← 2026-01-14 の一覧へ戻るホーム
**Ask HN:** 「リチェスとStockfishの不一致」

2026/01/14 4:44

**Ask HN:** 「リチェスとStockfishの不一致」

RSS: https://news.ycombinator.com/rss

元のHacker News記事へ ↗
要約▶

Japanese Translation:

現在の要約はすべての主要なポイントを明確かつ簡潔に捉えており、追加で変更する必要はありません。

本文

Lichess の解析ボードと自分のローカルで動かしている Stockfish との間に、速度に関する不一致があることを理解しようとしているんですね。

  • Lichess（ブラウザベースの解析）では、Redmi Note 14 Pro 上で Stockfish が「約 1 MN/s」を報告します。
  • それに対して、自分が Python スクリプトからネイティブ実行ファイルを呼び出して動かした場合は、「約 600 kN/s」しか見えません。

さらに混乱するのは、速度が高く報告されているにも関わらず、Lichess では深さ 30 に到達するまでに約 2:30（150 秒）かかる一方で、ローカル設定では同じ深さにたった 53 秒で到達し、しかもその際に報告されている N/s は低いという点です。Lichess の解析は評価値の更新頻度が非常に高く見えます。

この違いは以下のような要因によるものだと考えられます。

  1. N/s の測定・表示方法

    • Lichess は「瞬時速度（instantaneous）」を表示している可能性があります。
    • Python から直接呼び出した場合は、平均値（average）が報告されるため、実際のピーク性能と差が生じます。

  2. 検索設定の違い

    • Lichess は継続的に再探索を行う「continuous search」方式である一方、ローカルでは「search restart」や MultiPV の有無・ハッシュ再利用（hash reuse）などが異なる可能性があります。

  3. エンジンの制御オーバーヘッド

    • UI や I/O でのスロットリング（throttling）が影響する場合があります。Lichess の Web UI はリアルタイムに評価を更新するため、頻繁な通信が発生します。

  4. 「深さ 30」の定義

    • フロントエンドごとに探索の停止条件やカウント方法が微妙に異なる場合があります。したがって、同じ数値でも実際には探査範囲が変わることがあります。

結論として、Lichess が「高い N/s」を報告しているにも関わらず、深さ 30 への到達時間が長くなるのは、上記のように測定方法・設定・オーバーヘッドの違いによるものと考えられます。もし詳細な検証を行いたい場合は、Lichess のソースコードや API を確認し、どのタイミングで N/s が計算されているかを調べると良いでしょう。

同じ日のほかのニュース

一覧に戻る →

2026/01/14 5:45

**ゲームズ・ワークショップ、スタッフのAI使用を全面禁止　経営陣はテクノロジーに興味津々でない** - 同社は従業員が業務上人工知能ツールを利用することを一律で禁じる方針を採用しました。 - 経営層は知的財産の安全性や創造的コントロールへの影響を懸念していると述べています。 - 業界内では注目が集まっても、上級経営者はAIがデザイン・生産フローに与えるメリットに対し慎重な姿勢を保ち続けています。

## Japanese Translation: **改善された概要** Games Workshop は、コンテンツ制作と設計プロセスにおける生成型 AI ツールの使用を正式に禁止しました。この方針では、厳格な監視下で数名の上級マネージャーのみが AI を実験できるようになっていますが、その可能性についてはまだ誰も興奮していません。外部コンペティションへの参加を含む不正使用は禁止されており、企業はデータ準拠・セキュリティ・ガバナンスを監視し、AI/ML エンジンがデバイスに自動インストールされるのを防止する必要があります。 GW の禁止措置は知的財産権を保護し、人間クリエイターを尊重するとともに、上級スタッフによる限定的な調査を許可しています。この決定は、より広い文脈の中で行われました。GW は *Warhammer 40,000* や *Age of Sigmar* などのフラッグシップテーブルトップタイトルを所有し、高品質のコデックス本・ミニチュア・アニメーションを販売しており、最近は新規採用で Warhammer Studio を拡大しました。Displate の作品に関する最近の紛争―Displate がそのアートワークが AI によって生成されたと否定し、「赤旗」を人為的なミスに帰せたケース―は、ファンが生成型 AI アートに対して反発していることを示しています。特に Warhammer の美学に大きな影響力を持つアーティスト John Blanche の存在がその背景にあります。 今後も GW はデータ準拠とセキュリティの監視を継続します。上級マネージャーは AI の可能性を探るかもしれませんが、内部方針の変更や外部圧力が変わらない限り、広範な採用は見込めません。この禁止措置により GW は Genvid、EA、Square Enix など AI を積極的に導入している競合他社に比べて遅れを取ることになり、ゲーム開発の競争ダイナミクスが変わる可能性があります。これは生成型 AI の統合に対する業界全体の慎重な姿勢を反映しています。

2026/01/14 2:10

**チューリップ・クリエイティブ・コンピュータ** - 芸術と技術のユニークな融合 - 革新的なビジュアル体験を設計 - 鮮やかなカラーパレットと最先端ハードウェアを組み合わせる

## 日本語訳： **Tulip CC** は低電力で手頃な価格のセルフコンテインドポータブルコンピュータで、オープンソースの音楽ワークステーションとしても機能します。ESP32‑S3マイクロコントローラを中心に構築され、MicroPython を実行し、AMY ステレオ 120 ボイスシンセサイザーエンジン（加法／減法/F‑M 合成、サンプラー、Karplus–Strong、アナログフィルタ、シーケンサー、ドラムマシン、パッチエディタ）とキャパシティブ・マルチタッチ対応のタッチスクリーンディスプレイを備えています。 デバイスは 8.5 MB の RAM（MicroPython 用 2 MB、OS 用 1.5 MB、残りがグラフィックスフレームバッファ）と 32 MB のフラッシュ（うち 24 MB が使用可能）、Wi‑Fi、USB キーボード/マウス/MIDI、I²C/Grove/Mabee コネクタをセンサーや周辺機器用に搭載し、組み込みの pico/nano スタイルエディタ（構文ハイライトと REPL）も備えています。グラフィックスは LVGL によって処理されます：テキストフレームバッファ 128 × 50（ANSI 256 色）、スキャンラインあたり最大 32 スプライト（32 KB ビットマップメモリ）、1024 × 600 の背景フレームバッファでスクロール、PNG ローディング、デフォルト 30 FPS、解像度調整可能、256 色。 電力消費は 5 V で 575 mA（中程度の輝度）で、LiPo、18650、または USB バッテリーパックに対応しています。追加ソフトウェア機能として、ネイティブチャット/ファイル共有 BBS「TULIP ~ WORLD」、MIDI 入出力コールバック、およびクリエーションの共有用 Web バージョンがあります。 Tulip CC は市販ユニット、DIY ハードウェアキット、フル機能の Web アプリ、またはネイティブデスクトップアプリ（Mac/Linux/WSL）として入手可能です。開発リソース—完全な API ドキュメント、チュートリアル、Discord コミュニティ、およびオープンソース GitHub リポジトリ—が提供されており、埋め込みデバイスとデスクトップ環境の両方で動作するために貢献が必要です。将来のファームウェア更新では、合成モジュールの拡張、LVGL を介したグラフィックス解像度の向上、および電力効率の改善がコミュニティの入力を受けて行われる可能性があります。

2026/01/14 1:22

「二つの頭（＝複数の視点）が一つより優れているのでしょうか？」

## Japanese Translation: ## 要約 コイントスの結果を時折だけ報告する人々がいる場合、報告者数が奇数であると予測精度が向上し、さらに1人追加して偶数にすると追加効果は得られないという点が主旨です。 シミュレーションと解析的な検証から次のように示されています：正直な友人（80 % 正解率）を1人だけ持つ場合、2人目を加えても精度は80 %のままであり、合意しても不一致が相殺されるため利益がありません。3人目が参加すると精度は90 %に上昇し、4人目が加わると再び90 %に戻ります。このパターンは奇数回報者ごとに繰り返されます。 この発見はコンドルセートの陪審理論を反映しており、偶数規模のグループでは多数決が引き分けになる可能性があるため、新たな情報を提供しないことを説明しています。著者は、創造的執筆プロジェクトを開催するプログラミングリトリート「Recurse Center」でベッティングシミュレーションを実行している際にこの現象に気付きました。 今後の研究では、この傾向がより複雑な投票設定や大規模グループでも維持されるかどうかを検証することが期待されます。グループサイズと偶奇性が意思決定品質に与える影響を理解することで、クラウドソーシングサイト、陪審制度、または人間の判断を集約するあらゆるプラットフォームの設計者が、不必要な偶数参加者を追加しないよう助けることができます。