AI

A collection of 68 posts
データベース

ベクトルデータベースとは何か？――RAG検索の仕組みからQdrant・pgvector・FAISSの選び方まで

はじめに：ベクトルデータベースが分からないとRAG構築ができない理由 「RAGを構築したい――そう調べたページの先で、必ず『ベクトルデータベース』という言葉に出くわす」。AIアプリ開発を始めたばかりのエンジニアや、技術選定を任されたアーキテクトなら、一度はこう感じたことがあるのではないでしょうか。 ベクトルデータベース（ベクトルDB）は、RAG（Retrieval-Augmented Generation、検索拡張生成）において、社内文書やWebページといった外部知識を「意味の近さ」で検索できる形に変換して貯めておく、いわばAIの記憶装置です。AWSの解説でも、RAGは外部データを埋め込みモデルで数値表現に変換してベクトルデータベースに保存し、質問時にはその類似度で関連情報を引き出す仕組みとして説明されています。ベクトル検索を前提とするRAG構築では、この部分の理解が全体像を把握する鍵になります。 ところが、いざ学ぼうとすると2つの壁が立ちはだかります。1つ目は、埋め込みや類似度検索といった基礎概念の解説が断片的で、全体像が掴みにくいこと。2つ目は、Qdrant・pgvector
14 min read
暮らし・文化

失業率・雇用統計をどう読むか――AI時代に「失業」が検索される背景と家計・企業への影響

はじめに 失業率とは、労働力人口に対する失業者の割合を示す基本指標です。労働力人口は、就業者と、仕事を探している失業者を合わせた人口を指します。失業率は、働いていない人の数だけでなく、仕事を探している人を含めた労働市場全体の状態を表す数字です。日本では、総務省統計局の「労働力調査」が代表的なデータ源となっています。 近年、「失業」が注目される背景には、景気の変動に加えて、AIの普及による雇用構造の変化があります。事務作業や定型業務の自動化が進む一方、データ分析やAIを活用したサービスなど、新しい仕事も生まれています。同じ職種でも必要なスキルが変わるため、失業率だけでは雇用の実態を十分に捉えられません。 本稿では、失業率・就業者数・労働参加率の読み方を確認したうえで、AI時代の雇用変化が金利、株価、家計、企業経営にどう影響するかを整理します。 1. 失業率・雇用統計とは何か 失業率は、次の式で計算されます。 失業率 ＝ 失業者数 ÷ 労働力人口 × 100 就業者数は実際に仕事をしている人の総数、労働参加率は、働く意思と能力を持つ人口が労働市場に参加している割合です。この
10 min read
AI・テクノロジー

VLAモデルとは何か——ロボット基盤モデルが実現する「見て・理解して・動く」の仕組み：OpenVLA・π0・GR00Tまで徹底解説

はじめに：VLAモデル（Vision-Language-Action）とは何か——VLM・従来ロボット制御との違い VLAモデル（Vision-Language-Action model）とは、視覚と言語の入力からロボットの行動（アクション）までを出力するロボット基盤モデル（Robot Foundation Model：多様なタスクやロボットに横断して使える事前学習済みモデル）です。多くの実装では入力から行動までを一括学習した単一のニューラルネットワークで構成されますが、モジュール構成はモデルによって異なります。Google DeepMindも、VLAモデルを「視覚と言語の入力をモーター制御へ変換し、ロボットに行動させる」モデルと公式に定義しています（Gemini Robotics）。 ※本記事の製品名・バージョン・スペック・公開状況は、特に断りのない限り2026年10月1日時点で公式資料（論文・公式ページ・GitHub・モデルカード）から確認した値です。製品構成は変動するため、最新情報は各公式ページをご確認ください。 用語の由来：RT-2が「行動を言葉のように扱う」発想を提唱
20 min read
データベース

ベクトルデータベースはどう動くのか――HNSW近似最近傍探索の仕組みからpgvector・Qdrant・Milvusの選び方まで

はじめに――RAG時代に「避けて通れない」ベクトルデータベース ChatGPTに代表されるLLMの普及以降、RAG（Retrieval-Augmented Generation、検索拡張生成）は社内ナレッジ検索やドキュメントQ&Aといった実務で急速に広がりました。RAGの核心は「関連文書をベクトルの類似度で探し出してLLMのコンテキストに渡す」ことにあり、その検索基盤となるベクトルデータベースは、もはやAIアプリケーション開発においてほぼ必須のインフラになっています。 しかし、いざ導入しようと調べると、すぐに混乱します。PostgreSQLに後付けできるpgvector、Rust製の高速エンジンQdrant、Kubernetesネイティブで数十億ベクトルを捌くMilvus、研究開発の定番ライブラリFAISS、pip一発で試せる軽量なChroma――選択肢が多すぎて、「そもそもどういう基準で比較すればいいのか」「自分のユースケースにはどれが合うのか」が分からない、というのが多くのエンジニアの実感でしょう。 この混乱の背景には、仕組みへの理解が欠けているという問題があります。例として
13 min read
ビジネス・経済

データセンターの都市部建設問題――AI時代の電力・騒音・都市計画をどう考えるか

はじめに データセンターとは、情報処理とデータ保管を集中的に行う施設です。サーバー、電源設備、冷却機器、ネットワーク機器を備え、クラウドサービスやAIの学習・推論を24時間支えています。AIの利用が広がるほど、安定した電力と通信を提供するデータセンターの重要性は高まります。 一方で、都市部に建設する場合は、住宅地との距離が近くなり、騒音、排熱、交通、電力網への負荷が問題になります。都市部には高速通信網や人材が集まり、低遅延のサービスを提供しやすいという利点がありますが、生活環境との調和を欠けば地域の信頼を失います。本記事では、都市部立地の理由と課題を、技術、制度、地域社会の三つの視点から整理します。 1. データセンターの役割と都市部立地の理由 データセンターの基本的な役割は、大量のデータを保存し、高性能な計算を安定して実行することです。サーバーを動かす電力だけでなく、停電に備える電源設備、機器を適温に保つ冷却設備、通信を止めないネットワーク設備も必要です。大規模施設では数千台から数万台のサーバーを収容し、電力需要が数十MW級になる場合もあります。 都市部に立地する主な理由
9 min read
AI・テクノロジー

東京を走る「無人タクシー」の衝撃：GO・Waymo・日本交通が描く2027年レベル4商用化と日本のモビリティ革命

2026年9月15日、GO・Waymo・日本交通が東京でのレベル4自動運転タクシー商用化で合意。2027年に100台規模で完全無人運行を開始する。115年の歴史を持つ日本のタクシー産業が迎える歴史的転換点と、技術アーキテクチャ、法制度、世界のロボタクシー覇権、雇用共存モデルを徹底解説。
16 min read
AI・テクノロジー

EU DSA による ChatGPT の VLOSE 指定 — 生成AIが「検索エンジン」として規制される時代

はじめに — 2026年8月31日、何が起きたのか 2026年8月31日、欧州委員会は OpenAI の対話型AIサービス「ChatGPT」を、デジタルサービス法（DSA）における超大規模オンライン検索エンジン（VLOSE）に指定しました。欧州委員会の監督ページによると、指定対象は OpenAI Ireland Limited が提供する ChatGPT で、EU内の平均月間アクティブユーザー数は約1億5,910万人、監督を担うデジタルサービス調整官（DSC）はアイルランドです。 ChatGPT のような生成AIサービスが、DSA上は「検索エンジン」として最重量規制区分（VLOSE）に組み込まれた点が、この指定の大きな特徴です。AIアシスタントが検索に代わる情報アクセスの入口になりつつあるという見方を、規制の実務が後押しする形となりました。この記事では、VLOSE指定の中身、ChatGPT に課される義務、生成AI規制を巡るEUの全体像を解説します。 VLOSEとは何か — DSAの段階的規制構造 DSA（Digital Services Act、規則 (EU)
6 min read
防災・災害

将来戦闘機とは？ 次世代航空戦力を左右する無人機・AI・ステルス技術の現在地

はじめに 将来戦闘機が目指すのは、有人機と無人機が協調する統合運用と、AI支援・ステルス性・センサー融合を組み合わせた作戦能力です。単独の機体性能を高めるだけでなく、さまざまな機体や地上・衛星システムをネットワークで結び、得られた情報を速やかに判断へつなげることが重視されます。 本記事では、将来戦闘機の定義を確認したうえで、主要技術、有人機と無人機の役割分担、安全性・倫理・法的留意点、国際協力、導入コストを順に整理します。 将来戦闘機とは 将来戦闘機とは、有人機と無人機を含む次世代の航空戦力体系です。単一の新型機を指す場合もありますが、より広くは、複数の航空機とセンサー、指揮統制システムを連携させる運用構想を意味します。 関連する基本用語は次のとおりです。 * NCW（ネットワーク中心作戦）：情報を中心に、指揮統制と作戦を統合する運用思想 * ステルス：機体の設計・材料・形状を工夫し、敵からの探知を難しくする技術 * センサー融合：複数のセンサーや情報源を統合し、状況認識を高める技術 * AI支援：作戦計画や脅威の分析、任務割り当て、飛行経路の選択などを補助する仕
11 min read
AI・テクノロジー

AIエージェントによるWebアクセスが変える検索と広告 — SEO・GEO・AIOの現在地とAIエージェント向け広告戦略

はじめに: 「訪問者」はもう人間だけではない 2026年後半のWebは、静かな構造変化のただ中にあります。これまでのWebアクセスの前提は「人間が検索し、リンクをクリックし、ページを読み、自分でフォームに入力して購入する」というものでした。しかし現在、検索からWeb閲覧、そして購買に至る経路の一部が、AIエージェントの自律操作へと移りつつあります。 ChatGPTのエージェント機能やClaudeのComputer Useのようなブラウジングエージェントは、単に検索結果を要約するだけでなく、実際にサイトへアクセスし、ログインし、フォームを埋め、場合によっては決済まで完結します。つまり、あなたのサイトを「訪問」する存在は、もはや人間だけではないのです。しかもその存在は「読者」ではなく「操作者」です。 本記事の問い この変化に対して、サイト運営者は次の問いに向き合う必要があります。 * サイトはエージェントにどう見つけられているか（発見） * サイトはエージェントにどう信頼されているか（アクセス制御・機械可読性） * サイトはエージェントにどう買われているか（取引） この
19 min read
AI・テクノロジー

フィジカルAIはどこまで来たか——WRC2026と世界人型ロボット運動会が示すヒューマノイドの現在地

はじめに — 囲碁盤からコートへ、AIが物理世界に立った10年 2016年、Google DeepMindの「AlphaGo」が囲碁の世界チャンピオンを破った瞬間を、多くの人が今も覚えているでしょう。それから10年。AIはディスプレイの中の碁盤を飛び出し、自らの「体」で物理世界に立ち始めています。 2026年8月、北京では2つの大きなロボットイベントが同時期に開催されました。1つは8月19日〜23日の「WRC2026（世界ロボット会議）」。もう1つは8月22日〜26日の「第2回世界人型ロボット運動会」です。ここでは、実業団駅伝選手の走りを学習した日本のヒューマノイドが1500mを走り、中国企業のヒューマノイドは台本なしでテニスのラリーを続けました。 この記事では、今週の北京発ニュースを材料に、 * 「フィジカルAI」とは何か（従来の産業用ロボットとの違い） * WRC2026で建機大手Zoomlionが披露した産業用フィジカルAI * 世界人型ロボット運動会での日本勢・中国勢の実力 * 導入を検討する日本企業への実践的な視点 を整理します。AIが「考える」だけでなく「
11 min read
AI・テクノロジー

Comfy-Orgが「Comfy MCP」をローカル対応＆オープンソース化：AIエージェントが自宅GPUを直接操る『ローカルファースト生成AI』の新時代

Comfy-Orgがローカル環境対応の公式「Comfy MCP」をオープンソース公開。Claude CodeやCursor等のAIエージェントが自前のGPUスペックやローカルモデル、カスタムノードを直接認識し、自然言語から画像・動画生成ワークフローを自律構築・実行可能に。ローカルファースト生成AIの全貌を徹底解説。
8 min read
FlowEvo

FlowEvo：ワークフローと実行可能スキルの共進化による自己進化型AIエージェント

はじめに：AIエージェントが「経験を活かせない」問題 大規模言語モデル（LLM）を基盤とするAIエージェントは、ユーザーの指示に応じて推論時にワークフローを動的に構築し、複雑なタスクを解決する能力を持っています。しかし、その過程で一度使った手順は、タスク完了とともに捨てられてしまいます。たとえば「冷蔵庫から卵を取り出して茹でる」という家事タスクと「冷蔵庫から牛乳を取り出して温める」というタスクは、移動・把持・加熱という一連の動作パターンが酷似しているにもかかわらず、従来のエージェントは毎回ゼロからワークフローを組み立て直さなければなりません。 この「経験を活かせない」問題は、以下の2つの非効率性を引き起こします。第一に、同じような問題で毎回似た手順を生成するため、API呼び出し回数が増加しトークンコストが膨らみます。第二に、生成のたびに結果がばらつくため、安定した品質を得るのが難しくなります。これらの課題は、LLMエージェントを実運用に展開する際の大きな障壁となっています。 flowchart LR subgraph 従来のエージェント A1[タスクA<b
15 min read
ビジネス・経済

日本の造船業の復活が経済安全保障をどう変えるか

はじめに 経済安全保障とは、国家が重要な物資・技術・産業基盤を安定的に確保し、外部から受ける影響を抑えるための政策・制度の総称です。造船業は海上輸送を支える基幹産業であり、船舶の設計・建造・修理・部材供給を含む広いサプライチェーンをともないます。技術開発と雇用創出の両面で、日本の競争力と国際的な立場に関わる産業です。 造船業の再興は、日本経済の成長と雇用の安定に加え、国家の安全保障基盤の強化にもつながります。海上輸送が安定すれば、エネルギーや資源、重要物資の輸送網を維持しやすくなります。脱炭素化やデジタル化などの新技術を取り込めば、国内外の市場で競争力を高め、技術者や職人の育成を促すこともできます。本記事では、造船業の役割、期待される効果、再興に向けた課題を整理します。 造船業とは 造船業とは、船舶の設計・建造・修理と、それに付随する部材の供給を含む産業です。船体設計から推進機、電力系統、内装までの統合設計力が問われ、港湾・物流インフラと連携して機能します。日本は高い技術力と品質管理で世界市場の一翼を担ってきました。近年は、デジタル設計やデジタルツイン、AI活用など先端技術の
10 min read
AI・テクノロジー

Anthropicが解説したClaudeの「見えない透かし」——LLM出力のテキストウォーターマークはどう機能するのか

はじめに 2026年8月14日、Anthropicは公式記事「How Claude's text watermarking works」を公開し、Claudeが生成するテキストに機械的にのみ読み取れる「見えない透かし（テキストウォーターマーク）」を将来のClaudeモデルに搭載する方針と、その仕組みを詳細に説明しました。 多くの人が「透かし」と聞いて想像するのは、お札に入っているような隠し文字や、コピー防止のための特殊なパターンでしょう。しかしClaudeの透かしはまったく違います。ゼロ幅文字のような不可視文字も、隠しコードも、一切挿入されません。テキストそのものはどこにも手を加えず、「単語選びの統計的なクセ」によってだけ印を付ける——これが今回の方式の核です。 導入の背景としてAnthropicが説明するのが、EU AI Act第50条(2)の透明性規定です。2026年8月2日からEU市場においてAI生成コンテンツの機械可読なマーキングが求められるようになり（対象となるAIシステムの提供者・適用範囲・移行期間の区別はEU公式FAQを参照）、Anthropicも他の主要AI事業者
13 min read
AI・テクノロジー

ヒューマノイドロボットは現場に入りつつある——Figure AIの長時間連続実証と中国「30分に1台」量産が描く2026年の実用化ロードマップ

はじめに——「研究対象」から「労働力」へ、移りつつある2026年の転換点 「24時間自律稼働」「30分に1台」「ハードウェア故障ゼロ」——2026年、ヒューマノイドロボットをめぐる議論を特徴づけるのは、こうした数字になりました。デモ動画の華やかさではなく、現場の稼働率と生産ラインのタクトタイム。ヒューマノイドは「研究対象」から「労働力」へと段階を移しつつあります。ただし、その現状は「産業全体で実用化された」のではなく、一部企業での実証・限定導入が進む段階である点は正確に押さえておく必要があります。 米Figure AIの「F.03」は、同社の発表によれば、自社開発AI「Helix-02」搭載で24時間を超える完全自律稼働をライブ配信で実証。3体のローテーションを含む運用として約200時間のデモでは、約25万個の仕分けをハードウェア故障ゼロで完遂したと報じられています。一方、中国・仏山市では「30分に1台」ペースの年産1万台超量産ラインが稼働を開始したと複数メディアが伝えています。実証（米国）と量産（中国）——この2つのベクトルが交わり、実用化ロードマップが初めて具体的な輪郭を持ち始
15 min read
AI・テクノロジー

Google「HEIR」が切り拓くPrivate AIの実用化：完全準同型暗号（FHE）による復号不要の暗号化推論とクラウドAIの未来

Googleが完全準同型暗号（FHE）向けオープンソースコンパイラ「HEIR」の最新進展と実用デモを公開。データを暗号化したまま復号せずにAI推論を実行する『Private AI』の全貌、MLIRアーキテクチャ、実証された4つのユースケース、専用ハードウェアアクセラレーションの最前線を徹底解説します。
10 min read
AI・テクノロジー

PLCとAIが融合する次世代ファクトリー——OPC UA over TSNとエッジ推論で変わる産業オートメーションの設計思想

はじめに — 工場の「脳」が進化する瞬間 あなたは製造現場のエンジニアだろうか。それとも、工場のデジタル変換を推進する意思決定者だろうか。 どちらであれ、こうした経験に心当たりはないだろうか。 「PLCのラダープログラムに不具合が出ているが、数百万行のコードから原因を探し出すのに丸3日かかった」 「AIで予知保全をやりたいと言われたが、いざ試すと制御ループと推論エンジンのタイミングが合わず、結局クラウドに丸投げした」 「異なるメーカーのPLCをつなぐために、ゲートウェイボックスを3段重ねにして、レイテンシが蓄積。結局どれが効いているのか分からない」 こうした「痛み」の根っこには、ひとつの根本的な対立がある。PLCという「確実だが頭が固い」制御装置と、AIという「柔軟だが不確実」な技術の間の、長年の断絶だ。 しかし2026年、この断絶がついに埋まりつつある。 PLCのバックプレーンに直接AIチップが搭載される。OPC UA over TSNという標準技術が、メーカーごとのプロプライエタリ通信の壁を壊し、マイクロ秒級のリアルタイム性を標準イーサネットで実現する。IEC 61
34 min read
AI・テクノロジー

デジタルツインが変える製造業の現場——340億ドル市場が3,850億ドルへ急成長する中で、何ができるのか

はじめに：製造業の「見えない損失」を可視化する 工場の生産ラインが突如として止まる——その「1秒」が、自動車産業では約600ドルの損失を生む。世界の製造業が毎年抱える計画外ダウンタイムによる損失は、実に1.4兆ドルに達する。これは業界収益の約11%に相当し、決して他人事ではない数字だ。 設備は「いつ壊れるか」を教えてくれない。熟練技術者の「音や匂いで異常を察知する」ノウハウは、退職とともに消えていく。品質不良の原因究明には何日もかかり、その間もスクラップは積み上がる。 これらはすべて「見えない損失」——可視化されず、測定されず、だから改善もされない。 この損失を根本から変える技術が、デジタルツインだ。 物理的な設備やプロセスの仮想モデルをリアルタイムデータで同期させ、故障を事前に予測し、生産ラインを仮想空間で最適化する。市場は2026年の340億ドルから、2034年には3,850億ドルへと年平均35%の急成長を遂げると予測されている。 本記事では、デジタルツインの基本概念と技術構成から始め、BMWやトヨタの先行事例、導入コストとROIの現実、PoC失敗の5類型とその回避策、
23 min read
防災・災害

ドローンスウォームが変える戦争と平和 — AI群飛行技術の現在地と民生・軍事の境界線

はじめに — 「1人の操縦者が100機を指揮する」時代が来た 2025年、ウクライナ戦場。目の前には1人のオペレーターがいる。彼の指先はタブレット画面で躍り、空には100機を超えるドローンが「群れ」のように飛んでいる。通信途絶、GPS妨害、敵の防空システム——いずれの障害も、この群れを止めることはできない。 これはSF映画のシーンではない。2025年から始まった、ドローンスウォーム（群飛行）の実戦投入だ。
29 min read
AI・テクノロジー

Condition-Based Monitoring（CBM）が変える産業保全 — 振動・音響センサーとAIが予測する機械の寿命

はじめに — 読者の痛みを共感し、解決を約束 「先週の点検では異常がなかったはずなのに、今朝突然ラインが止まった。」 製造現場でこんな言葉を聞いたことがあるだろうか？ 設備の予期せぬ故障は、生産計画を狂わせ、納期遅延を引き起こし、時には安全事故につながる。設備管理者にとって、この「突然壊れる」という不安は、日常的なストレスの最大源泉だ。 従来の対策は「定期点検（Time-Based Maintenance: TBM）」だった。メーカー推奨の周期で部品を交換し、一定間隔で点検を行う。しかし、この手法には根本的な限界がある。設備の実際の状態に関係なく、カレンダーだけで保全を判断しているのだ。結果として、まだ使える部品を捨てる「過剰保全」と、点検の隙間を突く「予期せぬ故障」が同時に発生する。 そこで注目されているのがCondition-Based Monitoring（CBM：状態基準保全）だ。振動センサー、音響センサー、温度センサーが設備の「生の声」をリアルタイムで捉え、AIがそのデータから故障の兆候を早期検知する。これが予測保全（予知保全：Predictive Maintenan
25 min read
防災・災害

緊急地震速報はどう動く？——AI時代の地震検知と予測の最前線

はじめに 地震検知とは、地盤の振動を地震計で感知し、揺れが広がる前に速報を発表する仕組みのことです。P波とS波の性質を利用して、揺れの到達を予測し、被害を最小化するための情報を迅速に提供します。現代の緊急地震速報（EEW）は、広範な地震計ネットワークと高速データ処理を組み合わせ、揺れの初期段階を検知してから到達情報を自治体やスマートフォンへ伝えます。AIは大量の地震データを学習することで、検知の精度向上や震度推定の迅速化を支援します。 本稿の目的は、技術の全体像を日常生活の文脈で読み解くことです。個人が知っておくべき基本、スマートフォンのEEW設定や防災アプリの選び方、信頼できる情報の読み解き方を紹介します。情報遅延の原因には、地震計の配置、通信網の混雑、処理アルゴリズムの成熟度など複数の要因が関与します。これらを理解することで、机上の備えだけでなく、実際の避難行動や家具固定、避難経路の確保といった具体的な準備につながります。 将来はAIの性能向上と地域ごとのリスク差を踏まえた個別の対策が重要になるでしょう。家族や地域での役割分担を想定した備えづくりは、日常の安心感につながります
9 min read
AI・テクノロジー

TRAJDEBUG: Tracing Error Lifecycle to Identify Critical Failures in Long-Horizon Agent Trajectories

設計思想と読者の疑問に答える導入 長距離エージェント軌跡には、単発のエラーでは説明できない複雑な因果関係が潜んでいます。TrajDebugの設計思想は、致命的エラーの所在を特定するための実用的な枠組みを提供することにあります。長い履歴を等分に見渡すのではなく、重要な転換点を抽出して原因と影響を結びつけ、エラーの発生に至る過程を可視化します。長期軌跡における信号は微弱で散逸しやすく、局所情報だけでは判断が難しいため、履歴圧縮の考え方を導入して局所情報を要点だけに集約します。 この難しさへの対処は、伝統的なデバッグ手法とは一線を画します。従来のデバッグは短期の挙動や単一イベントの再現性に依存することが多いですが、長時間の決定をまたぐ影響は累積的であり、因果関係の証拠をエビデンスとして結びつける必要があります。証拠ベースのエラー特定とクリティカル属性追跡の組み合わせにより、最終的な失敗に至る前段階の手掛かりを追跡できる設計を志向しています。 読者が本稿から得られるのは、長い軌跡のデバッグを現実的な手順と指針に落とし込む方法です。履歴の要点抽出、原因と結果の結びつけ方、実務での運用上の留
6 min read