになる部分や、現場データを活用するための体制づくりといった、組織的な壁を越えられるかが勝負になる。

なお、現場との接点が開発を駆動するという構図は、フィジカルAIに限らない。例えば、材料向けAIであるMatlantisでも、「こうした材料を試したい」「こうした問題を扱いたい」というユーザーからの要望、しかも多分野からの要望をもとに開発を進めてきた結果、純粋な研究開発だけでは到達しなかったモデルやサービスにつながり、この5年間で世界的にみても速いペースでの改善を実現できた。フィジカルAIがまったく同じ構造になるとは限らないが、多様な問題設定・環境からのフィードバックループを作れれば強みが作れると思われる。

開発面で見ると、事前学習においては、ロボットから直接収集したデータだけでなく、動画やシミュレーションなどで作られた多様なデータを用いることで、物理世界をある程度理解できるモデルは、今後かなりの水準まで作られていくだろう。
さらに、物理世界での経験だけからは得にくい知識をLLMから取り込むことも必要になる。例えば、「今扱おうとしている部材は非常に硬いため、この工具を使わなければならない」といった知識である。こうした異なる由来の知識・データの統合が重要になる。

事後学習においては、さまざまなドメイン知識や、企業内に蓄積された知識をモデルに組み込んでいくことが重要になる。こうした知識の一部は、コンテキストへの注入や検索で扱えるだろうが、現場特有のスキルや暗黙的なノウハウは、文脈として与えるだけでは獲得が難しく、また推論時に毎回大量の文脈を与えるのはエッジで動作させることからもコストの面からも厳しい。そのため、現場で知識やスキルを取り込み続けられるモデル、すなわち継続学習しやすいモデル設計と、導入後の追加学習を支える環境整備が求められる。

記事では意識的にマニピュレーションに焦点を当てていると思うが、移動の問題もまだ十分には解けていない。ロコモーション自体はかなり進んでおり、倉庫内搬送や自動運転のように、整備された環境でのナビゲーションは実用段階にある。
一方で、地図やインフラの整備に頼らず、初めての街中や屋内を自在に動き回るには、かなり多くの常識的知識が必要であり、現状では限られた環境下でしか利用できない。例えば、屋内で自己位置を見失った場合にどう振る舞うべきか。
また、ドアを越えて移動するような一見単純な行為にも、実際には多くの課題があり、建築現場のように足元が悪い環境での移動は、ロコモーションとナビゲーションの両方が絡む難しい問題として残っている。

[根来誠 QuEL @makoto_ne56]

大阪市グランフロントコングレで開催されている日経クロステックNEXT 関西 2026において、大阪・関西万博や東京都現代美術館などで好評を博した量子コンピュータのパーツやアートを展示しております。2日目の6月12日（金）15:55～16:35に純国産量子コンピューターの開発状況についても話します。

[Atsushi Nakada @Nakada_itpro]

6/11、12に大阪で開催中の「日経クロステックNEXT関西」、国産量子コンピュータの展示ブースで大阪大学の根来先生が説明されてます！これは凄い！みなさんお越しください！　https://t.co/RbaT9DcKQp

[Tomonori SHINDOH / 進藤 智則 @tshindoh]

フィジカルAIについては「米中が先行する中、日本は本当に大丈夫なのか」「現場データが日本の勝ち筋になるはずだ」「人手不足の打開策になる」など日本国内で様々な議論がなされてきましたが、一方で議論が紛糾し混乱しているようにも見受けられます。一部違和感のある言説も出てくるようになりました。そこでフィジカルAIについて俯瞰的な観点でまとめた総力特集「フィジカルAI 日本の処方箋」を日経Robotics 7月号で執筆・掲載しました。なぜフィジカルAIを巡る議論は混乱しやすいのか、日本としての打ち手はどうあるべきか、そもそもフィジカルAIとは何なのか、など多様なステークホルダーに取材し記事としてまとめました。ぜひご高覧いただければ幸いです。日経Roboticsとしては珍しく、なんと期間限定で全文を無償でご覧いただけます！
https://t.co/CCSyZQV2hu
日経Roboticsでは普段はWebでの全文公開は定期購読者様向けなのですが、今回は普段の技術解説記事というよりも、より広い層の方々を想定して執筆したため、フリーで公開しております。前編と後編の2本建て、紙版では40ページの特集となっておりやや長いのですが、期間限定公開ですので皆様、ぜひシェアいただければ幸いです。

[Rimsha Bhardwaj @heyrimsha]

A Stanford assistant professor and a small lab of graduate students sat down in March 2023 and reproduced the behavior of ChatGPT for under $600.

The model they released became the template that every open-source instruction-tuned model on the planet now copies. The evaluation system they built became how the entire field measures AI alignment. Most people scrolling through AI Twitter cannot name him.

His name is Tatsunori Hashimoto. His lab is called the Tatsu Lab.

Here is the story, because almost nobody outside the language model research world knows what one Stanford lab has quietly shipped.

Tatsu grew up between two continents and studied at MIT, where he eventually earned his PhD. After finishing he moved to Stanford as a postdoctoral researcher in 2019, co-advised by Percy Liang and John Duchi, two of the most respected names in machine learning. The combination is unusual. Most postdocs work with one advisor. Tatsu sat at the intersection of statistical machine learning, robustness, and natural language processing, which meant he could draw from both camps.

By 2020 he was hired as an Assistant Professor in the Stanford Computer Science Department. He joined the statistical machine learning and NLP groups. His research focused on something most of the field was ignoring at the time. How do you actually evaluate language models in a way that is rigorous, reproducible, and not gameable?

Then ChatGPT launched in November 2022.

Within four months Tatsu and his students did something nobody else in the open-source world had figured out. They took Meta's just-released Llama model, fine-tuned it on instructions generated by GPT-3.5, and released Stanford Alpaca on March 13, 2023. The training cost less than $600. The resulting model behaved like ChatGPT on most everyday tasks.

The release went nuclear. Within days every open-source AI project on Earth was running variants of the Alpaca recipe. The technique he and his students used became the standard. Every "fine-tune your own ChatGPT" tutorial that exists traces back to this lab in Stanford.

Then he built the evaluation system.

In 2023 his group released AlpacaEval, an automatic evaluator for instruction-following language models. The idea was simple and powerful. Instead of paying humans hundreds of thousands of dollars to evaluate model outputs, you use a strong language model as the judge against a reference model. The results were highly correlated with human expert annotations. Suddenly the entire open-source community had a fast, cheap, reproducible way to compare instruction-tuned models against each other.

Over 100 models have been added to the AlpacaEval leaderboard. Every major open-source release from Mistral to Llama to DeepSeek runs against it. The repository lives at github .com/tatsu-lab/alpaca_eval. It is one of the most cited language model evaluation systems in the field.

In 2024 his group released Length-Controlled AlpacaEval, a debiased version that strips out the trick of making outputs longer to win evaluations. The community had been gaming the original. He fixed it and released the patch.

The Tatsu Lab also released AlpacaFarm, a simulation framework for studying how language models learn from human feedback, with collaborators including Yann Dubois, Xuechen Li, Rohan Taori, Tianyi Zhang, and Ishaan Gulrajani. Several of these collaborators are now at OpenAI, Anthropic, and other frontier labs. His postdocs Niladri Chatterji and Shibani Santurkar both ended up at Meta and OpenAI doing core research.

Tatsu still publishes constantly. His Google Scholar reads like a map of the modern alignment field. He keeps a low public profile. He gives almost no media interviews. His Stanford homepage is a flat list of papers with no styling and no marketing copy.

A Stanford lab that most people outside academic AI cannot name built the open-source ChatGPT recipe, the evaluation system the field now runs on, and trained the researchers who went on to power frontier labs.

He did it from a small group of graduate students.

[Atsushi Nakada @Nakada_itpro]

AIブームの中でも、IT系のコンサルティング会社の業績は絶好調ですよね。企業の内部で何が起きているのか。コラムで考察しました

https://t.co/O4dlMKsM59

[Atsushi Nakada @Nakada_itpro]

今日のコラムでは、AIエージェントが「非決定論的」に動作することにどう付き合うべきかを考えました。

LLMに考えさせた方が効率的、という手法が広まる一方、「LLMは信頼性に欠ける」という意見も根強いです

https://t.co/MGzkgAMKde

[Atsushi Nakada @Nakada_itpro]

今日は、フランスで進む「ソブリンAI」に関する議論を取り上げました。「企業は人件費の10％をAIに投じるようになる」「1人が1kWをAIに消費するので、フランス全体では40GW（原子力発電所40個分）の電力が必要」というMistral AIの主張は非常に興味深かったです。

https://t.co/QxK8vpWeZt

[Atsushi Nakada @Nakada_itpro]

RT @makoto_ne56: 6月11、12日、日経クロステック関西にて、2025年大阪・関西万博や東京都現代美術館などで好評を博した「純国産」量子コンピューター関連展示企画を行います。実部品をはじめ、大阪大学レゴ部が作成したブロック模型、量子ゲーム、量子コンピューターアー…

[Keisuke Fujii @fgksk]

【ご報告】来年度のシラバスが吊るされてw、各方面から問い合わせがあったので、ご報告します。

４月から、京都大学大学院情報学研究科（学部は工学部情報学科計算機科学コースに異動します。これまで物理から入って量子情報や量子コンピュータに出会い、物理系で長らく研究をやってきました。しかし、量子コンピュータを実際に作って動かす、というのが実現する中、コンピュータを中心的に研究する場で、研究・教育をすることが今後の量子コンピュータの発展には必要不可欠だと思い、情報学研究科を選びました。

京都大学における情報学とは、「自然および人工システムにおける情報に関する学問領域」、だそうです。であるならば、自然の物理法則である量子力学を情報科学による定量的なアプローチで捉え直す量子情報科学、そして、それに従う究極的な人工システムである量子コンピュータも、そろそろ、京都大学の情報学がカバーしても良い時代になってきたのではないかと思っています。

量子コンピュータ分野において今後すごく伸びていく（と個人的に思っている）コンピュータ・アーキテクチャ分野の新たな領域を切り拓いていきたいと思っています。

白眉センター時代に、２年間、情報学研究科に所属したことがありました。まさか、12年後にそこに教授として戻ってくることになるとは思ってもいませんでした。また、学部は工学部、学科は全然違えど母校の工学部ということで、懐かしく思います。

そしてなんといっても、家から近くなります。

阪大にもクロスアポイントメントという形で残り、学生の指導を続けます（新規の学生の受け入れはありません）。しばらくは、京大と阪大の重ね合わせ状態で行きますので（なので正式には阪大は退職という扱いにはなっていません）、皆様引き続きよろしくお願いいたします。

京大で量子計算やりたいやつ集まれ！！

[François Chollet @fchollet]

3rd edition 日本語版が好評発売中！是非お近くの本屋さんにてお手に取って頂けたら幸いです

[カターレ富山 @katallertoyama]

蔚山HD FCの #チョンウヨン 選手が明治安田Ｊリーグ百年構想リーグならびに2026/27シーズンより完全移籍で加入することが決定いたしましたので、お知らせいたします。
尚、チームには1月17日（土）合流予定です。

詳しくは👇
https://t.co/JOkYlEMDPb

#カターレ富山