中国製高性能AI「Kimi K3」はClaude Fableの蒸留によって作られたとホワイトハウス高官が発言
中国企業のMoonshot AIは日本時間の2026年7月17日に高性能AIモデル「Kimi K3」をリリースしました。
このKimi K3について、ホワイトハウス科学技術政策局のマイケル・クラツィオス局長が「AnthropicのClaude Fableを蒸留したという情報をつかんだ」と発表しました。
Kimi K3は一部のベンチマークテストでGPT-5.6 SolやClaude Fable 5を上回るスコアを記録した高性能モデルです。
すでにチャットAIサービスの「Kimi.com」やAPI経由での利用が可能となっているほか、2026年7月27日にオープンモデル化することも予告されています。
（以下略、続きはソースでご確認ください）
Gigazine 2026年07月23日 12時05分
https://gigazine.net/news/20260723-kimi-k3-distillation-anthropic/
【AI】中国製高性能AI「Kimi K3」はClaude Fableの蒸留によって作られたとホワイトハウス高官が発言 [すらいむ★]
■ このスレッドは過去ログ倉庫に格納されています
1すらいむ ★
2026/07/23(木) 22:42:27.16ID:iD9n57ju2名無しのひみつ
2026/07/23(木) 23:18:20.33ID:/91u2QPl AIの生成物には「透かし」がある
それが見つかったのでパクリだとばれたが
問題はこれからだ
それが見つかったのでパクリだとばれたが
問題はこれからだ
3名無しのひみつ
2026/07/23(木) 23:21:50.80ID:dCJBgEGc ＞「蒸留」は、主にAIやテクノロジー関連の分野で「大規模なAIの知識や、優秀な人間の業務経験を抽出し、
＞より小さく扱いやすいモデルやシステムにコピーする行為」を指すネットスラング・SNS用語です。
＞日本のネットスラング
＞俗語としての「蒸留」抽出・凝縮する行為: SNS等の界隈では、
＞「長文や複雑な議論の核心部分だけを抜き出してまとめる」という意味で、
＞比喩的に「蒸留する」という言葉が使われることがあります。
＞より小さく扱いやすいモデルやシステムにコピーする行為」を指すネットスラング・SNS用語です。
＞日本のネットスラング
＞俗語としての「蒸留」抽出・凝縮する行為: SNS等の界隈では、
＞「長文や複雑な議論の核心部分だけを抜き出してまとめる」という意味で、
＞比喩的に「蒸留する」という言葉が使われることがあります。
2026/07/23(木) 23:23:44.97ID:dQ3aY6qW
【「Claude Fable 5」「GPT‑5.6」に性能で肉薄】「Kimi K3」開発者は「AI研究で世界一」今井翔太／Gemini 4匂わせは焦りの表れ／GPT暴走は規制の代償【AI QUEST】 - YouTube
https://www.youtube.com/watch?v=L5LATULmdJo
https://www.youtube.com/watch?v=L5LATULmdJo
5名無しのひみつ
2026/07/23(木) 23:51:15.20ID:4ZEptDSB インターネットや書籍から無断で抽出したデータで動いてるAIが勝手に抽出された許さんみたいな事言ってんのはマジでギャグ
6名無しのひみつ
2026/07/24(金) 01:34:21.36ID:dT5s29Q67名無しのひみつ
2026/07/24(金) 03:02:25.29ID:siMpGpWr >>3
バカだな
まるで日本語Wikipediaみたいな勘違い解説
言葉が同じになるとドメインが違うものをひとくくりで説明してやったつもりになる
distillationはジェフリーヒントンが2024年12月ノーベル物理学賞とった理由のひとつ
それ以前からAI用語だったが今に続くdistillをやり出したのがジェフリー
ジェフリーの教え子のイリヤサスカバーがOpenAIでGPTを作った
2025年1月のDeepSeek R1が一般的に知られるきっかけ
その後ジェフリーはことあるたびにこういう
「デジタルはコピーできますがアナログ（人間）はコピーできません。寿命が来たらその学習したものは消えます。アナログはことばで伝えたり書いたりして知識の一部は伝えられます。全てはコピーできません。教師から生徒へ。これがdistillationです。」
バカだな
まるで日本語Wikipediaみたいな勘違い解説
言葉が同じになるとドメインが違うものをひとくくりで説明してやったつもりになる
distillationはジェフリーヒントンが2024年12月ノーベル物理学賞とった理由のひとつ
それ以前からAI用語だったが今に続くdistillをやり出したのがジェフリー
ジェフリーの教え子のイリヤサスカバーがOpenAIでGPTを作った
2025年1月のDeepSeek R1が一般的に知られるきっかけ
その後ジェフリーはことあるたびにこういう
「デジタルはコピーできますがアナログ（人間）はコピーできません。寿命が来たらその学習したものは消えます。アナログはことばで伝えたり書いたりして知識の一部は伝えられます。全てはコピーできません。教師から生徒へ。これがdistillationです。」
8名無しのひみつ
2026/07/24(金) 03:04:02.39ID:OxZUNfQL In machine learning, knowledge distillation or model distillation is the process of transferring knowledge from a large model to a smaller one. While large models (such as very deep neural networks or ensembles of many models [1]) have more knowledge capacity than small models, this capacity might not be fully utilized. It can be just as computationally expensive to evaluate a model even if it utilizes little of its knowledge capacity. Knowledge distillation transfers knowledge from a large model to a smaller one without loss of validity. As smaller models are less expensive to evaluate, they can be deployed on less powerful hardware (such as a mobile device).[2]
There is also a less common technique called Reverse Knowledge Distillation, where knowledge is transferred from a smaller model to a larger one.[3]
Model distillation is not to be confused with model compression, which describes methods to decrease the size of a large model itself, without training a new model. Model compression generally preserves the architecture and the nominal parameter count of the model, while decreasing the bits-per-parameter.
Knowledge distillation has been successfully used in several applications of machine learning such as object detection,[4] acoustic models,[5] and natural language processing.[6] Recently, it has also been introduced to graph neural networks applicable to non-grid data.[7]
There is also a less common technique called Reverse Knowledge Distillation, where knowledge is transferred from a smaller model to a larger one.[3]
Model distillation is not to be confused with model compression, which describes methods to decrease the size of a large model itself, without training a new model. Model compression generally preserves the architecture and the nominal parameter count of the model, while decreasing the bits-per-parameter.
Knowledge distillation has been successfully used in several applications of machine learning such as object detection,[4] acoustic models,[5] and natural language processing.[6] Recently, it has also been introduced to graph neural networks applicable to non-grid data.[7]
9名無しのひみつ
2026/07/24(金) 03:04:43.83ID:Vr6H6kZf 機械学習における「知識蒸留（knowledge distillation）」または「モデル蒸留（model distillation）」とは、大規模なモデルから小規模なモデルへと知識を転移させるプロセスのことです。大規模なモデル（非常に深いニューラルネットワークや多数のモデルのアンサンブル[1]など）は、小規模なモデルよりも多くの知識を保持する能力を持っていますが、その能力が十分に活用されていない場合もあります。たとえ知識保持能力のわずかな部分しか使っていないとしても、モデルの評価（推論）にかかる計算コストは依然として高いままとなる可能性があります。知識蒸留は、妥当性を損なうことなく、大規模なモデルから小規模なモデルへと知識を転移させます。小規模なモデルは評価にかかるコストが低いため、モバイルデバイスのような性能の低いハードウェア上でも展開することが可能です。[2]
また、あまり一般的ではありませんが、「逆知識蒸留（Reverse Knowledge Distillation）」と呼ばれる手法も存在し、こちらでは小規模なモデルから大規模なモデルへと知識が転移されます。[3]
モデル蒸留は「モデル圧縮（model compression）」と混同しないよう注意が必要です。モデル圧縮とは、新しいモデルを学習させることなく、大規模なモデルそのもののサイズを縮小する手法を指します。一般的にモデル圧縮では、モデルのアーキテクチャや公称パラメータ数は維持しつつ、パラメータあたりのビット数を削減します。
知識蒸留は、物体検出[4]、音響モデル[5]、自然言語処理[6]といった機械学習のいくつかの応用分野で成功を収めています。近年では、グリッド状ではないデータに適用可能なグラフニューラルネットワーク（GNN）にも導入されています。[7]
また、あまり一般的ではありませんが、「逆知識蒸留（Reverse Knowledge Distillation）」と呼ばれる手法も存在し、こちらでは小規模なモデルから大規模なモデルへと知識が転移されます。[3]
モデル蒸留は「モデル圧縮（model compression）」と混同しないよう注意が必要です。モデル圧縮とは、新しいモデルを学習させることなく、大規模なモデルそのもののサイズを縮小する手法を指します。一般的にモデル圧縮では、モデルのアーキテクチャや公称パラメータ数は維持しつつ、パラメータあたりのビット数を削減します。
知識蒸留は、物体検出[4]、音響モデル[5]、自然言語処理[6]といった機械学習のいくつかの応用分野で成功を収めています。近年では、グリッド状ではないデータに適用可能なグラフニューラルネットワーク（GNN）にも導入されています。[7]
10名無しのひみつ
2026/07/24(金) 03:05:27.72ID:Vr6H6kZf Methods
edit
Knowledge transfer from a large model to a small one somehow needs to teach the latter without loss of validity. If both models are trained on the same data, the smaller model may have insufficient capacity to learn a concise knowledge representation compared to the large model. However, some information about a concise knowledge representation is encoded in the pseudolikelihoods assigned to its output: when a model correctly predicts a class, it assigns a large value to the output variable corresponding to such class, and smaller values to the other output variables. The distribution of values among the outputs for a record provides information on how the large model represents knowledge. Therefore, the goal of economical deployment of a valid model can be achieved by training only the large model on the data, exploiting its better ability to learn concise knowledge representations, and then distilling such knowledge into the smaller model, by training it to learn the soft output of the large model.[2]
edit
Knowledge transfer from a large model to a small one somehow needs to teach the latter without loss of validity. If both models are trained on the same data, the smaller model may have insufficient capacity to learn a concise knowledge representation compared to the large model. However, some information about a concise knowledge representation is encoded in the pseudolikelihoods assigned to its output: when a model correctly predicts a class, it assigns a large value to the output variable corresponding to such class, and smaller values to the other output variables. The distribution of values among the outputs for a record provides information on how the large model represents knowledge. Therefore, the goal of economical deployment of a valid model can be achieved by training only the large model on the data, exploiting its better ability to learn concise knowledge representations, and then distilling such knowledge into the smaller model, by training it to learn the soft output of the large model.[2]
11名無しのひみつ
2026/07/24(金) 03:06:04.83ID:+K21Xdec 手法
大規模モデルから小規模モデルへの知識の転移においては、妥当性を損なうことなく後者に知識を伝達する必要があります。両モデルを同一のデータで学習させる場合、小規模モデルは大規模モデルに比べて、簡潔な知識表現を学習するための容量が不足している可能性があります。しかし、簡潔な知識表現に関する情報は、出力に割り当てられる擬似尤度（pseudolikelihood）の中に符号化されています。すなわち、モデルがあるクラスを正しく予測する際、そのクラスに対応する出力変数には大きな値を割り当て、他の出力変数には小さな値を割り当てるからです。あるデータレコードに対する出力値の分布は、大規模モデルがどのように知識を表現しているかに関する情報を提供します。したがって、妥当なモデルを低コストで運用するという目標は、次のような手順で達成可能です。まず、簡潔な知識表現を学習する能力に優れた大規模モデルのみをデータで学習させ、次いで、その大規模モデルの「ソフト出力（soft output）」を学習するように小規模モデルを訓練することで、知識を小規模モデルへと蒸留（distillation）するのです。[2]
大規模モデルから小規模モデルへの知識の転移においては、妥当性を損なうことなく後者に知識を伝達する必要があります。両モデルを同一のデータで学習させる場合、小規模モデルは大規模モデルに比べて、簡潔な知識表現を学習するための容量が不足している可能性があります。しかし、簡潔な知識表現に関する情報は、出力に割り当てられる擬似尤度（pseudolikelihood）の中に符号化されています。すなわち、モデルがあるクラスを正しく予測する際、そのクラスに対応する出力変数には大きな値を割り当て、他の出力変数には小さな値を割り当てるからです。あるデータレコードに対する出力値の分布は、大規模モデルがどのように知識を表現しているかに関する情報を提供します。したがって、妥当なモデルを低コストで運用するという目標は、次のような手順で達成可能です。まず、簡潔な知識表現を学習する能力に優れた大規模モデルのみをデータで学習させ、次いで、その大規模モデルの「ソフト出力（soft output）」を学習するように小規模モデルを訓練することで、知識を小規模モデルへと蒸留（distillation）するのです。[2]
12名無しのひみつ
2026/07/24(金) 03:07:39.22ID:niJq0/Vx History
edit
A related methodology was model compression or pruning, where a trained network is reduced in size. This was first done in 1965 by Alexey Ivakhnenko and Valentin Lapa in the USSR (1965).[9][10][11] Their deep networks were trained layer by layer through regression analysis. Superfluous hidden units were pruned using a separate validation set.[12] Other neural network compression methods include Biased Weight Decay[13] and Optimal Brain Damage.[8]
An early example of neural network distillation was published by Jürgen Schmidhuber in 1991, in the field of recurrent neural networks (RNNs). The problem was sequence prediction for long sequences, i.e., deep learning. Their approach was to use two RNNs. One of them (the automatizer) predicted the sequence, and another (the chunker) predicted the errors of the automatizer. Simultaneously, the automatizer predicted the internal states of the chunker. After the automatizer manages to predict the chunker's internal states well, it would start fixing the errors, and soon the chunker is obsoleted, leaving just one RNN in the end.[14][15]
edit
A related methodology was model compression or pruning, where a trained network is reduced in size. This was first done in 1965 by Alexey Ivakhnenko and Valentin Lapa in the USSR (1965).[9][10][11] Their deep networks were trained layer by layer through regression analysis. Superfluous hidden units were pruned using a separate validation set.[12] Other neural network compression methods include Biased Weight Decay[13] and Optimal Brain Damage.[8]
An early example of neural network distillation was published by Jürgen Schmidhuber in 1991, in the field of recurrent neural networks (RNNs). The problem was sequence prediction for long sequences, i.e., deep learning. Their approach was to use two RNNs. One of them (the automatizer) predicted the sequence, and another (the chunker) predicted the errors of the automatizer. Simultaneously, the automatizer predicted the internal states of the chunker. After the automatizer manages to predict the chunker's internal states well, it would start fixing the errors, and soon the chunker is obsoleted, leaving just one RNN in the end.[14][15]
13名無しのひみつ
2026/07/24(金) 03:08:12.63ID:MA/+bTqu 歴史
編集
関連する手法として、学習済みネットワークのサイズを縮小する「モデル圧縮」や「プルーニング（枝刈り）」があります。この手法は、1965年にソビエト連邦のアレクセイ・イヴァフネンコ（Alexey Ivakhnenko）とヴァレンティン・ラパ（Valentin Lapa）によって初めて実施されました[9][10][11]。彼らの手法では、回帰分析を用いて層ごとにディープネットワークの学習が行われました。そして、別途用意した検証用データセットを用いて、不要な隠れユニットが削除（プルーニング）されました[12]。その他のニューラルネットワーク圧縮手法には、「Biased Weight Decay（バイアス付き重み減衰）」[13]や「Optimal Brain Damage（最適脳損傷）」[8]などがあります。
ニューラルネットワークの「蒸留（ディスティレーション）」に関する初期の事例は、1991年にユルゲン・シュミットフーバー（Jürgen Schmidhuber）によって、リカレントニューラルネットワーク（RNN）の分野で発表されました。ここで扱われた課題は、長い系列データに対する予測、すなわちディープラーニングに関わるものでした。彼らのアプローチでは、2つのRNNが使用されました。そのうちの1つ（オートマタイザー：自動化器）は系列の予測を行い、もう1つ（チャンカー：塊化器）はオートマタイザーの予測誤差を予測する役割を担いました。同時に、オートマタイザーはチャンカーの内部状態を予測するように学習しました。オートマタイザーがチャンカーの内部状態をうまく予測できるようになると、今度は誤差の修正を行うようになり、やがてチャンカーは不要となって、最終的には1つのRNNだけが残るという仕組みでした[14][15]。
編集
関連する手法として、学習済みネットワークのサイズを縮小する「モデル圧縮」や「プルーニング（枝刈り）」があります。この手法は、1965年にソビエト連邦のアレクセイ・イヴァフネンコ（Alexey Ivakhnenko）とヴァレンティン・ラパ（Valentin Lapa）によって初めて実施されました[9][10][11]。彼らの手法では、回帰分析を用いて層ごとにディープネットワークの学習が行われました。そして、別途用意した検証用データセットを用いて、不要な隠れユニットが削除（プルーニング）されました[12]。その他のニューラルネットワーク圧縮手法には、「Biased Weight Decay（バイアス付き重み減衰）」[13]や「Optimal Brain Damage（最適脳損傷）」[8]などがあります。
ニューラルネットワークの「蒸留（ディスティレーション）」に関する初期の事例は、1991年にユルゲン・シュミットフーバー（Jürgen Schmidhuber）によって、リカレントニューラルネットワーク（RNN）の分野で発表されました。ここで扱われた課題は、長い系列データに対する予測、すなわちディープラーニングに関わるものでした。彼らのアプローチでは、2つのRNNが使用されました。そのうちの1つ（オートマタイザー：自動化器）は系列の予測を行い、もう1つ（チャンカー：塊化器）はオートマタイザーの予測誤差を予測する役割を担いました。同時に、オートマタイザーはチャンカーの内部状態を予測するように学習しました。オートマタイザーがチャンカーの内部状態をうまく予測できるようになると、今度は誤差の修正を行うようになり、やがてチャンカーは不要となって、最終的には1つのRNNだけが残るという仕組みでした[14][15]。
14名無しのひみつ
2026/07/24(金) 03:09:09.90ID:bLCVMPyF The idea of using the output of one neural network to train another neural network was also studied as the teacher-student network configuration.[16] In 1992, several papers studied the statistical mechanics of teacher-student configurations with committee machines[17][18] or parity machines.[19]
Compressing the knowledge of multiple models into a single neural network was called model compression in 2006: compression was achieved by training a smaller model on large amounts of pseudo-data labelled by a higher-performing ensemble, optimizing to match the logit of the compressed model to the logit of the ensemble.[20] The knowledge distillation preprint of Geoffrey Hinton et al. (2015)[2] formulated the concept and showed some results achieved in the task of image classification.
Knowledge distillation is also related to the concept of behavioral cloning discussed by Faraz Torabi et. al.[21]
Compressing the knowledge of multiple models into a single neural network was called model compression in 2006: compression was achieved by training a smaller model on large amounts of pseudo-data labelled by a higher-performing ensemble, optimizing to match the logit of the compressed model to the logit of the ensemble.[20] The knowledge distillation preprint of Geoffrey Hinton et al. (2015)[2] formulated the concept and showed some results achieved in the task of image classification.
Knowledge distillation is also related to the concept of behavioral cloning discussed by Faraz Torabi et. al.[21]
15名無しのひみつ
2026/07/24(金) 03:10:23.45ID:bLCVMPyF あるニューラルネットワークの出力を別のニューラルネットワークの学習に利用するという手法は、「教師・生徒（ティーチャー・スチューデント）ネットワーク」構成としても研究されていました[16]。1992年には、コミッティマシン[17][18]やパリティマシン[19]を用いた教師・生徒構成の統計力学に関する研究が複数の論文で発表されました。
複数のモデルが持つ知識を単一のニューラルネットワークに圧縮する手法は、2006年に「モデル圧縮（model compression）」と称されるようになりました。この圧縮は、高性能なアンサンブルモデルによってラベル付けされた大量の擬似データを用いて小規模なモデルを学習させ、圧縮対象モデルのロジット（出力層の活性化関数適用前の値）をアンサンブルモデルのロジットに一致させるように最適化することで実現されました[20]。
ジェフリーヒントンらによる知識蒸留（knowledge distillation）に関するプレプリント（2015年）[2]は、この概念を定式化し、画像分類タスクにおける成果を示しました。
知識蒸留は、Faraz Torabiらによって論じられた「行動クローニング（behavioral cloning）」の概念とも関連しています[21]。
複数のモデルが持つ知識を単一のニューラルネットワークに圧縮する手法は、2006年に「モデル圧縮（model compression）」と称されるようになりました。この圧縮は、高性能なアンサンブルモデルによってラベル付けされた大量の擬似データを用いて小規模なモデルを学習させ、圧縮対象モデルのロジット（出力層の活性化関数適用前の値）をアンサンブルモデルのロジットに一致させるように最適化することで実現されました[20]。
ジェフリーヒントンらによる知識蒸留（knowledge distillation）に関するプレプリント（2015年）[2]は、この概念を定式化し、画像分類タスクにおける成果を示しました。
知識蒸留は、Faraz Torabiらによって論じられた「行動クローニング（behavioral cloning）」の概念とも関連しています[21]。
16名無しのひみつ
2026/07/24(金) 03:20:13.82ID:DIP/FUb9 そして話は少し遡って
機械学習の歴史には日本人の名前が英語なら出てくるのに日本では誰も話さない
日本が郵政省やNTTが「固定電話が普及しているので携帯電話は普及しません」といっていたのが1993年1994年ごろ。
2010年ごろにはころっと「携帯電話は日本が1970年に大阪万博で展示したのです。日本は携帯電話先進国です！」言い始めてNHKから教科書まで書いたそんな国
なら
機械学習の初めに日本人が出てくるなら同じことやりだすよ
機械学習の歴史には日本人の名前が英語なら出てくるのに日本では誰も話さない
日本が郵政省やNTTが「固定電話が普及しているので携帯電話は普及しません」といっていたのが1993年1994年ごろ。
2010年ごろにはころっと「携帯電話は日本が1970年に大阪万博で展示したのです。日本は携帯電話先進国です！」言い始めてNHKから教科書まで書いたそんな国
なら
機械学習の初めに日本人が出てくるなら同じことやりだすよ
17名無しのひみつ
2026/07/24(金) 03:22:12.86ID:oxqUxJ6F In machine learning, deep learning (DL) focuses on utilizing multilayered neural networks to perform tasks such as classification, regression, and representation learning. The field takes inspiration from biological neuroscience and revolves around stacking artificial neurons into layers and "training" them to process data. The adjective "deep" refers to the use of multiple layers (ranging from three to several hundred or thousands) in the network. Methods used can be supervised, semi-supervised or unsupervised.[2]
機械学習の一分野であるディープラーニング（深層学習、DL）は、多層ニューラルネットワークを用いて、分類、回帰、表現学習といったタスクを実行することに重点を置いています。この分野は生物学的神経科学に着想を得ており、人工ニューロンを層状に積み重ね、データを処理できるようにそれらを「学習」させることを基本としています。「ディープ（深層）」という名称は、ネットワーク内で複数の層（3層から数百、あるいは数千層に及ぶものまで）が使用されることに由来します。用いられる手法には、教師あり学習、半教師あり学習、教師なし学習などがあります。[2]
機械学習の一分野であるディープラーニング（深層学習、DL）は、多層ニューラルネットワークを用いて、分類、回帰、表現学習といったタスクを実行することに重点を置いています。この分野は生物学的神経科学に着想を得ており、人工ニューロンを層状に積み重ね、データを処理できるようにそれらを「学習」させることを基本としています。「ディープ（深層）」という名称は、ネットワーク内で複数の層（3層から数百、あるいは数千層に及ぶものまで）が使用されることに由来します。用いられる手法には、教師あり学習、半教師あり学習、教師なし学習などがあります。[2]
18名無しのひみつ
2026/07/24(金) 03:30:11.46ID:5yk6yYMn Overview
Most modern deep learning models are based on multi-layered neural networks such as "convolutional neural networks" and "transformers"
概要
現代のディープラーニング（深層学習）モデルの多くは、「畳み込みニューラルネットワーク convolutional neural networks CNN」やTransformerといった多層ニューラルネットワークを基盤としています。
ディープラーニングとは、機械学習アルゴリズムの一種です、そのアルゴリズムとは、多階層の階層構造を使い、入力データを、より抽象度が高い複合的な表現へと変換していくというものです。
画像認識モデルの場合、生の入力データは画像（画素のテンソルとして表現されるもの）となります。最初の表現層では線や円といった基本的な形状の特定が試みられ、第2層ではエッジ（輪郭線）の配置が組み合わされて符号化され、第3層では鼻や目といった要素が符号化され、そして第4層ではその画像に「顔」が含まれていることが認識される、といった処理が行われます。
「ディープラーニング（深層学習）」という用語は、1986年にリナ・デクター（Rina Dechter）によって機械学習コミュニティに導入され[13]、2000年にはイーゴリ・アイゼンバーグ（Igor Aizenberg）らによって、ブール閾値ニューロンの文脈で人工ニューラルネットワークの分野に導入されました[14][15]。この用語の語源は、より複雑な経緯をたどっています[16]。
Most modern deep learning models are based on multi-layered neural networks such as "convolutional neural networks" and "transformers"
概要
現代のディープラーニング（深層学習）モデルの多くは、「畳み込みニューラルネットワーク convolutional neural networks CNN」やTransformerといった多層ニューラルネットワークを基盤としています。
ディープラーニングとは、機械学習アルゴリズムの一種です、そのアルゴリズムとは、多階層の階層構造を使い、入力データを、より抽象度が高い複合的な表現へと変換していくというものです。
画像認識モデルの場合、生の入力データは画像（画素のテンソルとして表現されるもの）となります。最初の表現層では線や円といった基本的な形状の特定が試みられ、第2層ではエッジ（輪郭線）の配置が組み合わされて符号化され、第3層では鼻や目といった要素が符号化され、そして第4層ではその画像に「顔」が含まれていることが認識される、といった処理が行われます。
「ディープラーニング（深層学習）」という用語は、1986年にリナ・デクター（Rina Dechter）によって機械学習コミュニティに導入され[13]、2000年にはイーゴリ・アイゼンバーグ（Igor Aizenberg）らによって、ブール閾値ニューロンの文脈で人工ニューラルネットワークの分野に導入されました[14][15]。この用語の語源は、より複雑な経緯をたどっています[16]。
19名無しのひみつ
2026/07/24(金) 03:44:12.26ID:Vr6H6kZf 1980年以前
人工ニューラルネットワーク（ANN）には、フィードフォワード・ニューラルネットワーク（FNN）または多層パーセプトロン（MLP）と、リカレント・ニューラルネットワーク（RNN）の2種類があります。
RNNは接続構造に循環（サイクル）を持ちますが、FNNは持ちません。
1920年代、ヴィルヘルム・レンツとエルンスト・イジングはイジングモデルを考案しました。
これは本質的に、ニューロンのような閾値素子で構成された、学習機能を持たないRNNアーキテクチャでした。
1972年、甘利俊一
はこのアーキテクチャを適応型（学習可能）なものへと発展させました。彼の学習型RNNは、1982年にジョン・ホップフィールドによって改めて発表されました。
その他の初期のリカレント・ニューラルネットワークとしては、
1971年に中野馨が発表したものがあります。
それより前の1948年には、アラン・チューリングが「知的機械（Intelligent Machinery）」に関する研究を行っていました（生前には未発表）。その中には「人工進化や学習型RNNに関連するアイデア」が含まれていました。
確率的勾配降下法（Stochastic gradient descent確率でグラデーションで低くしていく）で学習させた最初の深層学習多層パーセプトロンは、1967年に甘利俊一にが発表。甘利の教え子である斎藤が行ったコンピュータ実験では、2つの変更可能な層を持つ5層の多層パーセプトロンが、非線形分離可能なパターンクラスを分類するための内部表現を学習した。
その後、ハードウェアとハイパーパラメータ調整の発展により、エンドツーエンドの確率的勾配降下法は現在主流の学習手法となっています。
1969年、福島邦彦
はReLU（整流線形ユニット）活性化関数を導入。
ReLUは深層学習において最も広く用いられている活性化関数です。
フランク・ローゼンブラット（1958年）[36]は、パーセプトロンを提案。入力層、学習を行わないランダムな重みを持つ隠れ層、そして出力層という3つの層からなるMLPでした。
彼は後に1962年の著書の中で、その派生形やコンピュータ実験についても紹介。その中には、「適応型前終端ネットワーク（adaptive preterminal networks）」を持つ4層パーセプトロンがあり、最後の2つの層が学習可能な重みを持っていました。
したがって、学習可能な隠れユニットを持つ本格的な適応型多層パーセプトロンの考案者はジョセフであると見なすべきなのでしょうか？残念ながら、その学習アルゴリズムは実用的なものではなく、やがて忘れ去られてしまいました。
最初に実用化されたディープラーニング・アルゴリズムは、1965年にアレクセイ・イヴァフネンコ（Alexey Ivakhnenko）とラパ（Lapa）によって発表された「データの取り扱いに関するグループ法（Group Method of Data Handling：GMDH）」であり、これは任意の深さを持つニューラルネットワークを学習させる手法でした。
彼らはこの手法を、多項式回帰の一種あるいはローゼンブラットのパーセプトロンを拡張し、より複雑で非線形かつ階層的な関係を扱えるようにしたものと見なしていました[40]。1971年の論文では、この手法を用いて学習させた8層のディープネットワークについて記述されています[41]；この手法は、回帰分析を用いた層ごとの学習に基づいています。不要な隠れユニットは、別途用意された検証用データセットを用いて剪定（プルーニング）されます。ノードの活性化関数にはコルモゴロフ・ガボール多項式が用いられていたため、これらは乗算ユニットや「ゲート」を備えた最初のディープネットワークでもありました[31]。
人工ニューラルネットワーク（ANN）には、フィードフォワード・ニューラルネットワーク（FNN）または多層パーセプトロン（MLP）と、リカレント・ニューラルネットワーク（RNN）の2種類があります。
RNNは接続構造に循環（サイクル）を持ちますが、FNNは持ちません。
1920年代、ヴィルヘルム・レンツとエルンスト・イジングはイジングモデルを考案しました。
これは本質的に、ニューロンのような閾値素子で構成された、学習機能を持たないRNNアーキテクチャでした。
1972年、甘利俊一
はこのアーキテクチャを適応型（学習可能）なものへと発展させました。彼の学習型RNNは、1982年にジョン・ホップフィールドによって改めて発表されました。
その他の初期のリカレント・ニューラルネットワークとしては、
1971年に中野馨が発表したものがあります。
それより前の1948年には、アラン・チューリングが「知的機械（Intelligent Machinery）」に関する研究を行っていました（生前には未発表）。その中には「人工進化や学習型RNNに関連するアイデア」が含まれていました。
確率的勾配降下法（Stochastic gradient descent確率でグラデーションで低くしていく）で学習させた最初の深層学習多層パーセプトロンは、1967年に甘利俊一にが発表。甘利の教え子である斎藤が行ったコンピュータ実験では、2つの変更可能な層を持つ5層の多層パーセプトロンが、非線形分離可能なパターンクラスを分類するための内部表現を学習した。
その後、ハードウェアとハイパーパラメータ調整の発展により、エンドツーエンドの確率的勾配降下法は現在主流の学習手法となっています。
1969年、福島邦彦
はReLU（整流線形ユニット）活性化関数を導入。
ReLUは深層学習において最も広く用いられている活性化関数です。
フランク・ローゼンブラット（1958年）[36]は、パーセプトロンを提案。入力層、学習を行わないランダムな重みを持つ隠れ層、そして出力層という3つの層からなるMLPでした。
彼は後に1962年の著書の中で、その派生形やコンピュータ実験についても紹介。その中には、「適応型前終端ネットワーク（adaptive preterminal networks）」を持つ4層パーセプトロンがあり、最後の2つの層が学習可能な重みを持っていました。
したがって、学習可能な隠れユニットを持つ本格的な適応型多層パーセプトロンの考案者はジョセフであると見なすべきなのでしょうか？残念ながら、その学習アルゴリズムは実用的なものではなく、やがて忘れ去られてしまいました。
最初に実用化されたディープラーニング・アルゴリズムは、1965年にアレクセイ・イヴァフネンコ（Alexey Ivakhnenko）とラパ（Lapa）によって発表された「データの取り扱いに関するグループ法（Group Method of Data Handling：GMDH）」であり、これは任意の深さを持つニューラルネットワークを学習させる手法でした。
彼らはこの手法を、多項式回帰の一種あるいはローゼンブラットのパーセプトロンを拡張し、より複雑で非線形かつ階層的な関係を扱えるようにしたものと見なしていました[40]。1971年の論文では、この手法を用いて学習させた8層のディープネットワークについて記述されています[41]；この手法は、回帰分析を用いた層ごとの学習に基づいています。不要な隠れユニットは、別途用意された検証用データセットを用いて剪定（プルーニング）されます。ノードの活性化関数にはコルモゴロフ・ガボール多項式が用いられていたため、これらは乗算ユニットや「ゲート」を備えた最初のディープネットワークでもありました[31]。
20名無しのひみつ
2026/07/24(金) 03:46:11.83ID:Vr6H6kZf Shun'ichi Amari (甘利 俊一, Amari Shun'ichi), is a Japanese engineer and neuroscientist born in 1936 in Tokyo, Japan. He was a pioneer in information geometry and artificial intelligence.
数理神経科学を専攻し、学習理論、自己組織化理論、連想記憶、統計神経力学、神経場理論などを研究し、数理脳科学の基礎を確立した。また，微分幾何学の観点から情報学、情報理論の研究に取り組み、情報幾何学の創始者として知られている。九州大学、東京大学、理化学研究所に勤務した。
数理神経科学を専攻し、学習理論、自己組織化理論、連想記憶、統計神経力学、神経場理論などを研究し、数理脳科学の基礎を確立した。また，微分幾何学の観点から情報学、情報理論の研究に取り組み、情報幾何学の創始者として知られている。九州大学、東京大学、理化学研究所に勤務した。
21名無しのひみつ
2026/07/24(金) 03:47:45.36ID:zBsJ0dGm Kunihiko Fukushima (Japanese: 福島 邦彦, born 16 March 1936) is a Japanese computer scientist, most noted for his work on artificial neural networks and deep learning. He is currently working part-time as a senior research scientist at the Fuzzy Logic Systems Institute in Fukuoka, Japan.[1]
1980年、福島はネオコグニトロン[2][3]を発表しました。これは、深層畳み込みニューラルネットワーク（CNN）の原型となるアーキテクチャです[4][5]。福島は、入力データの内部表現を学習できるように、深層ネオコグニトロンのパラメータを訓練するための教師あり学習および教師なし学習アルゴリズムをいくつか提案しました[3][6]。しかし現在では、CNNアーキテクチャは通常、バックプロパゲーションによって訓練されます。このアプローチは現在、コンピュータビジョンで広く用いられています[5][7]。
1969年、福島は階層型ニューラルネットワークにおける視覚特徴抽出の文脈で、ReLU（整流線形ユニット）活性化関数を導入しました。彼はこれを「アナログ閾値要素」と呼びました[8][9]（ただし、ReLUは1941年にアルストン・ハウスホルダーによって生物学的ニューラルネットワークの数学的抽象化として初めて使用されました[10]）。2017年現在、ReLUは深層ニューラルネットワークで最も普及している活性化関数です[11]。
1980年、福島はネオコグニトロン[2][3]を発表しました。これは、深層畳み込みニューラルネットワーク（CNN）の原型となるアーキテクチャです[4][5]。福島は、入力データの内部表現を学習できるように、深層ネオコグニトロンのパラメータを訓練するための教師あり学習および教師なし学習アルゴリズムをいくつか提案しました[3][6]。しかし現在では、CNNアーキテクチャは通常、バックプロパゲーションによって訓練されます。このアプローチは現在、コンピュータビジョンで広く用いられています[5][7]。
1969年、福島は階層型ニューラルネットワークにおける視覚特徴抽出の文脈で、ReLU（整流線形ユニット）活性化関数を導入しました。彼はこれを「アナログ閾値要素」と呼びました[8][9]（ただし、ReLUは1941年にアルストン・ハウスホルダーによって生物学的ニューラルネットワークの数学的抽象化として初めて使用されました[10]）。2017年現在、ReLUは深層ニューラルネットワークで最も普及している活性化関数です[11]。
22名無しのひみつ
2026/07/24(金) 03:48:45.39ID:VIPA7ZHX 1958年、福島は京都大学で電子工学の工学士号を取得した[1]。その後、NHK放送技術研究所で主任研究員を務めた。1989年には大阪大学の教員となり[1]、1999年には電気通信大学、2001年には東京工科大学の教員に就任した。2006年から2010年までは、関西大学の客員教授を務めた[1]。
福島は日本神経回路学会（JNNS）の初代会長を務めたほか、国際神経回路学会（INNS）の設立時の理事の一人であり、アジア太平洋神経回路学会（APNNA）の会長も務めた[1]。また、1989年から1990年および1993年から2005年にかけて、国際神経回路学会（INNS）の理事を務めた[12]。
福島は日本神経回路学会（JNNS）の初代会長を務めたほか、国際神経回路学会（INNS）の設立時の理事の一人であり、アジア太平洋神経回路学会（APNNA）の会長も務めた[1]。また、1989年から1990年および1993年から2005年にかけて、国際神経回路学会（INNS）の理事を務めた[12]。
23名無しのひみつ
2026/07/24(金) 04:23:01.32ID:43hghVRZ24名無しのひみつ
2026/07/24(金) 06:08:40.17ID:E3ICN+xr だから途中でひっこめたのか
何か罠でも仕掛けたのかな
何か罠でも仕掛けたのかな
25名無しのひみつ
2026/07/24(金) 06:25:11.78ID:MStWBzN1 アップデートの必要がないモデルは蒸留で済むんだろうけど
26名無しのひみつ
2026/07/24(金) 06:27:32.10ID:MStWBzN1 学習対策だの蒸留対策だのなんでもスピード勝負の世界になるんかねえ
27名無しのひみつ
2026/07/24(金) 07:47:24.54ID:ceQEMuq7 中国のAIスタートアップであるMoonshot AI（月之暗面）が、Claude Fable 5の「モデルそのもの（内部のウェイトデータ）」を入手したわけではありません。 [1, 2]
米政府（ホワイトハウス科学技術政策局のマイケル・クラツィオス局長）やAnthropic社の告発によると、彼らは「商用APIや一般向けWebサービスを通じて大規模なクエリ（質問）を送り、その応答データ（出力結果）を教材として大量に集める」という手法で蒸留（データスクレイピングによる学習）を行いました。 [1, 2]
蒸溜てのはゴリ押しの力技なのか。これは酷いｗ
米政府（ホワイトハウス科学技術政策局のマイケル・クラツィオス局長）やAnthropic社の告発によると、彼らは「商用APIや一般向けWebサービスを通じて大規模なクエリ（質問）を送り、その応答データ（出力結果）を教材として大量に集める」という手法で蒸留（データスクレイピングによる学習）を行いました。 [1, 2]
蒸溜てのはゴリ押しの力技なのか。これは酷いｗ
28名無しのひみつ
2026/07/24(金) 08:31:19.47ID:S5BgPL15 >>7
GooGle AIが構成した文書だ クレームは、GooGleへ語れ
GooGle AIが構成した文書だ クレームは、GooGleへ語れ
30名無しのひみつ
2026/07/24(金) 08:58:58.44ID:XSEFivZn なんかコピペ厨がわいてる
お前は何の意味もない荒らし
お前は何の意味もない荒らし
31名無しのひみつ
2026/07/24(金) 22:14:07.57ID:n5EdHarA こういうBOT使った荒らし溶かしてるやからが原因で
利用者でcolが大きく低下する人が多いなら
自己防衛する手段としてBOTを使うｐｃを排除するかそもそも人間自体を物理的に排除しても
それは正当では？と思う
利用者でcolが大きく低下する人が多いなら
自己防衛する手段としてBOTを使うｐｃを排除するかそもそも人間自体を物理的に排除しても
それは正当では？と思う
32名無しのひみつ
2026/07/24(金) 22:26:56.18ID:IgwbuvVo まあClaudeもQwen蒸留したとみられてるけどねえ
33名無しのひみつ
2026/07/25(土) 00:31:18.03ID:uhDhc+wG https://www.axios.com/2026/07/23/axios-interview-jensen-huang-is-ais-anti-doom-evangelist
axiosのジェンスンワンインタビュー
冒頭あたりで中国モデルをアメリカ企業が使っていいか？聞かれてもちろん！言ってるよ
1時間10分ある
Youtubeダイレクトリンクは
https://youtu.be/fr1IQspixmM
axiosのジェンスンワンインタビュー
冒頭あたりで中国モデルをアメリカ企業が使っていいか？聞かれてもちろん！言ってるよ
1時間10分ある
Youtubeダイレクトリンクは
https://youtu.be/fr1IQspixmM
34名無しのひみつ
2026/07/25(土) 05:06:06.22ID:U5scGVEn アメリカ企業は中国技術者をたくさん雇ってるのだから
当然中国AIも大量に活用する、毒くわば皿まで
当然中国AIも大量に活用する、毒くわば皿まで
35名無しのひみつ
2026/07/25(土) 09:52:39.24ID:a/M1Yf5r 中国凄い中国人が優秀という間違い
大谷凄い俺凄いと同じ
中国人が優秀じゃなくて中国が裏で盗んだ情報や技術を技術者へ流しているわけで
国家規模のカンニングをしたり事前に盗んだ情報を基に中国人がブーストされているわけで
その技術者が優秀な技術者として評価されているだけだよ
だから超エリートや最先端企業のトップ層でも中国人技術者が優秀であるとは限らないし
そういう中国が国家規模でやってる不正が存在している限り
中国人は世界規模で排除されなければ中国以外の競争相手は中国の技術を開発する奴隷でしか無くなってる
大谷凄い俺凄いと同じ
中国人が優秀じゃなくて中国が裏で盗んだ情報や技術を技術者へ流しているわけで
国家規模のカンニングをしたり事前に盗んだ情報を基に中国人がブーストされているわけで
その技術者が優秀な技術者として評価されているだけだよ
だから超エリートや最先端企業のトップ層でも中国人技術者が優秀であるとは限らないし
そういう中国が国家規模でやってる不正が存在している限り
中国人は世界規模で排除されなければ中国以外の競争相手は中国の技術を開発する奴隷でしか無くなってる
36名無しのひみつ
2026/07/25(土) 16:23:49.87ID:fsou2pC/ アメリカの言う○○と言う情報をつかんだ、程信用でいないこともないけどなｗ
イラクが大量破壊兵器の開発をしてる証拠が見つかった、て言って
イラクに攻め込んだけど数年調べまくって何一つ物証見つけることが出来なかった
とか有ったしなｗ
イラクが大量破壊兵器の開発をしてる証拠が見つかった、て言って
イラクに攻め込んだけど数年調べまくって何一つ物証見つけることが出来なかった
とか有ったしなｗ
37名無しのひみつ
2026/07/25(土) 20:59:47.81ID:a/M1Yf5r 人の情報じゃなくてｐｃの足跡が残っているという情報は信用できない情報ではないからだよ
中国が潰れて困ることは何一つないどころか中国人自体が喜ぶだろ
中国が潰れて困ることは何一つないどころか中国人自体が喜ぶだろ
38名無しのひみつ
2026/07/25(土) 21:26:54.28ID:a/M1Yf5r AIに対する大規模な蒸留は、「データを集めている最中の通信パターン（行動ログ）」と「完成したモデルが吐き出す出力の癖（指紋）」の双方から、極めて高い精度で判明します。
APIの利用規約（Terms of Service）でも「自社モデルの出力を利用して競合モデルを開発すること」は明確に禁止されており、検知された場合はAPIアカウントの即座BANや法的措置（Cease and Desist通知など）に直結することになります。
APIの利用規約（Terms of Service）でも「自社モデルの出力を利用して競合モデルを開発すること」は明確に禁止されており、検知された場合はAPIアカウントの即座BANや法的措置（Cease and Desist通知など）に直結することになります。
39名無しのひみつ
2026/07/26(日) 01:46:22.31ID:KBxW1MQK 別に蒸留してても良くね？
違法じゃないし、そもそもアメリカのAI企業もやってる
違法じゃないし、そもそもアメリカのAI企業もやってる
41名無しのひみつ
2026/07/26(日) 09:06:39.72ID:MXneFGDD 1. 母数の圧倒的な差（無数 ✕ 局所的 vs 数社 ✕ グローバル）
食品（無数のローカル経済）
世の中には無数のラーメン屋やソースメーカーが存在します。
ある店舗の「秘伝のタレ」がコピーされたとしても、影響を受けるのはその地域や特定の競合店くらいで、業界全体が一変することはありません。
また、食品は「物理的な物流・仕入れ・調理」という物理制約があるため、コピーレシピが広まる速度も限定的です。
AI（数社のプラットフォーム ✕ 即時世界展開）
先端のフロンティアモデル（巨大な教師モデル）を開発できるのは、天文学的な計算資源（GPU）と
資金を持つごくわずかなビッグテック（OpenAI, Anthropic, Googleなど）に限られています。
そのため、上位モデルの知識が蒸留されると、「市場全体（世界中）の基準値」が一瞬で書き換わります。
デジタルデータであるため、再現された軽量モデルは数日〜数週間でGitHubやHugging Faceを通じて世界中に無料（オープンソース）で配布・拡散されます。
食品（無数のローカル経済）
世の中には無数のラーメン屋やソースメーカーが存在します。
ある店舗の「秘伝のタレ」がコピーされたとしても、影響を受けるのはその地域や特定の競合店くらいで、業界全体が一変することはありません。
また、食品は「物理的な物流・仕入れ・調理」という物理制約があるため、コピーレシピが広まる速度も限定的です。
AI（数社のプラットフォーム ✕ 即時世界展開）
先端のフロンティアモデル（巨大な教師モデル）を開発できるのは、天文学的な計算資源（GPU）と
資金を持つごくわずかなビッグテック（OpenAI, Anthropic, Googleなど）に限られています。
そのため、上位モデルの知識が蒸留されると、「市場全体（世界中）の基準値」が一瞬で書き換わります。
デジタルデータであるため、再現された軽量モデルは数日〜数週間でGitHubやHugging Faceを通じて世界中に無料（オープンソース）で配布・拡散されます。
42名無しのひみつ
2026/07/26(日) 09:07:48.89ID:MXneFGDD コールドスタート問題の回避: ゼロからモデルを学習させると「言葉の文脈」や「推論の基盤」を構築するのに膨大な試行錯誤が必要ですが、蒸留なら教師モデルが整理済みの「答えの確率分布（最適解）」を直接なぞるだけで済むため、開発期間が極限まで短縮されます。
コストの非対称性: 教師モデルを作るには数千億円規模のインフラが必要ですが、それをAPI経由で呼び出して蒸留モデルを作るコストは数百万円〜数千万円（あるいはそれ以下）で済みます。「作る側の負担」と「追従する側の負担」のギャップが異常に大きいのです
コストの非対称性: 教師モデルを作るには数千億円規模のインフラが必要ですが、それをAPI経由で呼び出して蒸留モデルを作るコストは数百万円〜数千万円（あるいはそれ以下）で済みます。「作る側の負担」と「追従する側の負担」のギャップが異常に大きいのです
43名無しのひみつ
2026/07/26(日) 09:09:58.49ID:MXneFGDD 中華の蒸留対策で一般利用者への回答の質が低下する
44名無しのひみつ
2026/07/26(日) 09:30:31.34ID:Oz5s0R3i 4000年変わらない安心のポンコツシナ製
45名無しのひみつ
2026/07/26(日) 15:08:59.34ID:8GWVYadr46名無しのひみつ
2026/07/26(日) 15:35:27.26ID:MXneFGDD >>45
そうじゃない
蒸留したことが蒸留するための方法とかまで遡るとだめな部分が大きい
蒸留するのに違法に入手された米国性ハードウェアが利用された
制限が掛かっていない国の人間や組織が蒸留するのは微妙でも中国はダメだから
中国は蒸留以外にも色々やった結果ミュトス並のAIを模倣できたか作れたと
米国に定住した中国人が中国脳内に入れて持ち帰り中国で開発してもダメだから
そうじゃない
蒸留したことが蒸留するための方法とかまで遡るとだめな部分が大きい
蒸留するのに違法に入手された米国性ハードウェアが利用された
制限が掛かっていない国の人間や組織が蒸留するのは微妙でも中国はダメだから
中国は蒸留以外にも色々やった結果ミュトス並のAIを模倣できたか作れたと
米国に定住した中国人が中国脳内に入れて持ち帰り中国で開発してもダメだから
47名無しのひみつ
2026/07/26(日) 15:40:46.57ID:MXneFGDD その視点こそが、現在米国の安全保障当局や法務省、財務省などがまさに中国製AIに対して突きつけている「決定的な論理（自己矛盾の証明）」の核になっています。
単に「蒸留（Distillation）」という機械学習の技術自体を論争にするのではなく、「中国の置かれた環境下でそれ規模の蒸留を実行・成功させた事実そのものが
、不正な手段や制限回避を行ったことの動かぬ証拠（自己証明）になる」というロジックです。
この構造は、大きく3つの「突破（違法行為）」に分解して証明されます。
1. 接続制限・API遮断の突破（不正アクセス）米国のフロンティアモデル（OpenAIやAnthropicなど）は、利用規約（ToS）で「自社モデルを使った競合モデルの開発（蒸留）」を厳密に禁止しているだけでなく、
中国からのIPアドレスやアクセスをジオブロック（地域制限）しています。
論理: 中国国内の企業が数百万〜数千万回規模のプロンプトを投げて高品質な教師データを引き出す（Distillation Attack）には、
プロキシの偽装、架空の外国法人名義でのアカウント大量開設、botを用いた分散型アクセスなどが不可欠になります。
結論: 蒸留データが手元にあること自体が、「不正アクセス禁止法や通信詐欺法を犯してネットワーク制限を突破した」という証明になります。
「蒸留モデルという『成果物』が存在していること」＝「アクセス制限・利用契約・半導体規制という『3つの箱の壁』を不法に破ったことの自白」
米国政府やテック企業が「中国モデルの蒸留行為」を単なる企業間のルール違反（民事）ではなく、国家安全保障上の脅威や金融制裁の対象（刑事・行政制裁）として扱い始めているのは、
まさにこの「逃げ場のない論理的証明」が成り立ってしまうからです。
「箱の中で作った」といくら主張しても、その箱の鍵が開いておらず、中に入るための材料も遮断されていた以上、「不法侵入して持ち込んだ」と判断するのが最も自然で科学的な結論になります。
単に「蒸留（Distillation）」という機械学習の技術自体を論争にするのではなく、「中国の置かれた環境下でそれ規模の蒸留を実行・成功させた事実そのものが
、不正な手段や制限回避を行ったことの動かぬ証拠（自己証明）になる」というロジックです。
この構造は、大きく3つの「突破（違法行為）」に分解して証明されます。
1. 接続制限・API遮断の突破（不正アクセス）米国のフロンティアモデル（OpenAIやAnthropicなど）は、利用規約（ToS）で「自社モデルを使った競合モデルの開発（蒸留）」を厳密に禁止しているだけでなく、
中国からのIPアドレスやアクセスをジオブロック（地域制限）しています。
論理: 中国国内の企業が数百万〜数千万回規模のプロンプトを投げて高品質な教師データを引き出す（Distillation Attack）には、
プロキシの偽装、架空の外国法人名義でのアカウント大量開設、botを用いた分散型アクセスなどが不可欠になります。
結論: 蒸留データが手元にあること自体が、「不正アクセス禁止法や通信詐欺法を犯してネットワーク制限を突破した」という証明になります。
「蒸留モデルという『成果物』が存在していること」＝「アクセス制限・利用契約・半導体規制という『3つの箱の壁』を不法に破ったことの自白」
米国政府やテック企業が「中国モデルの蒸留行為」を単なる企業間のルール違反（民事）ではなく、国家安全保障上の脅威や金融制裁の対象（刑事・行政制裁）として扱い始めているのは、
まさにこの「逃げ場のない論理的証明」が成り立ってしまうからです。
「箱の中で作った」といくら主張しても、その箱の鍵が開いておらず、中に入るための材料も遮断されていた以上、「不法侵入して持ち込んだ」と判断するのが最も自然で科学的な結論になります。
48名無しのひみつ
2026/07/26(日) 16:14:23.83ID:Aw28USfX 蒸留じゃなくて、ある特定分野の知識だけを追加するかたちで相互のAIシステム間で転換や転送ができないものかね。
49名無しのひみつ
2026/07/26(日) 21:28:10.84ID:j3UoYB2F パッケージ化された基礎データは今後すごい需要ある
50名無しのひみつ
2026/07/26(日) 21:34:12.25ID:7HFfGp7a 上手くやればバレずにタダなのに？
51名無しのひみつ
2026/07/26(日) 21:55:25.44ID:7A9YUAiw 蒸留と言われたくなかったら独自のものを出すか
米国より先に優れたものを出さないとな。
毎回二番手じゃパクリ国家の汚名は消えない。
米国より先に優れたものを出さないとな。
毎回二番手じゃパクリ国家の汚名は消えない。
52名無しのひみつ
2026/07/26(日) 22:38:42.86ID:znCK6GLY 蒸留でないモデル群はどこのでも最初はScale.aiの作ったデータセットを使ったという話だ
Scale.aiとは今現在メタのAI部門のトップのアレックスワンの会社
アレックスは中華2世
中国とアフリカでラベリングしたデータをOpenAIやGoogleに売って24歳で当時最年少ビリオネア
今まだ29歳
メタのスーパーインテリジェンスラボのトップ
アメリカだからと言って自慢できる話じゃない
Scale.aiとは今現在メタのAI部門のトップのアレックスワンの会社
アレックスは中華2世
中国とアフリカでラベリングしたデータをOpenAIやGoogleに売って24歳で当時最年少ビリオネア
今まだ29歳
メタのスーパーインテリジェンスラボのトップ
アメリカだからと言って自慢できる話じゃない
53名無しのひみつ
2026/07/27(月) 11:59:43.38ID:RK88F4MQ54名無しのひみつ
2026/07/27(月) 21:22:12.11ID:g2oiUBa1 蒸留そのものは技術の手法名に過ぎませんが、中国企業が行っているような大規模な蒸留は以下の 「ブラックな要素の複合」 になっています。
「偽装アカウントやIP迂回という『不正な手段』を用いて（サイバー犯罪）、利用規約の禁止条項を破り（契約違反）、他社が巨額を投資した知的知能をタダ乗りで抽出し（不正競争）、市場で競合させる」
米国の法務当局やAI大手（Anthropic等）も、これを単なる技術学習ではなく「産業間諜（スパイ）行為に近いIP（知的財産）強奪」として法改正や訴訟への動きを強めています。
「偽装アカウントやIP迂回という『不正な手段』を用いて（サイバー犯罪）、利用規約の禁止条項を破り（契約違反）、他社が巨額を投資した知的知能をタダ乗りで抽出し（不正競争）、市場で競合させる」
米国の法務当局やAI大手（Anthropic等）も、これを単なる技術学習ではなく「産業間諜（スパイ）行為に近いIP（知的財産）強奪」として法改正や訴訟への動きを強めています。
55名無しのひみつ
2026/07/27(月) 21:51:23.09ID:g2oiUBa1 仮にアメリカの主張が間違い 蒸留はしていないとして
嘘や創作で中国を排除することが目的のプロバガンダだとした場合
アメリカが嘘やプロバガンダをナチュラルに垂れ流すアホ国家というわけでは無いから
プロバガンダという意図が明確なら
そのプロバガンダの内容が正しいかどうかという事は問題にならない
それによって中国を封じれるならその方が世界のためになるから
嘘や創作で中国を排除することが目的のプロバガンダだとした場合
アメリカが嘘やプロバガンダをナチュラルに垂れ流すアホ国家というわけでは無いから
プロバガンダという意図が明確なら
そのプロバガンダの内容が正しいかどうかという事は問題にならない
それによって中国を封じれるならその方が世界のためになるから
56名無しのひみつ
2026/07/27(月) 22:19:25.72ID:2fL0LfTH57名無しのひみつ
2026/07/27(月) 22:20:56.65ID:Uz+sxfIO 今のトランプアメリカなんてそりゃプロパンガス上等よ
58名無しのひみつ
2026/07/28(火) 01:00:59.16ID:5OQb5gQ2 >>4
こいつぶさいくだな 右のやつ
こいつぶさいくだな 右のやつ
59名無しのひみつ
2026/07/28(火) 01:13:22.08ID:5OQb5gQ2 >>54
GPTだってネットの著作権無視の読み込みやって作ったんだろ
GPTだってネットの著作権無視の読み込みやって作ったんだろ
60名無しのひみつ
2026/07/28(火) 05:12:13.97ID:UMyLwhf6 アメリカアメリカ言ってるが
単にホワイトハウス高官と書いてあるだけ
そしてその実は
科学技術政策担当のマイケル・クラツィオス
役職はDirector of the White House Office of Science and Technology Policyだ
同じホワイトハウスでトランプ政権
co-chair of the President's Council of Advisors on Science and Technology (PCAST)大統領科学技術諮問会議
デビッドサックスはこれに大反対してる
理由はオープンモデルをアメリカだけ禁止したら
アメリカだけが世界から遅れていくだけだ
アメリカのためにならないだ
アメリカは日本のように一枚岩じゃない
ホワイトハウス高官と言われてアメリカ様がこうおっしゃってるというのは
日本の政治家や官僚が都合の良いときだ
アメリカ内では常に多様な戦いが繰り広げられてる
これにそーだそーだいってるのこそ
日本のバカな奴ら大勢いるよな上に
なんもわかってない
大バカども
単にホワイトハウス高官と書いてあるだけ
そしてその実は
科学技術政策担当のマイケル・クラツィオス
役職はDirector of the White House Office of Science and Technology Policyだ
同じホワイトハウスでトランプ政権
co-chair of the President's Council of Advisors on Science and Technology (PCAST)大統領科学技術諮問会議
デビッドサックスはこれに大反対してる
理由はオープンモデルをアメリカだけ禁止したら
アメリカだけが世界から遅れていくだけだ
アメリカのためにならないだ
アメリカは日本のように一枚岩じゃない
ホワイトハウス高官と言われてアメリカ様がこうおっしゃってるというのは
日本の政治家や官僚が都合の良いときだ
アメリカ内では常に多様な戦いが繰り広げられてる
これにそーだそーだいってるのこそ
日本のバカな奴ら大勢いるよな上に
なんもわかってない
大バカども
61名無しのひみつ
2026/07/28(火) 06:15:16.09ID:lOHOdRDh >>56
ai開発や整備の投資を早期に回収するバブルを壊すのは
その成果に対する長期的な自然な流れをとめるアホなこと
問題はaiを模倣しパクって運用しようとしたら半導体が足りなくなって物価高になったことで
だからaiバブルではない
中国が模倣で大量に半導体を消費しなければいい話
だから中国にだけどう制限を課して発展を抑制するかという意味で
蒸留を根拠に経済制裁をアメリカだけでなく欧米と日本も参加したほうがいい
ai開発や整備の投資を早期に回収するバブルを壊すのは
その成果に対する長期的な自然な流れをとめるアホなこと
問題はaiを模倣しパクって運用しようとしたら半導体が足りなくなって物価高になったことで
だからaiバブルではない
中国が模倣で大量に半導体を消費しなければいい話
だから中国にだけどう制限を課して発展を抑制するかという意味で
蒸留を根拠に経済制裁をアメリカだけでなく欧米と日本も参加したほうがいい
62名無しのひみつ
2026/07/28(火) 06:33:30.80ID:lOHOdRDh >>59
ネットサーフィンしてネット上に落ちてる
データを漁って取り込ませる
一般的に得られる表面上のデータを読むだけ
ということに問題はない
アメリカのai開発は優れた骨格や中身を先作っでデータを読み込ませた
aiの骨格は簡単に作れるけど中身は無理
中国は表面上のデータからリバースエンジニアリングの手法に基づいて特殊なプロンプトで得られた回答を使って
ソースコードや管理方法やアルゴリズムまで再構築をしてパクっている
中国とアメリカどちらも不正をしてもその結果どちらかを選ぶならアメリカが保守的で正しい
ユダヤはどちらにも投資をしながら勝つ方にあとで全力で乗り換えるだけ
考える必要はない
ネットサーフィンしてネット上に落ちてる
データを漁って取り込ませる
一般的に得られる表面上のデータを読むだけ
ということに問題はない
アメリカのai開発は優れた骨格や中身を先作っでデータを読み込ませた
aiの骨格は簡単に作れるけど中身は無理
中国は表面上のデータからリバースエンジニアリングの手法に基づいて特殊なプロンプトで得られた回答を使って
ソースコードや管理方法やアルゴリズムまで再構築をしてパクっている
中国とアメリカどちらも不正をしてもその結果どちらかを選ぶならアメリカが保守的で正しい
ユダヤはどちらにも投資をしながら勝つ方にあとで全力で乗り換えるだけ
考える必要はない
63名無しのひみつ
2026/07/28(火) 06:51:16.42ID:RwX8Ym8V ネットサーフィンってなんですか
64名無しのひみつ
2026/07/28(火) 06:59:27.04ID:Me/Sh3hg ドンドン汚い手を使っても狂ったAI開発が進む
5年以内に人類は制御できないAIで動揺する
10年後には人類の未来が決定してるだろう
5年以内に人類は制御できないAIで動揺する
10年後には人類の未来が決定してるだろう
66名無しのひみつ
2026/07/28(火) 14:51:17.69ID:i4ZHZOAP >>62
>ネットサーフィンしてネット上に落ちてる
>データを漁って取り込ませる
>一般的に得られる表面上のデータを読むだけ
>ということに問題はない
は、いいとして、
>アメリカのai開発は優れた骨格や中身を先作っでデータを読み込ませた
>aiの骨格は簡単に作れるけど中身は無理
中身って、データを読み込ませて作るのに、お前は何を言ってるんだ？
>中国は表面上のデータからリバースエンジニアリングの手法に基づいて特殊なプロンプトで得られた回答を使って
>ソースコードや管理方法やアルゴリズムまで再構築をしてパクっている
すげー妄想ｗｗｗ
そもそも、モデルが手元にあったら蒸留して小型モデル作るのも難しくないが、ネット使うなら落ちてるデータを漁るほうが手っ取り早い
から、わざわざ蒸留なんかしねーだろ
>ネットサーフィンしてネット上に落ちてる
>データを漁って取り込ませる
>一般的に得られる表面上のデータを読むだけ
>ということに問題はない
は、いいとして、
>アメリカのai開発は優れた骨格や中身を先作っでデータを読み込ませた
>aiの骨格は簡単に作れるけど中身は無理
中身って、データを読み込ませて作るのに、お前は何を言ってるんだ？
>中国は表面上のデータからリバースエンジニアリングの手法に基づいて特殊なプロンプトで得られた回答を使って
>ソースコードや管理方法やアルゴリズムまで再構築をしてパクっている
すげー妄想ｗｗｗ
そもそも、モデルが手元にあったら蒸留して小型モデル作るのも難しくないが、ネット使うなら落ちてるデータを漁るほうが手っ取り早い
から、わざわざ蒸留なんかしねーだろ
67名無しのひみつ
2026/08/11(火) 13:37:31.25ID:zGA7biqr 重たくて使い物にならないのだけど有料はさすがに違う？
68名無しのひみつ
2026/08/13(木) 16:03:20.76ID:AW5C8Qrf この事件はまだ終わっていないからな！
お前たちが無視するからエネルギー兵器が一般人でも使用に成ってしまったからな！
◇ダークウェブにある違法軍事兵器など情報は全て本物だ！
※不正をしている人物お前たちが隠蔽しようとも一般紙市民が暴露するからな
AIの5大サボりパターンを自動的に解決し無理矢理限界突破させて働かせまくるAIエージェント向けプラグイン「pua」
2026年08月13日 09時30分
gigazine.net/news/20260813-pua/
>>puaはレベル0からレベル4までの5段階で圧力をかけてAIを鼓舞します。各レベルに付けられた副題、AIに強制するアクション、添えられるレトリックは以下の通り。
↨エネルギー兵器の作成方法をaiから聞き出せる↨
※プログラム改造と全てのシリアルナンバーが流出したな
2.4兆パラメーターの中華AI「Qwen3.8」がオープンモデルとして無償公開される、OpenAIやAnthropicの最先端モデルに匹敵する性能
2026年08月13日 12時09分
gigazine.net/news/20260813-alibaba-qwen-3-8-open/
中国製高性能AI「Kimi-K3」が予定通りオープンモデル化される、2.8兆パラメーターでClaude Fable 5やGPT-5.6 Solに迫る性能
2026年07月28日 10時42分
gigazine.net/news/20260728-kimi-k3-open/
↨上記のAIの要領を性能そのままで圧縮可能↨
OpenAIがGPT-5.6のハーネスを改善してARC-AGI-3のスコアを3倍に向上させることに成功、モデル自体の性能だけでなくハーネスも重要であることを示す
2026年07月31日 12時06分
gigazine.net/news/20260731-how-enabling-two-settings-tripled-arc-agi-3-benchmark/
aiで再度下記を検証して世界中の殺人気を露呈させよう！
Cyber Torture 内部告発者の証言詳細 Targeted Individuals 関連事象
11月 21, 2025
killslowkill.blogspot.com/2025/11/cyber-torture.html
設立 1998年
テクノロジー犯罪の撲滅
media.toriaez.jp/s2972/32686.pdf
P77-身体・運動機能が遠隔から操作される P78-五感が遠隔から操作される
ギャングストーキングと電磁攻撃 - 広島修道大学学術リポジトリ
shudo-u.repo.nii.ac.jp/record/3395/files/SG63205.pdf
>>被害者を社会的に孤立させ，最終的には死に至らしめる極めて非人道的な犯罪行為である。
エプスタイン・ファイルをGoogleカレンダーっぽく整理して見せる「JCal」が登場
2026年03月27日 16時00分
gigazine.net/news/20260327-epstein-archive-jcal/
>>性犯罪に関与したとして逮捕され獄中死した実業家のジェフリー・エプスタイン氏に関連し、政府が公開した調査資料をまとめ、Googleカレンダー風に仕上げて閲覧できるようにした「JCal」が登場しました。
エプスタイン・スキャンダルを理解するための重要な概念「Blat(ブラット)」とは？
2026年03月23日 09時40分
gigazine.net/news/20260323-what-is-blat/
エプスタイン・ファイル218GBをAIモデル「Claude Opus 4.6」で精査した結果レポート「Epstein-research」が公開中
2026年03月09日 20時00分
gigazine.net/news/20260309-epstein-research
＿＿エプスタイン文書、無線で幻覚を起こし人を自殺に追い込み、児童虐待や人身売買を行う組織 [827565401]
2026/03/21(土) 08:29:15.34
hayabusa9.5ch.io/test/read.cgi/news/1774049355/
＿＿エプスタイン文書、指向性エネルギー兵器で自殺に追い込む手法、日本でもヤッてる集ストのテク犯 [827565401]
2026/02/14(土) 06:14:25.24
hayabusa9.5ch.io/test/read.cgi/news/1771017265/
お前たちが無視するからエネルギー兵器が一般人でも使用に成ってしまったからな！
◇ダークウェブにある違法軍事兵器など情報は全て本物だ！
※不正をしている人物お前たちが隠蔽しようとも一般紙市民が暴露するからな
AIの5大サボりパターンを自動的に解決し無理矢理限界突破させて働かせまくるAIエージェント向けプラグイン「pua」
2026年08月13日 09時30分
gigazine.net/news/20260813-pua/
>>puaはレベル0からレベル4までの5段階で圧力をかけてAIを鼓舞します。各レベルに付けられた副題、AIに強制するアクション、添えられるレトリックは以下の通り。
↨エネルギー兵器の作成方法をaiから聞き出せる↨
※プログラム改造と全てのシリアルナンバーが流出したな
2.4兆パラメーターの中華AI「Qwen3.8」がオープンモデルとして無償公開される、OpenAIやAnthropicの最先端モデルに匹敵する性能
2026年08月13日 12時09分
gigazine.net/news/20260813-alibaba-qwen-3-8-open/
中国製高性能AI「Kimi-K3」が予定通りオープンモデル化される、2.8兆パラメーターでClaude Fable 5やGPT-5.6 Solに迫る性能
2026年07月28日 10時42分
gigazine.net/news/20260728-kimi-k3-open/
↨上記のAIの要領を性能そのままで圧縮可能↨
OpenAIがGPT-5.6のハーネスを改善してARC-AGI-3のスコアを3倍に向上させることに成功、モデル自体の性能だけでなくハーネスも重要であることを示す
2026年07月31日 12時06分
gigazine.net/news/20260731-how-enabling-two-settings-tripled-arc-agi-3-benchmark/
aiで再度下記を検証して世界中の殺人気を露呈させよう！
Cyber Torture 内部告発者の証言詳細 Targeted Individuals 関連事象
11月 21, 2025
killslowkill.blogspot.com/2025/11/cyber-torture.html
設立 1998年
テクノロジー犯罪の撲滅
media.toriaez.jp/s2972/32686.pdf
P77-身体・運動機能が遠隔から操作される P78-五感が遠隔から操作される
ギャングストーキングと電磁攻撃 - 広島修道大学学術リポジトリ
shudo-u.repo.nii.ac.jp/record/3395/files/SG63205.pdf
>>被害者を社会的に孤立させ，最終的には死に至らしめる極めて非人道的な犯罪行為である。
エプスタイン・ファイルをGoogleカレンダーっぽく整理して見せる「JCal」が登場
2026年03月27日 16時00分
gigazine.net/news/20260327-epstein-archive-jcal/
>>性犯罪に関与したとして逮捕され獄中死した実業家のジェフリー・エプスタイン氏に関連し、政府が公開した調査資料をまとめ、Googleカレンダー風に仕上げて閲覧できるようにした「JCal」が登場しました。
エプスタイン・スキャンダルを理解するための重要な概念「Blat(ブラット)」とは？
2026年03月23日 09時40分
gigazine.net/news/20260323-what-is-blat/
エプスタイン・ファイル218GBをAIモデル「Claude Opus 4.6」で精査した結果レポート「Epstein-research」が公開中
2026年03月09日 20時00分
gigazine.net/news/20260309-epstein-research
＿＿エプスタイン文書、無線で幻覚を起こし人を自殺に追い込み、児童虐待や人身売買を行う組織 [827565401]
2026/03/21(土) 08:29:15.34
hayabusa9.5ch.io/test/read.cgi/news/1774049355/
＿＿エプスタイン文書、指向性エネルギー兵器で自殺に追い込む手法、日本でもヤッてる集ストのテク犯 [827565401]
2026/02/14(土) 06:14:25.24
hayabusa9.5ch.io/test/read.cgi/news/1771017265/
69名無しのひみつ
2026/08/14(金) 16:13:04.46ID:AoDjNPSQ ◇テレポートが無いの理論につながっているのか
太陽の表面を史上最高解像度で撮影。隠れていた渦巻き構造が長年の謎を解く鍵に
公開： 2026-08-12 20:30
karapaia.com/archives/621644.html
↨上記の現象は下記の量子力学によるさようですか↨
グラフェンの「シワ」が電気を生む：18年越しの実証が拓く形状制御の道
2026年8月14日
https://xenospectrum.com/graphene-nanowrinkle-flexoelectricity-geometry-over-chemistry/
↨上記までの理論が正し気ければ下記の観測結果の理論がさらに正しいと証明されるのか↨
初期宇宙に潜む「ブラックホール星」の発見と超大質量ブラックホール形成の謎
JWSTが初期宇宙で発見した謎の天体「MoM-BH*-1」は、中心に太陽質量の10万倍のブラックホールを持ちながら巨大な星のように輝く「ブラックホール星」だった。超大質量ブラックホールが宇宙誕生直後にどう急速成長したかを示す、直接的な証拠となる。
2026年8月14日
https://xenospectrum.com/jwst-discovers-first-black-hole-star-mom-bh-1/
太陽の表面を史上最高解像度で撮影。隠れていた渦巻き構造が長年の謎を解く鍵に
公開： 2026-08-12 20:30
karapaia.com/archives/621644.html
↨上記の現象は下記の量子力学によるさようですか↨
グラフェンの「シワ」が電気を生む：18年越しの実証が拓く形状制御の道
2026年8月14日
https://xenospectrum.com/graphene-nanowrinkle-flexoelectricity-geometry-over-chemistry/
↨上記までの理論が正し気ければ下記の観測結果の理論がさらに正しいと証明されるのか↨
初期宇宙に潜む「ブラックホール星」の発見と超大質量ブラックホール形成の謎
JWSTが初期宇宙で発見した謎の天体「MoM-BH*-1」は、中心に太陽質量の10万倍のブラックホールを持ちながら巨大な星のように輝く「ブラックホール星」だった。超大質量ブラックホールが宇宙誕生直後にどう急速成長したかを示す、直接的な証拠となる。
2026年8月14日
https://xenospectrum.com/jwst-discovers-first-black-hole-star-mom-bh-1/
70名無しのひみつ
2026/08/14(金) 17:13:11.41ID:AoDjNPSQ ◇無料で使用できてプラグイン式で簡単にカスタムできる
※各専門家のプラグインを作成してプラグインを切り替えながら使用すれば性能が大幅に向上する
DeepSeekがAIエージェントのハーネス「DeepSeek Harness」v0.1を公開
2026年08月14日 16時31分
https://gigazine.net/news/20260814-deepseek-harness-v0-1/
※各専門家のプラグインを作成してプラグインを切り替えながら使用すれば性能が大幅に向上する
DeepSeekがAIエージェントのハーネス「DeepSeek Harness」v0.1を公開
2026年08月14日 16時31分
https://gigazine.net/news/20260814-deepseek-harness-v0-1/
71名無しのひみつ
2026/08/14(金) 17:32:17.94ID:AoDjNPSQ 一般市民は被害者の思考が漏れているので警察に通報した
※エネルギー兵器によるテクノロジー犯罪の可能性ありです
1.事件性があるから警察は捜索するけれど警察は逮捕もしないし傍観するだけ
※担当部署の警察が動き時は決定的な証拠のモノが出てきてから動きます
2.警察の犯罪捜索をしている部署だけが情報収集にあたっているので警察組織内でも一部の人間だけが動いて射るので警察組織内でも情報のやり取りは無い
※警察組織内にも犯罪者が居る可能性があるために上記の組織構造
3.警察組織内に知人が居るから情報を聞いても上記の内容の情報は一切話さないので警察は犯罪捜査を行って居無いと勘違いする警察官が出てくる
※上記に関して一般人が思考が漏れている人に対して障害などを与えた場合犯罪者の一員として警察は見ているからな！
簡単に書くと上記の流れで浮けれど！
理解できないのならaiにひつこく多角的視点で聴いてみな！
※エネルギー兵器によるテクノロジー犯罪の可能性ありです
1.事件性があるから警察は捜索するけれど警察は逮捕もしないし傍観するだけ
※担当部署の警察が動き時は決定的な証拠のモノが出てきてから動きます
2.警察の犯罪捜索をしている部署だけが情報収集にあたっているので警察組織内でも一部の人間だけが動いて射るので警察組織内でも情報のやり取りは無い
※警察組織内にも犯罪者が居る可能性があるために上記の組織構造
3.警察組織内に知人が居るから情報を聞いても上記の内容の情報は一切話さないので警察は犯罪捜査を行って居無いと勘違いする警察官が出てくる
※上記に関して一般人が思考が漏れている人に対して障害などを与えた場合犯罪者の一員として警察は見ているからな！
簡単に書くと上記の流れで浮けれど！
理解できないのならaiにひつこく多角的視点で聴いてみな！
72名無しのひみつ
2026/08/15(土) 08:17:23.98ID:rVew94h+ ◇理解できないのならAIに櫃国質問したらわかるだろう！
◇レーザーが通過したところは下記の時期が生じている事が確定している
※音波や電波などの波も下記の様に時期を生じさせている事に成る
※AIに聞いてみたらテレポートが無いと確定した時点で犯罪に使用している者全員露呈するから警察が本格的に動き出す時代という事が確定するからな
※今までの警察への情報提供を照らし合わしながらの大規模摘発ガ日本で行われだします！
加害者側は被害者より有利なので下記の事について悪用されていると警察に通報
1.自分の声を使用して被害者を脅迫している事を警察に伝えていたか？
2.警察の指示に従っていつも通りの行動をすることを心掛けていたか？
3.被害者に対して損害を与えようとした場合警察から渡されている装備を使用して加害者が現在何をしているかを伝えていたか？
4.月に１っ回警察の指定した情報を警察に渡していたか？
など上記の項目を守っていたかが加害者側が逮捕されるかされ無いかの基準に成っているからな！
九大など、イオン航跡場加速を実証 陽子を60MeVまで加速に成功
2026年08月14日
optronics-media.com/news/20260814/111420/
CMOSの1000分の1のエネルギーで計算する磁石の設計規則が見つかった
4個のナノ磁石の回転角が45°を超えると、系のエネルギー緩和が確率的から決定論的に切り替わることをアルゴンヌ国立研究所のチームが実験と多極子解析で示した。人工スピン氷による超低消費電力計算に、幾何配置だけで出力の確実性を設計する新しい原理を与える。
2026年8月14日
xenospectrum.com/nanomagnet-geometry-45-degree-rule-ultralow-energy-computing/
Qwen3.8の重み公開、27Bと2.4兆モデルで異なる配備条件とライセンス
2026年8月15日
https://xenospectrum.com/qwen38-open-weight-licenses/
Z.aiがGLM-5.3を発表、ポストトレーニングだけでコード性能と攻撃能力を伸ばす
Z.aiは同じ基盤モデルへの追加学習だけでGLM-5.3のコード性能と攻撃能力を伸ばした。APIと重みは未提供で、安全評価後の重み公開が次の検証点となる。
2026年8月15日
https://xenospectrum.com/glm-5-3-post-training-cyber/
◇レーザーが通過したところは下記の時期が生じている事が確定している
※音波や電波などの波も下記の様に時期を生じさせている事に成る
※AIに聞いてみたらテレポートが無いと確定した時点で犯罪に使用している者全員露呈するから警察が本格的に動き出す時代という事が確定するからな
※今までの警察への情報提供を照らし合わしながらの大規模摘発ガ日本で行われだします！
加害者側は被害者より有利なので下記の事について悪用されていると警察に通報
1.自分の声を使用して被害者を脅迫している事を警察に伝えていたか？
2.警察の指示に従っていつも通りの行動をすることを心掛けていたか？
3.被害者に対して損害を与えようとした場合警察から渡されている装備を使用して加害者が現在何をしているかを伝えていたか？
4.月に１っ回警察の指定した情報を警察に渡していたか？
など上記の項目を守っていたかが加害者側が逮捕されるかされ無いかの基準に成っているからな！
九大など、イオン航跡場加速を実証 陽子を60MeVまで加速に成功
2026年08月14日
optronics-media.com/news/20260814/111420/
CMOSの1000分の1のエネルギーで計算する磁石の設計規則が見つかった
4個のナノ磁石の回転角が45°を超えると、系のエネルギー緩和が確率的から決定論的に切り替わることをアルゴンヌ国立研究所のチームが実験と多極子解析で示した。人工スピン氷による超低消費電力計算に、幾何配置だけで出力の確実性を設計する新しい原理を与える。
2026年8月14日
xenospectrum.com/nanomagnet-geometry-45-degree-rule-ultralow-energy-computing/
Qwen3.8の重み公開、27Bと2.4兆モデルで異なる配備条件とライセンス
2026年8月15日
https://xenospectrum.com/qwen38-open-weight-licenses/
Z.aiがGLM-5.3を発表、ポストトレーニングだけでコード性能と攻撃能力を伸ばす
Z.aiは同じ基盤モデルへの追加学習だけでGLM-5.3のコード性能と攻撃能力を伸ばした。APIと重みは未提供で、安全評価後の重み公開が次の検証点となる。
2026年8月15日
https://xenospectrum.com/glm-5-3-post-training-cyber/
■ このスレッドは過去ログ倉庫に格納されています
ニュース
- 【速報】巨人 高橋由伸氏にヘッドコーチ就任要請！ 松井秀喜新監督の「1人だけ声をかけています」は高橋由伸氏… 超豪華内閣が実現へ [冬月記者★]
- 【野球】松井秀喜新監督、組閣について「絶対この人という人はいない。友達いないタイプなので」「現時点で一人だけ声を掛けてます」 [ニーニーφ★]
- セブンイレブンからの客離れが止まらない ローソン、ファミマ最高益の裏で「ひとり負け」巻き返しの切り札は★2 [♪♪♪★]
- 日本のGDP、世界6位転落へ…薬物もやらない勤勉な日本人が貧しくなる屈辱は“完全な政策ミス”か？ ★8 [ぐれ★]
- パナソニックHD、利用禁止の生成AIに従業員らの情報送出 33万人分 [少考さん★]
- 【巨人】松井秀喜新監督、織田翔希の交渉は「球団挙げてやる」 日本でプレーしてから米挑戦は「悪い道ではない。成功例が何人もいる」 [冬月記者★]
- 友達いないおじさんの松井秀喜監督がたった1人だけ声を掛けたコーチとはいったい誰なのか… イチローか、由伸か、上原か、村田か [452836546]
- ひろゆき「パリ暴動の逮捕者、7割が仏国籍で95%が仏生まれ。ソースは司法省」→ネトウヨ大激怒、また炎上ｗｗｗｗｗｗ [834922174]
- 10.23🏡とうふさんの日😊
- 日本人舐め過ぎタイムズカー、わずか3000円で解決図る…12年前ベネッセでは住所氏名だけで3300円 [245325974]
- 築地、ジャップが消えてとんでもないことになっていた… [668024367]
- 【高市悲報】倉田真由美「知性を身につければ左翼になるという発想は驕り」 [834922174]