Goki

分厚い肉を焼きたい
全部個人の見解

[iwashi / Yoshimasa Iwase @iwashi86]

マネジメント色でありながら、どうやって技術力を保っていくか、という話。

・EMにとって技術的習熟もはやオプションではなく必須のスキル
・技術的習熟とは、チーム内で最も優れたプログラマーになることを意味するではない
・システム構造や技術的な課題を的確に理解する能力のこと

・マネージャーが技術を理解していると、エンジニアは自分たちの状況や苦労を正しく代弁してくれると感じて強い信頼を寄せる
・技術的な知識があれば、現場のエンジニアの作業を中断させて質問することなく、マネージャー単独で迅速に意思決定ができる

・また、技術詳細をマネージャー自身が把握しておくことで、経営層などのステークホルダーに対する報告やフィードバックのサイクルを短縮できる
・他に、チームの業務に必要な技術的要件を正確に把握できるようになるため、採用活動においてもより優秀なエンジニアを見極めやすくなる

・マネージャーが技術力を維持し向上させるための実践的なアプローチとしては、主に4つの方法が存在する

・第一の方法は、AIに対する適切な指示出しであるプロンプトエンジニアリングのスキルを抑えること

・第二の方法は、現場のエンジニアと一緒に具体的なタスクに取り組みながら学ぶこと
・この共同作業はエンジニアの本来の業務を圧迫しないよう、ロードマップに影響しない優先度の低いタスクを選んで実施すると良い
・一緒に作業をする際は、評価目的ではなくマネージャー自身の学習目的であることを率直に伝えておく（負担になるから）

・第三の方法は、チームの業務に関連する特定の技術ドメインをひとつ選び、その分野の専門知識を計画的に身につけること

・第四の方法は、システムの将来性や保守性を大きく左右する重要なアーキテクチャ設計のレビューに積極的に参加すること

・技術的習熟は一度で終わるものではない
・日々の小さな積み重ねによる継続的な自己投資によるもの

https://t.co/okZud1c9Sp

[Goki @goooooki]

この性質を変えるのはとっても難しくて、基本的は同期の圧は非同期の理性を食いがち

[Goki @goooooki]

企業がAI時代に適応する性質があるかどうかを見極めるポイントは非同期・ストック情報でどれだけ仕事できてるかだと思います。これがない企業は赤に近い黄信号

[Goki @goooooki]

企業がAI時代に適応する性質があるかどうかを見極めるポイントは非同期・ストック情報でどれだけ仕事できてるかだと思います。これがない企業は赤に近い黄信号

[iwashi / Yoshimasa Iwase @iwashi86]

Claude Code 周りでよく出てくるのは Boris 氏だけど、その上司の方が出ているエピソードで、良い話が大量にあった。
以下は、順番を変えての自分用メモ。内容が良かったので分量多め。

・マネージャーが見るべきなのは、メンバーがどれだけコードを書いたかではない
・その仕事が顧客や事業にどのような成果をもたらしたかどうか
・コード行数、PR数、トークン使用量などは活動量を示すだけ（意味がない）

・ClaudeにSlack、リポジトリ、指標、顧客からのFBや意見を確認させる
・そうすれば、マネージャーは大量の情報を横断してチームの状況を把握できる
・AIによる要約は報告書の代わりにするだけでなく、メンバーとの対話を始める材料として使う

・マネージャー自身も一定期間はICとして働き、チームのコードベース、ツール、プロダクト、リリース手順を直接経験することが望ましい
・新任マネージャーが最初からマネジメントだけを始めると、現場を理解しないまま、以前の会社で覚えた手法を持ち込む危険がある
・マネジメント責任を持つ前にICとして働けば、チームメンバーとの信頼関係を築きやすくなり、現実に即した判断もできるようになる

・また、マネージャーがPRを作る目的はプロダクトや開発環境の手触りを失わないことにある
・自分でプロダクトを使えるマネージャーは、資料や指標だけでは見えない不便、品質低下、顧客体験の問題に気づきやすい

・自分ではプロダクトを使いにくい場合もある
・その場合は、顧客への訪問や利用状況を観察させてもらい、現場との距離を意識的に縮める必要がある

・AIによって一人で多くの仕事を進められるほど、チーム内の会話が減って孤独になりやすい
・なので、共同作業の機会を意図的に設計すると良い
・ペアプログラミングやハッカソンは、親睦のためだけでなく、メンバーごとに異なるAIの使い方を共有する学習機会になる

・計画の立て方も6か月のロードマップではあっさり陳腐化する
・だから、1か月単位の軽量なJITプランニングにして、役に立たなくなったプロセスは積極的に捨てる
・月単位で軽く計画し、毎週優先順位を確認する
・長期的な方向性は示しつつ、具体的な実行内容は短い周期で更新すれば、チームは一貫性と柔軟性を両立できる

・Anthropicの社員は2025年と比べて四半期あたり約8倍のコードを生み出している
・その結果、仕事の重心は書くことから検証すること、つまり、生成された大量のコードが本当に正しく動き、品質が高いかを確かめることへ移った

・モバイルの専門家でないエンジニアがClaudeを相棒にしてモバイル開発をこなすように、自分の専門外の領域にも踏み出せるようになった
・コードを書く人がエンジニアだけでなくなった
・デザイナーもPdMも全員がコードをコミットする、誰もがビルダーの時代
・職種の境界が溶けてきている
・エンジニアはよりプロダクト志向に。PdMやデザイナーはより技術的に

・採用で求められるのは二種類
・プロダクトに情熱を注ぎ端から端まで磨き上げる創造的なビルダーと、深いシステムの専門家
・モデルは優秀だが完璧ではないので「信頼せよ、しかし検証せよ」という原則が貫かれる
・ここで、専門家による検証が必要な領域へ投資する

・この時代にうまく適応できる人と、恐れて抵抗する人の間にギャップが広がりつつある → これは社会全体の分断にもつながりかねない深刻な問題
・適応の鍵は成長マインドセット

https://t.co/5VJAHQMumP

[久保田 雅也@Coalis @kubotamas]

Midjourneyの予想外のピボット。なんと全身超音波スキャナー事業を開始するとし、60秒で全身を3Dスキャンする超音波装置を発表した

人が水槽に入り、全方向から超音波を照射して体内を可視化する仕組みで、MRIより安価で手軽な健康診断を目指すと

将来的に人体のデジタルツイン基盤を構想し、2027年にはスキャンやサウナを組み合わせた「Midjourney Spa」をSFに開設するらしい

https://t.co/wI1f5TBNZI

[石橋秀仁 情報アーキテクト @zerobase]

工学的な知の本質は「降りてきた課題を解くこと」ですね。エンジニアに受動的な傾向があることは当然だと言えます。
それに対して、「何を解くべきか」「何を作るべきか」を示すのが、経営やデザインの意志ですね。
もしエンジニアが能動的にそれを示せるなら、その人はエンジニアリングだけでなく（本質的な意味での）「デザイン」の仕事もしていることになる。
逆に言えば、あるデザイナーが「降りてきた課題を解く」だけなら、その人は本質的な「デザイン」の課題に取り組んでいないと言わざるを得ません（厳しいですが）。
このようなデザイン／デザイナー観は、クリッペンドルフ『意味論的転回』を踏まえているのですが、これからの時代（ポスト工業化時代）のデザインやデザイナーについて考える上で有意義な概念化だと思っています。
デザインの本質的な仕事とは、人々にとってより望ましい未来を知覚可能な形で示し、その実現を導くこと。ですから、現代において本質的な「デザイン」の課題に取り組んでいるのは、大半の自称「デザイナー」よりも、むしろ経営者・企業家・新規事業リーダーといった人たちであるかもしれません。生成AIがプロトタイピングを大衆化・民主化したことで、その傾向は増していくでしょう。
そんな時代に、デザイナーは自らの専門領域（ディシプリン）を変革しなければ生き残れません。それこそ『意味論的転回』の主題です。

[Itaru Tomita / 冨田到 @itarutomy]

LoRA（大きなモデルを固定したまま全体の1%未満のパラメータだけ追加学習する手法）の役割を根本から見直す論文（https://arxiv[.]org/abs/2606.02437）。

「安価な代替手法」ではなく、1つの巨大基盤モデルの上に何百万もの個人専用AIを並列で動かす基盤として再定義している。

最も具体的な示唆はこの比較だ。DS-Distill-Qwen-1.5Bをフルで学習（1.5B全パラメータ更新）するとAIME 2025の改善率は8.33%。一方でDS-Distill-Qwen-32BにLoRA rank-8（学習パラメータはわずか0.07B）をかけると20.61%。学習パラメータが1/20以下でも、強い基盤モデルの潜在能力を引き出す方が圧倒的に効率良い。

論文は3つの軸を整理する。

Scale Up（基盤モデルを強くする）では、Kimi K2（総パラメータ1.04兆・実行時32.6B）でLoRA強化学習を実現し、フルパラメータRLに比べGPU使用量を約10%に圧縮した。

Scale Down（アダプタを小さくする）では rank 16〜32が実用デフォルト。rank 1〜4は成果は出るが不安定な研究フロンティア。

Scale Out（多数の個人モデルを並存させる）では198個のLoRAバリアントで多数決をとるとAIME24の正答率が0.3644から0.4867に上昇。個人モデルの多様性が集合知として機能する。

Qwen3-235B + rank-32 LoRAでALFWorld（言語で指示する家事ロボットベンチマーク）スコアが0.646から0.845に改善し、LoRAが「事実の暗記」でなく「スキルの定着」として動くことも示した。

1つの共有モデルが何百万人分の「記憶・習慣・スキルを持つ個人AI」を支えるという絵が、現実のインフラの話として出てきた。

[Goki @goooooki]

黒潮のせいだったのかと思いたくなる急変ぶり

[走る人参(気象予報士) @Runninzin]

令和の新しい夏、始まる―――

[走る人参(気象予報士) @Runninzin]

令和の新しい夏、始まる―――

[Jamin Ball @jaminball]

Awesome keynote by @alighodsi at the @databricks summit.

Some takeaways below. TLDR - Databricks is now a data processing platform, a data platform, an agents platform and an apps platform

Architecture updates
Iceberg / table formats
- v3 is now GA: the unified data layer. Delta & Iceberg files are laid out identically on disk, no rewriting to share across formats
- v4 (targeting Q4 '26) finishes the job by unifying metadata. After that, Delta and Iceberg are effectively one format end-to-end

Lakeflow ingestion (3 modalities, all GA):
- ZeroBus: kills the need for Kafka. Hit one API endpoint with bursty/tiny-row data at high rate, no buffering, no millions of small files
- Spark Real-Time Mode: sub-10ms latency in open-source Spark, closing the gap with Flink (Spark's old micro-batch floor was ~1s)
- Lakeflow Designer: Alteryx-style drag-and-drop; talk to Genie, it generates inspectable, version-controllable Spark under the hood
- 100+ connectors now (Salesforce, Workday, NetSuite, Meta, Google Analytics, and more)

Lakebase + LTAP:
- Lakebase: open-source Postgres on the lake. Serverless autoscaling to zero, plus branching: clone a petabyte DB in <1s via copy-on-write (agents love it)
- LTAP: unifies the transactional (Lakebase) and analytical (Lakehouse) layers, a breakthrough the industry has chased for 40 years
- Reyden: new query engine hitting tens-of-ms latency

Unity AI Gateway: one pane of glass for all AI
- Single entry point for every agent, harness & model
- Commit spend to Databricks, buy tokens directly from OpenAI / Anthropic / Gemini on any cloud
- Budgets + alerts down to the individual level
- Guardrails, auditing, identity management for every agent
- Register any MCP server, authenticate once
- Free + open source (part of Unity Catalog + MLflow)

Genie: The Agents Platform, powered by Ontology
Instead of agents for-looping through your data live (slow, expensive, inaccurate), Genie Ontology runs in the background and builds a knowledge graph of your most important assets across lakehouse + Drive + SharePoint + email + many other sources. It ranks importance using "OntoRank" - basically PageRank for enterprise assets. Databricks' own instance has 4.5M ontology snippets. That context feeds four agents:

Genie One: universal interface for any business user to ask questions across all data
Genie Agents: turn any Genie conversation into a deployable autonomous agent
Genie Code: coding agent that's elite at data engineering + ML/data science
Genie Zero Ops: monitors pipelines, fixes a 2am break in an isolated branch, pings you for one-click approval

New vertical apps
Lakewatch: agentic SIEM / "security lakehouse" (also acquiring Panther Labs)

Customer Lake: agentic CDP with LLM-powered identity dedupe + one-to-one "infinity campaigns"

[Goki @goooooki]

ネットに触れた時の反応が人間よりも強いな。あらゆるパターンに全集中できちゃうのは人間と違うところな気がする

[Rohan Paul @rohanpaul_ai]

Sony AI’s Ace robot defeats pro Miyuu Kihara under official ITTF rules

Nature paper - "Outplaying elite table tennis players with an autonomous robot"

[Itaru Tomita / 冨田到 @itarutomy]

GrepSeekが発表された（https://arxiv[.]org/html/2605.29307v1）。

RAGのベクトルインデックスを丸ごとなくして、grepコマンドでWikipedia 2100万文書を直接検索する手法「DCI（Direct Corpus Interaction）」を、9Bの小型モデルQwen3.5-9Bに学習させた研究。

まず前提を整理する。通常のRAG（検索拡張生成）はテキストをあらかじめベクトルに変換して事前インデックスを構築し、「意味的に近い」ドキュメントを返す。速いが固定チャンク単位に縛られ、「親会社と子会社の区別」「化学式の完全一致」のようなケースで混同しやすい。一方、DCIはインデックスを持たず、grep/rgコマンドで生テキストを直接検索するので任意粒度の文字列を精確に取り出せる。

先行DCIはClaude等の大型モデル依存で1クエリ最長1時間かかっていたが、GrepSeekは小型モデルに学習させることでこれを解決した。ただし直接RLをかけると「コマンドが広すぎてコンテキストが爆発する」崩壊が頻発し、1024GBのRAMでも枯渇したと報告されている。

そこで2段階学習を設計した。「正解を知るTutor」がgrep証拠チェーンを逆算構築し、「正解を知らないPlanner」がそれを正方向の推論軌跡に変換して合成データ1万件を作成。SFT後にGRPO（グループ相対ポリシー最適化）で200ステップ強化学習する。

学習が進む中の挙動変化が面白い。最初はコマンドを複数回独立発行するが、ステップが進むにつれてパイプ（|）で繋いだ複合コマンドへ進化し、発行コマンド数が平均3.06回から2.56回に減少。1回の検索でより多くの情報を取る方向に自律的に洗練されていく。

7ベンチマーク中4つで最高F1（マイクロ平均0.5691、最強比較手法Search-R1は0.5441）。HotpotQAでは0.6231対0.5591と差が顕著。アブレーション実験でSFTを除去するとマイクロ平均0.3314まで落ちることから、コールドスタートデータが精度の土台になっている。

弱点はアクセント付き固有名詞や表記ゆれ（PopQAで有意低下）。クエリ1件あたりの推論時間もベクトル検索より長い。ただし事前インデックス構築が完全不要で、ベクトル検索ではA100 GPUで数十時間かかるインデックス作成コストがかからない点は大きい。

grepで検索を学習することのポテンシャルと限界が、同時に見えてくる論文。

[Goki @goooooki]

ほんとこれ。こんなこと常態化させてたらAIバブル弾けかねないし。OpenAIへの出資もちらつかせて軍事利用を引き出すんだと思う

[Shuji Sado (佐渡 秀治) @shujisado]

Anthropicの件、国家安全保障上の懸念というのは今の米国の政権にとっては色々と使いやすい手段であって、本当の理由は単に気に入らないの一言なのではないかな。出資を受け入れますよ、とか言えば通りそうな気がする。

[Shuji Sado (佐渡 秀治) @shujisado]

オープンソースAIは ... どれほど巨大な先端モデルが市場を席巻しようとも、誰もが到達可能な再現可能な基盤を社会の側に維持するということであり、これこそが最低限のデジタル主権であり、「AI主権」の核心である。
https://t.co/yRWzlRb8Ah

[Goki @goooooki]

ドラクエのカギがある島みたいだ

[亀泉酒造株式会社 @Kameizumi_Sake]

高知県。
海に浮かぶ秘密基地みたいな廃家屋。

[buzzっちゃったか @tufs_vamos]

この単語使っていきたい

[Goki @goooooki]

公開情報として資産を増やしまくっている大統領が相場操縦を堂々とする世界線、なかなかしびれる

https://t.co/3i7UJZeZb8

[Garry Tan @garrytan]

The ideal system for machines, for humans, and for the agents that are now both is:

strict at the boundary

congruent in what it sends

capability-scoped in what it trusts

fast to fail loudly instead of corrupting silently

and brave enough to run exactly one deliberate vulnerability loop with the node it has chosen

[Garry Tan @garrytan]

GBrain v0.42.30 can now give you a detailed summary of how your thinking has changed over time.

[Kentaro Hara @xharaken]

米糠の抗菌効果を利用します。
1. 鮮度が抜群の魚を用意する
2. 砂糖をたっぷり振って2時間脱水する（砂糖は分子量が大きいので甘みはつかない）
3. 薄く塩を振る
4. 煎った米糠に一味唐辛子を混ぜてラップごと包む
5. 冷蔵庫のチルド室（0℃）で2ヶ月熟成させる
6. 米糠を拭いて表面を炙って食べる