HA(Z)

スタートアップの資金調達環境、結構シビアになってる。エクイティは引き締まってるし、デットでも黒字化を要求されて⇒二正面作戦を強いられてる状況が現実。 自分も複数のスタートアップに関わった経験から言うと、この局面は「成長率 vs 利益率」のトレードオフを避けられない。 赤字垂れ流しで規模拡大できた時代とは全く異なる環境下にある。つまり、経営判断の精度がより高く求められる時期ということ。 だけれども、ここを乗り越えるスタートアップは確実に強くなる。今の厳しさが、後々の競争力差につながるんだなと実感してる。

How come we ended up with so many Cs. Codex ChatGPT Claude Cursor Copilot ...

Anthropic just pulled Claude Code from the Pro plan. Pro users wanting it need Max now. $100/month minimum. 5x jump. I'm on Max 20x so I'm fine. Flagging for anyone on Pro who's about to find out. No announcement. Just a pricing page edit.

Yann LeCun was right the entire time. And generative AI might be a dead end. For the last three years, the entire industry has been obsessed with building bigger LLMs. Trillions of parameters. Billions in compute. The theory was simple: if you make the model big enough, it will eventually understand how the world works. Yann LeCun said that was stupid. He argued that generative AI is fundamentally inefficient. When an AI predicts the next word, or generates the next pixel, it wastes massive amounts of compute on surface-level details. It memorizes patterns instead of learning the actual physics of reality. He proposed a different path: JEPA (Joint-Embedding Predictive Architecture). Instead of forcing the AI to paint the world pixel by pixel, JEPA forces it to predict abstract concepts. It predicts what happens next in a compressed "thought space." But for years, JEPA had a fatal flaw. It suffered from "representation collapse." Because the AI was allowed to simplify reality, it would cheat. It would simplify everything so much that a dog, a car, and a human all looked identical. It learned nothing. To fix it, engineers had to use insanely complex hacks, frozen encoders, and massive compute overheads. Until today. Researchers just dropped a paper called "LeWorldModel" (LeWM). They completely solved the collapse problem. They replaced the complex engineering hacks with a single, elegant mathematical regularizer. It forces the AI's internal "thoughts" into a perfect Gaussian distribution. The AI can no longer cheat. It is forced to understand the physical structure of reality to make its predictions. The results completely rewrite the economics of AI. LeWM didn't need a massive, centralized supercomputer. It has just 15 million parameters. It trains on a single, standard GPU in a few hours. Yet it plans 48x faster than massive foundation world models. It intrinsically understands physics. It instantly detects impossible events. We spent billions trying to force massive server farms to memorize the internet. Now, a tiny model running locally on a single graphics card is actually learning how the real world works.

大学で授業をしていて、今年から明らかに学生の理解度の質が下がっているのを感じます。理由は、みんなAIを使って出力しているから。 例えば、AIを使ってプレゼン資料を作ったりしてるんですよね。すると、いざプレゼンとなったときに、資料に書いてある漢字が読めなかったりします。さらには、質問した時に自分の資料に書いてあることの意味すら分かっていなかったりします。 以前であれば、確かに資料の質は劣るかもしれないけれど、自分で入力した内容なので漢字が読めないとか意味を理解していないとかは流石になかったです。 AIがつくったものだと、「自分が作成したものを自分で理解できていないので、説明ができない」ということが起こるんですね。こんなことは今までなかったので、衝撃的でした。 AI時代になり、今まで想像できなかったようなことが教育現場で起きています。これから益々こういったことが、教育のみならず企業の中でも起きてくるのではないかと思います。

自分も前に、とあるニッチ業界に特化したAIエージェントSaaSを現場の方と話して構想してたけど、ただの汎用Geminiがほとんどの機能を叶えられちゃうことに気付いてやめた。 Google WorkspaceのついでにGeminiだけ使える企業多いので、業界特化AIを構想する場合はGeminiをベンチマークした方がいい。

Sam Altman admits that saying "Please" and "Thank You" to ChatGPT is wasting millions of dollars in computing power.

【速報】コーエーテクモ、資産運用が絶好調すぎて業績予想を大幅に上方修正、上振れ額はなんと約135億円 - 当初の予定（令和7年4月30日発表） ・「運用で60億円稼ぐ予定です」 - 今回の修正（令和8年4月20日発表） ・「運用で195億円稼げそうです」に変更

エージェント•ハーネスに関する良まとめ - エージェント・ハーネスとは、LLMを実用的なエージェントとして動かすための周辺ソフトウェア基盤。モデルを包むOS・実行環境・制御システム - 同じLLMでも、ハーネス次第で性能差大。長文タスクでも文脈を維持できる、失敗時に自動修正する、安全に外部操作できるなど、実務ではモデル性能以上にハーネス設計が成果を左右 - 重要な12の機能 1.実行ループ 2.ツール接続 3.メモリ 4.文脈管理 5.プロンプト構築 6.出力解析 7.状態管理 8.エラー回復 9.安全制御 10.検証ループ 11.サブエージェント管理 12.長期継続運用