「絶滅という意味ではないのですか?」

2026/07/13 0:17

「絶滅という意味ではないのですか?」

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

要約

日本語訳:

## まとめ: 本稿は、ソフトウェア開発者が巨大言語モデル(LLM)を畏れるのではなく、強力なツールとして受け入れようとするべきであると主張しています。フィル・ティペットという映画監督が CG を成功させるために適応した経歴と現在のテクノロジーの状況を比較し、主要なメッセージとして解決能力が従来の構文知識よりもはるかに価値があると述べています。コンピュータ生成イメージに対する当初の懐疑論は、その有用性を証明した後(具体的には、ティペットの生物学的専門知識が技術チームを補完したとき)、業界での成功に代わったように、コーディング慣行も AI を効果的に取り込むために進化させる必要があります。アンドレイ・カーパチやジョン・カーマックなどの専門家は、LLM を使用することでエンジニアが高品質でエレガントなコードをより少ない誤りで作成できるようにすると指摘し、価値はコーディングそのものではなく問題解決から生まれると強調しています。この新しいワークフローに関するベストプラクティスには、プロジェクトファイル内で特定のスタイルガイドラインを定義すること(例:

~/.gemini/GEMINI.md
)、マジック数字を避けること、アーキテクチャのレイヤーを尊重すること、厳格なコミットメッセージの規約に適合することなどがあります。したがって、業界は、専門家が言語の暗記よりもコアロジックを理解することに優先し、アーキテクチャ設計、厳密なテスト、高レベルのデザインパターンに焦点を当てれば、より小さいチームもビデオフォーマットのリバースエンジニアリングやクラシックゲームの近代化などの複雑なプロジェクトに取り組みられるようなモデルへとシフトしていると言えます。

本文

進化せよ:LLM とテクノロジーの激動期を乗り切るための指針

ジュラシック・パークとクリエイティブな転換点

1993 年に公開された映画『ジュラシック・パーク』は、コンピューター生成画像(CGI)の使用法を革命しました。一般大衆にとっては魔法のような体験でしたが、業界関係者にとっては劇的な変化をもたらしました。

  • フィル・ティペット氏:ストップモーシオン技法で有名な監督スティーヴン・スピルバーグ氏により招かれました。
  • スピルバーグ氏の懸念:CGI で恐竜をリアリティを持って表現できることに懐疑的でした。
  • ILM との協力:デン尼斯・ムレン氏や ILM のデジタルアーティストたちは、直射日光下での群れ追走テクスチャなしでフォトリアリスティックなティラノサウルスをレンダリングすることに成功しました。
  • 決定的瞬間:テスト映像を見たスピルバーグ氏は驚き、「これが私たちがやるべきことだ!」と評価し、フィードバックを得ました。

当時、フィル・ティペット氏はすでに 30 名のクルーを募り、大規模なストップモーシオン制作に準備を進めていましたが、この技術的転換点により絶望の念を抱きました。

なぜ悲観論が生まれるのか

近年、プログラマの間で特に職を失うという不安が顕著です。しかし、歴史を見るとこれは繰り返されてきたパターンであることがわかります。

  • 90 年代のウェブブーム
  • 2000 年代初頭の CGI 革命
  • 2010 年代前半の「モバイルファースト」

それぞれの時代でプログラマたちは「革命」を目撃しましたが、人生とは常に変遷するものです。大規模言語モデル(LLM)もまた単なる一つのツールに過ぎません。

「進化せよ」 絶滅を回避する最良の方法は**「進化する」**ことにあります。新しい波に乗るには決して遅すぎることはありません。荒れた海に乗り込み、新し​​いツールをマスターすることが重要です。

LLM を理解し、効果的に利用するための学習こそが「進化」の投資です。

LLM のスキルアップへの道筋

1. LLM の仕組みを学ぶ

  • Andrej Karpathy 氏:大規模言語モデル(LLM)に情熱を持つ著名な研究者です。彼のチャンネルは学習には最適なリソースです。
  • 書籍『Build a Large Language Model (From Scratch)』(Sebastian Raschka 著)
    • フルカラーの図解が豊富で視覚的に理解しやすい。
    • ユニークな挿話や実践的なアプローチが含まれています。

2. LLM を活用したコーディング法を学ぶ

コードを手作業のみで作る手法はもはや主流ではありません。LLM を活用しない者は生産性を失います。

  • ジョン・カーマック氏の視点:「問題解決能力」が真に必要なスキルです。コードを書くこと自体への固執は推奨されません。
  • 自律性と裁量:自分でコードを書いていない場合でも、LLM に指示を出すことで間接的にコードを生産できます。しかし、生成結果の品質管理は不可欠です。
    • プロトタイプでは問題ありませんが、本番環境での「完全な振る舞い」を任せると生産性は上がるものの、理解不能なゴミコードになるリスクがあります。
  • 重要なスキル:LLM が提示したコードを読み解き、アーキテクチャを理解することです。多くの開発者がこれを怠っている現状があります。

自らのコーディングスタイルを AI に伝達する

エージェントが自分のコードスタイルを模倣できるようになるため、以下の設定ファイルを作成・管理することが推奨されます:

  • ~/.gemini/GEMINI.md
  • ~/.claude/CLAUDE.md

これらへの追加項目の例:

  • 魔法数字や文字列は避け、状況に応じて
    const
    または
    enum
    を使用する。
  • コードのインデント(縮进)を最小限にし、Arrow Anti-Pattern を避ける(早期リターンや継続構文を活用する)。
  • 関数のパラメータにはブール値ではなく列挙型(
    enum
    )を使用する。
  • レイヤー構造を尊重し、層を貫通させるような穴を開けない。
  • コードの読者に息抜きをさせる(論理的なブロック間に空行を置き、「何を行うか」「なぜそうするか」という注釈を追加する)。

「コンテキストスイッチング」への注意

複数のプロジェクトや機能で複数のエージェントを駆動することは精神的な体操を要します。過度な負荷による**「メンタルバーンアウト」**に注意し、モニタリングすべき事項です。

LLM 時代におけるコードレビューの進化

ツールが向上した現在、ソフトウェアエンジニアリング(SWE)に対する期待値も高まっています。

コミットメッセージのガイドライン

コミットメッセージの品質は必須です。LLM を使って要約を取得し、自分のルールファイルに追加する指令に変換させるだけで 1 分で完了します。以下の 7 つのルールに従ってください:

  1. 構造:テーマ行(Subject)と本文(Body)を単一の空行で区切る。
  2. 長さ:テーマ行は 50 文字以内(絶対限界 72 文字)。
  3. 大文字:テーマ行の最初の大文字は大文字に。
  4. 句点:テーマ行を句点(。)で終わらせない。
  5. 体言:命令法(Imperative Mood)を使用する。「修正する」「追加する」ではなく「修正された」などは避ける。
    • テスト方法:「[テーマ行] が起こるでしょう」という文が通じるか確認する。
  6. 折り返し:本文は手動で 72 文字で折り返す(Git フォーマット上の問題防止)。
  7. 内容:何をするか(What)、なぜするのか(Why)を書く。「どのように行うか(How)」はコード自身で説明すると前提とする。

PR とレビュープロセスの最適化

  • シンプルさの追求:労力が減少したため、PR はより明瞭で単純なものにすべきです。レビューし易いように分割させることは潔癖症ではありません。
  • 自動的な批判:LLM に「批判」や「間違い探し」を依頼してファーストパスを行い、レビュアーの時間を無駄にさせない。
  • テストの実装:ユニットテストや CI テストの要求は必須です。健全なテストがあれば、人間と LLM の両方が見落としたバグを検出できます。
  • 依存関係への柔軟性:LLM に単純な関数(例:Levenshtein 距離)を生成させ、外部ライブラリへの依存を追加しない選択肢も可能になりました。

より小さなチームで成果を出す

90 年代のモデルに戻りつつあります。

  • 少ない人員での生産性:4 名程度のチームでもプロフェッショナルなソフトウェアを生産できます。
  • プロジェクトの再活性化:かつて「複雑すぎる」「時間がかかる」と判断して断念していたプロジェクトも復活可能となりました(例:Silpheed のリバースエンジニアリング、ゲーム類の開発)。

「如果不能击败他们,就加入他们吧」

LLM シーン自体が研究対象であり、ツールとしても優秀です。

  • アーキテクチャの理解:あらゆるコードベースに深入りし、全体像を示唆してくれる。
  • 技術スタックの追跡:llama-cpp, OpenCode, ollama, vLLM の仕組みを読むだけでなく、Tenstorrent や Cerebras Systems などのハードウェアソリューションも学ぶ価値があります。
  • 論文読解の支援:LLM が数学記号との付き合い方の難しさを補い、研究論文の理解を助けます。

動機を見出せ

最も重要なのは、学習する動機を見つけることです。

「他に移って成功した」という話は多いですが、続けるか辞めるかは個人の判断です。 これからの時代は、フィリップ・ティペット氏のような故事からインスピレーションを得ることが重要です。ティペット氏は 41 歳でストップモーシオン界を去りましたが、絶滅したわけではありません

  • DID(ダイノサウルス・インプット・デバイス)の開発:ILM と共同で、センサー付きの物理的骨格装置を開発し、デジタル空間に動きを翻訳する技術を作り上げました。
  • アカデミー賞受賞:1994 年、『ジュラシック・パーク』にてベストビジュアルエフェクト賞を受賞。
  • キャリアの継続:ティペット・スタジオは存続し、『スターシップ・トロopers』や『ドラゴンハート』など 75 作品以上に出演しました。

技術の変化に絶望するのではなく、新しいツールをマスターして次の波に乗ること。それが「進化」であり、「生存戦略」です。

同じ日のほかのニュース

一覧に戻る →

2026/07/13 6:12

Chromium 148 より*Math.tanh*は下位の OS を特定するフィンガープリントとして使用可能になった

## 日本語翻訳: Chrome バージョン 148 以降、Chrome や同様のブラウザは特定の数学的な挙動を通じて正確なオペレーティングシステムの詳細を漏らし、高度なデジタルフィンガープリンティングを可能にしています。これはまず `Math.tanh` 関数から始まり、bundled routines からホストライブラリへと切り替わったことで、macOS、Windows、Linux のユーザーが使用しているか否かに基づいて小数点以下最終桁が 1 ユニット異なる独自のプロファイル(OS シグネチャ)が作成され、他の V8 数学関数とは異なりプラットフォーム間で同一ではなくあります。また、すべての CSS 三角関数はホスト libm を直接呼び出すことで OS を漏らします。macOS Apple Silicon では、スカラーおよびベクトルフレームワーク間のアーキテクチャ固有の分断により計算に著しい乖離が生じます。Scrapfly はこれらの問題に対処するため、数学的ビットごとの再現を含め、Linux のなりすまし用の真正な Windows ライブラリのマッピングや特定の ARM/x86 FMA(fused-multiply-add)挙動の処理を含む特別ソリューションを開発しました。彼らの Scrapium ブラウザはこれらの OS シグネチャを真正的なシステムと完全に一致するようになりすまえ、同時に最適な速度のためにハードウェア FMA を能動的に有効化します(ネイティブエミュレーションより最大約 6 倍高速)。高度なマッピング技術および数十万もの入力を対象とした厳格な検証を通じて、ユーザーは微妙な数学的な丸めエラーや将来のアップデートにおけるアーキテクチャの癖に基づく識別を防止する同時期にネイティブレベルのパフォーマンスで完全なステルスを実現します。

2026/07/13 5:23

小さなエミュレータ

## Japanese Translation: このテキストは、収集家のためのプラットフォーム間での即時的な互換性を優先しつつ、コモドール C64、ZX Spectrum(48k/128)、Amstrad CPC(CPC464/6128)、Acorn Atom、Z1013 などのレトロコンピュータシステムおよびそれらの対応ソフトウェアの包括的な目録です。具体的には、『Boulderdash』『Ghost's'n'Goblins』『Rick Dangerous』『Prince of Persia』のようなアクションゲームや、『Tetris』『Pengo』『Sokoban』のようなパズルゲームにわたる特定のタイトルを対象とし、ローディング時の独自の要件(例:BASIC 環境では「Enter」キーを押す、Spectrum タイトル『Cyclone』『Great Escape』では特定のジョイスティック種類[Kempston]を選択する、特定のインターフェースでは「F1」「SPACE」キーを押すなど)を詳述しています。また、本ガイドでは Arkos/Overlanders、Batman Group、Plush、Offence、Oxyron、Proxima、Dekadence などの著名なデベロッパーに帰属する様々なデモとインターフェースを列挙しています。さらに、特定のコントローラーや RAM モジュールなどといったハードウェアの制約を明示することで、今日広く利用可能な膨大なソフトウェアライブラリがどの機械構成で実行可能かをはっきりさせます。これは『Visual 6502 Remix』から『Wunderbar』『Batman Forever』などの特殊なデモにいたるまで、すべてのソフトウェアを網羅しています。最終的には、古いハードウェア上で何が達成可能かについてユーザーが正確に知ることを保証し、余計な詳細を含めない実用的な参考文献として機能します。

2026/07/13 3:25

Claude Code はプロンプトを読み込むまでに約3万トークンを消費し、OpenCodeは7,000 トークンである。

## Japanese Translation: 主要な知見は、セッションの段階と設定の複雑性に 따라 Claude Code と OpenCode の間でのトークン使用ダイナミクスが著しく異なることを示しています。標準的な設定において、Claude Code は非効率的なシステムプロンプト、キャッシュ管理のために数万のトークンを再記述し、堅牢なフレームワークテンプレートにより引き起こされる大規模な初期オーバーヘッド(約 33,000 トークン)を被る一方、OpenCode の床は低い(約 7,000 トークン)ため、大きな差を生じています。ただし、Fable 5 のような新しいモデルではこの隙間が縮小します。特に、複雑な本番環境設定においては、OpenCode 自身のツール呼び出しのシリアライゼーションとスキーマサイズによる影響で、最初のリクエストでより高いトークン負荷(Claude の約 75,000 トークンに対し、約 90,817 トークン)を被り、その後のリクエストで安定化するまで要請されます。新しいモデルは命令セットのサイズを削減しますが(例:27k から 10k クラクターへ)、特定のコストドライバーは残っています:対話履歴と乗算される延長された思考ブロック、「フレームワーク税」として作用する大規模な静的フレームワークテンプレート(例:AGENTS.md)、およびバーストコストを増幅するサブエージェントのファンアウト構造。さらに、本研究では EU AI Act のログ記録要件への準拠を確保し完全性を保証するために、キャッシュの書き込みと課金構造の違い(例:キャッシュされた読み取り対課金されるプレミアム書き込み)を検証できるよう、185 件のレコードを捕捉した SHA-256 ハッシュ連鎖監査軌跡を利用しました。 ## Text to translate: The primary findings indicate that token usage dynamics vary significantly between Claude Code and OpenCode depending on the session stage and configuration complexity. While Claude Code incurs a massive initial overhead (~33,000 tokens) compared to OpenCode's low floor (~7,000 tokens) in standard setups—driven by inefficient system prompts, rewriting tens of thousands of tokens for cache management, and rigid framework templates—this gap narrows with newer models like Fable 5. Notably, in complex production configurations, OpenCode's first request can incur a higher token load (~90,817 tokens vs. ~75,000 for Claude) due to its own serialization of tool calls and schema sizes before stabilizing on subsequent requests. While newer models reduce instruction set sizes (e.g., from 27k to 10k characters), specific cost drivers remain: extended thinking blocks that compound with conversation history, large static framework templates (e.g., AGENTS.md) that act as a "framework tax," and subagent fan-out structures that multiply bootstrap costs. Additionally, the study utilized a SHA-256 hash-chained audit trail capturing 185 records to ensure integrity and support compliance with EU AI Act logging requirements, verifying that both architectures handle cache writes and billing structures differently (e.g., cached reads vs. billed premium writes).