Trajectory.ai とエンタープライズ AI における継続学習の未来
Trajectory.ai の CEO Ronak Malde は、静的な AI モデルから、実世界のユーザーシグナルと自己蒸留を活用して法務や金融といった専門領域で継続的に改善するリビングシステムへと移行することについて語ります。
The Work AI Index 2026: Botsitting and the Productivity Paradox
GleanのRebecca Hindsは、なぜ87%の従業員が時間を節約するためにAIを使用しているにもかかわらず、13%しか組織の改善が見てられないのかを説明し、「botsitting」と「botshitting」という概念を導入しています。
AMにおけるAI: Claude Fable 5 と再帰的自己改善への道
Anthropic の Claude Fable 5 のリリースを技術的に深掘りし、自律的コーディングへの影響、アラインメント理論、再帰的自己改善のシステムリスクを検証したもの。
Elicit: 信頼できる科学的推論のためのワールドモデル構築
Elicit の共同創業者 Andreas Stuhlmüller と Jungwon Byun は、ドメイン固有言語と外部ワールドモデルを活用し、高リスクな科学研究に対して透明で体系的、かつ検証可能な推論を実現する方法について議論しています。
Paul Everitt による Agentic Engineering への移行について
Paul Everitt は、ソフトウェア業界は「vibe coding」から「agentic engineering」へと移行しなければならないと主張しています。単にコードを生成することに焦点を当てるのではなく、AI エージェントが高品質で持続可能なソフトウェアを構築できるようにするための、システムとスキャフォールディング（足場）を構築することに焦点を移すべきだと述べています。
エージェント・ネイティブ・オフィスの構築：Datadog からの教訓
Datadog の Diamond Bishop は、数個の AI エージェントから数百にスケールするためのフレームワークを提示し、エージェント優先 UX、イベント駆動型アーキテクチャ、そして厳格な評価システムの重要性を強調しています。
AI Dev 26 x SF: より良く、より安価な AI 結果のためのマルチモデルパイプライン
ZenCode の Andrew Filev は、AI コーディングタスクを 計画、実装、レビュー のマルチモデルパイプラインに分解することで、異なる LLM の強みを活かし、コストを削減しつつ品質を向上させる方法を解説しています。
AI21 Maestro: 実世界のエージェントにおける精度、コスト、およびレイテンシの最適化
AI21 Maestroは、成功率、コスト、およびレイテンシを予測するaction modelを使用して、エージェントの行動空間を動的にナビゲートする、手動のヒューリスティックベースのエージェント・オーケストレーションに代わる最適化フレームワークです。
Flower SuperGrid Agents: 協調ネットワークを通じたAIのスケーリング
Flower LabsのDaniel Beutel氏は、協調型AIエージェントと分散型トレーニングパイプラインを可能にする分散型AIプラットフォーム、Flower SuperGridを紹介しています。これにより、現在プライベートなサイロに閉じ込められているデータの99%を解き放つことができます。
OUMI VibeML: 汎用AIのレンタルから所有する特化型インテリジェンスへの移行
OUMIのVibeMLは、エージェンティック・モデル・ファクトリーを提供し、企業が汎用APIよりもコストを削減し、品質を向上させながら、数ヶ月ではなく数分で特化型で高性能なAIモデルを構築することを可能にします。
エージェント・データ・スタック：なぜすべてのAIエージェントに独自のデータ・スタックが必要なのか
Spice AIのLuke Kimは、AIエージェントが本番システムを圧倒することなく、セキュリティを確保するために、SaaS時代の中心的なETLモデルから、分散型で分離されたデータ・スタックを必要としていると主張しています。
CrewAI: 繰り返し可能で、ガバナンスが効いた、組み込み型のエンタープライズ・ワークフローの構築
CrewAIのCEOであるJoão Moura氏は、再利用可能なビルディングブロックとHuman-in-the-Loopシステムに焦点を当てることで、企業がいかにしてアドホックなAI実験から、信頼できる、ガバナンスの効いた、組み込み型のワークフローへと移行できるかを説明しています。
Andi Partovi: なぜすべてのAIエージェントにシミュレーション・サンドボックスが必要なのか
Veris AIのAndi Partoviは、従来のソフトウェアテストやゴールデンデータセットは自律型AIエージェントには不十分であり、本番環境での失敗モードを事前に捉えるために高忠実度なシミュレーション環境が必要であると主張しています。
Ara Khan: 評価は壊れているが、とにかく使うべき
Ara Khan は、AI エージェント開発者が "雰囲気" だけに頼らず、構造化された評価を活用すべき理由を説明しています。評価は欠点を抱えているものの、エージェントの性能とツールの信頼性を反復的に向上させるための手段となります。
アンドリュー・ングと30分で自分だけのアプリを作ろう
アンドリュー・ングは、AI プロンプトを活用したウェブアプリ構築のフレームワークを教え、コーディング経験がなくても誕生日カードジェネレーターやゲームなどの機能的なソフトウェアを作れるようにします。
デミス・ハサビスが語る、科学と創薬における AI の未来
Google DeepMind の CEO デミス・ハサビスは、Co‑Scientist や AlphaFold などの AI プラットフォームが、個別ツールから自律的な科学的発見と疾病治療を実現する統合システムへと移行していることを語ります。
AIコンピュートの未来、推論特化、継続学習に関するJeff Dean
GoogleのチーフサイエンティストであるJeff Deanは、コンピュートが100万倍向上することで自律的なエンジニアリングが可能になり、推論特化ハードウェアへのシフトが進み、効率的なコンテキスト管理を通じて「ライフタイムAI」への道が開かれることについて語っています。
データブラックホール：AIにおけるサンプル効率ギャップの理解
現在の AI の進歩はサンプル効率の向上ではなく、膨大なデータスケーリングによって駆動されており、人間と AI の学習効率の間に百万倍のギャップが生まれています。
カテゴリ的深層学習：AI を錬金術から科学へ
研究者は、深層学習の統一的数学的枠組みとして圏論を提案し、経験的な試行錯誤を超えてニューラルネットワークがアルゴリズム的推論と構造的論理を内部化できるようにすることを目指しています。
セサール・イダルゴ：無限アルファベットと知識の法則
セサール・イダルゴは、知識は非代替的で集合的な現象であり、成長・拡散・減衰という物理的な法則に従うと主張します。そのため、知識は単にダウンロードしたりコピーしたりできず、具現化された経験が不可欠です。
AutoGrad とベイジアン・ブレイン：ジェフ・ベック博士が語る AI の未来
ジェフ・ベック博士は、真の知能は関数近似や LLM から脱却し、言語ではなくマクロな物理に根ざしたオブジェクト中心のベイジアン・モデルへと移行すべきだと主張します。
なぜ歴史上のすべての脳のメタファーは間違っていたのか
このビデオは、流体ポンプからコンピュータまでの科学的単純化とメタファーがしばしば現実とみなされて固まってしまう様子を探り、理解にはこれらのモデルの限界を認識することが必要だと論じています。
なぜ AI はプラトン問題を抱えているのか：神経科学哲学における Mazviita Chirimuuta の考察
Mazviita Chirimuuta 教授は、AI 研究がしばしば宇宙が数学的コードで記述されているという「プラトニック」な前提に依存し、人間の認知における生物学的具現化と能動的相互作用の重要な役割を無視していると主張しています。
脳は単に専門化されたエージェント同士が会話しているだけ — ジェフ・ベック博士
ジェフ・ベック博士は、エージェンシーの数学的基礎、エネルギーベースモデル（EBM）のメカニズム、そして脳を専門化されたエージェントの集合として捉えるモジュラー知能理論について論じています。
Blaise Agüera y Arcas の 共生起源 と 生命 の 計算 的 性質
Blaise Agüera y Arcas は、生命は具現化された計算であり、共生起源－レプリケーターの融合－がランダムな変異ではなく、進化の新規性と複雑性の主要なエンジンであると主張する。
AI コーディングの危険な錯覚：Jeremy Howard が語るソフトウェアエンジニアリングとコーディングの違い
Jeremy Howard は、AI が『スタイル転送問題』としての『コーディング』には優れているものの、根本的な『ソフトウェアエンジニアリング』能力を欠いていると指摘し、これが『理解負債』や組織的衰弱を招く危険性を警告している。
Shinka Evolve：科学的発見のためのオープンエンドプログラム探索
Robert Lange は、LLM と進化的アルゴリズムを組み合わせ、問題と解決策の共進化を通じてプログラム探索と科学的発見を自動化するサンプル効率の高いフレームワーク **Shinka Evolve** を紹介します。
AI の進歩測定：METR タイムホライズンフレームワーク
Beth Barnes と David Rein（METR）は、タスク完了に要する人間時間を統一軸として使用する「タイムホライズン」手法を議論します。この手法は AI 能力を測定し、将来の進歩を予測するための指標となります。
知能は人工的ではなく集合的である：マイケル I. ジョーダン教授の AI と経済に関する視点
マイケル I. ジョーダン教授は、知能は身体を持たない超知能ではなく集合的な経済システムであると主張し、AI の誇大宣伝からコンピュータサイエンス、統計学、経済学を融合した多分野的アプローチへの転換を提唱しています。
ブラッド・カーソン：AI兵器、説明責任、そしてAI軍拡競争の誤謬について
元ペンタゴン官僚のブラッド・カーソンは、AI 開発は必然的な貨物列車ではなく、西側は戦略的抑制とチップレベルの支配を通じて AI ガバナンスを能動的に形作り、致命的な自律兵器を防止し、破滅的な軍拡競争を回避できると主張しています。
Stanford CS336 Lecture 15: Mid-Training and Post-Training (SFT and RLHF)
この講義は、ベース言語モデルから指示に従うアシスタントへと移行するプロセスを、Supervised Fine‑Tuning（SFT）と Reinforcement Learning from Human Feedback（RLHF）を通じて解説します。アルゴリズムの複雑さよりも、データの品質とキュレーションが重要であることを強調しています。
Stanford CS336 Lecture 16: Reinforcement Learning from Verifiable Rewards (RLVR)
この講義では、検証可能な報酬（RLVR）による強化学習を取り上げ、GRPO のようなアルゴリズムが価値関数をグループベースの報酬に置き換えることで、数学やコーディングにおける複雑な推論を可能にする「思考モデル」を実現する方法を詳述しました。
Stanford CME296 Lecture 7: Evaluation of Text-to-Image Generation Models
この講義では、テキストから画像へのモデル評価手法を概観し、美的評価とプロンプト遵守度を区別しつつ、従来の数式的指標から MLLM‑as‑a‑Judge フレームワークへの移行について詳述しています。
Stanford CME296 Diffusion & Large Vision Models Lecture 8 Summary
画像および動画生成パラダイムの包括的レビュー。拡散とスコアマッチングからフローマッチングへの移行を概説し、これらの手法を動画、画像編集、LLM への応用についても検討しています。
スタンフォード CS336 講義 17: マルチモーダル言語モデリング
この講義では、マルチモーダルモデルのアーキテクチャを探求し、ビジョン・ランゲージモデル（VLM）が CLIP や SigLIP といった画像エンコーダを大規模言語モデル（LLM）と統合して視覚的推論を実現する方法に焦点を当てます。
Stanford CS25: Serving Transformers - Lessons from the Trenches
Modal の Charles Frye が、スケールでトランスフォーマーモデルを提供する際のエンジニアリング課題について語ります。特にプレフィルフェーズとデコードフェーズの重要な違いと、ハードウェア利用率の最適化に焦点を当てています。
Stanford CS25: Transformers United V6 - 言語モデルからネイティブマルチモーダルインテリジェンスへ
Victoria Lin は、ネイティブマルチモーダル言語モデルの進化について論じ、モダリティ横断的なトークナイズと Mixture of Transformers (MoT) のような専門アーキテクチャが、テキスト・画像・音声のシームレスな統合を可能にする方法を詳述しています。
ロボット学習における幾何学の活用：スタンフォードロボティクスセミナー
Platt 教授は、ロボット学習モデルに幾何学的構造事前知識と等変性を組み込むことで、ジェネラリスト VLA モデルに比べてデータ効率と姿勢に対する汎化性能を大幅に向上させられることを論じています。
Stanford CS336 Language Modeling from Scratch: Inference Engines and Full-Stack Innovation
ゲスト講師の Dan Fu は、LLM を数学的オブジェクトから実用的なインテリジェンスへと変換する上で、推論エンジンと GPU カーネルの重要な役割を論じ、Megakernel や Parcae 再帰アーキテクチャといった最適化手法を紹介しました。
AI スーパサイクルの経済学：Baseten とカスタム推論へのシフト
Tuhin Srivastava（Baseten CEO）は、AI 経済がフロンティアモデルからカスタムの事後学習オープンソースモデルへとシフトしており、これにより収益性、防御性、低レイテンシが実現できると主張しています。
サム・アルトマンが語るスケール、AGI、そしてフロンティアシステムの未来
OpenAI CEO のサム・アルトマンは、スケールの経験的パワー、ChatGPT と Codex の進化、そして AI 時代における計算資源不足と権力集中というシステム的リスクについて語ります。
Stanford MS&E435 Economics of the AI Supercycle: Building AI Factories
CrusoeのCEOであるChase Lochmillerは、ギガワット規模のAIデータセンターを構築するために必要な巨額の資本支出について語り、AIをGDP成長を牽引するデジタル労働の形態として位置付けています。
本番環境で必要なエージェント要件
LLM エージェントをデモから本番へ移行するには、チームは 7 つの重要な制御を実装しなければなりません：モデル制御、プロンプトレジストリ、ガードレール、予算制限、ツール/MCP のセキュリティ、監視/トレース、そして体系的な評価。
エージェントの時代：Logan Kilpatrick が語る AI Studio と構築の未来
Logan Kilpatrick は、AI Studio が「vibe coding」プラットフォームへと進化したこと、エージェント工学の台頭、そしてコーディング経験に関係なく誰もがソフトウェアを構築できる世界という Google のビジョンについて語っています。
NVIDIA Nemotron 3 Nano Omni リリース
NVIDIA は Nemotron 3 Nano Omni をリリースしました。これはエージェント向けに設計されたコンパクトなオールインワンのマルチモーダルモデルで、テキスト、画像、動画、音声を単一の効率的なアーキテクチャでネイティブにサポートします。
Claude Design Agentic Architecture: 6 Patterns for Vertical AI Agents
Claude Designは、コンテキストグラウンディング、構造化メモリ、自己QAループなど、6つのエージェントパターンからなる高度なスタックを活用し、高品質な垂直エージェントを構築します。このアプローチはあらゆる業界に再現可能です。
IBM Granite Speech 4.1 リリース：高スループット ASR モデル
IBM はエッジ展開向けに設計された 3 つの 2B パラメータ ASR モデルのスイート、Granite Speech 4.1 をリリースしました。精度重視、話者ダイアリゼーション、極限スループットの各バリアントを提供します。
MiniCPM-V 4.6 リリースノート / 新機能
MiniCPM-V 4.6 は、エッジ展開とエージェントワークフロー向けに設計された 1.3 億パラメータのビジョンモデルで、高いトークン効率と柔軟な視覚トークン圧縮を特徴としています。
OpenShell: 安全な LLM エージェントのためのプロセス外強制
OpenShell はスーパーバイザーを用いてエージェントプロセスの外部からネットワーク、ファイル、資格情報ポリシーを強制し、プロンプトインジェクションやジャイルブレイク攻撃を防止する安全な LLM エージェントランタイムを提供します。
AMD ハードウェアでローカル AI を実行する
AMD の ROCm プラットフォームと Radeon AI Pro GPU は、LLM、画像・動画生成モデルの高性能ローカル実行を可能にし、プライバシーとコスト効率の観点から CUDA ベースシステムに代わる実用的な選択肢を提供します。