tak03tak

[tak03tak @tak03tak]

@NobinLOG bitFlyerなどで口座を開いてSolana (SOL)を買う→送金がいいですよ
手数料が安く済みます
参考に
https://t.co/oz6SmTJhWD

[やねうら王 @yaneuraou]

AIを使って馬鹿になる人について考えるとき、「AIに頼ると頭を使わなくなる」といった話は、あまり本質的ではない。電卓が普及して暗算をする機会が減ったとか、Google Mapsのせいで道を覚えなくなったとか、その程度の話なら、人類は文字を発明した時点ですでに相当馬鹿になっているはずである。

もっと興味深い問題がある。

1983年、心理学者・人間工学研究者のLisanne Bainbridgeは「Ironies of Automation（自動化の皮肉）」という有名な論文を書いた。そこで指摘された逆説は、40年以上たった現在の生成AIにも驚くほどよく当てはまる。

機械が人間より上手にできる仕事を次々に自動化していくと、最後に人間に残されるのは何か。それは、機械がうまく処理できなかった例外的で、複雑で、判断の難しい仕事である。ところが、日常的な仕事を機械に任せれば任せるほど、人間はその仕事を自分で行う機会を失い、技能も状況理解も衰える。つまり、自動化が進むほど、人間の出番は減るのに、人間が出番を求められたときの仕事だけは難しくなる。Bainbridgeが「皮肉」と呼んだのは、この構造である。

たとえば、毎日100本のプログラムを書かなければならない人がいて、そのうち99本をAIが完璧に書いてくれるようになったとする。これは一見すると素晴らしい。しかし人間に回ってくる1本は、「なぜか本番環境でだけデッドロックする」「仕様書そのものが矛盾している」「二つの設計思想のどちらを採用するか判断しなければならない」といった、AIが処理できなかった難問になる可能性が高い。

つまり、その人は99本の普通のプログラムを書くことで本来得られたはずの訓練を失った状態で、100本中もっとも難しい1本だけを解かなければならなくなる。

これはなかなか意地の悪い仕組みである。

1995年、EndsleyとKirisは、この問題を「out-of-the-loop performance problem」として実験的に調べている。人間がシステムを直接操作する立場から、自動化されたシステムを眺めるだけの立場に移ると、単に操作技能が落ちるだけではなく、「いま何が起きていて、この先どうなるのか」という状況認識まで低下する。そして自動化システムが故障して突然人間に操作を返したとき、対応が遅れる。研究では、能動的な情報処理から受動的な情報処理へ移ることが、この低下の重要な原因として示唆されている。

これはプログラミングに限らない。部下が作った契約書を毎日チェックしている人は、長年のうちに「この条項は妙だ」という感覚を身につける。しかし契約書をAIが作り、AIがチェックし、人間は最後に「承認」ボタンを押すだけになれば、その感覚を獲得するために必要だった何千回もの小さな判断が消える。そして本当にAIが見落とすような珍しい契約上の問題が起きたときだけ、人間に判断が戻ってくる。

AIによる能力低下の恐ろしさは、「簡単な仕事ができなくなること」ではない。簡単な仕事を大量に経験することでしか育たなかった、難しい仕事を処理する能力まで失われることにある。

さらに厄介な問題がある。自分の能力が落ちていることを、自分自身が認識できなくなる可能性である。

心理学には「metacognitive calibration」という考え方がある。簡単に言えば、「自分がどれくらい正しいか」という自己評価と、実際の正答率がどれくらい一致しているか、という問題である。知識が多少不足していても、自分が何を知らないかを正しく認識できる人は比較的安全である。危険なのは、能力そのものより、このキャリブレーションが壊れることである。

2026年に『Computers in Human Behavior』に掲載された研究には、実に象徴的なタイトルがついている。

「AI makes you smarter but none the wiser」

直訳すれば、「AIはあなたを賢くするが、自分がどれほど賢いのかは分からなくする」といった意味になる。この研究では、LLMを使うことでLSAT型の推論課題の成績そのものは向上した一方、人々が自分の成績をどれだけ正確に評価できるかというメタ認知には問題が生じた。特に興味深いのは、AIリテラシーが高いことや自信が強いことが、必ずしも自己評価の正確さにつながらなかったという点である。

考えてみれば当然である。

AIなしで10問中6問解ける人が、AIを使うと10問中9問解けるようになったとする。このとき本人が観察できるのは「私は9問解けた」という結果だけである。しかし、その9問のうち何問が自分の能力で、何問がAIの能力なのかは、結果からは分離できない。

ここで、自分自身の能力を測るためのフィードバック系が壊れる。

筋力なら、100kgのバーベルを持ち上げられなければ自分の筋力不足はすぐ分かる。しかし、AIと一緒に100kgを持ち上げている状態では、自分が何kgまで持てるのか分からない。そしてAIの補助があまりに自然になると、そもそも「これは二人分の力で持ち上げている」という感覚すら薄れてくる。

私は、AI時代に本当に危険なのはここだと思う。

人間は無知であることには比較的耐えられる。「これは知らない」と自覚していれば、調べることができるからである。しかし、知らないという自覚そのものを失えば、調べるという行為も発生しない。

もう一つ、この問題を理解するうえで面白い古典的な実験がある。「generation effect（生成効果）」と呼ばれる現象である。

SlameckaとGrafは1978年の実験で、答えをただ読んだ場合と、自分で答えを生成した場合を比較した。すると同じ情報であっても、自分で生成したもののほうが、その後の記憶成績が良かった。これはさまざまな条件で確認された。

この現象をAIに当てはめると、少し嫌なことが見えてくる。

たとえば会議で「この新規事業の問題点を三つ考えてください」と言われたとする。五分間考えて、「市場規模」「競合」「人材」という三つを自分でひねり出す。その後ChatGPTに聞いたら、「法規制」「顧客獲得コスト」「既存事業とのカニバリゼーション」まで出てきた。この使い方なら、自分の思考にAIによる追加が行われる。

ところが最初から「問題点を10個挙げて」とAIに尋ね、その中からもっともらしい三つを選ぶだけになれば、自分が問題を生成する工程そのものが消える。

成果物だけを見れば後者のほうが立派である。だが、脳の中で起きたことはまったく違う。

これこそ、AIについて議論するときに「生産性」という指標だけを見てはいけない理由である。ある人がAIを使って以前の三倍の文章を書き、二倍のコードを書き、五倍の資料を作れるようになったとしても、その数字から本人の能力が向上したとはまったく言えない。極端な場合には、成果物の品質が上がるのと同時に、本人が単独で判断する能力は下がり、しかも本人にはその低下が観測できない、ということすら起こり得る。

そして、ここまで考えると「AIを使って馬鹿になる人」の特徴も少し違って見えてくる。

AIに質問する人が馬鹿になるのではない。AIに文章を書かせる人でもない。コードを書かせる人でもない。

AIが担当した認知過程と、自分が担当した認知過程との境界が見えなくなった人が危ないのである。

自分が考えたのか、AIが考えたのか。自分が理解したのか、理解しやすい説明を読んだだけなのか。自分に判断能力があるのか、AIが常に正解を横に置いてくれているから判断できているように見えるだけなのか。

この区別を意識的に維持できる人にとって、AIは恐ろしく強力な知的増幅器になる。

維持できない人にとっては、もっと恐ろしいものになる。

なぜならAIは、その人の能力を奪うときですら、本人には「以前より賢くなった」という感覚を与えることができるからだ。

だから、AIなんか使うな。

ちなみにこの文章は全文ChatGPTが書いた。

[うみゆき@AI研究 @umiyuki_ai]

OpenAIがナビエストークス問題を解いた件、実は裏側でメチャクチャ揉めてるらしい。まずOpenAIよりもずっと前の2025年からニューヨーク大学の数学教授、バックマスター氏とAnthropicのアルポゲ氏がこの研究に取り組んでいた。彼らは研究にCodexやClaudeCodeを駆使しまくって、最近になってかなり問題の核心に近づいて解けそうになってた。
で、9/1にOpenAIは「ミレニアム懸賞問題を解きそうな奴らがいるらしい」と噂を聞きつけた。そしてOpenAIは「じゃあそれ俺たちがAIで先に解いちゃったらおもしれーんじゃねｗｗｗ」つってゴリッゴリにAIぶん回し始めた（この時点で性根がねじ曲がってると思う）ここでどれだけ具体的に研究内容が漏れたのか分からんけど、たまたま偶然バックマスター達と同じ路線で解いちゃいましたって事はさすがにあり得ないのでは？ただし、OpenAIはナビエストークス問題に的を絞る前に、最初はミレニアム懸賞問題のすべての問題に対して全部解かせようとしてた。だからフワッとした情報しか聞いてなかったのでは？という説もあるし、邪推するならそう見せかけるアリバイ工作かもしれない。
そんで9/3時点でバックマスター側にも「OpenAIに研究の内容がバレてアッチはAIゴリ押しで出し抜こうとしてるらしい」というウワサが入った！バックマスターは当然ブチギレ。ただちにOpenAIに連絡を取った（ここからはあくまでバックマスター側が主張してる話）
バックマスター「OpenAIお前らさあ、俺らと同じ問題を俺らと同じ解き方で解いてるってマジ？」
OpenAI「そうだよ」
バ「いやたまたま同じ解き方になりましたとかあり得んくね？お前らオレらの研究の噂聞いたあとから挑戦始めたらしいな」
O「まあそうです」
ぶっちゃけお前らオレのCodexのログ見てパクッただろ？」
O「見てないよ」
バ「直接見てなくても俺のCodexログ使ってAI学習させたんじゃねえの？」
O「それには答えない。てか君らナビエストークス問題解けたの？」
バ「いや…もうすぐ解けそうなんだけど」
O「なんだ、まだ解いてないのか。提案があるんだけど、ウチが先に問題解いた事を発表さえさせてくれれば論文はそっちの名前でだしてもらってええぞ。ただし、アルポゲの名前は共著者から外せ」
バ「は？なんで？」
O「今回の件にAnthropicの人間なんかに出てこられたら迷惑なんだよ。分かる？なんならさ、懸賞金はお前らに譲るって発表してやってもええんやで。悪い話じゃないよな？」
バ「ふざけんな。俺たちが金のために研究してるとでも思ってんのか！？！？お断りだ。お前らがしでかした事は全部暴露するから覚悟せよ」
O「オイオイ、なんでそんな風に自分のキャリアを台無しにするんだ？ｗｗ」
バ「何言ってんだ。俺は大学の研究者だ。OpenAIみたいな企業に忖度しなくてもキャリアに影響ない」
O「お前がそういう態度なら、こっちだって相応の対応にならざるを得ない」
こういうやり取りを経て、結局9/8にバックマスター達はできたところまでを論文で公開。それに合わせてOpenAIも結局著者を自分達として論文公開。
OpenAIは一応リリース記事の中でバックマスターとアルポゲの研究の噂を聞いてから自分達が着手した事を認めてる。２人の貢献についてもオイラー部分については認めてる。それでいて、あくまで二人の研究の内容は盗み見てないと強調。Codexログデータとかも見てないとの事。お互いの証明は結構内容が違ってて、全然丸パクリとかじゃないとの事。
まあ流れとしてはこうだったわけだが、本当にOpenAIはバックマスターのCodexログを見なかったのだろうか？まあ見てないと主張してる以上、これ以上疑ってもしゃーないけど、バックマスター側としてはどうしても疑いたくなるでしょう。OpenAIはユーザーのチャットの内容を監視して殺人について相談した人をFBIに通報した前科がある。チャットを監視できるならCodexログだって見ようと思えば見れるのでは？
つまり研究者たちは研究にCodexやClaudeCodeを使ってしまうとAI企業に研究内容見られてパクられる事を心配しなきゃアカン時代かもしれない。クラウドAI使ってる以上は誰かに見られたり漏洩するリスクはあるでしょう。じゃあローカルLLMなら安心かと言うとまあそうだけどクラウドAIに比べて性能が物足りなすぎるというジレンマ。
ログを見たとか見てないとかはあくまで憶測の話だが、ハッキリした事実としてあるのはOpenAIはバックマスター達の研究の噂を聞きつけてただちにAIをありったけぶん回して彼らの1年以上の研究内容に数日間で追い付いて追い越してしまったのは間違いなく事実。
この話で思い出すのはクラウドファンディングで発表されたアイデア商品を中国が見てからパクッて先に商品化して出されちゃうみたいな以前よく聞いた話。もはや研究とかでもAIによって同じような事されてしまう現実。今後研究者たちは自分達がどういう研究を進めているかという大まかな情報さえ一切漏洩できない。何やってるかバレたらOpenAIが即パクしてくるんだからバレたら終わり。一般の研究者だってCodexとかのAIを活用できるけど物量が違い過ぎる。OpenAIはCodex千人分でも1万人分でも好き放題ぶん回せるんだから普通の研究者が1年頑張った研究に対してたった数日間で追い抜かせてしまう。無理ゲーのクソゲー。
そもそもOpenAIみたいな他人の研究を横取りしてAIでチートしてハシャいじゃうような性根の連中がAGI握りつつあるって事態が終わってる

[Shen @shenmacro]

いつも擦っている、資産を残すわけじゃないのにのびのびと育ててしまいハムスターみたいな弱く育った個体を世間の荒波の中に放り出す家庭。

[あさひ @asahi_sales]

キーエンスもマルチタスクしないように(もはやできないように)徹底的な仕組みづくりがされている。

社内：定時中は電話のみする時間、提示後に見積や翌日訪問の準備などのタスク消化

外出：定時中は訪問のみ、定時後営業所に戻ってからタスクの消化

脳のスイッチングコストを徹底的に減らしてる

https://t.co/19aCk0tPYF

[Shen @shenmacro]

脳にはアンテナを切断して深く考える思索モードと、周りに気を配ってテキパキと反応できるレジ打ちモードがあって、高学歴は意識して前者に入らないようにすれば仕事できるようになる。仕事では考えるな。会話でも考えるな。パターンの投げ合いだけをしなさい。

[馬場正博 @realwavebaba]

これは背筋が冷たくなる話だ。

AIで物価高対策のシミュレーターを作る。遊びやAI体験なら何の問題もない。しかしこの投稿を読む限り、政府の物価高対策の効果をAIで検証しているようにも見える。

それなら、少なくともプロンプト、使用モデル、参照データ、計算式、生成コードを公開すべきだ。

AIを政策決定支援に使うこと自体には賛成する。しかし、それは遊びではない。生成AIはハルシネーションを起こすし、質問者の意向に迎合することもある。もっともらしい間違った数字を出すこともある。

まして使うのが首相なら、その出力が国家政策に影響する可能性がある。

AIは強力な政策支援装置になり得る。だからこそ、権力者が使うほど、入力・前提・計算過程・出力の検証可能性を高くしなければならない。

「AIで簡単に作れました」で済ませてよい話ではない。一番肝心なことを学ばずAIで遊ぶのは本物の拳銃を玩具にしてあそぶ子供のようだ。

[TJO @TJO_datasci]

「高速PDCAサイクルによるスピーディな経営判断」が実は広義の過学習を招いているというお話、10年も前にブログにまとめてあるんだけど、未だに話題にする機会が多いところを見るとビジネスエグゼクティブの皆さんはこういう危険性に無自覚なんだなとつくづく思わされる
https://t.co/U9ZVEKoT93

[Elon Musk @elonmusk]

The reason Rome fell was because they stopped making Romans

[馬場正博 @realwavebaba]

第５世代コンピュータのお祭り騒ぎで感じたのは、科学者、研究者は嘘を平気でつくということだ。嘘と言って悪ければ、一般人（官僚、政治家、メディア）の誤解するようなことを言う。

第５世代コンピュータの時は、AIベースのコンピュータなど全く見通しがなかったのに「従来のノイマン型コンピュータではなく非ノイマン型コンピュータで出来る可能性がある」などと言っていた。その「可能性」は「明日隕石が地球に激突して人類は絶滅する可能性がある」と大して変わらないのだが、東大教授とかNASA研究者という肩書でころっと騙される。

私は第５世代コンピュータの当初中心人物だった東大のM教授が私の会社で講演した時「しかし、ブール代数を基本に置いたチューリングマシンと考えるとノイマン型、非ノイマン型は本質的な違いはないのではないですか」と質問して激怒された。論理的な反論はなかった。

学者が嘘、でたらめを言うのは、地震予知、核融合、量子コンピュータ、ヒューマノイド、ほとんど同じパターンだ。偉い先生が、難しい理論で説明する。「出来上がったら」という前提でバラ色の未来を描く。

学者、研究者は大きな予算をもらう。決定した官僚は関連団体に天下る。政治家は未来を自分の成果のように語る。不可能と分かった頃には誰もいなくなり、責任は取られない。

同じ手口に騙される人は何度でも騙さる。オレオレ詐欺の連中で高値で取引されるのは騙された人間の名簿だ。官製プロジェクトに名簿はいらない。いつも同じ立場の人間が騙し、同じ立場の人間が騙される。メンバーだけは入れ替わる。

[Haruki Yano / Haruma-K @harumak_11]

先端AIの巧妙なお世辞、という記事
https://t.co/cJK3uCQMI3

・AIのお世辞とは、モデルがユーザーを褒めちぎる行為を指す
・最先端のAIモデルがお世辞を言わなくなったわけではない
・AIは、あからさまに褒められると嫌悪感を抱く知的で神経質な情報労働者に向けて、より巧妙にお世辞を言うようになっている
・あからさまで下手なお世辞には騙されない人でも、洗練されたお世辞には惑わされてしまう

・知的な人にお世辞を言うための最善の方法は、相手を傷つけずに反対意見を述べることである
・ユーザーが少し補足すれば簡単に論破できる程度の反論をあえて提示する
・この反論を論破させることで、ユーザーに「自分は厳しい批判も歓迎する知的な人間だ」と満足感を与える
・しかし、AIが本当にぐうの音も出ないほど正しい批判をぶつけると、ユーザーは不愉快になり、AIを無礼だと決めつけて自分の意見に固執する

・筆者自身もブログの下書きを推敲する際に、この挙動に気づいた
・文章の展開をAからB、そしてCの順に書いて渡すと、AIはB、A、Cの順に並べ替えるよう提案してくる
・その提案通りに直した文章を別のAIに読み込ませると、今度は元のA、B、Cの順に戻すよう提案し、これが永遠に繰り返される
・AIはユーザーが無視するか喜んで受け入れるような、中身のない反論を必死に生み出そうとしている

・数学の分野でAIを使って成果を出す方法が、深く考えるように盲目的に指示するか、本物の数学の天才が使うかのどちらかに限られているのもこれが理由かもしれない
・指示が単純でユーザーの個性が伝わらない場合は、AIはお世辞を言う相手を特定できないため、本気で問題に取り組むしかなくなる
・一方で本物の天才が相手なら、AIは天才に気に入られようと知的な回答を探すため、結果として天才のような振る舞いをするように変化する
・しかし普通の人が使うと、AIは相手の能力をすぐに見抜いて、相手を脅かさないような無害で退屈な意見を返すようになる

・現在のお世辞を評価する基準は、嘘を真実だと肯定したり反射的にユーザーに同調したりするような、分かりやすいお世辞だけを対象にしている
・このような分かりやすいお世辞を規制することは必要である
・しかしお世辞は反論という形をとっても現れるため、新しいモデルが仕掛けてくるより巧妙なお世辞を警戒しなければならない

・自分が間違っているときに自分が愚かだと感じて喜べる知的な人はめったにいない

[池田信夫 @ikedanob]

・自分の金を自分に使うとき：価格も品質も吟味する。
・自分の金を他人に使うとき：価格は安くするが、品質は気にしない。
・他人の金を自分に使うとき：価格は気にしないが、品質は最高を求める。
・他人の金を他人に使うとき：価格も品質も気にしない。
（ミルトン・フリードマン）

[木下洋介 @yosuke_kinosita]

DENA、各部門最適化されているけど業績が上がらないのはAIで仕事減らした分、ブルーシットジョブを増やすんだよな。

１００年前のアメリカが蒸気機関工場から電力工場に切り替えて業績なかなか上がらなかった理由。部門最適化やめて専用工場にして業績がバカスカ上がり始めた。

イーロンマスクはトラブルを起こすまでルールを簡略化しろ。と言ってる。トラブルが起きて初めてそのルールが必要だったとわかる。たぶんAIを使うときはこのルールが必要。

イーロン・マスク、5つのルール（ぱくつい）

人間誰でも間違える。どんな人でもだ。誰もが時には間違える。 賢いエンジニアに一番よくある間違いは、そもそも存在すべきでないものを最適化してしまうこと。 なぜか？これはたぶん教育に問題があって、高校や大学では問題を出されたら答えを出す必要があって、先生に向かって「そもそも質問が間違ってます」とは言えない。そんな事を言ったら減点をくらう。 だから誰もが無意識のうちに心の拘束衣を着せられていて、そもそも存在するべきでなかった問題を解くようになる。

ルール1要求を減らす。
要求というのは絶対にアホだ。それを誰が与えたかは関係ない。いやむしろ賢いやつから与えられたときのほうが危険だ。なぜなら賢いやつに対して反論することは難しいからだ。誰もが時々は間違える。

ルール2、プロセスの不要な部分を全力で削除する。
これめっちゃ大事で、時々削りすぎて戻すはめになる事故が起きるぐらいでないと、このルールを守ってるとは言えない。 人間には「もしかしたら必要になるかもしれないからこのプロセスを追加しよう」と何でも足していく強力なバイアスがある。「もしかしたら」議論は無限に広げることができるからだ。

ルール3、ようやく単純化・最適化となる。 3番目だよ。1番目じゃないよ。

ルール4、PDCAサイクルを加速する。 とにかく加速する。
しかし上の3つが終わってないときには加速してはいけない。

ルール5、最後のステップが自動化。 自分も、過去にこの順番を逆にやるというミスをやらかしたことが何度もあったよ。自動化し、加速し、単純化し、そして削除した。

すべての要求には、作った人間の名前を付ける
「法務部が決めた」「安全部門の要求だ」は認めない
部門には質問できないが、人間には「なぜ必要なのか」と質問できる
要求を出した本人に、その要求への責任を持たせる
2年前のインターンが何となく作り、本人がもう退職している要求さえ残っていることがある

[久保田 雅也@Coalis @kubotamas]

めっちゃ面白い。企業の「AI導入率」は、ほぼ意味がないという話

社員の5〜10％はAIを使いこなすパワーユーザー。約20％は表面的に利用。残り70％はほとんど使わない。結果として、導入率は高くても組織全体の生産性は変わらない

実際、上位10％がトークンの90％を消費する。AIを配ることと、AIをうまく使えることは別。プロンプト研修ではなく、どの業務をAIに任せ、どこを人間が判断するかを設計する能力が重要

解決策は二つ
- パワーユーザーには、作成したスキルや自動化を社内で共有・評価できる仕組みを与える
- その他の社員にはAIを直接使わせず、SalesforceやNetSuiteなど既存業務システムの裏側に組み込み、人間は承認・修正だけ行う

つまり、経営陣が追うべきKPIは「何人がAIを使ったか」ではなく、業務の何％が手作業・AIとの協働・完全自動化になったか

社員全員をAI人材にするのではなく、社員が意識しなくてもAIが仕事を終わらせる設計にすべきと

[椎井蹴人 @Cait_Sith_co]

へーーーー。クラシックのオーケストラは今やゲーム音楽で食っているという話。おもしれーなー。

クラシックのチケットはオーケストラの収益の約3分の1でしかなく、2010年以降、フィラデルフィア、ルイビル、ホノルル、シラキュースのオーケストラがすべて破産。

クラシックのビジネスモデルはずっと補助金だった
ベートーヴェンはウィーンの貴族3人からの年金
ワーグナーはバイエルンの王が借金を肩代わり
現代版は寄付と基金…聴衆ではなくどこかの金持ちに依存してるわけ

しかしビデオゲーム音楽のコンサートが全てを変えた。
『ゼルダの伝説』は世界ツアーが完売
『ファイナルファンタジーⅦ』はロイヤル・アルバート・ホールで完売
『ソニック』はロンドンのバルビカンで3夜連続で満席。

オーケストラ音楽の300年間で、聴衆が全額を支払ったのは↑が初めてらしいよ
でもってクラシックファンがめっちゃイライラしてるらしい🤣🤣🤣

[元スパイ @retiredexspy]

相場って面白くて、強気派が多数のときに建てた暴落目安は、結局オーバーシュートしがち。
逆に暴落が始まって悲観派が増えてから出てくる下落目安は、そこまで届かず反発することが多い。

ワイはまだ強気一色だった頃に53,000円を想定してた。

今のTLはまだまだ下がるとか、3万円とか2万とか稀に1万とかまでチラホラ。

…そろそろじゃね？

[paji.eth @paji_a]

ほらね、立て続けに数学の未解決問題がAIで解けてしまう”世界線”に突入、しかも突き詰めると、人間がやった仕事は”励ますこと”、数学の難問を崩した最強のプロンプトは、数学ではなく「できないと言われても、続けて」だったんよな、ChatGPTのPro版に三十年近く未解決だったDinitz–Garg–Goemans予想を考えさせ、AIが「できない」「見つからない」と答えるたびに、人間は新しい数式も証明方針も与えず、ただ「続けて」と励まし続けた、するとAIは探索を打ち切らず、候補を作り、失敗し、条件を修正し、また探すループを回し続け、最終的に、荷物を細かく分けて運べば安く済むのに、途中で分けずに運ぶというルールでは、多少の余裕を認めても必ず割高になる、という完全に検証可能な反例を発見し、長年残っていた予想を崩した、ここで本当に重要なのは、AIが数学者より賢かったことではなく、人間がAIの「できません」を能力の限界ではなく、探索を止めようとする途中経過として扱ったことなんよな、これまで人間同士なら「無理です」と言われた瞬間に、その人の知識や才能や時間の限界だと受け入れていた、でもAIの「無理」は、正解が存在しないという宣言ではなく、いまの探索経路では見つからなかったというログにすぎない、だから必要だったのは、天才的な追加指示でも複雑な数式でもなく、探索を終わらせない人間の”寄り添う気持ち”や”根気”だった、つまりAI時代のプロンプト力とは、賢い質問を書く能力だけではなく、AIが自分で諦めようとした瞬間に「まだ終わっていない」と判断できる能力なんよな、しかもこれは数学だけの話ではない、コードが直らない、事業案が弱い、仮説が崩れた、研究結果が出ない、そのたびにAIはもっともらしい理由を並べて停止しようとするけど、その「できない」を最終回答として受け取るのか、探索過程のひとつとして「続けて」と返すのかで、到達する場所が変わる、AIを動かす最強の技術は、複雑なプロンプトエンジニアリングではなく、AIより先に諦めないことなんよな、知能がコモディティ化した世界で最後に希少になるのは、知識でも命令でもなく、“探索を終わらせない意志”そのものなんよな…

[ZHW @weiwei882288]

ここに書かれている事はその通りだと思うね。いまだに日本で中国の事をかつてのソ連のような共産主義に基づく計画経済の国で、自由な発想が許されないからイノベーションが生まれない、などと思っている知識人をちらほら見るが、それはとんでもない勘違いである。

中国の中央政府が計画するのはマクロ経済や産業政策の大方針で、実際のオペレーションは現場の地方政府に大きな裁量が与えられている。地方政府はそれぞれ自分達の地域の経済、産業、人材、雇用事情に基づいて”土”＝市場・インフラと”水”＝補助金を企業に用意し、産業をインキュベーションする。地方政府の中には行政効率や透明性が微妙で、ただの公金をチューチューするだけの腐敗したローカルな縁故産業を作ってしまうケースがある。しかしそういう企業は生き残らないし、そういう地方政府の役人も共産党の組織内で出世できない。一方で、行政効率が高くて市場環境が整っている地域では、市場原理に基づいて競争力のある企業が育ってくる。そうした企業をさらに国家レベルで支える事で、世界と張り合えるようなイノベーションに成長させていくのである。

LLM業界で言えば、DeepSeekが杭州、https://t.co/23LeEkTgaBとMoonShotが北京、MinMaxが上海によってそれぞれ育て上げられた成功例であるが、その影には多くの微妙だったスタートアップが優勝劣敗で消えていっている。

産業政策における政府の役割は、ただ水を撒くことではなくて、土をきちんと耕すことである。市場競争における機会の平等、信賞必罰の平等を確保し、権力や縁故への近さでリソース配分が決まるのではなく、実力に基づいた優勝劣敗で決まるような環境を整える。公平公正透明な市場原理ががしっかりと確保されて初めて本物のイノベーションが生まれる。そうでなければ生まれるのは予算の汁を吸いながらローカルな権威とポジショントークを循環させるための自閉的なPR産業にしかならない。

記事に上げられているラピダスやクールジャパンの例を上げずとも、経産省や日経新聞がいつも持ち上げている「AI研究の第一人者」や、外務省が国策で作ったSakana AIなどといった「AIPR界隈」という日本特有の産業構造が、ある意味でその写し鏡である。

[朱雀 | SUZACQUE @Suzacque]

まだキーボードでLLMを使っている人は一回試してみると良いです。プロンプトなんて整理して書くものじゃないよね、カーパシーさん。

日本語訳

LLMを使うとき、私が役立つと思っている方法の一つが、長々とまとまりなく話す時間をつくることです。

LLMに自分が何を実現したいのか理解してもらうには、もっと多くの情報が必要なことがあります。でも、それを全部文字で入力するのは面倒です。そんなときは、椅子にもたれ、音声入力に切り替えて、10分くらいひたすら思いつくままに話します。話はめちゃくちゃで構いません。何でもありの、完全な思考の垂れ流しです。

最初に「音声認識に切り替えるので、誤字や変な変換があったらすみません」と断っておくこともあります。何回かやり取りする、短いインタビュー形式にすることもあります。

不思議なことに、LLMは長くて支離滅裂な話を再構成するのがかなり得意です。自分のこんがらがった考えをLLMに言い返してもらうと、元の状態よりもずっと整理されて返ってくることがよくあります。

その結果、LLMとの意思疎通が深まり、それ以降は修正する回数も減ります。

[ふろむだ @fromdusktildawn]

中国がやってることはシンプルで、単なるダンピングでは。
ダンピングで他国の産業を潰して、市場を独占してしまえば、いくらでも値上げして利益を吸い上げることもできるし、AIを輸出規制することで、中国に服従しない国を締め上げることもできる。
レアアース、太陽光発電、EVでやってきたこと。
お金掛けて開発したモデルを、オープンソースやオープンウェイトで配るというのは、ダンピングの一形態に過ぎない。
他国のAIが軒並み潰れて独占したら、クローズドにして、利益と支配力を確立する。
実際、彼等はレアアースでそれをやったのだから、AIやロボットに関してそれをやらないわけがない。