ポッドキャストとにかくヨシ！のアーカイブです。
とにかくヨシ！では九州に住むの研究者とベンチャー企業のエンジニアが主に気になったニュースに関して話し合う中時間ポッドキャストです。
今回で第156回目の放送です。
視聴はこちら↓
https://open.spotify.com/episode/4i7DsgJm1DK8eO7uKkThVr?si=cfLXJI2FRhKNxgwF2ujljAopen.spotify.com
出演
Show Note
今回のポッドキャストの概要:
Googleの新しいマルチモーダル埋め込みモデル「Embedding Gemma 2」の紹介と、その説明可能性の研究的な話、9月に登場した新カテゴリ「ディシジョンモデル（JEB/Decisions API）」の位置づけと具体的なユースケース、そしてSteamオータムセールで買ったゲームや「脳を使わないゲーム」を自作したい話などについて話しました。
Embedding Gemma 2（Googleの新マルチモーダル埋め込みモデル）
- テキスト・画像・音声・動画・コードを同じベクトル空間に埋め込める新モデル「Embedding Gemma 2」を紹介
- 768次元をベースに、512/256/128次元へ圧縮可能で、100万件埋め込んでも数GBレベルというコンパクトさ
- テキストクエリで音声の一部（例：救急車のサイレン）を検索したり、音声で画像・動画を探すなど、マルチモーダル検索の可能性を議論
- 動画は1fps・最大32フレームをまとめて埋め込む仕様など、実運用時の分割・サンプリング戦略にも言及
- 埋め込みベクトルを一度高次元に「広げて」中に潜む概念を取り出す、説明可能AIまわりの研究トーク（オートエンコーダ逆利用のイメージ）
- Pixelクラスの端末でも動くサイズ感で、スマホアプリやゲームへのオンデバイス実装アイデアも
- 「AIの妹に運転を教えるゲーム」がジェミニAPIで1日16万円かかっている話から、ローカルLLM＋軽量モデルで自作版を遊ぶ案まで雑談
Decision Modelとは何だったのか（JEB と OpenAI Decisions API）
- 2026年9月に登場した新カテゴリ「ディシジョンモデル」（JEB）を時系列で整理
- 従来：BERT系の分類モデル → Function Calling → Structured Output という流れ
- 新顔：文章を生成せず、あらかじめ定義された選択肢・スコア・確率だけを高速に出すモデル
- JEBはTypeSafe AI社が出した「システム1モデル」で、カーネマンの速い思考／遅い思考の「速い側」を模した存在だという話
- 名前の由来である「ジェボンズのパラドクス」（効率が上がるほど資源消費が増える）を、AIと仕事量の話になぞらえて解説
- 技術的特徴：
- トークン逐次生成なしで、型付きの値を一括出力 → 200〜400ms程度の高速レスポンス
- RLHFではなく「判定の正しさと確率のキャリブレーション」を重視するRLCDで調整
- 常に型に沿った値を返す「タイプセーフ」な挙動で、プログラムに組み込みやすい
- OpenAIのDecisions APIもGPT-6 Lunaベースで同様の機能を提供
- クラウドフレアのCLFなど、互換APIやローカル実装が一気に広がり、登場直後は世界中でデモ・事例が爆発した話
- 用途の例：
- 真偽判定／条件判定：例「この発言は嘘か？」を0/1と確率で返す
- Choice型：深夜2時に「寝る／勉強する」など、固定選択肢から一つを選ぶ（ゲームAIなど向き）
- Score型：複数選択肢へ0〜1のスコア付与（レコメンドや優先度決定）
- コールセンターでの問い合わせ種別の一次振り分け
- パーソナル事例：
- ホストが運営する「質問掲示板」で、投稿を「質問／要望／その他…」に自動タグ付けするのにローカルJEB風モデルを実際に利用
- 「できることが限定されているモデルだからこそ、逆に用途アイデアが湧きやすい」という話や、事例集を眺めると応用のヒントが多いという雑談
- 2026年9月に登場した新カテゴリ「ディシジョンモデル」（JEB）を時系列で整理
-
- 10/8（日本時間では10/9 2時）まで開催されていたSteamオータムセールの振り返り
- 購入タイトル1：Mount & Blade II: Bannerlord
- 中世ヨーロッパ風サンドボックスで、ストラテジー×アクションRPG×シミュレーションを融合した作品
- 信長の野望っぽい領地拡大＋自分で戦場に出るアクション＋攻城戦や防衛戦など盛りだくさん
- 目的が緩いので、ちょくちょく長く遊べる系
- 購入タイトル2：BeamNG.drive
- 車の物理演算（特にクラッシュ挙動）がウリのドライビングシミュレーター
- MODコミュニティが活発で、実在車風の車種なども多数
- ただしホスト自身は最近そこまで車にハマっておらず、「すごくこだわれるけど、まだそこまでやれてない」という感想
- 購入タイトル3：Red Dead Redemption 2
- Rockstar Games（GTAシリーズ）の西部劇オープンワールド
- 以前から名作として有名で、セールを機に購入。「新調したGPUの性能テストも兼ねて近々やりたい」トーク
- 「ゲームを遊ぶより自分の欲しいゲームをAIで作りたい」欲
- CMでよく見る、木を切って売って拡大していくような「脳を使わないゲーム」が好きという話
- スマホゲームだと広告が多くて疲れるので、「広告なし・自分専用」で作って公開してもいいかな、という構想
- 自作ゲーム「渡邊のドパガキゲーム」
- 既に完成していて、身内に見せてニヤニヤしている
- サーバー不要なので、プレイ動画を撮って投稿してみようか、という話題
- 実はそれ以外にも色々作っているが、しばらくは自分一人で楽しんでいたという告白も
次回もお楽しみに。
書き起こし
今週のとにかくよろしくお願いします。 クリックで展開
お願いします。
まずなんですがGoogleが新しい埋め込みモデルを出しましてこちらがEmbeddedGemmaというものになっています。
これ何かというとLMではなくて埋め込みモデルであるというところ
埋め込みモデルというのは何かというとあるテキストであったり画像を何次元かのベクトルに変換するというものになります。
これの特徴としては、まず一番の特徴としては音声、
テキスト、動画、画像全てを同じ特徴領として表現することができる。
なので例えば話としては猫という画像があってそれに対してニャーという音声があった場合に猫の画像とその音声というのはベクトルを比較したときに距離の中で近しい関係に表現されるというものになります。
これがパラメータ数が合計740MBというかなり
小さいモデルになっておりまして、埋め込み次元としては768、
すごいね。
これを圧縮して512、256、128次元のこの4つのパターンが作れます。
さっき言った通り対応の入力モダリティとしてはテキスト、
画像、コードも入っていますね。
テキストの中の一つとして。
あと音声、動画のこの4種類、細かく言うと5種類があります。
対応する言語としては100以上の言語の表現に対応しているというところです。
これを使うことによって何ができるかというと同じベクトルになるので
ベクトルのデータベースなどに入れてあげることで検索をかけたりしたときにこの写真に似た画像、
音声というのを引っ張ってくれる。
距離が近いものを引っ張ってくれると。
はい。
先ほど言った通り、モデルのサイズとしては740MBなんですがテキストに関する変換が278MBのパラメータ。
画像に関しては170MB、音声に関しては300MB、
これが合計で720MBです。
モダリティによって使わないのであれば、例えばテキストだけを行うのであれば、
270MBだけで使えるというものです。
ん。
ん。
ん。
ん。
ベクトルの出力の次元に関しては、ベースは768次元になるんですけれども、
最小で128次元まで落とせると。
768次元でもし100万件のデータをベクトル化した場合は約3GBで最小の128であれば500MBで済むとオプションがありますというところですね。
ん。
ん。
ん、ん、ん、ん
例えば応用の
応用と性能に関してはGEMA1とGEMA2で一つ比べているんですが大体概ね精度は改善していると。
今回は画像と動画というのが両方新しく対応するというところになりますのでGEMA1とは比べられない、
エンベディングGEMA1とは比べられないけど多額はなっていると。
これが他のモデルに比べてどうかというところは
ブログでは書いてないんですけども、エンベディングジェマであれば、
ジェマ間の比較であれば、ジェマ1が61.2、
これはテキストですね。
ジェマ2が61.4ということで、ほぼ同じというところで、
見てもあまりしょうがないですけど、ベンチマークもやっています。
うん、うん。
これを使って何ができるかというところが何個かありまして、
例えば、
音声ファイル、音声はいけるので、音声全体はいけるわけじゃなくて、
分割してここからここからここからみたいな30秒後ってことぐらいに分割して入れる必要はあるんですけども、
これをベクトルDBのデータベースに登録しておいて、
例えば別の音声というのを入力として、検索のクエリとして与えるとか、
音声をベクトルにしておいて、テキストで例えば救急車のサイレンというテキストを入れますと。
わかりますかね。
音声をまずベクトル化します。
うんうん、わかるよ。
テキストの救急車のサイレンというのを入力してあげると、
音声の中から救急車のサイレンに似た部分を検索して持ってこれると。
なのでテキストで検索して音声返ってくるし、
逆に音声で検索して画像とかも返ってこれると。
例えば監視カメラとか動画アーカイブとかで、
あり得るのかわかんないですけど、火事が起きたシーンだけを撮ってくるとか、
叫び声が聞こえるところだけを撮ってくるとか、
そういうことができそうだというところ。
それどうなんかね、エンベッティングするときに、
例えば文字だったら文字をエンベッティングするわけじゃないですか。
はい。
で、動画も、例えば今言った青く星が言ってみたいなやり方をしようとすると、
はい。
結局動画をフレームごとに、例えば何秒とかでもいいけど、
2秒ごと、3秒ごと、多分エンベッティングが変わってくると思うんですよね。
例えば1時間の映画をこれに入れてやってエンベッティングが出てきたら、
たぶん結局出てくるやつってのは768とかって決まったベクトルだから含まれてるか含まれてないかっていうのがちょっと探しにくい気はするんですよね。
フレームごとにやるとかだったらいいし、例えばこの入力のやり方っていうのが動画は何メガまでですよとかって決まっているなら、
そもそもそうやって入れなきゃいけないので。
だから今言っている、火がついているシーンだけっていう風になるとたぶん
フレームごとに、フレームか3秒ごととかにして入れれば、
まあ撮ってきてくれるかとは思いますけどね。
ただ動画をバンと入れては出て、動画をバンと入れて抽出するっていうのは、
そうですね。
まあそのエンベティックの話ではないから。
実際に動画とかであれば、デフォルトの設定だと1fps、
1秒間に1枚の画像にしてあげて、最大32枚の画像を元に特徴量に変換してあげるという感じですね。
やるんだ。
あー、わかりました。
はいはい。
なので10分の動画をそのまま1つの特徴量にしてしまうと32フレーム分の動きになっちゃうので、
細かく動きを見たいとかであれば調整をした方がいいかなと思います。
すごいな。
どうなんだろうな。
いいですね、いいですね。
そうですね、実際に使ってみましょうかね。
うん、そうね、ちょっとこれは使ってみたいね。
いや、特にそのマルチモーダイルっていうのが良くて、
色々幅が広がるんだよね。
なんか面白そうですね。
これとこれの関係性みたいなのが見れるから。
実はですね、僕ちょっと実は違う研究で、これに近い、
これに近いというか、要は逆のパターンやってるんですよね。
そのエンベッティングって情報がギュッと、
要はいろんな情報がギュッて入ってるんですよね。
例えばベクトルが猫って猫だけじゃなくて、
はい。
例えば可愛いとか
もちろんミャーって鳴くとか、そういうのがいろいろごっちゃごちゃのデータなんですよ、
エンベッティングって。
はい。
要は、本来なら長く表せなきゃいけないんだけど、
それをギュッてまとめることによって、いろんなコンセプトが入ってるっていう感じなんですよね。
けど、そっから本当に必要なものとか、重要な、
要は逆に解くというか、要はギュッて集まったものをもう一回ゴッと広げて、
こいつが、要は説明可能の時に使うんですよね。
これ、今結構LLMとかで説明可能にする時に使われる技術で、
このエンベッティングから逆に広げてあげることによって、
情報をまた違う、吸い出してあげるっていう、
そこに何が混ざっているのかなっていうのを出してあげるっていう技術が今あるので、
すごいこれ、いやこれだとどういうのが出るのかなと思ってすごい興味が湧きましたね。
それが調整できることによって
そうですね、その要はギュッとまとまったエンベッティングの情報から、
もっと広げて情報を取ってくることによって説明可能になるって感じですかね。
要はその、例えばベクトルが近いだけだと、
わかんないじゃないですか。
近いのは近いってわかるけど、それは768っていうので近いって言ってる。
次元的に近いって言ってるだけなんですけど、
それをもっとこう
例えば700、逆のことをするんですよね。
簡単に言うと、オートエンコーダーってあるじゃないですか。
画像を入れてあげて、簡単に言うと画像を入れてあげて画像に復元するんですけど、
はい。
それを例えば、次元を圧縮してあげても元に戻せるってことは結局この情報っていうのは、
これだけ短い情報で上手く情報っていうのが落とさず圧縮できるって話なわけじゃないですか。
はいはい。
で、その逆をやるパターンがあるんですよね。
要は、入力にこのエンベッティングを入れますと。
で、途中のところで逆に概念をぐっと広げるんですよ。
なので、例えば128で入ってきたものを1000ぐらいにして、
また100に戻す。
なんかそれって無駄なことをしているようだけど、
実は1000って広げることによって、逆にこの広げたところの要素がどれだけあるのかな。
で、これで説明可能にしていくっていうのが使われている。
LLMの説明可能のところで使われている技術なんですよね。
既に。
っていうのが、これだとどうなるかと思って。
はい。
そう、ひっ、うん。
広げたときに何を評価するんですか?値が入ってくるというのは何ですか?ゼロではないとかそういうことですか?
あ、広げたときにそこの要素、広げた要素にどれだけ今度は値が入ってくるかっていうのを見て、
説明可能にするんですよね。
あ、そうそう、ゼロではないというか。
えっと、簡単に言うと、もともと逆の操作なんですよ。
えっと、オートエンコーダーっていうのは、
例えば画像って、まあ、例えば1200×1200とかだったら、
それだけの情報があるわけじゃないですか。
はい。
はい。
はい。
で、それをオートエンゴーダーで圧縮するわけですよね。
中間の値に。
で、そこから画像に復元するわけですよね。
はい。
元の画像に。
そしたら、そのちっちゃくなった情報の中にこの画像の情報がいろいろ組み込まれているわけですよね。
けど、それって溶けあっているんですよね、
情報が。
例えば、その画像の中に猫がいるんだけど実は後ろの方に花瓶があるかもしれないと。
けど、そういうのがグーッと溶けあって
圧縮された状態であるわけですよね。
はい。
で、今僕が言っているのは今度は逆の操作で、
エンベッティングされたやつを大きく広げてあげて、
またエンベッティングに戻すというのをやってあげると、
その広げたところに今度は、さっき言った花瓶とか、
そういう情報が、まあ本当は花瓶かどうかわかんないですけど、
そういうのが今度はまたぶっと広がって出てくるわけですよね。
要は元に戻すというか。
はい。
そうすることによって、もともとエンベッティングにあった情報を元に戻してあげて、
それを本当は何があったかっていうのを説明可能にするっていう方法なんですよ。
じゃあその千何次元のインデックスが0から始まるやつ、
1、2、3、4っていうところを一個一個に何らかのテキスト的に、
そうそうそう。
意味が、うん。
例えばここはカビンがあるなしの判定のスイッチであるみたいな。
そうそうそうそう。
なるほど。
そうそう、そういうのがあるかもっていう話ですね。
まあちょっと今の例なので何とも言えないですけど、
ただ説明可能のところで今こういうのが使われてるんですよ。
グッと広げるってやつがね。
うん、そう。
だから、こう、なんていうの、そうそうそうっていう話がこれだとどうなっているのかなっていうのがちょっと興味あって、
その、どういうふうにエンベッ、その、エンベッティングって結局その、
今言ってる、理解だけで言うと単にベクトルなだけじゃないですか、
本質的には。
はい。
うん、で、なんか混ざってるんですよね、その行の中に。
それをどういう風に混ざってんのかなっていうのがちょっと興味があって、
見てみたいなって思ってるだけです。
なるほど。
いいかい。
あとは、これピクセルとかでエッジで動くぐらいのモデルサイズなのでこれを使って
Googleとしてはスマホ上で何か処理をアプリ内でするとかも考えているみたいですね。
そうね、やっぱりちっちゃいのがいいもん。
てか、これちっちゃいのがいいよね、モデルがね。
うん、すごい。
ゲームとかでも多分使えるんじゃないですかね。
うん、うん。
なんかちょっと前に妹に車を運転させるっていうデモゲームがあったと思うんですよ。
あったねー、すごい流行ってたねー、うん。
あれが
実はローカルで動いていなくて、API使っているらしくて、
そう、高いらしい。
なんか挟ましそうみたいな。
デモを早く終わらせて、製品を出さないとみたいな。
そうだよね。
あれけど、僕ら作れそうですよね。
ローカルLLMでやればいいから。
まあその、自分たちが楽しめるっていうやつね。
売りはしないけど、自分たちで楽しむ分は作れそうですけどね。
AIの妹に音声で運転を教えるゲームその名も妹に運転を教えるの体験版が人気なせいでAIの利用料が1日16万円と。
結構いってんなぁ。
儲からないもんなぁ。
デモですからね。
そうね。
うーん、まあそうだね。
確かに確かに。
いいね。
けどちょっと作ってみたいなのね。
ジェミニを使ったみたいですね。
あ、そうなんだ。
なんか、やりやすいんかね。
一気にその、喋らしたりとか、文字起こししたりとか、
APIと取ったりとか、なんかそういうのがやりやすいからジェミニ使ってんのかな。
これで言うと、最終的にハンドルを右にやるとか、
アクセル踏むとかに持っていく時の、出力までのレスポンスの短さとか、
構成とかが良かったんじゃないですかね。
いいよね、アイのね。
ちょっと面白そうだよね。
ちょっと作ってみたいね。
なんかちょっとアイデアがあれば、ちょっと作ってみようかね。
そうですね、ただこれできたとしても結局、
そのコストを払ってもらうという手段がないと、
そうだね。
ただ損するだけっていう。
確かに。
まあだから、あの、GPU持ってる人だけ楽しんでねっていう風にやるしかないね。
まあそうです。
で、あとは次もう一個。
同じようなLMの話でディシジョンモデルというモデルがあってこれが結構素材が揃ってきたので振り返ろうかなと思っていましてディシジョンモデルとは何だったのかというところで今年の先月ですね9月にAI業界新しいモデルのカテゴリーとして意思決定モデルディシジョンモデルというものが登場しましたと
そう、バツったもんね。
ガーッとね。
これは従来のLMと何が違うかというと与えられた情報からあらかじめ定義された選択肢、
スコア、確率というのを直接出力することに特化したAIであると。
これは今OpenAIもDecisionsAPIというのを提供してまして9月に出たモデルに対抗というか同じような機能というのを提供しているのでOpenAIとしても
何らかの気になる機能であったというところであると。
うん、そうね。
なんか結構ね、フリーなやつもいっぱい、てかいろいろ人作ってたもんね。
時系列に話させてもらうとまず9月15日にタイプセーフAIという会社これはオープンAIに所属していたあるエンジニアの人が新しく作った会社でここはJEBというモデルを公開しました。
このモデルがスタートで、文章生成を行わないカタツキの判断と確率出力に届かしたシステム1モデルというのをアーリアクセスでスタートしました。
んんっんっ
さっき言ったOpenAIというのが9月29日にイベントDevDay2026でDecisionsAPIというのを発表しましたと。
これはGPT-6Lunaをベースとしたジェブのようなことができるモデルであると。
そういう形で出てきましたと。
背景としてちょっと振り返らせてもらうとDecisionモデル誕生以前の技術的背景としては
私もちょっとこのジブモデルっていうのがこれまであった機能の一部じゃんと思ってたところもあってそこを振り返らせてもらうとまず従来型としてはBERTといった分類モデルがありましてこれはあらかじめ定義した学習済みのカテゴリーへの分類ができますとこの文章は怒っているのか悲しんでいるのかとかそういったことはこれまでできましたと
LMが登場してから2023年の6月頃にファンクションコーリングという機能ができましたと。
これはいわゆるツールと呼ばれる、LMがプログラムとかコマンドを呼び出すための関数出力といったもので、
うむ。
これは一般的にはJSONの
ような型をLMMが出力するという機能でした。
今のエージェントとかも、こちらのプログラム画句とかもこういうツールがユーザーにチャットを返すんじゃなくて何かを使うための返信を返すというのがファンクションコーディングでした。
2024年の8月頃にストラクチャードアウトプットが出まして
JSONのスキーマを渡すと、このJSONのスキーマの形に沿った出力を保証する、
つまり必ず出すという形で、固定の型の出力を出してくれるという機能が2020年の8月に出たんですよね。
今週もよろしくお願いします。
JEBが俺当時出たときに、このStructuredOutputじゃんってずっと思ってて、
そこと何が違うのかというのはずっと疑問なんですけど、
1つ挙げるとしたら、レスポンスの速さというのが違うかなというふうに思っています。
ここから2026年9月にJEBが出まして、
こちらがその文章生成なしでカタツキ判断と確率を直接返すモデルであると。
という形で、従来型から今年の9月にかけてこういう形でカタツキの判断、
特定の、固定の出力を出すLMMみたいなのが出てきています。
従来式のものであれば入力を渡すとLLMがトークンを生成してそのトークンを生成した中にJSONのような文字列が出てきてそれをパースして型にできるみたいな形だったんですけどディジョンモデル型であれば必ず型付きの値を出してくれるという形にあまり変わらないような気がするんですけど変わってきてますよというところです。
この話を出した話というか流行を出したジェブというのは先ほど言った通りタイプセーフAI社というのが作ったモデルでこれはシステム1モデルと自分たち呼んでいますとシステム1モデルというのは心理学者のダニエル・カーネマンという人が提唱したシステム1、
システム2
ん。
ん。
ん。
という概念に沿ったものであると。
ん。
システム1、システム2というのが直感的、
高速、無意識、努力不能で働く速い思考と遅い思考という2つを分けて考えるというので、
ジェブはまさにシステム1であると。
このシステム1というのは、瞬間的、自動的に人間が認識できる、
エネルギーをほとんど使わないものであると。
これが何かというと、役割性質としては感情直感とか第一印象とか。
マットさんの顔を見て、これ全然面白くなさそうだなって思ったら、
あ、みたいな、になるみたいなやつとか、あとは車の信号が赤になったってなったら、
うーん、うーん。
特に考えることもなく、エンジンを緩めるとか、
そういうすぐ起こすようなものがシステム1であると。
このジェブっていうのはシステム1、
というものに着想を得たものであるというところです。
このJEBという名前自体は経済学者のウィリアム・スタンリー・ジェボンゾンスタンリー・ジェボンゾンという経済学者から来てましてこの人がこの人が提唱したジェボンズのパラドクス
うーん、うーん、えーそうなんだ、うーん、
うんうん、うんうん、うん、あー、
これに依頼していると。
で、なぜこれが入っているかというと、知能の利用コストが下がれば利用需要そのものが増えるというものに込めている。
つまりジェブというもので判断するというもののコストが著しく下がればもっと使われるようになるみたいな。
ああ、はいはいはいはい。
そうね、まあ、うんうん。
いやいや、いやいや、うんうんと思って、聞いてただけで。
うん、大丈夫、うん。
ジャボーズのパラドックスというのは技術の進歩によって資源やエネルギーの利用効率が向上したにも関わらず、
かえって全体としては消費量が増えてしまうという現象のことを指したものです。
これはイギリスの石炭、蒸気機関の時代に
モチーフに作られたもので、その頃は蒸気機関によっていろいろ工業が起きていたと思うんですけど、
この蒸気機関の燃焼効率というのが良くなって燃料として使われる石炭が節約できるようになったと。
それによって石炭の利用量が減るのではないかという、
直感的なところに対して、石炭が効率が良くなって、
より安く使えるようになったということによって、
結果としてより多くの産業とか利用用途が増えて、
全体としては、石炭の使用量というのは効率が良くなれば良くなるほど増えてしまった。
例えば、現代でいうと、
さっき言った通り、例えばAIによってこれまでできなかったこと、
一人でアプリを作るのとか、そういうのって結構大変だったと思うんですけど、
それがAIが行動確保によってだいぶできることが広がった。
人間としてより楽にお金が稼げるようになるんじゃないかという思いがある一方で、
実際にはそうじゃなくて、よりできる幅が広がったから、
お金は買わないけど仕事の量は増えるとか。
うんうん、まあそれはね、うん。
そういったところにつながるのが、このジェボンズのパラドクスなんじゃないかと。
そうね、まあまあ、パラドックスというかまあ、
人間の欲望にキリがないからね、仕方ないよね。
そうね、その1個のKだけで、要はその効率良くなったから、
良くなるって話じゃなくて、効率良くなったからこそいっぱい使って、
結局人間の欲望がそこをドライブしちゃうから、
まあそうじゃなかったですわーってだけな気がするんで、
まあまあけど、おっしゃる通りやね。
はい。
JEBの特徴としては何かというと、とにかく入力から推論のスピードが速いというところ。
これはいわゆる従来的なLMと違って、従来的なLMというのは文章を1個ずつ出力するという形をとっているんですが、
JEBはこのプロセスを持たずに平行に出力するという形で、
一度で200とか400ms以内に返すというところで、
ゲームとか使われたりもしています。
技術的なところで言うと、これまでというのは教科学習のHumanFeedbackですから、
これは人間が好む回答というのに調整されていたんですけど今回RLCDReinforcementLearningforCalibratedDecisionという作業の中では判断の精度と確率の適切さというのを重視して調整されていると
最初から言った通り型がタイプセーフというか型が常に決まったもの期待される型というのが決まっているのでこれはプログラムの中にこれを組み込んだとしてもリクエストがエラーとか起きるかと思うんですけどそういうところは対応できていると
これ出たときってDecisionsAPI自体も結構かなり安いレベルでなおかつ出力っていうのにお金がかからないっていう形を取ってましたと。
Dev公開後なぜ広がったかというと同じような仕組みっていうのをローカルとかでも作られてましてクラウドフレアっていうのとかはクレフっていうものをクラウドフレアとして公開してまして
同じようなAPI、JBLの交換のAPIで使えますよとか、
そういうのとかを出していますと。
これ何を出力するかというと、
さっき言ったとおり3つの判断の型があって一つ目が審議判定とか条件判定という形である内容に対してそれが01の確率で返ってくると例えば大久保は嘘つきかというのに対して嘘つきかどうかの材料を与えてそれで01で判断させると
他では昼深夜2時には寝なければならないっていうのに対して例えばこのチョイスっていう方だと寝なければならない深夜2時までには何をした方がいいかとかそういう時に寝るか勉強するか選択肢を犯したらそれに対して回答を返してくれるとこれなんかゲームとか使いやすそうだなと思いましたしあとはスコア
んんっんっ
スコアって同じ01ですけど、それぞれに選択肢ごとにスコアがついたりとか。
というのができますという、割と第一次対応的なもので使えるものかなと思って。
例えば実用としては、
例えばコールセンターとかでお客さんから問い合わせがあったときに、
一番最初の問い合わせの部分の判定を下すところに使うとか。
そういう感じで使えるかなというところですよね。
結構、これが流行った時に、本当にこれ流行ったんですよ。
バーッと流行って、結構みんながおもちゃにしてやってたので、
辞令集みたいなのも集まってますしね。
結構今からやっても、ちょっと今どこまで、
ちょっとやっぱり流行りが良かった分、後からこう、
なんつうんだろう、こう、なんか、続けてる、
要はなんかその、最初に燃え上がったから、
なんか今なんかちょっとこう、下火というか、
さようなら。
下火に見えちゃって、あんまり見ないんですけど、
本当にこれが出た時は、本当にこの1週間とか2週間ぐらいで、
とんでもなくみんないろいろ作ってて、もちろん今大腰が言ったようなマリオとか、
ゲームでマリオをやらせてみたとか、ハエのやつが生えた時と若干かぶってた気がするんで、
いろいろ出てたけど、なんでこれは結構いろんな、
自分じゃ考えつかないようなアイディアがいっぱいあると思うので、
ぜひ調べていただけるといろんな自分でもこれ使えるかなっていうのはあるんじゃないかなと思いますし実はこれ僕も使ってて何使ってるかっていうと僕ちょっと色々人に教えることが多いので人に教えて掲示板を作ってたんですよね質問掲示板みたいなのを作っててその質問をやるとその人のコメントが4つに分けてるんですよね確か要望なのか質問なのかその他なのか
なんだのかとか、なんかちょっと自分でも作って覚え忘れましたけど、
要はその質問にタグ付けするっていうのに使ってます。
ローカルモデルで動かすジェブみたいのがあるので、
それを使って、確かにおくぶしが今言ったCLFかな、
そのクラウドフレアのモデルを確か使ってたのかな、
まあそれを使って使うようにはしてます。
ちょっと流行ってたんで使ってみようと思って作りましたね。
作りとか使ってますね。
ジェブ自体はテキストだけですもんね、入力。
違うんですかね。
うーん、うーん、まあ、十分じゃないかな。
いや、なんか多分、うん、十分そうかもしれんけど、
なんか、あの、派生系はいろいろできてんじゃない?画像とかもあるんじゃない?うん、
多分ね。
マットさんが見たやつで一番良かったオイルとかありました?
これが見た応用例で、あ、いや、覚えてないな。
もうだいぶ前だからな。
けどなんか、へえ、こんな使い方もするんだっていうのはあったと思います。
なんか、事例集が1個や2個とかそういうレベルじゃなくて、
大量にあったから、やっぱり人のアイディアって面白いなと思って。
それで僕多分、質問を分けようって思ったのかもしれません。
ちょっと自分のアイディアじゃなくて他の人のアイディアかも。
なんか掲示板作ろうと思ってて、で、その時に多分なんか事例集かなんかを見て、
あ、これ使えるかもと思って使ったのかもしれないですね。
けどまあまあ、あの、早く帰ってくるってことがね、
すごく重要だし。
そうですね、判定が早いってところが。
そう。
だからいいなと思いますよ。
なんで。
それがまあどれだけ早いかだと思うんですけど、
まあけどなんかその逆になんて言うんだろうな、
こうルールが限定されると思えますよね。
これしかできないとか言われた方が、こう応用範囲いろいろ広がるじゃないですか。
なんかあれもこれもできるとかなるといろいろ大変だけども、
こういう判定しかできないとか言われたら、
何使おうかなとかいろいろ考えられそうだから。
ぜひ、奥押しも作ってみて。
まあけど、APIとして、ジェブにそんなつなぎたくないんで、
はい、はい。
そう、いや、だからローカルがあるんですよ。
ローカルの揉みなしとかあるから、これも軽いんですよね。
JEBは。
だから僕も結構オーラマに入れて使ってますよ。
パッパッパって。
まあまあ別に、いや、
その、使わなくても声を知っとくと、なんか、
あ、これ使えるかもっていう、ほら、物作っている時に気づくかもしれないから、
いいかもしれないですね。
うん、うん。
うん、うん。
なるほど。
あとは、Steamのオータムセールが、もう終わってる?終わってますね。
あー。
ヘッヘッヘッヘッヘッヘッヘッヘッヘッヘッヘッヘッヘッヘッヘッヘッヘッヘッヘッヘッヘッヘッヘッヘッヘッヘッヘッヘッヘッヘッヘッヘッヘッヘッヘッヘッヘッヘッヘッヘッヘッヘッヘッヘッヘッヘッヘッヘッヘッヘッヘッヘッヘッヘッヘッ
やってたんですよね、たぶんね。
そうだね。
はい、やってまして、10月8日までかな?日本時間だと10月9日、
あ、そうなんだ。
昨日の午前2時まで開催してましたと。
で、俺もちょっと買いまして、最近ゲームやってなかったので買おうかなと思って。
そう、やるじゃん。
買ったのが3つで、1つ目が、
マウントアンドブレードⅡ、バナーロード。
どんなゲームなんかわからんけど。
えっとですね、これは何家って言うんだろうこれ。
マウントアンドブレードって何家?
ジャンルがついてんじゃないの?大体こうSteamのやつ。
ストラテジーアクションRPGシミュレーションを融合させた中世ヨーロッパ風のサンドボックスゲームと。
あー、はいはいはい。
へー。
これは自分の支配地域があって、その支配地域を広げていくみたいな占領型のやつで、
面白そうね。
戦争が、中世版の信長の野望みたいな感じで、
ほいほいほい、いいじゃん。
アクション、つまり実際に敵を倒したりとかもできるまでの戦略性と、
あとはアクションもできるって感じですね。
で、工場戦とかも楽しめる。
えぇー、五条線もいいね。
自分のスキルセット、武器ごとのスキルとかも作ったりとか、
はいはいはいはい、こうね。
あとは防衛機とかもできるとか。
結構盛りだくさんやね。
敵に負けたら奴隷にされるとか。
おうふへへへへへへへへへへへへへへへへへへへへへへへへへへへへへへへへへへへへへへへへへへへへへへへへへへへへへへへへへへへへへへへへへへへへへへへ�
そういうところもあります。
エロい要素はないです。
そういうゲームじゃないんで。
あとはもう一個、これは今ちょっとやってるんですけど、
やっぱサンドボックス系なんで、いつまでもできるし、
目標があるようなないようなって感じで。
んな感じなんで、ちょくちょくやってても別にいいかなって感じ。
あともう一つがBeamNGっていう、
車のゲームなんですけど、これもなんだろうな、
モッドが盛んなゲーム?で、えっと、えっと、
なんていうんですか、ま、あの、カーシミュレーションのゲームなのか、
カーシミュレーターのゲームなんですけど、
いいねえよ。
最初、ま、触れ込みとしてその、物理演算、
えっと、ボディの壊れ方の物理演算がめちゃくちゃ、
あの、リアル、リアルっていうか、なんかこれまでない感じであると。
はい、で、まあ、
ゲーム性としては車で走るってくらいで、ドライビングシミュレーター的な感じで、
レースとかも特にないんですけど、ある程度ミッションみたいなのがあって、
それでできるって感じで、あとはMODとかで、
会社としては出せないんだけど、MODで実際の車、
あー、ね。
はいはいはい。
ホンダとかそういう車を出せたりとかできるというところであります。
で、あとはこれはまあなんか面白そうかなと思って買ってみまして、
まぁちょっとまだあれなんですよね、車にそんなに最近詳しくないというか、
あんまり興味わかないなって感じがしてるんで、
なんかすごいいじれるらしいですよね、なんか調整が。
まあ、そりゃそうね、好きじゃないとね。
ちょっとそこまでやられてないって感じがしてます。
車って車を運転するだけだからなと思いつつ、
これ言ったら僕が売れそうなんですけど。
いやー、どう、どう、いや、まあ、それってね、
よりけりだと思うけど、いや、俺もあんまり車はもう乗れれば、
あのー、乗れればいいし、うん、と思うタイプだから、
なんとも言えないね。
あとは、これが本命ですけど、まだできていなくて、
RedDeadRedemption2。
あー!マジで?あ、俺も持ってる持ってる。
え、だいぶマイナスじゃない?ねえ、うん、
前ですね。
面白いよ。
はい、グランドセフトオートの会社の、なんだっけ、
うん、うん。
名前出てこないです。
分かる分かる。
俺は6出るの待ってんだけどな。
グランドセフト。
Take-TwoInteractiveの親会社だから、
そういう覚え方してんの?俺も覚えてないけど。
7ですよね、今度新しく出るの。
あ、7出るのか。
6だっけ、6か。
そう、6じゃない?グランドセフトを。
ロックスターか、ロックスターゲームです。
あれ、あれも。
あ、ロックスターゲームね。
はいはい。
ここが作ってるやつの、これは西部劇か、西部劇のやつですよね。
そうだね。
これもちょっと安かったんで買って、ちょっとそのうちやろうかな、
今週やろうかなって感じです。
まあ、面白いとは思うけど。
溶解ばっかですね。
GPUも変えたんで、ちょうどいいかもしれない。
ゲームは調整可能なんで、どこまでやるかっていうところですよね。
俺もなんかやる時間がなくてね、なんか、なんなら自分で作りたいもんね、
どっちかっていうと。
そう、ただ、今結構ほら、AIでさ、サクサク作ってくれるじゃんか、
ゲームとか。
だからなんか、自分が欲しいゲーム作りたいんだけどね。
俺あれが好きなんだよ、あの、ホワイトアウトサバイバー、
なんかあの、CM
なんか、ゲームのほら、CMでさ、なんかこう、
すごい、ただ単になんかこう、切って、それを売って、
お金儲けて、拡大して、みたいな。
はい。
あの、なんかもう、脳を使わないゲーム。
あの、とんでもなく脳を使うじゃんか。
仕事の時は。
だからさ、なんかこう、夜なんかボーッとする時にさ、
脳を使わなくてさ、なんか、ただ無心に、ただコインをこう、
集めて、コリンコリンしてねってやると、あーっていう脳が。
けど、なんかあれ、
あるんだけど、やっぱりゲームだからさ、iPhoneとかだと、
iPhoneというかアプリだと、やっぱりこう、
CMがめっちゃ入るわけよね。
だからもう嫌だなと思って。
自分で作って、もう公開して、もうCMなしにしようかなみたいな。
自分だけ楽しみたいと思って。
だから作ろうかなと思って見てる。
そういうのもあればいいけど。
広告が出なきゃだよね。
広告出るのは仕方ないけどね。
っていう感じやね。
まあ、広告はなんですか。
わかんないですね。
いや、仕方ない仕方ない。
ゲームだから仕方ないんだけど。
いや、なので、自分で作ろうかなと思いながら最近見てますね。
いいっすね。
あれ、なんかこの前作ってた渡辺のドパガキゲームはどうなったんですか?
じゃあ今度だけ。
いや、俺は別にあのまま置いてるよ。
あの、俺まま置いてるし、結構あの、
人に見せたりとかしてるよ。
人に見せてニヤニヤしてるよ、俺は。
別にね。
動画を撮って投稿してみたらいいんじゃないですか。
ああ、そうかもね。
あれ、サーバーとかいらないしね。
ちょっと作ってみようかな。
いや、実はあれ以外にもいろいろ作ってるんだけど、
一人で楽しんじゃってさ。
とりあえず動画にしてポストして、何か反応をもらえばいいんじゃないですか。
そうだね。
そうだね、そうだね。
まあ別に、あれもソースコード、別に、うん、
まあそうだね、ちょっと、まあ結構難しいゲームなんであれは、
そうですね、ちょっと、やってみようかな、
はい、ちょっとバズってみたいな、うん、はい。
はい。
そうですね、うん。
はい、じゃあ今週は以上になります。
来週もよろしくお願いします。
あ、お願いします。
各種配信プラットフォーム
以下のリンクからお好きなプラットフォームでお聞きください
または、とにかくヨシ！で検索.
配信
Spotify
Apple Podcast
