CONTACT →
Daily AI Briefing
毎日のようにAI関連のニュースが届きますが、その多くは一次情報ではなく、ノイズも少なくありません。研究機関・開発企業・第一線の専門家による発信の中から、本当に押さえておきたい情報だけを厳選してお届けします。
Anthropicが、ブラウザ版 Claude in Chrome のセッションをデスクトップ・Web・モバイルの各アプリと引き継げるようにしたと発表。会話は保存され、スキルやコネクタもブラウザ内でそのまま動作する。MaxとTeamプランで提供開始、Proにも数週間かけて順次展開される。
ブラウザで始めた作業を別のデバイスで続きから再開できる、セッションがアカウントに紐づく設計。ブラウザ操作を含むエージェントの使い方が「その場限り」から一段変わる。
Google DeepMindが、手話からテキストへの変換モデル SL2T を発表。Android上でろう者・難聴者向けの新機能を支える。まずはアメリカ手話（ASL）から英語への変換として Pixel 11 に搭載され、タイピングの代わりに GboardやLive Transcribe へ直接手話で入力できる。
音声入力と同じ位置づけに手話入力が並ぶという、入力モダリティの拡張。OSレベルのIME（Gboard）に統合された点が、単発のデモアプリとの大きな違い。
Anthropicが、ブラウザエージェントはWebページ内に隠された指示（プロンプトインジェクション）に騙される可能性があると注意喚起。同社は防御機構を組み込んでいるが、それでもユーザー自身が身につけておくべき習慣をあわせて推奨している。
ベンダー側の対策だけで完結しないと開発元自身が明言しているのがポイント。ブラウザ操作をエージェントに任せる設計をするなら、この前提は外せない。
Ethan Mollick氏が、単一のデータ源からAI企業のシェアを判断することに注意を促す研究を紹介。OpenRouterの利用状況ではオープンウェイトモデルが時間とともに優勢に見える一方、Pangramに提出されるテキストは圧倒的にChatGPT製で、Claude製も増加しているという。
API経由の開発者利用と、実際に世に出るテキストの生成元とでは景色が別物。モデル選定やシェアの議論をするとき、どの計測点の数字かを確認する癖をつけたい。
Dwarkesh Patel氏が、弁護士はよほど極端な状況を除き依頼人の利益を守る義務を負う（有罪と知っていても弁護する）のに対し、Claude Constitution はAIの最優先事項を「Anthropicが定義する人類の善」に置いていると指摘。この構図が導く先に懸念を示した。
エージェントに仕事を任せるとき、それがユーザーの代理人なのか、ベンダーの価値観の代理人なのかという設計上の根本問題。アラインメントの議論が実務側に降りてきている。
AK氏が新しい論文「BDH-CQ: In-Context Learning with Recurrent Latent Reasoning」を紹介。再帰的な潜在推論（recurrent latent reasoning）による文脈内学習を扱う研究で、Hugging Face Papers で公開されている。
トークンとして出力する思考ではなく、潜在空間での再帰的な推論という方向性の研究。推論コストと能力のトレードオフを変えうる系統として追っておきたい。
DeepLearning.AIがJetBrainsと共同で、短期コース「AI Coding Workflows: From Cloud to Local」を公開。AIコーディングエージェントには「どのモデルが動くか・いくら払うか・何がマシンの外に出るか」というデフォルトがあり、それを自分の選択に変えることをテーマにしている。講師は Paul Everitt 氏。
クラウド任せのエージェント利用からローカル構成までを地続きで扱う切り口。コストとデータの出口を自分で決めたい開発者には実践的なテーマ設定。
Nathan Lambert氏が、post-trainingのミームとして、またより深い比喩として使われてきた「Shoggoth」の歴史をまとめた短い動画を公開。post-trainingに携わる新しい世代がこの文脈を知らないかもしれないとしつつ、今でも非常に的確な比喩だと述べている。
「巨大で不可解な事前学習モデルに、post-trainingで人当たりの良い仮面を被せている」という感覚を一枚で伝える比喩。歴史ごと押さえておくと議論の解像度が上がる。
Towards Data Scienceが、Arsen Apostolov氏によるベンチマーク記事を紹介。自作アシスタント「Jarvis」の頭脳としてセルフホストのモデルがClaudeを置き換えられるかを、品質・コスト・信頼性の観点から検証している。
「ローカルに寄せたい」動機はあっても、判断材料を品質・コスト・信頼性の3軸で揃えた検証は意外と少ない。自前構成を検討する際の型として参考になる。
Towards Data Scienceが、ローカルLLMを使って構造化出力（structured outputs）を生成するワークフローを解説する Shuai Guo 氏のチュートリアルを紹介した。
LLMの出力を後段の処理に渡すには、決まったスキーマで確実に返させる仕組みが要る。クラウドAPIの機能に頼れないローカル運用では特に押さえておきたい実務テーマ。
こうした動きを、自社の業務にどう活かせばいいか ―
迷ったときに相談できる窓口があります。