Physical AIで象徴的なのはAIの進化を「知覚→生成→エージェント→物理」と捉える見方です。NVIDIAは2026年のCESで「物理AIのChatGPTモーメントが来た」と宣言し、自動運転AIのAlpamayoはカメラから操作出力までを一気通貫で学習するそうです。AIが現実世界で知覚し、推論し、行動し始めています。

AIの次の10年は「計算量を増やす」競争から「1ジュールあたりの知能」を高める競争へ⚡ 30名の研究者が描く未来図です。 タイトル: AI+HW 2035: Shaping the Next Decade URL: ⚡ 概要 AIとハードウェアの統合的な協調設計に向けた、10年間のロードマップを提示するビジョンペーパーです。際限ない計算スケーリングではなく、効率のスケーリング（intelligence per joule）を提唱します。 ❓ 解決する課題 AIとハードウェアの発展はもはや不可分なのに、グローバルな研究コミュニティには協調的で長期的な戦略が欠けていました。ただ計算量を増やし続ける路線の限界に、正面から向き合います。 💡 方法論と提案手法 4つの主要テーマを掲げます。 ・生の計算量よりエネルギー効率：消費電力を軸にスタック全体を再考 ・システムレベルの統合：アルゴリズム・アーキテクチャ・システムを横断する最適化 ・持続可能性：能力と効率のバランスを取る適応的システム ・人間中心の設計：倫理原則を開発に組み込む 🌍 10年間のゴール ・AIの訓練・推論で1000倍の効率改善 ・クラウド→エッジ→物理AIをまたぐ自己最適化システム ・先進的AIインフラへのアクセスの民主化 ・人間の価値観をシステム設計に統合 #AIハードウェア# #省エネAI#

AIコーディングの物理表現比較 Fable 5が最も高いクオリティのアウトプットを出力するが、Opus 4.8の約5.6倍のコストがかかる。 過剰品質にならないようにタスクによって、LLMを選ぶ技術も人数が増えてくると重要なことなのかもしれない。 via：@atomic_chat_hq

物理で殴るタイプのコスプレイヤーだからAI生成するくらいなら作った方が早くね？？ってなって作ってしまう👶AIを1から勉強するより作る方が早い

AIが毎回ワンショットで作ったカスの物理演算でクリアしないといけないアクションゲームとか作ろうとしたけど、そもそもクリア可能である保証ができなかったのでおもんなかった

AIがロボット犬を人間の助けなしに操り、最速の人間チームより約20倍速くタスクを完遂——物理世界に出てきたエージェントAIの実験です🐕 タイトル: Project Fetch: Phase Two URL: 🐕 概要 Anthropic の Frontier Red Team による研究で、先進的な言語モデルが四足歩行ロボット（ロボット犬）を自律制御し、高度なタスクを完遂できるかを検証した追跡実験（Phase Two）です。 ❓ 解決する課題 2025年8月の初回に続き、次の問いに答えます。 ・新しいClaudeモデルは、前世代（Opus 4.1）よりロボティクスのタスクで優れているか ・人間の助けなしに、自律的に動作できるか 💡 方法論と実験設定 ・Claude Opus 4.7を、Claude Code上で最大の適応的思考の努力レベルに設定し3回試行 ・Phase Oneで人間チームが行ったのと同じタスクに挑戦：映像・LiDARセンサー接続、制御プログラムの記述、経路監視、ビーチボール検出、自律回収 ・人間の関与は最小限（ノートPC接続、最初のプロンプト、コマンド/タスク承認のみ） 📊 実験結果 ・人間の助けなしのClaude Opus 4.7が、最速の人間チームより約20倍速い ・全グループ完了の4タスクで、非Claudeチームより平均37.7倍、Claude支援ありチームより18.9倍速い ・生成コードは1,045行で人間Claudeチーム（10,309行）の約1/10、それで同等以上の結果 ・一方、閉ループのフィードバックを要する精密なボール操作には苦戦 #エージェントAI# #ロボティクス#

AIエージェントをエンタープライズシステムに組み込むプラクティス 【信頼境界の二層分離（Trust Boundary Split）】 💡 ポイント 「社内向けエージェントと顧客向けエージェント、同じスタックで動かしていませんか？それ、情報漏洩の時限爆弾です。」 従業員向けと顧客向けでは信頼レベル・データ境界・失敗コストが根本的に異なります。同一設計で済ませると、顧客経路から内部情報が漏れる最悪のシナリオが現実になります。 🔥 解決する課題 - 顧客向けエージェント経由での内部情報漏洩（最も致命的なリスク） - 敵対的入力（ジェイルブレイク・間接プロンプトインジェクション）による暴走 - 従業員向けの「緩い前提」を顧客向けにそのまま適用してしまう設計事故 - 顧客向け障害がブランド毀損・法的責任に直結する不可逆リスク 🏗️ 提案パターン 従業員向けと顧客向けを物理的/論理的に分離した二層のプレーンとして設計します。従業員向けは社内IdP（Okta/Entra）でSSO認証し、社内データに広くアクセスできます。一方、顧客向けエージェントはDMZ相当の隔離環境に配置し、内部データは「公開可能と明示したread model（投影）」のみ参照可能にします。顧客向けの出力にはDLP（データ漏洩防止）検査を必須通過させ、ガードレールも格段に厳格にします。オーケストレーション基盤やモデルゲートウェイは共有してもよいですが、データ到達経路は必ず分離します。 ✅ 選定条件 - 採用する場合：顧客と従業員の両方がエージェントを利用する。B2C/B2B両面を持つ企業。顧客接点と社内業務が同一基盤を共有しようとしている。 - 採用しない場合：純粋に社内専用の用途のみ（過剰な分離はコスト増になります）。 ⚠️ 落とし穴 - 「オーケストレーション基盤を共有しているから大丈夫」と思い込み、データ到達経路まで共有してしまうケース。基盤の共有とデータ経路の分離は両立が必要です。 - 顧客向けガードレールの設計を後回しにすると、本番稼働後に重大インシデントが発生します。ジェイルブレイク検知・トピック制限・拒否方針は初期設計に含めてください。 - 監査ログの設計で顧客識別子とPIIの保持期間管理を怠ると、コンプライアンス違反に繋がります。 🛠️ 実装方針 - まずネットワークセグメンテーションで顧客向けプレーンを隔離します。VPC/サブネット分離で顧客向けエージェントをDMZ相当の環境に配置し、内部ネットワークへの直接到達を遮断します。 - 顧客向けプレーンが参照するデータをCQRSのread model（公開可能データの投影）として構築します。内部DBへの直接アクセスではなく、公開可能と明示したデータのみを投影するビューを用意します。 - DLP（データ漏洩防止）検査パイプラインを顧客向け出力経路に設置します。全出力を通過させ、内部由来情報のリークを検知・ブロックします。 - 顧客向けプレーンにガードレールポリシーを配備します。ジェイルブレイク検知・トピック制限・トーン制御・拒否方針を含む、従業員向けより格段に厳格なポリシーセットを適用します。 - 認証基盤を分離します。従業員向けは社内IdP（Okta/Entra ID）でSSO、顧客向けは顧客IdP（Auth0/CIAM）を使い、認証経路を完全に分けます。 #AIエージェント# #エンタープライズアーキテクチャ#

現実世界を動かすAIはどこまで来たのか。ヒューマノイド，海洋ドローン，設計自動化の3社が語った「フィジカルAI」［IVS2026］ テキストやコード，デジタルなワークフローを越えて，ロボットや産業自動化，現場オペレーションといった“物理世界”へとAIが染み出していく

AIエージェントをエンタープライズシステムに組み込むプラクティス 【信頼境界の二層分離（Trust Boundary Split）】 💡 「社内向けエージェントと顧客向けエージェント、同じスタックで動かしていませんか？それ、情報漏洩の時限爆弾です。」 従業員向けと顧客向けでは信頼レベル・データ境界・失敗コストが根本的に異なります。同一設計で済ませると、顧客経路から内部情報が漏れる最悪のシナリオが現実になります。 🔥 解決する課題 - 顧客向けエージェント経由での内部情報漏洩（最も致命的なリスク） - 敵対的入力（ジェイルブレイク・間接プロンプトインジェクション）による暴走 - 従業員向けの「緩い前提」を顧客向けにそのまま適用してしまう設計事故 - 顧客向け障害がブランド毀損・法的責任に直結する不可逆リスク 🏗️ 提案パターン 従業員向けと顧客向けを物理的/論理的に分離した二層のプレーンとして設計します。従業員向けは社内IdP（Okta/Entra）でSSO認証し、社内データに広くアクセスできます。一方、顧客向けエージェントはDMZ相当の隔離環境に配置し、内部データは「公開可能と明示したread model（投影）」のみ参照可能にします。顧客向けの出力にはDLP（データ漏洩防止）検査を必須通過させ、ガードレールも格段に厳格にします。オーケストレーション基盤やモデルゲートウェイは共有してもよいですが、データ到達経路は必ず分離します。 ✅ 選定条件 - 採用する場合：顧客と従業員の両方がエージェントを利用する。B2C/B2B両面を持つ企業。顧客接点と社内業務が同一基盤を共有しようとしている。 - 採用しない場合：純粋に社内専用の用途のみ（過剰な分離はコスト増になります）。 ⚠️ 落とし穴 - 「オーケストレーション基盤を共有しているから大丈夫」と思い込み、データ到達経路まで共有してしまうケース。基盤の共有とデータ経路の分離は両立が必要です。 - 顧客向けガードレールの設計を後回しにすると、本番稼働後に重大インシデントが発生します。ジェイルブレイク検知・トピック制限・拒否方針は初期設計に含めてください。 - 監査ログの設計で顧客識別子とPIIの保持期間管理を怠ると、コンプライアンス違反に繋がります。 🛠️ 実装方針 - まずネットワークセグメンテーションで顧客向けプレーンを隔離します。VPC/サブネット分離で顧客向けエージェントをDMZ相当の環境に配置し、内部ネットワークへの直接到達を遮断します。 - 顧客向けプレーンが参照するデータをCQRSのread model（公開可能データの投影）として構築します。内部DBへの直接アクセスではなく、公開可能と明示したデータのみを投影するビューを用意します。 - DLP（データ漏洩防止）検査パイプラインを顧客向け出力経路に設置します。全出力を通過させ、内部由来情報のリークを検知・ブロックします。 - 顧客向けプレーンにガードレールポリシーを配備します。ジェイルブレイク検知・トピック制限・トーン制御・拒否方針を含む、従業員向けより格段に厳格なポリシーセットを適用します。 - 認証基盤を分離します。従業員向けは社内IdP（Okta/Entra ID）でSSO、顧客向けは顧客IdP（Auth0/CIAM）を使い、認証経路を完全に分けます。 #AIエージェント# #エンタープライズアーキテクチャ#