2026/02/01 2:21

モバイルキャリアは、あなたのGPS位置情報を取得できることがあります。

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

要約▶

Japanese Translation:

Appleの次期iOS 26.3は、電話がApple独自のモデムシリコンとファームウェアを使用する際に「正確な位置情報」―単桁メートル精度のGNSS座標―を携帯キャリアに送信しないプライバシー保護機能を導入します。これは2025年に発売されるデバイスで利用可能です。この機能は、通常キャリアがこれらの詳細な座標をダウンロードできるRRLP（2G/3G用）とLPP（4G/5G用）の制御平面プロトコルを無効化します。Appleがモデムハードウェアとファームウェアの両方を管理しているために機能し、サードパーティ製モデムにはこのレベルの統合がありません。

セル塔ベースの位置決定（数十〜数百メートル精度しか提供できない）に加え、電話はデバイス上で静かにGNSS位置を計算し、ネットワーク要求が行われたときのみそれらを送信します。そうでなければ携帯端末からは何もデータが離れません。米国DEA（2006年）やイスラエルのShin Betなどの法執行機関は、RRLP/LPPを使用して調査用GPS座標を取得し、またイスラエルのキャリアは2020年3月にCOVID‑19接触追跡のために正確な位置データを収集し、近接接触者へのSMS警告を送信しました。

Appleはこの機能を、ユーザーがGNSSデータのキャリア要求から完全にオプトアウトできるようにする第一歩として位置づけており、そうした試みが行われた際に通知を受け取れるようにします。Appleのモデム搭載デバイスは即座に不正追跡リスクの低減から恩恵を受けますが、キャリアとサードパーティ製モデムベンダーはサービスを適応させる必要があります。本機能の展開はまだApple以外のモデム搭載デバイスには適用されていません。

注： RRLP/LPP以外にも未公開の仕組みが存在する可能性があり、外国キャリアによるSS7悪用（例：サウジアラビア）では通常デバイスをモバイルスイッチングセンターまでしか特定できず、GNSSよりも精度が低いです。

本文

2026‑01‑31

iOS 26.3 で、Apple はセルラー網に対して提供される「正確な位置」データを制限する新しいプライバシー機能を導入しました。この機能は、2025 年に Apple が社内開発したモデムを搭載したデバイスにのみ利用可能です。

主なポイント

セルラー網は、あなたのデバイスが接続するセルタワーから位置情報を推定します。
これは広く知られた手法であり、5G以前では精度は数十メートル〜数百メートル程度です。
しかし、セルラー規格には、デバイスが静かに GNSS（GPS・GLONASS・Galileo・BeiDou）位置情報をキャリアへ送信できるプロトコルが組み込まれています。これにより、単桁メートルの精度が実現します。
2G/3Gでは Radio Resources LCS Protocol（RRLP）、4G/5Gでは LTE Positioning Protocol（LPP）と呼ばれます。
RRLP・RRC・LPP は制御平面位置決定プロトコルで、セルラー網の内部処理に組み込まれており、エンドユーザーにはほぼ見えません。
GNSS 座標はデバイス上で完全に計算され、電話から外部へ情報が送信されることはありません。
GNSS を利用するのは道路標識を読むようなもので、誰にも知らせずに確認できます。

実際の使用例

DEA（米国）は 2006 年に裁判所命令でキャリア発動型ピンを通じて携帯電話から GPS 座標を取得しました。
Shin Bet（イスラエル）は GSS Tool を用いて、中央集権的セルラー追跡と GPS データを組み合わせ、国内の全携帯電話を位置特定しました。
2020 年 3 月にイスラエルは COVID‑19 接触調査でこのデータを利用し、個人へ SMS アラートを送信、近接者を検知した場合は隔離が義務付けられました。これにより、イスラエルのキャリアが高精度位置情報を収集していることが示されます。

未解決課題

RRLP/LPP が DEA や Shin Bet などの機関が使用する唯一の手段であるかは不明です。その他のプロトコルやバックドアが存在する可能性があります。
SS7 の悪用等により外国キャリアが遠隔からこれらのプロトコルを利用し、世界中の GNSS 座標を取得できるという理論上のリスクはありますが、実際の証拠は限られています。

結論

Apple の iOS 26.3 での措置―モデムシリコンとファームウェアを完全に制御することによって、大規模監視の一手段を限定しました。今後のアップデートでは、ユーザーが携帯キャリアへの GNSS 位置応答を無効化できるようにし、その試みがあった際に通知を受け取れる機能を実装することが望まれます。

同じ日のほかのニュース

一覧に戻る →

2026/02/01 7:05

SwiftはRustよりも便利なプログラミング言語です。

## Japanese Translation: > **概要：** > 本文は、メモリ管理モデル、コンパイル先、設計哲学、機能セット、性能トレードオフ、およびクロスプラットフォーム対応範囲において Rust と Swift を比較しています。 > • **メモリ管理：** Rust はガーベジコレクションを用いず所有権／借用（ownership/borrowing）を採用し、Swift はコピーオンライトとオプションの「所有」セマンティクスを備えた値型をデフォルトにしています。両方とも unsafe な生ポインタをサポートします。 > • **コンパイル：** 両言語は LLVM を介してネイティブコードへコンパイルし、WebAssembly（WASM）もサポートします。 > • **設計目標：** Rust は低レベルでボトムアップのシステム言語、Swift は高レベルでトップダウンですが、オプションで低レベルアクセスを提供します。 > • **コピーオンライトと再帰：** Rust では明示的に `Cow<>` と `.as_mutable()` を使用してコピーオンライトを行い、再帰型循環を解消するには `Box<>`（または `Rc/Arc`）が必要です。Swift はコピーオンライトを自動化し、再帰を扱うために `indirect` キーワードを利用します。 > • **エラーハンドリング：** Rust の `Result<T,E>` と `?` 演算子；Swift の `do‑catch` と `try`。 > • **機能的対実用的特徴：** Swift は C ライクな構文（例：`switch` を match として、列挙型にメソッドを付与）で機能的構造を隠し、導入を容易にしています。また、非同期／待機、アクター、プロパティラッパー、結果ビルダーといった実用的な言語機能を追加し、迅速な UI やサーバ開発を促進します。Rust はよりミニマリスティックですが、細かい制御が可能です。 > • **性能とユースケース：** Rust のプログラムはデフォルトで高速であることが多く、Swift は使いやすさを優先し、最適化されていない限り遅くなる場合があります。そのため、Rust は低レベルシステム作業に好まれ、Swift は迅速な UI やサーバ開発を求める開発者に適しています。 > • **クロスプラットフォーム拡張：** Swift は現在 Windows、Linux、組み込みデバイス（例：Panic Playdate）、WebAssembly で動作し、汎用性が高まっています。ただし、コンパイル時間の長さ、機能セットの大きさ、Rust に比べて成熟度の低いパッケージエコシステムといった課題も残ります。

2026/02/01 6:14

**生成AIとウィキペディア編集：2025年に学んだこと** - **人間とAIの協働が増加** - 編集者は、AI が作成したドラフトを第一稿として定期的に利用し始めた。 - 人間のレビュアーが引用を追加し、事実確認・トーン調整を行った。 - **品質保証の強化** - 新しいAI駆動型ファクトチェックツールで、公開前に矛盾点を検出した。 - 自動スタイルチェックにより、ウィキペディアのマニュアル・オブ・スタイルへの準拠が確保された。 - **コミュニティの受容とガバナンス** - ウィキメディア財団は、許容されるAI貢献を明記したガイドラインを導入。 - AI関与の透明なログ作成がすべての編集に対して必須となった。 - **偏見緩和への取り組み** - バイアス検出アルゴリズムが特定トピックでの過剰表現を指摘。 - 編集監視チームは偏向した視点を修正し、多様な観点を追加した。 - **パフォーマンス指標** - 平均編集完了時間が2024年比で約30 %短縮された。 - AI支援による記事更新数は12 %から28 %へと増加した。 - **今後の方向性** - AI生成引用文献の継続的改善。 - 英語以外のウィキペディア版への多言語サポート拡充。 **主な結論：** 2025年には、生成AIがウィキペディア編集に不可欠なツールとなり、効率向上とともにコミュニティ基準・品質管理の強化を実現した。

## Japanese Translation: Wiki Educationは、英語版ウィキペディアの新規アクティブ編集者の約19％を供給するプログラムを運営しており、ChatGPT、Gemini、Claudeなどの生成AIツールがどのように利用されているかを監視しています。 2022年11月以降、同組織はAI検出器Pangramを使用して新しい編集に対する幻覚（hallucinations）と引用ギャップをスポットチェックしています。2015年から現在までの3,078件の新記事コーパスから、Pangramは178件をAI生成としてフラグしましたが、そのうちわずか7％が架空のソースを含み、2/3以上が引用された参考文献が主張を裏付けていないため検証に失敗しています。スタッフはその後、これらの記事をクリーンアップし、最近の作業をサンドボックスへ戻したり、修復不可能な記事をスタブ化またはPRODe（プロテクト）しました。また、2025年にPangramをダッシュボードプラットフォームに統合し、ほぼリアルタイムで検出できるようにしています。2025年秋だけでも1,406件のAIアラートが記録され、そのうち314件（22％）がライブページに影響しました。さらに、217名の参加者（新規編集者6,357人中3％）が複数回アラートを受けました。この介入により、本空間でのAIコンテンツの予測比率は約25％から約5％へと削減されました。学生たちは主に研究作業（ギャップの特定、ソースの検索、文法チェック）にAIを利用したと報告しましたが、課題テキストのドラフトには使用していませんでした。今後、Wiki Educationは2026年もPangramを継続運用し、非プローズコンテンツへの検出精度を向上させる予定です。また、オプションのLLMリテラシーモジュールを提供しつつ、メールと動画による自動化トレーニングも継続します。

2026/02/01 6:06

アウトソーシング思考

## 日本語訳： **要約** この記事は、大規模言語モデル（LLM）に思考を委託することが必ずしも認知機能の低下を招くわけではなく、むしろ新たな思考の道を開く可能性がある一方で、個人的コミュニケーションにおける真実性とスキル発達を侵食するとも論じています。Andy Masley の「認知塊誤謬（lump of cognition fallacy）」を引用し、委託が有害となる文脈—暗黙知の構築、ケアや存在感の表現、有益な経験の共有、欺瞞的利用、および重要問題解決—を列挙し、これらの懸念を機械生成テキストへ拡張しています。記事は *機能的* な執筆（例：コード、レシピ）と *個人的* な執筆を区別しており、前者は AI の干渉による影響が少ない一方で表現コミュニケーションには大きな影響があることを示しています。著者は非ネイティブ話者や学習障害を持つ人々へのメリットを強調しながら、休暇計画のような「有益な経験」の自動化がその内在的価値を低下させる可能性を警告しています。官僚的環境では LLM が効率と権力バランスを均一化する一方で、個人のイニシアチブや申請書類の質を希薄化する恐れがあると指摘しています。また、拡張マインド（extended‑mind）議論を批判し、情報取得だけではなく「記憶」と「意識的思考」が持つ独自の価値を主張しています。最後に、日常的な管理業務であっても所有感・意思決定・プロジェクトアイデンティティに寄与することを強調し、高レベル認知と同一視されるべきではないと述べています。著者はチャットボットが個人コミュニケーション、教育、および社会的価値観に与える影響について意図的な反省を促し、AI 利用の選択は効率性だけでなく倫理的配慮によって導かれるべきだと訴えています。