AI を実際につくっている人たちが今日話したこと。1 ページ、約 5 分。
今日の通底テーマは希少性だ。足りないのはアイデアではなく、compute と token、そしてそのどちらかを成果に変えられるひと握りの研究者の注意力である。No Priors のあるエピソードは、時価総額1兆ドル級の一群は再現可能なパターンではなく一度きりの断続平衡だったと論じ、企業側も「とりあえず全員 AI を触ってみよう」から「誰に token 予算を割く価値があるか」を決めるフェーズへ移りつつあると指摘する。一方であるシード投資家は、AI 業界で moat を持っているのは、その物語を売っている VC だけだと言い切っている。
1兆ドル企業の一群は断続平衡であって、新しい常態ではない
3社が5年でほぼゼロから1兆ドルまで駆け上がり、投資家はいま数十社の後続企業に、同じ速度を前提とした値段をつけている。これに対する反論はこうだ。市場規模そのものは本当にあるかもしれないが、あの速度はまず再現されない。人はその二つを混同している。研究所の内側では、compute の希少性がいつのまにか人材のべき乗則に姿を変えた。数十人の研究者が成果の大半を生み、採用は鈍化している。高くつくのは研究者本人ではなく、その研究者に紐づく compute だからだ。研究所発の RSI 熱に対する重しもある。頭が良く自己認識もある科学者たちが、再帰的自己改善はあと18か月だと、18か月ごとに、5年間言い続けてきた。売却のタイミングについては、感情に流されないようにその話し合いをあらかじめカレンダーに入れておけという助言。「いま賭かっているのは、自分の人生でいちばん生産的な年月だ」から。
AI で moat を持っているのは VC だけだ
スタック全体をレイヤーごとに並べた一覧。model、IDE、harness、アプリビルダー、wrapper、推論、音声、データラベリング、インフラ、neocloud、生成メディア。それぞれに3社ずつ名前を挙げ、いずれも moat なしと断じている。オチは、唯一残る持続的なフランチャイズは、そのすべてに資金を出している VC だという点だ。別の投稿では、今後10年で価値ある差別化資産になるのはブランドマーケティングだと賭けている。ローンチ動画のことではなく、自社が何を体現するのかに毎週答え続ける営みのことだ。agent が多くのプロダクトの主要ユーザーになるなら、残された人間の観客に対して目立つのはますます難しくなり、CMO のポストを何度も見送られてきたマーケターが共同創業者の席を得はじめる。
Gemini が10項目の改善リストを公開、Workspace ツール、Projects、connector は49件
以前に挙がったユーザーの不満リストに対する公開の進捗報告で、6項目が完了済み。刷新された Workspace ツールは1〜2週間で到着、新しい Projects のデザインは完成して実装中、connector 対応は49件でまだ増える。3.7 Flash は tool calling が改善し、さらに改善が続く。過剰にトリガーする類の大きなバグは修正済み。注目すべきは中身よりも形式で、ロードマップを発表するのではなく、項目ごとに公開で採点してみせた点にある。
Garry Tan が70個の skill を積んだ「Personal AGI」agent リポジトリを MIT ライセンスで公開
Startup School の講演で見せていた構成が、無料かつ公開で使えるようになった。実績のある70個の skill と、Karpathy 流のナレッジ wiki の出発点をあらかじめ入れたプライベート GitHub リポジトリだ。既存の Claude Code か Codex のサブスクリプションで動くので追加の出費は不要、コマンドラインからもデスクトップからも使え、画像を1枚 harness に貼り付けるだけで初期設定が済む。すべて MIT ライセンス。
eval を本当にうまくやる方法は、知り尽くしたワークフローから始めること
eval フレームワークから入るのではなく、深く理解しているワークフローを一つ選び、その品質を測れる形にする。具体的には、実際の trace、つまり典型的なユーザーが生む prompt の連なりを観察し、各ステップと全体を通して良い応答とは何かを見極める。そのうえで、自分のプロダクトの失敗モードから trace を意図的に作る。tool call の返りが汚いケース、context が欠けているケースといったものだ。自動化が効いてくるのは eval が良くなった後であり、より厄介で終わりのない課題は、ユーザーの使い方が変わっていくなかで eval を実トラフィックに映し続けることにある。
coding model が創造的な仕事で diffusion model を上回りはじめている
最近のプロシージャル生成アート、動画編集、3D ゲームのデモを見ると、創造領域のかなりの部分で LLM の coding model が diffusion model を上回るという見立てに更新がかかる。理由は美的なものではなく構造的なものだ。コードは編集しやすく、特定の方向に寄せやすく、既存のツールへきれいに書き出せる。生成されたピクセルの塊には、そのどれも当てはまらない。Claude Code の /design コマンドの実演付き。
continual learning をめぐる Trajectory の話、GRPO では足りず on-policy へ
continual learning に残るデータ問題に対する Trajectory のアプローチの解説。GRPO だけでは届かない理由、on-policy 学習へ踏み切らざるをえなかった事情、そして on-policy にしたことで壊れるもの全部を直す後続作業まで扱う。この分野の先行プレイヤーの一社が、成果ではなくトレードオフについて珍しく具体的に語っている、という位置づけだ。
脆弱性スキャンはセキュリティではない、壊しにいくことがセキュリティだ
静的な脆弱性スキャンは最低限の前提であって、それだけでは足りない。本当の検査は pen testing、つまり自分がリリースしたものを能動的に壊しにいくことだ。別件として、AI ネイティブな成長率を出しながらピッチのどこにも AI の話が出てこないチームについての観察もある。ここまで徹底的に AI 漬けでなければ、同じ事業に10倍の人員が要るはずだという。
元データは zarazhangrui によるオープンソースプロジェクト follow-builders（MIT ライセンス）から取得しています。要約はそのプロジェクトの公開フィードをもとに LLM が生成し、要約プロンプトも同プロジェクトを改変したものです。上記の各項目は原文にリンクしています。
要約は自動生成です。判断の根拠にする前に原文をご確認ください。