youtube版(スライド付き) 関連リンク Introducing Gemini 3.8 Live and 3.8 Live Extended Thinking Googleは2026年9月15日、リアルタイムの音声対話に特化した最新のAIモデル「Gemini 3.8 Live」および「Gemini 3.8 Live Extended Thinking」を発表しました。これらのモデルは、開発者が実用に耐える高度な音声エージェント（ボイスAI）を迅速に構築できるように設計されています。 1. 2つの新しいモデルとその特徴用途に合わせて以下の2つのモデルが提供されます。 Gemini 3.8 Live（スケール・コスト重視）コスト効率とスケーラビリティ（拡張性）に優れたモデルです。日常的な会話知能に加え、スムーズな対話応答、さらにカメラなどを通じたリアルタイムの「視覚入力（Visual Grounding）」の処理を両立しています。 Gemini 3.8 Live Extended Thinking（複雑な思考・推論重視）高度なタスク実行に向けたモデルです。対話を行いながら同時に「並行してマルチステップの思考（推論）」を行う能力を備えており、より複雑な業務プロセスの自動化に適しています。 2. 新人エンジニアが押さえるべき、進化した技術的注目ポイントこれまでの音声AIと異なり、より「人間らしく、実用的なシステム連携」ができる点が特徴です。具体的には以下の技術が組み込まれています。割り込みや「つなぎ言葉」によるスムーズな対話：バックグラウンドで重い処理を行う際、モデルは「ちょっと確認しますね」といった自発的なつなぎ言葉（Early Verbal Cues）を挟んだり、現在の進捗を音声で実況（Live Progress Narration）したりします。これにより、ユーザーを不安にさせる「沈黙」を防ぎます。対話中のツール連携（Tool Calling）：ユーザーと会話を継続しながら、裏側でAPIを実行したりシステムツールを動かしたりできます。処理が終わるのを待つ間も、会話が途切れることはありません。 97言語の自動検知と移行：会話の途中で言語が英語から日本語、あるいは別の言語へと切り替わっても、システムが自動でそれを検知してシームレスに応答を続けます。音声品質のベンチマークでトップを記録：音声対話の品質を評価する外部ベンチマーク（Speech to Speech Quality Index）で首位を獲得しており、既存の競合モデルと比較しても圧倒的な応答品質とコストパフォーマンスを証明しています。 3. 開発者コミュニティへの影響とエコシステム新人エンジニアにとって特に嬉しいのは、開発のハードルを下げるエコシステムの存在です。音声ストリーミングやリアルタイム通信の低レイテンシ制御は、インフラ設計において非常に難易度が高い領域です。しかし、今回の発表に合わせて「Agora」「LangChain」「LiveKit」「Vercel」といった主要な開発プラットフォームやSDKが「Gemini Live API」への対応を表明しました。これにより、インフラ層の複雑なリアルタイム配信処理はこれらのプラットフォームに任せ、アプリケーション開発者は「どのような体験をユーザーに提供するか」というUXやロジックの設計に集中することができます。 4. 安全性への配慮：SynthID 生成されたすべての音声には、人間の耳には知覚できない電子透かし「SynthID」が直接埋め込まれます。これにより、AIによる偽音声の悪用を防ぎ、安全なプロダクト運用を支援します。 5. 提供開始時期両モデルは発表日当日（2026年9月15日）より提供が開始されています。開発者は「Gemini API」およびブラウザ上で手軽にテストできる「Google AI Studio」からすぐに触り始めることができます。音声エージェントの開発に挑戦したいエンジニアは、まずAI Studioでそのリアルタイムな挙動を体験してみることをおすすめします。引用元: https://blog.google/innovation-and-ai/models-and-research/gemini-models/gemini-3-8-live-gemini-3-8-live-extended-thinking/ Introducing System One Models and Jev - TypeSafe AI Blog OpenAIでChatGPTの基礎研究に携わったDiogo Almeida氏が立ち上げたTypeSafe AI社は、ソフトウェアの自動化に特化した新しいAIモデル「Jev」と、それを支える「System One Model」という新たなアーキテクチャを発表しました。従来のLLM（大規模言語モデル）は、人間のようなチャットや文章生成といった、遅く論理的に思考する「システム2」的な処理には非常に優秀です。しかし、これらは「1トークン（文字の塊）ずつ順番に出力する」という仕組みであるため、応答に数秒から数分かかり、システムへの組み込みにおいて大きなボトルネックとなっていました。また、存在しない情報を事実のように出力する「ハルシネーション（嘘）」や、プログラムが処理できない不適切なデータ形式を出力する「型エラー」が発生するリスクがあり、100%の信頼性が求められるソフトウェアの自動化プロセスには不向きでした。こうした課題を解決するために開発されたのが「Jev」です。JevはこれまでのLLMとは異なり、思い切って「自由な文字列（テキスト）の生成」を諦め、プログラムが直接扱える「構造化データ（型安全な値）」の出力に特化しています。 Jevの主な特徴は以下の4点です。圧倒的な高速化と低コスト従来のLLMが1文字ずつ生成するのに対し、Jevは「並列サンプリング」という新技術を用いて、1回のクエリで必要なすべての出力を同時に生成します。これにより、応答時間は「70ms〜500ms」と、従来の約40倍〜200倍の超高速化を実現しました。さらに出力にかかるコストは実質無料（FREE）となっています。ハルシネーションと型エラーの完全な排除出力されるデータの構造（スキーマ）を事前に定義しておく設計のため、型エラーが理論上発生しません。これにより、システム開発において「AIの出力フォーマットが崩れてエラーになる」という心配が完全になくなります。信頼度の可視化（キャリブレーション） Jevは、すべての出力に対して「どれくらい自信があるか」の確率（信頼度）を同時に返します。これは新開発の学習手法「RLCD（意思決定のための強化学習）」によって実現されており、プログラム側で「信頼度が90%以上なら自動実行、それ未満なら人間に確認を促す」といった確実な制御が可能になります。豊富なユースケース Jevは、プログラム内の複雑な「if文（条件分岐）」の代わりとして機能します。例えば、大量のデータの分類・ルーティングや、リアルタイムな処理、他のLLMの出力が安全かどうかの検証（ガードレール）などに最適です。デモでは、高速な判断が求められるゲーム「Doom」のリアルタイム操作や、ハルシネーションのない選択が求められる「Wikipediaのリンク遷移ゲーム（Wikiracing）」での活用が示されています。 Jevという名前は、石炭の利用効率向上によって逆に需要が爆発的に増加した現象（ジェボンズのパラドックス）に由来しています。自由なテキスト生成をあきらめることで、ソフトウェアが本当に必要とする「超高速・高信頼・価格破壊」な意思決定の自動化を実現した、画期的な新世代のAIモデルです。引用元: https://typesafe.ai/blog/introducing-system-one-models-and-jev AIエージェントの自己改善をどう設計するか / How to Design Self-Improvement for AI Agents AI技術の発展に伴い、人間が手作業で行っていたシステム構築や改善を「AIエージェント（特定の目的を持って自律的に動くAIシステム）」自身に実行させる「自己改善ループ」の試みが進んでいます。しかし、AIエージェントを単純に自律動作させるだけでは、ある段階で精度向上が頭打ちになるという課題に直面します。本資料は、この「自己改善の停滞」の原因を紐解き、深層学習の仕組みをヒントにした、持続可能で強力なAIエージェントの自己改善システム（ハーネス）の設計論をわかりやすく解説しています。 1. なぜAIエージェントの自己改善は「停滞」するのか？人間がチューニングすれば精度98〜99%に達するタスクであっても、AIエージェントに自己改善を任せると、精度90%程度で改善が止まってしまう現象が起きます。この時、AIエージェントが出す改善策は「プロンプトに個別条件を1行追加する」「出力結果をプログラムで部分置換する」といった微修正にとどまります。「そもそも全体の処理順を変えるべきでは？」「LLMで処理するのではなく、確定的なプログラムに置き換えるべきでは？」といった、最初の設計（前提）を疑うような抜本的な改善案は出てきません。この原因はLLMの知能不足ではなく、最初に作った設計書に引きずられて探索範囲が狭まる「アンカー効果（Anchoring Bias / Degeneration-of-Thought）」にあります。自己反省を促す指示だけでは、この思考の罠から抜け出すことができません。 2. 解決策：外側のシステム（ハーネス）による改善ループの設計 AIエージェント自身の自己反省に頼るのではなく、システムの外側（ハーネス）から探索範囲を強制的に広げる仕組みを構築します。これは、深層学習が「データで実行」→「損失を計算」→「重みを更新」というステップを踏むのと同様に、エージェントシステム全体で「実行」→「評価」→「スキル・コードの更新」のループを設計するアプローチです。このループを継続させるために、以下の4つの要素をハーネス上に設計します。 ① Training Data（実行ログからの知識抽出）：個別具体的なエラーへの対処をそのまま書き加えるのではなく、複数の成功・失敗ログから共通する本質的な課題を抽出します。そして「金額の単位を本文と表のヘッダーの両方から確認する」といった、入力データが変わっても適用できる汎用的な「手順（スキル）」へ一般化して保存します。 ② Optimizer（編集量の制御と検証）：一回のループにおけるプロンプトやコードの変更量を制限します。また、改善案の作成には使っていない「検証用のタスク」でテストを実行し、本当に精度が向上したと確認できた修正のみを採用します（これを行わないと、特定のデータだけに最適化されて他が動かなくなる過学習が起きます）。 ③ Search Strategy（複数候補による局所最適の回避）：最高精度の1つの案だけに絞ると探索が偏るため、得意分野の異なる複数の候補（例：条項抽出に強い案、例外処理に強い案）を維持します。また、「LLMを2回しか呼ばない」「特定の処理はコードで行う」といった設計上の制約条件を変えることで、多様なアプローチを探索させます。 ④ Evaluation（評価の品質）：自己改善ループにおいて「評価の精度」は極めて重要です。評価システムが不正確だと、改善ループを回すほどにエージェントの性能が低下していく現象が報告されています。 3. 新人エンジニアに向けたまとめ：人間の本当の役割 AIエージェントの自己改善システムにおいて、エンジニア（人間）が果たすべき最も重要な仕事は、プログラムコードを書くこと自体ではなく、「業務上の正しさを定義し、それを評価基準に落とし込むこと」です。「事実や数値、判断が業務ルールと一致しているか（正確性）」「必要な観点が漏れなく含まれているか（完全性）」「文脈に合っているか（適切性）」といった、人間ならではの厳しい評価基準を作って初めて、AIは正しい方向へ自己改善を続けることができます。「評価こそが改善ループの進む方向を決める最大の鍵である」という認識を持ってシステム設計に臨むことが、実践的なAIエージェント開発への近道となります。引用元: https://speakerdeck.com/22mi/how-to-design-self-improvement-for-ai-agents Gatebox、Animation Inc.とのTGSコラボ展示を発表！AniやAnimatesのAIコンパニオンがGatebox3に登場するショーケースをTGSで特別展示 Gatebox株式会社は、東京ゲームショウ2026（2026年9月17日〜21日）にて、Animation Inc.が提供するAIコンパニオンアプリ「Animates」との特別コラボ展示を行います。本展示では、2027年発売予定の次世代キャラクター召喚ディスプレイ「Gatebox3」の中に、Grokで人気を集めた3Dキャラクター「Ani」などのAIコンパニオンをホログラムのように召喚します。Animatesの強みである、遅延のないリアルタイムな音声会話技術と、Gatebox3による魅力的な3Dキャラクター表現を組み合わせることで、まるで本当にその場に存在しているかのような未来のAI対話体験を実現します。 LLMやリアルタイム生成アニメーション、高度なハードウェアによる投影技術の融合がもたらす最新のAIエージェントのインターフェース事例として、エンジニアにとっても大変興味深い展示となっています。引用元: https://prtimes.jp/main/html/rd/p/000000146.000026497.html お便り投稿フォーム（株式会社ずんだもんは架空の登場組織です）

Ask this episode

“What did the council decide on item 42?” — answered with the speaker and the moment.

Transcript

Related