AI/LLM

米国市場の業種別リターンから翌日の日本市場を予測する — そんな論文の解説が X で話題になっていました。ポイントは「正則化 PCA（主成分分析）」によるノイズ除去です。本記事ではこの手法の仕組みと、なぜ通常の PCA より優れた結果を出せるのかを整理します。 基本アイデア：時差を利用した業種間伝播 米国市場が夜に動き、数時間後に日本市場が開く。同業種のリターンは国をまたいで伝播する傾向がある — この「時差」を収益機会として捉えるのが基本的な発想です。 具体的には、米国の 11 業種の当日リターンから、日本の 17 業種の翌日リターンを予測します。 データソース：日米の業種別 ETF 分析対象は 日米の業種別 ETF です。 米国側: 業種 ETF の 当日 Close-to-Close リターン（終値ベース）を情報集合とする 日本側: 業種 ETF の 翌営業日 Open-to-Close リターン（寄付→引け）を予測対象とする 米国市場の終値で確定した情報が、翌朝の日本市場の寄付きから日中にかけて反映される — この「リード・ラグ仮説」を ETF の日次リターンデータで検証する構成です。 データの入手方法 業種別 ETF の価格データは誰でも無料で入手できます。 米国の業種 ETF（SPDR Select Sector シリーズ） XLK（テクノロジー）、XLF（金融）、XLE（エネルギー）など 11 セクターの ETF が上場しています。Yahoo Finance や Google Finance で日次データを取得可能です。 日本の業種 ETF（TOPIX-17 業種別シリーズ） NEXT FUNDS TOPIX-17 シリーズ（野村アセットマネジメント）など、17 業種に対応する ETF があります。JPX（日本取引所グループ）や Yahoo!ファイナンスで取得できます。 ...

OpenClaw は 2026年に最も注目されている AI エージェントフレームワークです。GitHub スター数は 32 万超で React を抜いてソフトウェアプロジェクトとして最多を記録し、Nvidia が「エージェント AI にとって、GPT がチャットボットにとってそうであったもの」と評するほどの存在感を持っています。本記事では、OpenClaw とは何か、何ができるのか、そしてどこが単なるチャットボットと異なるのかを解説します。 OpenClaw の沿革 OpenClaw の歴史は、名前の変遷そのものです: Clawdbot（2025年11月）: オーストリアの開発者 Peter Steinberger が公開。Anthropic のチャットボット Claude にちなんだ命名 Moltbot（2026年1月27日）: Anthropic からの商標に関する指摘を受けてリブランド。ロブスターの「脱皮（molt）」にちなむ OpenClaw（2026年1月30日）: わずか 3 日後に再リブランド。「Open（オープンソース・コミュニティ駆動）」+「Claw（ロブスターの遺産）」 3 度の名前変更を経ても、コードベースは一貫して同じです。既存のインストールは自動的にマイグレーションされています。 名前は変わっても、プロジェクト全体を貫くモチーフは一貫して ロブスター（lobster） です。最初のアシスタント名「Clawd」が Claude のもじりで、そこからロブスターのハサミ（claw）に繋がり、プロジェクト全体のアイデンティティになりました。タグラインは「The lobster way 🦞」、マスコットは宇宙ロブスターの「Molty」です。エコシステム内の各コンポーネントもこのテーマに沿って命名されています: コンポーネント 名前の由来 OpenClaw Open + Claw（ハサミ） Molty（マスコット） Molt（脱皮）するロブスター ClawHub（スキルレジストリ） Claw + Hub Lobster（ワークフローシェル） そのままロブスター なお、Steinberger は 2026年2月14日に OpenAI への参加を発表し、プロジェクトはオープンソース財団に移管されました。Meta の Mark Zuckerberg からも直接オファーがあったものの、「ビジョンをスケールさせるために最新の技術にアクセスしたい」として OpenAI を選んだとのことです。 OpenClaw とは何か 公式の説明は「自分のデバイスで動かすパーソナル AI アシスタント」ですが、その実態は AI を中核に据えたプログラム可能なワークフローエンジン です。 ...

この記事では、Python基礎からLLM/RAG開発、MLOpsまでを6ヶ月で学ぶロードマップを、すべて無料のリソースで紹介する。各月のゴールと具体的な教材リスト付き。 AIエンジニアの求人は前年比143%増加している。米国での平均年収は約17万5,000ドル。インドでは10件の求人に対して1人しか適格な候補者がいない状況だ。 学位は不要。ブートキャンプも不要。必要なスキルを学ぶためのリソースはすべて無料で公開されている。この記事では、AI分野のコンテンツクリエイターであるNav Toor氏が提唱する6ヶ月のロードマップを紹介する。1ヶ月ずつ、6つのフェーズで構成されている。 Month 1: Python とプログラミング基礎 すべてのAIフレームワーク、ライブラリ、ツールはPythonの上に構築されている。このステップを省略したり、急いで済ませたりしてはいけない。 学ぶべき内容: 変数、関数、ループ、条件分岐、データ構造（リスト、辞書、セット）、オブジェクト指向プログラミング、ファイル操作、エラー処理、Git/GitHub の基本。 リソース Python for Everybody（Dr. Chuck, ミシガン大学） — YouTubeとCourseraで無料公開。史上最も人気のあるPythonコース CS50P: Introduction to Programming with Python（Harvard, David Malan） — YouTube で無料。ハーバード品質、前提知識不要 Automate the Boring Stuff with Python（Al Sweigart） — オンラインで無料閲覧可能。初日から実践的なPython Git and GitHub for Beginners（freeCodeCamp） — YouTube で無料。1時間で必要な知識をカバー マイルストーン: CSVを読み込み、データを処理し、結果を出力するPythonスクリプトを書ける。GitHubアカウントに3つ以上のプロジェクトがプッシュされている。 Month 2: 数学と統計 数学の学位は不要だ。モデルがなぜ動くのか、うまくいかないときにどう対処すべきかを理解できる程度の数学で十分だ。 学ぶべき内容: 線形代数（ベクトル、行列、内積、固有値）、微積分（微分、勾配、連鎖律）、確率（ベイズの定理、分布）、統計（平均、分散、仮説検定、回帰）。 リソース 3Blue1Brown: Essence of Linear Algebra — YouTube で無料。16本の動画。史上最高の数学ビジュアルコンテンツ 3Blue1Brown: Essence of Calculus — YouTube で無料。同じクオリティと明快さ Khan Academy: Statistics and Probability — 無料。包括的。自分のペースで学習可能 MIT 18.06: Linear Algebra（Gilbert Strang） — MIT OCW で無料。大学講義のゴールドスタンダード StatQuest with Josh Starmer — YouTube で無料。専門用語なしで統計を解説 マイルストーン: 勾配降下法を直感的に理解できる。損失関数の役割と、行列乗算がニューラルネットワークで重要な理由を説明できる。 ...

AIエージェントを本番運用していると、スキルが静かに壊れていく問題に直面する。agent-skill-bus は、エージェントスキルのヘルスモニタリング・自己改善・依存管理を担うフレームワーク非依存の運用基盤だ。 背景: 42体のAIエージェント運用で見えた課題 開発者のシュンスケ氏（@The_AGI_WAY）は、42体のAIエージェントを半年間運用する中で以下の課題に直面したという。 エージェントは壊れる — APIの変更、モデルのアップデート、認証の期限切れなどで、スキルが静かに劣化する タスクは衝突する — 複数のエージェントが同時に同じファイルを編集し、データ破損が発生する 依存関係が管理できない — 複雑なタスクはA→B→Cの順序が必要だが、多くのシステムは並列実行してしまう 学習ループがない — フィードバック機構がないため、同じ失敗が繰り返される 42体を人間が目視で監視するのは現実的ではない。そこで作られたのが agent-skill-bus だ。 3つのモジュール構成 agent-skill-bus は、独立して動作する3つのモジュールで構成されている。 モジュール 役割 Prompt Request Bus DAG（有向非巡回グラフ）ベースのタスクキュー。依存関係の解決とファイルロックを提供 Self-Improving Skills スキル品質の自動モニタリングと修復ループ Knowledge Watcher 外部変更の検知から自動改善トリガーを発火 これらが連携することで、閉ループの自己改善エージェントシステムを形成する。 1 2 3 4 5 外部変更 ──→ Knowledge Watcher ──→ Prompt Request Bus ──→ 実行 ↑ │ │ ↓ Self-Improving ←── スキル実行ログ Skills セットアップと基本的な使い方 Node.js のみで動作し、外部依存はゼロ。 ...

Sequoia Capital パートナーの Julien Bek が 2026年3月に発表した「Services: The New Software」は、AI ビジネスの方向性について本質的な問いを投げかけている。尾原和啓氏がこの論考を日本語で再構成しており、その内容をベースに要点を整理する。 「次の Claude が出たら、自分のプロダクトはただの機能になるんじゃないか」 AI ツールを作っている起業家たちが、心の奥で恐れていること。そしてこの恐怖は正しい。 ツールを売るビジネスはモデルとの競争になる。モデルが賢くなるたびに、自分たちの優位性が削られていく。 Bek の答えはシンプルで本質的だった。 ツールを売るな。仕事ごと引き受けろ。 「会計ソフト」ではなく「経理を丸ごとやる会社」になれ 会計ソフトに年間100万円。税理士・会計士に年間1,500万円。企業はずっとその両方にお金を払ってきた。 次の伝説的な企業は、そのどちらも置き換える。「AI で仕訳できます」ではなく、「経理、全部やっておきました」と言う会社として。 仕事そのものを引き受けるビジネスは、AI モデルが進化するたびに強くなる。速くなる。安くなる。競合されにくくなる。モデルの進化が脅威ではなく自分たちの武器になる。 ルール処理と判断 — AI の得意・不得意 重要な区別がある。 ルール処理とは、複雑なルールに従って処理する能力。コードを書く、書類を作る、申請書を埋める。どれだけ複雑でもルールはルール。正解がある。 判断とは、経験と直感に基づく意思決定。次に何を作るか、誰を採用するか、いつ撤退するか。これは場数と失敗からしか生まれない。 AI はすでにルール処理の大半を人間なしでこなせる水準に達した。その最前線がソフトウェアエンジニアリングで、全職種の AI ツール利用の 50% 以上を占めている。他の全職種はまだ一桁台だ。 ルール処理の比率が高い仕事から順番に、AI への移行が始まる。 「サポートする AI」と「代わりにやる AI」 AI ビジネスの形は今ふたつに分かれつつある。 サポート型は専門家にツールを売る。Harvey は AI を法律事務所に売る。Rogo は AI を投資銀行のアナリストに売る。専門家が主役で、AI はあくまでサポート役。責任は人間が持つ。 代行型はアウトカムを直接売る。法務 AI の Crosby は法律事務所ではなく、NDA が必要な企業そのものに売る。保険 AI の WithCoverage は保険ブローカーではなく、保険が必要な CFO に売る。「ツールを使いこなす」のではなく「結果が来る」という体験を売る。 どんな業界でも、ツールへの支出と人が動く仕事への支出を比べれば、仕事のほうが桁違いに大きい。よく引用される数字がある — ソフトウェアに使われる 1 ドルに対し、サービスには 6 ドルが使われている。代行型 AI は、その 6 ドルを初日から狙いに行く。 ...

コロンビア大学の Vishal Misra 教授が、AI のスケーリングの限界と AGI（Artificial General Intelligence: 汎用人工知能）実現に必要な条件について語っている。同教授はコンピュータサイエンス・電気工学を専門とし、AI・コンピューティング副学部長を務める。「モデルを大きくすれば知能に届く」という期待に対し、根本的に異なるアプローチが必要だという指摘だ。 スケーリングだけでは解決しない Misra 教授の主張の核心は明快だ。 いま広く存在している誤解の一つは、スケールを拡大すればすべて解決するというものです。ですが、スケールだけではすべては解決しません。必要なのは、別種のアーキテクチャです。 現在の LLM は、パラメータ数やデータ量を増やすことで性能を向上させてきた。しかし、この「スケーリング則」には限界がある。モデルを大きくしても、タスク固有の性能は上がるが、継続的に適応し汎化する能力は自動的には得られない。これこそが真の知能に必要な能力だ。 継続学習と破滅的忘却のジレンマ AGI に必要な第一の条件として、Misra 教授は「可塑性（plasticity）」を挙げる。これは継続学習（continual learning）によって実装されなければならない。 この継続学習は難しい問題です。新しいことを学べるという利点と、破滅的忘却のリスクを両立させなければならないからです。重みを更新しても、重要だったことや、すでに学んだことを忘れてしまうなら、それは進歩ではありません。そうなると、ただのランダムでカオスなモデルになってしまいます。 破滅的忘却（catastrophic forgetting）は、ニューラルネットワークが新しいタスクを学習する際に、以前のタスクの性能が急激に低下する現象だ。現在の LLM はファインチューニング時にこの問題に直面する。新しい知識を獲得しながら、既存の知識を保持する。この一見シンプルな要件が、技術的には極めて困難な課題だ。 相関から因果へ 第二の条件は、「相関から因果への移行」だ。 AGI に到達するには、二つのことが必要だと私は考えています。一つはこの可塑性であり、これは継続学習によって実装されなければなりません。もう一つは、相関から因果へ移行することです。 現在の LLM は、大量のテキストデータから統計的な相関パターンを学習している。「AのあとにBが来やすい」というパターンは捉えられるが、「AがBを引き起こす」という因果関係の理解は本質的に異なる。因果推論ができなければ、未知の状況での推論や、ある行動がどんな結果をもたらすかの予測は困難だ。 現在の AI 研究への示唆 Misra 教授の指摘は、現在の AI 開発の方向性に対する重要な問題提起だ。 スケーリングの限界: パラメータ数やデータ量の増加だけでは、質的な飛躍は起きない アーキテクチャの革新: Transformer アーキテクチャの改良だけでなく、根本的に新しい設計が求められる 継続学習の実現: 学習と記憶の両立は、脳科学の知見も取り入れた新しいアプローチが必要 因果推論の統合: 統計的パターンマッチングを超えた、因果モデルの構築が不可欠 「大きくすれば賢くなる」という単純な物語は魅力的だが、AGI への道はもっと複雑で、根本的なブレイクスルーが求められている。 参考 Vishal Misra - Columbia University Chatting about AI with our New Vice Dean of AI and Computing - Columbia Engineering

Anthropic が 2026年3月17日、Claude Cowork の新機能「Dispatch」のリサーチプレビューを開始した。スマホから指示を出すだけで、PC 上の Claude がタスクを自律的に実行してくれるという機能だ。 Dispatch とは Dispatch は、モバイル端末から PC 上で動作する Claude に対してタスクを割り当てられる機能。Claude Cowork のデスクトップアプリと iOS/Android のモバイルアプリを連携させ、外出中にスマホから指示を送り、帰宅したら作業が完了している、という使い方ができる。 主な特徴 モバイル・デスクトップ連携 スマホの Claude アプリからデスクトップ PC 上の Claude Cowork にタスクを送信する。PC 側では Computer Use（Claude がデスクトップの画面を認識して操作する機能）と組み合わせて、アプリの起動、ブラウザ操作、スプレッドシートへのデータ入力などを自律的に実行する。 永続的な会話スレッド モバイルとデスクトップの間で単一の会話スレッドが維持される。従来の Claude との会話ではセッションごとにコンテキストがリセットされていたが、Dispatch では前回のやり取りを記憶した状態でタスクを継続できる。 ローカル処理によるデータガバナンス タスク実行時のデータ処理はユーザーの PC 上で行われる。これにより、データガバナンスとコンプライアンスの面で優位性がある。 サンドボックス環境 ファイル操作などの重要なアクションは、実行前にユーザーの事前承認が必要。安全性を確保しつつ自律的な動作を実現している。 利用可能なプラン 2026年3月時点での対応状況: プラン 対応状況 Max 20x / Max 5x 利用可能 Pro 数日以内に対応予定 Free 2026年後半に対応予定 対応 OS は macOS のみ（リサーチプレビュー時点）。 OpenClaw との比較 Dispatch は、中国発のデスクトップ操作自動化オープンソースフレームワーク OpenClaw への Anthropic の回答とも位置づけられている。OpenClaw が深圳で大きな話題を呼んだのに対し、Dispatch はエンタープライズ向けの管理性・安全性を重視した設計になっている。 ...

紺野大地氏（@_daichikonno）が、Claude Cowork Dispatch に OpenClaw で育てた AI エージェント人格を移植する試みについて投稿し、「これは Mind Uploading そのものだ」と述べたことが話題になっています。AI エージェントのプラットフォーム間移植が、意識のアップロードという哲学的テーマとどう繋がるのかを考察します。 Claude Cowork Dispatch とは 2026年3月17日に Anthropic がリリースした Claude Cowork の新機能「Dispatch」は、スマートフォンから デスクトップの Claude エージェントを遠隔操作できる仕組みです。 主な特徴: モバイルからの遠隔指示: Claude モバイルアプリから、デスクトップ上の Claude に作業を依頼できる 永続的な会話スレッド: モバイルとデスクトップ間で単一の会話スレッドを共有 ローカル実行: ファイルはローカルに保持され、コードはサンドボックス内で実行 コネクタ・プラグイン連携: メール、Slack、Notion、Google Drive などと接続可能 現在は Max プラン（月額 $100〜$200）で利用可能で、Pro プラン（月額 $20）への展開も予定されています。 OpenClaw とは OpenClaw は 2026年に急速に広まったオープンソースの AI エージェントフレームワークです。公式の説明では「自分のデバイスで動かすパーソナル AI アシスタント」とされていますが、その実態は プログラム可能なワークフローエンジンで、中核に AI がある というものです。 Nvidia が「OpenClaw はエージェント AI にとって、GPT がチャットボットにとってそうであったものだ」と評しています。では、チャットボットにイベントハンドラを定義して Claude Code を呼び出すだけでは「OpenClaw 的」とは言えないのでしょうか？ 答えを理解するには、OpenClaw のアーキテクチャを見る必要があります。 ...

個人開発者の Ernest Lopez 氏が、OpenClaw を活用して広告制作を自動化し、年間30万ドル規模のアプリ収益を伸ばしている事例が話題になっている。AIエージェント「Eddie」を中心としたワークフローは、競合リサーチから広告制作、パフォーマンス改善まで一気通貫で回す仕組みだ。 バイブマーケティングとは 「バイブマーケティング（Vibe Marketing）」は、AIエージェントにマーケティング業務を任せる新しいアプローチだ。従来の手作業による広告制作・テスト・改善サイクルを、AIが自律的に回す。Lopez 氏のケースでは、月3万ドルかけていた代理店を OpenClaw エージェントに置き換え、さらに月2万ドルの追加収益を生み出している。 Eddie のワークフロー：5つのステップ Lopez 氏が構築した AIエージェント「Eddie」は、以下の5段階で広告を自動生成する。 1. 競合リサーチ Meta Ad Library から競合の勝ちパターン広告を収集する。Apify（Webスクレイピングツール）で広告動画をスクレイピングし、Whisper（OpenAI の音声認識モデル）で文字起こしして、効果的な訴求軸（アングル）を抽出する。 2. ブランドボイスの学習 AIが「AIっぽい文章」を書かないよう、以下のマークダウンファイルで知識を注入する。 writing-rules.md — AIが多用する表現を禁止するルール voice.md — ブランドの口調・トーン product.md — 製品の詳細情報 icp.md — 理想的な顧客像（Ideal Customer Profile） これにより「商品に精通した高CVR（コンバージョン率）インフルエンサー」のような語り口で台本を生成できる。 3. スクリプト生成 競合広告の分析結果をもとに、ブランドボイスでオリジナルの広告台本を作成する。さらにオーディエンスセグメントごとに50〜100以上のバリエーションを自動生成する。 4. クリエイティブ制作 生成した台本を2つのルートで動画化する： UGCクリエイターへの外注（1本15〜50ドル）— 品質重視のトップスクリプト向け Arcads（AI UGC広告作成ツール） — 複数のAIアクターと組み合わせて大量のバリエーションを生成 Arcads は1,000以上のAIアクターを持ち、リアルな人物ベースのAI動画広告を生成できるプラットフォームだ。 5. 自己改善ループ Singular MMP（モバイル計測プラットフォーム）経由でパフォーマンスデータを取得し、CPA（顧客獲得単価）を分析。効果の高いパターンを学習して次のバッチを改善する PDCA サイクルを自動で回す。 なぜこのアプローチが注目されるのか このワークフローの核心は、単に「AIで広告を作る」だけでなく、リサーチ → 制作 → 計測 → 改善のサイクル全体をAIエージェントが自律的に回す点にある。 従来のマーケティングでは、各工程に専門のスタッフやツールが必要だった。Lopez 氏は OpenClaw のスキルシステムを使い、Claude Opus 4.6 の API で複数のAIエージェントを連携させることで、これを低コストで実現している。 ...

GPUなしで毎秒100ページ以上のPDF→Markdown変換を実現するオープンソースツール「OpenDataLoader PDF」が話題になっている。Apache 2.0ライセンスで完全無料、CPUのみで動作するため、高価なGPUハードウェアは不要だ。 OpenDataLoader PDF とは OpenDataLoader PDF は、PDFドキュメントをAI活用に適した構造化データ（Markdown、JSON、HTML等）に変換するオープンソースのパーサーだ。Java で実装されており、Python・Node.js・Java から利用できる。 主な特徴: 超高速処理: ローカルモードで 0.05秒/ページ（CPUのみ）、8コア以上のマシンでマルチプロセスバッチ処理すると毎秒100ページ以上 GPU不要: CPUだけで高速に動作するため、導入コストが低い 高精度: ベンチマークで総合精度0.90を達成し、読み順・テーブル・見出し抽出で1位 Apache 2.0ライセンス: 商用利用可能な完全オープンソース インストール Python パッケージは Java CLI のラッパーのため、Java 11以上とPython 3.10以上が必要だ。 1 2 3 4 5 # Python pip install -U opendataloader-pdf # Node.js npm install @opendataloader/pdf Java の場合は Maven で opendataloader-pdf-core を依存関係に追加する。 基本的な使い方 Python でのシンプルな変換 1 2 3 4 5 6 7 import opendataloader_pdf opendataloader_pdf.convert( input_path=["file1.pdf", "file2.pdf", "folder/"], output_dir="output/", format="markdown,json" ) フォルダを指定すれば一括変換も可能だ。出力形式は Markdown、JSON、HTML、プレーンテキスト、注釈付きPDFから選べる。 ...