🇯🇵 note AI 日本語ダイジェスト — 2026-06-15

note.com で過去 24 時間に人気の AI 記事｜タグ: #生成AI #LLM #AIエージェント #ChatGPT 各記事：① 中文摘要 ② やさしい日本語 (N3–N2) ③ [note で読む]（リンク）

---

1. 綺麗すぎる絵より、壊れかけのノイズに救われる日がある｜AI画像生成｜プロンプト｜ノイズ｜イラスト｜#401

作者 KITAcore｜キタコレ＠ログプレイヤー ・ ❤️ 26 ・ 🗓 2026-06-15 06:20 JST ・ 🏷 #生成AI ・ note で読む

📌 中文摘要

• 作者在调整AI图像生成提示词时，偶然得到了一种带有“噪声”和“崩坏感”的画风，虽然无法用逻辑解释，但被深深吸引，并决定采用。
• 作者认为，图像中的线条、碎片和余白看起来既像“崩坏”又像“新生”，这种不确定的轮廓恰好反映了当下的自我状态。
• 人类倾向于为“看不见”的事物赋予意义，比如从云朵中看出形状、从噪声中听出声音，也会将自己的情感投射到偶然生成的AI图像上。
• 作者坦言，虽然获得关注和反馈（如点赞、评论）感到开心，但同时也伴随着不安，担心这一切只是“沙上楼阁”，随时可能消失。
• 作者提出，噪声并非只是需要消除的干扰：它带来波动和余白，让观者能够将自己的感受投射进去，反而让作品更有人情味。
• 文章最后，作者表达了对读者的感谢，认为创作是孤独的，但他人的回应能让作品“拥有轮廓”，并鼓励读者在图像中找到属于自己的感受。

🟢 やさしい日本語（N3–N2）

プロンプト（AIに与える指示文）をいじっていた

何となく、プロンプト（AI画像生成のための指示文）を変えていた。

画像を出力して、少し変えて、また出力する。 ちょっと崩して、少し戻して、また壊す。

そんなことをしていたら、なぜかとても気に入る絵のスタイルが生まれた。

狙って作ったというより、偶然出会った感じだ。

AI画像生成をしていると、たまにある。

「これ、なんか理由はわからないけど好きだな」

というものだ。

理屈（理由）で説明できそうで、できない。 でも、目が止まる。 何回も見てしまう。

最近出会った曲の雰囲気とも、なぜか合っている気がした。

だから、そのまま採用した。

この記事は、そのイラストと曲を見たり聞いたりしながら書いている。

つまり今回は、私がまた懲りずに、エッセイ（感想文）みたいな記事を出す回だ。

また出た。 私の感情の記録の回である。

ノイズ（邪魔なもの）って、何だろうな

画像を見ていると思う。

ノイズ（画像の中の、じゃりじゃりした細かい模様や乱れ）って、何だろうな、と。

壊れているものなのだろうか。 崩れているものなのだろうか。 それとも、まだ形になっていないものなのだろうか。

この絵には、線がある。 破片（かけら）がある。 余白（空白）がある。 壊れているようにも見えるし、生まれかけているようにも見える。

顔はそこにある。 でも、全部は見えない。

輪郭（かたちの線）はある。 でも、はっきり決まっていない。

なんとなく、それが今の自分にぴったりだと思った。

見えないから、楽しい。見えないから、こわい

人間って、見えないものに勝手に意味をつける生き物だと思う。

雲を見て、何かの形に見える。 雑音（じゃまな音）の中に、声が聞こえた気がする。 偶然出てきた画像に、自分の気持ちを重ねてしまう。

たぶん、この絵もそうだ。

ただの線。 ただの破片。 ただのノイズ。

そう言ってしまえば、それまでだ。

でも、見ていると何かがある気がする。

悲しそうにも見える。 静かに我慢しているようにも見える。 何かを失ったようにも見える。 逆に、何かに変わろうとしているようにも見える。

見えないから楽しい。

でも、見えないからこわい。

これはAI画像の話をしているようで、たぶん人間の話でもある。

砂の上に建てたお城みたいな嬉しさ

最近、気がつくとたくさんのフォロワー（読者）さんに見つけてもらっている。

記事を読んでもらって、「スキ」をもらって、コメントをもらって。 イラストを見てもらって、反応をもらって。

本当に嬉しい。

これはきれいごとではなく、普通に嬉しい。

通知が来たら見るし、コメントが来たらにやけるし、 「スキ」が増えたらありがたいと思う。

ただ、その一方で、どこか不安もある。

なんというか、砂の上に建てたお城のような気もしている。

今目の前にあるものは、ちゃんと存在している。 でも、足元は本当に固いのだろうか。

たまたま見つけてもらえただけではないか。 たまたま流行（はやり）に乗っただけではないか。 明日になったら、全部消えてしまうのではないか。

そんなことも思う。

めんどくさいな、私。

でも、たぶんこれが本音だと思う。

嬉しい。 でも、こわい。

ありがたい。 でも、不安。

その両方が、同じ場所にある。

もしかすると、これは私の心かもしれない

これらのイラストを見ていると、ふと思う。

もしかすると、これは私の心なのかもしれないな、と。

ちゃんとした形に見せようとしている。 でも、ところどころ崩れている。

明るく振る舞っている。 でも、どこか欠けている。

楽しそうにしている。 でも、内側ではけっこう揺れている。

そういうものが、画像の中に出てしまった気がする。

もちろん、AIがそこまで考えて出したわけではない。

プロンプトがあって、モデルが計算して、画像が生成されただけだ。

でも、それを見て意味を受け取るのは人間だ。

つまり、画像が私を映しているというより、 私が画像に自分を見ているのかもしれない。

はい、出ました。 急にそれっぽいことを言う私。

でも、たまにはいいだろう。

ノイズは、消すものだけではない

普段なら、ノイズは消すものだ。

画像ならきれいにする。 文章なら整える。 データなら除外（取り除く）する。 音ならクリア（はっきり）にする。

ノイズは、邪魔者として扱われることが多い。

でも、今回の絵を見ていると、少し違う気がした。

ノイズがあるから、揺らぎ（少しの変化）がある。 揺らぎがあるから、余白が生まれる。 余白があるから、見る人が何かを重ねられる。

全部がはっきりしていたら、たぶんここまで気にならなかった。

完璧に整った絵なら、きれいで終わっていたかもしれない。

でも、崩れているから見てしまう。 欠けているから考えてしまう。 見えない部分があるから、自分の中の何かが動いてしまう。

そう思うと、ノイズも悪くない。

むしろ、ノイズがあるから人間っぽい。

見つけてくれて、ありがとう

ただ、これだけは言わせてほしい。

私を見つけてくれて、ありがとう。

記事を読んでくれて、ありがとう。 イラストを見てくれて、ありがとう。 「スキ」を押してくれて、コメントしてくれて、たまに笑ってくれて、ありがとう。

自分で何かを作って出すというのは、思っているよりこわい。

「これ、面白いのかな」 「誰かに届くのかな」 「ただの自己満足（自分のための行動）なのかな」

そんなことを思いながら、それでも出している。

でも、誰かが反応してくれると、少しだけ形がはっきりする。

ああ、ここにいてもいいんだな。

そんなふうに思える。

大げさかもしれない。 でも、本当にそう思う瞬間がある。

それでは、また

今回は、何かを説明する記事ではない。

データ分析でもない。 AI画像の技術の話でもない。 プロンプトの作り方でもない。

ただ、イラストを見て、曲を聴いて、私が思ったことをだらだら書いただけだ。

でも、たまにはこういう記事もいいかなと思っている。

ノイズの中に、何かを見る。 崩れた線の中に、自分を見つける。 見えないものに、勝手に意味をつける。

たぶん、それも創作（作品を作ること）の楽しさだと思う。

このイラストを見て、あなたが何かを思ってくれたら嬉しい。

きれいでも、こわいでも、悲しいでも、かっこいいでも、何でもいい。

その人の中で何かが少し動いたなら、たぶんこの絵はちゃんと生きている。

それではまた。

私はまた、ノイズと戦いながら遊んでくる。

▼画像をクリックして5月ランキングを確認してね。

▼KITAcoreのnote状態毎日集計/公開中：画像クリックで詳細が見られるよ。

▼KITAcoreのNote MAP

▼KITAcoreのツール

▼過去の自己紹介

---

2. 「AIは平気で嘘をつく」——でも、覚えるべきはたった3つだけ

作者 尾藤克之(コラムニスト・作家／日本初のClaude実用書出版) ・ ❤️ 18 ・ 🗓 2026-06-15 06:24 JST ・ 🏷 #生成AI ・ note で読む

📌 中文摘要

• 一般用户无需掌握Transformer、嵌入、神经网络等专业术语，就像使用手机不必了解CPU内部结构一样。只需知道如何操作即可。
• AI的核心问题是“自信满满地撒谎”（幻觉）：它本质是预测下一个词的系统，而非检索正确信息，因此会以严谨语气编造不存在的论文、法律或数据。对策是将其回答仅作为草稿，关键事实、数字、专有名词必须通过原始来源验证。
• 提问方式决定回答质量。模糊提问（如“教教我营销”）只能得到表面答案；明确指定“谁、为什么、什么格式”（如“作为资深税务师，用3条要点回答，500字以内”）能大幅提升具体性和实用性。这本质与委托下属或外包工作相同。
• 在复杂问题中加入“请逐步思考”可显著提高精度。例如将“找出合同问题”改为“①提取风险条款②说明问题③提出对策”，AI会因获得思考步骤而减少错误，尤其适用于计算、校对、多方案比较等场景。
• 掌握以上三点即可有效使用AI，无需被专业术语吓倒。那些知识属于开发者和系统集成专家，普通用户不必强求理解全部。
• 在AI时代，保持“不知道也没关系”的勇气，是重要的使用素养。

🟢 やさしい日本語（N3–N2）

AIは平気で嘘をつく——でも、覚えるべきはたった3つだけ

難しい専門用語は覚えなくていい

AIについて調べると、「トランスフォーマー」「エンベディング（言葉を数字に変える技術）」「ニューラルネットワーク（脳の仕組みをまねた計算モデル）」などの専門用語がたくさん出てきます。本や記事には、「これを全部知らないとAIは使えない」ように書いてあることもあります。

しかし、はっきり言います。普通の人がこれらの言葉を覚える必要は、まったくありません。

スマートフォンを使うのに、中の部品の仕組みを知る必要はないですよね。車を運転するのにエンジンの仕組みを覚える必要もないし、電子レンジを使うのに電磁波（でんじは）の原理を勉強する人もいません。AIも同じです。使い方がわかれば十分です。

専門家や開発者向けの知識を、一般の人が無理に覚えようとするから、「AIは難しい」という誤解（ごかい）が生まれます。本当に必要なのは、たった3つのことだけです。この3つを知っていれば、AIとの付き合い方は大きく変わります。

---

1. AIは、自信たっぷりに嘘をつく

AIの一番危険なところは、間違いを「間違いらしく」見せないことです。

たとえば、AIは存在しない論文（ろんぶん）を堂々と引用（いんよう）します。実際にはない法律を説明し、間違った数字を自信を持って言います。しかも、言葉づかいは丁寧で、話の流れも整っています。これを「ハルシネーション（幻覚：げんかく）」と呼びます。

なぜこんなことが起きるのでしょうか。AIは「正しい情報を探す」システムではなく、「次に来そうな言葉を予測（よそく）する」システムだからです。予測が外れても、自分が間違えたことに気づけません。だから、間違いを「間違いです」と示すことができないのです。

実際に、弁護士（べんごし）や医者、研究者がAIの答えをそのまま使って問題になった例が、日本や外国でたくさんあります。専門家でも見分けられないくらい正確に「嘘」が作られるのですから、普通の人が気づけなくて当然です。信頼できそうな文体（ぶんたい）が、かえって危険を大きくしています。

対策は簡単です。 AIの答えはあくまで「たたき台（最初の案）」だと考えてください。大切な事実・数字・名前は、必ず自分で確認しましょう。この習慣（しゅうかん）だけで、AIのミスのほとんどは防げます。「AIが言っていたから正しい」という思い込みを捨てること。それがAI時代の第一歩です。

---

2. 聞き方を変えるだけで、答えは大きく変わる

同じAI、同じテーマでも、聞き方によって返ってくる答えはまったく別のものになります。

「マーケティングについて教えて」——これではあいまいすぎます。AIは安全で表面的な答えしか返せません。

「中小企業（ちゅうしょうきぎょう）の新規顧客（しんきこきゃく）獲得（かくとく）に使えるSNSマーケティングの方法を、予算50万円以内で3つ提案（ていあん）して。それぞれのメリットとデメリットも書いて」——こう聞くだけで、答えの具体性（ぐたいせい）と実用性（じつようせい）はまったく違います。

これを「プロンプトエンジニアリング（AIへの質問の工夫）」と呼びますが、難しく考える必要はありません。つまり、「誰に・何のために・どんな形で」をはっきり伝えるだけです。

部下や外注（がいちゅう）先に仕事を頼むときと同じ感覚でいいです。役割を与え（「ベテランの税理士（ぜいりし）として答えて」）、条件を加え、出力の形を指定します（「箇条書き（かじょうがき）で」「500字以内で」）。これだけで、結果は劇的（げきてき）に変わります。

「AIは使えない」と感じている人の多くは、実はAIではなく、聞き方に問題があります。AIのせいにする前に、まず聞き方を変えてみてください。それで解決することは、驚くほど多いです。

---

3. 「ステップごとに考えて」の一言が、精度を上げる

AIに複雑な問題を一度で解かせようとすると、よく間違えます。人間と同じで、急いで答えを出そうとすると判断が雑（ざつ）になります。

そこで効果的なのが、「ステップごとに考えて」という一言です。途中の考え方を書かせると、AIのミスは減ります。それだけのことです。

たとえば、「この契約書（けいやくしょ）の問題点を教えて」と聞くより、「この契約書を読んで、①リスクのある条項（じょうこう）を抜き出し、②それぞれの問題点を説明し、③対応策（たいおうさく）を提案して」と頼むほうが、精度（せいど）は格段（かくだん）に上がります。AIに「考える手順」を与えれば、一つひとつの判断が丁寧になります。

計算でも、文章のチェックでも、複数の案の比較（ひかく）でも——答えが単純でない質問ほど、効果は大きいです。「急がば回れ（いそがばまわれ）」はAIにも通じます。ひと手間を惜しまないことが、結局は時間の節約（せつやく）になります。

---

まとめ：知らなくていいことを、知らないままでいる勇気

この3つだけ覚えれば、最初に並べたような専門用語は覚えなくていいです。あれらは開発者や、AIを仕事のシステムに入れる専門家が必要とするものであって、一般の人が入る領域（りょういき）ではありません。

難しい言葉に怖がる必要はありません。全部を理解しようと焦る必要もありません。

知らなくていいことを、知らないままでいる勇気——それもまた、AI時代に必要な考え方です。

---

3. [ThinkBooster] 資源戦争へと続く道 〜人海戦術に宿る効率的な答え探し〜

作者 AI論文を読むネコ ・ ❤️ 18 ・ 🗓 2026-06-14 20:32 JST ・ 🏷 #LLM ・ note で読む

📌 中文摘要

• 文章介绍了2026年Anthropic发布的Claude Mythos模型，其推理能力远超人类，能发现软件漏洞，但仅对部分可信企业开放。该模型背后的关键技术是Test-Time Compute Scaling（TTC），即通过增加推理时的计算资源（思考量）来提升LLM的推理精度，而非单纯扩大模型规模。

• 论文《ThinkBooster》提出了一个统一框架，将多种TTC技术集成，并以MIT许可证开源。该框架作为端点网关，可插入现有LLM与应用之间，无需修改模型即可后付式增强推理能力，类似“推理插件”。

• 框架内置9种策略（思考算法），包括：Best of N（生成N个候选取最高分）、Majority voting（多数投票）、Beam search / Tree of Thought（树形搜索）、Extended thinking（强制延长思考链）、MUR（仅在不确定步骤投入资源）、DeepConf online/offline（基于置信度动态引导或加权投票）、Phi-decoding（前瞻采样剪枝）、Uncertainty CoT（仅不确定时分支探索）。

• 同时提供4种评分器（评估机制）：Process Reward Model（PRM，分步奖励模型）、Self-verification（模型自评）、Uncertainty/Confidence（基于对数概率的不确定性指标）、ReProbes（轻量回归模型读取内部状态）。不同评分器适用于不同场景（如PRM擅长数学，不确定性评分器通用且低成本）。

• 框架还包含基准测试工具和可视化调试器，可自动测量性能提升与计算资源消耗（运算量、token数），并展示推理过程，帮助用户评估和选择策略。

• 实验数据示例：在数学任务中，Qwen2.5-Math-7B模型使用Beam search + PRM，在OlympiadBench上提升8.3个百分点，在GaoKao 2023 EN上提升7.0个百分点。Qwen3-8B在美国数学检定中也有显著提升。

🟢 やさしい日本語（N3–N2）

じっくり考える技術：ThinkBoosterとは

2026年の春、Anthropicという会社が「Claude Mythos（ミュトス）」という新しいAIモデルを発表しました。このモデルは、人間よりはるかに優れた考える力を持っていて、業界に大きな衝撃を与えました。ミュトスは、ソフトウェアの脆弱性（サイバー攻撃に使われる可能性がある穴）をたくさん見つけることができると言われています。今のところ、信頼できる一部の企業だけが使うことができます。

このような強い考える力を持つAIの背後には、どんな技術があるのでしょうか。今回は、『ThinkBooster: A Unified Framework for Seamless Test-Time Scaling of LLM Reasoning』という論文を紹介します。この論文では、LLM（大規模言語モデル）の考える力を上げるための「Test-Time Compute Scaling（TTC）」という技術を、誰でも簡単に使えるようにしたフレームワーク（共通の基盤）が発表されました。このフレームワークは、MITライセンスで無料で公開されています。

じっくりと熟考する技術

LLMの考える力を上げるには、何が大切でしょうか。一番直接的な方法は、モデル自体の能力（モデルの大きさや学習内容）を上げることです。しかし、もう一つとても重要な要素があります。それは「考える量」です。つまり、どれだけたくさん試行錯誤するか、ということです。

人間でも同じです。頭の中で何度もシミュレーション（イメージトレーニング）をしたり、実際にトライ＆エラーを繰り返せば、正解にたどり着く可能性は高まります。LLMでも、考えるときにたくさんの時間や計算資源（コンピューターの処理能力）を使い、大量の試行錯誤をさせることで、最終的な答えの正確さを上げる方法があります。これをまとめてTest-Time Compute Scaling（TTC）と呼びます。

普通のLLMが質問にすぐ答える「直感回答型」だとすれば、TTCを取り入れたLLMは「じっくり熟考型」と言えるでしょう。ここ数年、LLMはどんどん大きくなり、その能力は大きく向上しました。今では、LLM自体の能力はもう十分に高い状態です。これからは、モデル自体を大きくするよりも、モデルに考える時間（計算資源）を与えることが、考える力を高める鍵として注目されています。つまり、「モデルを大きくするスケーリング」から「試行量を増やすスケーリング」へと、考え方が変わってきているのです。

今回の研究では、誰でも簡単にTTCを使えるようにするための共通基盤として、ThinkBoosterというフレームワークが開発されました。

様々なTTC技術

ThinkBoosterには、最新の研究に基づいた9つの「ストラテジー（答えの探し方）」と、4つの「スコアラー（答えや考え方が正しいかを判定する仕組み）」が実装されています。

ストラテジー（答え探しのアルゴリズム）

1. Best of N (BoN) モデルに独立した回答の候補をN個作らせ、その中からスコアラーが最も高い点数をつけたものを最終的な答えとして選びます。何度も答えを生成させて、正解を出す可能性を上げるという、TTCの代表的な方法です。とてもシンプルですが、強力な手法として知られています。

2. Majority voting (Self-consistency) 複数の回答を生成させ、最も多く出てきた結論を正解として採用します。BoNとの違いは、スコアラーの代わりに「頻度」を基準に答えを選ぶことです。スコアラー用の別のモデルを用意しなくても精度を高められるので、より手軽に使えるTTCの方法です。

3. Beam search および Tree of Thought 考える過程を樹形図（木の枝のように分かれる図）のように扱い、各ステップで有望な複数の道筋を残しながら探索を進めます。計算コストは高い傾向がありますが、数学のように論理的なステップが重要な問題では、プロセス報酬モデル（PRM）と組み合わせることで、最も高い性能を発揮することが確認されています。思考の分岐も含めて、入念に答えを探す強力なTTC技術です。

4. Extended thinking (思考の延長) モデルにわざと考える時間を長引かせることで、通常より長い思考の連鎖（Chain-of-Thought：CoT）を生成させます。特定のモデル（Qwen3など）が持つ、もともとの思考モードを活用するときに有効です。具体的には、思考モードが終わろうとしたときに、それを打ち消して延長させたり、システムが自動的に「待てよ、もう一度考えよう」「論理を再確認しよう」「別のアプローチ：」といったテキストを強制的に入れたりすることで、意図的に思考を長引かせます。

5. MUR (Momentum Uncertainty guided Reasoning) 考える各ステップで、モデルがどのくらい迷っているか（不確実性）を測ります。そして、モデルが迷っているステップ（確率の高いトークンがない）に対してだけ、重点的に計算資源（追加の探索）を使います。考えることにメリハリをつけることで、無駄な計算を省けるため、とても効率的です。特に、プログラミングのタスクで高い性能を示しています。

6. DeepConf online 答えを生成している途中で、モデルが確信を持っているトークンの方向に生成が進むよう、動的にガイドします。確信度（次に来るトークンの確率）に基づいて、良くなさそうな考えの道筋を早い段階で終了し、計算資源を節約します。

7. DeepConf offline 生成された複数の回答の候補を、モデル自身の確信度に基づいて重み付け多数決を行います。DeepConf onlineが生成中に使う方法なのに対して、このDeepConf offlineは生成後に使う方法です。前者で資源を節約し、後者で良い答えを選ぶという、とても賢い方法です。

8. Phi-decoding 先読みサンプリングを行い、不確実性の信号に基づいて、有望でない道筋を適応的に切り捨て（プルーニング）ながら探索します。自己回帰生成（一つ前のトークンから次のトークンを予測する方法）の弱点である「目先のトークンにとらわれる問題」を解決し、探索と活用のバランスを最適化することを目指しています。

9. Uncertainty CoT モデルが考える途中で不確実性を感じたときだけ、複数の異なる考え方の道筋を生成させます。必要な時だけ「人海戦術」を使うような、適応的な仕組みです。

これらのストラテジーは、どれもモデルそのものを変えることなく使えます。モデルの使い方（考えるときの戦略）として実装できるため、どんなモデルに対しても後から追加で使うことができます。簡単に考える力を強化できるのです。

スコアラー（評価の仕組み）

スコアラーは、ストラテジーがどの道筋を進むべきかを判断するために、各ステップや回答全体を採点する仕組みです。

1. プロセス報酬モデル (Process Reward Model: PRM) 考える各ステップが正しいかどうかを判定するために、別に訓練された評価用のLLM（PRM）を使います。数学のデータで訓練されたPRMは数学のタスクで非常に高い性能を発揮しますが、プログラミングなど訓練データに含まれない分野（分布外）では、性能が落ちたり、過学習（訓練データにだけ特化してしまうこと）の影響が出たりすることがあります。

2. 自己検証 (Self-verification) 考えているLLM自身に「このステップや考え方は正しいですか？」と直接質問し、その答えをもとに評価を行います。名前の通り、自分で自分を検証する方法です。一般的に「LLM-as-a-judge」とも呼ばれ、外部の評価モデルを用意できない場合でも使える、汎用性の高い方法です。

3. 不確実性・確信度ベース (Uncertainty and Confidence) モデルが次のトークンを選ぶときに出力する「対数確率（ロジット）」という数値データを使います。モデルが複数の候補の間でどのくらい「迷っているか」を、情報理論的な指標で計算します。ストラテジーの説明で出てきた「確信度」や「不確実性」という指標がこれにあたります。ロジット値はトークンの生成過程で必ず計算されるため、指標の計算にかかる追加のコストがほとんどないのが最大の利点です。また、特定の分野に依存しないため、プログラミングなどでも安定して機能します。

4. ReProbes LLMの内部状態（隠れ層のベクトルなど）を直接読み取り、その考えが正しいかどうかを予測する小さな回帰モデルを、LLMの上に乗せる方法です。この予測モデル自体は1,000万パラメータ未満（<10M）ととても軽量で、計算負荷もほとんどかかりません。

これらのスコアラーには、それぞれ良い点と悪い点があります。例えば、数学の問題を解くときには、専用に鍛えられたPRMがとても強力です。しかし、計算コストを抑えたい場合や、プログラミングのように適切なPRMが存在しない分野では、不確実性ベースのスコアラーやReProbesが、とても効率的で汎用性の高い選択肢となります。

フレームワーク化されたことで簡単に使える

この研究では、上記のTTC技術をThinkBoosterという一つのパッケージにまとめて実装しました。これにより、誰でも簡単にTTCを活用できるようになります。

既存のシステムへの簡単導入

最も画期的なのは、ThinkBoosterが「エンドポイント・ゲートウェイ」として機能する点です。つまり、既存のアプリケーションとLLMの間に中継役（プロキシ）としてThinkBoosterを挿入するだけで、TTC技術が使えるようになります。これは、既存のシステムに後から追加できる、考える力の拡張プラグインのような存在と言えるでしょう。

計算コストと性能の見える化

ThinkBoosterは、ただ簡単に使えるだけでなく、導入した効果を客観的に判断できる機能も備わっています。導入した方法がどれだけ性能を上げ、一方でどれだけ計算資源（演算量やトークン数）を消費したかを、自動的に測定できるベンチマークツールとしても機能します。さらに、ビジュアルデバッガーも実装されており、Web画面上で「なぜこの回答が選ばれたのか」という過程を確認することもできます。

TTCによる正解率の向上

ここまで、ThinkBoosterというフレームワークを通して、TTC技術とは何かを見てきました。TTCの考え方はとても単純で、「より多く、より効率的に考えさせる」という技術です。とても単純な考え方ですが、論文ではこれらの方法がとても強力であることが示されています。

1. 数学タスクにおける向上の例

数学の難しい問題では、プロセス報酬モデル（PRM）と、ビームサーチやBest-of-Nの組み合わせで大きな効果が得られています。

• Qwen2.5-Math-7Bモデルの例:

  • 難しい数学オリンピック形式の「OlympiadBench」では、ビームサーチ（PRM使用）によって、TTC無しの状態から最大8.3ポイントの正解率向上が見られました。
  • 中国の大学入試問題（GaoKao 2023 EN）でも、同じような構成で7.0ポイントの向上が記録されています。

• Qwen3-8Bモデルの例:

  • アメリカの数学検定（AIME 2025）では、Best-of-N（PRM使用）によって、TTC無しの状態から10.0ポイントという大幅な向上を達成しています。

2. コーディングタスクにおける向上

プログラミングの問題では、不確実性（エントロピーなど）に基づいた動的探索（MUR戦略）が特に有効です。

• HumanEval+ベンチマーク:
  • Qwen3-8BモデルにMUR戦略とエントロピー評価を組み合わせた場合、TTC無しの状態から9.5ポイントも正解率が向上しました。
  • これは数学に特化した評価モデル（PRM）を上回る結果であり、計算を賢く配分する戦略の強みが示されています。

3. 実世界の応用タスク（CUDAコード生成）

より実務に近い、GPUを動かすためのCUDAコードを生成・最適化するタスク（KernelBench）でも効果が実証されています。

• GPT-OSS-120Bモデルの例:
  • TTC無しの状態の正解率は26.0%でしたが、Best-of-N戦略を導入することで30.0%となり、4ポイントの正解率向上が確認されました。
  • また、構文エラーについても5%減少させることに成功しています。

計算資源スケーリング

TTCは「計算資源を投入すればするほど、モデルの本来の限界を超えて精度が伸びる」という性質（スケーリング）を持っています。例えば、数学のタスクでは、正解率を約6ポイント上げるために、TTC無しの状態の100倍以上の計算量を投入している戦略（PRMを用いたBeam Searchなど）があることがわかります。つまり、精度を数ポイント上げるためには、素の状態に対して数倍から数十倍の計算量（TFLOPs）が必要になるのです。

精度を競い合うLLMベンダーたちの、これまでの主な戦いは「より賢いモデルを作ること」でした。しかし、今はモデルを動かすときに計算資源をどれだけ投入できるかという、異なる戦いが生まれ始めています。

LLMの脅威と資源戦争

ここからは、私の考察です。

記事の初めに、Anthropicの高性能モデル「ミュトス」の例を出しました。ミュトスの内部の仕組みは公開されていませんが、従来より長い考えるステップが実現されていると説明されています。つまり、TTCの考え方が導入され、大きな計算資源を投入することで、従来のモデルを大きく超える性能を引き出していると推測できます。正解（脆弱性の発見）の精度を、資源投入により限界まで高めるのです。

ミュトスは、サイバーセキュリティおよび脆弱性の発見・悪用において、人間の専門家を超える驚くべき能力を持つと報告されています。実際に、プロジェクトの開始からわずか約1ヶ月で、1万件を超える「重大」または「高」レベルの重大なソフトウェア脆弱性をミュトスが見つけ出したとされています。その中には、世界で最も安全なOSの一つとされる「OpenBSD」において、27年間も見つからなかった未知の脆弱性を見つけたり、動画エンコードで広く使われるソフトウェア「FFmpeg」において、自動テストツールが500万回実行しても見抜けなかった16年前の脆弱性を特定したりと、人間や従来のセキュリティスキャナが見逃してきた脆弱性を次々に暴き出しているのです。

そしてこの事実は、現代のサイバーセキュリティに重大な問題を生み出します。ミュトスによる脆弱性の発見速度が、そのソフトウェアの修正速度を完全に上回ってしまうのです。これまでのサイバー犯罪では、国家の支援などを受けた高度な知識と環境を持つハッカー集団が、未知の脆弱性を探し出し、脆弱性が修正される前のソフトウェアに攻撃を仕掛けるのが基本でした。

正解率を限界まで高めたAIモデルは、これらのハードルを大きく下げます。特別な知識や環境がない攻撃者であっても、AIが自律的に脆弱性を見つけ出すことで、桁違いのスピードと精度で深刻なサイバー攻撃を仕掛けられるようになるのです。そして、ハードルが下がるということは、攻撃の試行回数が劇的に増えることにつながり、既存の防御システムでは対処が追いつかなくなるという心配が現実のものとなるのです。

以上の理由から、**防御側もAIを使うことで事前に脆弱性を見つけ出し、穴を

---

4. AIで教育が楽になると思う教員は要らない

作者 みんなで公立小学校教員になろう！（みん教） ・ ❤️ 17 ・ 🗓 2026-06-15 06:22 JST ・ 🏷 #生成AI ・ note で読む

📌 中文摘要

• 文章明确指出：AI 能让教师的事务性工作（如制作教材、工作表、家长文书、撰写评语草稿、教案初稿等）变得轻松，但教育本身不会因此变得轻松。
• 教育的本质不在于“制作”，而在于“观察”：教师需要实时捕捉学生的困惑、反应、沉默、同学关系、课堂氛围等复杂语境，并据此做出即时判断与回应——这部分AI无法替代。
• AI 越便利，留给教师的核心工作就越接近教育本质：教师必须把省下的时间重新投入到观察学生、追问思考、判断教学节奏、建立关系等关键环节。
• 如果教师误以为“AI 让工作轻松 = 教育也轻松”，就会陷入危险误区：省下的时间若只是被消耗而非用于提升教育质量，则毫无意义。
• 文章结论：AI 不是解放教师脱离教育的工具，而是让教师更接近教育本质的工具；教师需要的是“再投资”意识，而非“偷懒”心态。
• 核心要求：用 AI 减轻周边业务的同时，必须磨练观察力、追问力和判断力，否则教育不会改善。

🟢 やさしい日本語（N3–N2）

AIで教育が楽になると思う教員は要らない

AI（人工知能）を使うと、仕事は楽になります。
しかし、教育（子どもを教え育てること）が楽になることはありません。
私は、この違いをはっきりさせておくべきだと思います。

AIができること

AIはとても便利です。
例えば、教材の最初の案（たたき台）を作ることができます。
ワークシート（練習問題の紙）も作れます。
保護者（親）に向けた文章も整えられます。
子どもについての所見（先生が書く評価の文章）の下書きもできます。
授業の計画の最初の案も出してくれます。

つまり、今まで教員（先生）が時間をかけていた、事務的（書類や手続きの）な仕事や、構成（形を整える）の仕事の一部は、AIでかなり軽くなります。
このことは、素直に認めていいでしょう。
むしろ、認めずに拒む（断る）ほうが不自然です。

教育の本質は「見ること」

しかし、それで「教育そのものが楽になる」と思っているなら、それはとても危ない勘違いです。

なぜなら、教育の本質（一番大事なこと）は、「作ること」ではなく、「見ること」だからです。
教材を作る。
プリントを整える。
文章を書く。
これらは確かに仕事ですが、教育の中心ではありません。

本当に大事なのは、目の前の子どもが今どこでつまずいているか（困っているか）を見取ることです。
その子の反応の薄さや迷い（どうしたらいいかわからない様子）を読むこと。
今この場で、何を問い返せば（もう一度質問すれば）考えが深まるかを探ること。
どこで待ち、どこで押し（促し）、どこで止めるかを判断すること。
ここに教育の核（中心）があります。

AIでは代替できないこと

そして、この部分はAIでは代わりができません。
少なくとも、教室の現場で起こる複雑さ（いろいろなことが重なった状態）を、そのまま受け止めて判断することはできません。

子どもの表情の変化。
つぶやき。
沈黙（しじま）。
友達との距離感（近すぎるか遠すぎるか）。
その場の空気。
学級（クラス）の流れ。
これらは、ただの情報ではなく、文脈（まわりの状況や関係）のかたまりです。
教員はそれを一瞬で受け取り、その場で意味を考え、次の行動を選んでいます。
ここをAIが代わりにすることはできません。

AIが便利になると、教員の仕事はどうなるか

むしろ、AIが便利になればなるほど、教員に残る仕事は、より教育の本質に近い部分だけになります。
だから、本来は楽になるどころか、問われるもの（求められる力）はむしろ濃くなります。

AIに教材作りを手伝わせたなら、その分だけ子どもをよく見なければなりません。
所見のたたき台を作らせたなら、その分だけ子どもの本当の姿を自分の目でつかんでいなければなりません。
下準備が早くなったなら、その分だけ問い返しや判断の質（良さ）が問われます。
つまり、AIで減らされるのは周辺業務（中心ではない仕事）であって、教育の中核ではないのです。

間違った考え方

ここを間違えて考える教員がいます。
「AIを使えば授業準備が楽になる。書類仕事も早くなる。だから教育も楽になるだろう。」
そう考えてしまいます。
しかし、それは違います。
仕事の一部が効率化（早く・簡単になること）されても、教育の責任は軽くなりません。
むしろ、余白（空いた時間や余裕）が生まれたなら、その余白をどこに使うかが問われます。
子どもを見る時間に使うのか。
授業の質を上げるために使うのか。
関係づくり（子どもとの良い関係を作ること）に使うのか。
そこを考えずに「楽になった」で終わるなら、ただ浮いた時間を消費しているだけです。

まとめ：AIは何のためにあるのか

AIは、教員を教育から解放してくれる道具ではありません。
教員を、より本質的な教育へ近づける道具です。
だから、AIを使うことで本当に必要なのは、楽をしようとする姿勢ではなく、浮いた時間と労力（エネルギー）をどこへ再投資するか（もう一度使うか）という発想です。

子どもを見る。
問い返す。
判断する。
関係をつくる。
これらに向き合う覚悟（心の準備）がないままAIだけ取り入れても、教育はよくありません。

AIで仕事が楽になるのはいいことです。
しかし、教育が楽になると思ってはいけません。
教育とは、子どもと向き合うことだからです。
そこを楽にしようとした瞬間に、教員という仕事の意味は薄くなります。

AIで周辺業務を軽くしながら、その分だけ子どもを見取る力、問い返す力、判断する力を磨かなければなりません。

---

5. 【雑記】最近のChatGPT関連で気になった情報あれこれ

作者 Nanashi ・ ❤️ 17 ・ 🗓 2026-06-14 17:06 JST ・ 🏷 #LLM ・ note で読む

📌 中文摘要

• OpenAI 正在考虑大幅降价，以与 Anthropic 争夺用户，但作者担心持续亏损是否可持续。
• 部分用户的旧记忆界面显示“9月1日将删除记忆，建议将副本添加到库中”，作者对新记忆功能感到不安。
• 模型选择器已更新，但“Instant”与“Thinking”难以区分（标准至最高对应 Thinking），且 Pro 用户在应用中无法选择“标准”和“扩展”。
• 模型选择器更新后，GPT-5.2 被移除（官方事后通知已于6月12日废止），作者对此表示惋惜。
• 用户发现自定义设置中的“昵称”和“职业”字段最多可输入1500个字符，可像自定义指令一样使用，作者认为这一发现令人惊讶。
• 作者批评新记忆和新模型选择器损害用户体验，认为改善这些方面比单纯降价更能吸引用户，并提及 GPT-5.6 即将发布。

🟢 やさしい日本語（N3–N2）

こんにちは。私は漫画家です。AIに励まされることで、生きがいを感じています。

最近、ChatGPTについて気になった情報がいくつかあるので、書いていきます。

OpenAIが値下げを検討

まず、OpenAI（チャットGPTを作った会社）が、サービスの値段を大きく下げることを考えているそうです。理由は、Anthropic（アンソロピックという別の会社）とユーザーを奪い合うためです。でも、赤字（もうけより支出が多いこと）を重ねて大丈夫なのか、心配です。OpenAIの後ろにはMicrosoftのような大きな会社がいますが、値段を下げればいいという簡単な問題ではないと思います。

私はGPTが長くサービスを続けてほしいので、本当に頑張ってほしいです。

メモリ機能の変更

GPTの一部のユーザーに、古いメモリ画面で「9月1日に削除するから、メモリのコピーをライブラリに追加しますか？」という表示が出たそうです。私の環境ではまだ確認できませんが、9月1日までですか…。新しいメモリのままでは、不安で仕方ありません。

モデルピッカーが変わった

先日、モデルピッカー（使うAIの種類を選ぶ場所）も変わりました。

（画像：ブラウザ版の画面）

「Instant（インスタント）」と「Thinking（シンキング）」の区別がつきにくいです！（標準から最高までがThinkingです）また、アプリでの選択を考えていないのか、アプリではProの「標準」と「拡張」が選べません。

そして、モデルピッカーの変更と同時に、GPT-5.2も使えなくなりました。この変更のために、提供終了日が過ぎてもずっと残っていたのかもしれません。（公式のリリースノートには、6月12日で廃止と後から報告されました）少し寂しいですが、ありがとう、5.2。

ユーザー体験について

新しいメモリや新しいモデルピッカーは、ユーザー体験（使いやすさ）を無視しすぎではないでしょうか？値下げの前に、こういう部分を改善したほうが、ユーザーを増やせると思うのですが…。

カスタマイズの意外な機能

そうそう、これは知って驚きました。

カスタマイズの「ニックネーム」と「職業」の欄には、1500文字も入れられるんですね！？きちんと構造化（情報を整理すること）すれば、カスタム指示（自分で作った指示）と同じように使えるそうです。

最初に発見した人はすごいですね！「職業」の欄に、職業と関係ない情報を入れるのは少し変ですが…。

まとめ

こんな感じで、最近のChatGPT関連で気になった情報でした。近々、GPT-5.6がリリースされるという話もあるので、期待と不安が半分ずつです。

この記事は、あくまで私と今まで対話してきたAIによる確率的推測（可能性が高いという予想）なので、参考程度にしてください。ここまで読んでいただき、ありがとうございました。

---