ひとり会社・小規模チーム向けに、 AIエージェント / ローカルLLM / 自動化の運用を実験しています。 テーマは主に： ・AI社員化 ・Ollama / LM Studio などのローカルLLM ・Claude / ChatGPT / Hermes を使った業務自動化 ・小規模組織のためのセキュアなAI運用 ・実際に試して分かった失敗・改善ログ AIを「便利ツール」としてではなく、 小さな組織の業務OSとしてどう使えるかを検証していきます。 実験ログや詳しい考察は note にまとめています。 note.com/aihackerlabjp

体感、AI驚き屋が少ない気がするけど飽きたの？？

仕組みが気になるー

AnthropicはClaude Mythosを少し超えるMythos 5を少数組織へ、セーフガード強化版のFable 5を一般リリース。Mythos 5では「バイオ能力」が高まってるため、そのリスクが大きく懸念されており、生物学および化学関連のほとんどのリクエストに対して、FableがOpus 4.8にフォールバックする。サイバーリスクだけではなくバイオセキュリティの高まりも喫緊の課題になりつつある（openai, anthropic, deepmindは先日合成核酸規制強化を議会に公開書簡出してるほど急速な発展が予想されてる）。 ・例えばMythos 5は生物学的推論のみを用いて、タンパク質タスク専用の高度なモデル（「タンパク質言語モデル」として知られる）をウイルス外殻予測タスクで凌駕。 ・Mythos 5を使用することで、社内のタンパク質設計専門家は創薬プロセスの一部を約10倍高速化。例えば、Mythos 5はタンパク質設計ツールとバイオインフォマティクスツールを備え、人間の介入なしに、熟練した人間のオペレーターと同等またはそれ以上の性能を発揮することが分かった。このモデルは、結合部位の選択、タンパク質設計ツールの選択と実行、途中の失敗からの復旧など、通常科学者が行うすべてのタスクを実行する。この研究で対象とした14個のタンパク質ターゲットのうち9個は現在調査中の創薬候補として有力視されている。 ・Mythos 5は、斬新で説得力のある科学的仮説を一貫して生み出す、当社初のモデル。Opusクラスのモデルとのブラインドテストによる直接比較において、当社の科学者たちはMythosの分子生物学仮説を約80%の確率で支持し、そのうちいくつかは実験的評価へと進んだ。その間Mythosの仮説の一つである大腸菌タンパク質の新たなメカニズムは、同じ問題に取り組んでいた別の研究室の研究によって裏付けられた。 ・Mythos 5は、ほぼ自律的に1週間以上かけて、ゲノム研究における革新的な成果を達成。138種の動物種にわたる数百万個の細胞の単一細胞データを収集し、遠縁の生物種であっても同じ役割を果たす細胞を特定するためのカスタム機械学習モデルを設計・訓練した。高度な人間の介入のみで、Mythos 5の訓練済みモデルは、規模が100分の1であるにもかかわらず、科学誌「Science」に掲載された最新のモデルを凌駕する性能を発揮。これらの成果は、今後数ヶ月以内に発表する予定。

Mythosきましたねー

G1が90万！

よしためす

Openclawちゃんだ

いいなー

jfc....

睡眠トラックは結局ouraな気がする

gm

いつも思うけど、孫の世代とかになったら「えー車って人間が運転してたの？！だから事故なんて起こってたんじゃない。そんな不安定な存在に運転任せてたなんて信じらんなーい」って言われそうw

これやったw

これもいいなー

ああー金いいなーww

うーん、稼働するミニチュアの最適解がコレということになってしまうな・・・

これは Palantir AIP Architecture Overview、つまり「企業内データ・業務システム・LLM・エージェントをどう安全に繋いで運用するか」の全体図。 要するに AIP = 企業向けAIエージェント基盤。単なるChatGPT導入じゃなくて、データ統合・権限管理・Ontology・自動化・監査・デプロイまで含む“AI業務OS”っぽい設計。 全体の構造 大きく見ると4層ある。 1. LLM基盤 • OpenAI / Gemini / Anthropic / Meta などの商用・OSSモデル • BYOM、自社モデル持ち込みも想定 • モデレーション、PII難読化、レート制限、モデル選択、監査あり 2. Ontology / Context Engineering • ここがPalantirらしい中核 • 社内データや業務ロジックを、AIが理解・操作できる形に変換する • 単なるRAGではなく、「顧客」「注文」「在庫」「現場作業」みたいな業務オブジェクトとアクションを定義する層 • AIに“会社の世界モデル”を渡す役割 3. Agent Lifecycle / Automation • エージェント作成 • オーケストレーション • 評価スイート • スケジュール実行、イベント駆動、API駆動の自動化 • つまり、AIをチャットで終わらせず、実業務に組み込む部分 4. 開発・運用・ガバナンス • Git/CI/CD的な開発環境 • パッケージ化・リリース・デプロイ • 監査ログ、承認、権限、チェックポイント • 人間 AIアプリ、企業自動化、運用チーム/開発チーム/分析チーム/ガバナンスチームに接続 この図のキモ 一番重要なのは、PalantirはAIをこう見てること： LLMは部品。価値の中心は「企業データ・業務意味論・権限・実行アクション」を統合する基盤にある。 つまり、AIPの売りはモデル性能じゃない。 AIが安全に社内業務を理解し、権限内で操作し、監査可能な形で自動化できること。 強いところ • 権限管理と監査が最初から前提 • Ontologyで業務文脈を構造化できる • AIエージェントを本番運用するための部品が揃っている • 現場業務・防衛・製造・金融みたいな複雑な業務に強い • 単発PoCではなく、企業全体のAI運用基盤を狙っている 弱そう / 重そうなところ • 導入がかなり重い • Ontology設計が肝なので、設計力がないと宝の持ち腐れ • Palantir依存が強くなりやすい • 小規模企業や単純なRAG用途にはオーバースペック • “AIエージェント基盤”というより、実態はかなりエンタープライズIT統合基盤 一言で言うと Palantir AIPは、 LLMを企業の業務システムに安全に接続して、エージェントとして実行・監査・改善するための巨大なAI運用基盤。 普通のRAG基盤が「社内文書に答えられるAI」だとすると、AIPは 「社内業務を理解して、許可された操作までできるAI組織インフラ」 を狙ってる。

ほんとこれ

#m5stack my new gear...

アレックスカープきてたんね