【今週木曜：AI x スポーツのイベント開催！】 2021東京オリンピック銀メダリストの馬瓜エブリンさん（@evelyn_mawuli）ら、とトークイベントをします！😊 私はAIの専門家としてお話しさせていただきます！ fable5の話もします！！📷 <詳細> 7月9日(木) 19:00〜

日銀、政策金利1.25％程度へ引き上げの公算大→実現なら1995年4月以来の高水準、植田総裁「毎回の会合で議論」 AI需要や原油高、為替変動を背景に、利上げペース加速の判断が迫られます。

AIが自律的に論文を書く時代、「幻引用・メソッドとコードの不整合・再現不可能なスコア」という信頼性の危機が深刻化しています。 タイトル: Science One Framework: A verifiable autonomous research framework via Chain-of-Evidence Google CloudのScience One Frameworkは「検証可能性を後付けではなく設計の第一制約とする」というChain-of-Evidence原則で、AI自律研究の信頼性問題を根本から解決します。 🔍 注目ポイント1 — Chain-of-Evidence（CoE）の2原則 「すべての主張が記録された証拠チェーンを持つ（完全性）」「各チェーンがその主張を真に支持する（正確性）」という2原則を定義します。ベースラインシステムで最大21%あったPhantom Referenceを0%に削減し、論文に記述されたメソッドとコードの整合性も全評価システム中で最高水準を達成しています。後付けで検証するのではなく、主張を生成する段階で証拠チェーンを同時に構築する点が従来手法との根本的な違いです。 🏗 注目ポイント2 — 3モジュールアーキテクチャ Problem Investigator（Semantic Scholar APIで最大100本のPDFから引用グラフを構築し、モデル記憶ではなく取得データに根拠付け）、Discovery Engine（並列ブランチで複数解を探索し全評価器出力を不変記録として保持）、Paper Writer & Claim Verifier（専用エージェントが主張を特定のワークスペース成果物に結びつけ、不整合を削除ではなく保守的に修正）という3つのモジュールが科学的誠実性を構造的に担保します。 🏆 注目ポイント3 — MLE-BenchとParameter-Golfでの実績 医療画像・細粒度認識・3D知覚を含むKaggleコンペ5種で金メダル2個・銀メダル2個を獲得。全ベースラインシステムが失敗した3Dオブジェクト検出タスクで優勝しました。厳格なハードウェア・ファイルサイズ制約下でのParameter-Golf LLMコンペでも2026年4月27日時点のSoTAを達成し、ベースラインはいずれも有効な提出物を生成できませんでした。 厳密性と競争力は両立できます。AI Scientist v2・AutoResearchClaw・DeepScientistなど最先端5システムを上回り、検証可能な自律研究の新しい基準を打ち立てています。 #AIResearch# #科学AI#

【韓国、経済成長率を3.3%に上方修正　AI需要で半導体活況】 韓国銀行（中央銀行）は27日、2026年の経済成長率の見通しを2.6%から3.3%に引き上げた。世界的な人工知能（AI）投資を背景に、輸出の柱である半導体産業の活況が続く。 26年5月時点の予測から0.7ポイント上方修正した。25年の1.1%を上回り、21年（4.7%）以来5年ぶりに3%を上回る成長となる。27年は2.9%と予測した。 出典：日本経済新聞

【島津製作所、パワー半導体基板で新技術　銀使わず銅回路を直接形成】 島津製作所はパワー半導体向け基板の新たな製造技術を実用化したと発表した。青色半導体レーザーを使い、セラミック基板上に銅回路を直接形成する。絶縁不良の原因となる銀を基板と回路の接合に使わない世界初の技術という。 新技術では絶縁体の窒化アルミニウム基板に、銅粉末と青色半導体レーザーを同時に射出し、空中で銅を溶かして回路を形成する。従来は銀を含むろう材で銅と基板を高温接合していたが、製造時間の長さや基板の変形などが課題だった。新技術では銀を使わずに接合できるため、品質の向上や工程の短縮につながる。 立体の造形技術を活用することで複雑な回路形状や銅の厚みを変えることができるため、パワー半導体向けのほか、人工知能（AI）サーバーや光通信機器、通信衛星など幅広い用途での利用検証を進める。 出典：日本経済新聞

Claude Codeでそんなにトークンをガンガン使って何を作ってるんですか？とよく聞かれます。職種や部門ごとに作るべきものは様々ですが、マネジメントも含めて全員にオススメなのは「パーソナルエージェント」と「パーソナルナレッジベース」です。 パーソナルエージェントは自分の秘書のような存在で、毎朝モーニングブリーフィングとしてカレンダーの予定や未完了タスクや未読メールなどをピックアップして通知させたり、面接や会議、会食などの事前ブリーフィング資料をつくらせたり、日程調整をサポートさせたりします。 例えば会食だと、事前に同席する人の会社概要や直近のトピックス、その方の経歴や最新の発信、関心領域をDeep Researchにかけて調べたりしますよね。それをパーソナルエージェントが自動で実行するようにして、まとめたレポートを自分のみに権限設定したGoogleドキュメントに出力させて、Googleカレンダーの予定に添付させます。これはとっても便利。※もちろん、社内データを扱う場合はアクセス権限や保存先などのガバナンスをきちんと設計することが前提です スケジュール調整なら、自分の好みを教えこんだ予定調整をしてもらえます。細かな移動時間を考慮させたり、金曜日は集中したいからなるべく入れないとか、面接や登壇はパワーを使うのでその後の予定はなるべくソフトにするとか、スコアリングロジックを自分好みに作り込むと提案の精度がとてもよくなってきます。 候補日を複数仮で入れて、決まったら確定させて仮の候補日を消すなどの日程調整系サービスがやるようなこともSkillを作れば自在にやってくれます。これを作り込んでからはあまりによすぎて調整系サービスを使わなくなりました。 パーソナルナレッジベースは、自分に関連するコンテキストやデータをためておき、RAG的に自由に質問したり、Deep Research的にレポートをつくったり、ダッシュボードアプリをつくったり自在にできるようにするものです。 Gemini Notebook(旧NotebookLM)でも同じようなことはできますが、ノートブックごとのソースファイル数に制限があったり、自分独自のデータ取得・加工フローをつくりこめない、出力の動作ロジックがブラックボックスでカスタマイズできないなどの不便さもあり、自作すると手放せなくなります。 関連するデータをわかりやすくフォルダに分けてダウンロードしておくだけでも、最近のモデルはいい感じに解析・動作をしてくれますが、データが増えてくるとカオスになりがち。 オススメは、「メダリオンアーキテクチャ」を採用することです。メダリオンとはオリンピックのような金・銀・銅メダルに由来する意味ですが、データをとにかく溜め込むBronze層、データを解析・構造化・正規化して扱いやすい形に整えるSilver層、KPI化や集計・分析などを行うGold層の三層に分け、欲しいアウトプットを生成させます。 例えばBronzeには取得したPDFやメール、議事録などの原本をそのまま保存し、Silverでは人物・企業・会議などの単位に構造化・正規化。Goldでは用途に応じてKPI化や集計・分析したデータを保存し、それをもとにレポートやダッシュボードなどを生成する、といったイメージです。 データ分析基盤のとてもベーシックなアーキテクチャですが、これを使うだけでデータ量がかなり増えても破綻しにくくなります。Bronze層は取得したPDFやPPTX、XLSXなどのデータそのものを触らず保存しておくことで、Silver層のロジックを変えてもいつでも再生成できることがポイントです。 この二つを作り込んでいくと、どんどんと大規模になっていきAIレベルがガンガン上がっていくはず。開発を効率化するためにloop engineeringやgraph engineeringに近いことをやりたくなってきて、関連ツールを自作したりと連鎖が止まらなくなって、つくりたいものだらけになります。 kubellの社内では「CEO’s AI Boot Camp」と題して私がコンテンツを作成したClaude Codeワークショップを定期開催しています。そのコンテンツのメインが、今回ご紹介したパーソナルエージェントとパーソナルナレッジベース。 小さくつくるのはそこまで難しくないので、毎日の業務の中から少しずつ育てていけるのがポイントです。ぜひ、チャレンジしてみてください！

# 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#