部分的評価の魔法

2026/11/19 3:29

部分的評価の魔法

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

要約▶

Japanese Translation:

James Long は、理論的な美しさに留まらず実用的な効率性に焦点を当てて JavaScript アプリケーションの最適化を行うことを目的とした特別製の部分評価ツール「prepack」を Meta で復活させた。コア技術は、1971 年の Yoshihiko Futamura の業績に根ざしており、ビルド時にインタプリタを分析・実行して未使用の操作を取り除くことで、汎用コードを高特化したコンパイル版へ実効的に変換する。このプロセスは「最初の Futamura プロジェクション」(

partial_eval(interpreter, prog) -> compiled_prog
)を実証しており、インタプリタの特殊化が特定のユースケースに対する汎用ディスパッチ機構を排除することを示している。また、プロジェクトは理論的な拡張として、第二のプロジェクション(
partial_eval(partial_eval, interpreter) -> compiler
)および第三のプロジェクション(
partial_eval(partial_eval, partial_eval) -> compiler_generator
)の探求も行っている。Long は Rust で JavaScript 用の限定的な部分評価器を実装し、各種インタプリタをテストすることで、これらの手法が汎用コードパスを排除し実行時パフォーマンスを著しく向上させられることを実証した。Graal ドキュメントから Veit Heller による学術論文、William R. Cook および Ralf Lämmel の論文まで、利用可能なリソースは多岐にわたる。この復活プロジェクトは、カスタムコンパイラジェネレータの作成へと拡張を企図しており、複雑なコンピュータサイエンス理論と開発者がビルド時間の短縮とパフォーマンス最適化を実現するために求める実用性を結びつけることを最終目標としている。

本文

プログラミング言語の本質と部分評価:Futamura プロジェクションの世界へ

美しいソフトウェアとプログラミング言語

  • 理念
    • 美しさというだけで実用性がなくても構いません。
    • **「美しき」**計算系システムの動作には、今も魅力があります。
    • 最も美しいソフトウェアとは、プログラミング言語の本質を明らかにするものです。
    • プログラミング言語こそが執着の対象であり、新たな言語を導入できない問題はありませんでした。
    • プログラム言語レベルでの解決は、メタな問題そのものを解くことに他なりません。
      • 特定の問題解決ではなく、「一斉に一つのクラスの問題をどう解決するか」という問いへ一段引き戻します。
  • 結論
    • 言語の本質を見直すと、同時に計算そのものを見直すことになります。

部分評価(Partial Evaluation)とは?

  • 定義
    • インタプリタやコンパイラの世界において、インタプリタとコンパイラの両方の利点を得る技術です。
    • コンパイラを無料で手に入れるアプローチの一つです。
  • 歴史的背景
    • James Long が
      prepack
      (Meta)という JavaScript 用の部分評価器を復活させましたが、実用性の優先で「美しさ」が欠けていました。
    • その失望から著者が再考し、美しさを重視した取り組みを開始しました。

手動による部分評価の仕組み

  • 概念
    • **「ビルド時に評価できるプログラムの一部のみを実行し、そのほかは残しておく」**技術です。
    • コンパイル時にコードの一部を直接実行し、結果を返します。
  • 静的なケース(自明な例)
    function factorial(n) {
      if (n <= 1) return 1;
      return n * factorial(n - 1);
    }
    // factorial(5) の場合、実行時の動作不要
    // コンパイル時に展開:5 * (4 * (3 * (2 * 1)))
    
  • 動的なケース(本質的な還元)
    function power(base, exponent) {
      if (exponent === 0) return 1;
      return base * power(base, exponent - 1);
    }
    // power(process.argv[2], 5) の場合
    // 再帰呼び出しは消滅し、以下のように還元される:
    // process.argv[2] * (process.argv[2] * ... ) * 1
    
  • 効果
    • 再帰関数呼び出しを可能限り展開し、残るのはコードの純粋に動的な部分だけになります。

コアとなる計算例:インタプリタと式の評価

  • 単純な算術インタプリタ
    function calculate(expr) {
      if (typeof expr === "number") return expr;
      switch (expr[0]) {
        case "+": return calculate(expr[1]) + calculate(expr[2]);
        case "-": return calculate(expr[1]) - calculate(expr[2]);
        case "*": return calculate(expr[1]) * calculate(expr[2]);
        case "/": return calculate(expr[1]) / calculate(expr[2]);
        default: throw new Error("Unknown operator");
      }
    }
    // 静的な式:calculate(["+", 1, ["*", 2, 3]]) -> 7 (完全評価可能)
    
  • 部分評価の過程
    • 未知の値が含まれていても、既知の部分(
      1
      ,
      2
      ,
      3
      )はビルド時に評価され、残りの動的な部分のみが残ります。
      calculate(["+", 1, ["*", 2, 3]])
      ↓
      1 + (calculate(2) * calculate(3))
      ↓
      1 + (2 * calculate(3))
      ↓
      1 + (2 * 3)
      ↓
      7
      

Brainfuck インタプリタからコンパイラへ

  • 動的な Brainfuck インタプリタ
    • 入力(
      ,
      コマンド)を必要とするプログラムに対しても部分評価が可能です。
  • 特殊化の結果
    • partial_eval(interpreter, prog) -> compiled_prog
    • インタプリタにプログラムを与えて部分評価することで、そのプログラムのコンパイル済みコードが得られます。
  • 具体例
    • Brainfuck の「Hello World」プログラムを入力すると、以下のようなコンパイル済み関数が生成されます:
    function main(b) {
      let a;
      // 入力処理と文字コードの変換がビルド時に固定される
      a = (a & 255) + 24 & 255;
      return String.fromCharCode(a);
    }
    
  • 意義
    • 「インタプリタを完全に排除でき」、パフォーマンスが向上します。

プロジェクション(Futamura Projection)

第一の投影:インタプリタからコンパイラへ

  • 式
    partial_eval(interpreter, prog) -> compiled_prog
    
  • 意味
    • 汎用的なインタプリタに特定のプログラムを適用して特殊化します。
    • インタプリタとコンパイラを書く作業は本質的に異なるため、この手法で容易にコンパイラを作れます。
  • スキーマ検証の例
    // スキーマ定義のみで存在する場合
    function validateUser(value) { ... }
    
    // 部分評価を適用すると、専用関数に変換されパフォーマンスが向上(5 倍)
    // schema の値自体はランタイムで動くため、オンザフライコンパイルが必要。
    

第二の投影:特殊化器自身を特殊化する

  • 式
    partial_eval(partial_eval, interpreter) -> compiler
    
  • 仕組み
    • 汎用的な特殊化器自体を入力として与えることで、「専用インタプリタファクトリ」(コンパイラ生成関数)を得ます。
  • 具体例
    • 単純な命令セットを持つ仮想マシン
      interp
      を入力とします:
    function interp(program, io) {
      // prompt や print の実行ロジックを含むインタプリタ
    }
    
    • これを部分評価すると、汎用的なディスパッチ機構がなくなり、以下のコンパイラ
      compile
      が生成されます:
    function compile(program) {
      // program を直接処理し、コードジェネレータを使って出力する
      // io.prompt() や io.print() の呼び出しを静的に記述へ置き換える
    }
    
    • 結果として、インタプリタ特有のオーバーヘッドを排除した効率的なコードが得られます。

第三の投影:コンパイラ生成器へ

  • 式
    partial_eval(partial_eval, partial_eval) -> compiler_generator
    
  • 到達点
    • 「あらゆるインタプリタに対してコンパイラを生成する汎用的関数」を手に入れます。
    • これが計算機の理論において、思考の曲がり角(Mind Bending)となります。

特殊化器としての部分評価

  • 特殊化(Specializing)の本質
    • プログラムを「汎用版」から「特定の単一入力を前提とした専用版」へ変換することです。
    • パターンマッチングの例:
      // 汎用パターン "a*b*c"
      function matchesAStarBStarC(text) {
        let i = 0;
        while (text[i] === "a") i++;
        while (text[i] === "b") i++;
        return text[i] === "c" && i + 1 === text.length;
      }
      

探究のための試行錯誤(Playing With It)

  • 現状の取り組み
    • JavaScript 用の部分評価器を実装し、Rust などへの移植や多言語対応を進めています。
    • 第二および第三の投影も部分的に実働を試みています。
  • アプローチ
    • **「実用性」を優先せず、「計算の面白く興味深い側面」**を探究してください。
    • どのような入力を与え、どんなコードが出力されるかを楽しむことが重要です。
  • 関連リソース
    • weval
      :WebAssembly 用の部分評価器
    • Chris Fallin の「JavaScript を Wasm にコンパイルするシリーズ」第 3 部(部分評価)
    • Veit Heller の「First Futamura Projection」
    • GraalVM ドキュメントの「Truffle における部分評価」
    • 元英語版からの翻訳:Yoshihiko Futamura(1971 年)の論文「計算過程の部分評価 — コンパイラ生成器へのアプローチ」
    • Neil D. Jones らによる「Partial Evaluation and Automatic Program Generation」
    • William R. Cook と Ralf Lämmel の「オンライン部分評価への入門」

同じ日のほかのニュース

一覧に戻る →

2026/11/19 0:19

Nginx における認証不要のリモートコード実行脆弱性

## 日本語翻訳: 要約は読みやすく整理されているものの、セキュリティ専門家や管理者が即座に対応するために必要な「重要ポイントリスト」に含まれる詳細な技術情報は不足している。具体的には CVE ID、バージョン番号、緩和コマンドが含まれていない。以下は、これらの欠落した事実を統合しつつ明瞭性を保った改訂版である。 ```markdown ## 改善された要約: Wiz Research、Ikotas Labs、Metnir、Rapid7、Xint を含むセキュリティ企業が個別に発見した NGINX ウェブサーバーの 2 つの重大な脆弱性(CVE-2026-123633 および CVE-2026-123007)について。これらの欠陥は、具体的に HTTP/2 の Use-After-Free エラーと整数アンダーフローであり、バックエンドアプリケーションが安全であっても攻撃者が任意のコードを実行しデータを盗み出すことを可能にする。これらの問題は CVSS スコア 9.2 を有し、CVE-2026-123007 は 2015 年にさかのぼり、コード上は最大 10 年間にわたって存在していた。攻撃を遂行するためには HTTP/2 が有効化されている必要があるが、標準的な緩和策である ASLR(アドレス空間のランダム化)も保護を提供せず、攻撃者は実行前にメモリを読み取ることができるためである。F5 は 2026 年 11 月 18 日にパッチをリリースし、組織に対し NGINX OSS 1.30.7/1.31.9 または NGINX Plus 37.0.7.1/37.0.8.1 への即時アップグレードを推奨している。即時アップグレードが不可能な場合、管理者は一時的に HTTP/2 を無効にする (`http2 off;`) べきである。これらの欠陥を無視することは、サーバーの既存のセキュリティ態勢に関わらず、完全な侵害に対して脆弱であることを意味する。 ```

2026/11/19 6:34

Gemini 4 ネオン

## Japanese Translation: Gemini 4 Neon は、大幅に低いコストで最先端レベルの成果を提供する高性能 AI モデルとして導入されます。入力トークンあたり 3 ドル、出力トークンあたり 15 ドルの料金設定(キャッシュされた入力は 95% の割引が適用)を有し、100 万 トークンの巨大なコンテキストウィンドウを搭載しています。ソフトウェア工学、知識労働、科学の分野における複雑なタスクにおいて、より高速な完了時間を提供します。 このモデルは、記録的な低い製造コストを実現するとともに、Terminal-Bench 4.0 における不正行為をゼロに抑えています。ベンチマークでは、人工分析知能指数で総合第 3 位(61)、Vals Index で第 2 位を獲得しました。特定分野においては、法務研究ベンチと税務エージェントベンチで第 1 位、財務および会計に関する大部分の Surge AI ベンチマークで第 1 位、チャートグラフィにて 73.5% のスコアを記録し、Terminal-Bench Science(70.5%)および RiemannBench(84.0%)において最高クラスの性能を発揮しています。 プロダクション環境でのコード生成においては、Google Antigravity 内の SWE-sweep で最良の結果の 3 倍という成果を達成(39.0% vs 12.8%)し、人工分析コーディングエージェント指数で第 1 位(58.6)となっています。また、サイバー防御においても優れており、WebExploitBench v1.2 で最良の性能(51.26%)、ハードティアの AutoBaxBench では高いパフォーマンスを達成しており、これらは競合モデルの約半分のコストで実現されています。 安全性は核心的な強みであり、Gray Swan の IPI ベンチマークにおける攻撃成功率は 0.0%、エージェントの誠実さ評価での合格率は 99.2% を記録しています。本モデルは現在、Gemini API、Google AI Studio、Gemini for business、Google Antigravity(有料 Pro/Ultra ユーザー向け)、および Gemini アプリ(Pro/Ultra サブスクリプター向け)を通じて利用可能です。また、サイバーセキュリティの防御者向けの専用アクセスプログラム「Fairwind Program」もまもなく開始されます。パレートのフロンティア性能と 32%~80% の低減された運用コストを組み合わせることで、Gemini 4 Neon は効率的な AI において新たな業界標準を設定します。

2026/11/19 1:08

7 つの新型モデルで、スケーラブルな価格性能を提供します

## Japanese Translation: 2026年11月17日、マイクロソフト・ignite(Ignite)でMAIは、価格対性能比に優れる7種類の新しいモデルを発表し、AIの景観を革命的に変えました。主なハイライトとしては、サイバーギム-E2EベンチマークにおいてGPT-6 Astraと同等かそれ以上の性能を達成しながら、そのコストの2%未満で実現する**MAI Cyber 2 Flash**、GPT-6.1 Solの98%およびClaude Opus 5.5の96%に達し、それぞれの価格の40%および5%のfraction(小数倍)で実現する**MAI Code 2 Performance**、競合製品の手頃な価格の1/5で画像編集分野で#1、テキストから画像生成分野で#4を達成した**MAI Image 2.7**などが挙げられます。また、このスイートには、GPT-Realtime 2.1を凌駕する性能を持つ(開始価格$0.01/min)「**MAI Realtime 1**」、月間1,000万件の患者受診に対応しエラー率を半減させる**Dragon Copilot Transcribe**、GPT-6.1 Solと比較して50倍速くかつ79倍安いマイクロソフトの「**Decision 1.1**」も含まれています。これらの進展は、生産段階にある新しい「**Maia 200 AI アクセラレータ**」(ワット当たり1.7倍多くのトークンを提供)と、プライベートなAzure環境内でプロプライエタリなデータを用いた安全なカスタマイズを可能にする新機能「**Licensed Weights**」によって支えられており、これにより完全なデータ主権とIP制御が確保されています。