モーリタニア沖「ディープウォーター・ホライズン」事故から16年が経過しても、深海の生態系は回復を示す兆候が見られない

2026/10/21 0:59

モーリタニア沖「ディープウォーター・ホライズン」事故から16年が経過しても、深海の生態系は回復を示す兆候が見られない

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

要約▶

日本語翻訳:

2010年のディープウォーターホライズン油田ガスプラットフォーム爆発から16年後、新しい研究(音響調査と数千個のネット採集サンプルに基づく)によれば、メキシコ湾深海の生態系はまだ回復していない。国立科学アカデミー議事録に掲載されたこの研究では、災害直後の数年内にクダヤマトカゲロウ(イカ)、タコ、エビ、リンゴガイ、ランタンフィッシュの個体群が少なくとも60%減少し、600フィートから2マイル(約1,200メートル)の深さの海洋層で記録された最も急速かつ深刻な損失が生じたと結論付けられた。研究者は漏出物が全ての減少を引き起こしたと definitively 証明するまでは至らなかったが、これら広範な損失に対する最も単純な説明としてこれを特定している。

科学者たちは、海洋生物の肉や魚卵中に繁殖能力を阻害し、発達に影響を与え、早期死に至る油由来化合物を検出した。これらの残留汚染物質は、特に嗅覚に頼って配偶者を見つける種に対して重要な生物学的プロセスを乱す。研究ではまた、これらの個体群内の遺伝的多様性の低下も確認された。著者らは、遺伝的形質の減少が急速に変化する気候下での生存を防ぐ可能性を警告している。最終的に、深海生態系は20年以上も経過後に、回復力なく存続しており、災害から依然として脆弱な状態にある。

本文

「ディープウォーター・ホライズン」事故から 16 年:メキシコ湾の深海生態系は回復途上にありえず甚大な打撃を被ったまま

研究の概要

  • 調査対象:2010 年の「ディープウォーター・ホライズン」原油流出事故直後の数年間を対象としたメキシコ湾の深海生態系。
  • 調査手法:広範囲にわたる音響調査と数千件のネット採集サンプルに基づく分析。
  • 主要な発見:
    • タコ、イカ、クロゲ、エビ、ランターンフィッシュなどの個体数が少なくとも 60 パーセント減少していたことが確認された。
    • 深海の生態系は依然として回復していないという深刻な現状が示された。

「最速かつ最も甚大」な生物個体数減少

「国立科学研究会議(PNAAS)」に発表された研究報告では、以下の点が強調されている。

  • 減少数の規模:海洋深層(約 600 フィート〜2 マイル以上)における動物界において、最速かつ最も甚大な個体数減少である。
  • 回復の兆候:生命活動が元に戻る兆候をほとんど見つけられなかった。

石油流出による直接的・間接的な影響

研究者たちは事故と汚染の関係について、完全な因果関係を断定はしないものの、以下の理由から原油流出を最も単純で説得力のある説明としている。

  • 化学物質の検出:
    • 深海のイカやタコの体内、また魚の卵の中に石油由来の化学物質が検出されている。
  • 繁殖と発育への悪影響:
    • 汚染物質が繁殖能力を損ないたり、発育に支障をきたしたりしている。
    • 早期死を引き起こすリスクが高い。
  • 行動への阻害:
    • 残留する汚染物が深海魚の嗅覚機能に影響を与え、繁殖相手を探す行動を妨げている。
    • これにより個体群維持が困難になっている可能性がある。

遺伝的多様性の低下と存続リスク

単なる数値の減少を超え、生態系の根本的な変化も確認されている。

  • 遺伝的多様性の低下:新たな研究でその一層の減少が確認された。
  • 将来への懸念:
    • 変化激しい現代環境において、生存に必要な遺伝的形質を保持できないようになっている。
    • その結果、個体群全体の存続ができなくなるリスクが高まっている。

同じ日のほかのニュース

一覧に戻る →

2026/10/21 3:29

許認可付きシムシティ

## Japanese Translation: 「Permit Pending」は、プレイヤーの役割を全能な計画者から市町村行政の実態に直面する脆弱な選出された職吏へと転換させることで、都市シミュレーションを再定義します。明確な勝利条件を持つ従来のゲームとは異なり、このサンドボックス体験は市民が市長を罷免するまで無限に続き、成功の鍵はインフラを整備することのみならず、複雑な官僚主義と政治的課題に対応して生き延びるかに依存することが強調されています。すべての建設プロジェクトは必要な審議会の招集、法的レビュー、さらには潜在的な訴訟を引き起こし、霧などに関する懸念を抱える住宅所有者、業界団体、環境保護主義者からの自然な反対を誘発します。プレイヤーは 4 年ごとの再選に直面する 7 議席の評議会において多数派を維持するため、公聴会で譲歩を行わなければなりません。有権者 turnout が高いグループは時間とともに過剰な影響力を行使するため、変動する政治情勢への適応が求められます。ヒートマップなどの診断ツールにより住民の人口統計が可視化され、特定の政策がなぜ反発やゲーム内の新聞「The Gazette」で報じられたスキャンダルへと至るのかを説明します。いくつかの法的訴訟は市長の任期を超えて継続することもでき、インフラストラクチャに関する決定は土地価格、家賃、雇用、税金、サービスにわたって実質的な経済における予期せぬ結果を生み出します。ブラウザベースのサンドボックスであり勝利画面やキャンペーンモードを備えず、最初の訪問後にはオフラインで動作し、プレイヤーは村として新たなスタートを切るか、他人の都市から既存の問題を引き継ぐことができます。

2026/10/21 7:21

連邦当局は、ランサム交渉担当者による ShinyHunters の金銭要求サイト運営を疑っている

## Japanese Translation: # 結論: 調査は驚くべき事実を明らかにしており、主要なランサムウェア集団「ShinyHunters」が、その伸縮サイトの管理を担当する米国の企業やカナダの企業のトップ経営者から直接的な支援を受けていることが判明した。従来の助言とは異なり、これらの仲介人は積極的に交渉を促進し、場合によっては被害者よりも先に機密データの窃取の詳細を知っていることもある。あるカナダの経営者は、脅迫される前に政府機関のファイルが盗まれていたことをFBIに報告しなかった。この深い協力関係は2019年以来進化しており、殺人依頼計画を含む計画や、「Rey」のような現在の指導者を「Ghostbyte」であるDaniel Tobokなどの以前の人物と結びつけるものも含まれている。 このスキャンダルは業界内で重大な利益相反の問題を浮き彫りにしている:ランソムの一部割合を受け取る仲介人は、攻撃を止めるのではなく、結果としてより高い支払いを促すように無意識に動機付けられる可能性がある。起訴はEdward Dubrovskyのような個人や未起訴の米国コンサルタントを対象としており、企業の過失か積極的な共犯が深刻な法的結果をもたらすことを示している。当局は被害者にランソムの支払いを行わないよう明確に警告しており、データは通常二次的な伸縮のために利用可能であり続けるためである。最終的に、この事件は以前会社を支援していた交渉サービスに対する信頼を破壊しており、一部のサイバー犯罪ネットワークが効果的に動作するためには内部の経営者への依存が不可欠であることを証明している。 ## Text to translate: Summary: A disturbing investigation reveals that major ransomware group ShinyHunters receives direct support from high-level executives at U.S. and Canadian firms who manage its extortion websites. Unlike traditional advice, these intermediaries actively facilitate negotiations, sometimes knowing sensitive data theft details before the victims do. One Canadian executive failed to alert the FBI regarding stolen agency files prior to their threatened release. This deep collaboration has evolved since 2019, involving plans for murder-for-hire and linking current leaders like "Rey" to former figures such as Daniel Tobok ("Ghostbyte"). The scandal highlights a critical conflict of interest within the industry: negotiators charging percentages of ransoms may inadvertently incentivize higher payments rather than stopping attacks. Prosecutions are now focusing on individuals like Edward Dubrovsky and uncharged U.S. consultants, demonstrating that corporate negligence or active collusion carries severe legal consequences. Authorities explicitly advise victims against paying ransoms, as data often remains accessible for secondary extortion. Ultimately, this case destroys trust in negotiation services that previously assisted companies, proving that some cybercriminal networks rely entirely on insider executives to operate effectively.

2026/10/20 18:08

DeepInfer:DeepSeek モデル向けの高性能推論フレームワーク

## Japanese Translation: DeepInfer は、NVIDIA SM100 GPU および Huawei Ascend 950 NPU 上でスケールサービング能力を備え、DeepSeek-V4.1-Flash モデルの DeepSeek の本番サービスを支えるオープンソースの高パフォーマンス推論フレームワークです。主に vLLM に構築され、SGLang および TensorRT-LLM を念頭に置いて設計されています。最適化されたカーネル(FlashMLA、DeepGEMM、DeepEP、TileKernels、DeepSelect、カスタム TileLang)と、Attention DP、バランスの取れた CP、MoE EP+EPLB、DSpark、信頼度に基づく検証、SWA 有界再生非同期スケジューリング、バッチ不変推論、決定論的サンプリング、構造化出力(regex/JSON スキーマ/EBNF)を含む高度な並列化戦略を支援します。 コア機能は環境変数経由で設定可能であり、DEEPINFER_ENABLE_MTP_VARLEN=1 で DSpark/検証を有効化し、DEEPINFER_USE_NEXTN_DECODE(デフォルト:5)で最大ドラフト長を制御します。デフォルトの V4.1 設定に対しては、DEEPINFER_YOCO_PREFILL_TRUNCATION_MODE=compact と DEEPINFER_YOCO_PREFILL_KEEP_TOKENS=140 でデコーダー SWA 有界再生非同期スケジューリングを設定します。デフォルトで CPU バッチスケジューリングとデバイス実行のオーバーラップを可能にするため、非同期スケジューリングを有効化し、NVIDIA 上で DEEPINFER_BATCH_INVARIANT=1 でバッチ構成間での同等の結果を実現するバッチ不変推論を活性化します。DEEPINFER_BATCH_INVARIANT=1、DEEPINFER_ENABLE_MTP_VARLEN=0、SamplingParams の固定 seq_seed を使用することで NVIDIA 上で決定論的サンプリングを実現し、SamplingParams に so_args={"schema_type": ..., "schema": ...} を渡すことで生成を regex/JSON スキーマ/EBNF に制限します。 完全な本番環境のセットアップには、専用の KV キャッシュシステムの統合、 disaggregated 形式での prefill/decode 操作の実施、およびデータ並列レプリカ間での負荷分散(初回リリースには含まれていない)が最終的には必要となる可能性があります。ユーザーは Linux、GCC ≥13.0、Python 3.12、CUDA 13(NVIDIA)または CANN 9.2(Ascend)、そして空の Python 3.12 環境の作成、DEEPINFER_ACCELERATOR=nvidia または ascend のエクスポート、および ./build.sh の実行からすぐに始めることができます。オフライン推論はデフォルトで deepseek-ai/DeepSeek-V4.1-Flash-1017 チェックポイントを使用し、初回実行時に Hugging Face キャッシュにダウンロードするか、DEEPINFER_HF_MODEL_DIR を介してオーバーライドします。例コマンドは python examples/offline_inference.py です。パフォーマンスベンチマークは 1 スケールアップドメイン内での prefill に 4 SM100 GPU、decode に 64 を使用して測定されました(再現は run_sweep.sh で可能;詳細は eval/README.md を参照)。このフレームワークは Apache License 2.0 の元でリリースされており、GitHub(https://github.com/deepseek-ai/DeepInfer)上で DeepSeek-AI(2026)に帰属しています。