今日のポイント
- ゴールドマン — ゴールドマン・サックスが銀行員とトレーダーから Claude Code を引き上げ、コーディングエージェントの利用をエンジニアリング組織へ収束させたと報じられています。
- Willison — Simon Willison の話では、彼は普通の Claude Chat で、同じ会話の中で先に書いておいた Three.js の 3D デモを、Claude Opus 5.5 Medium にネイティブ JavaScript と WebGL の版へ移植させました。
咸話咸説のデイリーAIシチュー、Robin がお届けします。
ゴールドマン・サックス、銀行員とトレーダーの Claude Code 権限を取り上げ、工具は約 1.2 万人のエンジニアだけに
ゴールドマン・サックスが銀行員とトレーダーから Claude Code を引き上げ、コーディングエージェントの利用をエンジニアリング組織へ収束させたと報じられています。
報道によると、ゴールドマン・サックスは銀行員とトレーダーの Claude Code アクセスを取り戻しつつあり、Anthropic 製コーディングエージェントの同投資銀行内での展開が明らかに縮小されました。報道で挙げられた懸念は、セキュリティ、コンプライアンス、ガバナンス、コスト管理です。はっきりさせておくべきは、このニュースは二次報道であり、ゴールドマン・サックス自身の一次発表はないため、回収の正確な範囲、発効日、運用事故が引き金になったかどうかは、現時点の材料からは確認できません。それでも、厳格に規制された金融機関がコーディングエージェントの利用範囲を引き締めること自体が、注目に値するシグナルです。
Claude Code や GitHub Copilot のようなツールは、チャット窓でテキストを返すだけの存在ではありません。作業マシンの上でコードを生成し、実行まで行えます。銀行に持ち込むということは、実行権限、データアクセス、アカウント認可、監査証跡、承認フローを管理することを意味します。ゴールドマンは以前、これらのツールをソフトウェアエンジニアリング以外へ広げ、銀行員やトレーダーが市場モデルや顧客資金フローの作業に使っていました。報道された 10 月の社内ガイダンスでは、アクセス範囲が約 1.2 万人のエンジニアに絞られ、大規模な試験からより厳しいガバナンスへ移行したといいます。
報じられた結果はこうです。ゴールドマンの銀行員とトレーダーは Claude Code と GitHub Copilot の権限を失い、この二つの高度なツールは約 1.2 万人のエンジニアだけに残され、セキュリティ・コンプライアンス・認可・課金での露出が下がります。
コメント欄の関心はリスクに集まりました。半分無人に近いエージェントが金融実務者のマシンで動き、同時に機密データ・メール・インターネット・社内ネットワークへ手が届く状態です。ある機関は Claude を制限した理由を繰り返し発生する課金超過に挙げ、より予測しやすい課金とレート制限の挙動を持つ Gemini の方式を好むと述べました。他の人々は、銀行が求める認可・監査証跡・承認チェーン・プライバシーの要件や、法的・規制上のエクスポージャーに触れています。運用上の損失があったのではないか、ゴールドマンのタイミングは Anthropic の IPO と関係するのではないかと推測する声もありましたが、証拠は示されていません。
このニュースを現在のエンタープライズ AI の地図に置くと、問われているのはどのモデルが強いかではなく、コーディングエージェントが規制された業務の現場に入った後、誰が「どこで・どんな権限で・どんなデータに触れたか」を説明できるかです。報道は、今回の権限縮小が特定の事件と関係するか、再開の条件は何かを語っていません。同じ議論の中で、課金やレート制限といった運用レベルの違いも、金融機関でツールが生き残れる期間を左右する力を持っています。
この報道が事実なら、要点は禁止行為そのものではなく、企業がエージェントツールの境界を引き直したことにあります。ローカルでコマンドを実行しシステム環境に触れられるコーディングエージェントと、ウェブの入力欄でテキストを生成するだけの Q&A アシスタントでは、ガバナンスの難易度がまったく違います。前者を先にエンジニアリングチームへ戻すのは、未知のリスクに対して厳格な規制機関が取れる最も安価な防御です。副次的に見えるのは、以前の業務職への展開がむしろストレステストであって確定事項ではなかったという事実です。今後の焦点は、ゴールドマンがいつ一次情報を確認するか、そして他の大型金融機関が同じ引き締めに続くかです。
Kimi-K3.1-Pro-Coder の実験的混合精度量子化、1.77TB を 775GB へ圧縮
オープンソースコミュニティが量子化実験を公開しました。2.8 兆パラメータの Kimi-K3.1-Pro-Coder を 1.77TB から 775GB へ圧縮したというものです。
ある作者が、2.8 兆パラメータの Kimi-K3.1-Pro-Coder に対する実験的な混合精度量子化を公開しました。サイズは 1.77TB から 775GB へ下がり、56% の削減です。手法は、ルーティングされる MoE エキスパートを 3 段階の精度で保存し、共有エキスパート・attention・embedding は BF16 または F32 のまま残すというものです。3 段階は 2.81、2.56、1.44 bpw で、平均は約 1.92 bpw。ベースモデルは約 4.0 bpw です。
合わせて公開されたのは Strata です。GPU VRAM・ピン留めされたホストメモリ・NVMe の 3 層で動くオフロードエンジンで、router lookahead によるプリフェッチを行います。さらに dr-triton の融合デ量子化カーネルも添付されています。テストは Colab の NVIDIA RTX PRO 6000 Blackwell 1 枚（VRAM 96/102GB、メモリ 176GB）で行われ、93 層すべてと lm_head をカバーしました。AIME 2025 と LiveCodeBench はどちらも 29/30、つまり 96.67%。トークンの一致率は top-1 が 95.20%、top-5 が 99.92%。スループットはバッチ 36.8 TPS、単一ストリーム 10.8 TPS です。perplexity の変化は、AIME で +1.01%、hard LiveCodeBench で +2.02%、LiveCodeBench 全体で +2.67% でした。
この方式は独自のパックドテンソルレイアウトを使うため、ストックの llama.cpp や vLLM とは互換性がありません。ユーザーは自分の VRAM・メモリ・NVMe の構成に合わせて Strata を設定でき、独立したデ量子化モジュールを自作の PyTorch や Triton ランナーに組み込むこともできます。
Kimi K3.1 Pro は Moonshot AI の 2.8 兆パラメータのオープンウェイト MoE モデルで、Kimi K3 からポストトレーニングされ、コンテキスト窓は 100 万トークンです。トークンごとに活性化されるのはルーティングされたエキスパートの一部ですが、エキスパート全体は保存しておく必要があり、推論時にはデバイス間で運搬が必要になることもあります。混合ビット幅量子化はエキスパートごとに異なる精度を割り当てて保存を圧縮し、階層オフロードは熱い重みを VRAM へ、温かいものをメモリへ、冷たいものを NVMe へ置き、プリフェッチで転送遅延を覆い隠します。
作者はこの結果を、大衆向けの展開案ではなく実験的なストレステストと位置付けています。775GB のダウンロード量とハードウェアの敷居は依然として立ちはだかり、データはすべて自己申告です。
だからこそ、その価値は実現可能性の検証に近いものになります。3 段階のビット幅は許容できる品質低下を数値化し、階層オフロードは「VRAM が足りない」という問題をエンジニアリングの調整課題へ変えました。ただし代償として、ツールチェーン全体を付け替える必要があります。この重みを本当に動かすには、ストレージとメモリに加えて、少数のランナーしか理解しない重みレイアウトを受け入れる覚悟が要ります。
この実験の真の価値は、作者が圧縮の代償を精度と速度の完全な台帳にまとめ、体積の削減率だけを叫ばなかった点にあります。後続の再現に基準面を残したのです。ただし、独自テンソルレイアウトと専用オフロードエンジンに依存するため、既製の推論フレームワークはそのままでは使えず、再現性は作者個人の付属スクリプトに大きく縛られます。次に注目すべきは、主流の推論フレームワークがこの階層量子化の発想を取り込むか、そしてそのデ量子化モジュールが独立した標準コンポーネントとして定着できるかです。
コミュニティ開発者が Windows の AI 学習スタックを Kepler から Turing の旧カードへ移植、ネイティブ CUDA の Mamba-1 が動く
ある開発者が Windows 上の AI 学習スタックを古い NVIDIA GPU へ移植し、10 年前の Tesla K40c でもネイティブ CUDA 版の Mamba-1 が動くようになりました。
あるコミュニティ開発者が、Windows 上の AI 学習スタックを、NVIDIA の Kepler から Turing（SM 3.5〜SM 7.5）までのカードへ移植しました。これには CUDA 11.8 でコンパイルし legacy SASS を保持するカスタム PyTorch 2.7.1 wheel、causal-conv1d 1.7.0、ネイティブ CUDA の Mamba-1、そして Kepler カード間で分散データ並列学習を行える Windows 向け NCCL が含まれます。
開発者の報告では、純 CUDA 実装の Mamba-1 が対象アーキテクチャで動作し、2013 年製の Tesla K40c 上での PyTorch リファレンス実装との最大絶対誤差は 3.8e-06 でした。Mamba-2 と Mamba-3 は Triton と TileLang に依存するため、当面は Turing（SM 7.5）以降のみの対応です。より古いカードでは、これらのモジュールが利用できない場合に自動的に Mamba-1 へフォールバックします。
作者は、ローカルでの検証が Kepler までしか終わっておらず、広範なベンチマークや性能データも提供されていないことから、Maxwell と Pascal での追加テストを願っています。自己申告の発表として、K40c という一枚を超えた可用性や性能の主張は、まだコミュニティの検証を待つ段階です。
仕組みから言うと、Mamba は言語モデリングのような情報密度の高い負荷向けに設計された状態空間系の系列モデルで、ハードウェアに寄り添うカーネルで速度を稼ぎます。ネイティブ CUDA の Mamba-1 は新しい経路の Triton と TileLang への依存を迂回するため、現代の AI スタックがもうサポートしない Kepler から Turing のカードで動かせます。この移植は、legacy SASS の PyTorch 2.7.1 Windows ビルドを CUDA 11.8、causal-conv1d、NCCL と組み合わせたものです。
言い換えれば、この経路の意義はベンチマークの得点ではなく、主流ツールチェーンに置き去りにされた一群のカードを学習の流れへ戻すことにあります。Windows で欠けていた wheel、欠けていたカーネル、欠けていた通信ライブラリが個別に補われ、適用境界が明示されました。これらのマシンが実際の学習でスループットに耐えられるかについては、作者はデータを示しておらず、カード横断の通用も主張していません。
この移植は逆方向の事実も示しています。多くの古い計算カードが現代の学習フレームワークから退場させられたのは、シリコンが計算能力を失ったからではなく、ソフトウェアツールチェーンが選択的に見限ったからだという現実です。手書きの純 CUDA で現代のコンパイラ依存を迂回することは、確かに旧カードの活路を開きました。しかしこれは堅実な本番案というより、ギーク的な実現可能性の探求です。古い計算資産を手元に持つ研究室には、低コストで試せる代替経路を提供します。今後の焦点は、他のアーキテクチャでのコミュニティの実測がその安定性を支えられるかです。
Simon Willison が Claude に 3D デモをネイティブ JavaScript と WebGL へ移植させる
Simon Willison は公開実験として、Claude に自分が以前書いた Three.js の 3D デモをネイティブ JavaScript と WebGL へ書き換えさせました。
Simon Willison の話では、彼は普通の Claude Chat で、同じ会話の中で先に書いておいた Three.js の 3D デモを、Claude Opus 5.5 Medium にネイティブ JavaScript と WebGL の版へ移植させました。彼は三つのものをすべて公開しています。元の 77KB の Three.js 版、98KB の移植版、そしてその会話の記録です。両者の出力は完全には一致せず、Willison 自身も差異がどこにあるのか完全には理解していないと語ります。
彼は非公式な比較を行い、Three.js 版のコードの方がやや読みやすいと感じました。ただし彼は、こうした種類のプロジェクトのコードをそもそもほとんど読まないとも説明しており、これは体系的なベンチマークではなく個人的な実演に近いとしています。
対で並ぶ、すぐ開ける成果物と会話の記録によって、これは自ら手を動かして検証できる、AI 支援の移植事例になりました。元の材料は、結果の再現性や出力の一貫性、そして開発プロセス自体が広く変わったことを証明するものではありません。
注目に値するのは、彼が差異を記録したやり方です。「モデルは強い」と一言まとめるのではなく、二つの版と過程を並べて広げ、どちらが読みやすいか、差異はどこに出たかを自分で判断できるようにしています。この検証可能な姿勢は、どんな評価の結論よりも、今のモデルが人の代わりにどこまでできて、どこで説明しきれないのかを物語っています。
この事例の中核的な価値は、全過程の率直な公開にあります。会話の文脈と対になった成果物がすべて公開され、疑う者にほとんど見ない完全な再検証の糸口を与えています。作者自身がその技術スタックの専門家ではなく、両端の出力は完全には揃っていないと認めており、これが実演の境界を明確にしています。それは生産性の約束ではなく、単発の探索サンプルなのです。次に追うべきは、まったく同じプロンプトと手順を辿る他の開発者が、グラフィックススタックをまたぐ移植で一貫した出力を得られるかです。
Willison がエージェント書きの PR 説明を折りたたみ、上に人の書いた導入だけを残す
コーディングエージェントが生成する冗長な PR 説明に直面して、Simon Willison は折りたたみタグで機械の詳細を人間の要約の下へ収めるやり方を始めました。
Claude Code や Codex のようなコーディングエージェントは、今や Simon Willison のためにたくさんの PR を開いています。コミットをまとめ、決定を記録し、検証の過程を書き残す。記述は正確で十分に詳しいのですが、密度の読み心地は機械生成の水増しテキストのようで、本人すら読む気になれない。そこで、有用な詳細を失わないまま、人間がキュレーションした導入層が必要になったのです。
彼のやり方はこうです。エージェントが書いた完全な説明を GitHub が対応している details と summary の要素に入れ、レンダリングすると必要な時に展開できる折りたたみ見出しになります。その上に、この変更の目的と一目見る価値を説明する短い導入を選んだり書いたりし、場合によっては新機能を最速で伝えるスクリーンショットを一枚添えます。詳細な説明は折りたたみの中にそのまま残り、summary にはモデル名が、時には effort レベル（たとえば Claude Opus 5.5 Medium）まで明記され、この文章の出どころがはっきりわかるようになっています。
最近のいくつかの例はどれもこの型です。作り直されたテーブル行ページ、より分かりやすいページ送り、必要時に読み込む編集スクリプト、プラグイン hook、OpenAI 互換エンドポイントを管理するコマンド。
この方法は AI 生成の詳細を捨てるのではなく、PR を人間が確認した要約を軸に組み直します。完全性を保ちながらページをより走り読みしやすくする。読み進められない生成テキストの一面とは違うのです。
さらに覚えておきたいのは、ツールに対する彼の姿勢です。エージェントは過程を余さず書き、人は読者が最初に何を見るかを決める。レビュアーが PR を開いて最初に目にする画面は人が書き、その下に機械が残した証拠のすべてが続きます。責任と追跡可能性は、折りたたまれてはいません。
この技は、エージェント生成テキストの過剰という問題に対する非常に実務的な答えです。モデルに必要な詳細を削らせるのではなく、人が導いた導入と折りたたみタグで人間のレビューリズムを取り戻します。より示唆的なのは、折りたたみタグの中にモデルのバージョンと思考の強度を残すやり方で、機械生成コンテンツへの軽量な透かしと来歴の仕組みになっています。マルチエージェント協業がチームの研究開発に広がるにつれ、この責任主体を明示する習慣が協働の一般的な規範へ育つかどうかは、見届けるに値します。
今日の五つのニュースを並べると、片側には規制の厳しい機関がコーディングエージェントの権限境界とガバナンスコストを測り直す姿があり、反対側には開発者たちが大規模モデルを極限まで圧縮し、旧ハードウェアに学習能力を取り戻させ、日常の中で人機協働の境界を探る姿があります。技術は沈み込み、エンジニアリングは実務的になっています。
🎧 本エピソードはポッドキャストでも配信中：デイリーAIシチュー · 2026-11-09 を聴く。