数えたり絵を描いたりしたことで知られる日本のチンパンジー・アイが49歳で亡くなった。

2026/01/12 18:10

数えたり絵を描いたりしたことで知られる日本のチンパンジー・アイが49歳で亡くなった。

RSS: https://news.ycombinator.com/rss

要約

Japanese Translation:

Summary

アイは、驚異的な認知能力で世界中の科学者を引き付けたヒト科霊長類のチンパンジー女性でした。彼女は京都大学人類行動進化研究センター(Aiプロジェクト)で40年にわたる研究対象となり、数え上げ、色彩認識、シーケンス記憶、コンピュータと連携したキーボードを使用してメモリ研究に挑むスキルを持っていました。これらの能力は霊長類知能に関する前提を揺るがすものでした。5歳までに1から6までの数値命名をマスターし、300種類のサンプルそれぞれの数値・色彩・物体を識別できるようになり、この成果は松沢哲郎氏の1985年の論文で紹介されました。

1973年、西アフリカに生まれ、1977年から2022年1月9日、49歳で老衰と臓器不全により死亡するまで京都大学で暮らしました。認知テスト以外では、食事の動機付けなしにマーカーで絵を描くことや塗り絵を楽しんでいました。共同通信は、彼女が他の霊長類とともに鍵を使って檻から脱走したという報道もしました。

2000年にアイは「歩夢」という名の息子を出産し、彼もまた驚異的な記憶力で知られています。2017年にAiプロジェクト40周年を迎えた際、アイの絵画の1点がスカーフに転化され、霊長類学者ダイム・ジェーン・グッドールへ贈られました。

アイの遺産は子孫とチンパンジー認知研究の継続を通じて存続し、進化心理学、比較神経科学、動物福祉に影響を与えています。

本文

アイン(Ai)は、認知能力で世界的に有名なヒト科サルのチンパンジーであり、49歳で死亡しました。彼女が暮らしていた日本の研究機関によると、京都大学人間行動進化研究センターは、アインが1月9日に高齢および臓器不全により逝去し、スタッフに囲まれていたと報告しています。

西アフリカで生まれたアインは1977年に日本の研究機関へ渡り、「Aiプロジェクト」の名付け親となりました。このプロジェクトは「チンパンジーの心」を解明するための研究プログラムです。研究所が発表した重要な成果の一つとして、アインは数を使い色を区別できることが挙げられます。18か月齢の時に、コンピュータと連動した特製キーボードを与えられ、その装置を用いて記憶力や学習過程を研究しました。5歳になる頃には、1から6までの数名を呼び分けることができ、300種類ものサンプルに対して「数・色・物体」を正確に言い当てられるようになっていました(この成果はアインプロジェクトの原案者である松沢哲郎研究員による1985年の科学論文に記載されています)。

認知テスト以外では、アインは絵を描くことや塗り絵を楽しんでいたそうです。センター内の他のチンパンジーと同様に、食物報酬がなくてもマーカーで紙に乱筆する姿が見られました。共同通信によると、彼女は別の霊長類とともにケージを鍵で開けて逃げ出したこともあるそうです。2000年には息子・歩夢(Ayumu)を産み、歩夢もまた驚異的な記憶力で知られています。

アインプロジェクトの創設40周年となった2017年には、アインが描いた絵画から作られたスカーフが、著名な霊長類研究者であるジョーン・グッドウィル(Dame Jane Goodall)に贈られました。

同じ日のほかのニュース

一覧に戻る →

2026/01/13 4:27

了解しました!内容は明確で簡潔に保ちます。余分な改行や不必要な記号は入れず、リストがある場合は読みやすいようにきちんとインデントします。他にご要望がございましたら、お気軽にお知らせくださいね!

## Japanese Translation: **改訂された概要** CoworkはClaude Maxをベースにしたリサーチプレビュー・ツールで、現在はmacOSアプリを通じてMaxサブスクライバー向けに利用可能です。ユーザーが自分のコンピュータ上の特定フォルダへのClaudeのアクセス権を付与すると、そのフォルダ内のファイルを読み取り・編集・作成できるようになります。これにより、ダウンロードの整理、スクリーンショットからスプレッドシートを生成すること、散在したメモからレポートをドラフトするなどのタスクが便利に行えます。 標準的なチャットとは異なり、CoworkはAIにより大きな主体性を与えます。AIはタスクを計画し、実行し、進捗状況を提供します。このツールはClaude Codeと基盤を共有しており、非コーディングの文脈でもコード風の対話が可能です。ユーザーは既存のコネクター(例:ドキュメントやプレゼンテーション)をリンクしたり、Chromeとのペアリングでウェブ閲覧を行ったりして機能を拡張できます。AIは複数タスクをキューに入れ、並列実行することで前後のチャットを減らします。 制御権はユーザーに残ります:Claudeが見るフォルダとコネクターを選択し、大きな操作を行う前にプロンプトが表示されます。ただし、誤った指示でファイルが削除されたり、プロンプトインジェクションが発生するリスクもあるため、安全対策は継続的に開発中です。 このプレビューはフィードバックを集めることを目的としており、将来のリリースではデバイス間同期、Windowsサポート、強化された安全機能、および拡張されたコネクターオプションが追加される可能性があります。Coworkは個人向けにファイル整理を効率化し、手動監視を保ちながらファイルベースのワークフローを自動化する制御可能なAIアシスタントとして設計されています。

2026/01/13 1:04

**TimeCapsuleLLM:** 1800年〜1875年のデータのみで訓練された大規模言語モデル (Note: The length is preserved while using natural, polite Japanese.)

## Japanese Translation: ``` ## Summary TimeCapsule LLM プロジェクトは、歴史的な英語データのみを使用して言語モデルをゼロから構築し、現代のバイアス(「Selective Temporal Training」)を排除します。 - **Model evolution** - *v0* (16 M パラメータ、nanoGPT ベース) は約187 MB の1800年代テキストで訓練され、1800年代風の言語を生成しましたが、一貫性のない文になりました。 - *v0.5* (123 M パラメータ、引き続き nanoGPT) はコーパスを約435 MB に拡張し、文法・句読点を改善しましたが、高い幻覚と OCR ノイズに悩まされました。 - *v1* (700 M パラメータ、Phi 1.5 ベース) は約6.25 GB のデータで訓練され、歴史的事件や人物を正確に思い出せるようになりました。 - *v2mini‑eval1* (300 M パラメータ、90 GB London コーパス全体の15 GBサンプル) はわずか10 K ステップで訓練され、トークナイズ問題により「Who is Charles Dickens?」のような文字化けした出力が生成されました。 - *v2mini‑eval2* (v2mini‑eval1 と同じサイズ・データ) はチャールズ・ダーウィンについて極めて不連続なテキストを生成しました。 - **Dataset** 完全版 v2 データセットは1800–1875 年のロンドン テキストで 90 GB を含み、136,344 ドキュメントから構成されています。15 GB のサンプルは Hugging Face(https://huggingface.co/datasets/haykgrigorian/TimeCapsuleLLM-London-1800-1875-v2-15GB)で公開されています。 - **Training setup** *v0/v0.5* は GeForce RTX 4060 GPU、i5‑13400F CPU、および 16 GB RAM を使用しました。 *v1* と *v2mini‑eval1* はレンタル NVIDIA A100 SXM GPU 上で訓練されました。 - **Tokenization & evaluation** 時代固有のスペリングと語彙に対応するカスタムトークナイザー(vocab.json & merges.txt)を構築しました。出力は言語的正確さ、幻覚率、およびトークナイズ品質で評価され、バイアス統計は別途 v2 バイアスレポートに記載されています。 - **Future work** 今後の計画として、完全版 90 GB v2 データセットへの拡張、トークナイザーパイプラインの改良、およびより深いバイアス分析を実施します。 - **Impact** このプロジェクトは、歴史家・教育者・AI‑ethics 開発者が時代に即した言語モデルを必要とする際に有益であり、現代バイアスを減らすための時間的選択訓練(temporal selective training)の具体例として NLP コミュニティにも貢献します。 ```

2026/01/13 5:26

ファブリス・ベルラール氏のTS Zip(2024)

## 日本語訳: **概要** ts_zip は、GPU を活用したテキスト圧縮ツールであり、RWKV 169M v4 大規模言語モデル(パラメータを 8 ビットに量子化し、BF16 で評価)を使用してトークン確率を予測し、その予測に基づいて算術符号化を適用します。従来のツールよりも高い圧縮率を達成しています: - alice29.txt – **1.142 bpb**(21,713 B) - book1 – **1.431 bpb**(137,477 B) - enwik8 – **1.106 bpb**(13,825,741 B) - enwik9 – **1.084 bpb**(135,443,237 B) - linux‑1.2.13.tar – **1.021 bpb**(1,196,859 B)。 RTX 4090 上では、ツールは約 1 MB/s の速度で圧縮し、同程度の速度で解凍します。システムに少なくとも **4 GB の RAM** があることが前提です。ts_zip は実験的なものであり、バージョン間の後方互換性は保証されません。また、その性能評価は GPU/CPU またはスレッド数に依存せず、決定論的に行われます。この手法はプレーンテキストファイルで最も効果を発揮し、バイナリデータではエントロピーの削減がほとんど得られません。主に英語で訓練されていますが、他言語やソースコードにも比較的適切に対応します。 ダウンロードリンク: - Linux tarball: `ts_zip‑2024‑03‑02.tar.gz` - Windows ZIP: `ts_zip‑2024‑03‑02-win64.zip` 将来のリリースでは、圧縮率をさらに向上させ、言語サポートを拡大し、可能ならファイルタイプの取り扱いを追加しつつ、ハードウェア間で評価が再現できるようにすることを目指します。GPU リソースを持つユーザー(データアーカイブ担当者や大量テキストコーパスを管理する開発者など)にとって、速度を犠牲にせず高い圧縮率を実現できる最適なツールです