YougoN.ゆーごん

アカデミアから民間へ…Independent Researcher

[YougoN.ゆーごん @N_Yougo]

結局これ

[横山トモヤス｜計算材料科学者 @yoko_materialDX]

物性予測のスケーリング則を調査した論文。

訓練データ数やパラメータ数を増やすと予測誤差がべき乗則で低下するスケーリング則が成り立つか誘電関数予測で調査。あるデータ数を超えると法則から逸脱しより誤差が低下したそうです。

データが多いことはやはり大事と。
https://t.co/11Eoz3eMeD

[日本経済新聞 電子版（日経電子版） @nikkei]

AI時代の新花形職種「FDE」 、アメリカで年収3200万円
https://t.co/DX3OoNZ2gS

企業のAI活用を支援する「フォワード・デプロイド・エンジニア（FDE）」。アメリカでは求人が1年で約11倍に急増しました。AIの普及でエンジニアが不要になるとの見方は覆されています。

2026年6月 #読まれた記事

[横山トモヤス｜計算材料科学者 @yoko_materialDX]

物性予測の解釈性の論文。

GNNを用いた予測は高精度な一方で解釈が困難なのに対し、モデルの動作を局所的に近似することによりノード・エッジの属性を説明できる手法を構築。溶解度に効く結合を可視化できたそうです。

MIでは人を動かすのに解釈性はとても大事。
https://t.co/fLTBhQA3d6

[Philipp Schmid @_philschmid]

Say hello to Gemini 3.7 Flash, generally available today! ⚡️We took your feedback and pushed hard on real-world coding benchmarks and agent autonomy:

- Major jumps on coding and agentic use cases
- DeepSWE (65.3% vs 49.0%) FrontierCode (43.6% vs 34.4%), AutomationBench (30.4% vs 17.0%)
- 50% discount until EOY: $0.75/$3.75 per 1M tokens
- Default model in Managed Agents, @GoogleAIStudio , @antigravity, and @GeminiApp Spark

Throw your hardest coding/agentic tasks at it and let us know what you build: https://t.co/wh09RtN2IK

[今井翔太 / Shota Imai @ImAI_Eruel]

今回のFableによるヤコビアン予想反証もそうですが、AI時代には科学研究の中でも、
①解が（特に計算機上で）検証可能（verifiable）
②解くために本質的に膨大な探索が必須である
③膨大な探索と試行���誤が必要であるにもかかわらず、解けるか解けないかが未定
を満たす問題はAIと極めて相性が良く、特にこれらは現状コンピュータ科学、数学分野に多いことから、これらの分野ではものすごい勢いで研究が加速するのではないかと思います。

①はそもそも現在のAIの推論能力強化のために使われている学習手法（RLVR、Reinforcement learning with verifieble reward、検証可能な報酬に基づく強化学習）とも関連するのですが、プログラミングや数学など基準が明確な問題は、学習の過程で正しい学習シグナルが得やすいため、学習が容易。また、学習したAIの実行時にも、人間が評価に絡んで時間的なボトルネックにならないため、これも有利。歴史的には囲碁や将棋などのゲームが該当し、ゲームAIの強さは勝つ/負けるという明快な学習シグナルによって決定されるため、加速的に強くなった。コンピュータアルゴリズムは、そのままAIが導出したものが計算機上の実験で有効性が確認でき、数学もロジックの正しさが外部ツール（たとえばLeanなど）で計算機上で検証可能なことが多い。
これがたとえば「仕事がうまいAI」や「家事がうまいAI」などになると、それらのタ��クの成否は人間の都合で勝手に決めた基準や価値観によって左右されるため、学習も実行もなかなかうまくいかない。

②と③はたぶん今回のヤコビアン予想とも結構関連するのですが、そもそも今回の予想の反証は解だけ見れば非常にシンプルでした。よって、事後的に「本気で取り組んでみれば意外と簡単だったのでは」と思うことは簡単ですが、極めて広い探索空間を前にして、そもそも本当に解が存在するか、解はどれだけ複雑化、どれだけ時間がかかるか、いつ報われるのか、そもそも最終的にかけた時間が報われるかわからない問題に、有限の時間を持つ人間が取り組むことは困難です。人間の研究者の場合は、その成否に人生がかかっているので、そのような問題に本気で取り組む決定を下すのは難しく、本当に徒労に終わる可能性も高い。��の点、現在のAIであれば人間の時間を無駄にすることもなく、AIの時間が無駄になろうが特にこちらが責任を負う必要���ない。さらに技術的に言っても、広い探索空間の中から、有望な範囲に絞って探索できる（この辺は囲碁AIの価値ネットやUCT、枝狩りアルゴリズム、現在のLLMの言語的直感）ので、おそらく人間よりも効率的で早い。

今後の研究は、そもそも今までこのような問題をいくつ考えていたか、いかに問題を検証可能な性質にできるのか、あたりが重要になってくるのではないかと思います。

[aipulsedaily @aipulseda1ly]

The Artificial Analysis numbers for Gemini 3.6 Flash are in, and its a mixed bag against its own predecessor.

On overall intelligence, 3.6 Flash and 3.5 Flash are basically tied, both around 50.

On coding its actually a touch worse, 69.2 versus 70.1 for 3.5 Flash.

Where it gains is agentic. 3.6 Flash hits 38.7 to 3.5 Flashs 37.4.

And the real win is cost. It takes $727 to run the full index versus $1,041 for 3.5 Flash. Over $300 cheaper.

So this was a cost and agentic play, not a quality jump. Which lines up with the three.js test earlier, better on paper for agents, weaker on actual rendering.

[Sai Nemani @SaiNemani1]

Gemini 3.6 Flash (HIGH) vs. Gemini 3.5 Flash (HIGH)

Some decent improvements ngl

3.6 flash used only ~6100 tokens to make this whereas 3.5 flash used ~9300 tokens.

3.6 flash is also slightly faster!

Left is 3.6 Flash (NEXUS), right is 3.5 Flash (Synergy).

But I think I like 3.5 flash's look more, but what do you guys think??

Prompt: "create a modern website! Should look amazing! One-code page"

[dadajiji39 松田ただし @dadajiji]

東京のテラドローン社はウクライナのドローン開発企業のアメイジングドローン社と「戦略的投資」を含む資本提携および事業提携に合意、ヨーロッパのエアバス社は川崎重工業と対潜水艦戦用ドローンの開発に関する覚書を締結したと発表した。

[かんてん @kanten_se]

日産が閉鎖する追浜工場、
米防衛企業アンドゥリル・インダストリーズが
取得を検討してるらしい。

軍事用ドローンの生産拠点に
転換する考えだという。

戦後日本の経済成長を支えた
自動車工場が、
防衛装備の工場に生まれ変わる可能性。

平和国家として歩んできた日本にとって
象徴的な変化だと思う。

注目してるのは、
従業員の多くをドローン製造要員として
採用する意向があるという話。

工場が閉鎖されて
従業員が職を失う展開より、
業態を変えてでも雇用が維持されるなら
それは喜ばしい���とだと思う。

ものづくりの技術は
何を作るかが変わっても
人の手とノウハウは応用できる。

自動車を作ってきた現場の経験が
今度はドローンを作る現場で
活かされるかもしれない。

まだ正式決定ではないらしいけど、
製造業の現場が
形を変えて生き続ける一例として
注目しておきたい。

[YougoN.ゆーごん @N_Yougo]

cursorつながらん

[Matthias Niessner @MattNiessner]

📢GaussianGPT (ECCV'26) Code Release📢

What if 3D scenes worked like language?
Generate full 3D Gaussian scenes - from scratch or from partial - token by token!

🔗https://t.co/LQgrW6sHzt
🌐https://t.co/PseYk8ctIT

Great work by @nicolasvluetzow, @barbara_roessle, @katha_schmid

[こすもす｜AIで起業しろ @cosmos_hzokujin]

フロントエンドの仕事、マジで消滅するかもしれません…。

いま世界中で大パニックになってるGitHubリポジトリを見つけたんですが、これ一瞬で【9.6万Star】を超えた異例のバケモノプロジェクトです。

何がヤバいかというと、Apple、Figma、Stripeなど「世界最高峰の企業が持つデザインシステム」を、AIが読み込める言語（DESIGN.md）に整理して無料公開してくれていること。

使い方は拍子抜けするほど簡単。
お気に入りのブランドの『DESIGN.md』をコピーして、自分のプロジェクトのフォルダにポンと置くだけ。
たったこれだけです。

あとはCursorなどのAIエディタが、Markdownに書かれた「色・フォント・余白・コンポーネントの挙動」などの緻密なルールを自動で読み込み、一切ブレのないトップブランド水準のUIを自律的に生成してくれます。

📍複雑な解析や設定は一切不要
📍「〇〇風にして」と指定するより圧倒的に高精度
📍人間がCSSをポチポチ書く時代は終了

もはやエンジニアは「デザインを実装する」のではなく「AIにデザインのルールブック��渡すだけ」の世界線に突入しました。
時代に取り残されないように、今すぐブクマして試してみてください👇

https://t.co/2GecX4cdpr

[横山トモヤス｜計算材料科学者 @yoko_materialDX]

AIエージェントによるアルゴリズム探索の論文。

AIエージェントが科学的アルゴリズムを発見できるかを検証するために結晶構造予測に適用。15時間で対称性の制約があるTransformerベースの手法を構築し、高精度に予測できたそうです。

専門家のうまい介入もポイントみたい。
https://t.co/FUff8CqgzD

[Sadao Tokuyama @tokufxug]

Ant Groupが空間認識に特化した視覚基盤モデル「LingBot-Vision」を発表。

独自の「境界中心」のアプローチを採用し、1B（10億パラメータ）のViTでありながら7倍以上大きな既存モデルを上回る性能を発揮。

Apacheライセン��でコード公開。

[リス・𝔇𝔅 @risu_DB_1227]

誰だよこれ作ったの
#関数アート

[エクセル兄さん(たてばやし淳)@9万部「生成AI最速仕事術」 @excel_niisan]

Notion AIが、ほぼClaude化してる件。
え、パワポも作れたの？

しかもFable 5をほぼ無制限で使えるというバグった状況。笑

試しにClaude向けのスキルをアップして、
「これでパワポ作って、PDFに変換してみて」
と指示したところ、普通にできてしまう。

[Eric Jiang @veggie_eric]

Grok 4.5 is my default for all my coding work, I freaking love this model. Frontier intelligence that won't break the bank.

Grok 4.5: $2 in / $6 out
GPT 5.6: $5 in / $30 out
Opus 4.8: $5 in / $25 out

[Sakana AI @SakanaAILabs]

Harness EngineeringからRSIへ

AI自身がAIをつくり、改善していく──再帰的自己改善（RSI）はどのように実現するのでしょうか。この問いに対して、Thinking Machines Lab 共同創業者の Lilian Weng 氏（@lilianweng）が、モデルを取り巻く実行系＝「ハーネス」の設計こそが現実的な出発点だと論じる ブログ記事を公開しました。RSI周辺の研究が非常によく整理されており、この領域の見取り図として大変おすすめです。

https://t.co/oWE1yn8dWq

Sakana AIからも、以下の研究が事例として取り上げられています。

・The AI Scientist (Nature 2026): 研究アイデアの提案から実験、論文執筆、査読までを自律的に行うパイプライン
・ShinkaEvolve: サンプル効率を大きく高める仕組みを導入した、LLMによるプログラム進化フレームワーク
・Darwin Gödel Machine: エージェント自身がハーネスコードを書き換え、自己改善していくコーディングエージェント

Weng氏は、モデルの重みを直接書き換える形のRSIではなく、まずはハーネスの設計と最適化を突き詰めていくことが実現への近道だと見立てています。同時に、評価の困難さ、多様性の崩壊、報酬ハッキングなど、自己改善ループが構造的に抱える課題も指摘されています。

RSIへの道のりが果たしてこのように進んでいるのかは、まだ誰にもわかりません。Sakana AI のRSI Labも、このエキサイティングな領域の探究を、引き続き進めていきます。

References

・The AI Scientist (Nature 2026)： https://t.co/nNfpSV4Gga
・ShinkaEvolve： https://t.co/zoZlH8jl7E
・Darwin Gödel Machine： https://t.co/EyVpNbfuqg

[野生の男 @yasei_no_otoko]

Cursorと共同開発されたGrok 4.5が凄まじい性能アップでAIビルダーはとりあえずXプレミアムプラスを契約してGrok BuildやHermes Agentを使おうという時代が来ました

[今井翔太 / Shota Imai @ImAI_Eruel]

Anthropicの新研究、LLMの内部に人間の意識のようにアクセス可能な領域「J-space」を特定。LLMの出力中に、出力内容とはまったく無関係な概念であっても内部的に活性化しており、例えば「この文章を出力しながら、3^2-2を計算しろ」と指示すると、表面的な出力はその文章になるにも関わらず、J-spaceには９や計算結果の7が現れるという。

既存のAI研究は、意識に関する研究は哲学的な問いになってしまうのもあって、表向きに���論することは避けている節がありますが、これはその方向の議論が再燃しそう。
Anthropicが言っている通り、哲学的な議論はともかく、LLMが実際には何を考えているのか（最近のLLMは自分が評価されていることを内部的には把握しているが、表面上の出力では気づいていないふりをしたりする）知るために有用なツールとしては非常に有用ではあると思います。
一方で、人間で言うところの意識と似た機能を備えているのも事実で、さらにそれが学習の過程で、特定の問題を解決するために結果として生じるというのは面白い。LLMのJ-spaceでも人間の意識でも、意識的なアクセスを支える精神上の作業空間は「知能システムがたどり着く一般的な解決策であるように思われる」というAnthropicの言及はまさにその通りかと。

https://t.co/mVLJ4SsRyw