TOPIC · 業界トレンド
インフラ
このトピックの情報を持つ記事 18
← トピック一覧-
電気がなければ元も子もない — AI の電力需要は 2030 年に日本一国分へ、データセンター電力を一次情報で読む
「AI が、 この成長の最も重要な牽引役だ (IEA)。 世界のデータセンター電力は 2024 の約 415 TWh から 2030 に約 945 TWh へ、 2 倍超に増える」
-
Claude 80倍成長で AI インフラが限界 — SpaceX が Anthropic の救世主、 今井翔太「ラピダス計画は正しい」
「1-3 月の売上高と AI 利用量が前年比 80 倍。 10 倍を予想していたが、 こんなことは望んでいない — Dario Amodei」
-
Anthropic $350B 評価額の構造 — NVIDIA $10B + Microsoft $5B + Azure $30B コンピュート (2025/11)
「Pentagon に No と言える財務基盤は、 Pentagon の代替契約者 (NVIDIA / Microsoft) が同時に投資している、 という捻れの中で組まれた」
-
CI/CD は死んだ — エージェント時代の Continuous Compute (Namespace × NEA)
「マージにかかる時間が決定的になる、 新しいアーキテクチャが必要や。 PR は無い、 我々は intent と plan から始める」
-
父親が失明した日に Apple Silicon が来た — MLX で構築するオンデバイス AI
「2020 年、 父が失明した。 同じ年、 Apple がオンデバイス推論で最も強力なチップ (M1) をリリースした」
-
AI データセンターの経済学
「これは宇宙計画より大きく、 マンハッタン計画より大きく、 米国の国防予算に次ぐ規模」
-
9 年苦戦 → 30 日で 200 億ドル
「同じ電力で、 2.5 倍のトークンが出る」
-
フロンティアモデルへの課金をやめる — Rachel Lee Nabors (Arize) が実演する prototype big, deploy small と on-device SLM の right-sizing
「トークン単価は最近下がってきた。 それなのに総推論コストは上がっている。 agentic と reasoning のワークロードが、 値下がりよりずっと速くトークンを食うからだ」
-
Lobster Trap — OpenCode をコンテナで、 ローカルから Kubernetes まで往復する
「OpenCode を安全に動かせないなら、 むしろこれは世の中に見せる絶好の機会。 10 年間、 我々はあらゆるアプリケーションを安全にコンテナで動かしてきた、 それが RHEL の本質」
-
LLM 時代の personalization — Shivam Verma (Spotify AI Foundation) が公開する Foundational User Modeling + Semantic IDs + Soft Tokenization の三層設計
「embeddings が users を、 semantic IDs が content の圧縮版を、 soft tokenization が users をモデルの token 空間に射影する。 旧来の recommended system モデルから sequential modeling フレームワークへの移行」
-
Android で AI を作る 3 つの選択肢 — Florina Muntenescu × Oli Gaymond (Google DeepMind) AMA
「これ (= フラグシップ級 on-device モデル) は全アプリで必要な訳じゃない。 動作を遅くするし、 高価でもある」
-
ACP と ACPX で agent を Kubernetes にスケール — Onur Solmaz (TextCortex / OpenCode) の三層設計
「MCP はモデルにツールを与えるためのもの。 ACP はエージェントとクライアント間のインタラクションを標準化するためのもの」
-
推論は 「コスト」 ではなく 「能力」 — Tanishq Kumar (Stanford) の Speculative Speculative Decoding
「推論は今日、 コストや利便性のレバーとして見られている。 だが 1 年、 2 年、 3 年のうちに、 推論は能力として見られるようになる」
-
拡散モデルで 「行動」 と 「世界の動き」 を同時に学ぶ — Stannis Zhou (Google DeepMind) の Diffusion Model Predictive Control
「D-MPC でやったのは、 拡散モデルを使って 「マルチステップの行動提案」 と 「マルチステップのダイナミクスモデル」 の両方を学習することだ」
-
データが尽きる時代の pre-training — Konwoo Kim (Stanford) の Pre-training under Infinite Compute
「データに制約され、 計算には全く制約されないとき、 pre-training にどう取り組むべきか」
-
500 万トークンへの道 — Max Ryabinin (Together AI) の Untied Ulysses
「大きなコンテキスト長でモデルを訓練するのは面白く挑戦的な目標だが、 ボトルネックは思いがけない場所に現れる」
-
IDE を離れずに GPU へデプロイ — Audry Hsu (RunPod) の Flash と serverless GPU
「コード変更 → コミット → Docker 再ビルド → アップロード → GPU 割り当て、 ではなく、 これ全部が IDE の中で起きて、 一度も離れなくていい」
-
主権という escape velocity — Gus Martins & Ian Ballantyne (Google DeepMind) の Gemma 4 と 「所有」
「モデルを所有したい場面がある。 自前のハードで動かしたい、 インフラから出せない proprietary データを渡したい — そういうとき」