#クラウド

この記事を読んで最初に思ったのは、「LLMそのもののコストより、周辺の面倒さのほうが先に限界を作るんだな」ということだった。Claude Codeみたいなツールって、つい“賢いCLI”くらいの感覚で見てしまうけれど、実際にはローカルテストやlocalhostサーバー、ファイルのやりとりまで含めると、意外なくらいPCを使う。10個、20個と並列に走らせるなら、もうノートPCの気合いではどうにもならない、という感覚はかなり腑に落ちた。 面白かったのは、そこで高価なマシンを買う話に飛ばず、CPUを借りるという発想に寄せていたことだ。GPUが要るのはモデル側であって、エージェントを動かすだけならCPUで足りる、という切り分けは実用的だと思う。しかも「買うより借りるほうが安い」というだけでなく、24時間動かしっぱなしにできるのが大きい。自分の手元のMacを閉じたら止まる、熱でつらい、というあたりはかなり生々しい。クラウドの話というより、日常のPC運用の限界の話として読めた。 一方で、Remote Server + SSH で全部うまくいく、というほど単純でもない。ローカルの画像をどう渡すか、re

「やっとここまで来たか」と思った。AIの企業利用って、性能より先に「誰がログを見るのか」で止まることが本当に多い。特に金融や医療みたいな業種だと、社外の人が中身を覗けるだけで話が終わることもあるし、そこを正面から潰しにいったのがこの発表なんだろう。 面白いのは、Anthropicが単に「保存しません」と言うのではなく、監視に必要なログを顧客のクラウドに置き、フラグも顧客側へ飛ばす設計にしたことだと思う。これなら、悪用検知のために一定期間はデータを残したい、でも社外レビューは困る、という矛盾をかなり現実的にさばける。ゼロデータ保持に近い安心感を残したまま、監視の穴も塞ぎたいという発想は、かなり筋がいい。 ただ、これで不安が完全に消えるわけではないとも感じた。ログを自社クラウドに置くなら置くで、今度は顧客側の運用が重くなる。鍵管理も監査ログも自前でやるわけで、便利さの代わりに責任も戻ってくる。企業向けAIって、結局この「どこまでをベンダーに預けて、どこからを自分で持つか」の線引きなんだなと改めて思った。Anthropicはその線をかなり顧客寄りに引き直そうとしているように見える。 ---

開発者の laptop から agent を引き剥がして、クラウド側に寄せる。理屈としてはかなり筋がいいのに、実際にここまで踏み込んで運用している会社はまだ多くない気がする。この記事でいちばん引っかかったのは、130,000 tasks という数字そのものより、そこに付いている「監視・権限・監査」をちゃんと平台として作り込んでいる点だった。 ローカル実行の弱点は、たしかにわかりやすい。developer のマシンが起動している前提だし、CPU や memory にも限界がある。何より、agent に credentials や internal system へのアクセスを渡すとき、誰の責任でどこまで触ったのかが見えにくい。便利さの裏で、運用の泥臭さが一気に増える。DoorDash はそこを「各人の工夫」ではなく、Firecracker microVM、MCP gateway、playbook、invocation surface という部品に分けて制御している。ここはかなり好きな設計だと思う。agent を賢くするより先に、暴れない形に閉じ込めているからだ。 一方で、少し気になるのは

Tencentが自社の大規模言語モデル「Tencent Hy4 preview」を公開し、同時にオープンソース化した。単に新しいAIモデルを出したという話ではなく、770Bという巨大な総パラメータ数、49Bのアクティブパラメータ、100万トークン超の長い文脈処理を前面に押し出しているのが特徴だ。しかも用途は研究室のデモではなく、coding、office work、scientific researchのような実務寄りの場面に置かれている。Tencentがこのモデルをどう位置づけ、どこで使わせようとしているのかを見ると、いまの生成AI競争の焦点がかなりはっきりしてくる。 Tencentの発表によると、Hy4 previewは次世代のlarge language modelで、総パラメータ数は770B、実際に推論時に動くactive parametersは49B、context windowは100万トークンを超える。要するに、モデル全体としてはかなり大きいが、常時全部を動かすわけではなく、必要な部分だけを使って計算効率を確保する設計だと読める。Tencentはこのモデルを、実際の生産性

スタートアップで認証機能を組み込むとき、AWS Cognitoを選んだらどうなるのか。元記事は、その答えをかなり辛辣に書いた体験記だ。筆者は「AWSの中にあるから便利そう」「最初の50,000 MAUは無料」という理由で採用したものの、実際にはドキュメントの分かりにくさ、Amplify v6の破壊的変更、ローカル開発のしづらさ、Hosted UIの自由度の低さに次々と悩まされたという。単なる愚痴ではなく、認証基盤を選ぶときに何を重く見るべきかまで踏み込んでいるのが、この文章の面白いところだ。 筆者は、スタートアップの認証をAWS Cognitoで実装し始めてから3日ほどで違和感を覚えた。手順通りに進めているのに、パスワード再設定の画面が期待と違う場所へ飛んでしまう。ドキュメントを十二のタブで開き、コード例を写し、解説動画まで見たのに直らない。すでにAuth0やFirebase Auth、さらには自前のJWT実装まで触った経験がある筆者ですら、Cognitoは別物だったという。 不満の中心は、まずドキュメントにある。AWSの説明は、エンタープライズ向けの設計思想、フロントエンド開発者向け

この記事を読んで最初に思ったのは、便利になるのは間違いないけれど、同時に「運用の面倒さ」を別の場所に押し込めている感じがする、ということだった。Claude Code を Amazon Bedrock や Google Cloud で使うために、Claude apps gateway という管理層を挟む。発想としてはかなり自然だし、企業向けにはむしろ筋がいい。けれど、そこまでしてでも「誰が使ったか」「どのポリシーを当てるか」「どの経路に流すか」をきっちり管理したい、という強い意図が見えるのが印象的だった。 とくに引っかかったのは、SSO やポリシー管理、利用状況の可視化がかなり前面に出ている点だ。これは安心材料でもある一方で、AI エージェントを“自由に使う道具”ではなく、“統制して配る社内システム”として扱う姿勢そのものでもある。実際、企業ではそれが正しいことが多いと思う。勝手に個人が契約して勝手に使うより、はるかに安全だ。ただ、こういう仕組みが整うほど、現場の人が気軽に試す余地は少し減る。便利さと統制のバランスをどこで取るか、結局そこが一番難しいのではないかと思った。 もうひとつ面

まず思ったのは、「ついにそこまで来たか」というより、「そりゃそうなるよな」という感覚だった。AIサービスが大きくなるほど、GPUをただ借りるだけではコストも効率も苦しくなる。モデルを作る会社が、その下のハードウェアまで触りたくなるのは、かなり筋が通っていると思う。 ただ、この記事で引っかかったのは、Anthropicが“全部自前”に行く話ではないところだ。AWS、Google、Nvidia、AMDを引き続き使うと言っていて、いきなり既存のハードを捨てるわけではない。ここが現実的で、むしろ好感を持った。AIの世界では「自前化＝正義」みたいに語られがちだけど、実際には複数の選択肢を持っておくほうが強い。特に推論（inference、学習済みモデルを動かす処理）のコストが大きいサービスなら、専用chipを持つ意味は出てくるはずだ。 もうひとつ面白かったのは、求人票の「shipped silicon」という言い方だ。Chipはソフトウェアみたいに雑に作って後で直す、というわけにいかない。1回の失敗が高くつくから、「本当に最後まで出したことがある人」を求めるのは当然なんだけど、逆に言えばそれだけ

Anthropicまで自前の hardware を持とうとしているのか、というのがまず最初の感想だった。AI の世界で「モデルを作る会社」が、その下の土台である chip まで内製に寄っていく流れが、もうかなりはっきりしてきた。しかもこれは単なるコスト削減の話というより、Nvidia への依存を少しでも減らしたい、というかなり現実的な防衛策に見える。 読んでいて面白かったのは、Anthropic が「全部自前」に振り切るわけではなく、multi-chip approach を取ると明言している点だった。ここは地に足がついている。AI の計算資源はまだ希少で、供給も偏っている。いきなり自社 chip だけに賭けるのは危ないし、現場としてもそんな悠長なことはできないのだろう。まずは外部の hardware を使いながら、使い道のはっきりした部分から自前設計を入れていくほうが自然だと思う。 それでも気になるのは、こういう縦の統合が進むと、強い会社ほどさらに強くなることだ。モデル、software、chip まで揃えられる企業は、性能面でも調達面でも有利になる。逆に、モデル開発だけで勝負する会

MCP（Model Context Protocol）は、AIエージェントが外部のツールやファイル、サービスにアクセスするための共通ルールだ。ざっくり言うと、「AIに何をどう頼むか」を標準化するための通信規格である。 今回の元記事が面白いのは、単なる機能追加の話ではなく、MCPの骨格そのものが変わったと指摘しているところだ。いちばん大きいのは、これまで前提だった「セッションを持ち続ける」方式をやめたこと。これでMCPは、かなりHTTPらしい、軽くて扱いやすい形に寄ってきた。 2026-07-28仕様で、MCPはセッション前提の stateful な設計をやめた これにより、sticky session や共有Redisのような面倒な運用が減る OAuth / OIDC の安全性が強化された tool list や prompt list などにキャッシュ期限を持たせられるようになった Tasks は正式な extension として整理され、長い処理を扱いやすくなった 主要SDKはすでに対応しており、MCPはかなり大規模に使われている 元記事の中心はここ

MCP（Model Context Protocol）は、AIアプリやツール同士をつなぐための共通ルールです。ざっくり言うと、「このAIはどんな道具を使えるのか」「どんなデータを読めるのか」をやり取りするための標準規格に近い存在です。 The New Stackの記事が面白いのは、そのMCPに入る“かなり大きめの変更”を、単なる仕様アップデートではなく、これまで多くのサーバーが前提にしていた仕組みを削り取る改訂として描いているところです。地味に見えて、実はかなり大きい。こういう変更は、便利さの裏にあった複雑さをそぎ落とす一方で、既存実装には「え、そこ消えるの？」という衝撃を与えます。 MCPの改訂では、sessions と initialization handshake が外された その結果、やり取りの状態は handles に寄せられる リモートサーバーは、より stateless HTTP っぽく振る舞う方向になる つまり、サーバー側が抱え込む“手続き”が減り、設計がシンプルになる ただし、既存のMCPサーバー実装は、かなり作り直しが必要に

Claudeの安全対策と聞くと、つい「危ないことをしそうなら止める仕組みかな」と思いがちですが、今回のInfoQの記事で面白いのは、Anthropicがその発想をかなり冷たく、そして現実的に捉えているところです。要するに、モデルそのものを賢くするだけでは足りない。ファイルに触れられる範囲、ネットに出られる範囲、実行できる範囲を、環境側でガチガチに制限しないとダメだ、という話です。 この考え方、地味に見えてかなり重要です。AIの安全性というと、プロンプトに注意書きを入れるとか、危ない出力を検出する分類器を挟むとか、そういう「ソフトな制御」がまず浮かびます。でもAnthropicは、そういうものは効くときもあるが、保証にはならない、と割り切っています。個人的にはここがいちばん筋がいいと思いました。AIは人間みたいに「まあ今回はやめておこう」と自制してくれる存在ではないので、最後は環境で縛るしかない、という発想です。 Claudeの安全対策は、モデル内部の注意喚起よりも「実行環境の制限」を重視している Claude.ai、Claude Code、Claude Coworkでは、それぞれ危険の

Databricksのこの記事は、Postgresを土台にしたサーバーレスDB「Lakebase」と、その先にある「LTAP」という考え方を紹介しています。 話がかなり技術寄りなので、最初は「何のことだ？」となるかもしれません。でも中身はわりとシンプルで、ひと言でいえばデータベースの“保存のしかた”を根っこから見直そうという話です。 いま多くのデータベースは、書き込みログも実データも、だいたい1台のマシンの中で抱え込んでいます。この記事はそこを「そもそも古くないか？」と疑い、クラウド時代に合う形へ組み替えています。ここがかなり面白い。 しかも単なる理想論ではなく、書き込みの安全性、読み取りの拡張、障害対策、分析処理との干渉まで一気に整理しているのがポイントです。 伝統的なデータベースは、WAL（書き込みログ）と data files（実データ）を1台のマシンに持つ「monolith」になりがち その構造だと、データ消失のリスク、read replica の高コスト化、分析処理による遅延が起きやすい Lakebase は Postgres の compute を stat

SecurityWeekの記事が面白いのは、AIそのものの性能ではなく、「使ったぶんだけ請求が膨らむ」という現実を、サイバーセキュリティの文脈でかなり生々しく描いているところです。 AIは便利です。そこはもう疑いようがない。でも、守る側の現場では、その便利さがそのままコスト爆弾にもなりうる。この記事は、その嫌なけれど大事な話を正面から扱っています。 セキュリティ製品がAI、特に agentic AI を組み込むと、性能だけでなく token 消費コストが効いてくる Machine Learning、GenAI、Agentic AI では、動き方もコスト構造もかなり違う token は「AIが読む・書く文字量」に近い課金単位で、使うほど請求が増える 重大インシデントでは、1件の調査で数万〜数百万 token が飛ぶことがある コスト上限にぶつかると、調査の打ち切りや機能制限が起きてしまう Cloud 型は変動費が重くなりやすく、On-premises のほうが経済性を読みやすい場面がある この記事が刺さるのは、AIの議論が「便利」「賢い」で止まりがちなところに、ちゃんと財布の話を持ち込ん

AWSが、AI向けGPUの予約料金を約20%引き上げました。しかもこれ、今年2回目です。 地味に見えて、かなり大きい話です。AI業界って、モデルの賢さばかりが話題になりますが、実際には「どれだけGPUを確保できるか」で勝負が決まる場面が多い。そこに値上げが入ると、スタートアップも大企業も、みんな一気に息苦しくなります。 AWSは「EC2 Capacity Blocks for ML」というサービスの価格を、7月から約20%上げました。 これは、NvidiaのGPUをあらかじめ押さえておける仕組みです。長時間の学習やファインチューニングを途中で止めたくない企業にとっては、かなり重要な“席予約”みたいなものです。 面白いのは、今回が初回ではないことです。AWSは1月にも同じ料金を約15%上げていました。半年で15%と20%。単純に足すと35%で、かなりの上げ幅です。もちろん商品や条件が完全に同じとは限りませんが、「AI計算資源の値段がじわじわ上がる局面に入った」と見るのは自然だと思います。 AWSはこの変更を「需要と供給に応じて定期的に調整している」と説明しています。要するに、欲しい人が多

デジタル庁が、地方公共団体の情報システムを標準化・クラウド化した後の運用最適化に関する検討・検証事業の第二回公募を開始 対象は事業者（ベンダー）で、複数社の共同応募も可能 取り組み内容は、データ連携、公共SaaS、基盤最適化、運用自動化などかなり実務寄り さくらのクラウドがガバメントクラウド対象に加わったことが、第一回からの大きな変更点 公募は2026年4月17日で終了しているが、行政クラウドの今後を読むうえで重要な動き 今回の発表は、地方自治体のシステムをクラウドに移したあと、どうすれば安く、安定的に、うまく運用できるのかを調べるための実証事業です。 「標準化」と「ガバメントクラウド」という言葉だけでも少し重たいですが、要するに自治体ごとにバラバラだったシステムを、なるべく共通の型に揃え、国が定めるクラウド環境で動かしていこう、という流れです。 で、問題はここからです。 システムは“移して終わり”ではありません。むしろ本番は移した後。運用コスト、連携の難しさ、監視や自動化、共同利用のやりくりなど、地味だけど超重要な課題が山ほど出てきます