ブログをチェックしていると、よくわからないがまともそうなコメントがあった。しかし、普通に考えて、そんなコメントがつくはずもない。プラグインはスパム判定をしている、ということで調べてみた。
差し出し人が「xmc.pl」となっているので、検索＋Geminiにコメントをさせてみた。
これは、「褒め殺しスパム」と類のスパムのようで、AIを使って生成された自動送信スパムとのこと。誘導が目的のスパムコメントのようなので、スパム判定は正しいようだ。
生成AIが一般的になって、このような判別の苦労が増えた気がする。
https://blog.google/innovation-and-ai/technology/developers-tools/embeddinggemma-2
EmmbeddingGemma2は、「テキストだけでなく、コード、画像、動画、音声といった様々な要素を共通の埋め込み空間に統合します。Gemma 4アーキテクチャをベースに、商用利用が可能なApache 2.0ライセンスでリリース」とのこと。使用RAMは最小約191MBとのこと。
このくらいのサイズであれば、LM Studioで普通のノートPCで動作させられそう。ちょっと試す価値はある。
MicrosoftのCopilotの発表だが、細かい部分の差はあるけれど、業務利用の生成AI環境として再編した、という印象。MicrosoftもGoogleも個別にいろいろとAIツールを出しているので、通常業務をアシストするAIやAIエージェント、コーディングエージェントなどはサービス群として持っている。だけど、ツールが散らばっていて、わかりにくい。
Introducing the new Copilot with Home, Code and Autopilot
Microsoftのメッセージは、「Copilotを「質問に答えるAI」から、仕事を代行し、アプリを作り、自律的に業務を進める総合AIプラットフォームへ進化」ではあるけれど、ここら辺は、使う側の問題ではあるが、出来ていたこと。
なので、通常利用のCopilot Home、コーディングエージェント系のCode、自立型AIエージェントのAutopilotに再編した感じだ。これで一般のビジネスユーザ向けにシンプルでわかりやすくなった感じ。
背景を考えてみると、AIエージェントやコーディングエージェントというと、Copilotの印象はほぼない。少なくとも自分の中では、ClaudeやChatGPTなどが先に思いつく（GoogleのGeminiもほぼないのがヤバイ）。アーリーアダプタや開発者（プログラマー）は、Claudeなどの最先端ツールをホッピングするので、相手にしていられないが、その次にやってくる一般ビジネスユーザまで、そっちに流れてしまうと、ビジネスユーザという属性の中で、Microsoftが優位性を保てない。なので、Claudeに乗り換えなくても、Copilotで出来る、とアピールして囲い込む必要があるのではないかと考える。実際、Copilotも課金することで、裏側のLLMとしてClaudeを読み出すことができる。ライセンスやアカウント管理などを考えると、既存のMicrosoft 365の中で完結した方が企業としても便利なわけなので。
まぁ、結局、ライセンス体系というか、コストの部分はわかりにくい状態ではある。プラスアルファのCopilotライセンスを買えば、概ねカバーできそうではあるけれど、M365の通常契約の中にどれがついてくるのかがわかりにくい。
難しい内容は無し。ストーリー形式で追体験な感じで、Geminiの使い所やプロンプト活用をやっていく形。生成AIの使い方というよりも、ビジネスフレームワークの使い方の本という方がよいか。フレームワークを使うときに、人が思考して、ひねりだしていた部分が、ごっそり生成AIで実行されている感じ。どうやってやるか、の部分が生成AIで代替されているので、かなりお手軽に実行できる。使う側で、問題が発生するとすると、なんで、そのフレームワークなのか、そのフレームワークはなんなのか、抜け落ちるところだろうか。まぁ、生成AIに解説させれば、そのフレームワークについてはわかるわけだが。そこまではほとんどの場合、思考が回らないような気がする。
それにしても、生成AIのドリル系（実践型）がストーリー形式で追体験の本が多いのはなぜだろうか。PythonやShellのように、100本ノック的な本がないわけで。単純に、プロンプトの反復練習的なものでもいい気がするのだが。まぁ、それはそれとして、ビジネスシーンを考えると、どういうときに、どのような使い方というストーリー形式がわかりやすいか。
Amazon：https://amzn.to/3TGczp5
富士通が日本国内で設計・開発した国産次世代CPU「FUJITSU-MONAKA」の外販が2026年下期から始まるとのこと。
https://ai.watch.impress.co.jp/docs/news/2140574.html
「FUJITSU-MONAKA」は、AI推論性能が高いとのこと。なので、学習済みのモデルを動作させ、AIを使うサーバのよい。AIで使っているGPUやNPUも外国モデルばかりなので、日本発のAI向けCPUの発売はいいこと。あとは、事業が起動に乗ってくれればよいのだけど。製造はラピダスでも行うとか。
CPU単体売りもするし、FUJITSU MONAKA Serverとして、サーバ単体で動作するモデルも売るようだ。お手頃価格で出てくれるといいのだけど、富士通だから安くはならないような。Mac Studioくらいだといいけれど、無理そうな気がする。
安全保障のことも考えると、純国産でAIを動作させる環境はあったほうがいい。というか、積極的に国内のAI基盤で使ってほしいと思う。が、コストやらなんやらの問題で渋られそうな気がする。圧倒的な性能だったら、きっとMSとかGとかAWとかが買ってくれて採用してくれるといいのだけど。日本だと、さくらインターネットあたりに期待したいところ。
Claude Coworkを使って、直接Wordpressを操作して、LP（ランディングページ）を作らせたという内容の記事があった。
https://tcd-theme.com/2026/09/claude-wordpress-lp.html
GeminiやChatGPTを使って、LPのHTMLを生成させることはできるので、それを公開できるのは自分でも試したことがあるのでわかる。Claude Coworkで直接ブラウザ操作させて、WordpressでLPを作れるとは。便利というよりも、何か怖い。簡単に作れるというのはいいのだけど、AIに操作をゆだねてしまっているので、変な内容の記事をかかれたり、記事を全部消されたり、見た目（テンプレート）をいじられたりすることを考えると怖いとしか言いようがない。
あと、これを使うと、他のサイトと同じようなデザインのLPもつくることもできるのだろう。それはそれで悪用されそうで、やっぱり怖い。それは使う人の問題なんだろうけれど、防ぐことができないのがなんとも。
ローカルLLMの特集はとてもおもしろかった。前にOllamaで試したことがあるけれど、今回の特集を読んで、LM Studioに切り替えて、もう一度、いろいろと試してみた。APIで他のPCからもつなげるので、エージェントを実行するPCと分けられたので、メモリ不足、パワー不足を補えたのでよかった。この特集を読めてよかった。
この特集にもあるように、利用用途にもよるけれど、コスパ的にはクラウドのLLMを利用するほうがよい。個人的な実感でもそうだったけれど、特集の中でも言及されており、裏付けがとれてよかった。ただ、なんらかの要因でクラウドLLMが使えなくなる可能性も考えると、オープンモデルをローカル環境で、どこまで動作させられるのかを試すのは、重要。Gemma4の軽量モデルだと、ビジネスPCでも、さくさくと応答を返してくれる。簡単な利用なら、十分かもしれないと思える程度には使えた。いいきっかけなので、もう少し試してみようと思う。
あと、いろいろと使ってみた感じたのは、コスパは悪い、というのはわかっていても、Mac StudioとかでローカルLLMの仕組みを作ってみたいという欲にかられる。そんなに使う機会はないし、システムに組み込むのもめんどくさいのだけど。どこか夢のような惹かれ方をする。
LLM以外の話だと、「次世代ツールの本命」の特集もよかった。ずっと同じ環境というわけでもないし、次に流行りそうなものは重要。乗り換えるかどうかは別にして、把握はしておきたい。いろいろと面白かった。
Amazon： https://amzn.to/4ifuehf
Intel Core Ultra5、メモリ16GBのLet’s Note SC6で、ローカルLLMを動かしてみた。最初は、WSL上のOllamaでGemmaを動作させてみたが、CLIで他の人に使ってもらうには、少し敷居が高かった。今回は、GUIでLM Studioを使ってみた。
LM Studioは、GUIツールなので、インストールも楽ちんだった。起動させるのもGUI、モデルを探してダウンロードするのもGUI、当然チャットの部分もGUIで、回答もリッチテキストでよい。便利ではあるのだけど、モデルのダウンロードは少し大変だった。PCスペックに対して、動くかどうかの判定はついているだが、モデル数が多すぎて、選ぶのが大変だった。たとえば、GoogleのGemmaで探しても、Googleのものもあれば、他の組織がチューニングしたものもある。どれが動くのか、見て選んでいく必要がある。ここが結構大変だった。
Intel Core Ultra5、メモリ16GBのLet’s Note SC6で実際に動作させてみたのは、以下のモデル。
Gemma4は、最新なので使えるメモリで使えるサイズのモデルを選択した。12B（120億パラメータ）もサイズが7.2GBでなんとか動作した。
Llamaはmeta社が開発したモデルだけれど、かなり派生が多いモデルで選ぶのが大変だった。どれがよいのかわからないので、日本語に特化したELYZAを選んでみた。その後、比較のため、Llama3.1のモデルも使ってみた。
Qwen3は、最新モデルだと少ないメモリで動くモデルがなく、少し前のモデル（3.5の9B、90億パラメータ）を試してみた。
ここに挙げたモデルは、メモリ16GBのWindows11のPCで動作できた。オンラインのモデルと比べると雲泥の差の応答速度だけれど、まぁまぁの速度で返答の文字が表示されてくる。タスクマネージャーをみてみると、CPUはそれほど使っていないが、GPU（Intel Graphics）は100%まで使って回答をしてくる。
OpenAIがMac miniやMac Studioを買い占めるということは、それだけAIワークロードに適したマシンという証明なんだろう。
OpenAIが数万台のMac miniとMac Studioを買い占め
https://gigazine.net/news/20260831-openai-tens-of-thousands-apple-mac-mini-studio
Macが売れるほうが使っているユーザ側としては、売れるほうがプロダクトが続くので喜ばしくもある。でも、品切れで買えなくなったり、売れるから販売価格が高くなるリスクもあり、手放しでは喜べず。
あと悩むのは、ここまでローカルAIを動作させる性能が高いので、ちょっとスペックを上積みして、AIを動作させてみたくなってきた。そうなると、ホームユースの普段使いには、AIモデルが動いているのは、ちょっと怖い。
これも十数年に1回おきるAppleブームなのだろうか。昔、Power Mac G5やXserve G5でクラスタを組んでスパコンをつくる時代があった。今回も、複数のMac miniやMac Studioをつないで、AIワークロードをつくれるようになっているとのこと。モニタがないデスクトップモデルならではの使い方で面白いと思う。
「特権ID NHI管理入門」もよかったけれど、「誰も教えてくれないLLMの話」が面白かった。確かに疑問には思っていても答えてくれるものはない。本が出ていたとしても、LLMの世代が変われば、変わる話が多いので、ささっと読めるのはよかった。
特権IDの話は、「特権NHIの脅威を理解するうえで最も重要なのは、人間のIDが『利用者本人の認証』によって保護されているのに対し、特権NHIは『認証情報そのもの』が本人である点です。」というのが目から鱗だった。言われてみて考えてみると、確かにAPIキーとIDの組み合わせに対して、権限をつけているので、人間のようなMFAなどはなく、正しい組み合わせでアクセスしてきたら権限通りに動作するようになっている。だから、アクセス自体が認証そのものだ。これ（APIキーやトークンなど）が漏れる可能性もあるので、細かい権限設定と定期的な変更が必要というのはわかる。でも、大変なのでついつい忘れがちになる。権限の見直しなどは、追加するときは依頼ベースでの対応になるので実行されるけれど、権限の削除は行われにくいわけで重要なのに後回しになりがちなので気をつけないといけない。あとは、人間が使う特権IDの管理も特権IDアクセス用のシステムをいれないとというのはわかるがめんどくさい。だけど、やらないとは思うのだが。
誰も教えてくれないLLMの話は、「モデル崩壊」の部分がよかった。AIを使って、AIを鍛えると、モデル崩壊する原因やその対策、AIでAIをきたえればいいじゃん、と思うけれど、それが難しい理由もわかった。自分自身のフィードバックループだけでは、なかなか鍛えられていかないわけだ。ある程度、現実世界に即した何かが必要になると。それに「Web全体という情報生態系の健全性」というのもわかる。AIによるニュースサイトが増えて続けたり、低品質なAIによる生成記事ばかり増えると、それを使って学習するAIがモデル崩壊に近づくという。データの質は重要なわけで、フォーラムなどで有益な内容がなくなっていくといけないわけだ。個人ブログにしても、だんだんと減っていくことだろう。個人向けのブログサービス自体が、採算が取れなくなって閉鎖になるケースもあるわけで。AIによるアクセスしかなければ、そういうことが起きていくのだろう。
LLMの話で「長い推論と有効な推論は必ずしも同じではない」というのも面白かった。長いからいいわけではなく、質が重要で推論を長くすればいいわけではないと。プロンプトの質も影響するわけだ。だから、LLMを利用するときのコストは難しく「モデルがどれだけ読み、どれだけ書き、どれだけ考えたか」が跳ね返るわけで、長いインプットでも推論が少なければ安くなる、長いインプットで推論回数が増えれば増えるほどコストは高くなると・・・。なんでもかんでも構成なLLMを使えばいいわけではないというわけだ。
Amazon： https://amzn.to/3UyXDsO