AI が「作る難しさ」を急速に消し去っている今、SaaS の価値を支えていた「ソフトウェアの参入障壁」はもはや機能しない。Naval Ravikant はポッドキャストでこう言い切った ―― 「純粋なソフトウェアは投資対象にならない（pure software is uninvestable）」。 この発言が注目を集めたのは、Naval が単なる評論家ではなく、AngelList 共同創業者であり Twitter・Uber・Notion など 200 社以上への初期投資家だからだ。言葉を慎重に選ぶ人物が「条件なし」で言い切ったこの一言は、示唆に富む。 Apple でさえ安全ではない Naval の議論の核心は Apple の「構造的な死」にある。 Apple の時価総額 3 兆ドルは、プレミアムハードウェアの利益率を支えている「優れたソフトウェア体験」によって正当化されてきた。ところが AI はその体験レイヤーをコモディティ化しつつある。 24 ヶ月以内に、多くのユーザーはアプリを「開く」のではなく「AI エージェントに話しかける」ようになる エージェントがリアルタイムでインターフェースを生成するようになれば、App Store・デザインポリッシュ・エコシステムロックインはすべて意味を失う Apple 自身の AI 投資は期待を下回り、ライバルである Google の Gemini をライセンスするという、自社のアイデンティティを自ら否定する行動をとっている これは Microsoft がモバイル時代に犯したミスと同じ構図だ。タッチネイティブ OS を一から作ることを拒み、前の時代の支配的地位への過信で新パラダイムに乗り遅れた。 SaaS の「18 ヶ月の猶予」 ソフトウェア製品の価値は「作る難しさ」に依存してきた。しかし今やその前提が崩れている。 2 人チームが Claude Code を使えば、多くの B2B SaaS 製品の 80% を 90 日以内に複製できる。おもちゃではなく、適切なアーキテクチャ・基本的なセキュリティ・スケールアップ余地を備えた動作する製品として。（Naval の発言を引用した Mustufa Khan による試算） この動きはすでに現実だ。Figma の核心機能の 70% を持つデザインツールをソロ開発者が数ヶ月で出荷している。AI ネイティブの CRM が Salesforce の中小市場を侵食し始めている。 ...

トレードを11年続け、資産1億円を超えたトレーダー・rumaさん（@FxRumasan）が、勝てるトレーダーに共通する「Sランクスキル」を5つ解説した。 勝っている人は特別な才能ではなく、むしろ、地味すぎる能力が異常に高い。そして、これは後天的に育てられます。 特別な才能や情報網ではなく、地味だが確実に鍛えられるスキルこそが、資産を増やすトレーダーの共通点だという。 ① 選捨力 トレードは「何を得るか」より、「何を捨てるか」の方が大事。 インジケーターを捨てる SNSの情報を捨てる 無駄なエントリーを捨てる 一見シンプルに聞こえるが、「捨てる」には相当な勇気がいるし、捨てられないと脳がパンクする。情報Aは買いなのに、情報Bは売り、情報Cはレンジ……と矛盾する情報を抱え込んで、結局一生取引できなくなる。 知識を足し続けても、いつか脳からあふれ出して何が正解かわからなくなる。停滞しているトレーダーは、知識不足ではなく「知識肥満」なのだ。 ② 諦め力 相場の9割はわからないし、SNSの人間の言葉の9割も適当に言っているだけ。それなのに多くの人は、全部を理解しようとして自滅してしまう。 意味不明な相場。分かり合えない人。ノイズだらけのSNS。 これらに全反応していたら人生がパンクする。特に勝てない人ほど、分からないものに名前を付けたがる。「これは押し目だ」「これは騙しだ」「これは大口の仕掛けだ」——いや、ただ分からないだけだ。 分からないものを「わっかんねぇ」と言って捨てられる人は強い。相場の9割は、解く問題ではなく、捨てる問題だ。 ③ 暇耐力 負けているトレーダーは、働きすぎなのだ。 短期トレードでも意外とポジれる場所って少ないし、最悪、一週間何もしないことだってある。でも多くの人は勤勉なので、この暇に耐えられず「より稼ぐ方へ」と努力してしまう。 SNSで稼げそうな情報を試す。分からない相場を分かろうとする。入らなくていい場所で入る。 最後は「もっと稼ぎたい」という「努力」で資金を減らすのです。 トレードはポジションを増やせば利益も増えるわけではない。大切なのは、自分のやるべきことを明確にしたら、無駄に触らないこと。触らないから資金が残る。触らないから増やすチャンスが残る。 ④ 執行力 地味だが、5つの中で最も重要なスキルといえる。 相場って、知っているだけの人間には1円も払ってくれない。どれだけ良い理論を知っていても、最後に実行できなければ、ただのチャート評論家だ。 トレーダーと評論家の違いは、リスクを定義して、実際に執行できるかどうか。 ここは自分のルール上、入る場面なのにビビって逃げる ここは損切りする場面なのに、戻ることを祈る ここは見送る場面なのに、欲に負けて触る これを繰り返しているうちは、資産はなかなか増えない。億を超えるようなトレーダーは「未来が見えている！」「特別な情報網がある！」と思われがちだが、本質的に凄いのは、リスクを取る場面と、リスクを避ける場面の線引きが明確なこと。そして、その線引きを守る執行力がある。 入る。切る。待つ。やめる。 この地味な行動を、毎回ブレずにやれる人が強い。 ⑤ 俯瞰力 下手なうちは、チャートを見ているようで、いつの間にか自分の願望を軸にトレードしている。 買っていたら、買い根拠だけ探す。売っていたら、売り根拠だけ探す。 それもう分析じゃない。祈りだ。 上手いトレーダーは、一歩引いて見られるように設計する。 ✅ 売り目線、買い目線を一緒に考察 ✅ ポジションを取ったらTP/SLを設定する ✅ 負けた後のルールを事前に設定する このように、弱くても設計さえできれば、俯瞰力は身に付く。そして、俯瞰さえあれば、トレードは大損しないから。 まとめ rumaさんが定義するSランクスキルは、 捨てる。諦める。待つ。実行する。俯瞰する。 この5つを、誰よりも淡々と続けられる人だ。 重要なのは、これは後天的に身に付くスキルだということ。 rumaさん自身、かつてはいずれも弱かったと振り返る。捨てられないし、頑固だったし、待てないし、ビビるし、すぐ頭が真っ白になる。でも「自分で何をすべきか気づける才能」だけはあったのかもしれない。日常の中で意識して直し、少しずつ身につけていった。 まずこの5つの中で、自分が一番弱いものを自覚して、少しずつ意識してみてください。そこが変わるだけで、トレードはかなり変わりますから。 — ruma (@FxRumasan) Source: ruma (@FxRumasan) on X

リヒテンシュタイン大学のクオンツ研究者 Wolfgang Schadner 氏が、ブラック・ショールズ・モデルのインプライド・ボラティリティ（IV）を直接算出する閉形式の陽解法を発表した。オプション理論が確立されてから約50年間、IV の計算にはニュートン法などの反復数値解法が用いられてきたが、この研究によって初めて解析的な陽解が得られた。 背景：なぜ IV の計算が難しいのか ブラック・ショールズ式はコールオプション価格 $C$ を以下の形で与える: $$C = S \cdot N(d_1) - K e^{-rT} \cdot N(d_2)$$ ここで $d_1, d_2$ はボラティリティ $\sigma$（と他のパラメータ）の非線形関数である。市場で観測されるのはオプション価格 $C$ であり、そこから $\sigma$（＝インプライド・ボラティリティ）を逆算する必要がある。 この逆算問題は閉形式の解が存在しないとされてきたため、実務では: ニュートン・ラフソン法 二分探索 Let-It-Be（LIB）近似など の数値・近似手法が用いられてきた。これらは反復計算や初期値の設定を必要とし、精度を高めると計算コストが増加するトレードオフを抱えていた。 Schadner の発見：逆ガウス分布との同一視 Schadner 氏は、ブラック・ショールズのコール価格を**逆ガウス分布の生存確率（Survival Probability）**として表現できることに着目した。 ブラック・ショールズのコール価格は、逆ガウス分布の生存確率として書ける。 等価的に、これはバリアンス空間における確率として表現される。 この表現を逆転させると、インプライド・ボラティリティが**逆ガウス分布の分位関数（Quantile Function）**によって陽に表現される: ここで $C$ は市場観測価格、$S$ は原資産価格、$K$ は行使価格、$r$ は無リスク金利、$T$ は満期を表す。 $$\sigma = f(\text{逆ガウス分位関数}, C, S, K, r, T)$$ 式の左辺には $\sigma$ のみ、右辺には市場で直接観測可能なオプション入力値だけが並ぶ（$\sigma$ が陽に＝左辺に直接分離した形で求まる）。 手法の特徴 項目 従来の数値解法 Schadner の陽解法 反復計算 必要 不要 近似 必要（場合による） 不要 初期値 必要 不要 境界条件 必要 不要 精度 実装依存 機械精度 速度 基準（1×） 約 3.4 倍（≈3.4×） 数値テストでは、機械精度（machine precision）で IV を復元できることが確認されており、既存の最先端ベンチマークと比較して約3.4倍高速とされている。さらに計算は評価1回あたり約0.305マイクロ秒で完了する。 ...

月収100万円以上を継続しているトレーダー（@dalio_trader）が、自身の手法をシンプルに言語化したツイートを投稿した。複雑な指標やアルゴリズムは使わない。移動平均線との乖離という一つの軸で売買判断を行い、複利を掛け合わせるというものだ。 戦略の核心：乖離の大小で判断を切り替える ツイート本文： トレードで月100万以上稼いでいるけど、移動平均線との乖離が大きければ逆張り、乖離がなければ順張り、というのをアホみたいに繰り返しているだけなんよな。これに複利を効かせれば、月数千万〜億も狙えるってバグでしかないw 今のS&P500とナスダックがまさにそれで、乖離がデカいから短期的に売り目線。 ルールを整理すると、 移動平均線との乖離 判断 根拠 乖離が大きい 逆張り（反転狙い） 価格が平均から大きく離れると平均回帰しやすい 乖離が小さい／ない 順張り（トレンド追従） 平均付近での推移はトレンドが継続しやすい この二択を「アホみたいに繰り返す」だけ、と表現しているが、言い換えれば 例外を作らず同じルールを機械的に適用し続ける ことがポイントだ。 なぜ移動平均線との乖離が機能するのか 移動平均線（MA）は過去 N 日間の終値の平均値を結んだ線で、市場参加者のコンセンサス価格に近いとされる。 乖離が大きい（上方・下方）：売られすぎ・買われすぎの状態。機関投資家や大口トレーダーが平均回帰を見込んで反対売買を行いやすい。 乖離が小さい：需給バランスが取れた状態。現在のトレンドが続きやすいため順張りが有効。 移動平均線は多くのトレーダーが参照するため、セルフ・フルフィリング（自己実現的）な価格帯として機能しやすいという特性もある。 複利の掛け方で利益が加速する仕組み ツイートで強調されているのが「複利を効かせれば月数千万〜億も狙える」という点だ。 仮に月利 10% で複利運用できたとすると（あくまで仮定値）： 月数 資産（初期100万円） 1ヶ月 110万円 6ヶ月 約177万円 12ヶ月 約314万円 24ヶ月 約985万円 36ヶ月 約3,091万円 初期資金と月利によって結果は大きく変わるが、利益を再投資し続けることで雪だるま式に資産が増える構造がある。 現状分析：S&P500とナスダックの乖離状況 ツイート投稿時点（2026年4月29日）の見解として、S&P500とナスダックは移動平均線から大きく乖離しているため短期的に売り目線と述べている。 大きな乖離が発生している状況では： 平均回帰の圧力が強まる 過熱感から利益確定売りが出やすい 短期的な調整（下落）が起きやすい ただし、これはあくまで短期的な売り目線であり、中長期のトレンドとは別の判断である点に注意が必要だ。 シンプルさが最大の強みであり落とし穴 このアプローチの優れた点は： ルールが明確：「乖離大→逆張り、乖離小→順張り」の2択のみ 感情の排除：機械的なルール適用で判断ブレが生じにくい 検証可能：バックテストが容易で再現性が高い 一方で注意すべき点もある： どの移動平均線を使うか（5MA/25MA/200MAなど）で結果が大きく変わる 乖離の「大きい/小さい」の閾値設定が結果を左右する 強いトレンド相場では逆張りが裏目に出ることがある **リスク管理（ロスカット設定）**が伴わないと複利効果が逆方向にも働く まとめ 移動平均線との乖離を使った順張り・逆張りの使い分けは、シンプルながら理にかなったアプローチだ。重要なのは： ルールを決めたら機械的に繰り返す 複利を意識して利益を再投資する リスク管理を同時に設計する 「アホみたいに繰り返す」という表現の裏に、感情に左右されない一貫したトレードの本質が込められている。 本記事は特定の投資・売買を推奨するものではありません。投資は自己責任で行ってください。 ソース: X (@dalio_trader) 2026年4月29日

この発想、めちゃくちゃ盲点だったわ。Claudeに期限切れ特許を食わせて、誰も作らなくなった商品を掘り起こし、それを1つすでに生産開始したらしい。420万件以上のパブリックドメイン特許から、シンプルに作れて売れそうなやつをAIがピックアップ。こういう新しいハックポイントを力技じゃなく出来るってのも、また新しいターニングポイントではある。 — @tanaka_yuto @gippp69 が公開した手法が話題だ。期限切れ特許を Claude に大量投入し、商品化できそうなものをスコアリングして Alibaba で製造委託、Amazon で販売するパイプラインを個人で構築した。 設計図（特許文書）のコスト：$0。製造コスト：$1.80/個。Amazon 販売価格：$11.99。 なぜ「期限切れ特許」なのか 特許は本来、発明者に一定期間の独占権を与える代わりに、発明の詳細を全て公開することを義務付けている。これが期限切れになると、詳細な製造仕様書が誰でも無料で使えるパブリックドメイン資産になる。 過去10年間だけで、米国では420万件以上の特許が失効している。失効理由はさまざまだ： 企業の倒産 更新費用（$1,600程度）の未払い 買収後の整理 事業方針の変更 大事なのは、製品が失敗したのではなく、製品を守っていた企業が消えたという点だ。需要は存在したまま、供給だけが途絶えた商品が大量に埋もれている。 1件あたり何十ページもある特許文書を人間が読んで評価するのは現実的ではない。4,200,000件など到底無理だ。だが Claude なら読める。 パイプライン全体像 USPTO Bulk Data API │ ▼ Python スクレイパー（カテゴリ・出願者規模・日付でフィルタ） │ ▼ markitdown（特許文書を Markdown に変換） │ ▼ files-to-prompt（50件ずつバッチ化） │ ▼ Claude スコアリングパイプライン（1〜10点で評価） │ ▼ Google Patents（スコア7以上の案件を詳細確認） │ ▼ Alibaba（特許図面を送って製造見積もり） │ ▼ Amazon 出品 Step 1: 特許データの取得とフィルタリング USPTO（米国特許商標庁）は Bulk Data ポータルで全特許の全文をパブリックドメインで公開している。 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 # patent_filter.py — 一次フィルタ FILTERS = { "status": "expired", "type": "utility", # デザイン特許は除外 "assignee_size": "small", # IBM・Samsung などは除外 "categories": [ "household", "tools", "pet_products", "office_supplies", "garden", "kitchen" ], "expired_after": "2014-01-01", "min_claims": 3, "max_claims": 25 # 請求項が多すぎる = 複雑すぎる } 大企業の特許は製造に専用設備が必要だったり、法務リスクが高かったりする。中小企業のシンプルな消費者向け製品に絞るのがポイントだ。このフィルタで約34万件まで絞り込んだ。 ...

リトアニア出身の個人開発者Erikas Malisauskas氏が、時給2ドルのWeb代理店勤務からわずか1年でShopifyアプリの月次収益を10倍に成長させた事例が注目を集めています。 「ウマたん（上野佑馬）」氏（@statistics1012）がX (Twitter) でまとめた内容によると、Erikas氏は「Kaching」ブランドでShopifyアプリを複数展開し、利益率90%超えの事業を構築したとされます。 Starter Storyのインタビュー等でもErikas氏の実績が紹介されており、本記事ではその方法論を3つの戦略として解説します。 時給2ドルから始めたErikasの個人開発キャリア Erikas氏はリトアニア出身のUI/UXデザイナー。時給2ドルのWeb代理店に勤務した後、フリーランスへ転身し、最終的にShopifyアプリ開発に活路を見出しました。 2022年8月にKaching Bundles App & Upsellsをローンチし、4,000件以上のレビューと評価5.0を獲得するアプリに育て上げています（Shopify App Store調べ）。 月収を10倍に成長させた3つの戦略 戦略1: SNSで需要を事前検証する「デザイン投稿法」 ErikasはFacebookグループやDiscordコミュニティに、まだ開発していないアプリのデザイン案を投稿することで需要を事前検証しました。 この手法のポイントは次の通りです。 開発コストをかける前に市場の反応を確認できる コミュニティからのフィードバックで機能の優先順位を決定できる 潜在的なユーザーとの関係構築にもなる プロダクトを作ってから売るのではなく、売れるかどうかを確認してから作るという逆転の発想です。 戦略2: Win-Winの収益設計で差別化した「Kaching」 Erikas氏がローンチしたShopifyアプリ「Kaching」は、バンドル販売（セット販売）に特化したアプリです。 開発当初のコンセプトは**「ユーザーがより多く稼ぐときにのみ、自分たちもより多く稼ぐ」**という売上連動型の設計思想。EC事業者と利益を共有する仕組みがユーザーからの信頼を獲得しました（なお、2026年現在の価格プランは月額固定制に移行しています）。 このWin-Win設計によってアプリの継続利用と口コミによる拡散が促進されました。 戦略3: 「Kaching」ブランドで複数アプリを展開・利益率90%超えを維持 最初の成功を軸に、Erikas氏はKachingブランドの下に複数のShopifyアプリを展開しました（当初4つ、その後さらに拡大）。 指標 数値 展開アプリ数 6つ（Kachingブランド、2026年時点） 利益率 90%超え（本人発言） 年間収益 $4.3M（約6.4億円、2024年実績 / Starter Story調べ） SaaSのビジネスモデルは一度構築すれば限界費用がほぼゼロになるため、スケールするほど利益率が向上します。 「新しいアイデア」より「既存競合への勝ち方」を問う哲学 Erikas氏のアプローチで特に注目すべき考え方があります。 「新しいアイデアを探す」よりも「既存競合にどう勝つか」を問うことが重要 多くの起業家が「まだ誰もやっていないアイデア」を探す中、Erikas氏は既存市場でどう差別化して勝つかに集中しました。 この考え方のメリットは次の通りです。 市場の存在が既に証明されている（需要リスクが低い） 競合のユーザーベースを参考にできる 「なぜ既存サービスでは不満か」という具体的な課題から出発できる 狙う市場を少し変えるだけで、収益が桁違いになるという事例です。 まとめ Erikas氏の成功から学べる教訓をまとめると次のようになります。 戦略 ポイント 事前検証 SNSでデザイン案を投稿し、需要確認してから開発 Win-Win設計 ユーザーと利益を共有する価格設計で信頼を獲得 ブランド展開 成功したブランドを軸に複数アプリを展開 哲学 新アイデアより既存競合への勝ち方を考える 時給2ドルという出発点から、利益率90%超えのSaaS事業を構築したErikas氏の事例は、市場の選び方と価格設計の哲学が収益の桁を変えることを示しています。 Shopifyエコシステムはまだ多くのチャンスが眠っているかもしれません。

「AIが奪うのは単純労働から」—— その通説を、Anthropic自身のデータが覆した。 Anthropicが2026年3月に発表した研究レポート「Labor market impacts of AI: A new measure and early evidence」によると、AIの影響を最も受けているのは平均より47%も所得が高い高学歴ホワイトカラーであることが明らかになった。単純労働者ではなく、プログラマーや弁護士、金融アナリストといった「知的労働の担い手」が最前線に立たされている。 レポートの概要 Anthropicは自社の大規模言語モデルClaudeの実際の企業利用データをもとに、「実測AIエクスポージャー（Observed Exposure）」という新しい指標を導入した。これは「AIが理論上できること」ではなく、「AIが実際に職場で使われている割合」を測定するもので、現実の自動化状況を正確に把握できる点が画期的だ。 分析の結果、AIの影響を最も受けているのは単純労働者ではなく、大学院卒などの高学歴専門職であることが示された。 知能の「代替」— 高所得職種ほどAIに侵食される レポートによると、AI露出度が最も高いグループの特徴は以下の通り: 平均より47%高い所得を持つ 低露出グループに比べて約4倍の割合で大学院卒（17.4% vs 4.5%） 女性比率が低露出グループより16ポイント高い 職種別のAI実測露出率で特に高かったのは: 職種 実測AIエクスポージャー コンピュータープログラマー 74.5% カスタマーサービス担当 70.1% これらはこれまで「高度な知的労働」として専門性が求められてきた領域だ。AIによって参入障壁が下がり、人間にしかできないとされていた業務が代替されつつある。 キャリアの「断絶」— 若手育成インフラの崩壊 今回のレポートで最も懸念されるのは、AIへの露出度が高い職種において、22〜25歳の若年層の採用が2022年以降で約14%低下していることだ。 この数字が示すのは単なる雇用減少ではない。ジュニア層が経験を積むための「基礎的な業務」がシステムから完全に排除されることで、次世代の専門家が育つインフラが構造的に崩壊しつつある。 かつて新卒が担っていたコードの初稿作成、顧客対応の一次窓口、データ整理といった業務は、今やAIが担う領域になってきた。その結果として、若年層が「最初の仕事」を得る機会そのものが失われている。 重要なのは、同レポートが「2022年後半以降、高露出職種で失業が系統的に増加した証拠はない」としている点だ。これはむしろ**「採用の停止」という形での静かな構造変化**を示しており、既存の就業者には見えにくい形で進行している。 階級の「強制的分断」— 新しい格差の形 AIによる格差は、従来の「スキルの高低」という軸では測れない新しい次元へと移行しつつある。 これからの格差を決めるのは: 自分の業務プロセスにAIを統合して最適化できるかどうか AIシステムへのアクセス権（ライセンス、組織のAI投資） AIを使いこなすためのリテラシーと権限 つまり、**個人の能力より「どの組織にいるか」「どのシステムにアクセスできるか」**が価値を決定するという、全く新しい分断が静かに進行している。 高スキル・高所得層こそがAI代替のリスクに最もさらされながら、同時にAIを活用できれば最も生産性が向上する層でもある。この矛盾が、新たな格差の構造を生み出す原動力になっている。 まとめ Anthropicの今回の研究は、「AI vs 人間」という単純な対立図式ではなく、雇用・教育・所得の三つの軸にまたがる構造的変容を浮き彫りにした。 特に若年層の採用減少は、単なる景気変動とは異なる「不可逆的な構造変化」の始まりである可能性が高い。一方で、レポートは「まだ大規模な失業は起きていない」とも指摘しており、この移行期にどう適応するかを考える時間はまだ残されている。 AI時代において求められるのは、AIに「代替される」か「使う側に回る」かという二項対立的な選択ではなく、自分の業務プロセスにAIをどう統合するかという実践的な問いに向き合う姿勢だろう。 参考リンク: Labor market impacts of AI: A new measure and early evidence — Anthropic Fortune: Anthropic just mapped out which jobs AI could potentially replace Anthropic Economic Index

RAGの長年の課題である「回答の網羅性の欠如」を、ベクトルDBを使わずに解決しようとする論文が登場した。2026年4月16日にarXivに公開された論文「Don’t Retrieve, Navigate」は、Corpus2Skill という新手法を提案している。文書コーパスを階層的スキルディレクトリへ事前変換し、LLMエージェントがナビゲートして回答を構築するアプローチだ。 従来のRAGが抱える課題 RAG（Retrieval-Augmented Generation）はこの数年で大きく進化し、多くの問題が解決されてきた。しかし「AIの回答が網羅的でない」という問題は依然として未解決のままだ。 従来のベクトル検索ベースのRAGでは、クエリに類似したチャンクをいくつか取得して回答を生成する。この方式の弱点は以下の通りだ。 クエリ表現に引きずられ、関連する別の観点の文書を見落とす チャンク間の文脈的なつながりが断ち切られる 広範なトピックをカバーする質問への回答が部分的になりがち Corpus2Skillのアプローチ：「検索するな、ナビゲートせよ」 Corpus2Skillは発想を根本から変える。ベクトル検索で文書を「取ってくる」のではなく、人間が目次や索引を辿るように、エージェントがコーパスの階層構造を「ナビゲートする」。 オフラインのコンパイルパイプライン まず事前処理として、文書コーパスを階層的スキルディレクトリへ変換する。 反復クラスタリング — 全文書をk-meansなどでグループ化する LLM生成サマリー — 各クラスタの内容をLLMが要約する 階層化 — クラスタをさらに上位概念でまとめ、ピラミッド構造を構築する スキルファイルツリーの実体化 — 結果を SKILL.md / INDEX.md の形式でファイルシステムに保存する この処理はオフラインで行われるため、推論時の遅延には影響しない。 推論時のナビゲーション 質問が来たとき、LLMエージェントは次の手順で回答を構築する。 コーパス全体の俯瞰図（ルートサマリー）を受け取る 質問に関連する上位ブランチを選択し、段階的に下位サマリーへ降下する 目的のノードに到達したら、文書IDを使って完全な文書を取得する 必要に応じてバックトラックし、別のブランチも探索する この探索パスが明示的に推論されるため、なぜその文書が取得されたかを追跡できるという副次的なメリットもある。 ベクトルDBが不要になる理由 従来のRAGではベクトルDB（Pinecone, Weaviate, Chromaなど）が必須だった。Corpus2Skillでは、スキルファイルツリーがその役割を置き換える。 項目 従来のRAG Corpus2Skill インデックス形式 ベクトルDB 階層ファイルツリー 検索方式 類似度検索 エージェントによるナビゲーション インフラ依存 ベクトルDBが必要 ファイルシステムのみ スケーラビリティ O(N) O(log N) 探索パスの透明性 低い 高い（明示的に推論） 文書数が10万件でも階層深度はO(log N)に収まるため、大規模コーパスへのスケーラビリティが高い点も特長だ。 実験結果 WixQAベンチマーク Wix社の企業向け顧客サポートを対象とするWixQAベンチマークで評価した。比較対象は以下のベースラインだ。 Dense Retrieval（密集検索）: 従来のベクトル検索RAG RAPTOR: 階層的サマリーを使った検索手法 Agent RAG: エージェントが検索を制御する手法 Corpus2Skillは全品質指標でこれらすべてを上回った。 ...

ある 22 歳の中国人学生が、$5 の元手から Polymarket で 370 万ドル（約 5 億円）を稼ぎ出したという話が X（旧 Twitter）で話題になっている。インサイダーでも、トランプやマスクとのコネを持つ人物でもない。ただの「コードを書く人間」が、一本のスクリプトでそれをやってのけた。 X ユーザー @cyber_cat7 が 5 時間かけてその設定を逆エンジニアリングして全貌を公開している。複雑な数理モデルも大規模データベースも過剰なエンジニアリングも使っていない。核心にあるのは、シンプルな 3 つのロジックだ。 なぜ Polymarket（予測市場）なのか Polymarket は、政治・スポーツ・経済などあらゆるイベントの結果に対して賭けができる分散型予測市場プラットフォームだ。ユーザーは「YES」か「NO」のポジションを取り、正しければ $1 を受け取る仕組みになっている。 伝統的な暗号資産市場がすでに飽和している一方、予測市場はまだ混乱状態にある。一般ユーザーの資金、感情的なトレード、遅い価格反映——これらが自動化トレーダーにとっての「純粋なアルファ」を生み出している。 核心ロジック 1：低確率イベントの「NO」ポジション戦略 ボットは「ほぼ起こりえないイベント」を専門的に狙う。 市場では「ありえないこと」の NO ポジションが、高い勝率にもかかわらず割安に放置されていることがある。ボットはこれを大量に積み上げ、小さな利益を積み重ねる。これは賭けというより、システム的なリスク引受 に近い発想だ。 例: 「A国がB国に1週間以内に宣戦布告する」= NO ほぼ確実に起こらないが、市場価格はまだ十分に収束していない → 高確率の利益を細かく積み上げる 核心ロジック 2：ロジック・アービトラージ 「イベント A が起きれば、必ずイベント B が起きる」という因果関係を活用する。 市場がまだ再価格付けできていないうちに、ボットが即座にポジションを取る。ニュースの見出しを読み終わる頃には、価格差はすでに消えている。人間がトレードを考え始める前に、ボットは執行を終えている。 これは情報優位ではなく、実行速度と論理推論の優位だ。 核心ロジック 3：スポーツ・政治市場 = ATM スポーツと政治のマーケットには、以下の特性がある。 感情に動かされた一般投資家の資金が集まり、FOMO や損切りによる非合理的な売買が発生しやすい 情報が出てから価格に反映されるまでのラグが大きい ボットはこの買値と売値の価格差（スプレッド）を狙い、毎回の価格付けミスから繰り返し利益を抜き取る。 複利と大量トレードで $5 を 370 万ドルへ 月に数万件のマイクロトレード。1 件あたりの利益は数セント。それを積み重ね、複利で転がすと——7 桁の利益になる。 シンプルな算数だ。天才的なモデルは必要ない。圧倒的な量と確率優位の積み重ねがすべて。 Polymarket で起きている「静かなロボット大戦」 この話が示すのは、Polymarket 上でボット同士の自動取引競争がすでに始まっているという現実だ。 ...

Andrej Karpathy（元 OpenAI・元 Tesla AI ディレクター）が提唱した「Claude Code での第二の脳の作り方」。 この記事では、Claude Code + Obsidian を組み合わせて知識を蓄積・進化させる「AI 第二の脳」システムの仕組みとセットアップ手順を解説します。 普通の RAG と何が違うのか ChatGPT へのファイルアップロードや NotebookLM のような一般的な RAG は、以下のように動きます。 ファイルを渡す 質問のたびに AI が関連部分を探す 毎回ゼロから答えを生成する 次の質問がきたら、また同じことをゼロから繰り返す 何も積み重ならないのが問題です。 Karpathy が提唱したシステムは根本的に異なり、**AI が「Wiki を育て続ける」**仕組みです。新しい資料を入れるたびに、AI がその内容を読んで既存の知識と統合し、矛盾があれば修正し、関連ページを更新します。知識が一度まとめられると、常に最新状態に保たれます。 システムの全体像 このシステムには 4 つの動く部品があります。 あなたのデータ — 記事・ノート・文字起こし・アイデアなど 整理 — Claude Code が Obsidian に自動で整理 即座の質問 — 育てたデータベースにいつでも質問可能 進化する記憶 — 使えば使うほど賢くなる仕組み 3 つの層構造 層 名称 役割 層 1 生のソース（immutable） 記事・論文・画像・データファイル。AI は読むだけで書き換えない 層 2 Wiki 要約・人物・概念・比較・総合分析ページ。AI が作成・更新し続ける 層 3 スキーマ（CLAUDE.md） Wiki の構造・ルール・ワークフローを AI に教える設定ファイル この 3 層構造により、AI が「汎用チャットボット」ではなく「規律を持った Wiki 管理者」として動きます。 ...