論文を読んでもらえば分かりますが、このレポートは、AIが自己改造（アップデート）して急速に賢くなっていくという、そういう古い考え方を否定しています。 役割の異なる複数のAI（エージェント）が協調して働くことにより、組織的に賢くなっていこうという考え方で、この仕組みは数学の難問を解く場合などでも成功を収めています。 また、その協調システムの中に人間も参加することまで想定されています。

『Googleの新AIレポート』 📌「単一の超知能が急激に発展して神のような知性へ到達する」というシンギュラリティの考え方は、根本的に間違っている。 ✅人類の大きな知的進歩は、個人ではなく社会や集団の協力によって生まれてきた。 ✅AIでも同様に、重要なのは単体の巨大モデルより、複数のAIや人間が協力する仕組みだ。 ✅実際に最先端の推論モデルでは、内部で複数の視点が議論するような「思考の社会」が自然に現れている。 ✅そのため、AI開発の軸は「モデルをさらに巨大化すること」から「より豊かな協調システムを作ること」へと移るべきだ。 ✅AIガバナンスも、個体の完全な整合より、役割分担・相互監視・制度設計といった組織原理で考えるべきだ。arxiv.org/abs/2603.20639B

「AGIは1万行未満のコードだったと後から分かるかもしれない」——知能そのものは本質的には小さく、重いのは知識層のほうかもしれない、ということだ。もしそうなら、これまで僕たちが見てきた「AIの進歩」は、知能の発明そのものというより、巨大な知識と計算で近似してきた過程だったことになる。 要があります。ひとつは、いわば流動知能エンジンです。これは非常に小さなコードベースと、それに付随するごく小さなモデル群になるだろうと思います。おそらくサイズ感としてはメガバイト単位でしょう。 その一方で、その下層には、いわば知識ベースが載ります。流動知能は何らかの知識を使わなければならず、その知識のほうはずっと大きな容量を占めるはずです。この二つは区別することが重要だと思います。 私は、後から振り返ったとき、AGIを作る仕組みは1万行未満のコードベースだったと分かるはずだと考えています。そして、もし1980年代の時点でそのやり方が分かっていたなら、当時利用可能だった計算資源でもAGIは実現できていたはずです」

CPU vs GPU vs TPU vs NPU vs LPU, explained visually: 5 hardware architectures power AI today. Each one makes a fundamentally different tradeoff between flexibility, parallelism, and memory access. > CPU It is built for general-purpose computing. A few powerful cores handle comand system-level tasks. It has deep cache hierarchies and off-chip main memory (DRAM). It's great for operating systems, databases, and decision-heavy code, but not that great for repetitive math like matrix multiplications. > GPU Instead of a few powerful cores, GPUs spread work across thousands of smaller cores that all execute the same instruction on different data. This is why GPUs dominate AI training. The parallelism maps directly to the kind of math neural networks need. > TPU They go one step further with specialization. The core compute unit is a grid of multiply-accumulate (MAC) units where data flows through in a wave pattern. Weights enter from one side, activations from the other, and partial results propagate without going back to memory each time. The entire execution is compiler-controlled, not hardware-scheduled. Google designed TPUs specifically for neural network workloads. > NPU This is an edge-optimized variant. The architecture is built around a Neural Compute Engine packed with MAC arrays and on-chip SRAM, but instead of high-bandwidth memory (HBM), NPUs use low-power system memory. The design goal is to run inference at single-digit watt power budgets, like smartphones, wearables, and IoT devices. Apple Neural Engine and Intel's NPU follow this pattern. > LPU (Language Processing Unit) This is the newest entrant, by Groq. The architecture removes off-chip memory from the critical path entirely. All weight storage lives in on-chip SRAM. Execution is fully deterministic and compiler-scheduled, which means zero cache misses and zero runtime scheduling overhead. The tradeoff is that it provides limited memory per chip, which means you need hundreds of chips linked together to serve a single large model. But the latency advantage is real. AI compute has evolved from general-purpose flexibility (CPU) to extreme specialization (LPU). Each step trades some level of generality for efficiency. The visual below maps the internal architecture of all five side by side, and it was inspired by ByteByteGo's post on CPU vs GPU vs TPU. I expanded it to include two more architectures that are becoming central to AI inference today. 👉 Over to you: Which of these 5 have you actually worked with or deployed on? ____ Find me → @_avichawla Every day, I share tutorials and insights on DS, ML, LLMs, and RAGs.

#robot 配送ロボット 自律移動ロボット #mlai 世界モデル 2027-2028予想　無保証 -- ポケモンGO由来の既存世界モデルを配送ロボットが活用・更新する。 転換点は2016年。 ロボット走行で生きた地図が進化、2027-28年頃に知性的な判断が可能かも。 --

#robot 配送ロボット 自律移動ロボット #mlai 世界モデル -- ポケモンGOの流行で集めた30億枚の「ただの自撮り風スキャン」が、NianticのLGMという世界モデルを支え、ロボットに「現実の道案内」をさせている。 転換点は2016年頃だったかも知れぬ

人間の本質が知性にあるとすれば肉体というハードに維持コストを割くのは合理的でない。なので2万年後には人類はスライム状の思考物質になっていて、他の生命体の脳に寄生して生きていると予想。

加速しているのはAIだけではない。ロボティクス、バイオ、長寿、交通、金融までが同時に進化し、しかもその全てが計算能力の爆発的増加によって接続され始めている。個別の産業革命が順番に来るのではなく、文明のアップデートが並列で走っている。いま起きているのは、その入口だ。 イーロンが作った『超音速の津波』という概念、そして私自身も語ってきたその考え方の本質は、あらゆるものが、あらゆる場所で、同時に変化しているという事実です。 そしてその変化のスピードは、私たち人類がこれまで一度も経験したことのないものです。これはAIだけの話ではなく、AIを支えているあらゆる基盤技術の話でもあります。 私たち人間をこの地球上の他のあらゆる種と分けているものは何か。私たちは最も速いわけではありません。最も強いわけでもありません。おそらく、そしてそうであってほしいのは、最も知的であるということです。そしてこの知能という独自の能力が、民主化され、低価格化されつつあります。つまり、携帯電話を持っている人なら誰でも、単なる知能だけでなく、ほどなくして超知能、いわば『ポケットの中のアインシュタイン』にアクセスできるようになるということです。 そして、80億人がそうした能力を、事実上無料で自分のスマホ上で手にするようになれば、すべてが変わります。その一方で、AIは指数関数的に成長しています。しかも、ちなみに言えば、減速しているのではなく加速しています。 さらに同時に、他にも数多くの指数関数的技術が進展しています。ヒューマノイドロボット、そしてロボティクス全般が、AIに支えられながら実用化されつつあります。加えて、バイオテクノロジーやヘルステックでも根本的なブレークスルーが起きており、私が情熱を注いでいる『寿命脱出速度』へと向かっています。どうすれば健康な期間を何十年も延ばせるのか。寿命や健康寿命が100年、120年、150年を超えるようになれば、世界経済のあり方は大きく変わり、私たちがこれからの人生をどう見るかも変わっていきます。 それと同時に、私たちは自動運転車や空飛ぶ車によって交通を再発明しつつあります。さらに、社会の金融インフラ全体がトークン化されようとしています。 こうしたすべてのことが、計算能力の大幅な向上によって同時に収束しているのです。これこそが、津波なのです」

#technology 迷走　寄り道 迷走と寄り道 -- 「迷走」は台風・AIの最適化行動に見える無秩序を「悪意ではなく法則の帰結」と再解釈する象徴語。 「寄り道」は好奇心の勾配に従う知的探索・横道を肯定的に呼ぶ表現。 どちらも直線的でない動きを自然・知の本質として肯定するキーワード。 --

#mlai AIによる自然科学研究 #technology AIによる技術開発 暫定的意見 査読システム 人間による査読に頼らず、 AIによる査読システム(メカニズム) を作る必要がありそう。 特許権審査 特許権(近代以降の経済的保護) システムが過去の遺物になるかも