AIの進歩に追いつくための私なりの方法（そしてあなたも必ずやるべき理由）

 (blog.nilenso.com)
87 ポイント 投稿者 GN⁺ 2025-07-21 | 5件のコメント | WhatsAppで共有
  • 生成AIは最も速く進化する技術であり、過小評価も過大評価も危険
  • 信頼できる情報源と信用できる専門家を継続してフォローすることが不可欠
  • Simon Willison’s Blog、Andrej Karpathy、Every’s Chain of Thought など、バランスの取れた情報パイプラインを推奨
  • 公式AI研究所の発表、エンジニアリングブログ、論文は、技術の実際の進歩と限界を把握するために必須
  • Twitter/X、ニュースキュレーション、専門家リスト など多様なチャネルにより、最新動向と深い分析の両方にアクセス可能

序論: AIの誤解と情報汚染

  • 生成AIは筆者の生涯で 最も速く発展している技術
  • しかし AIに対する誤解 も広く存在し、情報環境そのものが非常に混乱している
  • 関連技術を十分に理解していない企業、政府、あるいは人々が誤用したり、深刻な被害を引き起こしたりする事例が実際に起きている
  • AIを過小評価する（「すぐに消える流行」扱い）か、過大評価する（「プログラマーはもう不要」）という 両極端の誤解 が存在する
  • 正しい技術理解の不足 が、こうした誤解の根本にある

AI情報の身につけ方

  • AI関連情報を正しく理解することは、思っている以上に簡単ではない
  • 歪んだ情報、誇張、あるいは抑圧された言説に 日常的にさらされる環境 である
  • 意図的かつ体系的に情報を選別しなければ、誤り、誇張、歪曲に簡単にさらされる危険 がある
  • 筆者はバランスの取れた情報パイプラインを構築して助けられており、これを初心者にとって良い出発点として勧めている

情報収集の一般原則

  • 一次情報に近い資料を参照する ことが重要
    • AI研究所の公式発表や主要人物の意見を一次ソースとして確認すべき
    • 二次、三次報道を鵜呑みにしない姿勢が必要
  • 信頼できる専門家 のコメントを積極的に探して参考にすべき

おすすめの情報収集の出発点

Every’s Chain of Thought

公式AI研究所の資料をモニタリングする方法

注目すべきAI専門家と実践エンジニア

  • オープンソースツールの制作や、AIエンジニアリングの実務経験を持つ専門家の情報は、公式ガイドより実質的に役立つことが多い

代表的なおすすめ人物とブログ

AIニュース/メディアとコミュニティの活用

AIの深い議論/資料コミュニティ

情報収集の実践方法

  • すべてのソースを完璧に追う必要はなく、Twitterフィードを新聞のように読む 形で接するのが実践的
  • 興味深い記事を見つけたら、その著者をフォローし、ほかの仕事も追っていくような広がりのある読み方もおすすめ
  • かつて音楽を掘っていったのと似た情報探索のスタイル
  • 知的な探索の楽しさとして向き合えば、義務感ではなく楽しみ になりうる

結論とおすすめリスト

  • 提供されたTwitter/Xリストを通じて、上記の専門家や実務家をまとめてフォローできる
  • 近いうちにRSS形式のリストも追加予定

Twitterリストを開く

関連記事

5件のコメント

 
GN⁺ 2025-07-21
Hacker Newsの意見

  • LLMがどう動くのかを基本的に理解していれば、PR担当者、ブロガー、業界リーダー、インターネット思想家たちの絶え間ないコンテンツを全部追いかける必要はないと思う
    むしろそうしたインタビューや記事を追っていると、実際には役に立たない妙な流行を追ってしまう危険がある
    実際、モデル間の違いはここ数年程度の差にすぎず、本質的な違いは大きくなかった。現在の変化の大半はツールや統合作業の側で起きている
    LLMは結局「テキストモデル」であり、基礎知識なしに生成されることを常に覚えておく必要がある。そうすれば、どこで有用で、どこには向かないかを見極められる

    • この意見には本当に同意する。そのブログの「高シグナル(high signal)」リストも、実際には自己宣伝的な人物が大半だと感じた（もちろん一部には良い人もいるが）ので、インサイトというより「バズ」に近い構成だった
      「自分の生涯でAIが最も速く進歩した技術だった」という主張にも、個人的にはあまり共感できない
      私はSVMが台頭していた時代から、「ニューラルネットはジョーク」と扱われていた状況、そしてディープラーニングやさまざまなDLフレームワークが爆発的に増えていった10数年を経験してきた
      当時も10年のあいだに本当に急激な進歩があった
      Webでは、JSが単なるUX補助だったものが、シングルページアプリが標準になるまで変化したのと同じだった
      要点は、「主要インフルエンサーのリスト」に載るような立場でないなら、ただ黙々と自分にとって重要な時点まで待つほうが、ずっと良い戦略だということだ
      私もbackbone.jsの時代以降、10年間Web開発トレンドをすべて無視していたが、Reactが必要になった時点で数日学んだだけですぐ使えた
      LSTMも5年前には皆が実装方法を学ぼうとしていたのに、今ではトランスフォーマーのせいで時代遅れになった
      キャリアを通じて感じたのは、「速く動く」というのは「成熟していない」という意味だということだ
      むしろ昔ながらの統計モデル(GLMなど)と、それらの今なお実用的な使い方を身につけるほうが、その時々の流行りの「prompt hack」を追うより、現場でははるかに生産的な解決策になる
    • LLMの構造をある程度わかっていれば、LLM関連の新しい話題はほとんど2つの種類に分かれる
      1つ目は、既存ツールと少し違うか、少し性能が良い新ツールだ（既存にない機能なら使う価値はあるが、大半はすぐ時代遅れになる）
      Kimi-K2やGPT 4.1のような名前も、数か月後には誰も言及しなくなっているかもしれない
      2つ目は、本当にモデルへ新しい能力が追加された場合だ
      たとえば、RL(reinforcement learning)、chain of thought、実際に動くコーディングエージェント、決定版級のマルチモーダルモデル、賢いツール連携などだ
      こうした大きな跳躍があったときだけ注目すれば十分だ
      実際、500ポイントを超えたHN投稿だけざっと見ても、最新の流れは自然とわかる
      LLMの本当の実力を学ぶ最良の方法は、ブログや動画などではなく、自分で作ってぶつかってみる経験だと思う
    • 全面的に同意する。学生にはいつもこう強調している
      • 1. 他人の経験に過度に没頭せず、自分自身の直接的な経験に集中すること
      • 2. ブログを読むより、自分でアプリを作ってみること
      • 3. 人それぞれ経験は大きく異なるのだから、他人の考えをそのままなぞらないこと
      • 4. TwitterやSubstackで研究者や開発者をむやみに追いかけないこと（大半は自分のショーケースだ）
      • 5. 不安やFOMOに時間を浪費せず、自分でやりながら身につけること。本当に重要な変化は、どうせ後からでも必ず知ることになる
      • 6. 情報を知るのは重要だが、情報そのものに強迫的に執着しないこと。時間を賢く配分すること。学生にはいつもこの点を強調している
    • 実はこういう点は研究の世界でも同じだ
      もともと研究の99%は漸進的な進歩だ（それ自体は良いことなので、そこで落胆すべきではない）
      論文の大半は必要以上に長く、きちんと読めば数学的直感だけでもある程度予測できる（アイデアさえわかれば、結果も事前にだいたい見当がつく）
      分野が急速に変わっているように感じやすいが、実際にはそこまで速くはない
      私自身も個人的事情で1年休んで戻ってきたとき、大きく変わったものはないと気づいた
      こうした見方があれば、「追いつき続ける」プレッシャーから解放される
      今つらいなら、それはまだ専門性が少し足りないという意味であって、取り残されたという意味ではない
      誰でも走り方を知っていれば一歩遅れてでもついていけるように、焦りは頭の中の心配にすぎない
    • LLMを説明するとき、いちばん興味を持たれるのはアーキテクチャよりも「トークンごとの予測(自己回帰)」と、必ずしも確率が最も高いトークンではなく、確率に比例してサンプリングされたものが選ばれるという点だ
      実際のコアアルゴリズム（次トークン予測の仕組み）そのものは、大半の非専門家にはあまりピンとこない
      dot productやembeddingのような細部は誰も気にしない。説明しても残りにくく、大きな助けにもならない

  • 必ずしも「最新トレンド」を追う必要はなく、ただゆるく関心を持ち、自分の効率を本当に高めてくれる機能や手法だけを選んで試し、使えるものだけ積み上げていけばいいと思う（誰かがXで何を勧めていた、みたいな話はあまり信頼していない）。むしろAI誇大視に批判的な研究者たちの意見を聞いて多くを学べた[https://x.com/burkov]。現状では誇張、変化、不確実性が…

    • 何時間かでも自分で使ってみるほうが、何時間も資料を読むよりずっと価値のある学習だ

  • この記事は「なぜ」をうまく説明しておらず、リストの「どうやって」に説得力が欠けると感じる。私の大切な時間はほかに使っても十分だ

    • 本当に何かを「追い続けるべきなのか」と疑問に思う。実質的に意味のある革新は、結局普及して自分のところにも自然に届く。ExcelやGoogle Docsも最初はほとんど関心がなかったが、普及した後でも十分に学んで使えている。AIスタートアップのランウェイがあまり残っていない場合のように、急いで追う明確な理由があるのでなければ、焦る必要はない

  • Gergeley Oroszの「Pragmatic Engineer」ニュースレターを購読している（最近はAIテーマが多い）。Gary MarcusのSubstackもチェックしている（よりLLM懐疑的な視点だ）
    https://newsletter.pragmaticengineer.com/
    https://substack.com/@garymarcus
    また、LangchainやPydanticAIのようなPythonパッケージのニュースも自動で追っている（こうしたプロジェクトは業界の実質的なトレンドをある程度反映している）。X(Twitter)はもう使っていないが、Simon Willisonのような人はBlueSkyやMastodonにも時々投稿する。Sebastian RaschkaやChip HuyenなどはLinkedInにも投稿している。あちこちに散らばってはいるが、結局重要な話はたいてい目に入る

  • 自分が重要なことを見落としていたのかもしれないが、核心的で意味のあるアップデートは自然とHNのトップやコメントで言及されるものだ

    • 業界動向に追いつこうとするのは、時速140kmのトレッドミルに飛び乗るようなものだ。もう走ること自体を諦めている。AI（特にLLM）が一時的な流行ではない点には同意するが、今は変化が激しすぎる。本当に必要になるまでは長時間の投資はしないつもりだ。数年たてば業界の構図はもっと明確になるはずだし、そうでなくても、その間にすぐ無意味になるトレンドへ時間を浪費せずに済む。ちなみに私は現在、AIやLLMを実務でまったく使っていない
    • 企業が莫大な投資とR&Dをしているだけに、むしろ自分たちの技術を隠そうとはしていない（秘密主義とは逆だ）
    • IT分野全体のトレンドについても、私はいつもこう対処している

  • LLMやフロンティアAIモデルの話を主に追いたいなら、このおすすめリストはとても優れていて、半分以上は私も別途見つけていた人物だ
    X(Twitter)でAIアカウントのリストを作ってフォローしており、全体として最もしっかりした情報源だ
    一部はブログやポッドキャストのRSSも使える（研究者なら論文自体のRSSは必須だ）
    追加するなら https://epoch.ai、ポッドキャストではDwarkesh Patel、ブログではPeter Wildeford、@omarsar0(DAIR elvis)、それからさまざまな研究者を直接フォローすることだ（その中には情報提供より娯楽寄りの人もいる）
    この分野は情報環境が深刻に汚染されている。特にNYTのような政治中心で扱うメディアだけを追うと、かえって偏った不正確な像しか得られない
    ちなみに生成AIと直接関係のないML分野（例: タンパク質、ゲノム、気象モデル、diffusion・画像生成研究など）は、情報源がまったく異なる
    AI/MLというカテゴリは広すぎて、一度に全部を追い切るのは不可能だ
    本当に追わなければならないかと言えば、そんな必要はない
    たいていは単に新技術や最新トレンドへの好奇心からそうしているだけだ
    ただしソフトウェア開発のように、AIを完全に無視すると中長期的にキャリアへ致命的になりうる分野もある（ツールそのものを覚える形で対応するだけでもよい）
    私は今、全体動向を把握する必要のある仕事なので継続して追っている

  • Simon Willisonのブログだけでも、最新の高品質な情報を学ぶには十分だ（ノイズがほとんどなく、S/Nが最高だ）

    • SimonにGitHubスポンサー（$10以上）すると、「より少量の主要要約版」をメールで受け取れる

      「この1か月のLLM分野で最も重要な進展の要約（10分以内で読める分量）」
      https://simonwillison.net/about/

    • https://simonwillison.net
    • 幸いRSSフィードも提供しているので、コードもニュースも確認できる

  • わざわざ「トレンド」を追う必要はない

    • その通り、もうやめて別のことをしてみる時期だ
    • 実際、テック業界を離れて新しいキャリアを作るのも一つの方法だ
      テック職は今後ますます減り、いずれ急激に減少するだろう（AIによって1人で10人分をこなし、その後はホワイトカラー、ブルーカラー（Amazon物流センターのロボット職など）も同様になる）
      個人的には今週GPT Plusの購読を解約した。もう「あの怪物」を育てたくない
      地図（例: 旅行ルート、友人たちとのサイクリングコースなど）の支援機能は、Geminiの無料版のほうがむしろ優れている

  • 最初のおすすめだけ追っていれば（simowのブログを読めば）、たいてい十分だ

    • それすら面倒なので、朝のコーヒーと一緒にFireshipの動画で代用している
    • 強くおすすめする。クリックベイトがほとんどなく、とても質の高い要約だ

  • Andrej Karpathyの講義にとても助けられた
    YouTubeにも上がっている(https://www.youtube.com/@AndrejKarpathy)
    機械学習研究者をメンタリングしたり支援したりする立場ではあるが、Andrejの声を聞くと自分が何も知らない学生のように感じる
    最初は奇妙だったが、今ではその謙虚さ自体がとても大切な資産だ
    本当に「自分は何も知らない」という気持ちが重要だ
 
makers 2025-07-22

うわ、読みやすさがひどすぎる…
 
reagea0 2025-07-23

この程度で読みにくいと感じるなら、それは本文の問題ではないように思います。
 
harris 2025-07-28

同感です
 
supermaxi 2025-07-22

今この時代に不可欠な文章の一種。