生成AIの速度と思考を、
根本から変える。
「動くのに使えない」という問いから、LLM高速化アルゴリズムの開発が始まった。
使う側の痛みを知っているから、作る技術と教える力の両方が揃っている。
Origin
「動くのに、使えない。」
その問いが、すべての出発点だった。
「動くのに使えない」——その問いから出発した。 モデルは動いているのに実用にならない。原因はI/O、演算性能ではなくデータ転送がボトルネックだった。
その問いを解くために設計したのが、タイル内閉域IMCアルゴリズム（DSD-CDMA）。 信号処理・物理ダイナミクス・航空宇宙など複数の領域が収束した、通常の半導体開発では出てこない構造。
同時に気づいたのは、ツールをどれだけ速くしても、使う人が「どう問うか」を知らなければ届かないということ。 技術開発と研修、その両輪がGrewAIを構成している。
Two Pillars
研究と研修、
両輪で動いています。
生成AIを「作る側」と「使う側」、どちらか一方では見えてこないことがある。 GrewAIはその両方に軸足を置いている。
Training / 研修
整理しなくていい。
思ってることをそのまま。
プロンプトの型を覚えるのではなく、問いの立て方を身につける。 モヤモヤをそのまま投げて、対話の中で課題を構造化していく3回講座。
- 未整理のまま投げる — 整理してからは逆効果
- 対話の中で課題が見える — 型ではなく問いを学ぶ
- 最終判断は人が持つ — AIは思考のインフラ
- 企業向け・個人向け、オンライン対応
Research / 研究
I/Oが支配項になった
LLM推論を、解く。
大規模LLM推論のボトルネックは演算性能ではなくI/O転送にある。 この前提から設計したタイル内閉域アルゴリズムで、問題サイズとI/O量を非連動にする。
Why Both
生成AIが、試行の幅を広げた
生成AIを道具として深く使いこなすことで、専門家が自明とする前提を疑い、検証を重ねることが可能となった。 一人では到達できない領域に試行錯誤を積み重ね、LLM推論の新たな構造に辿り着いた。 問いの立て方、対話の構造、検証の回し方——研修で教えていることが、そのまま研究の方法論になっている。
現場の「使えない」から技術が生まれた
GrewAIの研究は、机上の理論ではなく実用の場から始まった。 「使えない」という経験を持つ会社が設計するアルゴリズムは、性能指標ではなく実用を最初の基準に置く。
速くなっても、問えなければ届かない
推論速度が10倍になっても、問いの立て方が変わらなければ出力の質は変わらない。 生成AIを本当に使えるものにするには、インフラを速くすることと、使う人の思考を鍛えることの両方が必要だ。