はてなブックマーク

三蔵法師がめざしたのは天竺だった。 天竺とは、インダス川のことである。 インダス川がサンスクリット語でसिन्धु(Sindhu)となり、それがペルシャ語ではهندو(Hindu)となる。ギリシャ語ではἸνδός(indos)、これが英語のIndiaに変化する。 ペルシャ語から中国語に変化するときに、hin-du → hin-duk → hin-djukと変化していき、天竺(tʰen-dʑuk ティエン・ドゥク)に変換されたのだとChatGPTは言っている。 三蔵法師は仏教徒で、彼が従える孫悟空や猪八戒、沙悟浄といった動物の化け物たちも仏様の命令で三蔵法師の護衛をするわけだから、これはまあ仏教的使命を果たしに行く物語なのである。 西遊記が中国のみならず我が国の創作物に与えた影響は大きい。 曲亭馬琴の南総里見八犬伝は西遊記を底本にしたと言われ、手塚治虫も「ぼくの孫悟空」という作品を残している

「清水亮のAIゲームセンター構想」のクラファンも残りあと40日を切った。 現在までに集まったのは333%のご支援。ありがとうございます! というわけで、実際にどんなゲームがあり得るかのプロトタイピング作業に入りつつあるのだが、かねてから温めていた「プレイヤーがリアルタイムにプログラミングしながら戦うゲーム」が作れないか実験してみた。 「AIゲームセンター構想」というのをやってるんですよ、と言ったら、ゴールデン街の友達から都内某所にある区民センターで毎月開催されているという「レトロゲームの集い」に誘ってもらった。 ここでは、丸一日かけて子供達や大人たちがファミコン、スーファミ、NES、64などのレトロゲームを遊んでコンピュータゲーム文化を若い世代に継承しようという試みが行われている。ゴールデン街の友達はここでボランティアの仕事をしていたのだ。 主催者の許可を得て撮影・掲載していますここにまだ

以下は、現在5060(8GB)または5090(32GB)で動作する各種LLMの要約タスクベンチマーク結果である。このベンチマークの目的は、ローカルエージェンティックAIを日本語で開発することである。 この要約タスクは、清水が独自の原稿をランダムに7000字切り出し、200字程度に要約させたものをClaudeが評価したものであり、既存のベンチマークと異なり、LLMが事前学習することは不可能なものである。 なお、検証に用いたソースコードは以下のリポジトリからダウンロードできる。 LLM 日本語要約ベンチマークRTX 5090 (32GB) / RTX 5060 (8GB) - 7000文字長文テキスト - 定性的評価 総合ランキング定性的評価S Tier - 卓越した品質（実用レベルで推奨）qwen3:30b-a3b (MoE) ROUGE-L: 0.347 | Speed: 200 tok/

この手法は、「LLM神経解剖学」と銘打ち、LLMのレイヤーが実際には何をやっているのか類推しようとする。 Ngによれば、LLMは入力層に近いところでは入力された言語から、LLMが使用する中間表現に変換され、出力層に近いところでは、中間表現から出力表現に変換される。 実際の「思考」は、中間層で行われているというのがNgの主張の中心である。 そこでNgは、グリッドサーチを行って、中間層をどのようにリピートすれば一番性能が上がるかというポイントを探った。これがRYS-XLargeというモデルだ。 RYS-XLargeは、LLMリーダーボードで並いるモデルを追い抜き、一位になった。重要なのは、RYS-XLargeは一切の再学習や事後学習を行っていないという点だ。 LLMリーダーボードでQwen2-72Bを抜いてトップにそして、このリーダーボードの闇の部分になるのだが、Ng自身はリーダーボードでトッ

「AIハッカソンに出てみない?」 と、声をかけると、たいてい、ギョッとされる。 「そんなのわけわかんないよ難しいんでしょう?」 「いや、簡単だよ」 「そりゃ、清水にとっては簡単なことかもしれないけどさ」 「君のスマホでAppStoreを開いて、Geminiっていうアプリをダウンロードしてみて」 「・・・しょうがないな。はい、したよ」 「そしたら、Geminiアプリを起動して、Canvasというのを選ぶんだ」 「こうかな?これでいい?」 「うん、そしたらね、"AIを使った姓名判断アプリを作って"って入力してみて」 「え?なんだって?AIを使った姓名判断アプリ?」 「そう」 「え、何か変な呪文みたいなの喋れ始めたぞ」 「すぐに終わるよ」 「・・・なんかできた。えっ?これだけ!?」 「そう。簡単でしょ」 「確かに簡単だけど・・・」 こんな感じで、片っ端から知り合いにハッカソンへの参加を促したりし

先日開催したオンラインハンズオン講座「【非エンジニア】自分専用エージェンティックAを作ろう!講座【還暦ハンズオン】」の中で言及した、「Claude codeすら使わず、MacやDGX SparkもしくはNVIDIAのGPUを搭載したPCで一発で完全ローカル駆動のエージェンティックAIが動くツール」を作った。 コマンドラインから以下のコマンド一発で必要な環境が全てインストールされ自動的に起動する。 curl -fsSL https://raw.githubusercontent.com/shi3z/mubo/main/setup.sh | bash起動すると https://localhost:8392でエージェンティックAIが起動。 動作確認は、MacBookPro(M2/32GB)と、A100 80GBのUbuntuで行っている。 エージェントの名前やUIは、インストールした環境によって

俺にとってのゲームの原体験は、ゲームセンターだ。 その理由は、ファミコンが家になかったからであり、婆さんがゲーム狂だったからだ。 子供の頃の俺はデパートに買い物に出掛けては、毎回婆さんとゲームコーナーに行った。たまに婆さんがのぞいてる潜望鏡を覗かせてもらって、軍艦に魚雷を発射するゲームにハマった。 うちの大正生まれの婆さんは、家族の中で唯一のゲーム狂だった。親父はゲームなんか麻雀くらいしかしなかったし、お袋は仕事の鬼だった。 俺はゲームを自由に遊ばせてもらえる立場になく、隣の家にファミコンをやりに行ったくらいで、あとは自宅のPCで自分でゲームを作るしかなかった。 小学校を二年に上る頃にはBASICで一通りのプログラムが書けるようになっていたが、プログラムを書くこととゲームを作ることは根本的に別物だと言うことに気がついたのは三年生に上がってからだ。 例えば、ケンケンパとか、缶蹴りとか、助け鬼

来たる3/18のHomeBrew Agentic AI Clubに備えて、エージェンティックAIを自分でも作りたい!という人向けの講座を日曜日にやることにした。 生徒は松尾公也さん。還暦を超えたAIアーティストであり、コマンドラインはもちろんClaude codeも未体験。でもエージェンティックAIを自作することについては興味津々、といった理想的な人物だ。 教材となるのはMac。松尾さんはMacBookPro 128GBを持っているそうなので、まずはそこをターゲットに教えてみたいと思う。でもちょっと読み替えればWindowsのWSL2でも同じようにできるハズ。 まず、コマンドラインを開く。Macの場合、⌘+スペースでSpotlight検索を出した後、terminalと打ちおわる前に「ターミナル」が出てくる。 ターミナルを開いたら、とりあえずプロジェクト用のディレクトリを作る。 例えばage

自分で自分を改良する自己書き換え型エージェンティックAI、sikiをちまちま開発するのにハマっている(公開はしているがまだ安定していないので遊んでみるのはお勧めしない)。 結構答えはいい線いくのだが、いかんせん最初の反応が鈍い。 まあこれはGeminiでもChatGPTでも同じくらい最初の反応というのは遅いんだけど、快適になってくるとすぐ何か反応が欲しい。 LiquidAIによるLFM2.5-thinking-1.2Bが思ったより出来がいいので、sikiのオーケストレーターをgpt-oss-20bからLFM2.5に変えてみることにした。 すると、応答は早くなるのだが、やはり全体的に少し間抜けというか、サブエージェントとしてgpt-oss-20bを呼ぶべきところをオーケストレーターが自分で解決しようとしてしまい、あまりうまくいかない。そこでシステムプロンプトをいじる。やはりオーケストレーター

ラズパイ5+5060tiマシンが予想外に快適すぎる。 まず、スペースを取らない。これが大きい。DGX Sparkも省スペースで低価格なのが嬉しいのだが、ラズパイ+5060tiはそれを上回る低価格になる。これが嬉しい。 動くモデルは小さいが、それでもgpt-oss-20bが動くのが嬉しすぎる。 gpt-oss-20bは特にBlackwell世代に最適化されているので、16GBのVRAMを搭載した5060tiで快適に動く。 巷ではOpenClawが便利だとかいやpicoclawだzeroclawだとか収集のつかないことになっているが、picoclawとかになるとただAPI呼び出してるだけなのでそりゃいくらでも小さくできるよなと納得するものの、なんか俺が求めているものと微妙に違う。 いろいろ試したが、ラズパイ5と5060tiの環境では、vllmよりもollamaの方が適していることがわかった。

GPUを大量に買ったりしていると、時折GPUが余ることがある。 GPU単独で回すのも大事だが、それ以上にGPUが余る。余ったGPUのためにもう一台マシンを組もうとすると、中古品を組み合わせても筐体とマザボ、CPU、メモリやらで最低でも10万円コースになる。そこにGPUを組み合わせるわけだから全部で20万円は覚悟しなければならない。 お金だけの問題ではない。場合によっては電源を買い直さなきゃならないし、そもそも電源系を含む交換作業は面倒だ。下手すりゃ一時間くらいロスしてしまう。 ドスパラの中古で気まぐれに買ったものの、特に使っていない5060tiがあって、これを放置しておくのも勿体無いが、さりとてとりわけ使い道があるわけでもない、どうするか、と思っていたところ、RaspberryPi5にGPUを直結するというワザがあるらしいと知った。 そこで俺も真似してやってみようと思った。 材料は以下 ・

先日、日本の有名企業がこぞってやっていたPoC焼畑農業について書いたが、我々がPoCをなんだと思っているかということについて説明していなかったことに気づいた。 PoCとは、この業界の人じゃないとわからないかもしれないが、Proof of Concept、概念検証のことである。 要は「あるアイデアがあって、それが本当かどうか確かめたい」ときに行う仕事である。 十年ほど前、日本にもささやかなAIブームがあった。 その時、あらゆる会社は「自分の仕事にAIを活用できないか」知りたくなり、あちこちでPoCという仕事が発生した。 そして、吾輩が知る限り、ほとんどの場合、PoCは失敗していた。我々を除いては。 吾輩が経営していた会社は、PoCをほぼ失敗したことがない。確実に失敗した例が二つだけあるが、それについてはなぜ失敗したのか後ほど説明する。おそらく失敗したのはその二つだけだ。 なぜ他社はPoCに毎

社員食堂、いわゆる社食というのにはあまり縁がない。 ドワンゴが歌舞伎座に行った時に「量り売り」のカレーというのをやっていたが、あれくらいしか用事がなかった。 まあMSとかシリコンバレー的な会社はフリーランチ的な社食があって、昔はAppleの社食に連れて行ってもらって、スティーブ・ジョブズ考案の名物メニュー「サシミそば」を食べて「どこがベジタリアンやねん」と壮大にツッコんだりしていた。 昨日はなんだか一日中、都内某所に出突っ張りで、「俺は一体全体、一円にもならないのになんでこんなことをしているのだろう」と時折自問自答しながら、社食でカレーを食べていた。 このハッカソンは記録に残らない。 知人・友人を集めたごくプライベートな催しである。 吾輩の遠い親戚めいた会社の会議室を借りて、吾輩と縁とゆかりのある方々を招いてのハッカソン。 なぜやるのか。 そもそもうまくいくのか 色々はてなマークだらけでの

十年くらい前の話になるのだが、まあいろいろな人に迷惑がかかるとアレだから具体的な会社名は出さないけど、みんなが絶対知っている複数の超ウルトラ有名企業では「深層学習をやりたい」と言うと上司から「破滅するぞ」と警告されたりする事態が相次いだことがあった。 それでみんな超ウルトラ有名企業を辞めてベンチャーに転職したりするのが一時期けっこう流行っていて、その仲間うちで松尾豊先生だけがちゃんと東京大学の中で深層学習なんていう胡散臭いものをやり通した。その勇気は誇っていいしみんな松尾先生が東大に居続けてくれたことを感謝したほうがいい。 2016年ころまでのニューラルネット研究者というのは、エピソード4のジェダイの騎士のようなもので、世界中に散らばって隠遁生活を送りながら、「いつの日か必ず」と捲土重来を密かに胸に抱いて、「一見するとニューラルネットではなさそうな研究」をしているフリをしながら、実はニュー

前回、興奮してとりあえずそれっぽいものを作らせるところまでClaude Codeにやらせて「なんかできそう」というところまでは言ったものの、なかなかフリーハンドでできるところまで行かなかったのが、本家から新しいコードがリリースされてちゃんとできるようになった。そしてコツも少しわかったのでご紹介させていただきたい。 まず、RTX PRO 6000やDGX Spark、いわゆる「Blakcwell」世代で動かすには、Dockerを使うのが手っ取り早い。 そこで今回はFlaskを使ったWebUIを用意した。 ファイルを選択してプロンプトを入力問題は、この「プロンプト」である。 公式のサンプルにはさらっと流されているが、実はこのプロンプトがEgoXの成否を決めるキモだったのだ。このプロンプトを得るためには、まずChatGPTなどのVLMを搭載したチャットを別途起動して、そこに変換したい動画の一コマ

どうしても欲しいから作ってみた。 その名もNagi。これはClaudeの提案でこの名前になった。由来は草薙剣。すなわち漢字で書くと「薙なぎ」 草薙でもよかったのだが、呼び出しやすさを考えてnagiした。 インストールは簡単 $ npm install -g nagi-terminal使うには、nagiコマンドを呼ぶだけ $ nagi Starting Nagi on port 8765... Open http://localhost:8765/ in your browser ================================================== Nagi - Touch-friendly Web Terminal ================================================== Access URL: http://a1

これがリアルタイムに近い速度になるには1983年のAtari Starwarsの出現まで待たなければならない。実に6年かかっている。 ワイヤーフレームではなく完全な3DCGと呼べるようになるのは、当時のCRAY X-MPというほんまもんのスーパーコンピュータを使って1984年に作られた「ラストスターファイター」まで待たなければならない。 これが当時1500万ドル、当時のレートは1ドル=200円、つまり当時の日本円で100億円のマシンで作られたものということになる。この画像を作るには、一般家庭10軒分の電力が用いられた。 この人たちが座っている青と白のがCRAY X-MPというスーパーコンピュータ 100億円する椅子とも言える本当はジョージ・ルーカスのところに持って行ってスターウォーズの次回作をこれでやってくれないかと掛け合ったそうなのだが、「綺麗すぎる」という理由と「お金がかかりすぎる(ス

iPadやiPhoneからssh経由でclaudeと話せるNagiというツールを作ったおかげで、これまで以上にモバイル状態でiのバイブコーディングが捗っている。地味にバージョンアップしているし。 そうすると、机の前にいる時間というのがさらに減っていき、俺は何もしていないのではないかという錯覚さえ生まれてくる。 これにはいくつか原因があって、まず俺の部屋は寒い。 なぜ寒いかというと、サーバーが置いてあるからだ。サーバールームでずっと作業しているのと同じなので、温度は低めに保たれている。故に寒い。 寒いので、必然的に部屋を出たくなる。技研ベースに行けば寒くないかというと、技研ベースはコンクリ打ちっぱなしなので、寒い。ところが技研ベースの自分の部屋はあったかい。マシンがたくさんあるからだ。暖房という点ではエアコンより遥かに優れている。ついでに計算もしてくれるし。 ところが、日々のちょっとしたこと

ローカルAIとは?ローカルAIとは、手元、もしくは自分が管理するコンピュータで動作するAIのこと。反対語はクラウドAIとか。クラウドAIにあたるのは、ChatGPT、Claude、Geminiなどで、ローカルAIに当たるのは、gpt-oss、Gemma、Qwenなどです。LLM以外にも、画像生成のFlux.2やQwen-Image、動画生成のWan2.2やHunyuanVideoもローカルAIと呼べます。 この記事ではローカルAIがなぜ可愛いと思えるのかについて語ります。 ローカルAIを使うメリットChatGPTやClaudeと異なり、ローカルAIには以下のようなメリットがあります。 ・無制限に使える クラウドAIの場合、APIの利用制限というものがあります。 これは特に仕事で自動化して使おうとするとAPIの利用制限が非常に厳しい場合があり、機材さえ手元にあれば無限に使えるローカルAIの魅

万博落合館で使われた3Dスキャンされた人間を自動リギングしてアバターとして使う技術、通称ガウシアンVRMについて、世界初となるハッカソンを開催した。 要は落合陽一が使いこなしていたガウシアンVRMアバターを誰でも好き勝手に使って似たようなものが作れるということ!まあやろうと思えば落合館(null^2)のデモみたいにLLMと組み合わせて「それもひとつのきごうだね」とか言わせることもできる。 GVRMの開発者の近藤生也の解説から始まり、七時間に及ぶハッカソンがスタート。開発者によれば、落合館で使われたバージョンより半年経っているのでさらにパワーアップしているとのこと。 しかしこれ、ハッカソンをやる直前までは「これで一体どうしろと?」と正直思っていたのだが、いざ作り始めるとめちゃくちゃ面白い。3DスキャンはiPhoneがあれば一瞬で終わるし、自分の友達がどんどこ3D化されていってオモチャのように

DeepSeek-OCRが、普通のOCRとはちょっと違う文脈で話題になっていたので触ってみた。 これのミソは、単にOCR(光学文字認識)ができることではなく、光学的(視覚的)に文章を理解することでより長い文脈に対応できると主張されているところ。 なので、わざと長い文章を画像にして読み取れるか試してみるという意地悪なことをしないとこのモデルの真価は分からない。 今回はKaraageさんの記事を参考にuvにして試してみた。 使用したのはDGX Sparkではなく普通のA100で試した。そんなにVRAM使わないと思うけど。 $ git clone https://github.com/deepseek-ai/DeepSeek-OCR.git $ cd DeepSeek-OCR $ uv venv -p=3.12.9 $ uv pip install torch==2.6.0 torchvisio

スマホでぐるっと一周撮影するだけで、自分や友達がアバターになったら? なんて楽しいことでしょう。 それが実現しました。 わいこの技術は、スマホのScanniverseというアプリで人間を撮影すると、自動的にボーンをつけてVRM的にthree.jsで使えるようにしてくれるというもの。 人呼んで「ガウシアンVRM」 現実の3D物体を取り込む技術を「ガウシアン・スプラッティング」と呼ぶのでこういう名前がついたのだろう。 詳しくはWebサイトを見てほしい。楽しいから。 開発者の近藤くんは、東大松尾研在学中に未踏AIフロンティアプログラムで僕がメンターとして関わった人で、その後、筑波大の落合研に進学して、大阪万博の落合館(null^2)ではメインとなる来場者の3Dスキャンとそれが演技するところまでを担当した(ということはついこないだまでよく分かってなかった)。 近藤くんが毎週のように技研バーに遊びに

さあそしてPerplexityのように、ネットを勝手に探して記事を要約してくれるようにするためには、SerperというAPIを使う必要がある。Serperはしばらく無料で使えるので気に入ったら金を払えばよろしい。 次に、LM Studioを立ち上げてJan-V1をダウンロードしておく。 さらにMCPの設定をする。 右端のProgramの「Edit mcp.json」で編集すればOK mcpServersのプロパティのところにこんな感じで入れる { "mcpServers": { "github.com/marcopesani/mcp-server-serper": { "command": "npx", "args": [ "-y", "serper-search-scrape-mcp-server" ], "env": { "SERPER_API_KEY": "ここにSerperのAPI