Ubuntu User Blog

記事の変更日：2026/09/26　評価を追記 1.概要 この記事は2023年の1月の記事です。記事の作成日が新しい理由は、記事のURLが同じになってしまいURLに数字列がついてしまったので変更をしました。日付は新しいのですが、2022年12月から2023年1月に似た記事があるので、作成された時期はわかります。 ３目並べをプログラムすることでAlphaGoの学習をすることが目標でした。Tensorflowを利用した最適解の計算手順は当時とても苦労をしたので備忘録として残すことにしました。 AlphaGoの勉強過程で３目並べを学んでいます。前回までTensorflow-1.15を利用しました。今回からTensorflow-2.9に実行環境を変更して、tensorflow-1.15と同じことを実行します。tensorflow-1.xとtensorflow-2.xの比較をするために、できるだけtensorflow-1.15の設定やコードを変更せずに、実行するために必要な最低限の変更に留めます。 私の評価は以下の通りです。 (1) Tensorflow-1.xとTensorflow-2.xで結果は変わらない気がします (2) Pythonで３目並べのコード記述とtensorflowによる学習は、同等の成果が出ます (3) 何か問題を見つけた場合、データ依存で学習するので、修正することはとても難しい (4) 学習方法で結果が変わるので、データ量を増やすことの検討が必要 2.詳細 学習 (a) 概要 ３目並べのフィールドを３☓３のイメージと考えて、手書き文字認識の手法を利用します。利用する環境はtensorflow-2.9環境です。入力データはminimax法で活用したすべての手順(9!=362880)の組み合わせの中から勝負が決まった時点の３目並べのフィールド情報と結果（勝ち、負け、引き分け）を利用します。 tensorflowで利用できる形式に変換し、学習をしてモデルを作成し、モデルを利用して３目並べの対戦をします。元情報がminimax法で解析した情報なので、tensorflowによる学習結果がminimax法まで到達できると最高の結果です。大まかな手順は以下の通りです。 (1) minimax法の解析を利用して学習用入力データを作成 (2) 作成した学習用入力データを利...

記事の更新日：2026/09/28　タイトルを短くして、概要に記載 1.概要 この記事はOpenMythosに関して記述した記事を統合した記事です。Claude Mythos（クロード・ミュトス）は、米Anthropic（アンソロピック）社が2026年4月に発表したAIモデルで、その技術をOSSで実現したものとして、当時、話題になりました。 特徴は、熟考ループです。しかし、Pytorchを利用してPythonのロジックで実現することができ、試験利用が一巡するとOpenMythosの興味は冷めてしまった気がします。個人で検証をしたのでその内容を整理します。 LinuxMint 22.3のオンプレミスでGPUを利用してOpenMythosを動かしました。しかし、OS更新で構築環境の整合性が取れずに動作しなくなる場合があり、Docker環境で動かすことにチャレンジしました。その内容を記述します。 私の評価は以下の通りです。 (1) OpenMythosとClaude Mythosは別物です (2) OpenMythosはGPU付きモデルが前提でGPUなし環境では動作しません (3) 特徴は熟考ループですが、Pytorchを利用して実現することができます (4) 試験利用が一巡すると興味は冷めました (5) nvidiaの1050Tiと1660 Superを利用した試験をしました 2.詳細 LinuxMint 22.3が導入され、nvidiaのGPUがHWとして認識されている状態を想定します。 利用した機器は、amd 3200G, nvidia-1660 superです。 Docker環境を利用することでContainer内部に必要なPython3環境を準備できてpython3-venvも不要となり、操作も楽になります。利用したubuntu-24.04ベースのContainerはUser:Ubuntuが存在し、ContainerとLocal間のデータを楽にできるようにLocal上のUserとuid:gidが同じにしています。 オンプレ構築部分は参考資料(OpenMythosをLinuxMint 22.3に環境構築してみました)を参照願います。 (1) nouveauの無効化 /etc/modprobe.d/blacklist-nouveau.conf作成 # nvidia(...

記事の更新日：2026/09/12 1.概要 lizzieとleela_zero組合せると囲碁AIを自分のPCで楽しむことができます。lizzieは囲碁のユーザインターフェイスで、leela_zeroはAI機能部分です。leela_zeroはCPU版とGPU版があり、GPU版の利用を推奨します。 私の評価は以下の通りです。 (1) GPUがあると性能面でも満足できますが、CPUだけでも十分遊べます (2) alpagoを目指して開発されており、とても強い (3) lizzieはユーザーインターフェースの碁盤を実現し、とても使いやすい (4) 囲碁ファンならば欲しくなる環境だと思います 注意事項　ライセンス・著作権およびマナー ライセンスの遵守： 「Lizzie」および「Leela Zero」はオープンソース（GPLライセンス等）に基づき公開されています。これらを用いた研究、ソースコードの改変、派生ソフトの配布を行う場合は、各開発者のライセンス条項を必ず遵守してください。 配信・SNSでの取り扱い： AIが提示する「勝率（%）」「候補手」「目数差」などの検討画面をライブ配信やSNSで公開する際は、主催者の配信ガイドラインや、対局者のプライバシー・心情に十分ご配慮ください。 著作権の尊重：  各ソフト本体、および読み込んでいるネットワークファイル（重み付けデータ）の著作権は各開発者に帰属します。許可のない商用利用や、規約に反する不正な再配布は行わないでください。 注意事項【熱注意】通気口をふさがないでください！ AI動作中はPCが非常に熱くなります。周囲に物を置かないようご協力をお願いします。 2.詳細 HW環境は、AMD 3200G, Memory 16GB, SSD 256GB, nvidia 1660 superです。 SW環境は、LinuxMint 22.3, kernel-6.14, nvidia 580, CUDA 12.9です。 ディレクトリ構成は以下の通りです。 ~/lizzie             : 作業ディレクトリ ~/lizzie/leela-zero　: leela-zero導入ディレクトリ ~/lizzie/lizzie     :...

記事の更新日：2026/09/29　評価を加筆 1.概要 パーソナルAIアシスタントのOpenClawが注目されています。 どのような物であるか調べてみましたが、実際に動作させるところまでは実施していません。 理由は、良く知らない製品で、セキュリティ対策を取れる自信が持てなかったためです。 この点に関して、下記参考資料をネットで見つけました。良く整理されています。 OpenClawを取り巻く脅威を踏まえた「安全な」運用はあり得るのか？ そこで、私が感じたこと、その内容を記述します。 (1) OpenClawは良くわかりません、まず、学ぶことが必要です (2) 行動を起こす前に、行動を起こした方の結果を良く学習して理解を深めます (3) 良くわからないものに権限を与えて、費用が必要な処理はしてはいけません (4) AIは個人の意思に反する行動もありえます。慎重さが大切です  2.詳細 (1)感じたこと まず、何であるかに関して、下記ネット記事の文面がぴったりな気がします。 OpenClawは一言でいうと、「AIエージェントのためのマルチチャネルGateway」です 【2026年最新】OpenClawとは？ AIエージェントを自分のPCで動かせるオープンソースツールの導入ガイド 次に、利用する上で何が問題になるかは、 PCにAIを利用して様々なことをさせてしまうことだと思います。 自分で管理制御できる範囲とそれ以外の境界線が不明瞭になるので、 セキュリティ上の問題が発生しそうな気がします。 技術的な点では、AIに接続するためのTokenを登録してしまうので、 OpenClawに制御権を渡すことだと思います。 OpenClawもProgramなので、どのようなロジックが存在するかはブラックボックスです。 (2)導入のこと LinuxMint-22.3を利用して、導入作業を実施しました。 下記記事があり、今回はネットワークを分離して、１台のPC環境で試してみました。 普段使いPCを汚さずに OpenClawを試す方法【Google Cloud Platform】 私はAIに接続するためのTokenの準備をするステップで中止しました。 手順はGithubの情報ですが、詳細を理解するには、SourceからのBuildが良い気がします。 OpenClaw パーソナルAIア...

記事の更新日： 2026/08/10 1.概要 Stable Diffusionの記事をネットで見つけて、ubuntu-22.04で試しました。Stable Diffusionはテキストからの入力で画像やイラストを自動生成するAIモデルです。Deep Learning環境でpytorchになれた方ならばスムーズに実行できると思います。どの程度のことがPCで実現できるか試すために、GPU版とCPU版を試験しました。また、日本語テキスト入力による操作性も確認しました。 気になった点は、stable-diffusion-webui/launch.pyの実行でModuleNotFoundError: No module named 'torch'のエラーになります。Pytorchの導入手順がなく、Stable Diffusion導入時にインストールされても認識されていないのだと思います。stable-diffusion-webui/launch.pyを再実行すると問題は解消されました。その内容を記述します。 注意事項 権利侵害の禁止： 他人のイラストや写真を読み込ませたり、有名人の偽画像を作らないこと。 ライセンス確認： 商用利用や配布をする場合は、使用したモデルの規約を必ず確認すること。 禁止表現： 成人向け（NSFW）、暴力、差別、他人が不快になる画像の生成は厳禁。 ※ 生成した画像によるトラブルはすべて自己責任となります。 2.詳細 (1) GPU版の検証 環境は以下のとおりです HW環境は、core i3-7100, nvidia-1050Ti, memory 16GB, SSD 250GBです。 SW環境は、ubuntu-22.04です。当初、ubuntu-20.04で始めたのですが、python3 3.10が必要なため変更しました。 導入手順は以下のとおりです。 (a) nvidia driverインストール 標準のnouveauをdisableにして、下記ドライバーをインストール $ nvidia-driver-550 - distro non-free recommended (b) cudaインストール 準備として下記モジュールをインストールします $ sudo apt -y install curl $ sudo apt-get -y i...

記事の更新日：2026/09/30　評価を加筆 1.概要 2023年当時、個人環境で大規模言語モデル（LLM）を動かすのは一苦労でした。「Code Llama」を動かすために、Docker、CUDA、PyTorchの複雑な環境構築に頭を悩ませた方も多いのではないでしょうか。 しかし、現在（2026年）は 「Ollama」 などの画期的なツールの登場により、ローカルAIの敷居は驚くほど下がっています。軽量かつ高性能なモデルが、一般的なPC環境でサクサク動く時代になりました。 この記事では、2023年当時の「Code Llama」環境構築の苦労話（技術ログ）を残しつつ、 現在主流となっているOllamaや日本語モデル（ELYZA）をLinuxMInt/Ubuntu環境で超簡単に動かす最新手順 までをまとめてご紹介します。 私の評価は以下の通りです。 (1) AIはTensorflowやPytorchを利用してProgram作成する段階から大きく変わりました (2) 最初は画像処理による手書き文字の認識でしたが、囲碁AI登場で激変しました (3) chatGPTを始めに大規模言語モデル(LLM)が広がり、ブラウザで利用できます (4) データのセキュリティを考慮してローカルAIが注目され、Ollamaで活用できます 2.詳細 2023年当時に比べて、現在のローカルAI環境は「驚くほど軽量・シンプル」になりました。まずは、今最もおすすめできる手軽な実行方法から解説します。 (1) 実行環境 今回は、以下の少し型落ちの検証PCでも十分に動作することを確認しました。 OS : LinuxMint 22.3 CPU : Core i3-7100 GPU : NVIDIA GTX 1050Ti（ドライバー: nvidia-driver-580） (2) 環境構築と実行手順 Ollamaを使えば、かつてのような巨大なコンテナや依存関係の構築は不要です。ターミナルからOllamaでllama3_2 （約2GBの軽量モデル）をプルして実行するだけで、すぐにプロンプト画面に入ることができます。 試しに、定番の「フィボナッチ数列（fibonacci）のPythonコード作成」を依頼してみます。 (3) fibonacciにチャレンジ >>> fibonacciのpython...

記事の更新日： 2026/08/08 1.概要 この記事は2023年3月に最初にchatGPTについて記述しました。今回見直しで2026年7月にGeminiにも同じ質問をして４年半の進歩を知る機会になりました。 「AIはいつか、人間のプログラマの仕事をすべて奪ってしまうのだろうか？」そんな疑問を胸に、まずは話題のChatGPTに「チューリング・テストに合格できるか」というシンプルな質問を投げかけることからスタートしました。さらに後発のGeminiとの比較や、最新のAIブラウザ「ChatGPT Atlas」の動向を追う中で、一つの結論に達しました。 本記事では、実際の検証手順と共に、「AIは優れたアシスタントになり得ても、開発の本質には人間の努力が不可欠である」という理由を、楽器演奏のステップに例えて分かりやすく解説します。 2.詳細 (a) chatGPT MicrosoftまたはGoogleのアカウントを持っている前提です。 Firefoxにて、下記URLにアクセスします。 https://chat.openai.com/ Verify you are human をクリックします。 Welcome to ChatGPT Log in with your OpenAI account to continue では、Log in を選択します。 ここでは、Continue with Googleをクリックします。 Google にログインの画面に変わるので、 ログイン情報を入力します。 ログイン認証が完了すると、 ChatGPT This is a free research preview. の画面が表示され、nextを選択します ChatGPT How we collect data の画面が表示され、nextを選択します ChatGPT We'd love your feedback! の画面が表示され、Doneを選択します ChatGPTのchat入力画面になります。 画面下部の入力フィールドに、質問を入力すると回答を得られます。 「chatGPTはチューリング・テストに合格ですか」を入力して質問します。 「完全に合格できない」と回答します。説明記述は納得できる内容なので、試してみてください。 (b) Gemini 比較のため、今、同じ質問をGemi...

1.概要 この記事は2023年の記事です。３目並べをプログラムすることでAlphaGoの学習をすることが目標でした。Tensorflow-1.0を利用した最適解の計算手順は当時とても苦労をしたので備忘録として残すことにしました。 AlphaGoの勉強過程で３目並べを学んでいます。前回までプログラムロジックを作成していましたが、今回から３目並べの全ての組合せデータを利用してAIでプログラミングに勝てるかを試します。DeepLearningとしてtensorflowの1.xと2.xの両方を試してみます。 DeepLearningでは、３目並べのフィールドを3×3のイメージと考え、手書き文字認識の手法を応用します。本記事では、以下の3つのステップを順に実装していきます。 (1) minimax法の解析を利用して学習用入力データを作成 (2) 作成した学習用入力データを利用して、tensorflowでモデル作成 (3) tensorflowのモデルを利用して実際に対戦 追加部分には、Tesnsorflowをnvidia GPUを利用するために工夫した内容を追記しています。 ・CUDA-10.0を利用する方法 ・nVIDIA Container Toolkitを利用する方法 ・miniconda3を利用する方法 2.詳細 (a) 概要 ３目並べのフィールドを３☓３のイメージと考えて、手書き文字認識の手法を利用します。最初に利用する環境はtensorflow-1.15です。入力データはminimax法で活用したすべての手順(9!=362880)の組み合わせの中から勝負が決まった時点の３目並べのフィールド情報と結果（勝ち、負け、引き分け）を利用します。 tensorflowで利用できる形式に変換し、学習をしてモデルを作成し、モデルを利用して３目並べの対戦をします。元情報がminimax法で解析した情報なので、tensorflowによる学習結果がminimax法まで到達できると最高の結果です。大まかな手順は以下の通りです。 (b) 詳細 (1) minimax法の解析を利用して学習用入力データを作成 dlmakedata.pyを作成します。この中で利用するtictactoe.pyはmontecarlo版を利用します。 titactoeのコードは本ブログのTictactoe like...