Olivia
Online
Riya Sakurai | VAIZO
@refu_ai
AI×組織 ‖ VAIZO Co. CTO ‖ デジゴリ ‖ AI顧問 ‖ AI教育 ‖ AI導入 ‖ AI M&A ‖ V/AIBOU ‖ 宮城出身 ‖ ラジオ‖ 好きに没頭する ‖ 東北大大学院
宮城、山形
Joined December 2022
268 Following
180 Followers
690 Posts
とても示唆のある内容でした。
印象に残ったのは、「未知」を4つに分類する考え方そのものではなく、未知の種類によって打ち手が変わるという点です。
例えば、「Known Unknowns（既知の未知）」であれば調査やPoCで前に進めます。
一方、「Unknown Knowns（未知の既知）」であれば、現場の暗黙知を引き出す必要があります。
そして最も厄介なのが「Unknown Unknowns（未知の未知）」です。
これは社内だけで議論していても見つかりません。
だから経営者は、顧客、市場、異業種、現場など、自分たちの外側に触れ続ける必要があります。
AIエージェント時代も同じだと思っています。
AIは「答え」を出すことは得意ですが、「まだ誰も立てていない問い」を見つけることは簡単ではありません。
だからこそ、これからの経営者に求められるのは、答えを持つことではなく、どの未知を扱っているのかを見極め、適切な問いを設計する力なのだと改めて感じました。
面白い記事👀
エージェントと作業をする際は、「未知」を把握することが重要で、未知のカテゴリによって対応が変わる話
• Known Knowns（既知の既知）：プロンプトにすでに書いていること。エージェントに何をさせたいか
• Known Unknowns（既知の未知）：まだ解決していないが、「これがわかっていない」と自覚していること
• Unknown Knowns（未知の既知）：当たり前すぎて書き留めていないが、見ればすぐに「あ、これだ」と認識するような暗黙知
• Unknown Unknowns（未知の未知）：全く考慮していなかったこと。自分が気づいていない知識や、「どれだけ良いものが可能か」すらわかっていない領域
これらを把握すると、Claudeはユーザーの未知をより速く発見するのを助けてくれる。タスクが期待外れの結果で返ってくる多くの場合、未知の定義にもっと時間をかけるか、Claudeが未知を通じて柔軟に対応できる実装計画を作成する必要がある。
Gemini 3.5 Pro Leaks
- Gemini 3.5 Pro will have a good jump in design taste and UI generation, producing much more polished frontend results than Gemini 3.1 Pro.
- SVG generation is also going to be significantly better, with output quality getting much closer to Fable level (though still not surpassing it).
- Early impressions suggest its especially strong at creative one shot frontend generation, with cleaner layouts and better visual polish.
- Google is also preparing a new Flash model, though its still unclear whether it will launch as Gemini 4 Flash or Gemini 3.6 Flash.
【本日リリース】
組織導入に特化したAI学習プラットフォーム（e-ラーニング）のデジゴリAIラーニングを本日リリースしました。
個々のAI活用にとどめることなく、組織的なワークフロー構築や売り上げに繋げるまでの伴走を100社以上経験してきたチームのノウハウをそのまま移植してます。
社内にAI人材が育つことが、AI駆動組織化の最短ルートとなることを実感してます。
組織導入の課題をクリアするカリキュラムがガッツリ入っており、間違いなくコスト以上のバリューが出せます。
本当にいいものができたので、ぜひ多くの企業に利用していただきたい思いです。
https://t.co/nXNirkCb2M
昨日から色んな人に反応してもらえているのですが、コメントのレベルも入門者から明らかなベテラン勢の方々まで多岐に渡っているので入門者向けはブログ形式でまとめました。
まだグラフを触ったことない人はまず触ってみて、LLMのスキルやMCPだけでは出来ないことを感じてもらいたいです。動く環境の例も載せているのでDocker/OllamaでLangGraph/Graphtiをローカルでお試し出来ます。
https://t.co/Ime6Fxhz8A
OpenAIの次のモデルGPT-5.6が、Mythosと同じようなプレビューの限定アクセスになるという報道があったばかりですが、まさかの直後にGPT-5.6を出してきました。
Mythos/Fableを超えてるかは確認が難しい（そもそも触れない）ですが、パッと見た限りでは確かに、事前承認制になるだけはあって性能はかなり高いです。
・事前の報道通り、公開直後は一部のパートナーのみのプレビュー。この辺はMythos→Fableの流れとほぼ同じ
・今後数週間以内にGPT-5.6 Sol、Terra、Lunaを一般公開する予定。この辺はさすがアルトマンで、政府と根回しが済んでいる模様。なお、Sol-Ultraが最高性能
・エージェンティックな性能を測るベンチマークではMythosを超えており、特にTerminal-Bench 2.1では、一般提供用に調整されたSolですらMythosを上回る
・ サイバーセキュリティ能力では単純にMythos超えとはいかないが、それでもMythosにほぼ匹敵する
Since June 12, we’ve been working closely with the US government to restore access to Claude Mythos 5 and Fable 5. Today, the government notified us that Mythos 5, our strongest cybersecurity model, can be redeployed to a set of US organizations that operate and defend critical infrastructure.
We’re restoring access for these organizations quickly, and we’re continuing to work with the government to expand access to Mythos 5 and make Fable 5 available for general use again.
モデルを大きくすると、ある時点で小さいモデルでは解けなかったタスクが解けるようになる「創発」が起きることがある。
この現象に対し、“Why Larger Models Learn More” は、大きいモデルが有用なのは、単に表現力が高いからだけではなく、稀にしか出現しないタスクを忘れずに保持する能力が高いからではないか、と主張している。
小さいモデルでは、希少なタスクを一度見ても、その後に大量に現れる頻出タスクの更新によって、学習した信号が上書きされてしまう。一方、大きいモデルでは、頻出タスクを処理するための容量が十分にあり、希少タスクの更新が消されにくい。そのため、希少タスクの信号を少しずつ蓄積し、最終的には一般化可能な表現として学習できる、というのが本論文の主張である。
スケーリング則を構成する要素として、データサイズとモデルサイズがある。そして、その結果として投入計算量が決まる。このうち、データをいくら増やしても、小さいモデルでは学習できない領域が存在する可能性がある。
論文ではまず、複数の線形回帰タスクが混ざった単純な問題設定を考える。各タスクには、出現頻度と、タスクを解くために必要な特徴方向が設定されている。そして特徴の重要度を、タスクの頻度と、その特徴の寄与度、すなわち「その特徴を学ぶことで、そのタスクの予測誤差をどれだけ下げられるか」の積として定義する。
すると、固定容量のモデルは、重要度が高い特徴から順番に保持することが示される。
学習しやすいのは、高頻度なタスク、もしくは少数の特徴で解ける簡単なタスクである。一方、低頻度のタスクや、多くの特徴を必要とする複雑なタスクは、全体の損失に対する即時的な寄与が小さい。そのため、小さいモデルでは後回しにされる。
そして、小さいモデルの場合、希少タスクのデータがたまに出現しても、その更新はその後に大量に現れる頻出タスクによって打ち消される。その結果、学んではすぐ忘れるループに入ってしまう。
一方、大きいモデルは頻出タスクを十分に表現する容量があり、希少タスクは干渉しない別の場所に保存できる。そして、頻出タスクに対する未解決部分が小さくなり、そこから生じる勾配も弱くなる。すると、希少タスクの信号は頻出タスクの更新によって破壊されにくくなる。これらから希少タスクの記憶を、次にそのタスクが出現するまで保持できるようになる。
この仮説を検証するため、論文では希少タスクを意図的に一定間隔で注入する実験を行っている。すると、小さいモデルでは信号が消えてしまうのに対し、大きいモデルでは信号が保持され、次の注入でさらに蓄積されることが確認された。
さらに、実際の言語モデルでも同じ現象が起きているかを調べるため、OLMo 系の言語モデルを 4M から 4B パラメータまで訓練し、人工的なタスクを注入して検証している。その結果、大きいモデルほど、低頻度で注入されたタスクを学びやすいことが確認された。
さらに、単に訓練例を覚えているだけでなく、タスクに必要な特徴が内部表現に現れていた。これは、学習信号が加わるたびに、単なる記憶から抽象的な表現へと変換されている可能性を示している。
通常、学習において丸暗記は過学習につながる望ましくない現象とされる。しかし本論文が示すように、学習過程には、最初は記憶が発生し、そこから徐々に一般化可能な構造が形成される過程があるのかもしれない。
この論文は、能力改善のためにはモデルサイズだけが重要なのではなく、低頻度なタスクの信号が残るように設計することも重要であると示唆している。具体的には、学習中のデータ混合の設計、たとえば重要だが低頻度なタスクの頻度を増やすこと、出現間隔を短くすること、リプレイを使うこと、カリキュラムを工夫すること、タスク間の干渉を減らすモデルを使うことなどが重要となる。
また、データをどの順序で、どの間隔で見せるかも重要になる。
コメント
===
大きなモデルがなぜさまざまな能力の発現に有用なのかを考えるうえで、非常に示唆的な研究だと思う。
大きなモデルがなぜ有用なのかについては、これまでもいくつかの説明が提唱されてきた。たとえば宝くじ仮説のように、大きなモデルの方が重要な仮説や特徴の種が初期状態ですでに埋め込まれている可能性が高くなるという説明や、モデルが大きくなることで学習しやすくなる、すなわち目的関数の谷や basin がつながりやすくなるという説明である。本研究は、これらに加えて、データ分布との相互作用にさらに踏み込んでいる。実際には、これら複数の要因が組み合わさっているのだろう。
本研究の実用的な価値は、大きなモデルの価値が低頻度タスクを保持できることにあるならば、モデルを必ずしも大きくしなくても、同様の能力を引き出せる可能性を示している点にある。
具体的には、データ設計、すなわちデータの頻度や順序の工夫、アーキテクチャ上の干渉しにくい設計、低頻度信号を保持しやすくする最適化、たとえばモーメンタムや学習率の設計、さらに正規化や白色化によって特徴間の干渉を減らす工夫などが考えられる。
データ設計については、これまでも何が良いかは主に実験的に探索されてきた。しかし今後は、この論文のような理解を通じて、より工学的に扱えるようになっていくのではないかと期待できる。
OpenAIでも共同ですが、AIチップができたんですね。
みんなインフラをとりにいこうとしていますね。
We’ve designed and built our first AI chip: Jalapeño.
Designed from the ground up by OpenAI and brought to production with @Broadcom, Jalapeño is purpose-built for the LLM workloads powering ChatGPT, Codex, the API, and future agentic products.
Chips are foundational to the AI economy. Building our own expands our full-stack platform from products to models to infrastructure, and will help us scale intelligence, serve more people, and expand access to AI.
その発想はなかったです。
面白いやり方ですね。
最近发现了一个特别有意思的用法。我把 GPT 和 DeepSeek V4 Pro 当高级工程师用，负责写 SOP、写 CI/CD 流程、设计方案。然后把这些东西一股脑丢给 Hermes Agent 里的 Minimax M3 去执行。
正常情况下，ChatGPT 一个小时能搞定，DeepSeek 两个小时也差不多了。M3 呢？已经干了一上午，四个小时过去了，还在和 CI 测试死磕。日志刷得飞快，错误改了一轮又一轮，就是过不了。
但神奇的是，我居然没有生气，反而越来越期待。
因为我突然意识到，M3 最有价值的地方可能不是干活，而是验收文档。
如果 GPT 写的 SOP，DeepSeek 写的流程，最后连 M3 这种级别的“小白员工”都能一步一步照着执行成功，那说明这个文档是真的写明白了。反过来，如果 M3 卡住了，大概率不是它一个人的问题，而是流程里还有默认知识、隐藏前提和作者自己都没意识到的经验依赖。
以前测试用户手册，要找新人。
现在测试用户手册，直接找最笨的 Agent。
某种意义上说，M3 已经从生产工具变成了质检工具。
它就像公司刚入职的新同事。能力可能一般，效率可能不高，但凡是文档里写得不清楚的地方，它一定能精准踩坑给你看。
AI 时代最好的测试工程师，未必是最聪明的模型。
有时候恰恰是最笨的那个。
“引用の方が効く”
たしかに…。
引用の確率を上げてくれる広告サービスの方が刺さりそうですね。
https://t.co/Qifxupk4zG
Fuguをfableで進めてたリポジトリに導入して、とりあえず1時間使ってみた感想（長文注意↓）
1時間でできたこと
・Fable 5が発見できなかった27のバグを発見し、全て修正してくれました。コード品質は申し分なく、Gemini, Claude, GPT, GLMのレビューの平均点が9.8/10だったので、AIに好まれるようなコードであることは確かです。
・コード側のみの変更点をドキュメントに更新してくれました。合計12万文字前後のドキュメントの全文更新タスクでしたが、コンテキスト劣化控えめで更新作業が完了しました。がGPT日本語に近い文体なため、慣れていない人は読みづらそう。
・新規機能実装を7万行前後行い、Issueを4つ解決し、PRを7つ発行しました。私個人がチューンしている最強コードレビューエージェントでも、PR1つあたりのレビュー指摘が7件しか得られず(Fableの場合は20件前後, Codexの場合は30件前後)。
所感
・日本製Fableと言っても過言じゃないけど、細々とした動作は色々違う
・SPECAとかと相性良さそう...?試してみる価値はある
・実装完了後の返答がクッソ長いのが特徴かも知れない
・5時間制限3本くらいで週制限行きそうなのはどうにかしてください。あと普通に結構な速度で消費してしまうなー
・ヒューリスティックな最適化系のタスクも与えて観察しているが、「新しい発見」と「発見の実験」、「実装」にわたって全部できるのが強いと思う。1つ目はGemini、2つ目はClaude 、3つ目はCodexの特性なんだけど、これを意識しなくてもいいのはかなり強いなー
・一方でUltraじゃない場合はレビューの誤検出とハルシネーションが少し多いかなー......
・Ultraの速度は遅めなので、時間あたりの知能であればFableが未だTop Tier。良い意味でGPT-6-Proみたいな感じだと思って扱えば良さそうな感じ
・プロンプトエンジニアリングが良くも悪くも効きが悪いので、適当に書いて問題なし。
・SKILLの扱いはちょっと苦手目...?ここはClaudeに劣る
fuguシリーズ触ろうと思います。
初期のClaudeのようにコーディングなどに特化しているようなイメージを受けます。
（その方が良いとは思います）
エージェンティックなレベルって触って見ないと全然分からないので、楽しみです。
Introducing Sakana Fugu: A full multi-agent orchestration system accessible via a single model API.
Our ‘Fugu Ultra’ model matches the performance of Fable and Mythos, delivering frontier capability without the risk of export controls.
Try it: https://t.co/hhO6qTawgb 🐡
僕もこれから東北大学スタートアップの青葉山ガレージという場所にもう一社登記する予定です。先輩がご活躍されていて、負けじと食らいつきたいです！
是非1度お話したい…！
日経にも取り上げていただきました！
https://t.co/V9G3TYgpVf
Midjourneyが画像生成で遅れを取っているように見えて、実は全く別の市場を取りに行っていた。
これはかなり重要だと思っています。
今回発表されたMidjourney Medicalは、単なる「AI企業の新規事業」ではなく、医療・予防・ウェルネス・データビジネスを横断する市場選択です。
ポイントは、画像生成AIの延長ではなく、身体データの取得インフラを取りに行っていることです。
今までの医療は、基本的に「悪くなってから検査する」構造でした。
しかし、60秒で全身スキャンができ、放射線もなく、定期的に身体の変化を可視化できるなら、医療は治療中心から予防中心に変わる可能性があります。
ここで面白いのは、病院ではなく「スパ体験」として設計している点です。
多くの医療サービスは、正しさはあっても体験が重い。
予約、待ち時間、不安、検査への心理的抵抗。
そこをMidjourneyは、ラグジュアリーな体験に置き換えようとしている。
これは医療機器の話に見えて、実は「人が継続的に健康データを取りたくなる体験設計」の話です。
起業家として見るべき点は3つあります。
1つ目は、AIの競争軸がモデル性能だけではなくなっていること。
画像生成の品質で競うだけなら、いずれコモディティ化します。
しかし、独自のデバイス、独自のデータ、独自の顧客接点を持てば、競争の土俵そのものを変えられます。
2つ目は、医療の入口が病院から日常体験へ移る可能性です。
今後は「病気になったら行く場所」ではなく、「健康状態を定期的に測る場所」が価値を持つ。
ここに保険、フィットネス、食事、睡眠、パーソナルAIがつながると、巨大なエコシステムになります。
3つ目は、AI企業が本当に狙うべきは“生成”ではなく“意思決定”だということです。
画像を作るAIより、身体の変化を見つけ、リスクを示し、次の行動を提案するAIの方が、経営的にも社会的にも価値が大きい。
もちろん、現時点では過度に期待しすぎるのは危険です。
医療用途には規制があり、診断精度の検証も必要です。
データプライバシーの問題も避けられません。
「MRIを超える」といった話も、根拠が出るまでは冷静に見るべきです。
ただ、それでもこの動きは無視できません。
なぜなら、Midjourneyは画像生成AIの会社から、身体データプラットフォーム企業へ進化しようとしているからです。
これからのAI企業に必要なのは、AIを作ることではなく、
AIが価値を出せる現実世界の接点を押さえることです。
データが取れる場所。
顧客が継続的に来る体験。
規制産業の中で信頼を積み上げる設計。
そして、取得したデータをもとに意思決定を変える仕組み。
ここまで持てる企業が、次の時代のインフラ企業になると思います。
AIの本当の勝負は、画面の中ではなく、現実世界のデータを誰が押さえるかに移っています。
Midjourney görüntü üretmede neden geri kaldı diyorduk.Adamlar bambaşka bir konu üzerine çalışıyorlarmış meğer.
Midjourney Medical’i duyurdular:
-60 saniyede radyasyonsuz tam vücut ultrason taraması yapan “Ultrasonic CT” scanner + lüks spa deneyimi.
-Sıvı dolu pod’larda Star Trek tarzı tarama, yarım milyon mikro sensörle milimetre altı 3D vücut haritası çıkarıyor. İlk spa 2027’de San Francisco’da açılıyor.
-6 yılda 50.000 cihaz, aylık 1 milyar tarama hedefliyorlar. Erken teşhisle sağlık maliyetlerini ciddi oranda düşürmeyi planlıyorlar.
-AI görüntü şirketi sanıyorduk, meğer sağlık devrimi hazırlıyorlarmış. Hatta Elon da yorum yazmış gönderi altına, “Cool” demiş.
Gelecek sağlık alanında çok ilginç olacak.
【AI活用が成功した後、AI推進部署はどこへ向かうのか】
多くの企業でAI推進部署が立ち上がっています。
ただ、あまり議論されていないことがあります。
それは、
「AI活用が成功した後、その部署は何をするのか？」
という問いです。
AI推進部署の最初の仕事は、
・AI研修
・活用ルール策定
・ガイドライン整備
・ツール導入支援
・業務改善支援
です。
しかし、この仕事には大きなジレンマがあります。
成功すればするほど、仕事がなくなるのです。
全社員がAIを使いこなし、
各部門が自走し始めた瞬間、
AI推進部署の存在意義は薄れていきます。
そこで多くの企業は、
「AI利用率」
「利用回数」
「研修実施数」
などの指標を追い始めます。
しかし本来、企業が欲しいのはAI利用率ではありません。
売上向上であり、
利益改善であり、
顧客価値向上です。
では、AI活用が成功した企業に何が残るのでしょうか。
私は、
「全社の課題データ」
だと思っています。
どの業務に無駄があるのか。
どこにボトルネックがあるのか。
何が自動化できるのか。
AI推進部署は全社横断で活動するため、
営業よりも営業を知り、
人事よりも人事を知り、
経理よりも経理を知る立場になります。
つまり、
会社の中で最も多くの課題が集まる部署になるのです。
ここで思い出すのがAmazonです。
AWSは最初から外販サービスとして生まれたわけではありません。
Amazon自身の課題を解決するために作られた仕組みでした。
社内課題を解決するための仕組みが、
やがて世界最大級の事業になったのです。
AI推進部署にも同じ可能性があります。
AI活用が成功した後、
AI推進部署は
「AIを普及させる部署」
から
「新しい価値を生み出す部署」
へ進化していくパターンが考えられます。
現にそのような企業のサポートにも入ったりしてますし、自分たちの会社も同じ立ち位置です。
よってAI活用が当たり前になった時代に問われるのは、
「AIをどこに使えるか」
ではなく、
「AIを使って何を生み出せるか」
という成果主義に変わっていくと思ってます。
【AI推進部門は、なぜHRに近づいていくのか】
AI推進部門というと、多くの人は「AIツールを導入する部署」を想像します。
しかし、実際に企業のAI活用を見ていると、AI推進部門の本質はツール導入ではありません。
行き着く先は、組織設計です。
なぜなら、AIを本気で業務に組み込もうとすると、必ず次の問いにぶつかるからです。
誰の業務をAIに置き換えるのか。
人が判断する部分はどこか。
AIを使える人と使えない人を、どう評価するのか。
削減された時間を、どの業務に再配分するのか。
AIによって成果を出した社員を、どう昇給・昇格に反映するのか。
これは、もはやIT部門だけで決められる話ではありません。
人事制度、評価制度、採用、育成、配置、組織構造に関わる話です。
だからAI推進は、自然とHRに近づいていきます。
この流れを象徴しているのが、メルカリの動きです。
メルカリでは、CTO Japan Businessの木村俊也氏が、CHRO兼CAIOに就任しました。
つまり、技術責任者が人事責任者とAI責任者を兼ねる体制です。
これは単なる珍しい人事ではありません。
AI戦略と人事戦略を分けて考える時代が終わり始めている、というサインだと思っています。
メルカリが掲げているのは、「HR for an AI-Native Company」。
重要なのは、HR部門だけをAI化するという話ではないことです。
働き方、意思決定、承認プロセス、組織構造、リソース配分といった、人と組織の運営基盤そのものをAI前提で再設計するという考え方です。
ここに、AI推進の本質があります。
AI導入が浅い段階では、
「議事録を自動化しました」
「資料作成を効率化しました」
「問い合わせ対応にチャットボットを入れました」
で終わります。
しかし、本当にAI活用が進むと、問いが変わります。
AIを使える人材をどう採用するのか。
AIを使いこなす人をどう評価するのか。
マネージャーの役割はどう変わるのか。
新人教育はどう変えるべきか。
承認フローはどこまでAIに任せられるのか。
人員計画はどう変わるのか。
つまり、AI活用は業務改善から始まり、最終的には人と組織の設計に入っていきます。
ここを見落とすと、AI推進は単なる便利ツールの導入で終わります。
一方で、ここまで踏み込める企業は、AIを単なる効率化ではなく、組織能力そのものを高める手段として使い始めます。
これからのAI推進部門に求められるのは、AIツールに詳しいことだけではありません。
現場業務を理解する力。
人事制度を理解する力。
組織の力学を読む力。
評価制度に落とし込む力。
経営戦略と接続する力。
この複合的な力が必要になります。
AI推進は、IT部門の仕事から、組織変革の仕事へ変わりつつあります。
そして、その中心にHRが入ってくるのは、かなり自然な流れだと思っています。
多くの人はこの記事を読んで「AIコストが下がる」と感じると思います。
ただ、自分が注目したのはコストではなく、むしろリスクの方でした。
先日、ソフトバンクグループの孫さんが、グループ全体で毎月3億回規模のサイバー攻撃を受けているという話をされていました。また、自社で脆弱性調査を実施したところ、1万件以上の脆弱性が見つかったという話もありました。
ソフトバンクグループほどの企業ですらそうであれば、多くの企業も同じようなリスクを抱えているはずです。
現在は生成AIブームの真っ只中ですが、どこかのタイミングでAIを起点とした大規模な情報漏洩やセキュリティインシデントが起きる可能性は十分あると思っています。
もしそうなれば、市場は一時的に冷え込むかもしれません。ITバブル崩壊後もインターネットそのものは消えなかったように、AIも消えないでしょう。
ただ、その時に企業が求めるものは変わる気がしています。
「より高性能なAI」ではなく、
「安心して使い続けられるAI」
です。
そう考えると、ローカルAIの価値は単なるコスト削減ではなく、
・データ主権
・ガバナンス
・事業継続性
・セキュリティ
にあるのではないでしょうか。
もちろん現時点ではクラウドAIの優位性は大きいです。
一方で、OpenRouterのように複数モデルを組み合わせて高性能モデルに迫るアプローチも出てきていますし、ローカルAI側も着実に進化しています。
個人的には、ローカルAIがクラウドAIを置き換えるというより、
「最高性能を求める領域」と
「安全性を求める領域」
で市場が分かれていく可能性を感じています。
だからこそ、自分たちは今のうちからローカルAIを深く研究しています。
本当に大きなインシデントが起きた時、市場が求めるのは新しいAIではなく、安全に運用できるAI基盤かもしれないと思っているからです。
AMD ACABA DE MATAR LAS SUSCRIPCIONES DE IA
La CEO de AMD Lisa Su presento oficialmente una PC del tamaño de una lonchera y ejecuto en vivo un modelo de 235 mil millones de parametros
Sin centro de datos. Sin nube. Sin GPU alquiladas
El chip en su interior es el AMD Ryzen AI Max+ 395
Es el primer chip x86 en el que la CPU y la GPU comparten el mismo bloque de memoria
Hasta 128 GB de memoria unificada
Una RTX 5090 te ofrece 32 GB de memoria de video
Una 4090 te da 24 GB
Pero esta pequeña maquina te ofrece mas de tres veces la memoria de cualquiera de ellas
Y cabe en una mochila
En inferencia con DeepSeek R1 le gano a una RTX 5080 por 3x
Una desktop del tamaño de un libro grueso superando una tarjeta grafica de mas de mil dolares en una carga de trabajo real de IA
Ahora haz las cuentas de tus suscripciones
Claude Code Max: $200 al mes
ChatGPT Pro: $200
Cursor: $20
Gemini: $20
Son $5,280 al año antes de construir una sola cosa
La version de 128GB de esta maquina cuesta entre $1,800 y $2,500
A ese ritmo se paga sola en menos de un año
Y despues corre sin costes adicionales, GRATIS
> Instalas Ollama
> Bajas Qwen3 235B
> Apuntas Claude Code a localhost
> La misma interfaz que ya usas
> Nada sale de tu maquina
> Nada cuesta por request
> Sin limitaciones a las 3am cuando por fin tienes tiempo para construir
Los abogados dejan de preocuparse por lo que OpenAI hace con sus archivos
Los developers dejan de ver el contador de tokens
Los founders dejan de matar prototipos porque la factura de la nube los asusta
La IA local ya no es solo una opcion mas economica
Es la unica IA que nadie puede quitarte
Y la pregunta ya no es si la IA local es lo suficientemente buena
Esta claro que si lo es
La verdadera pregunta es por que seguir pagando suscripciones cada mes cuando puedes correrla tu mismo
最近、エージェント開発の話題を見るたびに感じるのですが、技術的な難易度よりも「どこから作り始めるか」の方が重要になっている気がします。
実際にエージェント開発を進める中で感じるのは、技術的な難所はモデル性能そのものよりも、
ツールの入出力設計
状態管理
エラー時のリカバリー
コンテキストの管理
といった周辺設計にあることが多いという点です。
モデルは年々賢くなりますが、業務の中で安定して成果を出せるかどうかは、むしろこうした部分で決まるケースが多いように感じています。
また最近は、「どれだけ高性能なエージェントを作るか」よりも、「どれだけ短いサイクルで現場から学習できるか」の方が重要になってきている印象があります。
エージェントは完成品を設計するというより、実運用を通して育てていくプロダクトに近いのかもしれません。
その意味でも、まず現場で回るループを作り、そこから改善を重ねていくアプローチは非常に理にかなっていると感じました。
これエージェントをこれから実装したい方にとっては有用ポストです。
良くプラットフォームを作るとこから始める企業が多いが、まずはリアルユースケースをベースにモデル→ツール→結果→モデルと言うループを構築し、メモリやインターフェイスの実装を後ほど徐々に行うべし。スモールスタートし、トライアンドエラーを繰り返しながら、エージェントの機能拡張をして行くのがベストプラクティス。
とても共感しました。
特に、「解ける課題」よりも「見つける課題」の価値が上がっているという部分は、まさに今起きている変化だと感じます。
読んでいて、自分は少し別の視点も思い浮かびました。
以前は課題を見つけた人と解決できる人の間に大きな距離がありましたが、AIによってその距離が一気に縮まったことで、課題を見つけてもすぐに模倣される時代になったように思います。
だからこそ最近は、「課題そのもの」よりも、「なぜその課題が発生しているのか」という構造や前提に興味を持つようになりました。
表面的な不便はすぐ解決されても、その奥にある仕組みや人の行動原理は意外と変わらないので、そこまで掘れると見える景色が変わるのかなと感じています。
また、「みんなが無理だと思っているけど、実は今なら解ける課題」という話も印象的でした。
技術の進化によってできることが増えたというより、「無理だと思い込んでいた前提」が崩れているケースの方が大きいのかもしれませんね。
非常に考えさせられる内容でした。
https://t.co/GMOuBAjs09
@refu_ai 「AI入れました」で終わる企業との差は、業務設計まで落とし込めているかどうか。
No.2としては、AI活用の前提として「判断が止まっている箇所の特定」が一番重要な工程だと感じてます。
Most Popular Users
Elon Musk
@elonmusk
240.7M followers
Barack Obama
@barackobama
119.2M followers
Donald J. Trump
@realdonaldtrump
111.7M followers
Cristiano Ronaldo
@cristiano
110.9M followers
Narendra Modi
@narendramodi
107M followers
Rihanna
@rihanna
97.7M followers
NASA
@nasa
92.2M followers
Justin Bieber
@justinbieber
90.9M followers
KATY PERRY
@katyperry
87.8M followers
Taylor Swift
@taylorswift13
81.7M followers
Lady Gaga
@ladygaga
73.2M followers
Virat Kohli
@imvkohli
70.1M followers
Kim Kardashian
@kimkardashian
69.8M followers
YouTube
@youtube
68.7M followers
Bill Gates
@billgates
64M followers
Neymar Jr
@neymarjr
62.9M followers
The Ellen Show
@theellenshow
62.4M followers
CNN
@cnn
61.9M followers
Selena Gomez
@selenagomez
60.9M followers
X
@x
60.8M followers