AIツールはテクノロジー企業で急速に普及しているが、その実際の価値を測定することは難しい。この記事は、多くの企業がAIに盲目的に巨額を費やしながら、支出と成果を結びつけることができず、無駄と盲目的な削減を引き起こしていると指摘する。著者は自身の経験に基づき、AI支出と作業成果を結びつける属性ベースの測定方法を提案する。

AI BoostはMCPサーバーであり、開発者が自身の専門知識（コーディングパターンや規約など）をセッションからキャプチャし、インデックス化して、将来のLLMエージェントセッションに自動的に注入できるようにします。プライバシー、コントロール、コミュニティ共有を重視します。

Forever Healthy財団は、500以上の厳格な査読を受けた長寿研究のエビデンスレビューを集めたオンラインプラットフォームEvipedia.aiを立ち上げ、研究者や一般向けに信頼できる情報を提供します。

FinMind AI は、AIを活用して投資と日常の財務管理を支援する自動パーソナルファイナンス＆ウェルスインテリジェンスツールであり、財務上の意思決定を簡素化し、インテリジェントな洞察を提供することを目指しています。

1年前のロンドンテックウィークでNVIDIAのジェンスン・フアンCEOと英国首相スター氏が英国をAIメーカーと宣言。今年のイベントでNVIDIAとパートナーは、インフラ、スタートアップ、企業におけるAIの進展を披露。主権AI展開、Isambard-AIスーパーコンピュータ、複数の革新的アプリケーションを含む。

この新しい格言は、古典的なプログラマーの皮肉「クラウドは他人のコンピュータ」を現代的にアレンジしたもので、AI時代の技術依存の現実を反映している。

Web SpeedはHTMLページをAIエージェントが読みやすいサイトマップに解析し、完全なHTML分析を避けることでエージェントをより安価かつ高速にします。MCPネイティブで、グローバルなサイトマップキャッシュを備えています。

本論文は、外部CCTVカメラネットワークとエッジコンピューティングのみを用いて複数ロボットの隊列を調整する手法を、実倉庫で実証した。システムは画像空間で動作し、ロボットにタスク固有のナビゲーションハードウェアを必要としない。

AxisGuideは、RGB観測にロボットのベース座標軸を明示的に描画する軽量ガイダンス手法であり、動作座標系の理解を助け、分布シフト下での操作性能と汎化能力を大幅に向上させる。RSS 2026に採択された。

自律サイバーフィジカルシステム（CPS）はモデルベースシステムエンジニアリング（MBSE）とデータ駆動型機械学習/人工知能（ML/AI）の交差点に位置するが、両方をネイティブにカバーする統合システムエンジニアリング（SE）手法は存在しない。本稿では、厳格なMBSE Vプロセスの各ステップにデータ駆動ループを拡張し、SysML、自律スタック、ハイブリッドモデルベース＋データ駆動トレードオフアーキテクチャに基づくIDDMBSEを提案する。オープンソースツールチェーンPERFECT（SysMLシステムアーキテクチャを実行可能なROS自律スタックにマッピング）、TRADES-X（設計空間探索をモデルベース最適化とデータ駆動評価に分解）、VERITAS（形式検証、データ駆動検証、実行時検証を統合）として具体化。信頼できる自律地上ロボットでセンサースイート選択、リスク感応経路計画、行動木タスク検証、コンフォーマル予測に基づくロバスト認識、マルチロボット調整を実証。SysML v2/KerMLへの再構築が進行中。

SCOUTは、アクティブトラバーサルと確率的シーングラフ構築を連携させたオンライン意味探索フレームワークである。不確実性を考慮した3Dシーングラフを用いて視点選択を導き、意味的確実性の向上、幾何学的カバレッジの拡大、移動コストのバランスを取ることで、環境理解を能動的に深める。

本論文は、7自由度マニピュレータが非把持ボールジャグリングを行うためのモデルベース最適制御フレームワークを提案する。2段階の最適制御アプローチにより、オフラインで実行可能なジャグリング軌道を計算し、オンラインで最適化問題を解くことなくリアルタイムの誤差補正を可能にする。シミュレーションとFranka Emika Pandaロボットでの実験により、コントローラの有効性を検証した。

本論文は、ツリー上のマルチエージェント経路探索（MAPF）の複雑性を、距離、メイクスパン、フロータイムという標準的な目的関数と、ラベル付きおよび色付きのバリアントに対して解決するシンプルなフレームワークを提示する。ツリー上でのラベル付きおよび2色MAPFがすべての目的関数でNP困難であることを証明し、古典的なペブル移動問題を解決する。すべての結果は、スタック再配置問題のNP困難性を通じて確立される。

本論文は、日常のインターネット動画をロボット操作ポリシーの共訓練に利用する際に転移を左右する要因を調査している。著者らは532本の人間動画、28時間の高品質な三角測量による手ラベルを含む新データセットを構築し、手のポーズ品質が転移に影響するが、正確な手でも動作ギャップが存在し、視覚・ポリシーネットワークが各実施形態に特化しない限り転移を妨げることを発見した。提案する共訓練レシピにより、低ロボットデータ環境で6つの操作タスクにおいて成功率が29.7%絶対的に向上した。

PhyRoGenは、手続き型コンテンツ生成（PCG）を活用して物理ロボット操作パズルの合成データセットを自動生成するフレームワークであり、訓練データ収集の時間と手間を削減する。物体間の依存関係を持つパズルを生成し、サンプリングベースの計画アルゴリズムとKUKAロボットのシミュレーションで検証された。

汎用ロボット知能のボトルネックはポリシー学習だけでなく、非構造化行動データを根拠のあるロボット監督に変換するメカニズムの欠如にあると主張する立場論文。著者らはデータ、身体性、世界モデル、報酬の4つの不足インターフェースを特定した。

ディープフェイク検出システムはベンチマークではほぼ完全な精度を達成するが、法医学的展開には信頼性の高い予測不確実性が必要である。提案された相関最適化融合（COF）は、5つの補完的な不確実性源を融合し、わずか42秒の最適化で済む。分布シフト下では他の手法を上回るが、データセット間評価では壊滅的な汎化失敗を示し、ドメイン適応型UQが重要な課題であることを明らかにしている。

ViSAEは、概念回路を通じて視覚Transformerの内部動作を理解するための神経科学に着想を得た機械論的解釈可能性ツールボックスである。プロービングスイート、概念読み取りと回路追跡アルゴリズム、ViTの行動を監査・操作するアプリケーションを備え、WaterBirdsで最悪グループ精度を48.2%向上させる。

DIRECTフレームワークは、挿入条件を外観、幾何、コンテキストのガイダンスに分解することで、ポーズ制御可能なオブジェクト挿入を実現し、幾何学的制御性と視覚品質において既存手法を上回る。

本論文ではDTG-FFを提案し、複数の実データベンチマークでFF（Forward-Forward）学習の最先端を達成したが、実データではバックプロパゲーション（BP）がFFを大きく上回り、クラス数増加に伴い差が拡大すること、合成タスクがFFの転送可能性を過大評価すること、公平なハードウェア比較ではFFのメモリ優位性が成立しないことを示した。

WorldBenchは、多様な視覚入力に対するMLLMの性能を評価する新しいマルチモーダル推論ベンチマークです。数千の視覚概念の分類体系に基づき、手動で設計された挑戦的な質問を含みます。15モデルの評価では、最強モデルでも精度64.0%にとどまり、一部はチャンスレベル並みで、視覚理解の弱点が明らかになりました。

本論文はAE-YOLOフレームワークを提案する。軽量ボトルネックオートエンコーダをFPN-PANネックに統合し、CBAM注意機構と分散最大化正則化を導入、さらにYOLOv8・v10・v11の予測を融合することで、UAV画像における碍子欠陥検出の精度と再現率を大幅に向上させた。

本論文は、CAT793Fオフハイウェイトラックシミュレータで撮影した実際のコックピット画像に対し、U-NetとDeepLabV3+の畳み込みニューラルネットワークを用いて前景と背景のセグメンテーションを行い、複合現実における仮想画像と実画像の融合を支援する手法を提案する。約90%の精度が報告され、最良モデルが特定された。

研究者らはOPDLMを提案し、オンライン政策蒸留を用いて自己回帰言語モデルを拡散言語モデルへ効率的に変換する。訓練と推論の不一致と知識喪失の課題を解決し、訓練トークン数を15倍から7,000倍削減する。

新しい論文は、長期的なウェブエージェントが各ステップで完全なDOMを読み込むことでコンテキスト過負荷に陥ると指摘し、軽量な信号検出器が発火した時のみ専用サブコールを再実行する信号駆動型観察（SDO）を提案している。

75か国1500件の自由回答を分析した結果、人々がAIに求める価値観は極めて多様で矛盾していることが判明。ほとんどの価値観は回答者の4分の1未満しか挙げず、「真実性」だけが49%で例外だったが、その定義は「根拠のある主張」「専門家の意見」「不人気な見解」など様々。一部の能力（人間らしさ）や機能（ガードレール）は賛否両論。研究者は、現在のRLHFによる調整方法は文脈に応じた複雑な選好を単一モデルに押し付け、「認識的暴力」を引き起こすと警告している。

本論文は、チャットテンプレートのプレフィックストークンが微調整された振る舞いをドメイン外クエリに乗せて運ぶというピギーバック仮説を提案し、トークン正則化微調整（TReFT）によりドメイン内学習を保ちながら創発的ミスアラインメントを低減する手法を提示する。

CAF-Genは、反復的な作成者・レビュアーパイプラインを通じて、浅い議論構造をCAF準拠のモデルに enrichment するマルチエージェントフレームワークであり、単一パス生成モデルの構造的不安定性を克服する。

本研究では、トークンレベルの不確実性信号を用いて、言語モデルの推論失敗を2つの異なるプロセス（コミット型失敗と持続的不確実性）に分類。23のモデル・データセット構成で検証し、20例で予測が成立。自己整合性への応用可能性も示す。

UnpredictaBenchは、大規模言語モデル（LLM）が真の分布を捉える能力を評価する新しいベンチマークです。LLMが経済シミュレーションなどで人間の代わりとして使われるようになる中、多くのモデルが単一の答えに収束する傾向があり、現実システムの予測不可能性を捉えられません。このベンチマークは448の問題から構成され、典型的な統計分布、確率的プログラムによる分布、ランダムプロセスを記述した自然言語シナリオを含みます。KS@N指標を用いて、モデル出力が目標分布にどれだけ近似しているかをKolmogorov-Smirnov検定で評価します。実験の結果、モデルのスコアは大きなばらつきを示し、KS@100では0%近くから20%超まで分布し、40%を超えるモデルはありませんでした。推論を追加するとスコアは多少向上しますが、根本的な解決にはなりません。UnpredictaBenchは、単純な分布シミュレーションでさえ困難であり、複雑なシステムの代役としてLLMを使うための第一歩として必要であることを示しています。