<?xml version="1.0" encoding="UTF-8"?>
<rss version="2.0" xmlns:atom="http://www.w3.org/2005/Atom">
  <channel>
    <title>iwashi.co</title>
    <description>This is a personal blog; opinions are my own.
</description>
    <link>https://iwashi.co/</link>
    <atom:link href="https://iwashi.co/feed.xml" rel="self" type="application/rss+xml"/>
    <pubDate>Wed, 28 Oct 2026 16:33:18 +0000</pubDate>
    <lastBuildDate>Wed, 28 Oct 2026 16:33:18 +0000</lastBuildDate>
    <generator>Jekyll v4.3.4</generator>
    
      <item>
        <title>必要最低限の自分専用アプリをAIで作る</title>
        <description>&lt;p&gt;最低限の機能を備えた自分専用のアプリを作ればいい、と考えることが最近増えてきた。&lt;/p&gt;

&lt;p&gt;Webサービスにしたいわけではない。昨今の事情を考えると、IFは極力Publicに公開したくない。なので、クラウドにデプロイする必要すらない、自分のローカル環境で静かに動けば十分なレベルのアプリだ。どうしても残したいステートがあるなら、既存のクラウドストレージに放り込んで、アプリからステートを復元できるようにすればいい。&lt;/p&gt;

&lt;h2 id=&quot;こう考えるに至った背景&quot;&gt;こう考えるに至った背景&lt;/h2&gt;

&lt;p&gt;これまでSaaSや市販ソフトウェアをたくさん使ってきた。もちろん今でも使っている。これらのソフトウェアを自分でゼロから作るのはあまりに面倒だし、そもそも個人レベルでは作れないものもある&lt;sup id=&quot;fnref:1&quot;&gt;&lt;a href=&quot;#fn:1&quot; class=&quot;footnote&quot; rel=&quot;footnote&quot; role=&quot;doc-noteref&quot;&gt;1&lt;/a&gt;&lt;/sup&gt;。なので、サブスク代を払ったほうが良いケースが大半だった。&lt;/p&gt;

&lt;p&gt;作るのが面倒なものの1つに動画編集ソフトがある。内部の仕組みや実装が想像できたとしても、自分でスクラッチで書こうなんてこれまでは全く思わなかったし、無料ならiMovie、有償ならPremiere Proなどを選べばやりたいことを実現できる。&lt;/p&gt;

&lt;p&gt;でも、自分の動画編集のユースケースを振り返ってみると、市販ソフトの機能の10%、Adobe製品に至っては1%も使っていないことに気づく&lt;sup id=&quot;fnref:2&quot;&gt;&lt;a href=&quot;#fn:2&quot; class=&quot;footnote&quot; rel=&quot;footnote&quot; role=&quot;doc-noteref&quot;&gt;2&lt;/a&gt;&lt;/sup&gt;。&lt;/p&gt;

&lt;p&gt;私の場合は、再生回数を気にする作り込んだ動画じゃなくて、大学の授業向けの動画が作りたいだけだ。そうなると、必要な機能は、キャプチャした映像をプレビューしながらトリムして、音量調整して、書き出すぐらいだ。高度なエフェクトも、複雑なレイヤー合成も自分には必要ない。&lt;/p&gt;

&lt;p&gt;市販のソフトウェアはあらゆるユーザーの要求を満たすために多機能化している。機能が増えるので価格も上がっていく。だからコスト負担は増える。生成AI以前は存在しなかったAIサブスクも増えていることもあり、ランニングコストが積み重なっていく。ただAIサブスクはもはやインフラと同等レベルの必要性があるので、これは切れない。でも節約できるところは節約したい。&lt;/p&gt;

&lt;h2 id=&quot;ということで作っているもの&quot;&gt;ということで作っているもの&lt;/h2&gt;

&lt;p&gt;そんな中、AIコーディングの性能が超速で進化してきた。おかげで、自身のユースケースの結構な部分を自作アプリでカバーできることが増えてきた。たくさんあるのだけど、ここでは3つほど紹介する。&lt;/p&gt;

&lt;h3 id=&quot;動画編集アプリ&quot;&gt;動画編集アプリ&lt;/h3&gt;

&lt;p&gt;先ほど例に挙げた動画編集アプリも作ったものの1つだ。Macであれば無料のiMovieでももちろん良いが、それでもやや機能が多く、また細かいUI操作で摩擦を感じるところがある。なので、Mac用のNativeアプリをミニマム機能で作って運用している。ショートカットはPremiere Proと揃えてある。手が慣れてしまっているので。&lt;/p&gt;

&lt;p&gt;アプリの作り方はシンプルに、What(仕様)をプロンプトで伝えて、/goalで放置しておけば良い。WhatのプロンプトもAIで考えてもらえば良い。不明点だけ最初にAIから質問してもらうようにすると作りたいものの精度を上げやすくなる。&lt;/p&gt;

&lt;p&gt;なおAIコーディングで作っていると、機能だったりUIだったりをAI側で勝手に追加してくるので、スクショを添付しながら「このViewは不要」とガシガシ削っている。必要最低限のアプリが欲しいため。&lt;/p&gt;

&lt;h3 id=&quot;rssリーダー&quot;&gt;RSSリーダー&lt;/h3&gt;

&lt;p&gt;もう1つ、自分で作る良さを特に実感しているのが個人用RSSリーダーだ。これもNativeアプリ。&lt;/p&gt;

&lt;p&gt;RSSリーダーは、古くはGoogle ReaderやLivedoor Readerがあり、今もFeedlyなどがある。しかし、既存のサービスは多機能だったり、反対にやや足りなかったりする部分もある。&lt;/p&gt;

&lt;p&gt;そこで、AIコーディングを活用してスクラッチで作っている。実際に使いながら「ここをもう少しこうしたい」とフィードバックを与えてアプリを改善していくと、わずか数日で自分にとってちょうどいいRSSリーダーが仕上がっていく。他の人からはおそらく相当使いにくいんだけど、自分のワークフローだとピッタリになる。&lt;/p&gt;

&lt;h3 id=&quot;chrome拡張&quot;&gt;Chrome拡張&lt;/h3&gt;

&lt;p&gt;Webページの見た目や挙動を書き換えたいとき、これまではTampermonkeyのような汎用スクリプト実行ツールを使うのが定番だった。ただ、自分がカスタマイズしたいのはわずか数サイトで、やりたいのも限られたことなのでもっとシンプルで良い。&lt;/p&gt;

&lt;p&gt;なので、頻繁に訪れるWebサイト専用のChrome Extensionを作っている。例えばAmazonやX（旧Twitter）の画面は、自分が操作しやすいように機能を削ったり、あるいは追加したりしている。&lt;/p&gt;

&lt;p&gt;「DOM構造が変わったら動かなくなるのでは？」という懸念もあるかもしれないが、今のところ困っていない。仮に表示が崩れても、「〜のDOM構造が変わったみたいだから修正して」とお願いしておけば直る。SPAに近い挙動のWebサイトだったとしても、一度ブラウザで表示して、該当部分をInspect ElementしてそのDOMを伝えてあげれば良い。&lt;/p&gt;

&lt;h2 id=&quot;おわりに&quot;&gt;おわりに&lt;/h2&gt;

&lt;p&gt;ここまでで取り上げたアプリは別にOSS公開する予定はない。なくなったら困るので、個人のPrivate Repoにソースコードだけ保存している。&lt;/p&gt;

&lt;p&gt;というわけで「作るのが面倒なので機能は過剰だけど買う」という時代から、「市販のアプリが備える機能のうち、自分に必要な1%の機能だけをAIで作る」時代になってきている。難しいと思っていたものも意外と作れるので、とりあえず作ってみるのも良いと思っている。&lt;/p&gt;
&lt;div class=&quot;footnotes&quot; role=&quot;doc-endnotes&quot;&gt;
  &lt;ol&gt;
    &lt;li id=&quot;fn:1&quot;&gt;
      &lt;p&gt;ChatGPTやClaudeを、この性能で、この価格というのはローカルLLMではまだまだ厳しい。 &lt;a href=&quot;#fnref:1&quot; class=&quot;reversefootnote&quot; role=&quot;doc-backlink&quot;&gt;&amp;#8617;&lt;/a&gt;&lt;/p&gt;
    &lt;/li&gt;
    &lt;li id=&quot;fn:2&quot;&gt;
      &lt;p&gt;Premiere Proの画面を開いたことがある人ならわかるかもだけど、あのUIを使いこなせる人はすごい。 &lt;a href=&quot;#fnref:2&quot; class=&quot;reversefootnote&quot; role=&quot;doc-backlink&quot;&gt;&amp;#8617;&lt;/a&gt;&lt;/p&gt;
    &lt;/li&gt;
  &lt;/ol&gt;
&lt;/div&gt;
</description>
        <pubDate>Thu, 29 Oct 2026 00:00:00 +0000</pubDate>
        <link>https://iwashi.co/2026/10/29/build-my-app</link>
        <guid isPermaLink="true">https://iwashi.co/2026/10/29/build-my-app</guid>
        
        <category>AI</category>
        
        
      </item>
    
      <item>
        <title>AI時代の勉強法(2026)</title>
        <description>&lt;h2 id=&quot;はじめに&quot;&gt;はじめに&lt;/h2&gt;

&lt;p&gt;つい最近、今の勉強法を簡単に記した&lt;a href=&quot;https://x.com/iwashi86/status/2105047465158459631?s=20&quot;&gt;Xのポスト&lt;/a&gt;をした。本記事では、もう少し掘り下げてまとめて書いてみようと思う。2026年のスナップショットであり、来年以降に読み返したら面白いかもしれないので。&lt;/p&gt;

&lt;p&gt;なおこの記事は、文章の誤字脱字チェック以外には生成AIを活用しておらず、すべて手でタイプしている。&lt;/p&gt;

&lt;h2 id=&quot;基本的な考え方わかった気から一歩進むために&quot;&gt;基本的な考え方（わかった気から一歩進むために）&lt;/h2&gt;

&lt;p&gt;生成AIが浸透する以前からも知の高速道路の進化は凄かった&lt;sup id=&quot;fnref:1&quot;&gt;&lt;a href=&quot;#fn:1&quot; class=&quot;footnote&quot; rel=&quot;footnote&quot; role=&quot;doc-noteref&quot;&gt;1&lt;/a&gt;&lt;/sup&gt;と思うが、生成AI登場以降はさらに進化したように感じる。生成AIのおかげで、これまでは理解するのが難しかったあるいは理解にとてつもなく時間をかけていたものが、比較的容易に理解できるようになった。これはわからなかったら、難度を下げて何度でも生成AIに聞けばいいからだ。&lt;/p&gt;

&lt;p&gt;一方で生成AI時代の学びでかなり危険なのは&lt;strong&gt;わかった気になるのがめちゃくちゃ簡単なこと&lt;/strong&gt;だと思う。前のパラグラフで書いたことの裏返しだが、難度を下げて噛み砕いて説明してもらった結果、「あーそういうことね」とすぐになりがちなのだ。&lt;/p&gt;

&lt;p&gt;わかった気になっているかを確認する簡単な方法は、誰かに内容を説明してみることだ。これは&lt;a href=&quot;https://en.wikipedia.org/wiki/Learning_by_teaching&quot;&gt;ファインマンテクニック&lt;/a&gt;と呼ばれる有名な方法である。&lt;/p&gt;

&lt;p&gt;説明時には以下の項目を話すようにしている。大体の技術は論文の骨子と似た次の構成になっており、流れはそのイメージに近い。&lt;/p&gt;

&lt;ul&gt;
  &lt;li&gt;背景。何かしら課題が存在する&lt;/li&gt;
  &lt;li&gt;課題を解くための提案技術や手法&lt;/li&gt;
  &lt;li&gt;（実際に実験して検証した結果。論文ではない場合は、これがない場合もある）&lt;/li&gt;
  &lt;li&gt;その技術のメリットとデメリット&lt;/li&gt;
&lt;/ul&gt;

&lt;p&gt;上記の構成を何も見ずにスラスラ話せるようになっているなら、実装できるかはおいといて、概略は理解できている可能性が高い。一方でスラスラ出て来ないんだったら、わかった気になっているだけだろう。&lt;/p&gt;

&lt;p&gt;上記をオプティマイザを例にとって説明してみる。オプティマイザはSGDからMomentum、Adam、AdamW、etc… へと移ってきており、冒頭2つにしぼるとこんな感じだ。&lt;/p&gt;

&lt;ul&gt;
  &lt;li&gt;SGDは、その時点の勾配だけを見てパラメータを更新する&lt;/li&gt;
  &lt;li&gt;ただし、更新方向が毎回ぶれるので、ジグザグ進んで学習が遅くなることがある&lt;/li&gt;
  &lt;li&gt;そこでMomentumでは、今の勾配だけでなくこれまで進んできた方向も使う&lt;/li&gt;
  &lt;li&gt;同じ方向に進み続けているなら勢いをつけ、左右にぶれる動きは打ち消すようにする&lt;/li&gt;
  &lt;li&gt;SGDより早く収束するが、追加のハイパラや、勢いで欲しかった最小値を過ぎてしまうこともある&lt;/li&gt;
&lt;/ul&gt;

&lt;p&gt;で、この後は「Momentumにはこういう課題があってAdamだと〜」と後続の技術に繋がっていく。こんな感じで話せるようになれば、少なくともわかった気になっている状態から、一歩は進めていると思う。&lt;/p&gt;

&lt;h2 id=&quot;具体的にどうやるのか&quot;&gt;具体的にどうやるのか？&lt;/h2&gt;

&lt;p&gt;私が最近使っている方法をインプットとアウトプットで分けて書いておく。&lt;/p&gt;

&lt;h3 id=&quot;インプット編&quot;&gt;インプット編&lt;/h3&gt;

&lt;p&gt;知の高速道路で一番発達したのが、動画だと思う。日本語でも良いコンテンツがあるが、英語であればスタンフォード大などの授業が普通に見れるようになっている。例えば、LLMをゼロから学びたいのであれば&lt;a href=&quot;https://online.stanford.edu/courses/cs336-language-modeling-scratch&quot;&gt;CS336 Language Modeling from Scratch&lt;/a&gt;&lt;sup id=&quot;fnref:3&quot;&gt;&lt;a href=&quot;#fn:3&quot; class=&quot;footnote&quot; rel=&quot;footnote&quot; role=&quot;doc-noteref&quot;&gt;2&lt;/a&gt;&lt;/sup&gt;という授業が見れる。なんだったら講義で使われている資料も全部置いてある。&lt;/p&gt;

&lt;p&gt;「あーなんだ英語じゃん」となった方、そこで生成AIを使うと良いと思う。いくつか使い方のパターンがある。&lt;/p&gt;

&lt;ul&gt;
  &lt;li&gt;動画のみ
    &lt;ul&gt;
      &lt;li&gt;講義動画をPCで再生しておいて、隣にスマフォでGPT-Liveをおいて逐次通訳させる&lt;/li&gt;
      &lt;li&gt;英語である程度理解ができる場合は、普段は黙っておいてもらって、わからないところだけ動画を止めて、GPT-Liveに質問するのが良い&lt;/li&gt;
    &lt;/ul&gt;
  &lt;/li&gt;
  &lt;li&gt;動画 to テキスト
    &lt;ul&gt;
      &lt;li&gt;YouTubeの動画にはtranscript(文字起こし)がついている。これを全部LLMに読み込ませて、さらに講義資料pdfなども読み込ませて自分専用の日本語解説Webテキストを作ってもらう
        &lt;ul&gt;
          &lt;li&gt;PDFであれば、今のフロンティアモデルはいい感じに抜き取って説明文と図を配置してくれる&lt;/li&gt;
        &lt;/ul&gt;
      &lt;/li&gt;
      &lt;li&gt;ざっとこれを予習あるいは復習に使う&lt;/li&gt;
    &lt;/ul&gt;
  &lt;/li&gt;
  &lt;li&gt;動画 to 音声（NotebookLM）
    &lt;ul&gt;
      &lt;li&gt;授業動画の内容をNotebookLMで音声化する。で一度、音声化した対談からざっくり教えてもらう。NotebookLMは謎のメタファーを連発するのでたまにわかりにくくなることがあるが、それでも役立つことが多い&lt;/li&gt;
    &lt;/ul&gt;
  &lt;/li&gt;
  &lt;li&gt;書籍
    &lt;ul&gt;
      &lt;li&gt;難しい書籍で理解できないところは、該当ページを写真あるいはスクショしてChatGPTなどに一度噛み砕いて解説してもらう
        &lt;ul&gt;
          &lt;li&gt;わからないところがあれば何度か往復して理解を試みる&lt;/li&gt;
          &lt;li&gt;生成AIの普及以前は輪読会でカバーしていた部分だった&lt;/li&gt;
        &lt;/ul&gt;
      &lt;/li&gt;
      &lt;li&gt;なお、ビジネス系書籍はさらっと読み流せるのでAIはあんまり使ってない&lt;/li&gt;
    &lt;/ul&gt;
  &lt;/li&gt;
  &lt;li&gt;書籍（オライリー）
    &lt;ul&gt;
      &lt;li&gt;書籍なんだけどオライリーだけ別に切り出した&lt;/li&gt;
      &lt;li&gt;なぜかというと、オライリー学習プラットフォームが凄すぎるため
        &lt;ul&gt;
          &lt;li&gt;サブスクで技術書が読みたい放題となる&lt;/li&gt;
          &lt;li&gt;さらに嬉しいのは、英語の書籍の先行リリースも先に読めること
            &lt;ul&gt;
              &lt;li&gt;翻訳書籍はどうしても時差があり、マネジメント系は別にそれでもいいが、AIの技術書籍は技術変化が激しいのでできるだけ英語の方が良い（英語でも書籍だとだいぶ古いなーと思うこともある）&lt;/li&gt;
            &lt;/ul&gt;
          &lt;/li&gt;
        &lt;/ul&gt;
      &lt;/li&gt;
      &lt;li&gt;で、英語書籍であっても今は生成AIパワーですんなり読めるので、かなり勉強しやすくなっている&lt;/li&gt;
    &lt;/ul&gt;
  &lt;/li&gt;
&lt;/ul&gt;

&lt;h3 id=&quot;アウトプット編&quot;&gt;アウトプット編&lt;/h3&gt;

&lt;p&gt;アウトプットは前述したファインマンテクニックを使う。個人的に両手は塞がるけど口と耳が空いている時間がそれなりにあるため、その時間を活用してインプットした内容をGPT-Liveに対して話して出力してみている。&lt;/p&gt;

&lt;p&gt;具体的にはこんな感じだ。&lt;/p&gt;

&lt;ul&gt;
  &lt;li&gt;まず「今から自分が〜について説明するから、間違えているところがあったら教えて」と伝えて話し始める&lt;/li&gt;
  &lt;li&gt;で、そもそも話せずに詰まったところがあったら、それは理解が浅い状態。「〜について調べてほしい。で、〜について教えて」とGPT-Liveに情報を調べてもらって、逆に教えてもらう&lt;/li&gt;
  &lt;li&gt;で、また最初に戻って自分が話してみる&lt;/li&gt;
  &lt;li&gt;そのまま最後まで自分が説明しきれた場合であっても「これまでの説明で、間違っているところがあれば教えて」と話せば、GPT-Liveがフィードバックしてくれる。&lt;sup id=&quot;fnref:2&quot;&gt;&lt;a href=&quot;#fn:2&quot; class=&quot;footnote&quot; rel=&quot;footnote&quot; role=&quot;doc-noteref&quot;&gt;3&lt;/a&gt;&lt;/sup&gt;&lt;/li&gt;
&lt;/ul&gt;

&lt;p&gt;他にもちろん勉強会で登壇してみるとか、ブログ記事を書いてみるのも良いと思う。例えばブログ記事であれば&lt;a href=&quot;https://iwashi.co/2026/09/23/mixture-of-experts-moe-memo&quot;&gt;Mixture of Experts 基礎技術メモ&lt;/a&gt;は自分が実際アウトプットで試したものだ。執筆時の前半はスラスラ書けていたけど、Auxiliary Load Balancing Lossのセクションで、論理が途端にあやふやになったので理解できてなかったことに気づいた。で、もう一度勉強し直して書き直したのだった。&lt;/p&gt;

&lt;h2 id=&quot;おわりに&quot;&gt;おわりに&lt;/h2&gt;

&lt;p&gt;また来年になったら勉強法を変えているかもしれないけど、とりあえず現時点での勉強法をまとめておいた。&lt;/p&gt;
&lt;div class=&quot;footnotes&quot; role=&quot;doc-endnotes&quot;&gt;
  &lt;ol&gt;
    &lt;li id=&quot;fn:1&quot;&gt;
      &lt;p&gt;&lt;a href=&quot;https://www.keio.ac.jp/ja/sfc/engagement/extended-education/&quot;&gt;SFC-GC&lt;/a&gt;にはお世話になった。今は休止中とのこと。 &lt;a href=&quot;#fnref:1&quot; class=&quot;reversefootnote&quot; role=&quot;doc-backlink&quot;&gt;&amp;#8617;&lt;/a&gt;&lt;/p&gt;
    &lt;/li&gt;
    &lt;li id=&quot;fn:3&quot;&gt;
      &lt;p&gt;最近個人的に見ているもの。本当に最高の授業シリーズ。 &lt;a href=&quot;#fnref:3&quot; class=&quot;reversefootnote&quot; role=&quot;doc-backlink&quot;&gt;&amp;#8617;&lt;/a&gt;&lt;/p&gt;
    &lt;/li&gt;
    &lt;li id=&quot;fn:2&quot;&gt;
      &lt;p&gt;当然、ハルシネーションが起きる場合もあるので、聞いていて何か引っかかった場合は別のチャネルで真偽を確認する &lt;a href=&quot;#fnref:2&quot; class=&quot;reversefootnote&quot; role=&quot;doc-backlink&quot;&gt;&amp;#8617;&lt;/a&gt;&lt;/p&gt;
    &lt;/li&gt;
  &lt;/ol&gt;
&lt;/div&gt;
</description>
        <pubDate>Thu, 01 Oct 2026 00:00:00 +0000</pubDate>
        <link>https://iwashi.co/2026/10/01/how-to-study-in-ai-era</link>
        <guid isPermaLink="true">https://iwashi.co/2026/10/01/how-to-study-in-ai-era</guid>
        
        <category>AI</category>
        
        
      </item>
    
      <item>
        <title>Mixture of Experts 基礎技術メモ</title>
        <description>&lt;h2 id=&quot;はじめに&quot;&gt;はじめに&lt;/h2&gt;

&lt;p&gt;最近のオープンウェイトLLMを見渡すと、&lt;a href=&quot;https://huggingface.co/deepseek-ai/DeepSeek-V4.1-Flash&quot;&gt;DeepSeek-V4.1-Flash(552B)&lt;/a&gt;、&lt;a href=&quot;https://arxiv.org/abs/2607.24653&quot;&gt;Kimi K3(2.8T)&lt;/a&gt;、&lt;a href=&quot;https://huggingface.co/XiaomiMiMo/MiMo-V2.6-Pro-RL&quot;&gt;MiMo-V2.6(1T)&lt;/a&gt;など、トップクラスのモデルのほぼすべてがMixture of Experts（以下、MoE）を採用している。本記事ではMoEに関する基礎的な技術をメモしていく。&lt;/p&gt;

&lt;p&gt;本記事の内容はStanfordの&lt;a href=&quot;https://cs336.stanford.edu/&quot;&gt;授業&lt;/a&gt;、論文、テクニカルレポートなどを参考にしている。また、Transformerの基本的な構造や、Self-AttentionやFeed Forward Network（以下、FFN）については、ここでは触れない。Transformerの基礎を理解していることを前提に話を進める。&lt;/p&gt;

&lt;h2 id=&quot;moeの直感的な説明とよくある誤解&quot;&gt;MoEの直感的な説明とよくある誤解&lt;/h2&gt;

&lt;p&gt;MoEのよくある直感的な説明はこんな感じだ。&lt;/p&gt;

&lt;ul&gt;
  &lt;li&gt;通常のTransformerはどんなタスクが来ても、すべてのニューラルネットワークを使って対応する。学校で例えるなら、数学の問題なのに、英語教師・理科教師・数学教師・体育教師などで総出で当たるようなイメージだ。これはあまり効率的ではない。&lt;/li&gt;
  &lt;li&gt;そこで、MoEでは「これは数学担当のエキスパート、英語担当のエキスパート、理科担当のエキスパート、…」というようにやりたいことに応じてエキスパートを使い分ける。各エキスパートがそれぞれの強い分野を処理することで、より良い出力を得る。&lt;/li&gt;
&lt;/ul&gt;

&lt;p&gt;しかし、実際にはそんなに簡単ではない。そもそもエキスパートがそんなに綺麗に分かれているわけではない。むしろMoEとは、sparseに活性化されるサブコンポーネントを持つモデルアーキテクチャである。現在主流のLLMでは、トークンごとに活性化されるエキスパートは異なる。&lt;/p&gt;

&lt;h2 id=&quot;moeへのモチベーション&quot;&gt;MoEへのモチベーション&lt;/h2&gt;

&lt;p&gt;なぜMoEがここまで使われているのか？&lt;/p&gt;

&lt;p&gt;MoEのモチベーションは、「パラメータを増やせばモデルは賢くなる。ただし計算コストはこれ以上払いたくない」という要求にある。昨今のLLMは兆を超えるパラメータを保持するものもあり、莫大な計算コストを要する。MoEをアーキテクチャに組み込めば、計算コストを抑えつつもパラメータ数を増やせる。&lt;/p&gt;

&lt;h2 id=&quot;moeのアーキテクチャ概要&quot;&gt;MoEのアーキテクチャ概要&lt;/h2&gt;

&lt;p&gt;MoEによって何が変わったかを理解するためには、Transformerブロックを思い出すと良い。Transformerブロックには主にSelf-AttentionとFFNがある。FFNは全結合された層であり、非常にdenseである。MoEはこのdenseなFFN層を置き換える&lt;sup id=&quot;fnref:3&quot;&gt;&lt;a href=&quot;#fn:3&quot; class=&quot;footnote&quot; rel=&quot;footnote&quot; role=&quot;doc-noteref&quot;&gt;1&lt;/a&gt;&lt;/sup&gt;。次の図で見るとわかりやすい。&lt;/p&gt;

&lt;p&gt;&lt;img src=&quot;/assets/images/moe.png&quot; alt=&quot;通常のtransformerのアーキテクチャと、MoEのアーキテクチャ&quot; /&gt;&lt;/p&gt;

&lt;p&gt;左側はMoE無であり、右側がMoE有の流れだ。（実際には、Expertの出力をマージする箇所や正規化もあるので、この図は大幅に簡略化している）&lt;/p&gt;

&lt;p&gt;右側の図からもわかるように、入力はルーターによって振り分けられ、そこで選ばれたエキスパートにルーティングされる。&lt;/p&gt;

&lt;h2 id=&quot;moeのルーティング&quot;&gt;MoEのルーティング&lt;/h2&gt;

&lt;p&gt;MoEの難しさの1つはこのルーティングにある。エキスパート自体を増やすのはそんなに難しくないが、ルーティングの性能が酷いと後述する崩壊が起きるのだ。ということで、ルーティングは肝なので、少し詳しく書いていく。&lt;/p&gt;

&lt;p&gt;まず、大きな視点から考えると、どのエキスパートを使うかを決める必要がある。設計の選択肢は大きく3つに分かれる。&lt;/p&gt;

&lt;table&gt;
  &lt;thead&gt;
    &lt;tr&gt;
      &lt;th&gt;方式&lt;/th&gt;
      &lt;th&gt;選び方&lt;/th&gt;
      &lt;th&gt;特徴&lt;/th&gt;
    &lt;/tr&gt;
  &lt;/thead&gt;
  &lt;tbody&gt;
    &lt;tr&gt;
      &lt;td&gt;Token choice&lt;/td&gt;
      &lt;td&gt;各トークンが、自分に合う上位K個のエキスパートを選ぶ&lt;/td&gt;
      &lt;td&gt;各トークンにとって最良のエキスパートが選ばれる。負荷は偏ることがある&lt;/td&gt;
    &lt;/tr&gt;
    &lt;tr&gt;
      &lt;td&gt;Expert choice&lt;/td&gt;
      &lt;td&gt;各エキスパートが、自分に合う上位K個のトークンを選ぶ&lt;/td&gt;
      &lt;td&gt;各エキスパートの処理量が完全に均等になりやすく、デバイス利用率が安定しやすい&lt;/td&gt;
    &lt;/tr&gt;
    &lt;tr&gt;
      &lt;td&gt;Global assignment&lt;/td&gt;
      &lt;td&gt;割当や最適輸送を解いて全体最適な対応付けを求める&lt;/td&gt;
      &lt;td&gt;うまくいくかもしれないが、計算コストが見合わない&lt;/td&gt;
    &lt;/tr&gt;
  &lt;/tbody&gt;
&lt;/table&gt;

&lt;p&gt;この中で結果的に主流になっているのがToken choiceだ。&lt;/p&gt;

&lt;p&gt;ちなみに、ハッシュしてルーティングするような方法もある。MoEのルーターを学習させる代わりに、入力を単なるハッシュ関数でエキスパートに割り当てる。「なんて適当な」と思われるかもしれないが、なんとこれでも性能が上がると&lt;a href=&quot;https://proceedings.neurips.cc/paper/2021/hash/92bf5e6240737e0326ea59846a83e076-Abstract.html&quot;&gt;報告&lt;/a&gt;されている。（ここから言えるのは、賢いルーティングではなくパラメータ容量を増やせばいいじゃん、という見方もできるかもしれない）&lt;/p&gt;

&lt;h3 id=&quot;token-choiceでのmoeの処理の流れ&quot;&gt;token choiceでのMoEの処理の流れ&lt;/h3&gt;

&lt;p&gt;MoEの処理の流れは次のとおりだ。&lt;/p&gt;

&lt;ul&gt;
  &lt;li&gt;まず入力されたトークンは、MoEのルーターに渡される&lt;/li&gt;
  &lt;li&gt;ルーターが、どのエキスパートにトークンを送り込むか決める（＝ルーティング）
    &lt;ul&gt;
      &lt;li&gt;全エキスパートに対するsoftmaxなどで確率分布を出して、値が大きい上位k個(Top-k)に送り込む&lt;/li&gt;
      &lt;li&gt;ここでは、ルーティング用の小さな線形層を準備する（論文により名称は違う。例えばSwitch TransformerであればW_r(Router用のWeight)）&lt;/li&gt;
    &lt;/ul&gt;
  &lt;/li&gt;
  &lt;li&gt;トークンを受け取った各エキスパートは、TransformerのFFNと同様の計算を行う&lt;/li&gt;
  &lt;li&gt;エキスパートの出力に対して、ルーターが出した確率を重みとして乗算して、それらの和を取り、残差接続と足し合わせる&lt;/li&gt;
&lt;/ul&gt;

&lt;h3 id=&quot;ルーティングを賢くする際の注意点&quot;&gt;ルーティングを賢くする際の注意点&lt;/h3&gt;

&lt;p&gt;単純なTransformerブロックと異なり、MoEでは、学習時にルーティングの学習という別個の課題が生じる。代表的な課題とその解法を以下でまとめておく。&lt;/p&gt;

&lt;h4 id=&quot;エキスパート崩壊&quot;&gt;エキスパート崩壊&lt;/h4&gt;

&lt;p&gt;トークンはルーターによって各エキスパートに分散される。その分散具合は学習過程で定まっていく。学習開始直後のルーターの重みはランダムなので、偶然どこかのエキスパートにわずかに多くトークンが集まってしまうことがある。そこから先は、正のフィードバックループが回ってしまう。これは図で見るとわかりやすい。&lt;/p&gt;

&lt;p&gt;&lt;img src=&quot;/assets/images/expertcollapse.png&quot; alt=&quot;ルーティングが偏ってしまう場合の図&quot; /&gt;&lt;/p&gt;

&lt;p&gt;実際に&lt;a href=&quot;https://arxiv.org/abs/2409.02060&quot;&gt;OLMoEのアブレーション&lt;/a&gt;にて具体の結果が書いてある。8つのエキスパートからTop-2で選ばせた場合、学習開始直後には1つのエキスパートがほぼすべてのトークンを受け取っている。その後もう1つのエキスパートにもトークンが流れるようになるが、最終的にもほぼこの2つだけでトークンを分け合い、残る6つはほとんど使われない。論文ではこれらをdead weightsと表現している。これがエキスパート崩壊だ。（&lt;a href=&quot;https://arxiv.org/abs/2408.15664&quot;&gt;Loss-Free Balancing (Wang et al., 2024)&lt;/a&gt;では、ルーティング崩壊とも呼ばれている）&lt;/p&gt;

&lt;p&gt;別のパターンの崩壊としては、エキスパート同士が同じような特徴を学習してしまって、結局性能が出ないみたいなのもある。&lt;/p&gt;

&lt;h4 id=&quot;補助損失&quot;&gt;補助損失&lt;/h4&gt;

&lt;p&gt;ここまでで述べた課題を防ぐためには、できるだけ均等にエキスパートを使うようにルーターが振る舞わないといけない。&lt;/p&gt;

&lt;p&gt;そのために考案された1つの方式が、補助負荷分散損失（Auxiliary Load Balancing Loss）である。&lt;a href=&quot;https://arxiv.org/abs/2101.03961&quot;&gt;Switch Transformer&lt;/a&gt;でも利用されている。この方式は、2つの登場人物を押さえると良い。&lt;/p&gt;

&lt;ul&gt;
  &lt;li&gt;実際にエキスパートに送られたtokenの割合
    &lt;ul&gt;
      &lt;li&gt;これをfとする&lt;/li&gt;
    &lt;/ul&gt;
  &lt;/li&gt;
  &lt;li&gt;（あるバッチ全体で）ルーターがエキスパートに割り振ろうとした確率（の平均）
    &lt;ul&gt;
      &lt;li&gt;これをpとする&lt;/li&gt;
    &lt;/ul&gt;
  &lt;/li&gt;
&lt;/ul&gt;

&lt;p&gt;ここでは、超シンプルな例で簡単に計算してみよう&lt;sup id=&quot;fnref:1&quot;&gt;&lt;a href=&quot;#fn:1&quot; class=&quot;footnote&quot; rel=&quot;footnote&quot; role=&quot;doc-noteref&quot;&gt;2&lt;/a&gt;&lt;/sup&gt;。仮にエキスパートが2つ、top-kは1、トークンが4つあったとしよう。さらにルーティング用の重みW_rを使って計算した結果、以下の表のスコアになったとする。&lt;/p&gt;

&lt;table&gt;
  &lt;thead&gt;
    &lt;tr&gt;
      &lt;th&gt;トークン&lt;/th&gt;
      &lt;th&gt;エキスパート1の確率&lt;/th&gt;
      &lt;th&gt;エキスパート2の確率&lt;/th&gt;
      &lt;th&gt;Top-1で選ばれるエキスパート&lt;/th&gt;
    &lt;/tr&gt;
  &lt;/thead&gt;
  &lt;tbody&gt;
    &lt;tr&gt;
      &lt;td&gt;ho&lt;/td&gt;
      &lt;td&gt;0.8&lt;/td&gt;
      &lt;td&gt;0.2&lt;/td&gt;
      &lt;td&gt;エキスパート1&lt;/td&gt;
    &lt;/tr&gt;
    &lt;tr&gt;
      &lt;td&gt;ge&lt;/td&gt;
      &lt;td&gt;0.6&lt;/td&gt;
      &lt;td&gt;0.4&lt;/td&gt;
      &lt;td&gt;エキスパート1&lt;/td&gt;
    &lt;/tr&gt;
    &lt;tr&gt;
      &lt;td&gt;fu&lt;/td&gt;
      &lt;td&gt;0.9&lt;/td&gt;
      &lt;td&gt;0.1&lt;/td&gt;
      &lt;td&gt;エキスパート1&lt;/td&gt;
    &lt;/tr&gt;
    &lt;tr&gt;
      &lt;td&gt;ga&lt;/td&gt;
      &lt;td&gt;0.2&lt;/td&gt;
      &lt;td&gt;0.8&lt;/td&gt;
      &lt;td&gt;エキスパート2&lt;/td&gt;
    &lt;/tr&gt;
  &lt;/tbody&gt;
&lt;/table&gt;

&lt;p&gt;上記の表をもとに、まずfから考える。&lt;/p&gt;

&lt;ul&gt;
  &lt;li&gt;f_エキスパート1
    &lt;ul&gt;
      &lt;li&gt;3回選ばれているので f_エキスパート1 は 3/4 = 0.75&lt;/li&gt;
    &lt;/ul&gt;
  &lt;/li&gt;
  &lt;li&gt;f_エキスパート2
    &lt;ul&gt;
      &lt;li&gt;同様に 1/4 = 0.25&lt;/li&gt;
    &lt;/ul&gt;
  &lt;/li&gt;
&lt;/ul&gt;

&lt;p&gt;次にpを考える。こちらは表を縦に見て平均を取る。&lt;/p&gt;

&lt;ul&gt;
  &lt;li&gt;p_エキスパート1 = (0.8 + 0.6 + 0.9 + 0.2) / 4 = 0.625&lt;/li&gt;
  &lt;li&gt;p_エキスパート2 = (0.2 + 0.4 + 0.1 + 0.8) / 4 = 0.375&lt;/li&gt;
&lt;/ul&gt;

&lt;p&gt;あとは、エキスパートごとに得られたものをそれぞれ掛け合わせて、合計を取りエキスパートの数をかける。&lt;/p&gt;

&lt;div class=&quot;language-plaintext highlighter-rouge&quot;&gt;&lt;div class=&quot;highlight&quot;&gt;&lt;pre class=&quot;highlight&quot;&gt;&lt;code&gt;(f_エキスパート1 × p_エキスパート1 + f_エキスパート2 × p_エキスパート2) × エキスパートの全数
= (0.75 × 0.625 + 0.25 × 0.375) × 2 
= (0.46875 + 0.09375) × 2
= 2 × 0.5625
= 1.125
&lt;/code&gt;&lt;/pre&gt;&lt;/div&gt;&lt;/div&gt;

&lt;p&gt;と、数字が1より大きいことがわかる。面倒だから計算はカットするが、仮に全てのエキスパートに均等に分散している場合はこの数値が1となる。したがって、1より大きいことから偏りがあることがわかる。&lt;/p&gt;

&lt;p&gt;また、この数値は、1より大きいほど偏りが大きくなる。（エキスパート数を増やして、適当に数値を入れて計算すればわかる）&lt;/p&gt;

&lt;p&gt;ここまでわかれば、当初計算していた「ルーターがエキスパートに割り振ろうとした確率(p)」の算出に使用していたW_rを重みを逆伝播して更新すれば、エキスパートの偏りが是正されていく。&lt;/p&gt;

&lt;p&gt;ここまでくると、元の名称にある&lt;strong&gt;補助&lt;/strong&gt;負荷分散損失（&lt;strong&gt;Auxiliary&lt;/strong&gt; Load Balancing Loss）もイメージが湧くかもしれない。言語モデルの主損失に加えて、MoEのルーティングに対して補助的にLossを使って負荷分散(Load balancing)しているので、この名称になっているのだろう。&lt;sup id=&quot;fnref:2&quot;&gt;&lt;a href=&quot;#fn:2&quot; class=&quot;footnote&quot; rel=&quot;footnote&quot; role=&quot;doc-noteref&quot;&gt;3&lt;/a&gt;&lt;/sup&gt;&lt;/p&gt;

&lt;h4 id=&quot;補助損失のトレードオフ&quot;&gt;補助損失のトレードオフ&lt;/h4&gt;

&lt;p&gt;ただし、補助損失にはトレードオフが潜んでいる。以下に示す、学習時の目的が干渉してしまうのだ。&lt;/p&gt;

&lt;ul&gt;
  &lt;li&gt;言語モデル本来の目的は、次のトークンを最も正確に予測したいこと&lt;/li&gt;
  &lt;li&gt;補助損失の目的は、エキスパートを均等に使わせたいこと&lt;/li&gt;
&lt;/ul&gt;

&lt;p&gt;精度を上げたい方向と無理に空いているエキスパートへ回したい方向が衝突する。&lt;/p&gt;

&lt;h3 id=&quot;deepseek-v3のアプローチ--aux-loss-freeバイアス&quot;&gt;DeepSeek-V3のアプローチ → Aux-loss-free（バイアス）&lt;/h3&gt;

&lt;p&gt;ここまでの話を背景にDeepSeek-V3のアプローチを説明する。V4系が出ているのに、なぜV3を紹介するかというと、別のオープンウェイトフロンティアモデルであるMiMo-V2.5/V2.6でも同系統のアプローチが使われている（らしい）ため。&lt;/p&gt;

&lt;p&gt;さて前項で説明した目的の干渉を嫌ったDeepSeek-V3は、負荷分散の補助損失ではないアプローチを採用した。&lt;/p&gt;

&lt;p&gt;代わりに動的なバイアスを使うようにした。ここでのバイアスとは、学習中に状況に応じて値が変わる一種の補正値と思ってもらえれば良い。&lt;/p&gt;

&lt;p&gt;具体例で考えてみよう。例えばルータが、あるトークンに対する4つのエキスパートのスコアを次のように出したとする。&lt;/p&gt;

&lt;table&gt;
  &lt;thead&gt;
    &lt;tr&gt;
      &lt;th&gt;エキスパート&lt;/th&gt;
      &lt;th style=&quot;text-align: right&quot;&gt;元のスコア&lt;/th&gt;
    &lt;/tr&gt;
  &lt;/thead&gt;
  &lt;tbody&gt;
    &lt;tr&gt;
      &lt;td&gt;1&lt;/td&gt;
      &lt;td style=&quot;text-align: right&quot;&gt;0.90&lt;/td&gt;
    &lt;/tr&gt;
    &lt;tr&gt;
      &lt;td&gt;2&lt;/td&gt;
      &lt;td style=&quot;text-align: right&quot;&gt;0.70&lt;/td&gt;
    &lt;/tr&gt;
    &lt;tr&gt;
      &lt;td&gt;3&lt;/td&gt;
      &lt;td style=&quot;text-align: right&quot;&gt;0.50&lt;/td&gt;
    &lt;/tr&gt;
    &lt;tr&gt;
      &lt;td&gt;4&lt;/td&gt;
      &lt;td style=&quot;text-align: right&quot;&gt;0.30&lt;/td&gt;
    &lt;/tr&gt;
  &lt;/tbody&gt;
&lt;/table&gt;

&lt;p&gt;通常なら上位のエキスパート1、Top-2であれば2つ目のエキスパート2も選ばれる。しかしDeepSeek-V3では、ここに負荷分散用のバイアスを加える。&lt;/p&gt;

&lt;table&gt;
  &lt;thead&gt;
    &lt;tr&gt;
      &lt;th&gt;エキスパート&lt;/th&gt;
      &lt;th style=&quot;text-align: right&quot;&gt;元のスコア&lt;/th&gt;
      &lt;th style=&quot;text-align: right&quot;&gt;バイアス&lt;/th&gt;
      &lt;th style=&quot;text-align: right&quot;&gt;選択用スコア&lt;/th&gt;
    &lt;/tr&gt;
  &lt;/thead&gt;
  &lt;tbody&gt;
    &lt;tr&gt;
      &lt;td&gt;1&lt;/td&gt;
      &lt;td style=&quot;text-align: right&quot;&gt;0.90&lt;/td&gt;
      &lt;td style=&quot;text-align: right&quot;&gt;-0.25&lt;/td&gt;
      &lt;td style=&quot;text-align: right&quot;&gt;0.65&lt;/td&gt;
    &lt;/tr&gt;
    &lt;tr&gt;
      &lt;td&gt;2&lt;/td&gt;
      &lt;td style=&quot;text-align: right&quot;&gt;0.70&lt;/td&gt;
      &lt;td style=&quot;text-align: right&quot;&gt;0.00&lt;/td&gt;
      &lt;td style=&quot;text-align: right&quot;&gt;0.70&lt;/td&gt;
    &lt;/tr&gt;
    &lt;tr&gt;
      &lt;td&gt;3&lt;/td&gt;
      &lt;td style=&quot;text-align: right&quot;&gt;0.50&lt;/td&gt;
      &lt;td style=&quot;text-align: right&quot;&gt;+0.25&lt;/td&gt;
      &lt;td style=&quot;text-align: right&quot;&gt;0.75&lt;/td&gt;
    &lt;/tr&gt;
    &lt;tr&gt;
      &lt;td&gt;4&lt;/td&gt;
      &lt;td style=&quot;text-align: right&quot;&gt;0.30&lt;/td&gt;
      &lt;td style=&quot;text-align: right&quot;&gt;+0.10&lt;/td&gt;
      &lt;td style=&quot;text-align: right&quot;&gt;0.40&lt;/td&gt;
    &lt;/tr&gt;
  &lt;/tbody&gt;
&lt;/table&gt;

&lt;p&gt;この場合、エキスパート1は混雑しているためバイアスが下げられ、逆に空いているエキスパート3は選ばれやすくなる。&lt;/p&gt;

&lt;p&gt;ポイントは、このバイアスはエキスパートを選ぶ時だけ使うことだ。実際に選ばれたエキスパートの出力をどの割合で混ぜるかについては、選ばれたエキスパートの元スコアを正規化して使う。&lt;/p&gt;

&lt;p&gt;そして学習中は、各エキスパートに実際に何トークン流れたかを確認し、&lt;/p&gt;

&lt;ul&gt;
  &lt;li&gt;混みすぎているエキスパート → バイアスを下げる&lt;/li&gt;
  &lt;li&gt;空いているエキスパート → バイアスを上げる&lt;/li&gt;
&lt;/ul&gt;

&lt;p&gt;という調整を繰り返す。&lt;/p&gt;

&lt;p&gt;これがDeepSeek-V3のAux-loss-freeの中心的なアイデアである。&lt;/p&gt;

&lt;p&gt;なお、名前はAux-loss-freeだが、厳密には補助損失を完全にゼロにしているわけではない。主な負荷分散をバイアスに任せつつ、極端な偏りを防ぐための小さな補助損失は併用している。&lt;/p&gt;

&lt;h3 id=&quot;kimi-k3--quantile-balancing&quot;&gt;Kimi K3 → Quantile Balancing&lt;/h3&gt;

&lt;p&gt;DeepSeek-V3の動的バイアスは、256個のエキスパートを持つMoEでうまく機能した。しかし、Kimi K3のように「896個のエキスパートから16個を選ぶ」という極端にスパースなMoEになると、バイアスの更新方法そのものが問題になってくる。&lt;/p&gt;

&lt;p&gt;DeepSeek-V3では、各エキスパートの負荷を見ながら、一定の調整幅でバイアスを少しずつ上下させる。&lt;/p&gt;

&lt;p&gt;しかし、この方法にはトレードオフがある。&lt;/p&gt;

&lt;ul&gt;
  &lt;li&gt;調整幅を小さくすると、負荷の偏りを直すまでに多くの更新ステップが必要になる&lt;/li&gt;
  &lt;li&gt;逆に調整幅を大きくすると、今度は補正しすぎて、エキスパートへの割り当てが激しく上下する&lt;/li&gt;
  &lt;li&gt;他に厄介なのは、同じだけバイアスを動かしても、エキスパートによって負荷の変化量が違うこと
    &lt;ul&gt;
      &lt;li&gt;Top-16の境界付近に多くのトークンが集まっているエキスパートは、少しバイアスを上げるだけで大量のトークンが流れ込む&lt;/li&gt;
      &lt;li&gt;一方、境界付近にほとんどトークンがいないエキスパートでは、同じだけ動かしても負荷がほとんど変わらない&lt;/li&gt;
    &lt;/ul&gt;
  &lt;/li&gt;
&lt;/ul&gt;

&lt;p&gt;そこでKimi K3が導入したのが、Quantile Balancingである。&lt;/p&gt;

&lt;p&gt;Quantileとは耳慣れない言葉かもしれないが、ヒストグラムをイメージしてもらうと良い。Quantileは和訳だと、分位点を意味する。統計の授業で習った四分位数を思い出してほしい。&lt;/p&gt;

&lt;p&gt;Quantile Balancingの発想は、バイアスをどちら向きに少し動かすかを繰り返すのではなく、各エキスパートについて、どのくらいバイアスを動かせば、目標数のトークンがTop-16に入るのかを分布から直接求めてしまうというものだ。ちょっとわかりにくいので、以下の図を見てもらうと良い。「あぁ、この位置(分位点/Quantile)が知りたいのか」と直感的にわかると思う。&lt;/p&gt;

&lt;p&gt;&lt;img src=&quot;/assets/images/quantile.png&quot; alt=&quot;Quantileのイメージ&quot; /&gt;&lt;/p&gt;

&lt;p&gt;上記のような分布を利用して、Top-16の値がわかれば、次のステップで使うバイアスに必要な調整幅を求められる。分位点を使っているので、これがQuantile Balancingという名前の由来（だと思う）。&lt;/p&gt;

&lt;p&gt;これなら、固定の調整幅を細かくチューニングする必要がなく、896個のように多数のエキスパートを持つ極端にスパースなMoEでも、負荷分散を素早く安定させやすい。&lt;/p&gt;

&lt;h3 id=&quot;mimo-v26&quot;&gt;MiMo-V2.6&lt;/h3&gt;

&lt;p&gt;先日リリースされたばかりのMiMo-V2.6も当然MoEである。MiMo-V2.6もMiMo-V2.5から続いて、DeepSeek系のAux-loss-freeと同様に、エキスパートごとの補正バイアスを選択時だけ加える仕組みのようだ。(V2.6のテクニカルレポートでは、この部分に特化した記載がないのでやや推測)&lt;/p&gt;

&lt;p&gt;なお、MiMo-V2.6は強化学習(RL)を主軸としているわけだが、RLするとルーティングが偏ってしまって崩壊が起きてしまったと&lt;a href=&quot;https://huggingface.co/XiaomiMiMo/MiMo-V2.6-Pro-RL/blob/main/MiMo_V2_6_technical_report.pdf&quot;&gt;テクニカルレポート&lt;/a&gt;で書かれている。切り分けとして、RL後にルーティングのパラメータだけ切り戻したところ、負荷の偏りが元通りになったらしい。&lt;/p&gt;

&lt;h2 id=&quot;その他&quot;&gt;その他&lt;/h2&gt;

&lt;p&gt;MoE関連のトピックはたくさんあるのだが、全然書き終わらないので、知っておくとよさそうなトピックをあと少しだけ書いて終わりにする。&lt;/p&gt;

&lt;h3 id=&quot;必要なgpuメモリって&quot;&gt;必要なGPUメモリって？&lt;/h3&gt;

&lt;p&gt;これは私がMoEを学んだ際に最初に思った疑問で、MoEを実際に動かそうとする際にどれだけGPUメモリが必要なのかということ。活性化されたパラメータ数は少ないなら、もしかしてGPUの調達コストを減らせる？と思ったのだけど、全然甘くなかった。&lt;/p&gt;

&lt;p&gt;つまり、総パラメータを載せられるだけのGPUメモリが必要となる。したがって、市販のGPUなどで動かそうとする場合は、量子化などの技術併用が必須となる。（量子化については、佐藤先生の『&lt;a href=&quot;https://amzn.to/3V79EpS&quot;&gt;深層ニューラルネットワークの高速化&lt;/a&gt;』がとても詳しい）&lt;/p&gt;

&lt;h3 id=&quot;共有エキスパートshared-experts&quot;&gt;共有エキスパート（Shared Experts）&lt;/h3&gt;

&lt;p&gt;公開されているフロンティアなMoE設計でよく使われるのが共有エキスパートである。&lt;/p&gt;

&lt;p&gt;どんな文脈でも必要となる共通な処理がある。これを各エキスパートが個別に学習して保持するのは無駄なので、ルーティング云々に関わらず、必ず全トークンが経由する共有エキスパートを置くアプローチだ。DeepSeek-V3とV4.1-Flashは1個、Kimi K3は2個を採用している。&lt;/p&gt;

&lt;p&gt;ただし、以下のように主張が割れているので、今後変わるかもしれない。&lt;/p&gt;

&lt;ul&gt;
  &lt;li&gt;DeepSeekのアブレーションでは明確な改善が出ている&lt;/li&gt;
  &lt;li&gt;一方、OLMoEの比較では共有エキスパートの有無で有意な差が出ず、最終的に採用が見送られている&lt;/li&gt;
  &lt;li&gt;また、MiMo-V2.6 でも、共有エキスパートは使われていない&lt;/li&gt;
&lt;/ul&gt;

&lt;h3 id=&quot;マルチモーダルだと&quot;&gt;マルチモーダルだと？&lt;/h3&gt;

&lt;p&gt;（DeepSeek-V4.1のマルチモーダルな補正バイアスの話などがあるけど、1万字弱を書いて疲れたのでまた今度…）&lt;/p&gt;

&lt;h2 id=&quot;おわりに&quot;&gt;おわりに&lt;/h2&gt;

&lt;p&gt;かなり長くなってしまったが、MoEで知っておくとよさそうな基礎的な技術と、最近のモデルでの取り組みをいくつか紹介した。この辺の内容がわかっていると、各社が出しているテクニカルレポートやモデルカードが読みやすくなると思う。&lt;/p&gt;

&lt;p&gt;次は、Sliding Window Attention と Global Attention あたりを書くかもしれないし、書かないかもしれない。あるいは、書きかけているエンジニアリングマネジメントの記事続きを書くかもしれない。&lt;/p&gt;
&lt;div class=&quot;footnotes&quot; role=&quot;doc-endnotes&quot;&gt;
  &lt;ol&gt;
    &lt;li id=&quot;fn:3&quot;&gt;
      &lt;p&gt;全部MoEにするんじゃなくて、denseなFFNを残す設計もある。 &lt;a href=&quot;#fnref:3&quot; class=&quot;reversefootnote&quot; role=&quot;doc-backlink&quot;&gt;&amp;#8617;&lt;/a&gt;&lt;/p&gt;
    &lt;/li&gt;
    &lt;li id=&quot;fn:1&quot;&gt;
      &lt;p&gt;実際には、αの係数があるがここでは簡略化する。 &lt;a href=&quot;#fnref:1&quot; class=&quot;reversefootnote&quot; role=&quot;doc-backlink&quot;&gt;&amp;#8617;&lt;/a&gt;&lt;/p&gt;
    &lt;/li&gt;
    &lt;li id=&quot;fn:2&quot;&gt;
      &lt;p&gt;と、私は理解したが間違ってたらごめんなさい。 &lt;a href=&quot;#fnref:2&quot; class=&quot;reversefootnote&quot; role=&quot;doc-backlink&quot;&gt;&amp;#8617;&lt;/a&gt;&lt;/p&gt;
    &lt;/li&gt;
  &lt;/ol&gt;
&lt;/div&gt;
</description>
        <pubDate>Wed, 23 Sep 2026 00:00:00 +0000</pubDate>
        <link>https://iwashi.co/2026/09/23/mixture-of-experts-moe-memo</link>
        <guid isPermaLink="true">https://iwashi.co/2026/09/23/mixture-of-experts-moe-memo</guid>
        
        <category>AI</category>
        
        <category>LLM</category>
        
        <category>MoE</category>
        
        
      </item>
    
      <item>
        <title>あるソフトウェアエンジニアの1日（2028）</title>
        <description>&lt;h2 id=&quot;午前800-夜の仕事を確認する&quot;&gt;午前8:00 「夜の仕事」を確認する&lt;/h2&gt;

&lt;p&gt;起床してベッドの中で最初に開くのは、Slackでもメールでもなく、自分専用のエージェントダッシュボードだ。&lt;/p&gt;

&lt;p&gt;昨日の終業時に5つのタスクを走らせて帰った。それぞれに「夜のうちにこのゴールまで進めてくれ」と指示しておいた。&lt;/p&gt;

&lt;ul&gt;
  &lt;li&gt;先週リリースした検索機能のp95レイテンシ悪化の原因経路が特定されていること&lt;/li&gt;
  &lt;li&gt;カスタマーサクセスから上がった71件のフィードバックがテーマ別に整理されていること&lt;/li&gt;
  &lt;li&gt;競合の新機能を踏まえた自社プロダクトとのギャップが一覧化されていること&lt;/li&gt;
  &lt;li&gt;開発中SDKのドキュメント草稿が最新コードベースから書き上がっていること&lt;/li&gt;
  &lt;li&gt;昨日の小規模インシデントのポストモーテムドラフトが仕上がっていること&lt;/li&gt;
&lt;/ul&gt;

&lt;p&gt;5つすべてに完了のチェックがついている。エージェントの仕事は完了していたようだ。&lt;/p&gt;

&lt;p&gt;僕の手元に届いている成果物は、すべてエージェント同士の一次レビューを通過したものだ。作業エージェント、レビューするエージェント、テストを書くエージェント、セキュリティを見るエージェント。タスクに応じて、それぞれ別の役割を持ったエージェントが互いの仕事をチェックし合い、その結果が最終的に僕に上がってくる。&lt;/p&gt;

&lt;p&gt;人間が真っ先に生のアウトプットを読む時代はもう終わっている。&lt;/p&gt;

&lt;p&gt;僕の仕事は、AIたちが「これで問題ない」と合意したものに、最後に「本当にそれでいいのか」と問い直し、責任を持つことだ。&lt;/p&gt;

&lt;p&gt;数年前の今頃なら、これは丸一日潰してこなしていたタスクだった。今は寝ている間に終わっている。今のボトルネックは、コードを書くことでも、情報をまとめることでもなくなった。僕の仕事は、AIたちが整えてくれたアウトプットに目を通し、「使えるもの」「捨てるもの」「人間が最終判断しなければいけないもの」に振り分けることだ。&lt;/p&gt;

&lt;p&gt;2つ目のフィードバック要約には、目を引くものがあった。エンタープライズ顧客5社から、同じ要望が独立に上がってきている。&lt;/p&gt;

&lt;p&gt;「監査ログのCSV出力時に、操作者のロールも一緒に出してほしい」&lt;/p&gt;

&lt;p&gt;小さな機能だ。だが、5社が独立に要望しているなら、確実に他の顧客も困っている。&lt;/p&gt;

&lt;p&gt;ベッドの中でSlackに投げる。&lt;/p&gt;

&lt;blockquote&gt;
  &lt;p&gt;@product_team
監査ログCSVにロール列追加、簡易タスクな案件として今週中にやろうと思います。特にコメントがなければ午後にPRを出しますね。&lt;/p&gt;
&lt;/blockquote&gt;

&lt;p&gt;60分後、PdMからいいねリアクションがつく。このレベルの判断は、チーム内のエンジニア・PdM・デザイナーの誰でも下していい。半年前にそう決めた。&lt;/p&gt;

&lt;p&gt;いいねを確認して、すぐにコーディングエージェントに実装を投げる。&lt;/p&gt;

&lt;blockquote&gt;
  &lt;p&gt;監査ログのCSV出力にユーザーロール列を追加してほしい。ロールはNULL許容（古いログレコードのため）。CHANGELOGエントリも書く。&lt;/p&gt;
&lt;/blockquote&gt;

&lt;p&gt;送信する。エージェントはもう動き始めている。僕はまだ布団の中にいる。&lt;/p&gt;

&lt;p&gt;ちょっとしたものなら、承認プロセスはほぼ消えた。代わりに、「事後に異議が出たらすぐ巻き戻せる」設計が徹底されている。&lt;/p&gt;

&lt;h2 id=&quot;午前930-仕事開始&quot;&gt;午前9:30 仕事開始&lt;/h2&gt;

&lt;p&gt;オフィスは週に2日。今日は在宅日だ。コーヒーを淹れて、デスクの前に座る。&lt;/p&gt;

&lt;p&gt;「スタンドアップミーティング」というものはもう存在しない。
代わりにあるのは、毎朝Slackに自動投稿されるチームの状態サマリーだ。&lt;/p&gt;

&lt;p&gt;エージェントが、昨日のPR、今走っているCIジョブ、顧客から上がってきたサポートチケット、稼働中のインシデント、メンバーそれぞれの「今日やること」をまとめ、200ワードに収めて貼ってくれる。&lt;/p&gt;

&lt;p&gt;僕もやること欄にこう書いた。&lt;/p&gt;

&lt;blockquote&gt;
  &lt;p&gt;監査ログCSVのロール列追加（午前）。検索p95調査の続き（午後）。&lt;/p&gt;
&lt;/blockquote&gt;

&lt;h2 id=&quot;午前1015-監査ログのprを出す&quot;&gt;午前10:15 監査ログのPRを出す&lt;/h2&gt;

&lt;p&gt;デスクの前に座ると、朝ベッドの中から投げておいたエージェントのPR通知が上がってきている。差分は147行。テスト追加が83行。エージェントのコードレビューやテストはすでに通っている。&lt;/p&gt;

&lt;p&gt;さて、ここからが、僕の本当の仕事だ。&lt;/p&gt;

&lt;p&gt;差分を一行ずつ読む。エージェントは優秀だが、イマイチなこともある。今回もあった。古いログレコードのロール列を、ユーザーIDから逆引きしてよしなに埋めようとしていた。&lt;/p&gt;

&lt;p&gt;だが、ユーザーが既に削除されている場合、そのロールも消えているべきだ。これはプライバシー設計上の判断であり、エージェントのコンテキストにまだ渡せていなかった情報だ。&lt;/p&gt;

&lt;p&gt;レビューコメントを入れて、再度エージェントに差分を修正してもらう。&lt;/p&gt;

&lt;blockquote&gt;
  &lt;p&gt;過去ログのロール後埋めはやめる。削除済みユーザーの情報を復元してしまうリスクがあるため。
プライバシー設計の意図についてはdocs/privacy-design.mdに追記しておく。&lt;/p&gt;
&lt;/blockquote&gt;

&lt;p&gt;セキュリティとプライバシーの境界線は、まだ完全には機械に任せられない領域だ。コンプライアンス、デザインセンス、プロダクトの方向性。この3つは、人間が最後の番人として残っている。&lt;/p&gt;

&lt;p&gt;修正したPRをマージリクエストに出すと、CIが走り出す。lint、ユニットテスト、統合テスト、E2Eテスト、セキュリティスキャン、依存関係の脆弱性チェック、パフォーマンスの回帰テスト。すべて自動で、各エージェントが並列で走り15分で終わる。&lt;/p&gt;

&lt;p&gt;CIが緑になれば、コードはマージされる。マージされたら、その日のうちに本番へリリースされる。数年前は多くても週に数回、あるいは隔週でリリースするのが標準だった。今はそのサイクルが10分の1になった。&lt;/p&gt;

&lt;p&gt;リリースが小さく頻繁になったので、何かが壊れても影響範囲が狭い。ロールバックも秒で終わる。&lt;/p&gt;

&lt;p&gt;影響内容にもよるが、最終レビュアーに人間の同僚も指名される。前述のようにコードは上がってくる前に、すでに何重ものAIチェックを通過している。人間の同僚は、設計判断とプライバシーへの影響だけを見ればいい。&lt;/p&gt;

&lt;p&gt;コーディングスタイル、テストカバレッジの欠落、ドキュメントの整合性。こうした項目は、もう人間の目には届かない。レビュー時間が劇的に短くなった理由はここにある。&lt;/p&gt;

&lt;h2 id=&quot;午前1130-プロトタイプ会議&quot;&gt;午前11:30 プロトタイプ会議&lt;/h2&gt;

&lt;p&gt;11時半から、新機能の方向性について会議がある。といっても、会議室でホワイトボードを前にして、60分議論するような形式ではない。&lt;/p&gt;

&lt;p&gt;先週、チームで意見が割れた。新しい「ワークフロー自動化機能」のUIをどう作るか。&lt;/p&gt;

&lt;p&gt;デザイナーは「NodeベースのキャンバスUI」を推した。僕は別の形式のほうがエンタープライズ顧客に馴染むと主張した。PdMは「自然言語入力に振り切るべき」と言った。&lt;/p&gt;

&lt;p&gt;5年前なら、実装の前にここから長い議論が始まっていただろう。来週に持ち越しになったかもしれない。でも、今は違う。&lt;/p&gt;

&lt;p&gt;3人それぞれが、自分の案のプロトタイプを作ってきた。正確には、各自が一晩で10個以上作り、その中で一番出来のいいものを持ち寄った。&lt;/p&gt;

&lt;p&gt;エージェントに少しずつ違う方向性で実装させ、自分で触ってみて、ダメなものを9つ捨てて、残った1つを会議に持ってくる。プロトタイプを作るコストが下がりすぎて、一発勝負で持っていく必要がなくなった。&lt;/p&gt;

&lt;p&gt;たくさん作って、たくさん捨てる。これが今の当たり前だ。&lt;/p&gt;

&lt;p&gt;デザイナーの作成したプロトタイプはNodeベースUIだった。彼女はエンジニアではない。それでも、AIアシスタントを使って実際に動くReactのUIを組み上げてきた。300行くらいの実装で、データのフローもドラッグ&amp;amp;ドロップも動く。後で聞いたら、12個作って、最後の3つで悩んだらしい。&lt;/p&gt;

&lt;p&gt;PdMのプロトタイプは、自然言語からワークフローDSLを生成するデモだった。彼女もコードは書かない、はずだった。でも、エージェントと一緒にOpenAPI仕様までついた動くデモを作ってきた。彼女も15個作ったと言っていた。&lt;/p&gt;

&lt;p&gt;僕のプロトタイプは最も保守的で、最も実装コストが低い。僕は8個で打ち止めにした。バリエーションがそんなに出ないUIだからだ。&lt;/p&gt;

&lt;p&gt;3つのプロトタイプを並べて、画面共有する。それぞれを5分ずつ触ってみる。議論は、抽象論ではなく、実際に動くものの上で交わされる。&lt;/p&gt;

&lt;p&gt;15分後、結論が出た。&lt;/p&gt;

&lt;p&gt;自然言語UIをメインに据えつつ、生成された結果をNodeベースキャンバスで可視化できるようにした。アイデアのいいとこ取りだ。&lt;/p&gt;

&lt;p&gt;これは、絵に描いたモックでは絶対に辿り着けなかった結論だ。動くものを見て、触ってみて、初めて気づくことがたくさんある。&lt;/p&gt;

&lt;p&gt;会議は28分で終わった。デザインドキュメントは書かない。プロトタイプそのものが、デザインドキュメント以上の役割を果たす。&lt;/p&gt;

&lt;p&gt;コードについても同じだ。ドキュメントは、もはや真実の情報源ではない。真実は、本番で動いているコードそのものにある。開発があまりに速すぎるので、仕様書は書かれた瞬間から古くなっていく。誰も無条件には仕様書を信用しなくなった。&lt;/p&gt;

&lt;p&gt;だから、ドキュメントを順番に読む必要もない。エージェントに「このコードベースで認証フローはどう実装されている？」と聞けば、5分でアーキテクチャの全体像が頭に入る。&lt;/p&gt;

&lt;h2 id=&quot;午後100-昼休み&quot;&gt;午後1:00 昼休み&lt;/h2&gt;

&lt;p&gt;昼食を食べながら、ふと考える。&lt;/p&gt;

&lt;p&gt;僕がこの会社に入ったとき、エンジニアは20人いた。今は40人。プロダクトの規模は5倍になっているのに、人数は2倍にしかなっていない。それでも回っている。むしろ、以前より速く動いている。&lt;/p&gt;

&lt;p&gt;チームの単位そのものも小さくなった。以前は1チーム5〜6人が標準だった。ピザ2枚とか言われていた時代だ。今は2〜3人のチームが当たり前だ。エージェントを実働メンバーとして数えれば人数はもっと多いが、人間の頭数だけ見れば、プロダクトを2〜3人で回していることになる。&lt;/p&gt;

&lt;p&gt;意思決定が速くなった一番の理由はここにあると思う。人数が増えれば増えるほどコミュニケーションコストは高まる。2〜3人なら、お互いのコンテキストは常に同期できる。だから、Slackの会話でほとんど決まる。&lt;/p&gt;

&lt;p&gt;何が変わったのか？&lt;/p&gt;

&lt;p&gt;まずコードを書く時間が減った。これは間違いない。でも、コードを書く時間は2025年末には大きく変わっていた。それ以上に変わったのは、「誰がどの仕事をするか」の境界が溶けたことだ。&lt;/p&gt;

&lt;p&gt;PdMがコードを書く。デザイナーがプロトタイプを実装する。エンジニアがユーザー向けのヘルプ記事を書く。かつては役割が違ったから大変だったものも、今ではAIが下書きしてくれる。マネージャーも、変わらずコードを書き続けている。&lt;/p&gt;

&lt;p&gt;エンジニア同士の専門領域の境界も同じだ。隣のチームの同僚は、入社時は「iOSエンジニア」だった。以前は、モバイル担当はiOSチームとAndroidチームに明確に分かれていた。プラットフォームごとに専任が貼り付き、別々のロードマップ、別々のリリースサイクルで動いていた。&lt;/p&gt;

&lt;p&gt;今は、その境界もない。&lt;/p&gt;

&lt;p&gt;彼はiOSもAndroidも対応している。プラットフォーム固有のコードはエージェントが大半を埋めてくれるので、彼は「モバイル体験全体の責任者」として両方を見る。それどころか、APIの変更が必要なときはバックエンドにもPRを出すし、管理画面のフロントエンドも触る。&lt;/p&gt;

&lt;p&gt;「軸足はモバイルだけどね」と本人は言う。専門領域はあっても、そこに閉じこもらない。これが普通になった。&lt;/p&gt;

&lt;p&gt;評価の軸も変わった。もちろん、一瞬話題になった消費トークン数みたいな謎の指標はとうの昔に消滅した。&lt;/p&gt;

&lt;p&gt;今、評価されるのは2つの能力だ。&lt;/p&gt;

&lt;ol&gt;
  &lt;li&gt;プロダクトへの鋭い直感と顧客理解。何を作るべきか、何を作るべきでないかを見抜く力。&lt;/li&gt;
  &lt;li&gt;真に深い技術的専門性。分散システム、セキュリティなど、人間が責務を持つべき領域での専門性。&lt;/li&gt;
&lt;/ol&gt;

&lt;p&gt;コードを速く書けるだけのエンジニアは、もう特別な存在ではない。それは前提条件になった。&lt;/p&gt;

&lt;h2 id=&quot;午後200-検索レイテンシのp95を追う&quot;&gt;午後2:00 検索レイテンシのp95を追う&lt;/h2&gt;

&lt;p&gt;午後は、検索機能のレイテンシ調査から始める。&lt;/p&gt;

&lt;p&gt;昨晩のエージェントの分析によると、特定のクエリパターンでp95が220msから410msに悪化している。&lt;/p&gt;

&lt;p&gt;僕はエージェントに、本番ログの該当時間帯を画面共有してみてもらって、「相関するすべての変更を列挙して」と頼む。コード、設定、依存関係、データ分布。疑うべきものはすべて含める。&lt;/p&gt;

&lt;p&gt;3分後、リストが返ってくる。候補は8つ。そのうち5つは明らかに無関係だった。残り3つを、僕が1つずつ精査する。&lt;/p&gt;

&lt;p&gt;3番目で見つけた。&lt;/p&gt;

&lt;p&gt;先週、誰かが入れた変更だ。Elasticsearchのインデックス戦略を変えていた。それ自体は正しい変更だったが、特定のクエリパターンでホットスポットを作っていた。たまたま、エンタープライズ顧客数社が多用するパターンだった。&lt;/p&gt;

&lt;p&gt;昔の手癖で「誰が入れた変更か」を確認しようとして、 &lt;code class=&quot;language-plaintext highlighter-rouge&quot;&gt;git blame&lt;/code&gt; を叩きかけて手を止める。&lt;/p&gt;

&lt;p&gt;&lt;code class=&quot;language-plaintext highlighter-rouge&quot;&gt;git blame&lt;/code&gt; は、もう意味を持たない。&lt;/p&gt;

&lt;p&gt;そのコミットは、確かにある同僚の名前で入っている。でも、実装はエージェントが書いた。設計判断は彼とエージェントの会話の中で形成された。テストはまた別のエージェントが追加した。レビューしたのは僕を含む3人と、AIレビュアーだ。&lt;/p&gt;

&lt;p&gt;コミットのAuthor欄に表示される名前は、もはや「最後にエンターキーを押した人」以上の意味を持たない。&lt;/p&gt;

&lt;p&gt;このコードの所有者は誰か。&lt;/p&gt;

&lt;p&gt;答えは、チーム全員としか言いようがない。コードオーナーシップという概念は、もはや個人の単位では成立しない。&lt;/p&gt;

&lt;p&gt;僕はSlackで、その同僚をメンションする。責めるためではない。「こういうエッジケースがあった。一緒に直そう」と声をかけるためだ。&lt;/p&gt;

&lt;p&gt;コードへの感情的な紐づきが薄れたことで、コードについて議論することが、ずっと楽になった。誰のメンツも傷つかない。&lt;/p&gt;

&lt;p&gt;調査結果を反映した修正PRは、20分で出した。&lt;/p&gt;

&lt;h2 id=&quot;午後430-廃止の判断&quot;&gt;午後4:30 廃止の判断&lt;/h2&gt;

&lt;p&gt;チームのEMから、DMが来る。&lt;/p&gt;

&lt;blockquote&gt;
  &lt;p&gt;来週から金曜のロードマップ定例をやめようと思う。どう思う？&lt;/p&gt;
&lt;/blockquote&gt;

&lt;p&gt;僕は即答する。&lt;/p&gt;

&lt;blockquote&gt;
  &lt;p&gt;賛成。半年先のロードマップを毎週議論しても、3週間後には全部書き換わってる。&lt;br /&gt;
適宜、決めていけばいいと思う。&lt;/p&gt;
&lt;/blockquote&gt;

&lt;p&gt;彼女はEMだが、毎週コードも書いている。エージェントを使うのが誰よりも上手い。&lt;/p&gt;

&lt;p&gt;毎週金曜のロードマップ定例は、3年前にチームが15人だった頃に始まった。当時は意味があった。今は、ほとんど儀式になってきていた。&lt;/p&gt;

&lt;p&gt;機能しなくなったプロセスを、誰の許可も得ずに廃止できる。この権限を現場が持っていることが、僕らの組織の最大の強みかもしれない。2年前に組織の階層構造が薄くなったことで、意思決定が劇的に速くなった。&lt;/p&gt;

&lt;p&gt;長期ロードマップの代わりに、「次の2週間で何を出すか」だけを毎週決める。市場も、技術も、競合も、それくらいの速度で変わるからだ。いやもっと早いかもしれない。&lt;/p&gt;

&lt;h2 id=&quot;午後500-終業前の確認&quot;&gt;午後5:00 終業前の確認&lt;/h2&gt;

&lt;p&gt;仕事を終える前、僕は毎日5分だけ、ある問いを自分に投げかけることにしている。&lt;/p&gt;

&lt;blockquote&gt;
  &lt;p&gt;今日、自分が手作業でやった作業の中で、AIに任せられたはずのものはなかったか？&lt;/p&gt;
&lt;/blockquote&gt;

&lt;p&gt;今日のリストを見返す。&lt;/p&gt;

&lt;ul&gt;
  &lt;li&gt;監査ログCSVのロール列追加。エージェントが書いた。最終レビューと意思決定は僕。これはOK。&lt;/li&gt;
  &lt;li&gt;検索p95調査。候補列挙はエージェント。原因特定は僕。これは妥当。&lt;/li&gt;
  &lt;li&gt;Slackでの議論。全部僕がやった。これは意思決定であり、人間の仕事だ。OK。&lt;/li&gt;
  &lt;li&gt;朝、競合プロダクトの新機能リストを目視で確認した。10分くらい。これはもっと自動化できたな。&lt;/li&gt;
&lt;/ul&gt;

&lt;p&gt;明日の朝までに、競合プロダクトのリリースノートを毎週自動でスキャンし、自社プロダクトと比較したサマリーを出すエージェントを仕込んでおこう。&lt;/p&gt;

&lt;p&gt;エージェントに何でもやってもらうという発想は、最初は意識しないとできなかった。今は習慣になった。自分の仕事を、自分で観察して変えていく。それ自体が、AI時代のエンジニアの基礎体力だと思う。&lt;/p&gt;

&lt;h2 id=&quot;530-pm-一日の終わりに&quot;&gt;5:30 PM 一日の終わりに&lt;/h2&gt;

&lt;p&gt;明日のために、今日のエージェントたちに新しいタスクを仕込む。&lt;/p&gt;

&lt;blockquote&gt;
  &lt;p&gt;検索のp95悪化、再発防止のための回帰テストを実装完了しておくこと。監査ログ機能、デプロイ後24時間のメトリクスを監視して、何かあれば翌朝にアラートを出しておくこと。競合プロダクトのリリースノート定期スキャンの仕組みの実装が終わっていること&lt;/p&gt;
&lt;/blockquote&gt;

&lt;p&gt;と、エージェントにテキストを送る。&lt;/p&gt;

&lt;p&gt;返事は来ない。来る必要もない。&lt;/p&gt;

&lt;p&gt;朝になれば、また夜の仕事が終わっている。&lt;/p&gt;

&lt;h2 id=&quot;人間の仕事は判断に寄っていく&quot;&gt;人間の仕事は、判断に寄っていく&lt;/h2&gt;

&lt;p&gt;この一日で起きていることは、単に「AIがコードを書いてくれるようになった」という話ではない。&lt;/p&gt;

&lt;p&gt;本質的には、ソフトウェア開発のボトルネックが実装から判断へ移ることだ。いや、実は以前からボトルネックは実装ではなかったかもしれないが。&lt;/p&gt;

&lt;p&gt;何を作るか。何を作らないか。どこまで自動化し、どこから人間が責任を持つか。どの提案を受け入れ、どの提案を退けるか。プライバシー、セキュリティ、ユーザー体験、プロダクトの方向性をどう重ね合わせるか。&lt;/p&gt;

&lt;p&gt;AIエージェントが増えるほど、人間の仕事は正直増えていった。判断の回数もだ。&lt;/p&gt;

&lt;p&gt;未来のエンジニアに必要なのはAIが大量に出してくる選択肢の中から、何が本当に正しいのかを見抜く力だ。&lt;/p&gt;

&lt;p&gt;2028年のエンジニアは、コードを書かないわけではない。ただ、コードを書くことだけが、もう仕事の中心ではない。&lt;/p&gt;

&lt;p&gt;中心にあるのは、判断すること。そして、その判断に責任を持つことだ。&lt;/p&gt;

&lt;hr /&gt;

&lt;p&gt;という2028年の姿を妄想で書いてみました。内容は当然フィクションです。&lt;/p&gt;

&lt;p&gt;もしかしたら、すでにこういう働き方をしている企業もあるかもしれませんし、部分的には実現しているところもあるかもしれません。スタートアップに近いほど実現している可能性が高いと思いますが、大きな企業では組織重力・組織慣性が強いので、もっと先の話かもしれません。&lt;/p&gt;

&lt;p&gt;さて、2年後に、どこまで当たっていたか、何が外れているのかを振り返るのが楽しみです。&lt;/p&gt;
</description>
        <pubDate>Tue, 19 May 2026 00:00:00 +0000</pubDate>
        <link>https://iwashi.co/2026/05/19/a-day-in-engineering-2028</link>
        <guid isPermaLink="true">https://iwashi.co/2026/05/19/a-day-in-engineering-2028</guid>
        
        <category>AI</category>
        
        <category>エージェント</category>
        
        <category>ソフトウェア開発</category>
        
        <category>エンジニアリング組織</category>
        
        
      </item>
    
      <item>
        <title>「ゼロから作るミニCPU」というアプリを作った</title>
        <description>&lt;p&gt;論理回路を組み立てながら、CPUの中身を入門レベルで理解する「ゼロから作るミニCPU」というスマフォアプリをリリースしました。本記事では、その裏側で考えていたことを書いてみます。&lt;/p&gt;

&lt;p&gt;&lt;img src=&quot;/assets/movies/minicpu.gif&quot; alt=&quot;ゼロから作るミニCPUの動作映像&quot; /&gt;&lt;/p&gt;

&lt;h2 id=&quot;なぜ作ったか&quot;&gt;なぜ作ったか&lt;/h2&gt;

&lt;p&gt;大きく分けて2つ理由があります。&lt;/p&gt;

&lt;h3 id=&quot;そもそも学びは楽しいから&quot;&gt;そもそも学びは楽しいから&lt;/h3&gt;

&lt;p&gt;本来、学びは楽しいものだと私は思っています。特に、普段なんとなく使っているものの、中身はよくわかっていないものを理解できた時の感覚は、何とも言えない楽しさがあります。&lt;/p&gt;

&lt;p&gt;自分にとって印象に残っているのは、初めてネットワークの仕組みを理解した時です。CSMA/CDの仕組み、IPアドレスやルーティング、TCP/UDPなど、それまで「インターネット」として一塊に見えていたものが、解像度高く見えるようになった瞬間は、すごく楽しかったのを覚えています。&lt;/p&gt;

&lt;p&gt;また、ネットワークの中では今は主流ではないですが、電話の仕組みを理解した時もそうでした。電話番号を押すとなぜ相手につながるのか。回線交換とは何か。インターネットとは何が違うのか。どのように技術が進化してきたのか、そういったことを理解できた時も、非常にテンションが上がりました。&lt;/p&gt;

&lt;p&gt;何かの中身を理解すると、世界の解像度が少し上がります。これが楽しい。だから、そういう体験を提供できるものを作りたいと思ったのが、1つ目の理由です。&lt;/p&gt;

&lt;h3 id=&quot;次世代を担う人たちを支援したいから&quot;&gt;次世代を担う人たちを支援したいから&lt;/h3&gt;

&lt;p&gt;自分の人生のフェーズもあると思うのですが、次世代を担う人たちを支援することに強いモチベーションがあります。&lt;/p&gt;

&lt;p&gt;個人的に人生でやりたいことの1つは、日本から強いプロダクトがどんどん生まれる可能性を高めることです。私の翻訳書籍のあとがきを読まれた方ならご存知かもしれませんが、ほぼ全てのあとがきの締めくくりで書いている内容です。&lt;/p&gt;

&lt;p&gt;もちろん自分自身も仕事でプロダクトを作っていますが、自分以外でも日本から素晴らしいプロダクトが生まれればそれで良いと思っています。（その意味で、スタートアップであれ大企業であれ、気を吐いている人たちをすごく応援しています。）&lt;/p&gt;

&lt;p&gt;強いプロダクトが生まれるためには、好奇心強くて、かつ技術に強い熱意を持った人が増えることが重要だと思っています。そういう人たちを少しでも支援したいと考えています。これが2つ目の理由です。&lt;/p&gt;

&lt;h2 id=&quot;ブラックボックスが増えていく現代&quot;&gt;ブラックボックスが増えていく現代&lt;/h2&gt;

&lt;p&gt;現時点（2026年）以降、AIがプロダクト開発の主流になっていくのは間違いないです。AIは、プロダクト開発のハードルを大きく下げるでしょう。コードを書くことも、デザインすることも、アイデアを形にすることも、AIがサポートしてくれるようになります。抽象化のレベルが上がっていくこと自体はとても良いことです。より多くの人が、より簡単にプロダクトを作れるようになるからです。これまでは諦めていたアプリを簡単に作れるようになります。今回のアプリもその1つです。プライベートでほとんど時間が取れないので、AI無しではとてもリリースできなかったと思います。&lt;/p&gt;

&lt;p&gt;一方で、抽象化のレベルが上がることで、ブラックボックスがさらに量産されます。AIコーディング以前は、何かをリリースしようとしたら、Web開発に関する理解がある程度必要でした。今はAIを使いこなせば、理解をすっ飛ばしてブラックボックスのままにしても、とりあえずリリースするところまでは行けるようになります。&lt;/p&gt;

&lt;p&gt;もちろん、すべての人がすべてのレイヤーを理解する必要はありませんし、Before AIコーディングであっても一緒だったと思います。低レイヤを細部まで完全に理解している人はほとんどいないでしょう。私自身、例えばアセンブラは雰囲気でしか理解していません。&lt;/p&gt;

&lt;p&gt;それでも、どこかで一度、ブラックボックスの蓋を開けてみる体験はあって良いと思っています。理解できる範囲が少し増えるだけで、前述のように世の中の見え方が変わります。また何かあったときに、正しい技術判断もしやすくなるでしょう。（あと大事なことなので、もう一度書きますが、何よりもブラックボックスの中身を知ること自体が楽しい！）&lt;/p&gt;

&lt;p&gt;そのきっかけとなる候補はいくらあっても良い。今回、私はその候補の1つとしてCPUに注目しました。&lt;/p&gt;

&lt;h2 id=&quot;cpuは面白いが最初の一歩が難しい&quot;&gt;CPUは面白いが、最初の一歩が難しい&lt;/h2&gt;

&lt;p&gt;CPUは、コンピュータの中でもかなり面白いテーマです。私自身、&lt;a href=&quot;https://amzn.to/4fi9ljT&quot;&gt;ヘネパタ本(コンピュータの構成と設計)&lt;/a&gt;を初めて読んだ時は、「めちゃくちゃすごいな」と思った記憶があります。また、あと、&lt;a href=&quot;https://amzn.to/4d3NxHs&quot;&gt;CPUの創りかた&lt;/a&gt;という書籍も非常に参考になりました。論理ゲートから始まり、現代のコンピュータは本当に神業的な積み重ねの上に成り立っているんだなという印象を持ちました。&lt;/p&gt;

&lt;p&gt;上記の書籍に加え、このCPUの分野にはすでに良い教材がたくさんあります。たとえば &lt;a href=&quot;https://store.steampowered.com/app/1444480/Turing_Complete/&quot;&gt;Turing Complete&lt;/a&gt; は傑作だと思います。私もプレイしました。ただ、それなりに難易度は高いと思います。私も解答を見ないと厳しいものがありました。そもそも情報科学を履修していない人にとっては、序盤から相当難しいのではないかと想定しています。&lt;/p&gt;

&lt;p&gt;もう1つ、&lt;a href=&quot;https://www.nand2tetris.org/&quot;&gt;NAND2Tetris&lt;/a&gt; も有名です。こちらも素晴らしい教材です。ただ、専用言語のHDLを書いて進める形式なので、人によってはとっつきにくい可能性があるかと思っています。&lt;/p&gt;

&lt;p&gt;そこで、もう一段だけ難易度を下げたものを作れないかと考えました。今回のアプリは、ITパスポートや基本情報技術者などの内容を少しでもかじったことがあれば、なるべく進められるようにしています。&lt;/p&gt;

&lt;p&gt;実際、ITパスポート 令和3年度の試験ではこんな問題が出題されています。&lt;/p&gt;

&lt;div class=&quot;language-plaintext highlighter-rouge&quot;&gt;&lt;div class=&quot;highlight&quot;&gt;&lt;pre class=&quot;highlight&quot;&gt;&lt;code&gt;CPU 内部にある高速小容量の記憶回路であり，演算や制御に関わるデータを一時的に記憶するのに用いられるものはどれか。
&lt;/code&gt;&lt;/pre&gt;&lt;/div&gt;&lt;/div&gt;

&lt;p&gt;答えは「レジスタ」です。ただ役割はわかっても、どのようにレジスタが構成されているのかは、試験勉強の範囲ではわからないと思います。今回のアプリでは、レジスタそのものを自分で作るところも含んでいます。&lt;/p&gt;

&lt;p&gt;学びのステージはパズル形式です。論理回路を組み立てながら、少しずつCPUを構成する概念に触れていきます。詰まった時のために、ヒントや解説、なんなら（広告を見る必要がありますが）解答例も用意しています。&lt;/p&gt;

&lt;p&gt;個人的には、詰まったらどんどん解答例を見てもらって良いと思います。全部を自力で解くことが目的ではありません。CPUの中身を理解するための足場になれば十分です。&lt;/p&gt;

&lt;h2 id=&quot;厳密さよりもまずイメージを持ってほしい&quot;&gt;厳密さよりも、まずイメージを持ってほしい&lt;/h2&gt;

&lt;p&gt;大学などの授業では、CPUの構成を正確に教えることが普通です。一方でこのアプリでは、厳密さよりもまずはイメージを持ってもらうことを優先しています。そのため、例えばALU(算術論理演算器)はとんでもなく簡略化したものになっていますし、ビット数も8bit(1Byte)すらありません。それでも、CPUの全体像がちょっとでも見えるような構成にしています。&lt;/p&gt;

&lt;p&gt;もちろん、できる限り変な理解につながらないようにはしています。ただ、CPUの仕組みをいきなり厳密に扱おうとすると、配線が複雑になったり、知るべき概念が多くなったりして、最初の一歩がすごく難しくなります。そうすると、そもそもCPUの中身を知る体験にたどり着けない人が出てきてしまいます。&lt;/p&gt;

&lt;p&gt;なのでまずは「こういう部品が組み合わさると、足し算引き算ができたり、情報を記憶できるものになるのか」というイメージを持ってもらうことを優先しました。&lt;/p&gt;

&lt;p&gt;その上で、もっと深く知りたくなったら、Turing CompleteやNAND2Tetris、あるいはコンピュータアーキテクチャの専門書に進んでいただければ良いと思っています。このアプリは、その前段にある入口/きっかけの1つです。&lt;/p&gt;

&lt;h2 id=&quot;おわりに&quot;&gt;おわりに&lt;/h2&gt;

&lt;p&gt;というわけで、ブラックボックスとして普段見ているものを、自分の手で少しでも、組み立ててみて中身を知るのはは面白い！ その感覚を少しでも体感してもらえれば嬉しいです。&lt;/p&gt;

&lt;p&gt;無料なので、よければぜひ試してみてください。（良かったらレビューも書いてもらえると嬉しいです！）&lt;/p&gt;

&lt;ul&gt;
  &lt;li&gt;Android: &lt;a href=&quot;https://play.google.com/store/apps/details?id=co.iwashi.cpu_from_scratch&quot;&gt;ゼロから作るミニCPU - Google Play&lt;/a&gt;&lt;/li&gt;
  &lt;li&gt;iOS: &lt;a href=&quot;https://apps.apple.com/jp/app/%E3%82%BC%E3%83%AD%E3%81%8B%E3%82%89%E4%BD%9C%E3%82%8B%E3%83%9F%E3%83%8Bcpu/id6766288517&quot;&gt;ゼロから作るミニCPU - App Store&lt;/a&gt;&lt;/li&gt;
&lt;/ul&gt;
</description>
        <pubDate>Tue, 12 May 2026 00:00:00 +0000</pubDate>
        <link>https://iwashi.co/2026/05/12/cpu-from-scratch-app</link>
        <guid isPermaLink="true">https://iwashi.co/2026/05/12/cpu-from-scratch-app</guid>
        
        <category>CPU</category>
        
        <category>教育</category>
        
        <category>アプリ</category>
        
        
      </item>
    
      <item>
        <title>AI時代のMOAT 8点</title>
        <description>&lt;p&gt;AI時代の競合優位性(MOAT)って、結局何なのだろう？と考えていた。あんまり従来と変わらないものが多いが、メモにしたので投下してみる。&lt;/p&gt;

&lt;p&gt;1つ目はネットワーク効果。これは従来と変わらない。ソフトウェアのコピーは簡単になったとしても、参加者の関係性はコピーできない。たとえば、Xの機能はコピーできても、人が集まらないのでは意味がない。&lt;/p&gt;

&lt;p&gt;2つ目は政府などの認可。これも従来と変わらない。認可プロセスを含む行政の仕組みはテクノロジーの進化速度に追従できるわけではない。将来的に変わる可能性はあるとしても、相当長い時間がかかる。ビジネスとして成立するには十分な時間だろう。医療だったり、交通だったり、防衛だったりでポジションを取れているならそれはMOATになる。&lt;/p&gt;

&lt;p&gt;3つ目は物理で、特にインフラに近いもの。例えば、今から電力業界に参入して、電線などの物理まで敷くってのは、理論的にはできても現実的には難しい。AIに近い領域だと、データセンターを構築して運用できるのもMOATになる。ロボットも技術力に関連するが近い。&lt;/p&gt;

&lt;p&gt;4つ目は資本力。3つ目に関連するが、データセンターの構築というのはもはや不動産と技術のセットであり、ちょっとした資金調達では太刀打ちできない領域。&lt;/p&gt;

&lt;p&gt;5つ目は運用と責任のマネージド。何が言いたいかというとSIerの生き残りMOAT。AI時代で内製してものづくりできる企業はどんどん増える（し、良いことだと思う）。一方で、それを長期間にわたって脆弱性に対応しつつ、ユーザーサポートもしながら運用するのは簡単ではない。この辺を丸っと投げて受けてもらえるのには大きな価値がある。これも従来とある程度は一緒だが、その程度がAIで変わったんだと思う。&lt;/p&gt;

&lt;p&gt;6つ目は顧客接点。これは古くからある企業が持っている強みの1つ。何らかの受注は、〜という技術が圧倒的に優れているから決まるというわけではなく、〜さんとの信頼関係が構築できたから決まったというのはとても多い。そのため、アカウント営業がすでに信頼を作っている場合は強い。（これを考えると、飲み会とかゴルフとかは強いんだろう）&lt;/p&gt;

&lt;p&gt;7つ目はブランド。これもすでに持っている企業が強い。同じものを作っていたとしても、「〜社が作っているから」「〜の希少性があるから」というのは十分に選ばれる理由になる。人の記憶に強く残っているブランドのポジションまでは、AIではコピーできない。&lt;/p&gt;

&lt;p&gt;8つ目は独自のデータ。現場のカメラで長年記録し続けた生データや、医療現場で日々蓄積される診断や検査のデータはコピーできない。こういうデータを取得できる立場を獲得して、評価のフライホイールを作れればそれがMOATになる。&lt;/p&gt;

&lt;p&gt;と、ざっと書いてみた。実は多くに共通するのが「時間」である。時間をかけて構築したものが、MOATにつながっている。もちろん他にも色々とあるはず。何かあれば教えていただけるとありがたい。&lt;/p&gt;
</description>
        <pubDate>Mon, 04 May 2026 00:00:00 +0000</pubDate>
        <link>https://iwashi.co/2026/05/04/8moat-in-ai-era</link>
        <guid isPermaLink="true">https://iwashi.co/2026/05/04/8moat-in-ai-era</guid>
        
        <category>AI</category>
        
        <category>競合優位性</category>
        
        <category>MOAT</category>
        
        
      </item>
    
      <item>
        <title>意思決定で多数決ばかり使わないほうがよい理由と、おすすめの決め方</title>
        <description>&lt;p&gt;本記事は、&lt;a href=&quot;https://iwashi.co/2026/02/14/engineering-management-book-introduction&quot;&gt;1時間で読み終わるエンジニアリングマネジメント本を書き始めてみる&lt;/a&gt;で挙げたトピックの1つです。&lt;/p&gt;

&lt;h2 id=&quot;はじめに&quot;&gt;はじめに&lt;/h2&gt;

&lt;p&gt;業務では、何らかの選択肢の中から1つを選ばないといけない場面が頻繁にあります。&lt;/p&gt;

&lt;p&gt;エンジニアリングチームであれば、設計方針をどうするか、どの技術を採用するか、といった判断が日常的に発生します。プロダクトマネジメントでも、どの施策を続けるか、どの機能を優先するか、といった意思決定が必要になります。&lt;/p&gt;

&lt;p&gt;そのときの決め方にはいくつかあります。リーダーが決めるのも1つですし、多数決で投票して決めるのも1つです。ほかにも、アジャイル界隈であれば&lt;a href=&quot;https://www.scrum.org/resources/blog/five-ways-build-consensus-jp&quot;&gt;fist to five&lt;/a&gt;のような方法もあります。&lt;/p&gt;

&lt;p&gt;このうち多数決は、比較的よく使われる選択肢の1つだと思います。選挙でも使われる方法なので、広く浸透しているのが強い理由の1つでしょう。&lt;/p&gt;

&lt;p&gt;この多数決は、全員の意見を出すので一見公平に見えるかもしれません。ですが、実際にはそう単純ではありません。多数決にはデメリットが多くあります。代表的なものは、考慮されない意見の圧殺です。たとえば、文化祭の出し物を決める場合に多数決を使った場合、少数派の意見は切り捨てられるといったようにです。&lt;/p&gt;

&lt;p&gt;個人的な意見では、多数決を意思決定のデフォルトの選択肢にしないほうが良い、というのが私の考えです。&lt;/p&gt;

&lt;h2 id=&quot;多数決の問題&quot;&gt;多数決の問題&lt;/h2&gt;

&lt;p&gt;業務における多数決の問題は、少なくとも2つ大きな問題があると私は考えています。&lt;/p&gt;

&lt;h3 id=&quot;最適解が選ばれるとは限らない&quot;&gt;最適解が選ばれるとは限らない&lt;/h3&gt;

&lt;p&gt;多数決は、「いちばん支持された案」を選ぶ仕組みであって、「いちばん良い案」を選ぶ仕組みではありません。&lt;/p&gt;

&lt;p&gt;これが問題になりやすいのは、特にクリエイティブさや長期的な視点が必要な場面です。たとえば、選択肢のなかには、癖があるが独創的で長期的な価値をもたらすものがあります。ところが多数決では、こうした案が不利になりやすいです。理解しやすく、説明しやすく、無難な案が勝ちやすいからです。この辺りは、&lt;a href=&quot;https://amzn.to/48i537T&quot;&gt;逆説のスタートアップ思考&lt;/a&gt;を読むと、よりイメージしやすいかもしれません。&lt;/p&gt;

&lt;p&gt;いずれにせよ、平凡な意思決定に収束しやすくなります。短期的には納得感があるように見えても、最終的なアウトカムにつながりにくいのです。&lt;/p&gt;

&lt;h3 id=&quot;やり方をミスるとものすごく時間がかかる&quot;&gt;やり方をミスると、ものすごく時間がかかる&lt;/h3&gt;

&lt;p&gt;もう1つの問題は、やり方を誤ると非常に遅くなることです。&lt;/p&gt;

&lt;p&gt;多数決には、各人が内容を理解し（必要なら再説明して）、全員が投票して、結果をまとめる必要があります。人数が増えるほど、この一連のコストは急激に重くなります。&lt;/p&gt;

&lt;p&gt;特に面倒なのは欠席している人がいて、投票が集まらない場合です。そうなると、意思決定が延期されてしまいます。&lt;/p&gt;

&lt;p&gt;現代では、意思決定のスピード自体が競争優位の1つです。決まるのが遅ければ機会損失になります。逆に、すばやく決めてすばやく試せるなら、多少の粗さは後から修正できます。意思決定の速度を失うのは、かなりの痛手になります。&lt;/p&gt;

&lt;h2 id=&quot;なお多数決が向いている場面とコツもある&quot;&gt;なお、多数決が向いている場面とコツもある&lt;/h2&gt;

&lt;p&gt;もちろん、多数決が全部悪いわけではありません。たとえば、飲み会の店、振り返りでちょっとしたネクストアクションを決めるなど、失敗しても影響が小さい場面では有効です。&lt;/p&gt;

&lt;p&gt;また、多数決にもコツがあります。それはvote数を1つに決めないことです。では何個にしたらいいかというと、選択肢の半分ぐらいのvote数が良いでしょう。この辺りは、詳しくは &lt;a href=&quot;https://amzn.to/3NXXxZ3&quot;&gt;『きめ方」の論理　──社会的決定理論への招待』&lt;/a&gt;を参照ください。&lt;/p&gt;

&lt;h2 id=&quot;ではどうやって決めるのがいいのか&quot;&gt;では、どうやって決めるのがいいのか？&lt;/h2&gt;

&lt;p&gt;個人的には、参加者の意見は取り入れつつ、誰か意思決定者を1人決めて、その人が決めてしまうのが良いと考えています。&lt;/p&gt;

&lt;p&gt;理由は単純で、責任の所在が明確になり、決定が速くなり、文脈を踏まえた判断がしやすいからです。&lt;/p&gt;

&lt;p&gt;意思決定は、単に票を数える作業ではありません。文脈を考慮し、選択肢のトレードオフを比較し、最後に組織としてどちらを取るかを決める作業です。ここでは、参加者全員の嗜好を均等に反映させることより、全体として良いアウトカムにつながるかどうかのほうが重要です。前述の通り、この方法であれば一定のスピード感を保ちやすく、試行錯誤もやりやすくなります。&lt;/p&gt;

&lt;h2 id=&quot;実際の運用&quot;&gt;実際の運用&lt;/h2&gt;

&lt;p&gt;実際には、以下のようなステップで意思決定するのが良いでしょう。&lt;/p&gt;

&lt;ol&gt;
  &lt;li&gt;論点と選択肢を先に整理する&lt;/li&gt;
  &lt;li&gt;関係者から意見、懸念、前提条件を集めて、1に反映する&lt;/li&gt;
  &lt;li&gt;最終決定者が判断する、その際「なぜその案を選んだのか」をドキュメントに残しておく&lt;/li&gt;
  &lt;li&gt;周知する。必要に応じて、特に影響を受ける人には個別に説明する&lt;/li&gt;
&lt;/ol&gt;

&lt;p&gt;この流れを事前に明確にしておくと、「全員の意見を聞いたのに、なぜ反映されないのか」という不満を減らしやすくなります。&lt;/p&gt;

&lt;p&gt;大事なのは、全員の意見を全部採用することではありません。全員の意見を聞いたうえで、何を採用して、 &lt;strong&gt;何を捨てたか&lt;/strong&gt; を明確にすることです。&lt;/p&gt;

&lt;h3 id=&quot;採用されなかった意見への対処&quot;&gt;採用されなかった意見への対処&lt;/h3&gt;

&lt;p&gt;もちろん、集めた意見の中には、最終案にまったく反映されないものもあります。&lt;/p&gt;

&lt;p&gt;ですが、それをそのまま放置しないための手当てはできます。意思決定の記録として「こういう理由から、この案を選んだ」と残しておくことと良いでしょう。必要であれば個別に話をして、懸念点がどこで扱われたのかを説明すること。これだけでも、納得感はかなり違います。&lt;/p&gt;

&lt;p&gt;全員の案を採用できないこと自体は、悪ではありませんし、そもそも現実的ではありません。問題になりやすいのは、議論が不透明で、なぜその案が選ばれたのかがわからないことです。&lt;/p&gt;

&lt;h2 id=&quot;まとめ&quot;&gt;まとめ&lt;/h2&gt;

&lt;p&gt;多数決をデフォルトの選択肢にするのは、あまりおすすめしません。
参加者の意見は広く取り入れつつ、最後は一人の意思決定者が決める。これが、速度と質の両方を保ちやすいやり方だと考えています。&lt;/p&gt;
</description>
        <pubDate>Mon, 06 Apr 2026 00:00:00 +0000</pubDate>
        <link>https://iwashi.co/2026/04/06/decision-method-majority-vote-does-not-work</link>
        <guid isPermaLink="true">https://iwashi.co/2026/04/06/decision-method-majority-vote-does-not-work</guid>
        
        <category>エンジニアリングマネジメント</category>
        
        <category>意思決定</category>
        
        <category>チーム運営</category>
        
        
      </item>
    
      <item>
        <title>AIに初手でたたき台を作らせない</title>
        <description>&lt;p&gt;生成AIをなんらかの叩き台の作成に使うという話や記事はいくらでも出てくる。だが、AIを使って初手から完全に叩き台を作らせない方が良い。この文章も、95% は手で書いている。&lt;/p&gt;

&lt;p&gt;理由はアンカリング効果にある。簡単に言えば、最初に提示された情報が、その後の判断を強く縛ってしまう現象のことだ。&lt;/p&gt;

&lt;p&gt;アンカリング効果では例えば、「トルコの人口は3500万人より多いか？」と尋ねられた後に具体的な人口を推定してもらうのと、「1億人より多いか？」と尋ねられた後に推定してもらうのでは、回答結果が大きく異なる。（なお、このパラグラフのみ、AIの力を借りて補強情報をまとめている。引用した例は &lt;a href=&quot;https://store.hbr.org/product/hbr-s-10-must-reads-on-decision-making-updated-and-expanded-featuring-the-irreplaceable-value-of-human-decision-making-in-the-age-of-ai-by-martin-reeves-mihnea-moldoveanu-and-adam-job/10872?srsltid=AfmBOorBlurYMA4lLPY6xRQ8gWmIJOc5ZQNpPkCvNCR_J77a55hnPXyV&quot;&gt;HBR’s 10 Must Reads on Decision-Making, Updated and Expanded&lt;/a&gt; より）&lt;/p&gt;

&lt;p&gt;転じて、AIに初手で叩き台を丸ごと作らせてしまうと、その情報がアンカーとなって人間の思考を強く引っ張る。初手からAIを使ったものは結果的に、自分の考えではなく、それっぽい情報を羅列したものになりやすくなる。何よりつまらないものが出来上がる。&lt;/p&gt;

&lt;p&gt;もちろん、全行程でAIを全く使わないわけではない。大事なのは使うタイミングである。具体的にどうすべきかというと、任意の入力手段でまずは自分が言いたいことを箇条書きで書いてしまう方法が良い。自分の言いたいことが尽きるまで、箇条書きでもキーワードでもなんでも良いので、一旦出力してしまう。（音声入力が使えれば、一旦それで話し切ってしまうが個人的にはおすすめ）&lt;/p&gt;

&lt;p&gt;おそらく、しばらく自分で文章を書いていないと、このプロセスがひどく苦痛に感じられるだろう。でも、その状態が正しいのだと思う。&lt;/p&gt;

&lt;p&gt;&lt;a href=&quot;https://x.com/iwashi86/status/2038774561416818726&quot;&gt;このポスト&lt;/a&gt;でまとめたように、「文章を書くことは筋トレと同じ」というのはまさにその通りだろう。筋トレを他人にやってもらっても意味がない。筋肉が自分についた状態こそ、思考の解像度が上がっている状態である。&lt;/p&gt;

&lt;p&gt;叩き台を最初から作らせない。それだけで、体得できるものがだいぶ変わってくるはずだ。&lt;/p&gt;
</description>
        <pubDate>Tue, 31 Mar 2026 00:00:00 +0000</pubDate>
        <link>https://iwashi.co/2026/03/31/do-not-let-ai-write-first-draft</link>
        <guid isPermaLink="true">https://iwashi.co/2026/03/31/do-not-let-ai-write-first-draft</guid>
        
        <category>生成AI</category>
        
        <category>文章術</category>
        
        <category>意思決定</category>
        
        
      </item>
    
      <item>
        <title>「やめる」決断</title>
        <description>&lt;p&gt;本記事は、&lt;a href=&quot;https://iwashi.co/2026/02/14/engineering-management-book-introduction&quot;&gt;1時間で読み終わるエンジニアリングマネジメント本を書き始めてみる&lt;/a&gt;で挙げたトピックの1つです。&lt;/p&gt;

&lt;h2 id=&quot;はじめに&quot;&gt;はじめに&lt;/h2&gt;

&lt;p&gt;新しい取り組みを始めるのは、簡単ではありません。取り組みを始めるためのリソースを調達する必要があるからです。&lt;/p&gt;

&lt;p&gt;しかし、新しい取り組みよりもはるかに難しいのが、すでに続いているものをやめることです。個人的にはむしろ、始めるとき以上のコストがかかると感じています。改善施策であっても、プロダクト開発であっても、進んでしまっているものを止めるのは非常に困難です。&lt;/p&gt;

&lt;p&gt;では、なぜやめる決断を下すのが難しいのでしょうか。&lt;/p&gt;

&lt;h2 id=&quot;やめる決断が難しい理由&quot;&gt;やめる決断が難しい理由&lt;/h2&gt;

&lt;h3 id=&quot;ステークホルダーの存在&quot;&gt;ステークホルダーの存在&lt;/h3&gt;

&lt;p&gt;着手してからある程度時間が経つと、PdM、営業、CS、運用など、複数のステークホルダーが自然と関わってきます。
ちょっとした勉強会や情報共有の場であったとしても、チームや組織を横断していると、自然と関わる人が増えていきます。&lt;/p&gt;

&lt;p&gt;そこでやめる決断を下すためには、（ものによりますが）関わる人全員に説明して合意を取る必要があります。「いや、やればいいじゃん」と思われるかもしれませんが、日々の多忙な業務の中で、この心理的なハードルと準備面のハードルを超えてやめる方向で動き出すのは、簡単ではありません。&lt;/p&gt;

&lt;p&gt;特にプロダクトでリリースしているものがある場合は、顧客が関わってくるため、さらに難易度が上がります。顧客アナウンス、関連ドキュメントの更新、社内の調整、社内外の問い合わせ対応など、整理すべきことがたくさんあります。&lt;/p&gt;

&lt;h3 id=&quot;サンクコストが重い&quot;&gt;サンクコストが重い&lt;/h3&gt;

&lt;p&gt;やめる判断が難しい理由のもう1つは、サンクコストです。すでに多大な時間やコストを投じてしまっているので、もったいないと感じてしまうのです。この兆候は会話の中で表出することがあります。「ここまでやったのだから」「せっかくだから」といった言葉が出てきた場合は要注意です。&lt;/p&gt;

&lt;p&gt;すでに払ったコストは戻りません。やめるための判断時は「ここまで使ったコスト」ではなく、「ここから先の期間で、続ける場合の効果および他に費やした場合の効果」で考えたほうが良いです。
いま継続して払っているコストは、将来の投資機会を逃し続けるコストでもあります。今やめて別のテーマに時間を使えば、新しい機会にチャレンジできるはずです。&lt;/p&gt;

&lt;h2 id=&quot;やめる決断を下すためのポイント&quot;&gt;やめる決断を下すためのポイント&lt;/h2&gt;

&lt;p&gt;やめる決断が難しいとはいえ、実現するためのポイントがいくつかあります。私個人が意識している、やめる決断を下すためのポイントを紹介しておきます。&lt;/p&gt;

&lt;h3 id=&quot;始めるときに終了条件まで決めておく&quot;&gt;始めるときに、終了条件まで決めておく&lt;/h3&gt;

&lt;p&gt;前回の&lt;a href=&quot;https://iwashi.co/2026/02/23/how-to-stop-recurring-meetings&quot;&gt;記事&lt;/a&gt;でも書きましたが、何かを始めるタイミングで一番効くのは、最初から撤退ライン（終了ライン）を決めておくことです。&lt;/p&gt;

&lt;p&gt;例えば、&lt;/p&gt;

&lt;ul&gt;
  &lt;li&gt;どの指標がどこまで届かなければ止めるか&lt;/li&gt;
  &lt;li&gt;どの時点で判断するか&lt;/li&gt;
  &lt;li&gt;誰が最終判断するか&lt;/li&gt;
&lt;/ul&gt;

&lt;p&gt;このあたりを決めておくと、「ラインに満たなかったのでここでやめる」と言いやすくなります。&lt;/p&gt;

&lt;p&gt;とはいえ、実際には引き継いだ施策やプロジェクトもあるでしょう。その場合、こうしたラインが用意されていないことのほうが多いです。
その場合は新規に期限を設けても良いでしょう。例えば、現状把握 → 2ヶ月後の目標値を設定 → 2ヶ月後に検証、そこで継続/縮小/終了の判断に持ち込む、という流れです。&lt;/p&gt;

&lt;h3 id=&quot;やめる決断を下せるのは意思決定者だけ&quot;&gt;「やめる」決断を下せるのは意思決定者だけ&lt;/h3&gt;

&lt;p&gt;基本的に決断しやすいのは、リーダーやマネージャーのように意思決定を担う立場の人です。逆に言うと、やめる判断は現場だけでは実現が困難です。&lt;/p&gt;

&lt;p&gt;もし意思決定の役割を担っている場合は、「やめる」判断が長期的に大きな効果をもたらすことを意識しておいてください。自分にとっても簡単ではないかもしれませんが、チームメンバーは尚更難しいと感じているはずです。ちなみに書籍『&lt;a href=&quot;https://amzn.to/4aUc6nQ&quot;&gt;みんなでアジャイル ―変化に対応できる顧客中心組織のつくりかた&lt;/a&gt;』では、組織重力の3法則として以下のように書かれています。&lt;/p&gt;

&lt;div class=&quot;language-plaintext highlighter-rouge&quot;&gt;&lt;div class=&quot;highlight&quot;&gt;&lt;pre class=&quot;highlight&quot;&gt;&lt;code&gt;承認した最上位の人間が止めない限り動き出したプロジェクトは止まらない。
&lt;/code&gt;&lt;/pre&gt;&lt;/div&gt;&lt;/div&gt;

&lt;p&gt;やめる決断をするときは、胃の中がキリキリするかもしれません。それでも長期的にみて正しい判断であることを信じて、勇気を持って決断しなければなりません。&lt;/p&gt;

&lt;h3 id=&quot;やめるときは結論だけでなくストーリーを語る&quot;&gt;やめるときは「結論」だけでなく「ストーリー」を語る&lt;/h3&gt;

&lt;p&gt;当然ながら「やめます」と話すだけだと、ステークホルダーや特に尽力してきたメンバーに納得感は生まれません。悪い知らせほど、背景の説明が必要です。&lt;/p&gt;

&lt;p&gt;説明をする際は、できるだけ透明性を持って伝えることが重要です。例えば「戦略的見直し」といった抽象語で本音を誤魔化そうとしても、現場ではさっぱりわかりません。下手をすると不信感が募るだけになります。&lt;/p&gt;

&lt;p&gt;それよりは、現状の診断、基本方針、次の行動をストーリーとして語ったほうが良いです。（なお、このスキーマは、書籍『&lt;a href=&quot;https://amzn.to/3OxOL3Z&quot;&gt;良い戦略、悪い戦略&lt;/a&gt;』にあるものと同様です。戦略の話は別の記事で）&lt;/p&gt;

&lt;p&gt;ストーリーを伝えるときは、少なくとも次の項目を押さえておくと納得感が高まります。&lt;/p&gt;

&lt;ul&gt;
  &lt;li&gt;いま自分たちがどんな状況にあるのか&lt;/li&gt;
  &lt;li&gt;なぜ今やめる必要があるのか&lt;/li&gt;
  &lt;li&gt;組織としての大きな方向性は何か&lt;/li&gt;
  &lt;li&gt;この先何を目指すのか、どう行動するのか&lt;/li&gt;
&lt;/ul&gt;

&lt;h3 id=&quot;伝える順番とタイミングを事前に設計する&quot;&gt;伝える順番とタイミングを事前に設計する&lt;/h3&gt;

&lt;p&gt;やめる施策やプロジェクトの対象には、たいていキーマン、サブリーダー、関連部署のリーダー、現場メンバーなどが関わっています。ステークホルダーが多いほど、誰に・いつ頃・どの順番で話すかを意識しておくと良いです。これだけで着地の衝撃がだいぶ変わります。&lt;/p&gt;

&lt;p&gt;順番を間違えると、意図しない形で話が先に伝わり、余計なハレーションが生まれます。そのため、「悪いことを伝えるためのコミュニケーション戦略」を先に設計しておくべきです。具体的には、簡易的ではありますが、次のように設計するイメージです。&lt;/p&gt;

&lt;ol&gt;
  &lt;li&gt;キーマンに1on1で伝える、明後日までに実施&lt;/li&gt;
  &lt;li&gt;関連リーダーに説明して合意する（影響範囲、調整事項）、来週までに実施&lt;/li&gt;
  &lt;li&gt;実行メンバーに全体説明する + 問い合わせを個別に受けられるようにする、月末に実施&lt;/li&gt;
  &lt;li&gt;必要なら全社にも共有する（要点、問い合わせ窓口）、翌月初旬に実施&lt;/li&gt;
&lt;/ol&gt;

&lt;p&gt;より詳細には書籍『&lt;a href=&quot;https://amzn.to/4b4NIAa&quot;&gt;レジリエントマネジメント&lt;/a&gt;』のChapter4が参考になります。&lt;/p&gt;

&lt;h2 id=&quot;まとめ&quot;&gt;まとめ&lt;/h2&gt;

&lt;p&gt;始めるより、やめるほうが難しい。冒頭に述べたように、これは改善施策でもプロダクト開発でも同じです。やめる決断を下すために、&lt;/p&gt;

&lt;ul&gt;
  &lt;li&gt;始めるときに終了条件を決めておく&lt;/li&gt;
  &lt;li&gt;引き継ぎ案件は期限付きを新たに設定して判断ポイントを設ける&lt;/li&gt;
  &lt;li&gt;サンクコストではなく、今後続けた場合とやめた場合の効果で判断する&lt;/li&gt;
  &lt;li&gt;最終的には、心理的ハードルを乗り越えて、意思決定者（リーダー）がやめる判断をする&lt;/li&gt;
&lt;/ul&gt;

&lt;p&gt;を意識してみてください。わかっているけどサンクコストを払い続けている案件がないか、考えてみても良いかもしれません。&lt;/p&gt;
</description>
        <pubDate>Sat, 28 Feb 2026 00:00:00 +0000</pubDate>
        <link>https://iwashi.co/2026/02/28/stop-decision</link>
        <guid isPermaLink="true">https://iwashi.co/2026/02/28/stop-decision</guid>
        
        <category>エンジニアリングマネジメント</category>
        
        <category>意思決定</category>
        
        <category>プロジェクト</category>
        
        
      </item>
    
      <item>
        <title>定例ミーティングのなくし方</title>
        <description>&lt;p&gt;本記事は、&lt;a href=&quot;https://iwashi.co/2026/02/14/engineering-management-book-introduction&quot;&gt;1時間で読み終わるエンジニアリングマネジメント本を書き始めてみる&lt;/a&gt;で挙げたトピックの1つです。&lt;/p&gt;

&lt;h2 id=&quot;はじめに&quot;&gt;はじめに&lt;/h2&gt;

&lt;p&gt;この記事では、定例ミーティングが増える理由と、その定例ミーティングを減らす方法について書いていきます。&lt;/p&gt;

&lt;p&gt;まず個人的な定例ミーティングの捉え方として、「定例ミーティングは必要悪」だと思っています。同期的に人の予定を抑えることから、コストが非常に高いのです。ただし、意思決定や腹落ち感の醸成などの効果も大きいためゼロにはできません。参加者の役割にももちろん依存しますが、基本的にはパフォーマンスを出すためには少なければ少ないほどいい。&lt;/p&gt;

&lt;p&gt;マネージャーという立場で考えると、ミーティングはどうしても多くなりがちです。外部調整や部門横断の相談も多く、カレンダーはすぐに埋まっていきます。そうなると、予定調整そのものがだんだんパズル化してきます。この状況が、定例ミーティングを増やす方向に自然と働きます。&lt;/p&gt;

&lt;h2 id=&quot;なぜ定例ミーティングが増えるのか&quot;&gt;なぜ定例ミーティングが増えるのか&lt;/h2&gt;

&lt;p&gt;定例ミーティングが増える理由は、主に3つあります。&lt;/p&gt;

&lt;p&gt;1つ目は、予定調整コストが高いことです。
「誰がどこで空いているか」を毎回確認するのは、地味に大変です。実際、その都度調整しようとしても、全員の空き時間を見つけるのが難しく、結局「毎週この時間で固定しましょう」となりやすく増えていきます。&lt;/p&gt;

&lt;p&gt;2つ目は、「念のため」の招待と情報共有の不安です。
主催者側には「呼ばないと後で揉めるかもしれない」「情報共有の漏れを防ぎたい」という心理があり、本来は議事録共有で十分な人まで招待してしまうことがあります。
参加者側にも「自分だけ取り残されるかもしれない（FOMO）」という不安や、「断ると角が立つ」という同調圧力があり、とりあえず出席が増えていきます。
ちなみに参加者が増えた場合のミーティングでは、参加者が内職する可能性が上がるという結果もあります。(参考参照)&lt;/p&gt;

&lt;p&gt;3つ目は、意思決定の責任分散と過度な合意形成です。
誰か一人が決める責任を避けるために、「みんなで集まって決めた」という状態を作る目的で会議が設定されることがあります。加えて、事前根回しや全員の納得を重視しすぎると、情報伝達ではなく「顔合わせ」や「儀式」としての定例が増殖します。&lt;/p&gt;

&lt;p&gt;つまり、定例は予定調整の合理性に加えて、組織心理の要因も重なって増えるわけです。&lt;/p&gt;

&lt;h2 id=&quot;それでも定例は増やしすぎないほうがいい&quot;&gt;それでも、定例は増やしすぎないほうがいい&lt;/h2&gt;

&lt;p&gt;問題は、合理性を積み重ねた結果、カレンダーが定例だらけになることです。&lt;/p&gt;

&lt;p&gt;本来やりたい仕事に使う時間、特に集中して考える時間が削られていきます。
チームの生産性は、集中時間をどれだけ確保できるかでかなり左右されるので、定例ミーティングは冒頭に述べたように少ないほうが良いです。&lt;/p&gt;

&lt;p&gt;では、どうやって減らすか。以下では個人的に効果があった方法を紹介します。&lt;/p&gt;

&lt;h2 id=&quot;定例ミーティングをなくす方法&quot;&gt;定例ミーティングをなくす方法&lt;/h2&gt;

&lt;h3 id=&quot;1-最初から終了日を決める&quot;&gt;1. 最初から終了日を決める&lt;/h3&gt;

&lt;p&gt;定例を作るときは、できるだけ短い期間で取り、終了日時を必ず設定します。&lt;/p&gt;

&lt;p&gt;例えば「このテーマは3か月で一区切り」と思うなら、3か月だけ定例を入れる。最初から1年やエンドレスで入れない。これだけで、かなりの会議が自然に整理されます。Google CalendarやOutlookの定例設定では、終了日を入れるのは簡単なので、新規に定例を作るときは、必ず入れるようにしましょう。&lt;/p&gt;

&lt;p&gt;終了しても誰も困らないまま消える定例は、そもそも不要です。&lt;/p&gt;

&lt;h3 id=&quot;2-節目で定例をいったん全部消す&quot;&gt;2. 節目で定例をいったん全部消す&lt;/h3&gt;

&lt;p&gt;年末年始や期の変わり目など、区切りの良いタイミングで定例を一度すべて消す方法もあります。&lt;/p&gt;

&lt;p&gt;必要な定例ミーティングは、結局また設定されます。逆に再設定されないものは、なくても回るということです。&lt;/p&gt;

&lt;p&gt;「一度やめてみる」は、継続の惰性を断ち切るのに効きます。&lt;/p&gt;

&lt;h2 id=&quot;なくしきれない場合のコスト削減&quot;&gt;なくしきれない場合のコスト削減&lt;/h2&gt;

&lt;p&gt;全部はなくせない前提でも、定例ミーティングのコストを下げる余地はあります。&lt;/p&gt;

&lt;h3 id=&quot;1-頻度を下げる&quot;&gt;1. 頻度を下げる&lt;/h3&gt;

&lt;p&gt;毎週開催しているなら、「本当に毎週必要か」を、ミーティングの終わり際にでも参加者同士で振り返ってみる手もあります。隔週に変えるだけでも、時間がかなり戻ってきます。5人参加で1時間の定例が隔週になれば、月間で10時間、年間120時間ほど集中する時間が増えます。&lt;/p&gt;

&lt;h3 id=&quot;2-参加人数を絞る&quot;&gt;2. 参加人数を絞る&lt;/h3&gt;

&lt;p&gt;定例は、参加者を増やすのは簡単です。OutlookやGoogle Calendarでも、予定を転送すればすぐ増える。一方で減らすのは心理的に難しい。突然、参加者を削除したら「なんで？」となるかもしれません。&lt;/p&gt;

&lt;p&gt;このときは、SlackやTeamsのチャットで次回以降の参加をオプトインにする方法が使えます。
具体的には「参加したい人だけリアクションしてください」としておくと、自然と人数を絞り込めます。&lt;/p&gt;

&lt;h2 id=&quot;まとめ&quot;&gt;まとめ&lt;/h2&gt;

&lt;p&gt;定例ミーティングが増えるのは、予定確保や調整コストだけでなく、情報共有の不安や責任分散の力学もあるからです。ただ、それを放置すると集中時間が失われます。&lt;/p&gt;

&lt;p&gt;だからこそ、&lt;/p&gt;

&lt;ul&gt;
  &lt;li&gt;定例には終了日時を入れる&lt;/li&gt;
  &lt;li&gt;節目でいったん全部やめる&lt;/li&gt;
  &lt;li&gt;頻度と参加人数を見直す&lt;/li&gt;
&lt;/ul&gt;

&lt;p&gt;この3つあたりを意識するだけでも、一定の効果があります。というわけで、定例ミーティングの見直し、ぜひやってみてください。&lt;/p&gt;

&lt;hr /&gt;

&lt;h2 id=&quot;参考おすすめの書籍&quot;&gt;参考：おすすめの書籍&lt;/h2&gt;

&lt;p&gt;ミーティング関係でおすすめの書籍がいくつかあるので紹介しておきます。&lt;/p&gt;

&lt;p&gt;&lt;a href=&quot;https://amzn.to/4auwAoi&quot; target=&quot;_blank&quot;&gt;&lt;img src=&quot;https://images-na.ssl-images-amazon.com/images/P/4297117509.09.MZZZZZZZ.jpg&quot; alt=&quot;4297117509&quot; /&gt;&lt;/a&gt;&lt;/p&gt;

&lt;p&gt;本文で言及していた、参加人数が増えると内職する人が増えるという結果も載っている書籍です。&lt;/p&gt;

&lt;p&gt;&lt;a href=&quot;https://www.amazon.co.jp/dp/4492503137?tag=iwashitw-22&quot; target=&quot;_blank&quot;&gt;&lt;img src=&quot;https://images-na.ssl-images-amazon.com/images/P/4492503137.09.MZZZZZZZ.jpg&quot; alt=&quot;4492503137&quot; /&gt;&lt;/a&gt;&lt;/p&gt;

&lt;p&gt;amazon流でとても有名な、「会議冒頭で黙読する」を紹介されている書籍です。パワポやスライドを作るのが個人的に好きではないので、かなり参考にしています。&lt;/p&gt;

&lt;p&gt;&lt;a href=&quot;https://www.amazon.co.jp/dp/B0FY12BWVY?tag=iwashitw-22&quot; target=&quot;_blank&quot;&gt;&lt;img src=&quot;https://images-na.ssl-images-amazon.com/images/P/B0FY12BWVY.09.MZZZZZZZ.jpg&quot; alt=&quot;B0FY12BWVY&quot; /&gt;&lt;/a&gt;&lt;/p&gt;

&lt;p&gt;ミーティングというのは、ファシリテーターの振る舞いによって大きく成果が変わります。例えば、「今日は自由に話し合いましょう！」と投げかけても「シーン」となってしまうようなのは、ファシリテーターの振る舞いが不十分な例です。じゃあ、どうしたらいいかというのを、体系的に解説されている書籍です。&lt;/p&gt;
</description>
        <pubDate>Mon, 23 Feb 2026 00:00:00 +0000</pubDate>
        <link>https://iwashi.co/2026/02/23/how-to-stop-recurring-meetings</link>
        <guid isPermaLink="true">https://iwashi.co/2026/02/23/how-to-stop-recurring-meetings</guid>
        
        <category>エンジニアリングマネジメント</category>
        
        <category>ミーティング</category>
        
        <category>生産性</category>
        
        
      </item>
    
  </channel>
</rss>
