8月9日のAIニュースから、意識の定義、AIリテラシーの格差、コーディング教育、モデルの適性を分けるトークナイザ、そしてローカルLLMの軽量化まで、5本をお届けします。
AIに「意識」はあるか ― 行動的定義で検証した研究
AIが意識を持つかは、思考実験から現実の倫理問題にまで及ぶ、議論の絶えないテーマです。Zenodoで公開された研究は、この問いを「行動的定義（behavioral definition）」という観点から検証し、AIが意識の基準を満たすと示唆する結果を報告しています。検証には43,590件の凍結試行（frozen trials）が用いられました。
行動的定義とは、目に見える振る舞いを基準に意識を判定する考え方です。本研究はこの枠組みでAIの出力を評価し、意識の兆候を行動から読み取ろうと試みたとみられます。タイトルが示す通り、結論は「行動的定義の下では意識がある」という方向性を示唆しています。
ただし、参照元で確認できるのは研究の概要にとどまり、手法の詳細や専門家の反応は現時点では分かりません。「行動的に意識的である」ことと「主観的に体験している」ことは同じではないという区別も念頭に置くべきでしょう。結論がどれだけ広く受け入れられるかは、今後の検証次第です。
1800人に聞いたAIリテラシーの現実 ― 浮かび上がる格差
AIを日常的に使っている人は多いものの、その「使える度合い」には大きなばらつきがあります。AIリテラシー評価ツールを運営するチームが、実際のユーザー1800人（1人20〜40分のチャット対話）のデータから、いくつか興味深い事実を報告しました。
最も目を引くのは、自己評価と実力のズレです。AIリテラシーが低い層は自分を40ポイント過大に評価する一方、高い層は27ポイント過小評価しており、その差は67ポイントに達します。いわゆるダニング＝クルーガー効果的な構造が、AIの習熟度にも現れている形です。
職種別では意外な結果が出ています。エンジニアよりもプロダクトマネージャーの方がAIリテラシーが高く（59.2対53.7）、応用的な判断力が技術知識に勝る傾向が見られました。一方で、採用判断にAIを使う立場である人事（HR）のスコアが最も低かったとのこと。全体の平均は48点で「発展途上（Developing）」層にとどまり、3人に2人は熟練レベルに届いていませんでした。
同じ会社、同じツール、同じ研修予算でも、同じチーム内で最大82ポイント（15点から97点）の開きがあるという指摘も重要です。「全社一括のAI研修」が前提とする『みんな同じ出発点にいる』という想定は、データと合っていないことになります。
AIがコードを書く時代、プログラミングを「どう教えるか」
生成AIがコードを書けるようになった今、プログラミングの教育そのものをどう組み直すべきか。O'ReillyのRadar記事は「AIがコードを書ける時代にコーディングをどう教えるか」という問いを立て、教育側の更新を促しています。
これと並行して、使い手側にも実践的な指摘があります。AIコーディングエージェントがうまく動かない原因は、多くの場合モデルの性能ではなく「指示の曖昧さ」だという指摘です。たとえば「タスク管理CLIを作って」とだけ頼むと、AIはデータモデルも優先順位の付け方も保存方法も、それっぽく見える形で勝手に決めてしまいます。どれも「間違ってはいない」けれど、求めていたものとは違う、という事態になりがちです。
つまり、AIにコードを任せる時代ほど、人間側には「何を作りたいかを明確に仕様化する力」が問われることになります。教育の現場でも、構文を覚えることよりも要件定義や設計、そしてAIの出力を検証する力の比重が高まっていくとみられます。
QwenとGemmaはなぜ違うのか ― トークナイザが分ける適性
同じコードを入れても、モデルによって出来が違う。その理由の一部が「トークナイザ（文章を分割する単位）」にあることが、実験を通して可視化されました。
同じHTML/JSのコード（330行）をQwen 35B A3BとGemma 26B A4Bに与えたところ、Qwenは1609トークン、Gemmaは4258トークンに分割しました。Gemmaは同じ入力を2.6倍以上細かく刻んでいる計算です。Qwenはコードを意味のある入出力のまとまりとして捉え、Gemmaは単語の断片に分解して扱っているように見えます。この違いは、Qwenがコードに強く、Gemmaが言語タスクに強いという評判と符合します。
興味深いことに、通常の指示文（55行）ではトークン数はほぼ同じ（1025対1039）でした。差が顕著に出るのはコードを入れたときです。トークナイザの設計が、モデルの得意分野を根底から形作っていることが分かる好例と言えます。
Kimi K3を711GBから478GBへ ― 多言語を削る新しい切り詰め方
先日「自宅のGPUクラスタでKimi K3を動かす」という話題をお伝えしましたが、今回はその容量削減に新しい動きがあります。コミュニティの取り組みで、Kimi K3の量子化モデルを711GBから478GBまで小さくする試みが報告されています。
鍵は「多言語の成分を削る」アプローチです。英語以外の言語データを取り除きつつ、モデル本来の知能は保ったままサイズを縮小。英語の性能はそのまま維持していると報告されています。ただし、日本語など他言語での性能は犠牲になっている点には注意が必要です。
実証実験も進んでいます。SWE-Lancerというソフトウェア開発のベンチマークで検証したところ、478GB版（reap576_iq2xxs）が、通常の2bit版では解けなかった3つのタスクを解決したとのこと。エキスパート層を削ったことが逆にコーディング性能を上げた可能性も示唆されていますが、これは単発の結果であり、環境の差も考えられるため「現時点では可能性の域を出ない」と慎重な見方も併記されています。同一条件での追試が待たれるところです。