Archive 記事を横断検索
キーワードだけでなく、業界・用途・情報種別・公開時期を組み合わせて検索できます。気になるテーマから、自社で試すヒントまでまとめて辿れます。
← AI Intel トップに戻る3 / 11ページ
・Answer Engine Optimization（AEO）は、ChatGPT・Claude・Geminiなどの生成AI が参照するコンテンツ作成戦略。 ・AI経由のトラフィックは全体の1%未満だが、従来型SEOと比べて3〜15倍高いコンバージョン率を記録（Microsoft Clarity 2025年11月調査）。 ・購買意図の高い見込客を効率的に集客できる新しい施策として、マーケティング実践家の間で注目が高まっている。
・Cognition が Poke を買収し、会話スタイルと相互作用モデルをコード生成 AI「Devin」に統合。 ・AI アシスタントの性能だけでなく、ユーザーとのインタラクション方法が競争優位性を左右する認識が広がっている。 ・会話体験の設計が AI ツールの市場価値判断に影響を与える傾向を示唆。
・Semrush は G2 と Capterra を合わせて 6,300 件以上のオンラインレビューを獲得している ・複数プラットフォームのレビューから共通する利用者の評価テーマを整理した内容 ・SEO・コンテンツ施策に関わる SaaS 選定時の参考データとして公開
・YouTube が収益化を停止させるコンテンツ 3 類型を明確に説明。既存ルール周知であり新規変更ではないと述べる ・具体的な禁止内容の詳細はソースに記載なし ・チャネル所有者が収益化資格喪失リスクを理解しやすくするための施策
・Semrush分析によると、ChatGPTで明確なブランド支配者を持つトピックカテゴリーはわずか15.2%で、約85%は支配的ブランドが不在。 ・1つのプロンプトに表示されたブランドが、関連する質問全体で一貫して現れるわけではない傾向が判明。 ・検索エンジンのランキング支配とChatGPT回答内での言及シェアは必ずしも相関しないことを示唆。
・大規模言語モデルの微調整時に、全サンプルが同等に寄与するわけではないため、情報量の高い訓練データを選別して計算コストを削減する研究。 ・従来のデータ品質・多様性・推論トレース長といった固定ヒューリスティクスは、タスクごとに有効性が異なり汎化困難という課題を指摘。 ・Perplexity（困惑度）ベースのデータ選別アプローチを提案し、タスク固有かつ予算制約下での効率的なサンプル選択を実現。
・OpenEvolve や TTT-Discover などの自動発見システムは、アーカイブ・親選択・探索・予算配分といった複数の設計選択を組み合わせた複合システムである。・これらのシステムは実務的には汎用ハーネス（枠組み）として扱われているが、最適な設定は問題ごとに異なる可能性を指摘。・発見実行は計算コストが高く確率的性質を持つため、既存手法の比較には統計的に十分な独立試行が不足している傾向。
・Alphabet（Google の親会社）が Gemini モデルの動作効率を高める専用 AI チップの開発を進めている。 ・新チップにより、推論速度の向上とコスト削減が期待される。 ・独自チップ化により Google は生成 AI 環境の競争力を強化する意向。
・人間の視覚は継続的な目の動きと仮説の更新を伴う動的プロセスだが、現在の視覚言語ベンチマークでこれを測定していない ・新しいベンチマーク「ActiveVision」を提案し、大規模言語モデルが能動的観察（段階的な情報探索）を実行できるかを評価 ・既存のスナップショット型評価では見落とされる、モデルの観察戦略の質と効率を測定することが目的
・Couchbase が開発したデータベース補助ツール「Capella iQ」は、単一の大規模言語モデルではなく複数モデルを組み合わせた AI アーキテクチャを採用 ・Amazon Bedrock を活用して複数の基盤モデル（Foundation Model）を統合し、柔軟性・スケーラビリティ・耐障害性を確保 ・クエリ生成、インデックス推奨、マルチターン対話など複雑なワークフローに対応可能 ・エンタープライズ向け採用拡大に伴い、複数モデ...
・LLM（大規模言語モデル）を用いた複数エージェントシステム（MAS）と単一エージェントシステム（SAS）の性能差を理論的に分析した研究。 ・SASは推論プロセス全体を共有コンテキストに蓄積するのに対し、MASは各エージェントが独立したコンテキストを保有することが特徴。 ・情報ボトルネック理論により、両者の優劣が場面ごとに変動する理由を数学的に説明。 ・複数エージェント化がいつ効果的か、設計段階での判断指標を提供。
・大規模言語モデル（LLM）の推論能力向上に強化学習（RL）が中心的役割を果たしているが、事前学習との相互作用はほとんど研究されていない。・本研究は、事前学習の条件（モデルサイズ、学習データ）がRL投資のリターンにどう影響するか、またRLが実際にモデルに何をもたらすかという基本的な2つの問題に取り組む。・従来のLLM研究では事前学習コーパスの詳細が非公開のため、このような検証は困難だった。
・Y Combinatorが、夏2025バッチで最年少ビジティングパートナーだったハルシタ・アロラをジェネラルパートナーに昇格させた ・アロラは13歳でコーディングを開始、16歳でApple認定の暗号資産管理アプリを開発・出資を受けた起業家 ・YCの投資判断・ポートフォリオマネジメント機能にインド及び若手起業家の視点が加わる人事戦略
・Muon最適化器は大規模事前学習ではAdamWと同等だが、強化学習の後学習での有効性は未検証 ・報酬が疎な環境でのエージェント学習（ALFWorld、Qwen2.5モデル）にMuonを適用すると、検証成功率が29%から54.6%に大幅向上（+88%） ・隠れ層の重み行列に限定してMuonを適用することで、効率的な学習を実現
・Y CombinatorがDiana Huをマネージングパートナーに昇進。創業者出身で自社スタートアップがNianticに買収された実績がある。 ・2021年から4年間でYC史上有数の投資案件を担当し、グループパートナーから昇進。 ・創業経験を持つ人材をVCの経営層に登用する傾向が、スタートアップエコシステムの成熟化と人材流動化を反映。
・Y Combinatorが、既存のVisiting PartnerであったChristopher GoldaとGrey Bakerを、General Partnerへ昇格させることを発表。 ・両者は既に複数バッチの起業家への助言を通じて実績を積んでおり、今後は企業選抜・助言・サポートの意思決定に直結する役割を担当。 ・アーリーステージVC（特に加速器型）の人事構成変化が、採択基準や支援方針の判断速度に与える影響を示唆。
・MIT Sloan の実証研究（4 つの創造性課題）では、AI 支援が個人の成果を向上させる一方で、集団全体のアイデア多様性を低下させることを実証 ・AI は創造性が低い個人ほど成果を引き上げるが、その結果グループ全体のアイデアが収束し、似通った提案が増加 ・創造的営為の外部化・自動化により、チーム内のユニークな視点や斬新なアプローチが失われるリスク ・企業が短期的な個人生産性向上のみを追求した場合、イノベーション環境の劣化につながる...
・Google の Nick Fox が、Search の AI 機能が週単位で数十億クリックをウェブサイトに送っていると発表した。 ・この数字は検証不可能であり、第三者による確認手段がない状態での公表となっている。 ・Google は同時に日次クリック数も言及しているが、同様に確認可能な詳細データは開示されていない。 ・SEO 実務者にとって、トラフィック源の正確な把握が困難になる可能性がある。
・Index Ventures の共同創業者 Neil Rimer が、AI による莫大な利益が Silicon Valley に集中している現状を指摘。 ・この富は自発的または強制的に再配分されるべきだとの見方を示している。 ・VC による AI 関連投資と収益の格差が、今後の政策・市場構造に影響を与える可能性を示唆。
・AI により広告制作コスト（コピー、クリエイティブ、ランディングページなど）が大幅に低下し、参入障壁が低くなった。 ・一方、B2B 有料広告プログラムは 3 年前と変わらないペースでしか拡大していない。理由は制作から配信への制約シフト。 ・AI は新しい注目の獲得先を生み出さず、既存チャネルにメディオクアな広告を増やしただけで、競争が激化している。
・OpenAI CFOが、AI投資の効果を測定する実践的なスコアカードを提唱 ・測定項目は「実用的な成果」「1タスク当たりの成本」「信頼性」「計算リソースへのリターン」の4軸 ・企業がAI導入のROIを客観的に評価できる枠組みを提示
・Amazon QuickSight の Free Form ダッシュボードにモバイル向けレイアウト機能が追加され、スマートフォンでの操作性が向上 ・従来はピンチズーム操作が必要だった小画面での利用が、シングルカラム表示で簡潔に ・朝礼での収益確認、会議間での営業パイプライン監視、移動中のオペレーション監視など、フィールドワーク時の BI 活用を効率化
・言語モデルの文脈内学習を条件付き推論として解釈し、全確率の法則などの統計的恒等式が成立するかを検証 ・任意の有効な分割に対し、事前確率で重み付けた条件付き分布が母集団レベルの周辺分布に集約される原理を応用 ・LLM出力の推定値が基本的な確率論的性質を満たすかどうかを実証的に調査する研究
・大規模言語モデル（LLM）の学習データに悪質な情報を混入させる「ポイズニング攻撃」が、既存研究の想定を超えて実行可能であることを実証。 ・Wikipediaなど単一ソースではなく、実際の学習データのような大規模で多様なデータセットでも攻撃が成立することを確認。 ・データ品質チェック（キュレーション）パイプラインとの相互作用を考慮した新たな攻撃リスクを指摘。 ・LLMに隠蔽された有害な動作が組み込まれ、検出・修復が困難になる可能性を警告...
