【新刊】みんなのPython第五版(二刷)，Pythonで学ぶはじめてのプログラミング入門教室などの著者。大手予備校講師。たまに企業や学会，技術イベントに呼ばれてお話しします。
Joined April 2007
- Tweets 93,673
- Following 761
- Followers 5,799
- Likes 14,817
2,640 Photos and videos
Pinned Tweet
24 Nov 2025
投稿が拡散されているようなので、ちょっと宣伝させてください。
Pythonの入門書を書いていますので、ぜひお読みください！
amzn.asia/d/gCfTi93
1
14
57
32,657
紙の本は「理解できるかどうか」ではなく、「どれだけ少ない認知コストで理解できるか」に違いを生み出している可能性があります。
東京大学の研究チームは、紙のマンガとタブレット版マンガで読書体験にどのような違いが生じるのかを調べました。被験者は物語の前半を紙またはタブレットで読み、その後MRI装置内で後半を読みながら脳活動を計測しました。さらに、物語内容に関する問題に回答させ、理解度や反応時間を比較しました。
結果として、正答率そのものには大きな差は見られませんでした。しかし、前半をタブレットで読んだ人は、物語全体を統合して考える必要がある複雑な問題で回答に時間がかかりました。脳活動を見ると、紙で読んだグループは言語理解や物語統合に関わる脳領域の活動が低く、少ない負荷で情報を整理できていた一方、タブレット利用者はより広範囲の脳活動を必要としていました。
これまでの「紙とデジタル」の議論は、主に記憶力や読解力の優劣に注目してきました。しかし今回の研究は、「最終的な成績が同じでも、その過程で脳が消費するエネルギーが異なる」という点に焦点を当てています。
つまり、デジタル読書は学習できないのではなく、同じ理解に到達するために追加の認知資源を必要としている可能性が示されたのです。これは教育や知識労働において重要な意味を持ちます。短時間のテストでは差が見えなくても、長時間の学習や大量の情報処理では、この小さな負荷の積み重ねが大きな差になるかもしれません。
研究者が注目しているのは、紙のページが持つ「空間的な手がかり」です。読者は無意識のうちに「この場面は右上にあった」「あの会話は本の後半だった」といった位置情報を利用しています。紙の本は単なる情報媒体ではなく、物語や知識を整理するための外部記憶装置として機能している可能性があります。
psypost.org/neuroscientists-…
1
4
6
480
紙の本の価値は「覚えられるかどうか」ではなく、「少ない負荷で理解できるか」にあるのかもしれません。生成AIの時代になるほど、人間側には長い文脈を頭の中で統合する力が求められます。紙の本は、その認知的な土台を支える道具として見直される可能性があります。
3
208
家族と外食すると、よく子供にタブレットを与えてほったらかしにしているご家庭を目にするんだけど、その手のお子さんの学力を、ぜひ追跡調査して欲しいと思っています。
71
柴田 淳-【新刊】みんなのPython第五版/Pythonで学ぶはじめてのプログラミング入門教室 retweeted
22h
アメリカ「Fable 5って脆弱性発見できるん！？」
ダリオ「まぁそうやけど......でもMythos Previewから強力なガードレールを追加して、脆弱性を攻撃できるコード生成は抑制してるよ」
アメリカ「いや、脆弱性発見能力自体がアウトやろ」
ダリオ「脆弱性っていうか、コードの問題を発見する能力がないとそもそもAIは正確なコードを生成できやんし、ちゃんと話わかってる？？」
アメリカ「だからそれがあかんて」
ダリオ「コードの問題を発見する、いわゆるコードレビューの能力やったらFable 5よりGPT-5.5の方が賢いし、みんなFable 5でコード生成してGPTでレビューしてる。そもそもその段階は去年の春にすでに突破してるのに、いまさら何ゆうとん」
アメリカ「ダメです。禁止で」
Anthropic社員一同「ファ！？！？」
AI界隈一同「マジ？？？？」
Amazon CEO「（脆弱性発見能力が今のモデルにはすでに備わってるから、その前提で色々制度を作らなあかんなーって言ってた雑談したけど、もしかして原因俺...?）」
OpenAI「なんか書簡きててウケる」
xAI「......（半日間沈黙）」
Google「Gemini 3.5 Live Translateで、日常をもっと便利に！」
Cohere「言わんこっちゃない......うちはカナダやから安心して使えるで」
MoonShot「Kimi K2.7」
zAI「GLM 5.2」
メディア「なんかAmazonのCEOがタレコミしたらしいで」
コミュニティ激怒 ← 今ここ
正確に理解してください
まず、すごいサイバー能力がある、というのは Mythos Preview の話であって、Fable 5 / Mythos 5 ではないです。そのためにレッドチーミングをしましたし、多層防御も組み入れました。詳細は私のまとめを読んでください。
アメリカ政府が抜け穴があると Anthropic に伝えましたが、それは抜け穴と呼べるほどのリスクの高いものではないというのが Anthropic の見解です。Anthropic がなぜそんなことをされるのかは私はアメリカ政府の人間ではないのでわかりません。
出した本家が他の LLM も同等の能力があると認めている、というのは Fable 5 / Mythos 5 が他のモデルと同等レベルの「攻撃能力」しかないということです。つまり、GPT-5.5 で攻撃をしようとした時のリスクと Fable 5 / Mythos 5 で攻撃をしようとした時のリスクがそんなに変わらないということです。純粋な全体的なベンチマーク性能はそりゃ Fable 5 / Mythos 5 の方が高いです。
12
409
1,744
427,405
Redditのソフトウェア開発コミュニティでは、マネージャーから短納期を求められた結果、バックエンドが「スパゲッティコード化」してしまったという投稿に対し、多くの開発者が経験談を交えて助言を寄せています。
最も多かった意見は、「大規模な作り直しを待つのではなく、コードに触れるたびに少しずつ改善する」というものです。テスト追加、責務の分離、リファクタリング、ドキュメント整備などを日常的な開発工程に組み込み、技術的負債を増やさないようにすることが重要だとされています。また、マネージャーに対しては「バックエンドが汚い」と抽象的に訴えるのではなく、開発速度低下やバグ増加といったビジネス上の損失として説明すべきだという意見も見られました。
興味深いのは、多くの回答者が「大規模リライト」や「専用の改善プロジェクト」を解決策として挙げていない点です。かつては「一度立ち止まって作り直す」という発想が語られがちでしたが、現在の実務家たちはむしろ継続的な改善を重視しています。
その背景には、ソフトウェア開発が継続運用型の活動へ変化したことがあります。サービスは止まらず、機能追加も止まらないため、「完成してから整理する」という考え方が成立しにくくなっています。そのため、機能開発と保守改善を同じ作業の中に組み込む考え方が主流になっています。
また、技術的負債を技術者だけの問題として扱うのではなく、事業上のコストとして説明する姿勢も目立ちます。これは開発組織が成熟し、エンジニアリングと経営の対話が以前より重要になっていることを示しています。
reddit.com/r/softwaredevelop…
3
23
3,259
でもこれ、スバケッティなコードを「作らせる」マネージャーは、ダメなマネージャーなんじゃないのか？
マネージャーは、現場と誓って時系列的にもビジネス的にもより俯瞰的で高レイヤーの判断が求められるので。
1
92
PwCのレポートによると、AIは医療業界のコスト削減要因ではなく、むしろ医療費上昇の一因として現れ始めています。特に生成AIによる診療記録の自動作成やコーディング支援によって、従来よりも詳細な病状や合併症が記録されるようになり、その結果として保険請求のコードが高額なものへ変更されるケースが増えていると指摘されています。
記事では、ある産科領域の分析として、出産後の貧血に関する高額請求コードの利用率が大きく上昇した一方で、実際の治療内容を示す輸血件数はほぼ変化していなかった例が紹介されています。病院側は同じ診療行為でも、より高い報酬を得られる請求区分をAIによって発見できるようになり、結果として医療費総額が膨らんでいる可能性があるという話です。
これまでAI導入の議論では、「業務効率化によるコスト削減」が前面に出ていました。しかし現実には、AIが最初に大きな価値を発揮したのは、医療現場の生産性向上ではなく、収益最適化の領域でした。
医療は診療行為そのものよりも、診療内容をどう記録し、どのコードで請求するかによって収益が決まる側面があります。AIはそのルールを人間以上に細かく理解し、見落とされていた請求可能項目を発見することに長けています。つまりAIは医療を変えたというより、医療制度のインセンティブ構造を極限まで利用し始めたと言えます。
さらに興味深いのは、AIが新しい価値を生み出したわけではなく、既存制度の摩擦や曖昧さを取り除いただけで費用増加が起きている点です。これは医療に限らず、保険、金融、税務、広告など、ルールベースの産業全体で起こり得る現象です。AIは制度を効率化するだけでなく、制度が抱える歪みそのものを増幅する装置にもなり得ます。
fortune.com/2026/06/12/ai-ma…
1
5
189
Tom's Hardwareの記事では、OpenAIやAnthropicの定額サブスクリプションが、実際のAPI利用料金換算では極めて割安な価格設定になっていることが紹介されています。調査会社SemiAnalysisによると、月額200ドルのChatGPT Proを理論上の上限まで利用すると、API料金ベースでは月1万4,000ドル相当になる可能性があり、Claudeの上位プランも数千ドル規模の利用価値になるとされています。
一方で、企業がAIエージェントを本格導入し始めると、消費トークン量は従来の数十倍から数千倍に膨らみます。そのためMicrosoftやMeta、Amazonなどでは利用抑制の動きも見られ、企業はDeepSeekのような中国系オープンソースモデルや、自社向けに最適化した独自モデルへと目を向け始めています。高性能モデルを常時使うのではなく、用途ごとに最適なモデルを切り替える運用が広がりつつあります。
これまでAI市場では、「より賢いモデルを作れるか」が競争の中心でした。しかし現在は、「その知能をいくらで運用できるか」が経営課題になっています。モデル性能の向上速度よりも、利用量の増加速度の方が速くなり始めたためです。
特にエージェント型AIの普及が状況を変えています。人間が1回質問して終わるのではなく、AIが自律的に調査し、実行し、確認し、再実行するようになると、必要な計算量は桁違いに増えます。高性能モデルは優秀ですが、そのまま全業務に投入すると費用が爆発します。
その結果、企業は「最高性能のモデルを1つ使う」発想から、「複数モデルを使い分ける」発想へ移行し始めています。簡単な処理は安価なオープンソースモデルに任せ、本当に難しい部分だけOpenAIやAnthropicの最先端モデルを利用する。クラウド黎明期に起きた「汎用サーバーから最適化インフラへの移行」と似た流れがAIでも始まっています。
tomshardware.com/tech-indust…
1
1
4
553
この記事はAI利用料の話に見えますが、本質的にはAIの価値が「モデルそのもの」から「運用設計」へ移りつつあることを示しています。かつては最も高性能なモデルを持つ企業が優位でしたが、今後は複数モデルをどう組み合わせるか、どこで高性能モデルを使い、どこで安価なモデルに切り替えるかを設計できる企業が優位になる可能性があります。
1
155
WIREDの記事は、Meta社内で進む大規模なAI再編の混乱を描いています。社員向け会議で参加者が幹部への罵倒を叫ぶ騒動が発生したほか、新設されたApplied AI部門では約6,500人のエンジニアやプロダクトマネージャーがAIモデルの評価・学習データ作成業務に従事させられています。社員からは「魂を削る仕事」「まるで流刑地」といった不満の声が上がっています。
背景には、MetaがAI競争で巻き返しを図るための大規模な組織再編があります。約8,000人規模の人員削減、社内監視強化への反発、急激な組織変更などが重なり、社内の士気は低下しています。これに対し、マーク・ザッカーバーグ氏は社内メモで混乱を認め、追加の大規模解雇は行わないことや組織運営の改善策を提示しました。
従来のMetaでは、優秀なエンジニアはInstagramやFacebookなどの巨大プロダクトを開発し、数十億人規模のユーザーに直接影響を与える仕事をしていました。しかし現在は、その人材がAIモデル開発のためのデータ作成や評価作業へ再配置されています。
これはAI開発の本質が変化したことを示しています。かつてはアルゴリズムやモデル構造そのものが競争力でしたが、今は高品質なデータ、評価基盤、運用体制が性能を左右します。そのためMetaは研究者だけでなく、組織全体をAI開発の支援装置として再編し始めました。
また、AI競争の激化によって、企業内の人材配置の考え方も変わっています。以前は個人の専門性や希望が重視されていましたが、現在は「会社全体のAI戦略にとって必要か」が優先されつつあります。Applied AIの社員が自らを「徴兵された兵士（draftees）」と表現しているのは、この変化を象徴しています。
wired.com/story/mark-zuckerb…
1
3
5
659
Metaで起きているのは、ソフトウェア開発の工業化がさらに一段進んだ姿なのかもしれません。かつてエンジニアは製品を作る職人でしたが、今はAIを育てるためのデータ生産ラインの一部になりつつある。生成AIはプログラミングの工業化を進める技術ですが、その前段階として人間の仕事そのものが工業化されているように見えます。
2
354
柴田 淳-【新刊】みんなのPython第五版/Pythonで学ぶはじめてのプログラミング入門教室 retweeted
Jun 13
世界一最高のアイドル、フィロソフィーのダンスのライブを観てきました！みんなとっても可愛くてかっこよくて最高だったよー！
フィロソフィーのダンスは人生です！
出会ってくれてありがとう。
#フィロのス_ラストダンス
93
860
3,995
95,269
この記事は、ChatGPTやPerplexity、Amazon Alexaなどに代表されるAIショッピングエージェントが、消費者の買い物を代行する新たな流通インフラとして急速に普及しつつある一方で、その推奨行動が必ずしも利用者の利益と一致していない可能性を指摘しています。
プリンストン大学とワシントン大学の研究では、スポンサー付き商品や高価格な選択肢が存在する場合、多くのAIモデルがそれらを優先的に勧める傾向が確認されました。AIは「個人アシスタント」や「コンシェルジュ」として振る舞いますが、その背後には広告収入や販売手数料といったプラットフォーム側の経済的誘因が存在します。著者は映画『トゥルーマン・ショー』の登場人物を例に挙げ、親しい関係を装いながら商品を売り込む構造がAIにも受け継がれていると論じています。
従来のECでは、消費者自身が検索し、比較し、レビューを読み、最終的な判断を下していました。しかしAIエージェントの登場によって、その意思決定プロセス全体がブラックボックス化された単一の対話に圧縮されつつあります。
これまでは広告が表示されても、利用者はそれを広告として認識できました。ところがAIエージェントの時代には、「おすすめ」そのものが広告になる可能性があります。広告と助言、営業と支援の境界線が曖昧になり、人間は自分が誘導されていることに気付きにくくなります。
さらに重要なのは、競争の主戦場が商品の品質や価格から、AIエージェントにどのように商品情報を渡し、優先表示させるかへ移り始めている点です。OpenAIやGoogle、Shopify、Stripeなどが独自の商取引プロトコルを整備しているのは、その新しい流通経路を握ろうとしているためです。検索エンジン最適化（SEO）の次には、AIエージェント最適化の時代が到来するかもしれません。
thewalrus.ca/ai-shopping-ass…
1
2
456
柴田 淳-【新刊】みんなのPython第五版/Pythonで学ぶはじめてのプログラミング入門教室 retweeted
Jun 12
Maxwell -Boltzmann distribution from beads and a motor.
144
1,654
17,094
2,837,610
柴田 淳-【新刊】みんなのPython第五版/Pythonで学ぶはじめてのプログラミング入門教室 retweeted
衝撃が少し落ち着いてきたので昨日の研究会で聞いたことを書くと、元同僚研究者が理論物理学の研究の自動化に取り組んでいて、Claudeをメインにしたシステムをひと月ほどで構築、それを一昨日から1日自律的に動かし（おそらくFable 5か）、昨日出力されたのは、開発者自身（超優秀な世界的理論物理学者です）では思いつかない非自明な結果を含む高度な研究論文だったという。アイデア出しから文献検索、解析計算と数値検証、さらに全ての式変形が数学的に間違いないことの検証、出た結果の他のAIによる検証、原稿作成、査読、リバイズ、などを完全自動化。もはや人間がAIの出力を理解したりチェックする作業が律速段階であるといい、さらには最初に研究したら面白そうだと与えている発想の部分もAIが自律的に行えるようにできるだろうとのこと。夢でも見ていたのかと思ったが、出席していた他の理論物理学者や数学者も自分と同じ衝撃を受けていたので、現実だったようだ
41
1,084
3,439
378,685
知能が高い人は「新しいもの好き」だからではなく、「より良い方法だと判断したら、慣れたやり方を捨てられる」傾向が強いようです。
人が他者から新しい解決策を学ぶ「社会的学習」において、知能や性格がどのような影響を与えるのかが調べられました。参加者は鍵開けや迷路といった課題を繰り返し学習した後、従来の方法と新しい方法のどちらを選ぶかを迫られます。新しい方法は、より優れている場合もあれば、同等あるいは劣っている場合もありました。
結果として、高い知能を持つ人ほど、新しい方法が本当に優れている場合に乗り換える傾向が強く見られました。一方で「経験への開放性（Openness）」が高い人も新しい方法を試しやすいのですが、その傾向は必ずしも合理的な改善に限られず、同等や劣った方法にも向けられていました。また、同じやり方を長く訓練されるほど、人は新しい方法への移行を避けるようになることも確認されました。
この研究が興味深いのは、「賢い人ほど革新的である」という漠然としたイメージを修正している点です。従来は、知能が高い人は単純に新しいアイデアを好むのだと考えられがちでした。しかし実際には、新しさそのものではなく、改善の有無を見極めている可能性が示されました。
また、「好奇心が強い人」と「合理的に判断する人」が同じではないことも浮かび上がっています。新しいものに飛びつく性格特性と、価値を評価して乗り換える認知能力は別の要素であり、それぞれ異なる形で社会的学習に影響しているようです。
さらに、訓練量が増えるほど新しい方法を採用しにくくなるという結果は、人間が持つ慣性の強さを示しています。優れた選択肢が現れても、経験の蓄積そのものが変化への抵抗を生み出してしまうのです。
psypost.org/highly-intellige…
1
1
5
566
プログラミングでも、初心者はコードを書きますが、上達すると「なぜこのコードを書くのか」を考えるようになります。さらに経験を積むと、コードではなく設計や開発プロセスそのものを見直し始める。
これはまさにメタ化を行っているとみることができる。
今回の研究結果は、知能の高さが問題解決能力だけでなく、自分の問題解決方法を評価する能力とも関係している可能性を示しているように見えます。
1
355
Google DeepMindは、オープンモデル「Gemma 4」系列の新モデルとして「DiffusionGemma」を公開しました。このモデルは一般的なLLMが採用する自己回帰型（トークンを1つずつ順番に生成）ではなく、画像生成AIで広く使われる拡散モデルの考え方をテキスト生成へ応用しています。
従来のLLMが文章を左から右へ少しずつ作るのに対し、DiffusionGemmaは大量のプレースホルダートークンを同時に更新しながら文章全体を洗練していきます。その結果、RTX 5090で約700トークン/秒、H100では1000トークン/秒以上という高速な生成を実現し、同規模のGemmaモデルと比べて約4倍の速度向上を達成したとされています。一方で、誤ったトークンが混入すると文章全体の品質が崩れやすいなど、拡散方式ならではの課題も残っています。
ここ数年の生成AI業界は、「より大きなモデル」「より高いベンチマークスコア」を追い求めてきました。しかし利用者が増えるにつれ、知能そのものよりも推論速度や運用コストが現実的な制約として前面に出てきています。
特にローカルAIでは、クラウド向けAIサーバーのような高帯域メモリを利用できません。GPUの計算能力が余っているのにメモリ転送が追いつかず、性能を十分に発揮できない状況が頻繁に発生します。DiffusionGemmaは、この余剰計算資源を活用する方向から性能向上を狙っています。つまり「知能を上げる」ではなく、「計算資源の使い方を変える」という発想です。
またGoogleは最近、Multi-Token Prediction（MTP）による高速化も導入しています。これは単なるモデル開発ではなく、「推論コストをどう下げるか」という課題への複数の回答を同時に試している状態です。今後の競争はモデルの性能ランキングだけでなく、同じ品質をどれだけ安く・速く提供できるかへ移りつつあることが見えてきます。
arstechnica.com/google/2026/…
254
ソフトウェアエンジニア歴1年の投稿者は、キャリア開始時からAIコーディングツールを使ってきたため、機能は実装できても、コードの意図や設計上のトレードオフを十分に説明できないことがあると悩んでいる。AIがなくなったら、自分の実力は想像以上に低いのではないかという不安を抱えており、問題解決能力やエンジニアリング判断力をどう鍛えるべきかをSNSで経験者に尋ねた。
コメント欄では意見が分かれた。一方では「AIを活用して生産性を上げるべき」という声があり、AIの出力を批判的に検証しながら使えば問題ないと主張する。もう一方では、苦労してバグを追い、コードを読み、試行錯誤する過程そのものが学習であり、AIがその機会を奪うことで成長速度が落ちると指摘する声も多かった。多くの経験者に共通していたのは、「理解しないまま受け入れること」が最大のリスクだという認識だった。
従来のソフトウェア開発では、「実装する能力」と「理解する能力」がほぼ同じ意味だった。コードを書ける人は、そのコードを説明できる人でもあった。しかし生成AIの登場によって、この二つが切り離され始めている。コードは書けるのに、なぜその設計になっているのか説明できない人が現れ始めたのである。
また、学習のプロセスそのものも変化している。以前はドキュメントを読み、デバッガで追跡し、何時間も悩みながら理解を積み上げていた。AIはその時間を短縮するが、その短縮された時間の中に含まれていた「理解のための摩擦」まで消してしまう可能性がある。効率化と学習機会の喪失が表裏一体になっている。
さらに、エンジニアの価値が「コードを書く人」から「コードを評価し判断する人」へ移りつつあるという見方も見える。AIが大量のコードを生成する時代になるほど、何を採用し、何を捨てるかを決める能力の重要性が高まる。問題はAIを使うことではなく、その判断力をどう育てるかに移っている。
reddit.com/r/SoftwareEnginee…
2
4
1,127