Dixie Flatline aka McCoy Pauley. ‘If you say so..’

国際資本、軍閥２.０、 難民流入、暗号通貨、アフリカという視点。 西欧主権国家の根幹が揺らぐ世界。 自律思構と強化認知に導かれ、 砂丘の果てに見るものは、ギブスンの啓示。 21世紀人類の生き進む方向。 ウィリアム・ギブスンのファン。 人生が百年の時代。毎日が百年に一度。日々成長。 農業IoT&食品衛生領域に進出中。

[Dixie Flatline aka McCoy Pauley. ‘If you say so..’ @theROMconstruct]

@ore825 @ebr_zkmt ありそうで、書かれていない、お家カレー レシピ ♪
牛乳のお家カレーで、一世帯で年間73Lの、牛乳消費が爆誕 ♪
(S&Bカレー消費調査 換算)

市販ルー＋牛乳1L＋バター150g＋ケチャx玉2＋ウスターx玉3
これだけ ♪

麦ごはんでどうぞ(眠くならない)！
牛乳、品切れ必至 ♪
https://t.co/2LfaNscBde

[ぺぺ @pepe223223]

なんでもCopilot#102 臨時会！「吉田大貴さんが語る（仮）」 を公開しました！ https://t.co/K6cx3z1HuH #なんでもCopilot

[Dataibridge @Dataibridge_01]

コーパスを 丸呑み した LLM から、言語の何が立ち上がるか。次単語予測という自己教師あり学習だけで、品詞・関係知識・文脈内学習（ICL）まで出る一方、世界モデルや意図は持たない、という見取り図です。

・単語カテゴリの抽象化（存在しない語でも統語スロットに置ける）と、並列構造から「首都–国」関係を拾う構造誘導
・In-context Learning を暗黙の構造学習として読む Hahn & Goyal、FFN＝Key-Value記憶／知識ニューロンを潰すと特定事実だけ落ちる介入実験
・確率的オウム批判と、フレーゲの文脈原理・用法基盤モデルを実験科学として再検証する経験主義的言語観

FAQ・社内文書を学習させたモデルが「言い換えると崩れる」ときの切り分け（知識が乗っていないのか、頻度パターンだけなのか）、few-shot の例文の並べ方レビュー、知識編集（どのニューロンを触るか）の前提説明、生成AI導入時の「理解しているのか丸暗記か」説明資料に使えます。VOCや満足度の自由記述をLLMで要約するときの限界ラインのチェックリストにもそのまま落とせます。

https://t.co/LH4gDMXEmm

[よしだたいき | 高卒で🇺🇸GAFAMエンジニア管理職 @TaikiYoshidaJP]

Xのトレンドで勉強会を開催するって書かれたらもうやるしかないなw

[よしだたいき | 高卒で🇺🇸GAFAMエンジニア管理職 @TaikiYoshidaJP]

剛田くん、これはめちゃくちゃいい問いだと思う。
しかも僕は、「数年後にその世界が来る」というより、第一段階はもうかなり始まっていると思ってる。

順番に答えるね。まず、第一段階について。
ここは実は、全部を人間が一から整理して巨大なナレッジベースを作らないといけない、という話でもないんだ。Work IQは、Microsoft 365上で日々仕事をしていること自体からコンテキストを作っていく。

SharePointやOneDriveのドキュメント、Teamsの会議やチャット、会議のトランスクリプト、Outlookのメールや予定、誰と誰が一緒に仕事をしているのか、どういう仕事が継続して行われているのかのコンテキストはMicrosoft 365上のシグナルとして自動でWork IQの材料になる。それもあって、僕のチームでは積極的にミーティングとかの録画・録音はオンにしなくても、最低限トランスクリプト（書き起こし）はオンにしている。お影で3－4個ミーティングが重なっても、人として判断が必要なものだけに参加すればよくなったんだ。あと、昔いた会社のようにファイル名でバージョン分けちゃうとタイムスタンプがあるとはいえ、混乱しやすくなるから正しくSharePointのバージョン管理を利用するように徹底してるし、OneDriveの直リンク共有とかもなるべく減らすようにチームにお願いしている。

そうすれば例えば、「1年前のA社案件のPowerPointを探せ」だけではなくて、「このテーマについて過去に誰が議論して、どんな判断をして、その後どうなったのか」という仕事のコンテキストそのものをAIが扱えるようになっていく。

そしてコンテキストについて言うと、これをWork IQだけで終わらせていない。業務データや指標、リアルタイムデータをビジネスの意味に変換して扱うのが Fabric IQ。自社システムや各種ナレッジソースを、エージェントが使えるナレッジとして扱うのが Foundry IQ。そして外部世界の最新情報をコンテキストとして持ってくるのが Web IQ。これらをMSはこの春にまとめて、Microsoft IQというインテリジェンスレイヤーとして発表したんだ。
つまり、仕事の文脈×業務データの文脈×分析結果としての文脈×外の世界の文脈をCopilotやCowork、エージェントから使えるようにしていく考え方だね。

ただし、剛田くんの言う通り、「じゃあ顧客の機密情報まで全部ファーム全員のAIに食わせるの？」というのは全然違う。ここはむしろ重要な設計思想で、Work IQは基本的に、その仕事を実行している本人の権限で見えるものしか見えない。僕がA社の案件に参加していなければ、A社の機密資料が突然僕のCopilotから見えるようになるわけじゃない。さらにMicrosoft Purview のDLP（データ損失ポリシー）、機密性ラベル、SharePoint側のアクセス制御などを使えば、「人間にはアクセスできてもAI処理には使わせない」みたいなところまで制御できる。

だから僕は、案件固有の機密情報を全社共有することと案件から得た学びをファームのインテリジェンスにすることは、分けて考えるべきだと思ってる。後者は、ある程度抽象化すればいい。

実際これは実際に僕のFDEチームでもやってる。各プロジェクトの最後に、何をやったか、何がうまくいったか、何が失敗したか、次回同じケースなら何を変えるか、他の顧客でも再利用できる型は何かをMarkdownの形に落とすSkillを作って、チームに展開し、Markdownは集中管理してチームのIQとして保管している。

成功した案件だけじゃなくて、失敗した案件ほど残す。昨年度は100件に1件ぐらいあったけど、僕は失敗したこと自体では担当者を責めない代わりに再利用可能なコンテキストに変えてくれたら褒めるようにしていた。一人が失敗して、その失敗をきちんと言語化しておけば、ほかのメンバーは同じ穴に落ちなくて済むからね。
だからのび太くんもミスしてもいいんだ。1回は。

そうすると面白いことが起きる。みんな失敗を隠さなくなるし、いろいろと積極的に試してくれるようになる。そして「Fail Fast」が単なる文化論じゃなくて、組織のIQを増やす仕組みになる。
僕はこれが第一段階への一つの答えだと思ってる。

で、第二段階。
「それができたら、人間には何が残るの？」
ここが一番面白いよね。

生成AIって、ものすごく乱暴に言えば、膨大なデータからパターンを統計的にトークンとして学習して、その文脈に対してもっともらしい次の出力を生成する仕組みだよね。もちろん、今のモデルは今まで見たことがない組み合わせや、かなり新規性の高いアイデアも生成できる。でも、自分自身の人生を生きて、相手の顔を見て、その場の空気を感じて、何を大切にするかを自分の意思で決めているわけではない。だから僕は、人間の価値は知識を覚えていることから、かなり変化していくと思ってる。

シンプルな例として、顧客が、「分かりました。検討します」と言ったとする。AIから見れば、かなりポジティブな文章かもしれない。でも優秀なコンサルなら、その直前の沈黙、役員同士の目線、誰が発言しなかったか、いつも質問する人が今日は何も言わなかったこと、そういうものを見て、「これ、全然納得してないな」と判断することがある。これは議事録にもTeamsのトランスクリプトにも残らない。だから顧客の経営層との対談は楽しくてやめられない。

そしてもう一つ。AIが過去100社の知見を一瞬で取り出せるようになったら、「100社見たことがある」だけでは、ベテランの価値にならなくなると思う。代わりに重要なのは、100社のどの知識も答えにならない101社目で、何を思いつけるか。
例えば、「過去は全部こうだったけど、今回は逆なんじゃないか？」とか、「そもそもこの問題設定自体が間違ってるんじゃないか？」「誰もやってないけど、試したらどうなる？」というコンサルならではの問いを作れる人。そこは今まで以上に価値が上がると思う。

だから僕のFDEチームでは「Fail Fast」の文化をかなり強く言ってる。AIに正解を聞いて、安全なものだけ選ぶ人を増やしたいわけじゃない。今まで誰も思いつかなかったものを見つけて試す。僕は、AI時代の人間の価値は「答えを知っていること」より、「まだ存在しない答えを探しに行けること」に寄っていくと思ってる。

そして最後。「出来杉たちGAFAMの次の価値って何なんだ？」という問いだけど、これも、僕の今の仕事そのものなんだ。

僕が今マネージャーとして見ているFDEチームの仕事は、いろんなお客様の現場に実際に入り込んで、「AIを入れたら、ROI含めて本当に仕事はどう変わったのか」を4週間で見ること。何がうまくいったのか。何が全然使われなかったのか。モデル・製品・組織の問題なのか、Skillが足りないのか、ツールが足りないのかなどを現場で学ぶ。そしてそこで得たものを、僕らFDEだけができる特殊技能として抱え込むのではなくて、僕らが作ったSkillやAgentや実装パターンで、汎用化できるものはどんどんテンプレートにして外に出す。

そして、今日僕らしかできないことを、コンサルファームだと明日はシニコンができるようにする。明後日はジュニアもできるようにする。その次はのび太君でもできるようにする。それが僕らのミッションだと思ってる。
究極的には、今僕らがFDEとしてやっている仕事そのものを自動化して、なくしてしまいたい。それができたら、次のもっと難しい仕事をやればいい。

これは別に遠い未来の話でもなくて、かなり身近なところでも既にやってる。今、僕のチームでは平均して30〜40プロジェクトくらいが並行して動いているけど、以前は誰が何をやっているか、誰が余力があるか、タイムゾーンは大丈夫か、次の案件を誰に振るべきかを僕が各USとEMEAのメンバーに確認して判断していた。それを今は自動化して、プロジェクト状況とチームの負荷を見て、新しい案件のアサインまで仕組みに任せている。もちろん最後は僕が本人に最終確認するけど。

結果として、僕自身の時間だけでも週2時間くらい減った。でも僕にとって一番大きかったのは、その2時間じゃなくて、1on1で「今どの案件やってる？」と確認する必要がなくなったこと。だからその時間を、「最近どうしているか、次の案件では何をやりたいか、何を尖らせたいか、どういうキャリアにしたいかという話に使えるようになって、キャリア相談は月一に増やせるようになった。僕はこれがすごく象徴的だと思ってる。
AIでマネージャーをなくしたわけじゃなくって、マネージャーから、マネージャーじゃなくてもできる仕事をなくしたおかげで人間にしかできないマネージャーの仕事の割合が増えた。

だから僕の勝手な見解だけど、GAFAMの次の価値も人間がやらなくていい仕事から、もっと人に意味のある基盤を作ることなんじゃないかな。そしてこれは最初の話にも戻ると、剛田くんものび太君も、AIに仕事を奪われないためにAIより上手にPowerPointを作る必要はない。
むしろ、自分の仕事の中から、AIに渡せるものをどんどんAIに渡して、そこで空いた頭と時間を、まだAIにはできない仕事に使ってほしいと思う。

ということで剛田くん。最後の「お前のものは俺のもの」についてだけど。残念ながら、剛田くんには僕のWork IQのアクセス権がないから、それは無理だよ。そこはPurviewの方が強いみたいだね。

[Dixie Flatline aka McCoy Pauley. ‘If you say so..’ @theROMconstruct]

@yan_motorcycle Fujifilm...org

[そら @sora_biz]

知ってました？

Google AI ProにGoogle Colabがバンドルされたこと。

なので、プランの計算資源を使って、オープンLLM vs Claude Code/Codex/Grok Buildの横並びベンチ環境を実装中。

動画は最軽量クラスの「Qwen3-0.6B」でテストしてるとこ

「この用途なら〇Bで足りる」を点数化していく予定

[Yanagi 🦅 @yan_motorcycle]

NikonからCanonに乗り換えた理由がまさにこれ

[コリー @Collie_Collie_]

こちらのマッキンゼーのレポートでは、AIエージェントについて、「どのような種類があり」「どのような仕組みで動き」「ビジネスにどのようなインパクトをもたらし」「どのようなリスクが懸念されているか」の全体像がすっきり整理されています。

https://t.co/2hWit57dj5

[connect24h @connect24h]

なるほどねぇ。課題の可視化で、マネージャーが全スレ人力でチェックしてプロジェクトの外観を確認してちゃダメということだ。

AIで議事録を作るだけなら、PMOはまだ変わらない。

LayerXの実践が生々しい。開発費の10〜20％を占めるともされる管理業務にAIを差し込み、チャットからのチケット起票は体感で10分の1。一方、会話履歴やGitHubからWBSを自動更新しようとすると精度不足。未決タスクを網羅的に集めれば、今度は一覧が長くなり、認知コストが増えた。

効いたのは「万能AI」ではなく、情報源ごとに処理を分け、人の確認を残し、社内MCPで権限と認証を共通基盤へ寄せる設計。

AIを入れても、仕事の流れが悪ければ、悪い流れが高速化するだけ。入口は議事録でも、本丸はPMO業務そのものの再設計にある。

https://t.co/7kf5b2yZog

[高橋光 | 著書『データ分析力を高める ビジネスパーソンのためのSQL入門』 @light940]

Palantir公式によるオントロジー解説。オントロジーは組織のデジタルツインであり、データをオブジェクト・プロパティ・リンク・アクションにマッピングして組織の全体像を作る。オントロジー活用の本家がどう定義しているか一次情報として押さえておきたい。
https://t.co/MtuHtqql6j

[すっとん_データサイエンスやプログラミングの仕事をしてる人 @akiyory]

諸般の事情で、トランスフォーマーを深いレベルで猛復習することになって、レベル1としてこのYouTubeに行き着いた。

https://t.co/hxQITXq4VX

マジでわかりやすい！

[Dixie Flatline aka McCoy Pauley. ‘If you say so..’ @theROMconstruct]

@connect24h ＞だがそれがいい！竹宮恵子ミも感じる。

人類が、種として進化する時…

『地球へ』50周年のことですね。わかります…

1977年1月号 - 1980年5月号
↓↓↓
2027年

宝塚、実写化。決定！！！乞う！今こそ！

中年太りのシロエ♪

#竹宮惠子 #地球へ50周年 #宝塚 #Cyberpunk_2077

[connect24h @connect24h]

Google、全技術者にOpus 5開放と報道。主力と独占を分ける発想ですね。Techmeme掲載のBusiness Insiderの見出しでは、Googleが全エンジニアにAntigravity経由でClaudeOpus5を開放したと報じられている。Geminiは引き続き社内開発の主要な基盤モデル、という説明も併記。

AIに実装やレビューを任せる側として、この組み合わせは気になる。主力モデルが決まっていても、別モデルを選べる余地は残す。乗り換え合戦とは違う話に見えるんよね。

全員への開放に至った経緯は元記事で追いたい。自分がいつものモデルに任せている仕事、得意だから選んでいるのか、単に慣れているからなのか。

https://t.co/N8jkqBOuim

[ねず宮ちんじろう @land_chinchilla]

前提知識なしで読める数理最適化の記事を寄稿させて頂きました！機械学習内で使われている数理的技術の雰囲気が分かるように書いたつもりです。よろしくお願いします～

[Takuji Hashizume @takujihashizume]

「司法にAIはまだ早い」という前に ―宍戸研究会取りまとめへの感銘と、最高裁のAI検証方法に対する疑問 https://t.co/WDTQckWo3S

[Michael Guo @Michaelzsguo]

一直有一个很有趣的现象：引领 AI 发展的研究者中，有相当多是中国人。看上去甚至有点像是，在中国的中国人 VS 在美国的中国人。

当然，更准确地说，是大量顶尖 AI 研究者在中国完成本科教育，之后进入了中美两套不同的研究体系。

X 上这篇日本帖子从“为什么日本很少出现顶尖 AI 研究者”出发，研究中国AI人才的途径，挖出了这条持续二十多年的人才管道：

清华、北大、浙大、中科大等中国顶尖大学
↓
Stanford、MIT、Berkeley、CMU 读博士
↓
进入 OpenAI、Google DeepMind、Meta、Anthropic
↓
参与前沿模型和大规模 GPU 集群的研发。

他的结论是：光有优秀的 18 岁学生还不够，还需要一套十几年的培养路径，把他们变成能够站在世界前沿的 30 岁研究者。

无独有偶，这个视频也讲到了同样的人才管道。

视频从 OpenAI 的一张研究团队合影开始，继续追踪 Meta、xAI、Google DeepMind 等顶级实验室，发现大量核心研究者都在中国完成本科教育，之后赴美读博，并留在美国工作。

根据 MacroPolo 的统计，以本科教育地计算，中国培养的研究者占全球顶尖 AI 人才的 47%。而在美国机构工作的顶尖 AI 人才中，美国和中国培养的研究者合计占 75%。

过去二十年，中国提供了大量优秀的本科生，美国把他们进一步培养，并留在了自己的顶级实验室里。现在，DeepSeek、Kimi 等国内头部模型实验室带来的变化是，这条人才管道的最后几段，也开始可以在中国完成了。

[Yoji Kiyota (清田陽司) @kiyota_yoji]

連載「長尾真先生の問いを、生成AI時代にもう一度」第10回を公開しました。入口は食卓の塩です。「それは塩ですか」は質問の形をした依頼。2026年のLLMはこの試験に合格します。では対話の問題は解けたのか。長尾真先生の定義は、その先を要求していました。(1/8)
https://t.co/6hBWV7KYna

[bakigul @bakigulai]

AI agent’lar için açık kaynak Palantir yapmışlar:

Semantica.

Veriyi knowledge graph’e çeviriyor, agent kararlarını kaydediyor ve sonradan “bu kararı neden verdi?” sorusunun izini sürebiliyorsun.

Context Graph + Decision Intelligence + provenance + deterministic reasoning.

Self-hosted, MIT lisanslı.
https://t.co/w2IC2mt9yc
Yapay zeka hakkında güncel kalmak için
https://t.co/igLD9mmWgw

[無料配布「トラ技ジュニア」は未来のエンジニアを応援しています！ @toragiJr]

「わからない所は箱にする」から始める論理回路入門。仮装大賞の得点バーを題材に、OR、AND、NOT-AND-ORの“最強フォーメーション”を学ぼう！
https://t.co/8As3n1K4Oy
#トラ技ジュニア

[しばやま @mottolicht]

noteを書きました。統計学手法を用いて、特許リストからR&Dの組織規模を推定する方法と、そのツールに関する論説（一試み）です。お盆休みにお楽しみください。

特許の発明者情報に捕獲再捕獲法を適用し、研究開発組織の規模と人材流動を推定する試み｜しばやま @mottolicht https://t.co/1TzquHu2G7