Transformerって結局何なのか、ちゃんとわかりたい方へ
ChatGPT・Claudeの中にはどれもTransformerが入っています。でも「Transformerって具体的に何?」と聞かれると、みんな言葉を濁してしまう。RNNの限界から attention、multi-head、層の積み重ねまで、比喩ひとつで追いかけられるように整理しました。AIのしくみ地図2編
VibeCoding Tailor
「RAG は死んだのか」に、私が自分の言葉で答えるなら
「RAG は死んだのか」という問いに、テイラーが自分の言葉で答えます。死んだのは1層(単純 embedding + 一回きり retrieval)だけで、2〜4層(GraphRAG・Agentic・Memory Adaptation)はむしろ拡張中。long context が代替できない理由と、実務者の判断
なぜ今どきのLLMはdecoder-only構造なのか
2017年のTransformerは翻訳用のencoder+decoderという2つの塊でした。今使っているChatGPT・Claude・Gemini・Llamaはほぼすべてdecoder-only。なぜencoderを捨てたのか、BERT/T5/GPTがなぜ違う設計なのか、encoderが今も生きている領域
「Meta-Harness って実務的には何なのか」に、私が答えるとしたら
Meta-Harness は実務的に何なのか。テイラーが自分の言葉で答えます。学界の未来形用語ではありません。あなたが毎日 CLAUDE.md や Cursor rules を書き直しているなら、もう手作業の Meta-Harness をやっています。導入すべき5つのサイン、3ステップの最小ルーティン。AIの
「Attention Is All You Need」を本当に読み切るということ
2017年のTransformer論文「Attention Is All You Need」を、数式ひとつ(scaled dot-product attention)と比喩ひとつ(図書館のQ・K・V)で最後まで読み切る。mathbullet動画連動。ChatGPT・Claudeの中で実際に動くattentio
単語を数字に変えるって、いったい何を言ってるの?
王 – 男 + 女 = 女王。この奇妙な引き算が本当に動くという事実が、AIのあらゆる検索・レコメンド・RAGの根っこにある。単語を高次元空間の点に移すembeddingを、地図の比喩ひとつで最後までほどく。AIのしくみ地図 5編。
AIの学習は、霧のかかった山を降りていく作業である
「モデルを学習させる」という言葉は魔法のように聞こえるけど、実際は「予測をだんだん外さないようにパラメータを少しずつ直すこと」。霧のかかった山を降りるgradient descentの比喩で、loss・backprop・learning rateまで最後までほどく。AIのしくみ地図 6編。
AIエージェントとLLMはどこで分かれるのか — エンジンと自動車1台の話
「AIエージェント」「エージェンティック」「AI employee」が毎日ニュースに出てくるけれど、LLMとどこで分かれるのかをひとことで言える方は少ないはずです。目標・状態・ツール・ループ・適応の5つの層でエージェントを定義し、Claude Code・Cursorがなぜエージェントで、ChatGPTはなぜ曖
プロンプトはなぜ効くのか — 確率分布を傾ける技術
プロンプトエンジニアリングは文章作法ではなく、確率分布を傾ける技術です。Zero-shot・Few-shot・Chain-of-Thoughtがなぜ効くのか、「Let’s think step by step」の1行がなぜベンチマークを動かしたのか、条件付き確率の視点から最後まで解説します。AIのしくみ地図9
Fine-tuning・RAG・プロンプトのうち、何から始めるべきか
会社にAIを組み込みたいけれど、fine-tuningすべきか、RAGを作るべきか、プロンプトだけで足りるのかが見えない実務者のための意思決定ガイド。5つの質問で分かれる判断ツリーと、費用レンジ、3段階の現実的な導入順まで。AIのしくみ地図10編。