株式会社ずんだもん技術室AI放送局 podcast 20261104
内容紹介
Scaling Git at OpenAI、Making Kubernetes AI-Ready for NVIDIA Vera Rubin on Day One、How we’re training a Figma-fluent editing model、AI書道コンクール
出演者
youtube版(スライド付き)
関連リンク
OpenAI社内におけるAIによる開発の高速化と並列作業の激増に伴い、既存のソース管理システムが限界を迎えたことから、Git互換の新しいバックエンドシステム「Pando」を自社で開発・導入した事例について解説しています。従来のGitサーバーは、リポジトリ全体の一貫性維持やクライアントごとの個別パックファイル生成に起因して、書き込みの競合やCPU・ディスクI/Oの負荷増大というスケーリングの課題を抱えていました。これに対してPandoでは、水平スケーリングが可能なメタデータストアとオブジェクトストレージを基盤とし、リポジトリ全体の一貫性を緩やかにする代わりに個別のブランチ更新で直列化を保つ「因果一貫性（Causal Consistency）」を採用しました。さらに、クライアントのブランチ更新時に生成される不変のパックファイルをキャッシュし、他のクライアントからのフェッチ時に再利用する仕組みを導入することで、サーバー側の重いアンパック・リパック処理を排除しています。これにより、無数のブランチに対する書き込みと多くのリーダーからの読み込みを完全に並列化し、リクエスト処理性能を劇的に向上させました。また、L0からL4に至る多段階のコンパクション（統合処理）をバックグラウンドで実行することで、大量のパックファイルを効率的に整理し、対数時間でのフェッチ計画立案と高速な読み込みを実現しています。新人エンジニアにとっても、分散システムの設計における一貫性と可用性のトレードオフや、既存プロトコル（Git）の互換性を保ったまま大規模なスケーラビリティを達成するアーキテクチャの具体例として、非常に深い学びが得られる内容となっています。
引用元: https://openai.com/index/scaling-git-at-openai
この記事は、NVIDIAの次世代GPUアーキテクチャ「Vera Rubin」をKubernetes環境で運用できるようにするための最新の技術情報について解説しています。新人エンジニアがAIインフラの基盤構築や設定管理を学ぶ上で非常に参考になる内容となっています。
Vera Rubinは従来のGB200 NVL72などのアーキテクチャから進化していますが、実際に運用する際にはGPUドライバーの新しいブランチやDOCA/NICドライバー、デバイスのトポロジーなどの変更点に対応する必要があります。例えば、Vera Rubin NVL72では従来のConnectX-7からConnectX-9 SuperNICやBlueField-4 DPUに置き換わっており、GPUとNICの接続やNUMA配置などの設計を慎重に行う必要があります。
このような複雑なハードウェアとソフトウェアの組み合わせをシンプルにし、再現性のある構成で管理するために、「NVIDIA AI Cluster Runtime (AICR)」というツールが活用されます。AICRを使用することで、検証済みの設定を「レシピ」として定義し、デプロイや検証を自動化することができます。
具体的なワークフローとしては、以下のステップでKubernetes環境の構築と検証を行います。
- レシピの生成:
aicr recipeコマンドを使用し、サービス（rke2）、アクセラレータ（vr200）、OS（ubuntu）、目的（trainingやinference）を指定して構成ファイルを生成します。これにはGPU OperatorやDRA（Dynamic Resource Allocation）ドライバー、監視ツールなどが含まれます。 - デプロイバンドルのレンダリング: 生成したレシピをもとにHelmチャートなどのデプロイ用スクリプトを出力します。
- スナップショットと検証:
aicr validateコマンドを使用して、OSのバージョンやカーネル、GPUドライバー（nvidia-smi）の健全性、コンフォーマンス（適合性）、さらにマルチノード環境でのNCCLを使ったパフォーマンス検証（All-Reduceテストなど）を段階的に実行します。
また、Vera Rubin向けの検証プロセスを通じて、go-nvlibのアーキテクチャ判定の修正や、ホスト管理型IMEXとDRA管理型ComputeDomainの競合回避といったフィードバックがアップストリームに還元され、エコシステム全体が改善されていることも紹介されています。
このように、最先端のAIハードウェアをKubernetes上で素早く、確実に見通し良く立ち上げるための実践的なアプローチがまとまっており、プラットフォームエンジニアやAIインフラに携わるエンジニアにとって重要な知見が詰まっています。
引用元: https://developer.nvidia.com/blog/making-kubernetes-ai-ready-for-nvidia-vera-rubin-on-day-one/
本記事では、デザインツール大手のFigmaが、キャンバス上の既存のデザイン要素に対して直接編集や反復作業を行う独自のエージェントモデルをどのように訓練したか、その具体的なアプローチと知見について解説しています。
Figmaの開発チームは、日常的な細かいデザイン修正（スペースの調整、色の変更、レイアウトの改修など）を迅速かつ正確に行うため、フロンティアモデルそのままではなく、特化したモデルの構築を目指しました。初期の汎用的なフロンティアモデルではFigmaの構文を深く理解させることが難しく、過度にトークンを消費するシステムプロンプトが必要になるという課題がありました。
そのため同社は、教師あり微調整（Supervised Fine-Tuning: SFT）に投資しました。具体的には、開始時のデザイン、生成された合成編集リクエスト、そして成功した変更例をペアにした訓練データを大量に作成しました。デザインはFigmaのネイティブファイル形式で表現され、デザインシステムアセット（テーマやコンポーネントの変更）を含む合成プロンプトも活用されました。データ生成プロセスにおいては、より大型の教師モデルが編集を試行し、決定論的なバリデーターやビジュアルモデルの評価器（LLMジャッジ）を用いて候補をチェックし、自己修復（セルフヒール）を行うパイプラインが構築されました。この初期のSFTアプローチにより、例えば25万件以上の例で訓練されたLlama 3.3 70Bモデルが、当時のトップモデルと競合できるレベルに達しました。
しかし、SFT単体では模倣学習の限界（訓練データに酷似したデザインを生成する一方で汎化性能が低下すること、またサンプル効率が悪いこと）に直面したため、最新のレシピでは強化学習（Reinforcement Learning: RL）へも投資を広げています。デザインドメインに適したRL環境の整備、訓練例の多様性の確保、報酬モデルの形作り、専門家による評価基準の拡張などが行われています。
モデルの評価においては、「デザインの良し悪しは主観的である」という課題に対し、構造のチェックとビジュアル評価を組み合わせ、専門のデザイナーによるレビューでキャリブレーションを行う手法をとっています。これにより、テキストとアイコンの重なりや、要素のクリッピングといったAI生成デザイン特有のエラーを個別の次元で評価・改善しています。現在ではQwenモデルやMuse Spark Open、Inklingなどのベースモデルも活用され、最新の非公開モデル（Qwen 3.8 27Bベースのポストトレーニングモデルなど）は高い評価を獲得しています。
最終的に、この独自にポストトレーニングされた編集モデルは、Figmaエージェント（一般提供開始された新機能）に組み込まれました。エージェントは画像生成や新規デザイン探索には最適なサードパーティモデルを使用し、高精度な編集や反復作業にはFigma独自のモデルを使い分けています。その結果、タスク処理速度の向上、ユーザーによる「取り消し（Undo）」の減少、ユーザー評価の向上、メッセージあたりの平均コスト削減などの優れた成果を上げています。新人エンジニアにとっても、特定のドメインに特化したAIモデルのポストトレーニング、SFTからRLへの移行、合成データの活用、およびドメイン特有の評価パイプライン設計の具体例として、非常に学びの多い内容となっています。
引用元: https://www.figma.com/blog/training-a-figma-fluent-editing-model/
「第1回 AI書道コンクール」は、様々な言語モデルが生成した筆運びデータを、専用の書道エンジン（sho.js）を用いて出力した作品を競うユニークなイベントです。コンクールでは「楷書の部」と「絵文字の部」が設けられており、「やきいも」や「シンギュラリティ」、「🐈」や「🍣」といったお題に対して、Qwen、Mistral、Claude、GPTなどの多様なモデルを活用した作品が多数展示されています。LLMのユニークな活用事例や遊び心のある試みとして紹介されていますが、エンジニアリングにおける直接的な技術解説や実用的なツールアップデート、開発手法の改善といった学びや影響は含まれていません。そのため、業務に直結するような具体的な手順や技術的知見を得る目的ではなく、AI技術のユニークな応用例の一つとして楽しむ内容となっています。
引用元: https://aishodo.enpitsu.org/
（株式会社ずんだもんは架空の登場組織です）