Toshiaki Toyama

[川邊健太郎 @dennotai]

【金持ちより時間持ちを目指します】
この度、就いていたほぼ全ての役職を、災害支援を行うLINEヤフー基金を除いて辞めます。大企業の社外取締役やプロ経営者にもなりません。

ネット産業での30年は全部忘れて、これからの人生はAI革命に全賭けします。

AIは今までの技術とは一線を画します。

組織の在り方、社会の仕組み、そして最終的には「人間という種の進化」を本気で変える力があると確信しています。

それを体得するのに必要なのは「お金」じゃなくて「時間」だと気づきました。

だから給与は激減しますが、既存の仕事を極限まで減らし、AIと向き合う時間を最大化します。

AIを使い倒して、自分自身を「AI駆動型人間」にアップデートする。それが今、一番楽しそうで、自分らしい生き方だと思うからです。

AIは究極の「指示待ちの天才」です。

人間が本気で「こうしたい」という欲さえ持てば、精緻なプランを考え、驚くほど実行してくれます。

だからこそこれからは：
•  早朝〜昼までは徹底的にAIと向き合う
•  午後は人間と向き合う（日本全国を旅しながら)

を日々のリズムにしていきます。

AIと自分とを一体化させ、強欲と社交性を磨きながら、新しい出会いと皆さんの欲や夢を深掘りしていきたいです。　

その範囲で、面白そうな仕事やお手伝いも引き受けます。

推し活的な特殊な条件をお付けすることもあるかもしれませんが、、ご理解いただける方だけご連絡ください。
詳細はこちら↓
https://t.co/lSXVWI3JXq

ネットはAI到来の序章に過ぎなかった。これからが本番です。

人生後半戦、もう一度ゼロから始めます！

[そう｜Claude Codeで始めるAI自動化 @so_ainsight]

Netflixのエンジニアが、AIのトークンを最大95%カットするOSSを公開した。

しかも精度は落ちない。元に戻せる「可逆圧縮」だから。

ClaudeやCursorを使っていると、地味にきついのがトークン消費。
長いログ、RAGで取得したテキスト、複数ファイルの読み込み。
AIに渡すたびにトークンが溶けていく。

その問題を、AIに渡す前に解決するのが「Headroom」。

AIエージェントが読み込むあらゆるデータ（ツール出力、ログ、取得テキスト、ファイル内容）を、AIに届く前に整理する。同じ意味のまま、ずっと少ないトークンで渡せるようになる。

実測値がこれ。

→ トークン削減: 60〜95%
→ 圧縮アルゴリズム: 6種類（コード専用・ログ専用・汎用など用途別）
→ 精度: 可逆圧縮のため元に戻せる（情報の欠落なし）
→ 対応ツール: Claude Code、Codex、Cursor、Aider、Copilot CLI

これまでトークンを削るために要約したり、プロンプトを削ったりしていたところを、
Headroomが自動で圧縮してくれる形に変わる。

特に長期エージェント実行や、大きなコードベースに向き合う作業では体感が変わるはず。

導入もシンプル。

ライブラリ、プロキシ、MCPサーバーの3通りで導入できる。

・100%ローカル動作（データを外に出さない）
・Apache 2.0ライセンス（商用利用も可）
・クラウド依存なし

GitHubで34,000スター超えなのも納得。

詳しくは下に置きます。

[Patrick OShaughnessy @patrick_oshag]

My conversation with Alex Sacerdote, founder of Whale Rock Capital Management.

Alex runs more than $17B and has been one of the best performing tech investors for years, though he keeps a low public profile.

As you'll hear, he is singular in how he thinks about investing through technology cycles.

For over 25 years, he has built his entire investment framework around a single idea, the S-curve.

We discuss:
- The AI L-Curve
- When to buy into an S-curve and when to sell out
- The de-commoditization of data center hardware
- Why he went net short software
- His two models for tech adoption
- Finding alpha

Enjoy!

Timestamps
0:00 Intro
9:55 AI's L-Curve
19:31 Whale Rock's S-Curve Playbook
26:14 Spotting Inflection Points
32:02 Finding AI Winners
40:04 AI vs Software
48:13 The Hardware Renaissance
58:04 Why Investors Miss AI
1:05:18 Whale Rock's Research Machine

[Sakana AI @SakanaAILabs]

🐠 Sakana Marlin リリース 🐠

本日、Sakana AIは、初の商用プロダクトとして、ビジネス向けの自律型リサーチアシスタント「Sakana Marlin」を提供開始しました。

詳細はこちら：https://t.co/ZWsYW91LGu
ブログ：https://t.co/leVp2dPxgL

[InterviewCat公式@エンジニア面接対策 @InterviewCat582]

Software Engineering at Googleの著者の一人であるAdam Bender氏の「Software Engineering at the Tipping Point（ソフトウェアエンジニアリングの転換期）」がAI時代のエンジニアリングに対する考え方が面白かった。

講演の中心にあったのは「Software Ecology（ソフトウェア生態系）」という考え方だった。

ソフトウェア開発はコードやツールだけで構成されているわけではない。組織構造、文化、レビュー、テスト、CI/CD、インフラ、リリースプロセス、開発者の行動原理などが相互に影響し合う巨大なエコシステムとして存在している。

Googleのモノレポや大規模リファクタリング（Large Scale Change）の話も同じ文脈で説明されていた。

Googleでは数百万行規模の変更を単一の開発者が実施できるが、それは単にモノレポがあるからではない。

・全社共通のビルドシステム
・大規模なテスト基盤
・標準化されたライブラリ
・共通のコードレビュー文化
・高い透明性
・継続的改善を重視する文化

といった技術的・組織的な要素が相互に結び付いているから成立している。

つまり「モノレポを導入したからGoogleになった」のではなく、「Googleというエコシステムがあるからモノレポが機能している」という話だった。

その上で、AIはこのエコシステム全体に大きな圧力をかけ始めている。

もしコード生成速度が10倍になったら何が起きるのか。

多くの人は開発者の生産性に注目するが、Bender氏は開発エコシステム全体を見るべきだと指摘する。

例えば、

・コード量は10倍になるのか
・テスト実行量は何倍になるのか
・CI基盤は耐えられるのか
・コードレビューは機能するのか
・リリース頻度はどう変わるのか
・トークンコストはどう管理するのか
・人間はコードベースを理解し続けられるのか

といった問題が発生する。

特に印象的だったのは、「AIは問題を解決するのではなく、既存のシステムを増幅する」という話だった。

開発文化が強い組織はさらに強くなる。

レビューやテスト、設計原則が機能していない組織は、これまで以上の速度で問題を生み出す。

AIによって変化するのはコード生成だけではない。

ソフトウェア開発を支えるエコシステム全体のバランスそのものが変わろうとしている。

だからこそ今後重要になるのは「どのAIツールを使うか」ではなく、自分たちの開発組織がどのようなエコシステムとして成立しているのかを理解することなのだと思う。

[Turing Post @TheTuringPost]

Wow, this is interesting..

@Stanford researchers put a common assumption to the test: large models need only “high-quality” filtered training data.

What if the best filter is no filter at all?

They compared full Common Crawl data with heavily filtered versions of it and got surprising results:

1. Filtering can help with small compute budgets, because models can't learn from everything well.
2. However, as models get larger and train longer, the full, unfiltered dataset becomes the winner.

Large models handle messy data better than expected – low-quality text, irrelevant text, or some “junk” data are not a big deal; these models can tolerate them.
And they can even extract useful signal from data that looks poor.

These facts transform general rules:
→ Filtering helps when compute is limited. But when compute is very large, removing too much data may throw away useful information.

This also connects with the concept of "bitter lesson": at large scale, simple scaling often beats clever human design.

But the final choice depends on your constraints and preferences – would you rather increase compute costs or put more resources and time into filtering?

Interesting to see your answers 👀

[Haruhiko Okumura @h_okumura]

Stripeは、2ヶ月かかるはずの5千万行のRubyコードの移行を、Fable 5で1日で終えた https://t.co/DIrB715ZLU
（日本ではレジを消費税0にするのに1年かかる）

[朱雀 | SUZACQUE @Suzacque]

Fable 5を2日間使った感想
・IQは最強でGPT-5.5 pro の比ではない
・EQは高いのにKYで、真実を追求する
・ビジネスなど人間世界の理解が半端ない
・現実世界に適用できる提案力も半端ない
・なのに回答スピードは比較的速い
・主力LLMの座はGPT-5.5 proから交代
・そのためにMaxプランにアップグレード済
・常時稼働なしならMax5倍でトークン量は十分
・Codex派だったがClaude Codeに乗り換え済
・GPT-5.6 proでも超えられない可能性が高い
・結論：このモデル、ヤバすぎ。非エンジニアもみんな使うべき

[tatsuki | Claude Code活用支援 @nobel_824]

なぜAIを使っても生産性が上がらないのか。Claude Code責任者のBoris Chernyが語ってた。

[川邊健太郎 @dennotai]

https://t.co/258BVHBC8b

[荒川 豊 (Yutaka Arakawa) | 九大 | 福岡未踏 @rkwy]

🚨名門バークレーが「AI封印」へ――法学教育に激震　

・UCバークレー・ロースクール、AI使用を“ほぼ全面禁止”に
　
・論文の構想・下書き・編集・翻訳まで全部NGという徹底ぶり
　
・試験中のAI利用は完全アウト
　
・授業資料をAIにアップロードすることすら禁止
　
・許されるのは「判例・法令の探索」など超限定的な用途のみ
　
・違反は“AI不正使用”とみなされるリスク
　
・背景：生成AI（特にClaude）の急進化で方針転換
　
・狙いは「学生の思考力」を守ること
　
・例外はAI教育目的の特別コースのみ
　
・AI全盛時代に逆行？→むしろ“人間の頭脳”を守る戦略

https://t.co/xwvbx0QSgy

[佐藤航陽（さとうかつあき） @ka2aki86]

ロボットに瓦礫を歩かせるトレーニング。NVIDIAのシミュレーション基盤を使って５億回の学習を短期間でまわし、転ばず歩けるように訓練させた。

デジタル上でAIに物理法則を正しく学習させて、有事や災害でも対応できるフィジカルAI基盤を準備。

[Kazunori Sato @kazunori_279]

13万個のTPUを結ぶ通信の話。Googleに15年いて一番衝撃だったのは、この辺りのスパコン系技術（RDMAやRoCE等、ソフトやTCP/IPを介さずノード間でμs単位の直接通信）が10年以上前からGoogleのクラウド基盤を支えてたこと。データセンター＝スパコンのような設計。それがLLM時代にぴったりマッチした。

[Günther | グンタ @gunta85]

欲しすぎてもう予約した。

Monako Glass

世界初、Linuxがそのまま動くメガネ。しかもターゲットが"エンジニア専用"。

通知を出すだけのARおもちゃじゃない。完全にコーディング用に振り切ってる。

・Claude Code / Codex / Cursor CLI がメガネの中で動く（ターミナルそのまま）
・Macで走らせてたセッションを、状態を保ったまま歩きながら引き継げる
・カメラが見てる景色をそのままエージェントのプロンプトに流せる ・骨伝導マイクで音声入力 → 外出先でも環境ノイズを無視して通る
・MonoOS = Lua製アプリ層の独自Linux。Androidではない。喋るとLuaのマイクロアプリがビルドなしで即生成・起動
・48g、見た目はただのサングラス
・アニメーション基盤にRiveを採用してる辺り、技術選定のセンスの良さが分かる

「机からの解放」って言葉、これは"歩きながら開発する"側に本気で振った最初の一台だと思う。

個人的に一番唸ったのはプロダクトじゃなくてやり方の方↓
予約金 $19、本体 $399、出荷は7〜8月予定（本当に届くかは…まあ見てみよう笑）。
これ、お金を集めるクラファンじゃなくて "需要" を集める予約。
先に金を握らずに、工場への発注精度だけ上げてリスクを消すやつ。普通に賢い。

[五代 @godai_ceo]

孫さんの右腕も言ってる
人間に能力差はない。

1:05〜からが金言。

元GS田中渓さんの笑みも説得力を持たせてる。@KeiTanaka_Radio

[KUROKAWA TOMOYA / 黒川 朋也 @KUROKAWA_KKk]

「AIをどうビジネスにフィットさせるか」
という話であって、
Palantirだけが特別な魔法を持っている。
という理解ではない。

むしろ危険なのは、
いまだに次のような順番で考えてしまうこと。

AIを入れる
→ データをつなぐ
→ コンテキストを整える
→ 業務が変わるはず

これは逆。

正しくは、

業務で何を変えたいのか
→ 誰のどの意思決定を変えるのか
→ そのために必要なデータ・権限・業務ルールは何か
→ AIをどこに入れると成果が出るのか

AI導入の本質は「AI活用」ではなく、
・業務設計
・意思決定設計
・実行設計

AIはその上に乗る手段でしかない。

Palantirのオントロジーが評価される理由も、突き詰めると
「企業の業務構造をモデル化したから」

これは言い換えれば、
本来まともな業務改革・DX・ITコンサルであれば当然やるべきこと。

顧客の業務を理解する。
現場の意思決定を理解する。
データの意味を揃える。
権限と責任を整理する。
実行プロセスに落とす。
成果が出るまで運用する。

これは、AI時代になって突然生まれた新概念ではない。
寧ろ、『ビジネスの基本』

多くの企業ができていないから、Palantirのような会社が強く見える。
ここを見誤ると、また
「オントロジー」
「FDE」
「AIP」
「AIエージェント」
という新しい言葉に飛びつくだけになる。

本当に危険なのは、
AIを業務に合わせるのではなく、
業務を理解しないままAIに期待すること。

たとえば、日本企業でよくある失敗は、

「ChatGPTを導入しました」
「Copilotを入れました」
「AIエージェントを作ります」
「社内データをRAG化します」

というところから始めること。

しかし、業務側で、

誰が何を判断しているのか。
どの判断が遅いのか。
どこで責任が曖昧なのか。
どの業務が属人化しているのか。
どのデータが信用できないのか。
どのアクションまでAIに任せられるのか。
間違えた時に誰が責任を持つのか。

が整理されていなければ、
AIは便利な検索窓か、
少し賢い議事録ツールで終わる。

ややPalantir中心に語りすぎると誤解を生む。

本質は、Palantirがすごいではなく、
AI時代でも、結局は
『顧客業務の理解と構造化、実行設計が価値の中心である』
ということ。

さらに言えば、
これを「オントロジー」と呼ぶか、
「業務モデル」と呼ぶか、
「デジタルツイン」と呼ぶか、
「POM」と呼ぶか、
「DX設計」と呼ぶかは二次的。
重要なのは、
『現実の業務が動く構造になっているか』

AI時代に本当に問われるのは、
AIリテラシーではない。

業務を分解できるか。
顧客の意思決定を読めるか。
データと現場をつなげられるか。
実行責任まで設計できるか。
AIを成果に変換できるか。

ココ。

「AIをビジネスにどうフィットさせるか」という当たり前の話を、いまだに新しい概念として語っている時点で危険となる。

AI導入の失敗は、技術不足ではなく、ビジネス理解不足から起きているだけに過ぎない。

Palantirの話から学ぶべきことは、
オントロジーという言葉ではなく、
AIの前に、
業務そのものを正しく設計しろということ。

[Fei-Fei Li @drfeifei]

https://t.co/Kt50ttQRMJ

[今井翔太 / Shota Imai@えるエル @ImAI_Eruel]

新しいコーディングAIのエンジニアリングベンチマークのDeepSWEが、一番信頼できる評価と話題になってます。
Mythosはないですが、結果はユーザーの感覚と大体一致しており、やはりGPT-5.5が一番高い。
研究上の評価ではGPTはClaudeに負けているはずですが、もう主要ベンチマークが信用ならない時代。

[Felipe Demartini @namcios]

30 anos.

Por 30 anos o PC foi a mesma coisa: Intel ou AMD dentro, GPU do lado, e torce pra não travar.

A NVIDIA acabou com isso numa keynote.

RTX Spark. Primeiro chip deles para computador pessoal. CPU, GPU e memória num único silício. ARM, 3nm, 1 petaflop de IA local.

Num laptop de 14mm.

Rodou Forza Horizon 6 e 007 First Light no palco a 100 FPS em 1440p. Fora da tomada. Sem throttling. No Windows.

O número que muda tudo: roda modelos de IA de 120 bilhões de parâmetros sem cloud. Sem API. Sem assinatura. Seu agente de IA mora na sua máquina. Ligado 24 horas. Só seu.

O PC não é mais uma tela com teclado. É uma estação de IA pessoal.

[Brandon K. Hill | CEO of btrax 🇺🇸x🇯🇵/2 @BrandonKHill]

今アメリカでかなり話題になってる、ワートンとボストン大の経済学者2人が、何も変えなければ、AIは確実に経済を壊すことを数式で証明。タイトルは「The AI Layoff Trap」。このままの流れで解雇が進むと、消費が極端に冷え込み、世界恐慌が訪れる。僕の考察を含めスレッドで解説します。↓