生成AIを、真剣に遊びながら学ぶ⚡️ 日本IBMが開発し、セガXDが監修した生成AI研修『Generative AI Card Game Training – バトルワーカーズ』の初PVを公開しました。 生成AIの仕組み、活用のコツ、リスクと対策を、カードゲームを通じて体験的に学べます。 🔗

めっちゃハングルでテンション上がったw Mizumoto, A. (2026). Evolution of learner corpus research in Japan: Historical trajectories and new possibilities with generative AI. Journal of Asia TEFL, 23(2), 377–387.

Art is a concentrated form of intention—— 芸術とは、意図の凝縮された形である。 これがTed Chiang氏が定義する「Art」だと、彼の講演で知った。 先は、Ted Chiang氏の講演「The Incompatibility Between Generative AI and Art」を見ました。 確かに、生成AIを使った創作は、完全に自動生成に任せる場合を除けば、最終的に人間が自分の意図を何度も注入し、選択を重ねるプロセスです。AIはそれを劇的に加速し、拡大してくれるツールに過ぎない。 講演でも指摘されていたように、優れた創作ツールは創作者により多くの「degrees of freedom（制御の自由度）」を与えるべきで、その点では現時点のAIはまだ十分とは言えないのかもしれません。 それでも、私はそうは思いません。 実際にこのプロセスを自ら繰り返し操作してみなければ、たとえその分野でどれだけ権威があったとしても、判断はどうしても表層にとどまりがちだ、と。 *画像は以上のテキストをそのままGPTImage2に投げって、「AIとして君はどう思う？」って質問したら、出力された画像だ

「Jevってそんなすごいの？」ってまだ思っている人は、このどちらかだろうね ・JevやLLMの理解が足りない ・AIアプリ（AIを組み込んだアプリ）の設計の理解が足りない 事例だけ見て、何ができるかわかった気になるのは、もったいないですよ！ 特に自分でツール作る、AIアプリ作る人はJevのようなモデルを使用することは、必須になる JevがないAIアプリは高級なカップ麺、速く提供されない牛丼と同じで、多くの人はそんなもの望んでないだろう 速い、安い、それなりに美味く、品質（出力）が安定している こういうものがAIアプリにおいても求められるのではないだろうか わかりやすいのがGenerative UIだが、UI生成遅いわりに、質が低く、料金もそこそこするって大分ストレスじゃないですか？ Linterもそうで、LLMで頑張ってやっても、遅いし、質が安定しないし、料金結構かかると思いませんか？ 「優れたAIソフトウェアには、小型でモジュール化された概念が必要」ということで、Jevがまさにそれになってくれるんだ これは驚かないわけにはいかなくない？！ LLMの判断は遅く、高くつくこともある、出力の形式も安定しないが、Jevはそれが得意領域だ > The fastest way I've seen for builders to get good AI software in the hands of customers is to take small, modular concepts from agent building, and incorporate them into their existing product

Anthropicが、新しいFable 5.2でOSの試作品をイチから作った、と。 空のフォルダから始めて、1000超のエージェントを連携させながら8日間。ノートPCで起動して、ファイル保存やウィンドウまで動くらしい ---- 今ある作業を何分短くするか、だけでAIの使い道を探していたら、この頼み方は出てこなさそうだけど、OSを一から作るみたいな流れよく最近見るなーと。実用レベルではもちろんないんだけど、Generative UIよろしく、Generative OSみたいなのが来年にはでそう ---- 一方で、目の前の業務は一週間待ってくれないこともある。たとえば今日中に判断したい作業と、来月から使うための作業の基盤では、Urgency (緊急性）の尺度が違うので、AI活用が進みづらいとおもう。FDEとして業務を見る時も、その日を回す仕事と、数日かけて次の仕事を楽にする開発は分けて考えるようにしてる

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#

# Weaviateの機能と実践的な使い方 🚀 埋め込みAPIの呼び出しコードをアプリから消したいと思ったことはありませんか。Weaviateのモデルプロバイダ統合を使えば、ベクトル化も生成もリランクも、コレクション設定に書くだけで自動的に動きます。 📌 タイトルと機能のURL タイトル: Model provider integrations URL: 📝 概要 Weaviateは、OpenAI・Cohere・Google・AWS・Azure OpenAI・Mistral・Anthropic・Hugging Face・Ollama など20以上のモデルプロバイダと統合しています。これらを「投入時の自動埋め込み」「クエリ文の自動埋め込み」「RAGの生成」「検索結果のリランク」に組み込めます。アプリ側で埋め込みAPIを呼んでベクトルを渡すコードが不要になるのが最大の利点です。 🔧 機能の説明 統合は大きく次の3つの役割に分かれます。 ・Vectorizer（埋め込み）: テキストやマルチモーダルのベクトル化を担当します。 ・Generative（生成）: RAGパイプライン向けのテキスト生成を担当します。 ・Reranker（リランク）: 検索結果の並べ替えを担当します（Cohere、Jina AI、NVIDIA、Voyage AI などが提供）。 提供形態も2種類あります。API型プロバイダ（OpenAI、Google、Cohere、AWS Bedrock など）は外部APIを呼び出し、ローカルホスト型（Ollama、Hugging Face Transformers、Model2vec）は自分のインフラ上で動かします。API型モジュールは v1.33 以降は既定で有効です。 🛠 実践的な使い方 ・コレクション作成時に `Configure.Vectors`（旧 `Configure.Vectorizer`）で埋め込みプロバイダを指定すると、投入時もクエリ時も自動でベクトル化されます。 ・生成は `Configure.Generative` でプロバイダを指定し、検索結果に対してRAGを実行します。 ・リランカーは `Configure.Reranker` で指定します。 ・自動ベクトル化の対象は `text` / `text[]` 型のプロパティで、プロパティ名をアルファベット順に並べて連結し、必要に応じてコレクション名を先頭に付けてからモデルに送ります（プロパティ単位で対象外にも設定可能）。 🎯 ユースケース ・社内文書検索: 投入時に本文を自動でベクトル化し、検索時はクエリ文を同じモデルで自動ベクトル化して整合させます。 ・モデルの差し替え: ベンダーやモデルを変えたいとき、コレクション設定の変更だけで対応できます。 ・閉域要件: Ollama などローカルホスト型を使えば、データを外部に出さずに埋め込み生成まで完結します。 ・RAGチャット: 検索と生成を同一の設定内で組み合わせ、外部のオーケストレーションを最小化できます。 ⚠️ 注意点 ・API型プロバイダはAPIキーが必須で、利用に応じた課金が発生します。 ・レート制限は各プロバイダのポリシーに従います。大量投入時は注意が必要です。 ・v1.27 より前のバージョンでは、連結した文字列が小文字化されてからモデルに送られます。 ・v1.33 より前ではAPI型モジュールを使うため `ENABLE_API_BASED_MODULES` を有効化する必要があります。 #Weaviate# #Embeddings#

🏠 テキストや画像で家具を指定するだけで、スタイルの揃った3D屋内シーンを自動生成。しかもMMGDreamer比で約85%高速です。 タイトル: FlowScene: Style-Consistent Indoor Scene Generation with Multimodal Graph Rectified Flow URL: 📝 概要 FlowSceneは、テキストと画像を融合したマルチモーダルなシーングラフから、高忠実度の3D屋内シーンを生成する手法です。配置・形状・テクスチャの3ブランチを、直線的なRectified Flowで同時に生成し、シーン全体でスタイルの一貫性を保ちます。 ❓ 解決する課題 言語駆動の検索型はオブジェクト単位の制御やスタイル一貫性に弱く、グラフベース型は高品質なテクスチャ生成が苦手でした。FlowSceneはこの両者の弱点を同時に解消します。 💡 方法論と提案手法 ・ノードがテキスト記述と画像特徴を融合できるマルチモーダルグラフを入力にします（テキストのみ・画像のみ・混在に対応） ・サンプリング中にノード情報を密に交換するInfoExchangeUnitで、個別条件と全体条件を両立させます ・配置（3Dボックス）、形状（VQ-VAE潜在）、テクスチャ（幾何にアンカー）を独立デノイザで生成します ・テクスチャは幾何を固定したまま外観だけをデノイズし、テキストのみのノードにもスタイル一貫したテクスチャを合成します 🎯 ユースケース インテリアデザインや製造での対話的なシーン設計、VR/ARコンテンツ制作、ロボティクスのシミュレーション環境づくりなどに使えます。 📊 実験結果 ・FID（寝室）が42.38→35.01とMMGDreamer比17.4%改善 ・CLIPScore 0.2386で全手法中最高、スタイル一貫性のユーザー評価も8.72/10 ・推論時間はテクスチャなしで6.83秒と、MMGDreamerの45.34秒より約85%高速 ・ナイトスタンドの最小マッチング距離を43.90%改善するなど、オブジェクト品質も向上しました #3DGeneration# #GenerativeAI#

「サングラスをかけたトカゲ」を描かせたら、サングラスが消えるか顔が崩れる。画像生成AIの「制御」問題に、Googleが数学的な答えを出しました。 タイトル: How Diffusion Controller unifies and simplifies AI image generation URL: 📝 概要 画像生成を逐次ステップの集まりではなく連続的な「制御問題」として捉え直すフレームワークDiffusion Controllerです。ベースモデルは凍結したまま、軽量なサイドネットワークを追加するだけで挙動を調整します。 ❓ 解決する課題 推論時のガイダンスと重いファインチューニング（LoRA等）という2系統は、統一的な数学原理を持たないため、好みへの適合と画質のバランスを手探りで調整するしかありませんでした。 💡 方法論と提案手法 デノイジング中の中間状態を観察し、モデル内部の重みに触れずに微小な補正を注入します。ポリシー勾定（PPO）方式と報酬重み付き損失方式の2つの実装で、画質を守るガードレールを備えています。この構造により、非公開のクローズドソースモデルすら制御可能になります。 📊 実験結果 Stable Diffusion v1.4でLoRAより少ない層しか操作しないにもかかわらず、SFT・RWL両方の学習経路でLoRAを上回りました。完全にアンロックした版ではベースライン比90%の勝率を記録し、複雑なプロンプトでの人間評価でも最良の品質を示しています。 #画像生成AI# #拡散モデル#