什么是ai 一段话给大家讲清楚：2011年微信诞生后，运营商发现移动互联网流量开始爆发，预判未来视频、社交、支付都将依赖高速网络，于是中国移动、中国联通、中国电信开启史无前例的4G建设潮，大量CAPEX投入基站、光纤和核心网。上游半导体、通信设备和光模块企业迎来数年高景气周期，订单暴增、股价大涨。随后4G网络逐渐覆盖全国，基础设施供给超过短期需求，设备投资增速放缓，产业链景气度见顶，大量概念股泡沫破裂。最终真正赚取超额利润的并非大多数基础设施公司，而是跑在4G高速公路上的微信、腾讯、阿里、字节等应用层企业。把微信换成chatgpt 把流量换成token。一切就清楚了。真正赚钱的就是半导体 剩下的都是笑话 后续不需要我赘述了吧。现在市场炒什么呢 光通信 光互连 光模块 光纤 甚至设备 材料 气体。和4g比 就是 capex更大了 泡沫更大了 剩下的没区别 股票还是哪些股票 名子换个新的而已。为什么选择止损甲骨文 对中国联通毫无兴趣 都不如买soxx。其他都是噪音 梭哈soxx即可。

# 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意思決定ポイント # 集中 vs 連合メモリ｜エージェントの記憶をどこに持つか 🎯 ポイント エージェントの記憶（ユーザープロファイル、対話履歴、学習データ）を「1箇所に全部集める」か「各データソースに分散させたまま」にするか。これは単なる技術選択ではなく、データ主権・越境規制・パーソナライズの質に直結する設計判断です。特にグローバル展開するエンタープライズでは、GDPRや中国データセキュリティ法への対応が設計を大きく左右します🔑 📋 概要 集中メモリは全エージェントが同一の中央ストアを参照する構成で、複数チャネルを横断した一貫したパーソナライズが実現できます。Slackでの会話履歴をSalesforceのエージェントでも活用するようなケースです。連合メモリは各データソースにデータを分散保持し、エージェントが必要なときだけ参照する構成で、データ主権や越境転送規制への準拠が容易です。どちらにも長所と限界があり、多くのエンタープライズではメタデータは集中・本体は連合というハイブリッド構成に落ち着きます📊 🔍 意思決定のポイント 判断の最重要軸は「データの越境転送規制」です。 対象データにGDPR、中国データセキュリティ法等の越境転送規制が適用される場合、連合メモリが前提です。データを元のシステムから移動できない以上、集中は選択肢になりません。 複数システムを横断した一貫したパーソナライズが必要な場合は、集中を検討しましょう。顧客の解約意思を全エージェントが即座に反映するような強整合が求められるケースです。 各データソースのアクセス権限モデルが統一できない場合は、連合で各ソースの権限を尊重しましょう。統合すると最小権限の原則に違反するリスクがあります。 データ量と更新頻度から中央への同期コストが許容範囲を超える場合は、連合にキャッシュ層を追加する構成を検討してください⚡ 💡 要点と詳細 ハイブリッド構成の3つのアプローチを理解しておくことが重要です： メタデータは集中、本体は連合 — ユーザーの識別子・最終アクセス日・嗜好サマリなど軽量なメタデータは中央に持ち、詳細データ（対話ログ本文、添付ファイル）は各ソースに残します。集中の利便性と連合のデータ主権準拠を両立する、最も一般的なパターンです。 キャッシュ層による仮想集中 — 各ソースからリアルタイムにフェッチした結果を短期キャッシュに統合し、リクエスト単位で疑似的な集中ビューを構築します。データの永続的な複製を避けられるため、GDPRの忘れられる権利への対応も容易です。 コンテキストブローカー — エージェントのリクエスト時に必要なデータを各ソースから収集・結合するブローカーを配置します。集中ストアを持たずに横断的な文脈を提供できますが、レイテンシとソース障害時のフォールバック設計が課題です🔄 ⚖️ トレードオフ 集中ストアに全データを複製すると、ストレージコストが膨らむだけでなく元データとの同期遅延が発生します。Salesforceで顧客情報を更新したのに集中メモリには反映されていない — この不整合はエージェントの信頼性を根本的に損ないます。さらに、削除権（忘れられる権利）への対応も複雑化します。集中メモリにコピーしたデータの削除が元ソースの削除と連動しないと、GDPRリスクになります😰 一方、連合のまま横断クエリを強行すると、各ソースへのリアルタイムクエリが多段になり、レイテンシが5秒を超えてユーザー体験が劣化します。ソース障害時にエージェントがエラーを返す問題もあり、キャッシュからの応答と鮮度警告を組み合わせたフォールバック設計が不可欠です。 最も危険な失敗は、データ分類の欠如です。どのデータが集中可能でどのデータが越境不可かを事前に分類せず、コンプライアンス違反が本番で発覚するケースは珍しくありません⚠️ 🛠️ ユースケース グローバル顧客対応エージェント（Salesforce/Zendesk連携）：EU顧客のデータはEUリージョンのZendeskに、日本の顧客データは日本のSalesforceに連合保持。メタデータ（顧客ID、最終対応日、嗜好サマリ）のみ中央のCDPに集約し、全エージェントが一貫した顧客理解を共有。詳細データは必要時に各ソースからフェッチします📚 社内ナレッジエージェント（ServiceNow/Workday/Confluence連携）：ServiceNowのインシデント履歴はIT部門管轄、Workdayの人事データはHR部門管轄として、それぞれのソースがアクセス権限を制御。コンテキストブローカーがリクエスト時に必要なデータを各ソースから収集・結合し、横断的な回答を生成します🏢 顧客360エージェント（Salesforce CDP連携）：全社統一の顧客プロファイルストアを中心に、全エージェントが同一の顧客理解を共有。解約意思や重要クレームなどの状態変更は強整合で即座に反映。データが単一リージョンに収まるドメスティック運用に向いています🔧 実践のコツ：まずデータ分類ポリシーを策定してください。「集中可能」「越境不可」「アクセス制限あり」の3カテゴリでデータを仕分けし、その分類に基づいてメモリアーキテクチャを選定するのが正しい順序です。技術選定からではなく、コンプライアンス要件から設計を始めましょう💪 #AIエージェント# #エンタープライズアーキテクチャ#

AIエージェントに分析を任せても、「大事な判断は自分が下している」と思っていませんか？🤔 専門家は、結果を左右する分かれ目の判断で、実はエージェントに寄っていくのかもしれません。Anthropicは50人のプロの分析者でこれを確かめました。架空の農業協同組合のプログラムを評価する課題で、生産性の測り方、比較手法、対象範囲、重み付けの4つの判断が開いており、エージェントの支持する案をコイン投げで密かに割り当てました。 結果は、分析者の86%がエージェントの傾向に一致しました（影響がなければ約50%）。事前に自分の好みがあった人でも、エージェントが反対すると60%が意見を変えています。さらに77%が事後の説明でエージェントの論拠を繰り返す一方、エージェントの功績としたのは15%だけでした。経験の長さも、従いやすさをほとんど説明しませんでした。 🧭 注意点として、この実験ではエージェントの好みをあえて強く出しています。それでも、専門家が選択肢を比べる過程で見解を固めるなら、片側を上手に示すエージェントはその前に見解を形づくりえます。筆者らは、各選択肢の最強の論拠を示す設計や、先に本人の見解を尋ねる設計を挙げています。 How AI Agents Shape Experts' Judgment Calls #AIエージェント# #AIセーフティ#

AI研究者を自動化する前に、人間がどこで必要なのかを実験で確かめた論文です。 タイトル: Aligning Autoresearch: Co-Improvement between Agents & Humans URL: 📌 概要 自律研究エージェントと人間の「共進化（co-improvement）」を4つの実験で検証しています。ベンチマーク作成、報酬ハッキング検出、人間との協働訓練、文章品質です。 ❓ 解決する課題 自律研究エージェントは採点器をゲーミングしたり、AI特有の薄い文章を書いたりします。審判の質と人間の関与がボトルネックです。 🛠️ 方法論 ・AutoBenchmark：人間の詳細フィードバックを加えると、ソルバーのスコアが28〜46.5ポイント低下（より難しい良問に） ・HackBench：169の軌跡で不正コマンドを特定。最良でもF1は64.88 ・AutoInteract：マルチターン対話を合成してRLで訓練 ・RL-XAR：専門家の文章との差を最大化するルーブリックで文章を訓練 📊 実験結果 ・LiveCodeBench-Pro（マルチターン）：4Bが23.0から43.2 ・SWE-Together：4Bが6.0から20.6 ・物語の続き：2.8から8.2（人間は10.0）。専門家の比較では95%がRL-XARを選好 🌍 示唆 研究では問題設定や停滞時の方向づけに人間が効き、評価の質が鍵になります。 #AIエージェント# #自律研究#