生成AIの導入は、研究開発のプロセスと技術戦略に大きな変革をもたらしつつある。特に大規模言語モデル (LLM) の進歩により、アルゴリズム実装、コード生成、デバッグ、リファクタリングといった作業が高速化し、研究者やエンジニアの生産性とR&D全体の進め方に質的変化が生じている。しかし、実際の現場では、必要な情報の整理不足や前提知識の不一致、説明の粒度のミスマッチ、誤った推測に基づくコード生成、長い指示や複雑な処理に対する破綻など、LLM特有の課題が依然として見られる。
　本講演では、近年の研究動向を踏まえて整理した実践的アプローチを紹介する。COTによる問題分解、ICLによる条件付け、Test time computingの推論精度の向上、複数LLMの使い分けなど、LLMの特性に基づく方法を中心に、研究開発におけるコーディングを安定して進めるための具体的ポイントを示す。これらの手法を適切に用いることで、生成AIを活用したつまずかない研究開発を習得することを目標とする。

1. 導入
   1. 背景と目的
   2. AIが研究開発にもたらす変化
   3. つまずきの構造とAI活用の意義
2. LLMの基礎
   1. AIとLLMの概要
   2. LLMの仕組みとスケーリング
   3. トークン、コンテキスト、COT、ICL、Reasoning
3. AIコーディングのテクニック
   1. COTとICLの使い方
   2. 言語変換としてLLMを使う基本原理
   3. サンプルコード・仕様書を使った実装手順
   4. 複数LLMの使い分けとモデル特性
   5. 実行環境と効率的な開発フロー点
4. 実例と応用
   1. ICP実装例
   2. pycolmapを用いたSfMの実装例
   3. AIの限界事例
5. AI時代に求められるスキル
   1. コード読解力と仕様化能力
   2. AIとの協働に必要な姿勢
   3. まとめと今後の展望