マジカルラブリー☆つむぎのピュアピュアA.I.放送局 podcast 20261026
内容紹介
Kimi K3.1 Pro Tech Blog: Advancing Open Intelligence、Zero-Shot to New Robots: Introducing Dream-1、AI ネイティブの SDLC プレイブック、「山の木の実ぜんぶ乗せフルーツタルト」を作った動画をアップしたら、「サムネがAIっぽい」と批判されてしまった「知らないものはAIに見える時代になった？」
出演者
youtube版(スライド付き)
関連リンク
中国のMoonshot AIが、最新の3兆パラメータ級オープンウェイトモデル「Kimi K3.1 Pro」および高速版の「Kimi K3.1 Pro Highspeed」を発表しました。本モデルは100万トークンのコンテキストウィンドウを備え、コーディング、3Dモデリング、財務リサーチ、エージェントとしての自律実行能力において大幅な性能向上の実現を謳っています。
コーディング分野においては、大規模な強化学習の導入により、単なるバグ修正からUnityやUnreal Engine、Godotなどのゲームエンジンを活用したフルプロジェクトの構築まで幅広く対応します。長時間の推論タスクをこなすロングホライズンな実行力が高められており、ターミナル操作を評価する「Terminal-Bench 4.0」では高いスコアを記録するなど、主要な独自モデルに匹敵する性能を示しています。
3Dモデリングとデザインの領域でも優れた空間推論能力を発揮し、テキストの指示やスケッチ、参考画像からCADコードを生成してCADモデルを再構築する「BenchCAD」などで高い精度を実現しています。BlenderやCADツール用のスクリプトを自ら記述・実行することで、機械部品や建築モデルなどのパラメトリックモデリングを効率的に行える点が特徴です。さらに、オンラインで3Dモデルのプレビューや編集が行える「3D Make」機能も提供されます。
財務およびビジネスリサーチの分野では、複雑な金融ドキュメントの解析やクロスドキュメント検証、投資ワークフローのサポートにおいて優れた性能を発揮し、事実誤認（ハルシネーション）の発生率も前モデルから大幅に抑制されています。
また、セキュリティと安全性の観点から、モデルのトレーニング段階（ミッドトレーニングおよび強化学習のステージ）でサイバーセキュリティ関連のデータを識別して削除するフィルタリング処理が施されました。これにより、一般的な有用性を維持しつつ悪用のリスクを軽減しつつも、高度なデバッグ能力や汎用コーディング能力によってセキュリティタスクへの適応力は維持されています。
Kimi K3.1 Proは、公式のWebプラットフォームや専用アプリ、デスクトップアプリ「Kimi Work」、コード支援ツール「Kimi Code」、およびAPI経由で本日より利用可能であり、モデルの全ウェイトは2026年11月4日までに公開される予定です。
引用元: https://www.kimi.ai/blog/kimi-k3-1-pro
Dream Labs社は、未学習のロボットやタスク、環境に対して即座に対応できる世界初（※初期段階の検証に基づく）の汎用ロボット基盤モデル「Dream-1」と、それを利用できるパブリックAPIを発表しました。ロボット業界長年の課題である「有用なロボットを作るにはそのロボットのデータが必要だが、データはロボットが使われないと集まらない」という鶏と卵のジレンマを打破することを目指しています。
従来のロボット制御モデルは特定のハードウェア（関節角度など）に強く依存していましたが、Dream-1は「世界行動モデル（World Action Model: WAM）」というアプローチを採用しています。WAMは動画の予測と行動の予測を同時に学習する仕組みであり、ヘッドカメラ等を通じて捉えたシーンをピクセル（形状の動き）として認識します。これにより、二腕と平行グリッパーを持つロボットであれば、これまで学習時に一度も触れたことがない未知のロボット（18年前にリリースされたPR2などの古い研究用ロボットを含む）であっても、ゼロショット（追加学習なし）で制御することが可能です。
また、APIはプラグアンドプレイに近い手軽さで設計されており、機械学習の深い専門知識がなくても、数行のPythonコード（dream.DreamClient等）でロボットを接続して指示を与えられます。モデルの実行コストは「Dream-1」が1時間あたり約3ドル、「Dream-1-flash」が約2ドルと非常に安価に抑えられています。
さらに、ゼロショットでの対応が難しい独自のロボットや複雑なタスクに対しても、FaaS（Fine-tuning-as-a-Service）という仕組みが提供されています。ユーザーが自分のロボットで数分間（例：5分程度）のデモデータを収集してアップロードしファインチューニングを行うことで、カスタムモデルを構築し、タスクの成功率を大幅に向上させることができます。
本記事は、安価なロボットハードウェアの普及が進む中で、ロボットの知能をオープンなAPIとして提供し、研究者だけでなく一般の開発者や小規模チームが汎用ロボットを簡単に動かせるエコシステムを構築しようとする、ロボティクス分野の大きな進展を示しています。
引用元: https://dreamlabs.ai/research/dream-1/
AIエージェントの普及によりコード作成が高速化した現代において、従来のソフトウェア開発ライフサイクル（SDLC）を見直し、開発プロセス全体をAIネイティブに再構築するための実践的なプレイブックをAnthropic社が公開しています。従来のSDLCは手動による承認や引き継ぎに依存していましたが、AIネイティブなSDLCでは、計画、設計、構築、テスト、導入、保守の6つのステージを非線形のループ構造とし、各段階でバージョン管理されたマークダウンファイルを成果物として引き渡す仕組みを提案しています。
具体的なステージごとのアプローチとして、まず「計画（Plan）」では、アイデアや問題を非エンジニアでも作成できるintent.mdとしてバージョン管理します。「設計（Design）」では、要件と設計仕様を1つのセッションに圧縮し、組織のポリシーをスキルとして適用した上でspec.mdを作成します。「構築（Build）」では、Claude Codeのプランモードを活用して承認済みの plan.md を作成し、インメモリとしての CLAUDE.md や、スキル、ガードレールとなるフックを用いて自律的な開発を安全に進めます。「テスト（Test）」では、セッション自身にテストやビルドを実行させてループを完結させ、CIでの継続的な評価を実施します。「導入（Deploy）」では、PRレビューの自動化やフックによる承認ゲート、サンドボックス環境でのCI/CD統合を行います。「保守（Maintain）」では、指標の監視やコードベースの定期的なスキャン、Slackなどのチャネルに常駐する「Claude Tag」を活用してループを閉じ、見つかった課題を再び intent.md としてパイプラインに戻します。
このように、人間の判断をプロセスの中心に据えつつ、ガバナンスやセキュリティをコードや設定で強制することで、組織全体の開発速度と安全性を両立させるための指針となっています。
引用元: https://claude.com/ja/resources/articles/the-ai-native-sdlc-playbook
野草研究家が投稿した「山の木の実ぜんぶ乗せフルーツタルト」の動画のサムネイル画像に対し、SNS上で「生成AIで作った偽物だ」という批判や指摘が寄せられた。投稿者は完全に実写であり、トマシなどの実在する珍しい野草や木の実を使用していると反論した。これに対し、ユーザーの間では、写真の彩度やコントラスト、見慣れない木の実の形状、カットされた実と殻つきの実が混在する構図などが、AI生成画像によく見られる雰囲気や不自然さに似ていると感じさせたことが原因ではないかと議論になった。知らない自然の姿や特殊な盛り付けが、AIの普及によって「本物か偽物か」と疑われる現代の認知の歪みや難しさを浮き彫りにする話題となっている。
引用元: https://togetter.com/li/2762761
VOICEVOX:春日部つむぎ