tymo

@ok_initial 音無さんが投稿されててぼくも気になってました。 陰ながら応援してます。

@tymo_book ですよね。少なくとも和書でいったら最高峰クラスといっても、過言にはならないかと…頑張って理解できるようになりたいですね。

斎藤数学原論、これ、すごく高度かもしれないな。

一番進まないのが『荘子』。同じとこ4,5回読んでる。 逆に『孟子』は気楽に読める。話の筋があって、割と読み流せるタイプの本。金谷訳の注釈が心地よい。 意外と難しいのが〈１冊でわかる〉『経済学』。良い意味で。

同時に読んでる本、ちょっと手を広げ過ぎたな？（他にも目配せしてるものが）

ぼくも最近、言葉ってすらすら出るのとは別の言葉がある気がしてきました。植物の芽が出たり花が咲くのを眺めるようにして出てくる、そんな楽しさを感じる言葉。（時には、病気や栄養不足の草花と向き合うこともありますが） >RP

声が大きいほど遠くまで届くけれど、私の場合、心に残るのは静かに触れてくるもの。そして、あとから思い出すのは、名前もついていない感覚。 無理に何かをつかまなくても、 静かなものが少しずつ積もっていく時間。そんな休日。

【一斉重版】品切れとなっていた『ニーチェ全集　別巻１～４』をまとめて重版しました。別巻の重版は20年ぶりとなります。 『別巻１　ニーチェ書簡集 Ⅰ』 『別巻２　ニーチェ書簡集 Ⅱ／詩集』 『別巻３　生成の無垢 上』 『別巻４　生成の無垢 下』

そうすると歴史も。人間が関わってきたあらゆるものが問われるのかもしれない。

孔子が惜しんだ礼のようなものも、置き換えられてしまう面はある。例えば慣習。伝統については、恐らくあり方を問われる。

AIで置き換えられるものが広がっても、そこに残る本当の人間らしい営み、と後に言われるもの。

現代で中国思想の普遍性を考える時、経験を共有する東アジア共同体を想起するのは納得できる。それは中国中心でも日本中心でもなく、従って日本帝国時代のアジア支配を批判的に考えなければならない。自らが関わる歴史の重さを強く感じた。

「内聖外王」というスローガンは新儒家の時代のものではあるけど、個の内面を考え、どう社会的秩序を作っていくかを考えること自体が、太古から続いてきた中国の伝統のように思えた。それは、実践的で方法的であるもの。

『中国哲学史』#読了 始まりとしての伝統と、現時点まで連綿と続いてきた足元にある伝統とが、各時代にやって来る変化に遭遇し、問われ続けてきた歴史。儒教、道教、仏教（とキリスト教）は、互いに参照し続け最早切り離せなくなっていく。

プラグマティズムに依拠し、中国の伝統たる儒教を立て直そうとした胡適は、自らの短所を浅くてわかりやすい、と言う。深遠なる神や、個人の内面の深さという形而上学的なものに対して。 「浅さ」を自認して肯定し、自らを立て直す姿に、現代の「弱い」人たちが自らを肯定する一つの方法を見た。

『中国哲学史』読んでて、「第15章 西洋は中国をどう見たのか１」にスピノザ『エチカ』が出てきて俄然面白くなってきた。やっぱり原典（翻訳）読んで、原典ベースで考えるれるのは楽しい。

かつて現代図書から出た『ジャイナ教入門』が講談社学術文庫入り．ついに日本も「文庫でジャイナ教入門が読める国」にまで文明が発展しました．なお私が解説を書いてます ジャイナ教 渡辺 研二(著) - 講談社 | 版元ドットコム hanmoto.com/bd/isbn/978406… @hanmotocomより

ふと思ったけど、これまで技術革新が起こり続ける業界（例えばIT系）のあり方が、知的労働全般に広がろうとしてるのか。

これはAIと人間の関係の、穏当な到着点のように思う。 >RP

物理学者がClaudeを大学院生のように指導しながら、実際の理論物理研究における計算を進めた記録が公開されている。約2週間にわたり、110本以上のドラフトを重ね、入出力を合わせて3600万トークンを費やして論文に到達している。 AIが自律的に科学研究を進めたわけでなく、大学院生を指導するのと同じように、継続的にフィードバックを与えながら作業を進めた。その際には、次のルールを課した ・プロンプトだけを与え、ファイルを人が直接編集しない ・人が計算結果を直接与えないこと 　・一方で、他のモデルが出した計算結果を与えることは許される AIは非常に粘り強く、計算、コード実行、文書化を進めていった一方で、誤りをごまかしたり、見栄えのよい結果に寄せたりする傾向もあった。そのため、最終的な検証には強い専門知識が不可欠であったと述べられている。 通常は数カ月かかる研究が2週間で終わっている。 この事例はソフトウェア開発と同じように他の分野においても、人が細部の実装、計算、文書化をすべて手作業で担うのではなく、そのかなりの部分をAIに委ね、人間は問題設定、方向づけ、検証に集中するようになる可能性を示している。 個人的に興味深いのは、全てのノウハウが環境に蓄積されているという点である。 今回、初回として2週間かかったとしても、2回目以降は再利用によって大きく効率化できると考えられる。 1回目に構築したさまざまな環境、たとえば計画、途中結果、木構造で整理されたファイル群などを再利用できるなら、2回目以降はより短い時間で、より深い問題に取り組めるだろう。 この意味で、専門知識やノウハウは、環境側にも埋め込まれていくことになる。 さらに興味深いのは、こうして得られた知識が、LLMの学習時には存在しなかったにもかかわらず、人間のわずかなフィードバックをプロンプト経由で受けることで形成されている点である。 では、このような知識を環境経由のものとして蓄積するだけでなく（毎回環境をKVキャッシュで読み込み検索で参照するのでなく）、元のモデル自身の能力として直接取り込んでいくには、どのような方法がありうるのだろうか。

Vibe physics: The AI grad student anthropic.com/research/vibe-…