youtube版(スライド付き)

関連リンク

Codex for (almost) everything

OpenAIは、毎週300万人以上の開発者が利用する「Codex」のメジャーアップデートを発表しました。今回の更新により、Codexは単なるコード作成支援ツールを超え、ソフトウェア開発ライフサイクル（SDLC）の全工程を自律的にサポートする強力なAIエージェントへと進化を遂げています。

最大の注目点は「Computer Use（コンピュータ操作）」機能の搭載です。AIが画面を視覚的に認識し、人間のようにマウス操作やタイピングを行うことで、APIが公開されていないアプリも含め、PC上のあらゆるツールを操作可能になりました。macOS上では複数のエージェントをバックグラウンドで並列稼働させることができるため、開発者が自分の作業を止めることなく、フロントエンドのテストやUIの調整をAIに任せるといった高度な並行作業が実現します。

また、アプリ内にブラウザが統合された点も大きな変化です。表示されたWebページに対して直接コメントで指示を出すことで、フロントエンドやゲームのデザインを即座に修正・イテレーションできます。さらに、最新の画像生成モデル「gpt-image-1.5」との連携により、コードやスクリーンショットを基にしたUIモックアップや素材の生成も同一ワークフロー内で行えるようになりました。

エコシステムの拡張も見逃せません。90種類以上の新規プラグインとMCP（Model Context Protocol）サーバーへの対応により、JIRA、CircleCI、Notion、Slack、GitLabといった主要ツールと深く連携。ツールを跨いだ文脈の把握から実行までをCodexが一貫して行います。

さらに、新人エンジニアにとって特に心強い機能が以下の3点です。

ワークフロー支援: PRレビューの対応、複数ターミナルの管理、SSH経由のリモート環境接続など、複雑な実務作業をアプリ内で完結。
自動化とメモリ: ユーザーの好みや過去の修正内容を記憶する「メモリ機能」に加え、数日〜数週間にわたる長期的なタスクをスケジュール実行できます。
プロアクティブな提案: 業務開始時に、Slackの投稿やドキュメントのコメント、コードの状態を分析し、「今日優先して取り組むべき作業リスト」を提案してくれます。

このアップデートは、開発者が「何を構築するか」という創造的な意思決定に集中できるよう、周辺の煩雑な作業をAIが肩代わりすることを目指しています。AIエージェントと共に開発する新しい時代のスタンダードを示す、非常にエキサイティングなニュースです。

引用元: https://openai.com/index/codex-for-almost-everything

【LLM Wiki】Obsidian x Claude Codeで学んだ知識を構造化し記憶媒体を脳からAIに移行する

本書は、著名なAI研究者アンドレイ・カーパシー氏が提唱した「LLM Wiki」という概念を、Claude CodeとObsidianを用いて実践する方法を解説した記事です。

●LLM Wikiとは：知識を「コンパイル」する発想従来のRAG（検索拡張生成）は、質問のたびにドキュメントを検索・合成しますが、回答が終わるとその知識は残りません。対してLLM Wikiは、ソースを読み込んで構造化されたWiki（マークダウン形式）として書き出し、永続的に蓄積します。新しい情報が入るたびに既存ページを更新し、相互参照（リンク）を張ることで、知識を「生きたナレッジベース」へと進化させます。

●システム構成とツール

Raw Sources：不変の生データ（Obsidian Web Clipperで収集）。
Wiki：LLMが管理・更新する構造化ドキュメント。
Schema：Wikiの規約と構造。これらをClaude Codeの「スキル（SKILL.md）」として定義し、自動運用します。可視化ツールにはObsidianを活用し、知識のつながりをグラフビューで視覚的に把握します。

●4つの基本操作・ingest（取り込み）：新ソースを読み、Wikiページの作成・更新・相互参照を実施。・query（質問）：構造化されたWikiから回答を合成。有益な回答はWikiへ書き戻す。・lint（健全性チェック）：記述の矛盾や孤立したページの有無を定期点検。・index + log：全体像の把握と操作履歴の記録。

●運用のための独自カスタマイズ著者は実用性を高めるため、以下の3つの設計判断を追加しています。

2層index構造：情報の増大に対応するため、全体とジャンル別にインデックスを分離。
編集判断の明文化：新規ページ作成か既存更新かの基準を設け、LLMの挙動を安定化。
query結果の保存基準：Wikiの質を保つため、どのような回答を永続化すべきか定義。

まとめとして、この記事は単なる情報の保存ではなく、AIと共に「知識を育てる」プロセスを提示しています。新人エンジニアにとっても、日々の学習内容をAIに構造化させ、自身の「第二の脳」として管理する手法は、技術リサーチの効率を劇的に向上させる武器になるでしょう。

引用元: https://zenn.dev/dely_jp/articles/8b55114cc0b958

Introducing GPT-Rosalind for life sciences research

OpenAIは、生物学、創薬、トランスレーショナル医学などのライフサイエンス研究を支援するために設計された、新しいフロンティア推論モデル「GPT-Rosalind」を発表しました。このモデルは、DNAの構造解明に寄与した科学者ロザリンド・フランクリンにちなんで名付けられ、化学、タンパク質工学、ゲノミクスといった専門領域において、深い理解と高度な推論能力を備えています。

新薬の開発には通常10〜15年という膨大な時間がかかりますが、GPT-Rosalindはその初期段階における「仮説の生成」「実験計画の立案」「文献やデータベースの統合的な解析」といった、複雑で断片化されやすい研究ワークフローを効率化・加速させることを目的としています。

主な特徴と技術的ポイント：

高度な科学的推論： 化学反応のメカニズム、タンパク質の変異、DNA配列の解釈など、専門性の高いタスクにおいて、従来の汎用モデルを大きく上回る性能を発揮します。
マルチステップ・ワークフローの実行： 単一の回答だけでなく、文献レビューから実験計画、データ分析まで、複数のツールやデータベースを組み合わせて使用する複雑なタスクをこなす能力が強化されています。
ベンチマークでの成果： バイオインフォマティクス向けの「BixBench」や研究タスクを評価する「LABBench2」において、GPT-5.4を凌駕するスコアを記録。特にRNA配列の機能予測タスクでは、人間の専門家の上位5％に相当するパフォーマンスを示しました。

利用環境とプラグイン： 研究者がモデルを既存のツールと容易に連携できるよう、GitHubにて「Life Sciences research plugin」が公開されました。これは、50以上の多種多様なオミクスデータベースや文献ソース、バイオツールにアクセスするためのオーケストレーション層として機能します。

安全性と今後の展望： 高度な生物学的知識を扱うため、モデルの利用には厳格なセーフガードが設けられています。まずは米国の適格な企業を対象とした「信頼できるアクセスプログラム」を通じて提供され、AmgenやModernaといった主要なライフサイエンス組織との連携が進められています。

新人エンジニアの皆さんにとって、このニュースは「汎用的なAI」から「特定の専門ドメインに特化した推論モデル」への進化を示す重要な事例です。AIが単なるチャットボットではなく、科学的な発見を加速させる「研究パートナー」として、いかに高度なツール活用能力を求められているかを感じ取ることができるでしょう。

引用元: https://openai.com/index/introducing-gpt-rosalind

ロボットに犬の散歩をさせる実験中、あることがきっかけで大失敗してしまった！→色んな国の飼い主たち「あのな、ハスキーを選ぶなよ」

科学者チームが開発した10万ドルの犬散歩ロボットが、実地実験で大破する事態となりました。シミュレーションでは成功していましたが、本番でシベリアンハスキーがリスを追いかけて爆走し、ロボットを力任せに破壊したのです。ネットでは「初手でハスキーを選ぶのは無謀」と話題に。新人エンジニアの皆さんも、実世界の予測不能な挙動や、エッジケース（この場合は犬の馬力）を考慮する重要性が学べる、少し笑える失敗談です。

引用元: https://togetter.com/li/2686542

お便り投稿フォーム

VOICEVOX:ずんだもん

私立ずんだもん女学園放送部 podcast 20260417