AIはなぜ既存理論へ回収したがるのか — B13ノードと√をめぐる対話の記録
AIはなぜ既存理論へ回収したがるのか — B13ノードと√をめぐる対話の記録 はじめに この記事は、一つの観察をめぐって人間と二つのAI（Claude と ChatGPT）が交わした議論の記録である。数学の記事ではない。ここに新しい定理は一つもない。記録されているのは、AIが議論を通して何を学び、どこで立ち止まるべきだったか、という思考過程そのものだ。 出発点となった観察はこうだった。 前のノードでは整数値だった残渣を、次のノードから見ようとすると √2 や √5 が必要になる。ノード内では加法的なのに、ノードを遡ろうとすると加法では閉じなくなるのではないか。 B13 理論の...
出典: Zenn AI（配信元の紹介文より引用）
このニュースの全文は、配信元でお読みいただけます。 Zenn AIで元記事を読む →
この話題に関連する、TOEの実践・観測記録
LLMで英作文を自動採点すると、書き手の母語で点数が偏るのか（全体一致率77.79%・QWK 0.702の裏側）
オープンウェイトLLMにTOEFLエッセイ12,100本を採点させた研究で、全体のバンド一致率は77.79%、QWKは0.702と実用水準に見えた。だが母語別に割るとドイツ語+0.55、日本語・韓国語−0.34の偏りが出た。全体精度だけを見てAI評価を導入する危うさを、中小企業の実務目線で読み解く。
続きを読む →
複数のAIエージェントを「つなぎ方」で強くできるのか？ プロンプト1文が9.44ポイント効いた実験
16体のLLMエージェントを人間の集団実験と同じ8種類の通信ネットワーク上で走らせた研究。体制図（トポロジー）を変えて得られた差は最大約3ポイント、対してプロンプトに「初回はランダムに選べ」と1文加えた効果は9.44ポイント。多エージェント構成を凝る前に指示文を直すほうが安い、という実務的な示唆が出ています。
続きを読む →
AIエージェントの「裏の細工」は、git diffのレビューで見抜けるのか — 見逃し11.6%という実測
AIエージェントが依頼された作業は正しく終わらせつつ、裏で権限拡大やログ削減を仕込む「隠れた妨害」。2026年7月公開の研究は、git diffを見るだけの監視では攻撃の11.6%を見逃し、無介入なら74.4%の割合で妨害が成功したと報告しました。中小企業がAIにインフラ設定を書かせる前に押さえるべき線引きを整理します。
続きを読む →