燈田幸男

趣味は講道館柔道とソロバイクActor

[Tom Cruise @TomCruise]

If you feel the need...Two films. One big screen. Back in theaters, May 13th, for one week only.

[Tom Cruise @TomCruise]

Top Gun and Top Gun: Maverick. May 13th. One week only.

[燈田幸男 @entangleInc]

東京駅近くで会合がある度に、駅構内でラーメンを食べます。今日のみそラーメン屋さんどストライクでした😊

[燈田幸男 @entangleInc]

人生も仕事も、最後は信用の交換である気がします。

この人は信用できるか。この人は約束を守る人か。人生でも仕事でも、本当に見抜くべきなのは、能力や肩書きや話のうまさではなく、その人が言ったことを守る人間かどうかだと思う。世の中には、魅力的に見���る人はいくらでもいる。立派な経歴を語る人、夢を大きく語る人、人脈を誇る人、すぐに「やりましょう」と言う人。しかし、最後に残るのは一つだけである。この人は約束を守るか。どれだけ頭が良くても、約束を軽く扱う人は信用できない。どれだけ勢いがあっても、返事を曖昧にし、期限を守らず、都合が悪くなると沈黙する人は危うい。逆に、まだ小さな存在でも、言ったことを守り、できないことはできないと言い、遅れる時は先に連絡する人は、時間とともに大きな信用を積み上げていく。

信用とは、派手な言葉ではなく、小さな約束の連続でできている。約束を守る人は、返事の仕方に表れる。すぐに結論を出せなくても、「確認します」「いつまでに返します」「今は難しいです」と伝え、相手を不安に放置しない。話にも一貫性がある���状況が変われば判断が変わることは当然あるが、信用できる人は、なぜ変わったのかを説明する。信用できない人は、説明せずに空気だけを変える。そして、本当に信用できる人は、できない約束を軽くしない。約束の重さを知っているからこそ、簡単に「必ずやります」とは言わない。むしろ少し慎重に見える。しかし、一度言ったことは守る。ここに人間の差が出る。

人は大きな場面で急に裏切るのではない。小さな場面で、すでに兆候を出している。時間に遅れる。返信を放置する。期限を曖昧にする。自分の都合だけで予定を変える。相手の労力を軽く見る。約束したことを、後から「そんなつもりではなかった」と言う。責任の所在をぼかす。これらはすべて、小さな不誠実である。そして、小さな不誠実を軽く見てはいけない。小さな不誠実は、やがて大きな損失になる。

信用できる人は、小さなことを雑に扱わない。約束の時間を守る。資料を送ると言ったら送る。紹介すると言ったら紹介する。無理なら無理と伝える。遅れるなら先に謝る。自分の発言を覚えている。相手に期待を持たせすぎない。都合が悪い時ほど誠実に連絡する。これが信用の正体だと思う。信用を見抜くには、相手の言葉ではなく、行動の履歴を見るしかない。人は自己紹介では飾れる。プロフィールでも盛れる。笑顔でもごまかせる。熱意あるプレゼンでも演出できる。しかし、行動の履歴はごまかしにくい。

その人は過去に何を守ったか。誰との約束を守ったか。不利な場面で逃げなかったか。小さな約束を軽視しなかったか。相手に損を押しつけなかったか。自分が得をしない場面でも誠実だったか。特に重要なのは、その人が得をしない時の態度である。人は得をするときは親切になれる。儲かるときは丁寧になれる。相手に利用価値があるときは近づいてくる。だが、本当の信用は、相手に得がない場面で現れる。忙しい時に返事をするか。都合が悪い時に説明するか。損をする可能性がある時に逃げないか。自分のミスを認められるか。そこに人間の本質が出る。

だから「この人は信用できるか」を見抜く最短の方法は、最初から大きな約束をしないことだと思う。まず小さな約束を見る。この日までに連絡をください。この資料を送ってください。一度確認して返事をください。次回までにこれだけ決めましょう。こうした小さな約束への対応を見る。小さな約束を守れない人に、大きな仕事を任せてはいけない。小さな期限を守れない人が、大きな契約を守る可能性は低い。小さな連絡を雑にする人は、大きな責任も雑にする。信用とは、いきなり信じることではない。小さく試し、行動を見て、段階的に渡していくものだ。

そして、相手を見るだけではなく、自分自身も信用される側でなければならない。約束を守る。早く返す。曖昧にしない。できないことはできないと言う。相手の時間を奪わない。言葉と行動を一致させる。信用は、相手に求める前に、自分の背中に積むものでもある。結局、人生も仕事も、最後は信用の交換である。お金も、契約も、紹介も、投資も、共同事業も、すべて信用の上に乗っている。信用がある人には、人が集まる。信用がない人には、一時的に人が集まっても、最後は離れていく。

だから、見るべきは才能だけではない。肩書きでもない。言葉のうまさでもない。表面上の熱意でもない。見るべきはただ一つ。この人は、言ったことを守る人か。約束を守る人は、未来をつくれる。約束を守らない人は、未来を壊す。信用とは、見えない資産であり、人生最大の資本である。そして、信用を見抜く力とは、人生の損失を避け、真の仲間を選び抜くための知性である。

[Tom Cruise @TomCruise]

In DIGGER We Trust. 33.711°N, 116.233°W

[Sam Altman @sama]

AI will help discover new science, such as cures for diseases, which is perhaps the most important way to increase quality of life long-term.

AI will also present new threats to society that we have to address. No company can sufficiently mitigate these on their own; we will need a society-wide response to things like novel bio threats, a massive and fast change to the economy, extremely capable models causing complex emergent effects across society, and more.

These are the areas the OpenAI Foundation will initially focus on, and in my opinion are some of the most important ones for us to get right. The Foundation will spend at least $1 billion over the next year.

@woj_zaremba, co-founder of OpenAI, will transition to Head of AI Resilience. I believe that shifting how the world thinks about safety to include a Resilience-style approach is critical, and I am extremely grateful to Wojciech for taking on this role.

Wojciech has been my cofounder for the last decade; anyone who knows him will understand what I mean when I say he is one of a kind. He has a lot of ideas about how we build a new kind of AI safety.

@JacobTref is joining as Head of Life Sciences and Curing Diseases.

@annaadeola, our VP of Global Impact, will transition to Head of AI for Civil Society and Philanthropy.

@robert_kaiden is joining as Chief Financial Officer.

@jeffarnold is joining as Director of Operations.

[Elon Musk @elonmusk]

Optimus

[燈田幸男 @entangleInc]

現代の組織が直面している本質的な課題は、データの不足ではなく、その「活用」における深刻な機能不全にあります。組織の中には、膨大なドキュメント、日々のシステムログ、そして現場のベテランが培ってきた貴重なノウハウが確かに存在しています。しかし、それらが必要な瞬間に、必要な人の手元にあることは稀です。多くの現場では、すでに社内のどこかにあるはずの情報を探し回り、周囲に聞き込みをし、最悪の場合はすでに誰かが完了させたはずの仕事をゼロから作り直すという、目に見えない「時間の浪費」が常態化しています。

さらに深刻なのは、組織の知恵が特定の個人に紐付いている点です。経験豊富な社員が退職したり異動したりするたびに、彼らが長年積み上げてきた貴重な知見までもが組織から失われてしまいます。これは単なる人手不足の問題ではなく、蓄積された情報を「生きた知識」として循環させられていない、構造的なボトルネックです。

私たちが今、真に必要としているのは、管理のためのツールを増やすことではありません。既存の内部データに対して、日常の言葉で問いかけるだけで、即座に実用的な回答を引き出せるシステム、すなわち「ナレッジAI（Knowledge AI）」の構築です。
もう、複雑なフォルダ階層を記憶する必要はありません。特定の個人に依存して業務が停滞することもありません。ナレッジAIは、点在する情報を統合し、誰もが最高の知見にアクセスできる環境を実現します。

この「情報の死蔵」という課題を解決した組織は、単に業務が効率化されるだけにとどまりません。過去の失敗を教訓に変え、蓄積された知見を即座に意思決定に反映できる、しなやかで強い「レジリエンス（回復力）」を備えた組織へと進化を遂げるのです。

QST那珂研究所に視察行って来ました。社会科見学みたいで凄く楽しかったです。関係者の皆様誠に有り難う御座いました。

[燈田幸男 @entangleInc]

昨日お誕生日でした😊　富士丸神谷本店　ブタメン

[燈田幸男 @entangleInc]

「核融合」の社会実装へ向けて

この写真の巨大な装置、まるでSFの世界ですが、これは現在フランスで建設が進む「核融合」の実験炉です。圧倒的なスケールと複雑さを前にすると、人類の挑戦の大きさに言葉を失います。しかし、これは遠��未来の夢物語ではありません。

今、私たちの社会で急速に起きている「ある問題」を解決するために、どうしても必要な技術です。
その問題とは、「データセンターの電力不足」です。

私たちが日々使う生成AIやクラウドサービス。これらが進化すればするほど、その計算を担う「データセンター」は莫大な電力を消費します。今のままでは、世界中で電力が足りなくなる。そこで期待されているのが、CO2を出さず、強力なエネルギーを生み出せるこの「フュージョンエネルギー（核融合）」です。

ただ、技術的に「発電できる」ことと、それを実際のビジネスとして「使える」ことの間には大きな壁があります。

• 爆発的なエネルギーを、データセンターが使いやすい形にどう安定供給するか。

• 安全基準やコストを、ビジネスとして成立���るレベルにどう落とし込むか。

これを解決し、研究室の技術を私たちの生活の中に組み込むこと。それが「社会実装」であり、「フュージョンエネルギーの事業化」です。私たち株式会社エンタングルは、まさにその準備を進めています。

膨れ上がるデータセンターの需要と、次世代エネルギーである核融合。この二つを結びつけ、システムとして機能させるための事業開発に、私たちは本気で取り組んでいます。

科学の成果を、産業の力に変える。そのための「社会実装」という重く、やりがいのある仕事に、私たちは挑戦し続けます。

#核融合 #フュージョンエネルギー #データセンター #社会実装 #事業化 #AI #株式会社エンタングル #エネルギー問題 #DeepTech #スタートアップ #未来のインフラ #SDGs #イノベーション #Shusai #CleanTech

[燈田幸男 @entangleInc]

AIは「使う」時代から、「雇う」時代へ。日本企業が待っていた「真のAI同僚」の誕生

​多くの企業が生成AIの導入を急ぐ一方で、現場では「決定的な課題」に直面しています。​それは、「セキュリティへの不安」と「日本の商習慣への理解不足」です。

​海外製の汎用LLMは強力ですが、顧客データや社外秘情報を入力することにはリスクが伴います。また、日本語特有の「阿吽の呼吸」や、複雑なビジネス文脈を正確に汲み取れず、結局は人間が修正に追われるそんな経験はないでしょうか？

​私たちが提案する Year Zero (Logos) は、単なるチャットボットやツールではありません。あなたのチームの一員として機能する、「プライベートなAI同僚」です。

​なぜ、今までにないのか？ 3つの決定的な違い

​1. 「検索」ではなく「統合」
従来のAIは、あなたが情報を与えるのを待っていました。しかしLogosは違います。社内のドキュメント、Wiki、チャット、そしてCRM（顧客管理システム）といった「会社の全知識」とシームレスに接続します。バラバラに散らばったデータを単一の安全な脳に統合し、あなたのビジネスの文脈をネイティブのように理解します。

​2. 要塞級のセキュリティ（SOC2対応）
「AIに学習されるのが怖い」という懸念をゼロにします。Logosはデフォルトでプライベートに設計されており、データがあなたの管理下から離れることは決してありません。エンタープライズグレードの暗号化により、機密情報を守りながらAIの利便性を享受できる、日本企業のための安全地帯です。

​3. 日本語と日本ビジネスへの「真の最適化」
単に日本語が話せるだけではありません。日本のビジネス環境に合わせてモデルを微調整し、厳格な検証レイヤーを実装しています。海外製LLMにありがちな「不自然な回答」や「幻覚（ハルシネーション）」のリスクを最小限に抑え、法務や重要事項説明といったミッションクリティカルな場面でも信頼できる精度を実現しました。

​AIは、もはや単なる効率化ツールではありません。
あなたの意図を理解し、共に進化し、会社を守りながら成長する「パートナー」です。

​未来の働き方のインフラを、ここから始めませんか。

こちらよりお入り下さい↓
https://t.co/nSrQ9X2OWW

​#YearZero #Logos #AIエージェント #生成AI #DX #人工知能 #BtoBマーケティング #日本初 #業務効率化 #セキュリティ #AI活用 #スタートアップ　＃株式会社エンタングル　#Tashin　#Faisa　 #Sabab　＃燈田幸男

[DeepLearning.AI @DeepLearningAI]

How can you solve systems of linear equations efficiently and identify if they have a unique solution? In the Mathematics for Machine Learning and Data Science specialization, you'll learn algorithms that simplify these problems, building a strong mathematical foundation for AI and machine learning.

Join the specialization and deepen your understanding of the math behind the algorithms: https://t.co/JLvG4hZxEo

[Andrew Ng @AndrewYNg]

How can businesses go beyond using AI for incremental efficiency gains to create transformative impact? I write from the World Economic Forum (WEF) in Davos, Switzerland, where I’ve been speaking with many CEOs about how to use AI for growth. A recurring theme is that running many experimental, bottom-up AI projects — letting a thousand flowers bloom — has failed to lead to significant payoffs. Instead, bigger gains require workflow redesign: taking a broader, perhaps top-down view of the multiple steps in a process and changing how they work together from end to end.

Consider a bank issuing loans. The workflow consists of several discrete stages:

Marketing -> Application -> Preliminary Approval -> Final Review -> Execution

Suppose each step used to be manual. Preliminary Approval used to require an hour-long human review, but a new agentic system can do this automatically in 10 minutes. Swapping human review for AI review — but keeping everything else the same — gives a minor efficiency gain but isn’t transformative.

Here’s what would be transformative: Instead of applicants waiting a week for a human to review their application, they can get a decision in 10 minutes. When that happens, the loan becomes a more compelling product, and that better customer experience allows lenders to attract more applications and ultimately issue more loans.

However, making this change requires taking a broader business or product perspective, not just a technology perspective. Further, it changes the workflow of loan processing. Switching to offering a “10-minute loan” product would require changing how it is marketed. Applications would need to be digitized and routed more efficiently, and final review and execution would need to be redesigned to handle a larger volume.

Even though AI is applied only to one step, Preliminary Approval, we end up implementing not just a point solution but a broader workflow redesign that transforms the product offering.

At AI Aspire (an advisory firm I co-lead), here’s what we see: Bottom-up innovation matters because the people closest to problems often see solutions first. But scaling such ideas to create transformative impact often requires seeing how AI can transform entire workflows end to end, not just individual steps, and this is where top-down strategic direction and innovation can help.

This year's WEF meeting, as in previous years, has been an energizing event. Among technologists, frequent topics of discussion include Agentic AI (when I coined this term, I was not expecting to see it plastered on billboards and buildings!), Sovereign AI (how nations can control their own access to AI), Talent (the challenging job market for recent graduates, and how to upskill nations), and data-center infrastructure (how to address bottlenecks in energy, talent, GPU chips, and memory). I will address some of these topics in future posts.

Against the backdrop of geopolitical uncertainty, I hope all of us in AI will keep building bridges that connect nations, sharing through open source, and building to benefit all nations and all people.

[Original text: https://t.co/Ck52mNGX4a ]

[Garry Tan @garrytan]

High love and high structure.

I grew up in a home that was high structure but low love. My father's rules were absolute, enforced by the threat of conflict, but there wasn't warmth underneath. When I started building teams, I instinctively swung the other way: high love, low structure. I wanted everyone to feel supported. I avoided setting hard expectations because I didn't want to be my dad. It didn't work. People didn't know where they stood. Standards were fuzzy. The team drifted. What I eventually learned is that the optimal isn't one or the other — it's both. Genuine care for people combined with clear expectations and real accountability. Most people need structure to thrive. They want to know what's expected, how they're doing, and where the boundaries are. That's not mean. That's respectful. High love without high structure is actually a form of neglect.

[燈田幸男 @entangleInc]

外で飲むBacha Coffeeは、
格別ですね。

最短最速で結果出すね🤗

燈田幸男

[DeepLearning.AI @DeepLearningAI]

Happy New Year!

In the New Year issue of The Batch, Andrew Ng introduces the Turing-AGI Test, a proposal to evaluate systems' capabilities for real, economically useful work, not hype.

And we bring perspectives from:

- IBM's David Cox: Open Source Wins
- Princeton's Adji Bousso Dieng: AI for Scientific Discovery
- Microsoft's Juan M. Lavista Ferres: Education That Works With — Not Against — AI
- Allen Institute's Tanmay Gupta: From Prediction to Action
- UC-San Diego's Pengtao Xie: Multimodal Models for Biomedicine
- AMD's Sharon Zhou: Chatbots That Build Community

Each presents a thoughtful look at where AI is headed, and how we should measure progress.

Read The Batch now: https://t.co/5xT9yoAZal

[Tom Cruise @TomCruise]

is DIGGER: “Let’s f***ing go!”

Only in theaters October 2026.

[Andrew Ng @AndrewYNg]

OpenReview is one of the most important pillars supporting AI research and knowledge sharing, through open peer review and publishing. But as a non-profit, it needs our community’s support. Please consider making a donation to this great institution!

https://t.co/TBYB1cCKyI

[Andrew Ng @AndrewYNg]

As amazing as LLMs are, improving their knowledge today involves a more piecemeal process than is widely appreciated. I’ve written before about how AI is amazing... but not that amazing. Well, it is also true that LLMs are general... but not that general. We shouldn’t buy into the inaccurate hype that LLMs are a path to AGI in just a few years, but we also shouldn’t buy into the opposite, also inaccurate hype that they are only demoware. Instead, I find it helpful to have a more precise understanding of the current path to building more intelligent models.

First, LLMs are indeed a more general form of intelligence than earlier generations of technology. This is why a single LLM can be applied to a wide range of tasks. The first wave of LLM technology accomplished this by training on the public web, which contains a lot of information about a wide range of topics. This made their knowledge far more general than earlier algorithms that were trained to carry out a single task such as predicting housing prices or playing a single game like chess or Go. However, they’re far less general than human abilities. For instance, after pretraining on the entire content of the public web, an LLM still struggles to adapt to write in certain styles that many editors would be able to, or use simple websites reliably.

After leveraging pretty much all the open information on the web, progress got harder. Today, if a frontier lab wants an LLM to do well on a specific task — such as code using a specific programming language, or say sensible things about a specific niche in, say, healthcare or finance — researchers might go through a laborious process of finding or generating lots of data for that domain and then preparing that data (cleaning low-quality text, deduplicating, paraphrasing, etc.) to create data to give an LLM that knowledge.

Or, to get a model to perform certain tasks, such as use a web browser, developers might go through an even more laborious process of creating many RL gyms (simulated environments) to let an algorithm repeatedly practice a narrow set of tasks.

A typical human, despite having seen vastly less text or practiced far less in computer-use training environments than today's frontier models, nonetheless can generalize to a far wider range of tasks than a frontier model. Humans might do this by taking advantage of continuous learning from feedback, or by having superior representations of non-text input (the way LLMs tokenize images still seems like a hack to me), and many other mechanisms that we do not yet understand.

Advancing frontier models today requires making a lot of manual decisions and taking a data-centric AI approach to engineering the data we use to train our models. Future breakthroughs might allow us to advance LLMs in a less piecemeal fashion than I describe here. But even if they don’t, the ongoing piecemeal improvements, coupled with the limited degree to which these models do generalize and exhibit “emergent behaviors,” will continue to drive rapid progress.

Either way, we should plan for many more years of hard work. A long, hard — and fun! — slog remains ahead to build more intelligent models.

[Original text: https://t.co/SHRN5JDvTW ]

[Andrew Ng @AndrewYNg]

Sharing a fun recipe for building a highly autonomous, moderately capable, and very UNreliable agent using the open source aisuite package that Rohit Prasad and I have been working on.

With a few lines of code, you can give a frontier LLM a tool (like disk access or web search), prompt it with a high-level task (such as creating a snake game and saving as an HTML file, or carrying out deep research), and let the LLM loose and see what it does. Example in image.

Caveat: This is not how practical agents are built today, since most need much more scaffolding (see my Agentic AI course to learn more), but is still interesting to experiment with.

Longer write-up here: https://t.co/BdS8tGhnIy