Neha_Shoto/禰覇章人

株式会社ソニックス
FA/BA計装・IoT・ロボットエンジニア🤖
個人ではAI×ソフト×IoTをガチ開発💻
ロボットAI・スマートIoT・制御ソフトのTips＆実装事例を発信してます🔧
「想いを、実装する。世界を、加速させる。」🚀
#AI #IoT #ロボット #個人開発

[Neha_Shoto/禰覇章人 @Shoto_Neha]

最近「SaaS is Dead」「プログラマー消滅」論が騒がれ、AIの現在地を知りたくて「code wire」というテックニュースキュレーションをAIで爆速開発しました。

海外注目テック情報のキュレーション・記事要約・AI技術Q&Aが可能（裏でClaude駆動）。

アイデア→リリースまで約半日…
本気でAI活用する覚悟が固まった。

https://t.co/IRHR3vrA63

#AI #ClaudeCode #バイブコーディング

[Neha_Shoto/禰覇章人 @Shoto_Neha]

AIオープンウェイトモデルの現在地を整理

AIオープンウェイトモデルは「重み(学習の結果が公開されていて、自分の計算資源で動かせるAIモデル」。

2026年夏〜秋の地図は、だいたいこの6系統です。

Qwen（Alibaba）
系統が広く、派生が一番多い。27B級は1枚GPU、巨大MoEはクラスタ。
汎用・日本語・長文の土台にしやすい。巨大版は独自ライセンスなので要確認。

GLM（https://t.co/9WXI246Lc7）
長時間のコーディングとエージェント向き、と評されていることが多い。
5.3 / 5.3-Flash が夏の注目株。MIT 寄りの公開が多い。

Kimi（Moonshot）
K3 は総パラメータ数で最大級の公開重み。画像も扱える。
長い作業を一気に持たせる用途。ライセンスは独自条項あり。

DeepSeek
V4 / V4.1 Flash など。MIT で出し、推論とコストのバランスが売り。
数学・コード寄り。巨大MoEなので、動かす側のGPU設計が先。

Llama 4（Meta）
ベンチの先頭より、ツールと導入事例の多さ。
Scout は超長文が特徴。商用は Community License、地域制限の確認が必要。

Gemma 4 / gpt-oss / Mistral
手元や欧州データ主権向け。
Gemma 4 は単一GPU〜エッジ。gpt-oss は Apache だが更新が相対的に遅い。
Mistral はEU企業で選ばれやすい。

いまの共通点は3つ。
巨大モデルは Dense ではなく MoE（全部は動かさず、一部の専門家だけ起こす）が主流。

性能の先頭は中国系ラボが多い。

現場目線で見るなら、一番賢いモデルかより
・重みを置ける場所
・ライセンスが商用に耐えるか
・活性パラメータが自分のGPUに載るか

#AI #オープンウェイト

[Neha_Shoto/禰覇章人 @Shoto_Neha]

AIデータセンターの次に詰まるのは、GPUでも電気でもなく、「熱を捨てる制御」です。

ラック1つの発熱は、昔の十倍以上になっています。

空気だけでは足りず、水でチップの近くまで冷やす液冷が増えている。

ASHRAE（データセンター設備の国際的な技術委員会 TC 9.9）が強調しているのは、ここです。

冷却が止まった瞬間、温度はすぐ上がる。
だから必要なのは装置のスペックより、
・水を配る装置（CDU）が安定しているか
・ポンプが片系落ちても持つか(冗長化)
・設計どおりの流量と温度になっているかを、実機で試験すること

空冷なら「部屋が冷えた」で終わりやすい。
液冷は違う。

施設側の水と、サーバー側の水は温度も水質も別物です。

バルブの効き、バイパス、ポンプ回転が暴れていないか。

冷却が落ちてから、サーバーが出力を落とすまで何秒あるか。

GPU を置けても、
流量と温度を測る点がなく、
止まったあとの試験が無いと、運用に渡せない。

AI 需要は計算の話に見える。
現場では、測って、流して、止められるかの話に戻る。

ASHRAE TC 9.9（液冷と冷却喪失時の設計）
https://t.co/f9g3xa3TeD

[川邊健太郎 @dennotai]

若者よ、AI使って起業しろ！さもなくば、ブルーカラー職に就職せよ！

>テック大手などが経験の少ない若手の採用に及び腰になっていることも後押しとなり、米国の新規事業の申請件数は過去最高水準に膨らんでいる。

>ソフトウエアエンジニアなどAIの影響を受けやすい職種の若者の雇用はChatGPTの登場以降に11.5%減少した。一方で、ブルーカラーなどのAIの影響を受けにくい職種では8.5%増加した。

https://t.co/khguAYuSmQ

[Neha_Shoto/禰覇章人 @Shoto_Neha]

@ROAsys_16281620 同業に会うと会話の密度が急に上がる！！

[Neha_Shoto/禰覇章人 @Shoto_Neha]

データセンターと自動化工場の運用に置き換えると、かなり生々しいです。

日常の設備監視や異常時の1次切り分けを AI に渡すほど、オペレーターの対応能力が低下するとのこと。

通信瞬断、センサ断、冷却喪失、設備の非常停止後の復帰。頻度は低いが、重大なインシデント。

AIによって自動化するほど、異常時のリスク評価と対策、リハーサルが運用管理の仕事になる。

[広木 大地/ エンジニアリング組織論への招待 @hiroki_daichi]

AI がインシデント対応を肩代わりするほど、エンジニアが自分のシステムへの勘を失っていく、という元 SRE のブログ記事。

・いわゆる「AI SRE」はアラート調査、仮説立て、テレメトリ照会、直近デプロイとの相関付け、修正の実装までこなす。夜間の定型障害を人が起きずに片づけてくれるのはありがたい
・問題は、その定型障害こそが、対応者が安全に「システムがどう振る舞い、どう壊れるか」の勘を育てる場だったこと。定型を自動化に奪われると、前例のない重大障害が来たとき練習不足のまま人が引き継ぐことになる
・これは新しい話ではなく、1983年のリサンヌ・ベインブリッジ「Ironies of Automation」が指摘した逆説。自動化は熟練の機会を減らすのに異常時の責任は人に残る、だから運用者はむしろ以前より訓練が要る、と
・著者の予測は、AI で平均 MTTR は下がるが、複雑な障害の解決時間はむしろ延びる。勘を失った対応者が調査に手こずるから
・航空の対比が効いている。エンジン停止は10万飛行時間あたり1回未満とまれだが、起きたら即座に正しく対処せねばならない。だからパイロットは半年ごとにシミュレータで異常時を反復する
・処方箋は、AI の説明を聞くだけでなく実地の練習。障害シミュレーションやカオスエンジニアリングで、不完全な情報の中で判断し、人を動かし、対応を回す技能を鍛える

LLM が仕事を巻き取るほど溜まる「理解の負債 (comprehension debt)」という言い方が腑に落ちた。

https://t.co/H2qVTLCVM7

[Neha_Shoto/禰覇章人 @Shoto_Neha]

工場やデータセンターにおけるAIと(計装)オートメーションの接点は、モデルの賢さより先に「何を測っているか」です。

ASHRAE Handbook（Applications, Ch.63）は、商業ビルの無駄なエネルギーのうち 15〜30% が、試運転・運用・保守の不備だと整理していて、その対策として置いているのが AFDD（自動故障検知・診断）で、いまAIが活用されているのも、この層です。
(壊れた機器を放置していると、修理コスト以上にエネルギー損失コストがでかいのがいい例です。なので早期故障検知、診断にAIを活用しようという話です)

ただし ASHRAE Guideline 36 の AFDD は、LLM ではなく質量・エネルギーの収支ルールです。
混合空気温度センサが無ければ、その故障条件は削除する、と明記されている。
NIST も同じで、センサが無い項目は評価できない、が前提です。
つまり、AFDDでAIを活用しようにもセンサで設備対象をセンシングしてないといけない。

PLC も同じ構造です。
Schneider は「リアルタイム制御は確率推論だけに任せられない」とし、生成→検証→人の確認を前提にしている。
産業向けランタイムでも、AI はタグとアラームを読む。設定値の書き込みは、エンジニアが明示したツールだけ、という実装があるります。

計装(オートメーション)が先に決めるのは3点。
・その故障を発見/診断できるセンサがあるか
・仮に故障した時、想定される影響に対し対処できる整備や制御機器であるか
・AI に読ませるオブジェクトと、書かせないオブジェクトの境界

AI は診断を速くする。
制御を持たせる前に、オブジェクトとフェイルセーフを持てるかが計装側の仕事になる。

↓PCかタブレットで読めます
ASHRAE Handbook Ch.63

https://t.co/L6HDW4hBnY

[Neha_Shoto/禰覇章人 @Shoto_Neha]

@kan_genba 客室は個別空調、熱源は集中管理の設計はホテルや病院においてよく採用される組み合わせです。

図面上の方式選定と、還気センサをどこに置くかはセットで見ています。

[Neha_Shoto/禰覇章人 @Shoto_Neha]

この切り分け、現場でもかなり本質です。
「PIDだから3つのパラメータ全て入れる」より先に、相手の遅れの種類を見た方がいい。

Dが効く条件は単純で、
① 今の変化率が、しばらくプロセス本来の動きを表す
② その先読みで位相進み・減衰が稼げる
③ 測定ノイズが、その得を食いつぶさない
の3つが揃うこと。

流量がPIになりやすい理由はここです。
バルブを動かすとすぐ流れる。遅れは一次遅れ＋むだ時間が主で、しかも計測がガタつく。

むだ時間は「今見えている傾き」がすでに過去の操作の結果なので、変化率で未来を外挿しても当たりにくい。

当たりにくいに加えて微分は高周波ノイズを増幅する。不完全微分を入れても、フィルタを強くすればDの先読み自体が消える。
得が小さく、バルブが暴れる損が大きい。だから流量はPIが標準。

温度がPIDになりやすいのは逆です。
例えば熱交換器→空気→内容物→センサと遅れが直列で、動き始めてから加速し、行き過ぎやすい。

熱容量があるので変化が同じ方向に長く続く。今の傾きで「このままだと行き過ぎる」が当たりやすい。

ノイズも流量ほど酷くないことが多い。ここでDは早めのブレーキになる。

見るべきなのは「流量か温度か」そのものではなく、

・速いか遅いか
・むだ時間主体か、容量遅れが重なっているか
・PVノイズは大きいかの3点。

サーボの位置ループみたいにプラント側にすでに積分があるなら、Iを切る判断も同じ発想です。

Pは今、Iは過去の蓄積、Dは変化率からの局所予測。

全部使うのが上級、ではなく、いらない項を切れるのが上級、だと思います。

[とき@engineer @toki_engineer]

若手の制御屋さんで、PID制御だからといって、PもIもDも全部使おうとする人がいる。でも、Dを切ったほうが良い場面も多いんですよ。

微分は「変化の速さ」に反応する。そして測定ノイズも変化が速い。なので、生の微分を入れると高周波ノイズまで増幅して操作量を無駄に暴れさせちゃう。
もちろん実際のPIDでは微分にフィルタを入れるけど、それでもPIだけで十分なプロセスにDを足すと、ノイズ感度を増やす割に得るものが少ないです。

だから流量制御などはPIが多いです。

Dが効きやすいのは、変化率から局所的に先を読み、位相を進めて減衰を稼ぐ場面です。複数の遅れが重なってオーバーシュートしやすい系、たとえば温度制御などではDが効くことがあります。

[Neha_Shoto/禰覇章人 @Shoto_Neha]

@hhayashiss ビルオートメーションシステム分野でも基幹システムに新システムを直結して止めた現場、何度も見ます。

データは集約、制御は分離。

クラウド側が落ちても、現場のDDCはローカルでフェイルセーフ。

ここを最初に決めておくと、PoCが本番を壊しません。

[Neha_Shoto/禰覇章人 @Shoto_Neha]

@lipingf ばらつきの話、計装でも毎日です。

センサの取り付け角度が5度違うだけで、同じシーケンスが夜勤だけ落ちる。

ロボット導入の前に、既設の検出器と動作タイミングを図面に戻す作業が、一番効きます。

[Neha_Shoto/禰覇章人 @Shoto_Neha]

これは計装の現場そのものです。

直線を速く走らせるのは、閉じた条件の最適制御。

紅茶や食器は、カップの位置が毎日ずれ、床が濡れ、人が横切る。

ビルも工場も同じで、
ロボット単体の運動性能より、
ばらついた現実をセンサとシーケンスで吸収できるかが導入可否になる。

「走れる機体」より「止まって、持ち直せるシステム」を見る側に回りたい。

[佐々木俊尚＠「フラット登山 日本を歩く旅60」発売3週間で増刷決定！ @sasakitoshinao]

中国で行われたヒューマノイドの100メートル競走大会について。その通りだと思う。「ロボットに100メートルを直線で非常に速く走らせることや、ロボットが静止状態から2.8mもジャンプできる能力を開発することは、素晴らしい工学的成果です。しかし、自宅のキッチンで紅茶を入れてくれたり、ネコのトイレをきちんと掃除してくれるようなロボットは、ロボット工学の世界では今のところSFの世界の話です。食器洗い機に食器をきちんと出し入れできるロボットを開発するよりも、人間を月に送る方がはるかに簡単です」↓

[Neha_Shoto/禰覇章人 @Shoto_Neha]

@nishinoakihiro 鋭い洞察！たしかにあの海には敵わない、、、

[Neha_Shoto/禰覇章人 @Shoto_Neha]

ここ、導入側がいちばん見落としやすいです。

現場は「何体入れるか」より「何回壊れて、誰が交換するか」。

産業ロボはそこを何十年もやってきた。人型は関節が多く、負荷が上がった瞬間に寿命が落ちる。

新陳代謝がないなら、止めて交換できる設計と、予備機の運用まで含めて初めて導入になる。

デモで歩けることと、シフトを回せることは別なのか。

[Neha_Shoto/禰覇章人 @Shoto_Neha]

@O1sh11farm さん、植物工場のパイオニアだけあって解像度高いな、、、

矮性化についてはじめて知りましたがCRISPR(ゲノム編集技術)で植物ホルモンのジベレリン（GA）の生成量や感受性を操作することで茎や樹の期間を短くすることができるらしい(果実を維持しながら)

矮性化した果実のサイズや糖度などがどのように変化するのか気になるけど、実現できれば果樹のサイズを小さくできるため、農地面積に対して果樹の密度を高められる！すごいな、、、

CRISPR/Cas9-mediated disruption of MdGA20ox confers dwarfism in apple
https://t.co/rCR8sRuOCu

[古賀大貴/Hiroki Koga @O1sh11farm]

@Shoto_Neha ぶどうは果樹のため樹を育てるのに時間がかかり、今の品種では採算を取るのが難しいのですが、矮性化(小さくする技術)や様々なイノベーションがこれから起きますので、そのうち採算が取れるところまで持っていきたいです。長野パープルとか、晴王とか、本当に美味しいですよね🤩

[Neha_Shoto/禰覇章人 @Shoto_Neha]

@O1sh11farm AIとロボット、環境制御技術を用いれば植物工場は可能であることを証明してくれた。

個人的にぶどうが大好きなのですが、食べられる季節が限られるので通年収穫してほしい(採算取れるのかは分かりませんが、、、)

期待大です！！

[古賀大貴/Hiroki Koga @O1sh11farm]

[東京都羽村市にオープンイノベーションセンターを開所しました🍓]

農業革命は、人類の歴史でこれまで3回しか起きていません。

4回目を、東京都の、このセンターから起こしにいきます。

農耕のはじまり。近代農法の確立。そして20世紀の緑の革命。この3回はいずれも「既存農業の効率化」の革命でした。次に来るのは、植物工場による農業のフォーマットの抜本的な再構築と、農業の進化の「速さ」そのものの革命だと思っています。

農業がこれまで数十年・数百年かけてきた進化を、今回のセンターでは数年で実現する事が可能となります。
既にこのセンターでは何十もの気象制御室が、同時に動いています。春も、夏も、秋も、冬も、すべての季節が同じ建物の中に同時に存在してます。

これまでの農業研究は、「来年の春が来るまで待つ」ことが前提でした。試したい条件があっても、その季節が巡ってくるまで着手できない。ここには、その待ち時間がありません。真冬の条件を、8月に試せます。

露地なら、いちごの栽培は1年に1度です。ここでは季節を待たずに、何十もの部屋を並行して回し、年間数千パターンの条件を検証できます。すでに100名近いメンバーが、24時間365日ここで研究をしています。稼働して間もないですが、もう成果が出はじめているものもあります。

そしてこの革命に、我々一社だけではなく、日本中のメーカー群と共に取り組みます（リプ欄参考）。2024年の秋、このアカウントで「口先だけでない、本物のオープンイノベーションをやります」と書きました。あの時は、日本のどこでやるかすら決まっていませんでした。その後日本支社長の鈴木を中心に数百の倉庫を見て回り、去年の春、ようやくこの4階建ての巨大倉庫にたどり着きました。まっさらな、空っぽの倉庫を鈴木と見渡しながら、「ここから農業の歴史を変えるんだ」、と二人で妄想を膨らませました。

そこから一年ちょっと。8月5日、イノベーションをおこして行く仲間となる企業の方々と共に、決起集会の意味も込めて開所式を行うことができました。既に数十個の実験室が稼働しており、今回の開所式の最後には、その倉庫で採れたいちごを入れたグラスで、全員で乾杯しました。

いよいよです。

植物工場には「施設園芸の技術」と「工業の力」の両方が要ります。この2つをトップクラスで併せ持つ国は、世界を見渡しても日本しかないと思っています。だからこのセンターを日本に建てました。政府も2040年度までに官民で4.6兆円という投資目標を掲げました。私が兼ねてから掲げてきた「生きているうちに100兆円産業」という数字が、ホラから現実に変わり始めています。

20世紀、トヨタやソニーと日本中のメーカーが束になって、自動車とエレクトロニクスの世界を塗り替えました。今日本は植物工場産業においてポールポジションを既に確保しています。きちんと正しい戦略に則り、日本の叡智を集結すれば自動車やエレクトロニクスのように、このまま世界を獲れる、21世紀の日本に残された最大の勝ち筋だと本気で思っています。

死ぬまでにどこまで進められるのか。

製造業に次ぐ、日本発の新しい100兆円産業をつくりに行きます。🔥🔥

[Neha_Shoto/禰覇章人 @Shoto_Neha]

人が運転しない前提の設計かつEVだから、部品点数が少なく、低価格を実現できるのか

さらに使わない時はシェアすることで収益が見込めるとのこと

所有者に経済的インセンティブが働くと一気に普及する可能性があるな、、、

#Cybercab #Tesla #自動運転

[Polymarket Japan @polymarketjapan]

【速報】日銀、9月0.25％利上げの公算

・その後の利上げペースも柔軟に
・Bloombergが関係者からの情報として報道

日銀が9月に0.25％の利上げをする確率98％

[Neha_Shoto/禰覇章人 @Shoto_Neha]

@kentaro @ochyai これ、現場だとよりはっきりします。

現場では人間が書いたかAIが書いたかは、工場ではほぼ問われない。

「人間にしかできない作業は何か」を先に探すと、実装が遅れる。

先に本物の状態を定義して、あとは人間でもAIでもいい、の方が現場は前に進む。

[Neha_Shoto/禰覇章人 @Shoto_Neha]

これは制御やIoTの採用領域でも今後起きそう。

高性能なAIエージェントを活用できる環境整備が採用戦略の1つになる。

[チャエン | デジライズ CEO《重要AIニュースを毎日最速で発信⚡️》 @masahirochaen]

最近、本気で「スタートアップが大企業を打ち負かすチャンス」が来ていると思う。

弊社は600社以上をご支援していますが、体感では9割以上の企業が、Claude Codeなどの高性能なAIエージェントをまだ十分に導入できていない。

一方、スタートアップやAIに詳しい経営者の会社は、経営者自身がAIを使い倒し、開発・営業・資料作成・業務改善を猛烈な速度で効率化している。

この差はかなり大きい。

そして最近、採用でもそれを強く感じます。

今日話した学生も、超大手企業2社への就職機会がありながら、そこを辞めて弊社を選んでくれた。

理由の一つは、

「Claude CodeなどのAIを当たり前に使える環境で働きたい」から。

これから優秀で野心的な人ほど、「AIを使えない会社」を選ばなくなると思う。

AI活用は業務効率化だけの話ではない。

競争力にも採用力にも直結する。大企業だから勝てる時代ではない。

AIをフル活用できる小さな組織に、過去最大級の下剋上のチャンスが来ている。