← 2026-10-21 の一覧へ戻るホーム
息子に何を教えようか

2026/10/21 2:25

息子に何を教えようか

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

元のHacker News記事へ ↗
要約▶

Japanese Translation:

人工知能一般（AGI）が進展するにつれ、従来の教育の核心的目的は、労働者の育成から本質的な人間価値の涵養へと移行しつつあります。歴史的に、技術が学校を代替すると予測されることはありましたが、実際には現実にならなかった場合が多くあります。AI がプログラミングといった特定のスキルを自動化していても、上級機関は持続的な有用性により依然として堅牢さを保っています。しかしながら、大学への中途退学や手動コーディングの習得といった従来の道筋に依存する限り、AI による教育レベル間の経済格差の縮小につれ、これらは実現可能性が低下していく可能性があります。したがって、保護者と教育者は連携して学習目標を再定義する必要があります。事実の保持や特定の仕事に対する訓練に焦点を当てるのではなく、将来のカリキュラムは関与した市民と「世界の創出者」——複雑な問題解決能力および倫理的判断力を備えた個人——の育成を最優先すべきです。この移行により、プログラム可能なタスクは機械によって処理される一方、人類の知恵が依然として最も貴重な資産となることを確保します。この視点は、ニール・ポズムンの『教育の終わり』、トーマス・エディソンの初期の警告、ナシム・タレブの「リンディ効果」、そして子供たちに自分自身の教育目的を策定するよう招待する必要性という諸点を考慮して形成されています。

本文

AGI 時代における教育の再定義：なぜ「生計を立てる」は不再し必要か？

2026 年 10 月 19 日

先日は、書棚からネイリスト・ポストマン著『教育の終焉』が私の手元へ向かってくれた。1995 年に刊行されたこの本は、混乱しつつも父親になる私の心にとって、驚くほど適切な慰みとなった。

妻と私は第一子を懐いている。プログラミングという経済的価値のあるスキルセットが一転して相対的に薄れる中で、息子に何を教え、教育の目的を何とするべきか悩む。

歴史的な示唆：テクノロジーによる教師と学校の役割の変化

エジソン氏やタレブ氏の言葉から、教育制度の進化的な適応力を理解できる。

トーマス・エジソンの警告（1913 年）

「書籍はまもなく公立学校から廃れるだろう……我々の学校システムは十年以内には完全に改変されるはずだ。」

  • ラジオ、レコード、動画像といった技術革新は、教師を淘汰し、教育を「ボタンを押すこと」に変えようとした。
  • しかし、学校は宗教機関として設立された歴史があり、ラジオや映画、インターネットなどにも耐えてきた**耐久性（リンディの法則）**を持つ。

2030 年代への問いかけ

「では、みなさん、17 ページをめくってください」
「誰が x を求める方法を答えられますか？」

  • いずれも**「知能を瓶の中に閉じ込める」**ような、2030 年代までの存続を前提とした古い問いである。
  • AI の登場により、従来のテストや指標は抑制的であり、市場（ジョブズ、ゲイツ、アインシュタイン）が異なる評価軸を提供していた。しかし、AI エージェントとツールループの進展により、従来の「優秀さ」の定義そのものが危機にさらされている。

教育の目的：揺れるテーブルの上に立つもの

かつて私は教育の目的を一言で表そうとし、「resourceful（機知に富んだ／資源活用型）」な人を理想とした。

  • その時：あらゆるリソースを駆使して問題を解決できる能力こそが重要とされた。
  • 今：AI がその「資源活用性」を代行しており、人間に求められるものが変化しつつある。

教育は多数の目的によって支えられているテーブルであり、その中心にあるのはもはや「生計を立てること」ではない。時代とともに変化する目的には：

  • 善き人になること
  • 良き市民になること
  • 世界をより良くすること
  • 基礎的事実を学ぶこと
  • （かつての）生計を立てること

新たな教育の方向性：ネイリスト・ポストマンの提案

ポストマンは、新しい教育の目的を創出し、主張する可能性自体に感銘を受けるべきだと示唆している。特に以下の三点が重要である：

  1. 宇宙船地球
    • 我々は皆、同じ船上にいる。互いを守り、この惑星を大切にする意識を持つこと。
  2. アメリカの実験
    • アメリカとは何か、なり得るべきものかを問いかけ、驚嘆心・好奇心・責任感を甦らせさせること。
  3. 世界を作れ
    • マクルーハンの弟子として、「我々を作ってきたツールや物語を自ら創り出せ」と誘うこと。

メタ認知と人間との関係性：教える方法こそが重要

ポストマンの「メディアこそがメッセージだ」という考えや、アルフィー・コーン博士の提言に強く共感する。

  • 何を教えるかよりも、どのように教えていくかが往々にして重要である。
  • 教育受容者を物のように扱うのではなく、人間として接する。
    • 「一緒に行う（Together）」versus「単なる『物にすること』（To an object）」
  • AI が貢献能力を奪った際にも通用する価値を残すには、子供たちと共に課題に取り組み、教育の目的を私たちとともに模索・構築することが最も正直かつ効果的である。

結論：教育は「知識の注入」から「人間性の探求」へと変貌する。

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。