・ 【お知らせ📢】 《KURIEMI AI film contest》 授賞式で発表された 授賞作品ページを公開しました………!!!!!🏆 《授賞作品🏆》 そして私が代表を務めるpinyokio(株)のHPもリニューアルしたのでぜひチェックしてほしい。 《pinyokio🌈》 AIクリエイティブとデジタルツインの未来に幸あれ。🕊️

本日は「KURIEMI AI film contest」授賞式、本当にありがとうございました………!!!!!🏆 間違いなく今の日本のAIクリエイティブ界の最高峰のクリエイターさん方、そして作品が勢揃いしていたと思います。 3年前に自分が絶対にこの未来がくると思ったデジタルツインの構想も、とうとう現実が追いついてきました。 「競争」もありつつも「共創」の精神で、技術革新が起こっている今をみんなで楽しみながら、team JAPANとしてIP、AI産業を盛り上げていきたいです。 みんなでぜひ新しい常識作っていきましょう。 #くりえみAIフィルムコンテスト#

モウリーニョvsモウリーニョ！？​ 本物のジョゼ・モウリーニョ vs AIが生み出したデジタルツイン「ジョゼ」 ふたりのモウリーニョ監督が​ 試合を徹底討論✍️ スペイン 1-0 アルゼンチン ​ 解説動画をチェックしよう📺​ ​ 試合後もコークと一緒に沸こうぜ⚽

来日したNVIDIA創業者兼CEOのジェンスン・フアン氏が、東京で開催された「Build-a-Claw」イベントに予告なしで立ち寄った（https://blogs[.]nvidia[.]com/blog/japan-ecosystem-2026/）。会場では日本の開発者たちが、オープンモデル（誰でも無料で使える公開済みのAIモデル）とNVIDIAのプラットフォームでものを掴むロボット（クロー）を開発中で、フアン氏は抽選会の当選者に、個人でも使えるAIスーパーコンピュータ「NVIDIA DGX Spark」2台にサインをして贈った。 今回の来日でNVIDIAが打ち出した最大級の発表が、日本政府主導の「フィジカルAI（現実世界で動くロボットや工場設備を制御するAI）イニシアチブ」だ。経済産業大臣とともに発足式に参加したフアン氏は、製造業のノウハウと産業データ、世界的な技術リーダーを結集し、AIエージェントやデジタルツイン（現実の設備や環境をそっくりそのままコンピュータ上に再現したモデル）、ロボティクス向けのオープンなマルチモーダル基盤モデルを開発する構想を明らかにした。 理化学研究所ではNVIDIAのBlackwell GPU（NVIDIA最新世代のAI向け演算チップ）を使ったスーパーコンピュータが2台稼働を始めた。「AI for Science」向けのRIKYUはBlackwell GPUを1,600基搭載し、量子コンピュータとGPUを融合させた「ROQUO」はBlackwell GPUを540基搭載して、イオントラップ方式（電荷を帯びた原子をレーザーで捕まえて量子ビットとして使う方式）の量子コンピュータ「Reimei」ともつながっている。三菱ケミカルやみずほ銀行、慶應義塾大学などが参加した分子スペクトル解析（分子の電子構造や性質を調べる手法）のワークフローでは、量子コンピュータとGPUの組み合わせでCPUのみの場合と比べて13.4倍の高速化を達成。半導体製造用のEUVフォトレジスト（極端紫外線露光に使う感光材料）評価などへの応用も視野に入るという。 金融分野ではみずほが、NVIDIA DGX B200を皮切りに、日本の金融業界で最大級とみられるオンプレミス型（自社の設備内でシステムを運用する方式）のAI工場（GPUを集積してAIモデルを学習・運用する拠点）の構築を計画している。トヨタとも連携を拡大し、先進運転支援（L2++）向けAIやコード生成AI、工場のデジタルツインまで取り組みは多岐にわたる。 チップを売るだけでなく、金融・量子計算・製造・自動車と各業界のインフラそのものに入り込む。NVIDIAの日本戦略は、単なる半導体企業からプラットフォーム企業への転換をますます鮮明にしているように見える。

AIに考える回数を増やすなら、1回で何を進めるかも学ばせたいというPARの研究（ 題材は、箱の中身を順番に入れ替え、最後に何がどこにあるかを答える状態追跡。同じ処理層を繰り返すループ型モデルでも、最終回答だけを教えると、追加のループが長い問題を解く力につながるとは限らない。 PARは、k回目のループで「最初のk個の操作を終えた状態」を予測するよう学習する。さらに、内部状態の大きさが反復のたびにずれないよう、最初の反復を基準にそろえる。回数と進捗の対応を保つ設計だ。 Qwen2.5-0.5Bを使い、最大32操作で訓練した箱の入れ替え課題では、512操作まで評価。完了を判定する仕組みも一緒に学習した条件で、5箱すべてを当てる正解率は92.9%。比較対象RLTの報告値は55.7%だった。 止めどきも大事で、正解に到達した後も反復を続けると、答えの表現が崩れる条件がある。「長く考えれば安全」とは言えず、終了の兆候を確認して適切な時点の答えを読む必要がある。 効果が出た中心は、順序のある状態追跡。並列に探索できるグラフ到達性では同じ伸び方をせず、あらゆる推論の長さへ一般化した結果ではない。 小さいモデルへ計算時間を追加するなら、反復の意味と終了条件まで設計する。考えさせる回数を設定するだけでは足りない、という具体例だと思う。