Muse、InstagramやMessenger系などMeta経済圏の分析ができること以外はdotsやGrok Botとさほど変わらない印象を受ける。なんならAstra6が動かせるdotsの方が知能的には高い印象。 けれど最大の魅力は無料かつアカウントをすでに開設している人がほとんどなこと。これは多くのAI微課金・無課金勢にとって最高のハードルの低さ。 dotsやGrok Botは解説セミナーする予定なかったけれど、間口が広いMuseならしたいなと思う！

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エージェント開発の意思決定ポイント # 計画先行（Plan-then-Execute） vs 逐次推論行動（ReAct） 📝 🎯 ポイント 「未来をどこまで見通してから動くか」-- これはエージェント設計で避けて通れない分岐です。 まず計画を立ててから実行するか、1ステップずつ観察と行動を繰り返すか。計画を明示的な中間成果物として持つかどうかで、承認フロー・コスト制御・デバッグの設計が根本的に変わります。LLMは1リクエストが高コストなので、計画なしの試行錯誤はトークンを浪費します。しかし環境が動的に変化するなら、精緻な計画も実行中に陳腐化します。 📋 概要 Plan-then-Execute（計画先行）は、タスクを受け取ったらまずLLMが実行計画を構造化データ（JSON/YAML）として生成し、計画確定後（必要に応じて人間承認後）に各ステップを順次実行する方式です。ReAct（逐次推論行動）は、LLMが「観察→推論→行動」のサイクルを1ステップずつ繰り返し、全体の計画は暗黙的にLLMの内部推論に委ねる方式です。 🔍 意思決定のポイント **タスクの変動性（task_variability）** を主軸に判定します。 📊 **環境の動的さによる判定**: - 静的（実行中にデータや外部状態がほぼ変わらない） → Plan-then-Execute - 半静的（大枠は安定だが一部で状態が変わりうる） → Plan-then-Execute＋逸脱時の再計画 - 動的（各ステップの結果が次の選択を大きく左右する） → ReAct 📊 **タスクの性質による判定**: - 手順が定型で人間が事前に承認したい → Plan-then-Execute - 手順は概ね分かるが細部は実行時に決まる → Plan-then-Execute（粗い計画＋実行時微調整） - 手順自体が不明で探索的に進める → ReAct **failure_cost** が高い場合（不可逆操作を含む場合）は Plan-then-Execute に強く倒す動機があります。 💡 要点と詳細 🟢 **Plan-then-Executeの強み**は透明性と制御性です。計画が明示的な中間成果物であるため、実行前に人間が「この手順で大丈夫か」を確認できます。不可逆な操作を含む計画を事前に検証でき、安全性を確保できます。デバッグでも「計画が間違っていたのか、実行が間違っていたのか」を分離して調査できます。計画段階で不要なステップを刈り込めるため、トークン消費の抑制にも有効です。弱点は計画の陳腐化で、環境変化時に再計画のメタループが発生しうるため、再計画回数に上限（2〜3回）を設ける必要があります。 🟡 **ReActの強み**は適応性です。環境の変化にステップ単位で対応でき、予期しない状況にも柔軟に反応できます。計画を立てる余裕がないほど動的な環境や、手順が不明で探索的に進めるタスクに適しています。実装もシンプルで、計画の生成・保存・検証・再計画のインフラが不要です。弱点は予測不能性とコストで、LLMが何ステップ踏むか事前にわからず、自己ループのリスクがあります。 ⚖️ トレードオフ | 観点 | Plan-then-Execute | ReAct | |---|---|---| | 透明性 | 計画が明示的な成果物 🟢 | 暗黙的（LLM内部推論） 🔴 | | 人間の承認 | 計画全体を事前承認可 | 各ステップごとに介入が必要 | | コスト制御 | ステップ数で上限見積り可 | 事前にわからない | | 環境変化への適応 | 再計画が必要（コスト増） | ステップ単位で対応 🟢 | | デバッグ | 計画と実行を分離して調査 | 全ステップログの解析が必要 | | 実装複雑性 | 計画インフラが必要 | ループ制御のみで動作 | 🛠️ ユースケース 🔵 **Plan-then-Executeが向くケース**: 不可逆操作を含む処理、人間承認が必要なワークフロー、コスト予測が重要な処理、手順が定型的なタスク。 🔴 **ReActが向くケース**: デバッグ・調査、動的に変化する環境での処理、手順が不明で探索的に進めるタスク、プロトタイプ開発。 📌 **デフォルト戦略**: 計画先行（Plan-then-Execute）で、計画は人間が編集可能にしてください。最も実用的な折衷は「計画先行＋逸脱時のみ再計画」です。まず計画を立て、各ステップの実行結果が期待と大きく異なる場合にのみ再計画を発動します。再計画では失敗情報を添えて新しい計画を生成するため、同じ失敗を繰り返しにくくなります。再計画回数の上限は2〜3回が目安です。 #AIエージェント# #ソフトウェアアーキテクチャ#

# 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 # 事前 vs 事後検証｜Pre-verification vs Post-verification 🎯 ポイント エージェントの出力を「実行前にチェックする」か「実行後にチェックする」か、すべてに同じ方針を適用していませんか？ 不可逆な操作は事前検証が必須ですが、情報提供のみの操作にまで事前検証を課すとスループットが崩壊します。この分岐を副作用の可逆性と影響度で正しく設計しないと、安全性か速度のどちらかを不必要に犠牲にします🔑 📋 概要 事前検証は、エージェントの操作に不可逆な副作用がある場合に選びます。決済実行、契約締結、データ削除、本番デプロイなど、誤操作が金銭的損害・法的責任・ブランド毀損に直結するケースです。Workdayでの給与変更、Salesforceでの契約金額変更、Shopifyでの一括価格改定が典型例です。規制・コンプライアンスにより実行前承認が義務付けられている場合や、医療・金融・法律助言のように誤情報が許容されない場面でも事前検証は必須です。事後検証は、出力が情報提供のみで副作用がない場合、または副作用が可逆で取り消しが容易な場合に選びます。Slackでの情報要約、Notionでのドキュメント下書き生成、Jiraチケットの分類提案などが該当します📊 🔍 意思決定のポイント 判断フローは以下の通りです： 操作に副作用はあるか？ → なし（情報提供のみ）なら事後検証で十分 副作用は可逆か？ → 可逆なら事後検証＋自動ロールバックで対応可能 副作用は不可逆か？ → 不可逆なら事前検証が必須 影響範囲は？ → 1ユーザーに限定か全顧客に波及するかで事前検証の強度を調整 規制要件で事前承認が必須か？ → 金融取引・人事変更・医療関連は事前検証が義務 信頼度スコアを活用できるか？ → 閾値未満は事前検証、閾値以上は事後検証にルーティング⚡ 💡 要点と詳細 実務では事前と事後を組み合わせた二重トラック構成が標準的です： リスクレベルによる振り分け：操作のリスクを事前に分類し、高リスク操作（不可逆・高影響）は事前検証トラック、低リスク操作（情報提供・可逆）は事後検証トラックに自動ルーティングします。 段階的緩和：初期はすべての操作を事前検証し、信頼度が蓄積されたカテゴリから段階的に事後検証に移行します。品質を計測しながら閾値を調整するのがポイントです。 信頼度スコアの活用：エージェントの出力に信頼度スコアを付与し、閾値ベースで検証トラックを自動振り分けします。閾値は初期値を保守的に設定し、実測データで調整してください。 Zendeskの顧客対応を例にすると、回答ドラフトの生成は事後検証（サンプリングレビュー）、返金処理の実行は事前検証（人間の承認必須）という使い分けが合理的です🔄 ⚖️ トレードオフ 不可逆な操作を事後検証にするのは最も危険な設計ミスです。Shopifyで商品を一括削除した後に検証しても、復旧不能な事態からは戻れません😰 すべてを事前検証にするのも同様に問題です。情報検索の結果表示にまで人間の承認を求めると、エージェントの応答速度が数分に低下し、ユーザーが使わなくなります。 事後検証の仕組みが存在しないのも見落としがちです。事後検証トラックに振り分けたものの、実際にはレビューが行われず品質劣化に気づかないケース。サンプリング率と品質指標の閾値を必ず定義してください。 リスク分類が更新されないのも危険です。新たに追加された操作のリスクレベルが未定義のまま、デフォルト（事後検証）で動作してしまいます。新規ツール追加時にリスク分類を必須プロセスとしましょう⚠️ 🛠️ ユースケース カスタマーサポート（Zendesk）：顧客への回答ドラフト生成は事後検証（10%のサンプリングレビューで品質監視）。返金・クレジット処理は事前検証（金額に応じて承認者レベルを変動）。商品交換手配は事前検証（在庫確認→承認→実行の決定論ワークフロー）📚 人事システム（Workday）：従業員情報の検索・表示は事後検証（副作用なし）。給与変更・異動手続きは事前検証（規制要件により承認必須）。組織図変更は事前検証＋二重承認（影響範囲が広い）🛒 EC運営（Shopify）：商品情報の検索・分析は事後検証。在庫数量の微調整は事前検証（可逆だが即時影響あり）。一括価格変更・商品削除は事前検証＋ドライラン＋二重承認（不可逆・高影響）🔧 実践のコツ：「新しいツールやAPIを追加するたびにリスク分類を更新する」をチームの必須プロセスにしてください。分類されていない操作がデフォルトで事後検証に流れるのは、意図した設計ではなく単なる見落としです💪 #AIエージェント# #エンタープライズアーキテクチャ#

今日は秋田の春霞コーデです（笑） ぴんくでキラキラで可愛い！と思って選んだのですが、割とスッキリ微炭酸の飲みやすい日本酒でした🍶♡ @ai_fuwari

Rice Capitalの公式サイトを作成しました！（ファンド組成から2年かかりました。。） 今回は最初、サイトもAIで作ろうとし、SquarespaceやClaudeのデザイン機能を色々試しましたが、諦めました。笑 全部それっぽくはなったのですが、微調整の繰り返しで、結果かなり遠回りしました。 結局、日本のスタートアップのStudioさんで作り直しました。 特にデザインのような主観的な領域は、AIはかなり手伝ってくれるが、最後に「これで出そう」と決めるところはまだ人間側に残っているとも感じました。 一部ポートフォリオも公開しておりますので、是非アクセスしてみてください！

🌍 衛星画像では「小さすぎて見えなかった」生垣や石垣。それをAIで数えられるようになると、農地を奪わずに森を増やせる道が見えてきます。 📰 タイトル: From pixels to planning: Earth AI for nature restoration 🔗 URL: 💡 概要 Google Researchが、高解像度の衛星画像を「実行可能なベクトルデータ」に変換するEarth AIの取り組みを公開しました。イングランド全域13万km²超を対象に、生垣・石垣・小さな雑木林を一つひとつの地図要素として数え上げたデータセットを一般公開しています。 🔍 解決する課題 気候変動対策の森林拡大は、食料を支える農地と土地を奪い合います。一方、生垣や防風林といった細かな木本性の要素は、農地を減らさずに炭素貯留と生物多様性を高められますが、小さすぎて従来の衛星検出や国家森林調査では捉えられませんでした。「測れないから管理できない」状態だったのです。 🛠 方法論と提案手法 ・3億枚超の衛星画像で事前学習したVision Transformer（ViT）基盤モデルを、約247km²の注釈データで微調整 ・サブメートル級の画像と1m解像度のLiDARを組み合わせ、地表の境界線と立体的な樹木を区別 ・Polsby-Popperのコンパクトネススコアを使い、0.5未満を生垣などの線状要素として自動分類 ・Google Earth Engine上で数千のSentinel-2セルを並列処理して大規模化 📊 ユースケース / 実績 数百万の要素のベクトルデータを生成し、Earth Engineで公開。林間放牧（シルボパスチャー）や農林複合（アグリシルビカルチャー）の支援、環境施策のリーケージ特定など、現場の意思決定に直結する使い方が想定されています。 #EarthAI# #リモートセンシング#

Podcastを音声文字起こしをして、記事にしたりして、その後に、noteやXや色々なところで活用できるようにする、、みたいなツールを作っているんですが、 「AIで音声アップすればできそう」と言われることがあります。これは確かにその通りなんですが、 僕は自分でそれやってて、あまりに微調整が大変だったことから、Podyというサービスを提供してみんなが使えるようにしています。 今でも、ひたすらにプロンプトを変えたり、評価軸を変えたり、そして何より目視しまくって「何が一番いい記事になるのか」というのをやっているんですが、この調整を多くの人がやるのはもったいないなーと思っています。 AI時代、全部自分でやるからSaaSとかいらんやん、という意見もあり、結構同意するところもあるのですが、多くの人が気づかない細かい修正、こだわりなどを追求していくと、個人ごとに突き詰めていくのは大変なので、品質を求める系のものは結構残るんじゃないかなという気もしました。

SyntheticGestalt、 Gemini 活用で、新薬開発プロセスを劇的に加速 従来、膨大な時間と莫大なコストがかかる創薬プロセス。Gemini で研究論文を分析し、そのデータを独自の AI モデルに変換、モデルを微調整するなど、AI を活用することで、画期的な成果を上げています。

教師が「教えたいトピック」を打ち込むだけで、その場でインタラクティブな学習シミュレーションが生成される。そんな未来をGoogle Researchが実験しています。 タイトル: The future of practice: Enabling teachers to create learning interactives with generative UI URL: これまでの対話型シミュレーションは制作コストが高く数が限られていましたが、今回の取り組みにはとくに注目したいポイントが3つあります。 🧩 生成UIによるオンデマンド作成 教育向けに微調整されたLearnLMと生成UI（GenUI）技術を組み合わせ、任意のトピックに対して難易度が段階的に上がるレベル構成のシミュレーションをその場で構築します。導入・公式集・複数段階のヒント・個別フィードバックまで、教師が1対1で行うような足場かけを自動生成する点が特徴です。 🤖 エージェント的な品質保証ループ 生成物は教育学的基準・機械的基準・ビジュアル基準の3観点で自己修正されます。実際にChromeインスタンスを開いてボタン操作や解答可能性を検証する「agentic」なテストを組み込んでいるのが面白いところです。 📊 教師による高評価と実績 英国では40個のSTEM学習インタラクティブが「good or excellent」評価、米国では12人の教師が10点満点中平均8点を付けました。物理・化学・生物・数学にわたる30以上のインタラクティブが既に公開ライブラリで利用可能です。 「学習は観客としてではなく参加してこそ成立する」という原則を、生成AIでスケールさせる試みだと言えそうです。 #生成AI# #教育テック#