eraera2fish

クラウドの中の人です。ネットワーク&セキュリティエンジニア。Cisco/Juniper/Palo/Citrix 製品が得意。最近はKubernetes/コンテナ関連にシフトしてきています。

[西 和彦 Kazuhiko Nishi @nishikazuhiko]

1978年に
アスキーマイクロソフトとして
BASICのソフトウェアを持って
国内企業を回った時に
受けた対応

４８年前なので秘密保持契約は失効しています

各社の反応

日本電気　面白いからやりましょう
NEC PC8000誕生　渡辺さん

沖電気　もっと詳しくお願いします
OKI if800誕生　大西さん　生野さん

富士通　全然聞いてくれない
日立　マイクロをバカにしていた
東芝　頑固の塊
三菱電機　キーボードを分離しないと輸出出来ませんよといってもガン無視
松下電器　教えてください　金はある
ソニー　２人頑固がいて、あくまでSony BASICだった　絶望した
それを修整してくれたのは出井さん　社��になった
シャープ　10円やったらこうたるわ

成功か失敗かはトップの姿勢が全てのような気がする

お前のような雑誌の記者風情が、何を言う
みたいな感��だった
広告ねだりに来たのだろう

でも
IBMパソコンにマイクロソフトのDOSが採用されたときに、
全ての態度が変わった
でも、それでも言われたことは、
西くん、大変な利権を手に入れたね
だった

その後、マイクロソフトの本社の副社長になった時、呼び方が　
西くん　から　
西さん　に変わった

玄人に素人扱いされ、バカにされることが私のトラウマになっていると判りました

自分が好きでずっとやってきた
モビリティの取り組みも同じで
素人扱いされて、
今の自分は、
自分の考えてきたモビリティの意味を
証明しなければならないという気持ちです

[もとやま @ysk_motoyama]

https://t.co/Vig0csISjP

[Satoshi Nakajima @MulmoCast @snakajima]

公道でのテストが始まった、サイバーキャブ。ハンドルもアクセルもブレーキもない、ロボタクシーの時代がやってくる。

[eraera2fish @eraera2]

@yukky_snow24 私は九州に旅行に行った時に好きでよく食べてました。おでんとか、向こうだとセルフで一つから取りに行けたんですが、こちらだと自由に選べず固定メニューっぽくなってるのでそういう細かいところが関東資さんで��し残念な点ですね。。ただ味は美味しいので一度試してみる価値はありかと！

[Satoshi Nakajima @MulmoCast @snakajima]

私が欲しかったのは、私だけが期間限定で使うアプリを必要に応じてAIが手作り（クラフト）してくれる環境。ようやくMulmoClaudeがそこに到達した。Vibe Codingじゃなくて、Vibe Crafting。

[いっちー@バーチャル精神科医 @ichiipsy]

「水の架橋現象」

純水の入ったビーカーを二つ並べ、高電圧をかけると水どうしがつながってビーカーの間で「水の橋」がかかるという現象。
水の橋は電圧を高電圧にするほど、延長されていく。
物理学っておもしろい。

[ヴィズマーラ恵子🇮🇹 @vismoglie]

問題: 小さな穴にクッキーを通しなさい。

[iwashi / Yoshimasa Iwase @iwashi86]

AIが優秀になりすぎて、考え方が変わっていっているポスト。

・AIによる開発手法には、素人がコードを読まずに作る「バイブコーディング」と、プロが責任を持ってAIを活用する「エージェンティックエンジニアリング」がある
・以前は、前者は個人用、後者は他人に提供する本番用と、明確に区別できると考えていた

・しかし最近は、自身の仕事においてこの2つの境界が曖昧になってきていることに気づき、戸惑いを感じている
・理由は、AIが優秀になりすぎたため、本番環境向けのコードであってもAIが書いたものを一行ずつレビューしなくなってしまったから

・これは、大企業で別のチームが作った機能を中身を見ずにそのまま使う感覚に似ている
・AIをブラックボックスとして扱い始めているということ

・人間のチームには信用や責任があるが、AIには責任をとる能力がない
・それで、この状況には居心地の悪さを感じている

・AIが問題なくコードを書き続けることで油断が生まれ、いつか間違った場面でAIを信用して痛い目を見るリスクが高まっている
・AIの普及により、他人の作ったソフトウェアの品質を評価する基準も変わってしまった

・以前は充実したテストや���麗な説明書が品質の証だったが、今はAIを使えばそれらも数十分で完璧に作れてしまう
・そのため、見た目の完成度よりも、実際に誰かが数週間日常的に使っているという実績のほうが価値を持つようになった

・AIによってコーディングの速度が10倍に跳ね上がったことで、従来のソフトウェア開発プロセス全体に歪みが生じている
・コードを書く時間とコストが激減した
・そのため、事前の設計やデザインの段階でも失敗を恐れず大胆にリスクを取れるようになった

・AIが自動でコードを書く時代になっても、ソフトウェアエンジニアという職業が脅かされるとは考えていない
・ソフトウェア開発自体が依然として困難な作業である・
AIはあくまでプロの経験やスキルを増大させる強力な道具にすぎない
・結局のところ、企業も個人も、素人がAIを使って自作したシステムより��プロがAIを駆使して作った実績ある製品をお金を払って買いたいのだ

https://t.co/87dGHdnOV3

[みのるん @minorun365]

iPhone移行したら嫁LINE全部消えた😭
もうこのローテクアプリやめようぜ日本人…

[Satoshi Nakajima @MulmoCast @snakajima]

[Training-Free Group Relative Policy Optimization]

Tencent傘下のYoutu Labが発表した、LLM(大規模言語モデル)エージェントの性能を「パラメータを一切更新せずに」改善する新手法に関する論文で、AI業界が抱える「ファインチューニング地獄」からの脱却の道筋を示す重要な研究なので紹介します。

これまでLLMエージェントを特定の業務（数学の問題解決、Web検索など）に特化させるためには、GRPO（Group Relative Policy Optimization、複数の応答候補を比較してモデルを微調整する強化学習の手法）と呼ばれる方法でモデルのパラメータそのものを書き換えるのが一般的でした。しかしこの方法には、

- 巨額の計算コスト（GPU時間で約$10,000）
- 数千件の高品質な学習データが必要
- 特定の領域に過剰適合し、他の領域では性能が落ちる
- コストの問題で32B(320億パラメータ)程度の小さなモデルしか調整できない

という深刻な問題がありました。

そこでこの論文の著者たちは、「LLMのパラメータを書き換える代わりに、LLMに与える文脈（プロンプト）の中に『経験から学んだ知識』を埋め込めば同じ効果が得られるのではないか」という発想で、Training-Free GRPOを提案しました。

仕組みはシンプルです。ある問題に対してLLMに5通り答えを出させ、正解と照合して「成功した答え」と「失敗した答え」を比較します。そしてLLM自身に「なぜ成功したのか、なぜ失敗したのか」を自然言語で考察させ、そこから得られた教訓を「経験ライブラリ」として蓄積します。次にLLMが似た問題を解くとき、この経験ライブラリを文脈として与えることで、ファインチューニングを施したモデルと同様の��る舞いを引き出すという仕組みです。経験ライブラリは「追加(Add)」「削除(Delete)」「修正(Modify)」「維持(Keep)」の4操作で随時更新されていきます。

驚くべきは結果です。DeepSeek-V3.1-Terminus（671Bのフラッグシップモデル）に、わずか100件の学習データとおよそ$18のコストでこの手法を適用したところ、AIME（米国数学オリンピック予選）2025のスコアが67.9%から73.3%に上昇。$10,000かけて32Bモデルをファインチューニングした既存の最先端手法（ReToolなど）を上回る性能を、約500分の1のコストで実現してしまいました。

さらに重要なのが汎用性です。数学用にファインチューニングされたReToolはWeb検索タスクではスコアが18.3%まで急落するのに対し、Training-Free GRPOはモデルそのものは変えず「経験ライブラリ」だけを差し替えるので、数学でもWeb検索でも同時にトップクラスの性能を発揮します。

私がこの論文に注目したのは、「巨大な汎用モデルを文脈で動かす��というアプローチが、AI業界の構造を大きく変える可能性を秘めているからです。これまでの常識は、「特化モデルを作るには小さなオープンソースモデルをファインチューニングするしかない」というものでしたが、その前提が揺らぎ始めています。

API経由で使える巨大モデル（DeepSeek、GPT、Claude、Geminiなど）は、提供者側で常に性能向上が続き、料金もスケールメリットでどんどん下がっています。一方、自前でファインチューニングした小型モデルは、リリースした瞬間から時代遅れになり始め、メンテナンス負担も重い。「特化モデルを自前で作る」という戦略が、実は経済合理性を失いつつあることを、この論文は数字で突きつけています。

これはエンタープライズAIのアーキテクチャにも大きな影響を与えそうです。RAG（Retrieval-Augmented Generation、外部知識を検索して文脈に注入する手法）に続いて、「経験」までもが文脈側で管理される時代が来れば、企業がAIを業務に組み込む際に「モデルを訓練する」工程は限りなく不要になり、「経験ライブラリを育てる」という新しい運用形態が主流になるかもしれません。LLMの性能向上が続く限り、この流れは加速するでしょう。

[ふも @fumokmm]

AI登場以前と以降での、プログラミング時間の体感。

[ヨシフ・スターリン料理長.zip @Stalin_Bot_JP]

最初の実行でエラーが出なかった時

[s' @cccrimecc]

【復活】ワイ将、誰でも匿名掲示板の雰囲気を体験できるサイト作ってしまうｗｗｗｗｗ

1 風吹けば名無し 2026/03/31(火)
スレタイと内容を書くとAIがレスをつけてくれるのでスレ伸びて草が生える模様

■ https://t.co/FcxuHl7qWE
完全に自腹運営なので拡散してカンパを呼びかけてクレメンス！たのむ

[Coder girl 👩‍💻 @dev_maims]

POV: Software engineers 3 hours before the deadline. 😂

[わい🍑 @OSHIGOTO_DAISKI]

SIer→Web系事業会社転職の感想
・リリース早すぎ
・ドキュメントが少ない
・ルールが少ない
・AIや自動テストを活用している
・役割分担というより、互いに背中を預けるスタイル
・技術的負債はある
・管理工数がかなり控えめ

[AIDB @ai_database]

実際のコードを読むことは一切しない「AIに言葉で指示する」だけのバイブコーディングでも、コンピュータサイエンスの基礎知識がある人のほうが成績がよく、さらに”文章力”が高いほど良い成果が出���る傾向があるとのこと。
CHI2026採択論文※。

コードを読み書きしなくても、問題を分解��る思考法 やアルゴリズム的な発想そのものが、AIへの指示を組み立てるうえで役立つのだろうと考えられています。
そして文章力が高い人はプロンプトの品質が高く、プロンプトの品質が高い人はアプリの出来もよいという、きれいな連鎖が見えています。

なお今回の実験では、LLMを普段からよく使っている人ほどバイブコーディングの成績が低く文章力も低いという意外な結果も。
因果関係は断定できませんが、LLMに頼りすぎると自分で言語化する力が鍛えられないのかもしれない、あるいはもともと言語化が苦手な人ほどLLMを頻繁に使う傾向があるのかもしれない、と研究チームは考察しています。

※この論文は、コンピュータと人間の関わり方を研究するトップ国際学会CHI2026に採択されています。

[シバイヌおやびん（投資系VTuber） @yasutaketin]

アリババが、AIコーディングは人間の仕事を奪うのではなく、今後10年間にわたって人間が修正し続けるためのレガシーコードを生み出しているに過ぎないことを証明した。

コーディングテストに一度合格するのは容易だが、そのコードを崩壊させずに8か月間維持することは、AIにとってほぼ不可能である。

アリババは18のAIエージェントを対象に、100の実用的なコードベースを用いて233日間のサイクルでテストを実施し、長期的な保守能力を調査した。

その結果、75%のモデルがメンテナンス中に以前は正常に動作��ていたコードを破壊した。

Claude Opus 4.5/4.6のみが50%以上のゼロリグレッション率（デグレードなし）を維持した。

それ以外のすべてのモデルは技術負債を蓄積させ続け、最終的にコードベースを崩壊させた。

これまでは「今すぐ動くか」のみを問うHumanEvalのようなスナップショット型のベンチマークが使われてきた。

新しいSWE-CIベンチマークは、8か月間の進化を経てもなお動作し続けるかを問うものである。

ほとんどのAIエージェントは、今日のテストには合格するが明日にはメンテナンスの悪夢となるような、脆いコードを書く「その場しのぎの職人」である。

彼らはソフトウェアを構築しているのではなく、崩れやすい「トランプの家」を作っている。

ほとんどのモデルはコードを書くことはできるが、それを維持できるモデルはほとんど存在しないというのが現在の実態である。

[大野将也 |EmpowerX CEO @0_majaya]

良い動画。

[すぐる | ChatGPTガチ勢 𝕏 @SuguruKun_ai]

Claude CodeやOpenClawで「MCP」使ってる人全員に知ってほしい。
ㅤ
MCPはスキーマ注入だ���で数万トークン食う。GitHub MCPサーバーだと93ツール分のスキーマで約55,000トークン
ㅤ
海外の検証だと同じタスクでMCP経由145,000トークン、
CLI経由4,150トークン。35倍の差....：
ㅤ
詳しく書いていきます👇🧵