うわー。これは控えめに言ってやばすぎます。学会でのインシデント史上最悪レベルの大事件だと思います。
【緊急】AI/ML学術界で史上最大級のセキュリティ事故が発生

11月27日、OpenReviewのシステム脆弱性により、プラットフォーム上で運営されている全ての学術会議で著者・査読者・エリアチェアの身元情報が漏洩しました。これは匿名査読という学術の根幹制度が完全に崩壊したことを意味する極めて深刻な事態です。

■ 影響を受けた主要会議（一部）
・ICLR（全年度）
・NeurIPS（全年度）
・ICML（全年度）
・ACL / ACL Rolling Review
・EMNLP（全年度）
・CVPR（全年度）
・AAAI
・その他、OpenReview上の各種ワークショップ・シンポジウム

つまり、AI・機械学習・自然言語処理・コンピュータビジョン分野のほぼ全ての主要国際会議が影響を受けています。推定で数万人規模の研究者の情報が露出した可能性があります。

■ 何が漏洩したのか
・論文著者の氏名・所属機関
・査読者の氏名と担当論文の対応関係
・エリアチェア（採否判断を行う上級査読管理者）の氏名と担当論文
・過去の年度の論文についても遡及的にアクセス可能だった

通常、学術会議ではダブルブラインド査読（著者も査読者も互いの身元を知らない）によって公正性を担保していますが、この前提が完全に破壊されました。

■ すでに発生している実害
ICLR 2026の公式声明によると：
・談合の試みの報告を複数受けている
・査読スコアの異常な上昇を観測
・著者から査読者への脅迫・賄賂の可能性

これは理論上のリスクではなく、現実に進行中の不正です。「スコアを上げなければ報復する」「金銭で評価を買う」といった行為がすでに行われている可能性が高いと考えられています。

■ 技術的な原因
OpenReviewの `profiles/search` というAPIエンドポイントで、本来は権限を持つユーザーのみがアクセスできるべき情報が、認可チェックなしで一般公開されていました。URLのパラメータを変更するだけで、特定の会議の査読者リストを誰でも取得できる状態でした。これはセキュリティの基本中の基本である「アクセス制御」の不備（Broken Access Control）であり、OWASP Top 10で最も深刻な脆弱性とされています。

バグは11月27日10:09(UTC)に報告され、11:00には修正されましたが（対応自体は迅速）、一部のユーザーは11月12日頃からこのバグが存在していたと報告しており、2週間以上にわたって悪用可能だった可能性があります。

■ ICLR 2026の緊急対応
・全ての論文に新しいエリアチェアを再割り当て
・査読スコアを議論期間開始前の状態に巻き戻し（議論の成果も全て無効化）
・査読者による追加のスコア変更や議論参加を禁止
・公開コメント機能を無効化
・不正行為者は投稿論文をデスクリジェクション（査読なし不採択）＋複数年の会議出禁
・OpenReviewは多国籍法執行機関と連携し、悪用者への法的措置を検討

■ なぜこれほど深刻なのか
1. 査読者への報復リスク：低評価をつけた査読者が特定され、SNSでの晒し上げ、職場への苦情、将来的な報復査読などのリスクに晒されます。これにより、今後査読を引き受ける研究者が減少する可能性があります。

2. 学術的公正性の崩壊：著者が査読者を特定できてしまうと、圧力・脅迫・賄賂によって評価を歪めることが可能になり、論文の質による公正な評価という学術の根幹が機能しなくなります。

3. 過去の論文への遡及的影響：過去に不採択になった論文の著者と査読者の関係が判明することで、「あの時の恨み」に基づく将来的な報復が可能になります。学術コミュニティ内の人間関係・権力構造が可視化されたことの影響は計り知れません。

4. 採択結果への永続的な不信：ICLR 2026で採択された論文は「本当に公正に評価されたのか」という疑念が常につきまといます。不採択になった著者は「談合で落とされたのでは」と考える可能性があります。

5. 中央集権的インフラのリスク：AI/ML分野の主要会議のほぼ全てが単一のプラットフォーム（OpenReview）に依存していたことで、一つのバグが分野全体を揺るがす結果となりました。

■ 今後への影響
・査読者のなり手がさらに減少（すでにAI/ML分野では投稿数爆発により査読者不足が深刻）
・オープンレビューへの移行議論の再燃
・分散型査読システムの研究加速
・OpenReview以外のプラットフォームへの移行検討
・学術会議の運営体制・セキュリティ基準の見直し

この事件は、デジタル化された学術インフラの脆弱性と、品質保証システムそのものの信頼性が問われる歴史的な転換点となる可能性があります。

詳細な技術解説：https://t.co/olDV8tGCao November 11, 2025

引用された話が正しいかどうか、私は確信が持てません。というのも、私自身の記憶とは大きく異なるからです。

2018年のSDK刷新以前、VRChatでは厳格なトライアングル制限が設けられていました。最初は5,000、次に10,000、そして最終的には20,000という制限です。これらの制限は2018年半ばに撤廃され、現在の「アバターパフォーマンスランク」制度に置き換えられました。

私は「ポリゴン」ではなく「トライアングル」という用語を強調します。なぜなら、パフォーマンスチェックは常にトライアングルを基準としていたからです。これは以下の理由で重要です。

1. ゲームエンジンはポリゴンを自動的にトライアングルへ変換する。

2. 参考までに、70,000ポリゴンは14万以上のトライアングルに相当し、これはVRChatの現在推奨されているガイドラインを大きく超えています。

この用語の違いは重要です。2018年のSDKは、VRChatの設計思想における論理的な転換点でした。ハード制限を課す代わりに、ユーザーが安全設定を通じて自分が見たいものを制御できるようにしたのです。これにより、プレイヤーはパフォーマンスと創造性を自分の好みに合わせて調整できるようになりました。各ユーザーが「正しい」と考える基準は異なるため、単一の制限を強制することは不可能です。ユーザー自身に制御を委ねる方が、はるかに洗練されたアプローチです。

当時、一部のユーザーはSDKを改造して制限を回避していました。しかし2018年半ば以降、ハードなトライアングル制限は一切課されていません。存在するのはパフォーマンスカテゴリとガイドラインだけです。だからこそ私は混乱しています。私の記憶とパッチノートの記述が、引用されたツイートと完全には一致しないのです。そしてTupper氏の反応も同じだと思います。

関連する話題として、GPUはトライアングルのレンダリングに非常に効率的になっています。FLOPS（毎秒浮動小数点演算）は頂点やピクセルの計算を容易にします。例えば、NVIDIA RTX 3060 GPUは約12.7 TFLOPSを実現し、毎秒12兆以上の浮動小数点演算を処理できます。これは数十億のトライアングルを毎秒処理できる計算になります。しかし、最終的な最適化の問題はそれほど単純ではありません。

この効率性により、現代のゲームに登場する「ヒーローキャラクター」や「主役キャラクター」は10万〜15万トライアングルを使用することが多く、武器のような近接表示されるオブジェクトは3万〜4万トライアングルに達することも珍しくありません。

それでも、レンダリング性能はトライアングル数だけで決まるわけではありません。例えば「クアッドオーバードロー」のように、GPUが重複するピクセルを非効率的に処理する問題があり、小さなトライアングルや細いトライアングルはレンダリングコストが不釣り合いに高くなることがあります。場合によっては2倍のコストになることもあります。したがって最適化は非常に繊細な作業であり、同じトライアングル数でもトポロジーや解像度、スクリーンレンダリングによって性能コストは大きく異なります。

要するに、最適化は単純なトライアングル数に還元できません。ディテール、効率性、創造的意図のバランスを慎重に取る必要がある、複雑で経験に基づくプロセスです。

結論として、これがVRChatがユーザー生成コンテンツへのアプローチを変えた理由です。単一の数値指標で全てのアイテムを分類することはできません。これは非常に繊細で深いプロセスであり、意図的な設計思想が必要で、単に「トライ数を減らす」だけでは解決できません。

さらに言えば、レンダリングコストが高い要素は他にも存在します。代表的なのはシェーダーです。例えば屈折表現を体全体に適用するようなマテリアルは、大規模な空間でレンダリングする際に非常に高価です。また、毛皮シェーダーに極端に高いテッセレーション値を設定するケースも同様です。しかしVRChatは安全設定を通じてそのようなアバターをブロックするための十分なツールを提供しているので、大きな問題にはなりません。私は、クリエイターに単純にトライ数を減らすことを強制するよりも、ユーザーに安全設定の正しい使い方を教えることの方がはるかに重要だと考えます。もちろん一部の人はトライアングル数を減らすべきですが、それで議論が終わるわけではありません。

I’m not entirely sure the quoted story is correct, as I remember the events quite differently.

Before the 2018 SDK overhaul, VRChat enforced hard triangle limits. Firstly with 5,000, then 10,000, and eventually 20,000. These restrictions were lifted in mid‑2018 and replaced with the system we know today: Avatar Performance Ranking.

I emphasize triangles rather than polygons because performance checks were always based on triangles. This is important for two reasons:

1. Game engines automatically convert polygons into triangles.
2. For context, 70,000 polygons equates to well over 140,000 triangles, which far exceeds VRChat’s current recommended guidelines.

This terminology matters because the 2018 SDK marked a logical shift in design for VRChat. Instead of enforcing hard limits, VRChat empowered users to control what they see through personalized safety settings. This allowed players to balance performance and creativity according to their own preferences. It's going to be impossible to enforce limits since each user has their own idea of what is correct. Allowing users to control what they see is a far more nuanced approach.

Back then, some users even modified the SDK to bypass the limits. Since mid‑2018, however, no hard triangle caps have been imposed. Only performance categories and guidelines. This is why I’m confused: my recollection of the past and the patch notes don’t seem to align perfectly with what was written in the quoted tweet. And I believe Tuppers reaction is the same.

On a related note, GPUs have become extremely efficient at rendering triangles. FLOPS (floating‑point operations per second) make vertex and pixel calculations relatively straightforward. For example, an NVIDIA RTX 3060 GPU can deliver around 12.7 TFLOPS, meaning it can perform over 12 trillion floating‑point operations per second. This could be billions of triangles per second. But the end issue for optimisation isn't so simple.

This efficiency explains why modern “hero” or "halo" characters in games often use 100,000–150,000 triangles, and why detailed weapons can reach 30,000–40,000 triangles due to their proximity to the player’s viewpoint.

Still, rendering performance isn’t determined by triangle count alone. Issues like quad overdraw where the GPU processes overlapping pixels inefficiently can make small or thin triangles disproportionately expensive to render. Think about 100% more expensive to render. Optimisation is therefore a nuanced discipline: two meshes with the same triangle count can have vastly different performance costs depending on topology, resolution, and screen rendering.

In short, optimization can’t be reduced to simple triangle counts. It’s a complex, experience‑driven process that requires careful balancing of detail, efficiency, and creative intent.

To conclude, this is why VRChat changed their approach to user generated content. You cannot simply use a single numerical metric and conclude every item can fit into said category. It's a very nuanced and in-depth procedure that requires intentional thought to get right and can't be boiled down to simply "reducing tri's".

With that said, there are far more expensive rendering items. Shaders being the best example where users are using refraction on the materials which are placed on the body which is very expensive to render in large spaces. Or the best example, extremely high tesselation values on fur shaders. However, VRChat gives users the adequate tools to block said avatars via safety settings so it's not too big of a problem. I think teaching users how to properly setup safety settings is far more important than forcing creators to just simply reduce tri's. Whilst some should definitely reduce their triangle count, it's not where the conversation ends. November 11, 2025

「Alan Wake」シリーズを手がけるRemedy Entertainmentが「CONTROL: Resonant」を商標登録
https://t.co/BC3fysMUwL

The Game Awards 2025の開催が迫っていることもあり、『CONTROL』の続編ではないかと話題に。一方、2024年に発表された映画・ドラマ化計画、そのほかのスピンオフなどの可能性もある https://t.co/nCRfpvIUOd November 11, 2025

本日ワンマンありがとうございました！🔥
Jinn×CHAOS如何でしたでしょうか！
今できるありったけかましたりました！

皆様のお陰で最高の2025年の〆になりました。

来年からもCHAOS CONTROLをよろしくお願いいたします🙇 https://t.co/24EyaauH33 November 11, 2025

すんっごいアセットきたぁあ！！！
全部AI指示だけでUnityが自動生成✨倭国語も👌

オブジェクト配置、UI、VFX、行動AI、天候、シェーダー生成まで“言うだけ”で完了🫰

細かい作業も全部AIちゃんにお任せだね😎
By.MaNa

『Synaptic AI Pro - Natural Language Control for Unity』
.99 => .59 30%オフ⚡️12月2日頃まで
https://t.co/tYZb7wbbBO
#Unity ゲーム開発 VRChat ワールド制作 自然言語制御

🔎開発元は倭国のパブリッシャー：miu sekiguchi
https://t.co/n2onpLSX4j

✨リリース日：2025年11月18日

🔽アセットストア Black Fridayセール🎉 9日目
https://t.co/uOOYAeW3sR November 11, 2025

＜台湾統合を正当化する中共の一面的な「論理」＞

台湾を巡る秩序は三層構造で成り立っているがこれを一色に塗り潰そうとしているのが中共である。

①歴史的主体（ROC：中華民国）
②実効支配という現実（ROC／PRC：中華民国・中華人民共和国）
③国際法上の「中国」代表（PRC：中華人民共和国）

これら三つは一致しない。 ③だけを抽出しそれだけを絶対化し他層を切り捨てて台湾の強制的統合を正当化しようとしているのが習近平の「論理」である。
中共が触れたがらないこの二層を順にみてみよう。（※ここには戦後秩序の質的転換を狙う大戦略がある。これは別に検討したい）

①＜歴史的主体としての中華民国（ROC＝台湾)＞

カイロ宣言（1943）・ポツダム宣言（1945）における「中国」の代表は、ROC中華民国政府（蒋介石政権）である。したがって、「倭国が中国から奪った領土（台湾を含む）は中国へ返還される」という文脈での「中国」は、当時の国際社会では 中華民国（ROC） を指していた。 この点については、PRC中華人民共和国成立前である以上、 史実上も外交文書上も「中国＝中華民国」しかないのである。

また1945年の「台湾の復帰」は誰に対して行われたか。 1945年10月25日の台北での降伏式典は、 連合国側の「中華民国代表」が「倭国軍からの受降」を行い、台湾を「対日戦争勝利の結果として接収」した、という形式を取っている。 さらに国際法上、サンフランシスコ講和条約（1951/52発効）では倭国は台湾に対する権利を放棄したが、「どの国家に主権を移転するか」は明示されていない。少なくとも、1945〜49年の間、実効支配と国際的承認という意味では「台湾を統治していた中国」は 中華民国 ROCであった。したがって「1945年に台湾が中国に復帰した」という叙述の「中国」は、事実および当時の国際認識に照らせば ROC（中華民国＝台湾） 。

②＜国連代表権決議は台湾実効支配等は判断していない＞
国連総会決議2758号のような 国連代表権に関する決定 は、 以下を判断していない。
台湾の領土帰属、 ROC（中華民国＝台湾）による実効支配の有効性、 カイロ宣言・ポツダム宣言など戦後処理に関与した歴史主体（ROC）の置換 、 つまり、2758号は 代表権の移転であり、主権の裁定ではない。

＜台湾の実効支配は客観的事実で国際法も無視できない＞
台湾（ROC）は、独自の政府・独自の軍事力・ 独自の行政体系 ・独自の領域統治 を保持する完全な実効支配主体（subject of effective control）である。国際法では、実効支配は領土状態を評価する最重要基準の一つであり、いかなる政治ナラティブもこれを否定できない。 したがって 中華人民共和国PRCの「領土一体性」という主張では覆すことはできない。

▶︎客観的に見れば三つの不一致そのものが国際秩序の現実である。

その現実を一面的に捉え、国際法上の代表権だけを“唯一の現実”とみなすことは、 国際秩序を過度に単純化した誤った理解である。

※国際法における継続性の原理を根拠に歴史上の戦勝国（ROC）と 現在の国連代表（PRC） を混同させる議論があるがこの議論は実効支配という現実を反映しない現実軽視の議論である。これについて詳しくは⇨https://t.co/xb1kQPgSWs November 11, 2025

CHAOS CONTROL ワンマンありがとうございました！

スペシャルゲスト　@TsuyoshiIkedo https://t.co/faXR5KX9wg November 11, 2025

Google TPU 要干掉英伟达了吗？Meta 被曝将大规模采购 TPU，引发市场震动。但真相是：TPU 能撼动英伟达，却永远无法取代英伟达。这不是性能之争，而是生态、时机与战略的较量。

The Information 的一篇重磅报道把整个 AI 行业给炸了，Meta 正在与 Google 进行秘密谈判，计划大批量采购 Google 的 TPU 芯片，用于部分替代英伟达的 GPU 以支持其庞大的数据中心 AI 运算。

根据报道披露的细节，这盘棋下得很大：
- 2026 年： Meta 将大规模租用 Google 云服务（Google Cloud）上的 TPU 算力进行模型训练；
- 2027 年： Meta 将直接采购数十亿美元的 TPU 芯片，部署于自建的数据中心内。

什么？全球最大的 GPU 采购大户要抛弃英伟达了？ Google 的 TPU 居然要走出自家机房，去取代英伟达的 GPU 了吗？

消息一出，资本市场瞬间恐慌了。英伟达股价应声大跌，而 Google 则逆势暴涨，大家都在问：难道英伟达靠 GPU 垄断 AI 数据中心的故事真的讲不下去了吗？TPU 开始逆转了战局了吗？要讲明白这场 GPU vs TPU 的战争，我们要先从英伟达为什么能够像“铁桶”一般垄断 AI 数据中心讲起。

当今的 AI 技术堆栈：一座精密的金字塔

今天的人工智能是一个无比庞大的工业化产业。像 ChatGPT 这样顶尖的 AI 产品，其背后是由一层一层的技术基石堆砌而成的，这在 IT 行业被称为“技术堆栈（Tech Stack）”。
即使采用最粗略的划分方式，要支撑起当下的生成式 AI，至少也包含 5 层关键技术，缺一不可：

- 第一层：算力硬件层（Infrastructure） 这是金字塔的底座，是一切的基础。核心代表毫无疑问是英伟达的 GPU 和 Google 的 TPU。它们提供了 AI 运算所需的庞大算力，就像是工业时代的电力引擎。
- 第二层：系统软件与加速层（System & Compiler） 光有芯片还不够，AI 计算需要成千上万个芯片协同工作。这一层负责调度硬件并优化效率，充当硬件与上层软件的翻译官，它们决定了你能发挥出硬件多少潜能。这一层最典型的护城河技术，就是英伟达的 CUDA，而 Google 的 TPU 也有能够把上层软件编译为 TPU 机器码的 XLA 编译器。
- 第三层：深度学习框架（Deep Learning Frameworks） 想要构建和训练大规模神经网络，开发者不能手搓底层的软件代码，需要成熟的“脚手架”。业界目前最流行的是 META 发起开源软件 PyTorch（目前对 GPU 生态支持最好，是事实标准），以及 Google 发起的开源软件 JAX 和经典的 TensorFlow。
- 第四层：基础大模型（Foundation Models） 这是由深度学习框架训练出来的“超级大脑”，是目前竞争最激烈的战场。
- 语言/多模态模型： 如 OpenAI 的 GPT-5、Google 的 Gemini 3；
- 视频生成模型： 如 OpenAI 的 Sora、Google 的 Veo；
- 图像生成模型： 如 Google 的 Imagen、Midjourney。
- 第五层：AI 应用与交互层（Applications & Agents） 这是用户直接接触的产品。它将底层强大的模型能力封装成人类可以交互的工具。例如 ChatGPT，它的底层核心是 GPT 模型，但它本身是一个增加了对话界面、联网搜索、记忆功能的产品；又比如 Google 的 NotebookLM。

为什么英伟达在 AI 数据中心市场形成了绝对垄断？

我们经常感叹英伟达的 GPU（如 H100、H200、B200）硬件参数如何炸裂，但这只是冰山一角。英伟达之所以能对 AI 数据中心市场形成近乎无解的垄断（市占率一度超过 95%），主要源于以下三个维度的降维打击：

1. 通用性极强的单点算力 英伟达的 GPU 本质上是通用计算加速器（GPGPU）。它不仅能完美覆盖 AI 大模型的训练（Training）和推理（Inference），还能兼顾科学计算（气象模拟、药物研发）、图形渲染甚至加密货币挖掘。这种“一卡多用”的特性，使其成为了数据中心的硬通货——买了永远不亏，不用来炼丹还能用来挖矿（开玩笑，但道理如此）。
2. 恐怖的集群扩展能力（Scale-up & Scale-out） AI 大模型训练不是单打独斗，而是需要成千上万张显卡协同作战。英伟达在这方面做得太绝了：
- 节点内互联：通过独家的 NVLink 技术，英伟达可以将多个 GPU（甚至高达 72 个 GPU 组成的 GB200 NVL72 机柜系统）连接成一个“超级逻辑 GPU”，显存和算力实现无缝共享。
- 节点间互联：通过收购 Mellanox 获得的 InfiniBand 高速网络技术，让成千上万台服务器之间的数据传输快如闪电，解决了大规模集群的通信瓶颈。
3. 真正的护城河：CUDA 软件生态 这是英伟达最难被逾越的壁垒，就像 PC 时代的 Windows 操作系统。
- 底层基石：CUDA 提供了最底层的并行计算库，几乎所有的高性能计算场景都基于此构建，经过了 20 年的打磨。
- 顶层框架：当今统治级的深度学习框架 PyTorch 对 CUDA 提供了最原生的支持。这意味着开发者只需编写几行 Python 代码，就能调用底层强大的算力。
- 生态闭环：围绕 PyTorch/CUDA/GPU 已经形成了一套成熟的“开箱即用”基础设施。

为什么竞争对手很难追赶？ 即使竞争对手（如 AMD 或国产芯片厂商）在硬件参数上追平了 H200，依然无法撼动英伟达的地位。因为缺乏庞大的软件生态支持，意味着极高的迁移成本和时间风险。

一个真实的行业痛点（听起来很痛）： 目前很多致力于适配非英伟达芯片的 AI 团队都面临着巨大的痛苦。许多针对英伟达 GPU 进行过深度优化的模型（特别是涉及复杂算子或 MoE 架构的模型），一旦迁移到其他芯片平台，往往会面临严重的兼容性问题。
- 开发难：大量算子需要从头手写，费时费力，如同用汇编语言写网页。
- 稳定性差：模型训练过程中经常出现莫名其妙的数值溢出或系统崩溃（Crash）。

在当前的 AI 竞赛中，一次全量模型训练往往耗时数月，成本以千万美元计。如果因为芯片兼容性导致训练中途崩溃几次，浪费的不仅是电费，更是半年甚至一年的宝贵时间窗口。这种巨大的试错成本，是任何一家争分夺秒的 AI 公司都无法承受的。传言某国内顶级 AI 模型就是因为在国产芯片上训练下一代模型频繁崩溃，导致一直难产，真的是太痛了。
这就是为什么英伟达在 AI 数据中心市场越成功，行业对其路径依赖就越严重——因为没有人敢承担离开英伟达的代价。

Google 的 TPU 又是怎么崛起的？

尽管英伟达的统治力无可争议，但是 Google TPU 却是个异类，它不仅活下来了，还活得很好，已在 AI 顶级赛道站稳脚跟。
首先，TPU 已经用实战成绩证明了自己在 AI 大模型训练和推理领域的成功：
- Google 本家基石： Google 最强的 Gemini 系列模型，完全基于 TPU 进行训练和推理；
- 独角兽的选择： 顶级 AI 公司 Anthropic (Claude) 在 Google Cloud 上大规模使用了 TPU 算力；
- 科技巨头的背书： 就连 Apple 在训练其 Apple Intelligence 基础模型时，也公开表示使用了 Google 的 TPU v4 和 v5p 集群，而非英伟达 GPU。

那么，在英伟达已经成为绝对霸主的情况下，Google TPU 凭什么能异军突起？我们不妨对照英伟达成功的三个维度来深度解析：

1. 算力哲学：极度通用 vs 极致专用 英伟达 GPU 的强大在于“通用性”。而 Google TPU 从 2012 年设计之初，就是为了特定用途——大规模矩阵乘法而生。 现在的 AI 大模型训练，本质上就是在大规模地做矩阵乘法。因为放弃了图形渲染等通用功能，TPU 的芯片设计得以大幅简化，从而在“矩阵计算”这单一场景下取得了极致的能效比和性能表现。
2. 互联技术：电互联 vs 光互联 (OCS) 英伟达在服务器间的高速互联（NVLink/InfiniBand）上表现出色，覆盖了从单机多卡到万卡集群的广泛场景。 而 Google TPU 另辟蹊径，主攻超大规模集群互联。Google 引入了独特的 OCS（光路交换）技术，用光互联将成千上万颗 TPU 动态编织在一起。最新的 TPU v5p 单个 Pod 即可容纳 8960 颗芯片，甚至可以通过光互联扩展至数万卡的超级集群。这种架构在大规模并行训练中，展现出了极高的带宽利用率和灵活性，且布线极其整洁。
3. 软件生态：CUDA 帝国 vs JAX/XLA 新势力 英伟达的 CUDA 和 PyTorch 让 AI 开发变得“开箱即用”，这是其最大的护城河。但 Google 经过多年深耕，也打磨出了一套极为硬核的软件栈：
- XLA (2016)： 一个强大的编译器，能将计算图直接编译为 TPU 机器码，榨干硬件性能。
- JAX (2018)： 一个旨在替代 TensorFlow 的前沿框架。
对比 PyTorch： PyTorch 是面向对象编程，符合人类直觉，简单易用；而 JAX 是函数式编程，学习曲线陡峭，但在处理超大规模并行计算时具有先天优势，代码更简洁，数学表达更纯粹。
跨界打击： JAX 的优秀甚至溢出了 TPU 生态。如马斯克的 xAI 虽然使用的是英伟达 H100 集群，但为了追求对硬件性能的极致压榨，在训练 Grok 模型时并没有使用 PyTorch，而是选择了 JAX。

总结：生态位的胜利 经过多年的演化，在超大模型训练这一“皇冠上的明珠”场景下，JAX + XLA + TPU 技术栈已经形成了一个完整的闭环。它不仅被验证是成功的，甚至在某些超大规模场景下，能取得比 Pytorch + CUDA + GPU 更优的能效比。在 Google Cloud 上，TPU 的 token 成本定价低于英伟达 GPU，就是最好的证明。这也是 Google Cloud 在云计算市场竞争中的秘密武器。总之：

英伟达 vs Google：两种技术哲学的碰撞

- 应用场景： 通用型霸主 vs 超大模型专用特种兵
- 软件门槛： 低门槛的群众基础 vs 高门槛的专家利器
- 商业模式： 庞大的全行业生态 vs 垂直整合的自研闭环

如果说英伟达就像一辆豪华的全能越野车，哪里都能去，谁都能开，到处都有维修店；那么 Google 就像一辆定制的 F1 方程式赛车，只能跑赛道，赛车手才能开。大多数人买车首选 SUV（英伟达），因为方便、省心；但在争夺世界冠军的顶级赛场上，追求极致速度的车队（如 Google、xAI、Anthropic）会考虑使用 F1 赛车（TPU）。

Google TPU 能干掉英伟达吗？

照你这么说的话，Google TPU 岂不是已经成功挑战英伟达，打破了英伟达 GPU 的绝对垄断地位吗？事情没有那么简单。

1. TPU 的局限性与 Google 的双重身份 前面提到 Google TPU 极其擅长超大模型的训练/推理以及大规模推荐系统，但在通用性上，其他场景要么根本不适用，要么能效比不如英伟达 GPU。 对于 Google 庞大的产品线（YouTube、Search、Cloud）来说，对通用 GPU 的需求依然是海量的。因此，Google 一边自研 TPU，一边依然是英伟达 GPU 的全球采购大户。这一点在未来几年内都不会改变。
2. 迁移成本高昂的“生态墙” 尽管在超大模型场景下，JAX + XLA + TPU 的技术栈能取得显著优势，但这要求你必须“从零开始”就拥抱 Google 生态。 如果现有的项目是基于 PyTorch 和 CUDA 深度优化的，想要迁移到 TPU，约等于重写底层代码并进行大规模兼容性测试。这种“重起炉灶”的时间成本和工程风险，足以让绝大多数企业望而却步。

因此目前来看，Google TPU 的用户群体画像非常清晰，主要就两类：一是高校科研（科学计算），二是超大模型的训练和推理。

为什么 TPU 会有很多科学计算用户？ 这是因为 Google Cloud 长期为高校科研开放免费的 TPU 资源（TPU Research Cloud），加上极度好用的 Colab 服务（免费提供 TPU/GPU 算力），在学术界圈粉无数，培养了一大批习惯 TPU 的科研生力军。

那么，超大模型领域的潜在客户呢？ 我们逐一分析市面上的两类大客户：
- 大型云计算厂商： Amazon, Microsoft, Oracle 以及 CoreWeave 等新兴 GPU 云厂商。
- AI 大模型厂商： OpenAI, Anthropic, xAI, Meta 等。

大型云计算厂商（Amazon, Microsoft）本身就是 Google Cloud 的死对头，且都在自研芯片（Trainium, Maia），绝无可能去买对手的算力。而 Oracle 和 CoreWeave 早就通过深度绑定英伟达赚得盆满钵满，是英伟达的铁杆盟友。
AI 大模型厂商呢？
- OpenAI： Google Gemini 的头号宿敌，微软的盟友，不可能用 TPU。
- xAI： 马斯克与 Google 积怨已久，且正通过特斯拉和 xAI 构建自己的超算集群。
- Meta： 回到开头的新闻，Meta 是个超级大户。虽然传闻在谈，但 Meta 也是 Google 广告业务的直接对手。扎克伯格目前手握全球最大规模的 H100 集群之一，并且 Meta 正在积极迭代自研芯片 MTIA。虽然他们不搞公有云，但为了战略安全和技术自主，Meta 不太可能全面依赖 Google 的 TPU，最多是作为补充或谈判筹码。
- Anthropic： 剩下的只有它了。Google 是 Anthropic 的大金主，所以 Anthropic 使用 TPU 是顺理成章的。

盘算下来，TPU 的外部大客户其实寥寥无几。 这点体量，完全不足以对英伟达的统治地位构成“颠覆性”冲击。 因此，Google 最明智的策略依然是：在 Google Cloud 上提供极致性价比的 TPU 服务，用“省钱”和“能效”从其他云厂商口中抢肉吃，而不是想着彻底干掉英伟达。

如果 Google 非要“头铁”，下场卖 TPU 芯片抢市场呢？ 我认为这极其不明智：

- 供应链与利润结构： TPU 是 Google 与博通（Broadcom）合作设计的 ASIC。如果对外售卖，不仅涉及复杂的供应链管理，还要分润给博通，这会拉低硬件毛利。卖贵了，打不过英伟达；卖便宜了，除去博通的成本，Google 图什么？
- 客户池太浅： 如前所述，愿意买 TPU 且不与 Google 构成直接竞争的大客户极少。
- 田忌赛马的反面： 用自己公司的“内部工具/副业”去硬拼英伟达赖以生存的“主业”，胜算能有多高？
- 最后，也是最关键的宏观背景： 目前全球 AI 数据中心市场正处于“短缺经济”时代。不仅 GPU 缺，HBM 内存、CoWoS 封装产能、电力、甚至建设数据中心的土地都极度紧缺。虽然各大科技巨头的资本支出（Capex）已经高得吓人，但面对爆炸性的业务需求，供给依然不够。微软今年初曾试图下调资本支出，结果发现需求太猛，转头又开始疯狂追加投入。
在一个供不应求的增量市场里，无论你填进去多少算力（无论是 GPU 还是 TPU），都会被瞬间吃干抹净。英伟达的 GPU 和 Google 的 TPU 目前仍处于“各自跑马圈地”的阶段，而非“你死我活”的零和博弈。

我的结论：
Google TPU 对英伟达确实有冲击，但不必过度恐慌。 从长期看，Google TPU 的存在更像是一个强有力的“议价筹码”。当大客户有了备胎（TPU 或自研芯片），英伟达就很难长期维持如今夸张的 75% 利润率。
英伟达未来的市场份额确实会受影响，主要来自：
- Google 自身业务（搜索、推荐、Gemini）更多转向 TPU，减少购买 GPU；
- Google Cloud 的深度合作伙伴（如 Anthropic）减少购买 GPU。 这可能会导致英伟达在数据中心的市占率从 90%+ 缓慢回落到 75%-80% 左右，但这并不改变其商业逻辑的本质。

这就像当年的 PC 市场： 苹果 Macintosh 电脑的崛起虽然让 Windows 的市占率有所下降，但并没有终结 Windows 的垄断。真正终结 Windows 霸权时代的，不是 Mac，而是智能手机的兴起。 同理，Google TPU 干不掉英伟达。真正能干掉英伟达的，只能是下一代计算范式的彻底变革。

Google 的成功是不可复制的

好吧，虽然你说的很有道理，但是 Google 能干成全栈自研，尝到了甜头的其他巨头岂不是会纷纷效仿吗？Amazon，Microsoft，Meta，OpenAI 这几个英伟达的头部大客户都在自研 ASIC 芯片，将来他们都减少了对英伟达芯片的采购，英伟达不是要喝西北风了？

我的观点就是：Google 的成功是不可复制的。

Google 的技术栈能够成功，综合了以下几个不可或缺的因素，而这恰恰是微软、Meta 和亚马逊所不具备的：
1. 十年的时间壁垒（Time & Iteration）
芯片设计不是搭积木，它需要漫长的迭代周期。 Google 早在 2013-2014 年就开始秘密研发 TPU，2016 年 AlphaGo 击败李世石震惊世界时，背后就是 TPU v1 在提供算力。
当微软在 2023 年才匆忙推出 Maia 100 时，Google 的 TPU 已经迭代到了第 6 代甚至第 7 代。
这 10 年间踩过的坑、修复的 Bug、积累的制程经验、以及对散热和互联架构的微调，绝非其他公司靠“砸钱”就能在两三年内追平的。在硅基世界里，经验值就是良率，就是能效比。
2. 真正全栈的“软硬一体”的垂直整合掌控力（Full-Stack Control）
这是 Google 最可怕的地方，也是其他巨头最大的软肋。
Google 拥有整个链条： 硬件（TPU）+ 编译器（XLA）+ 框架（JAX）+ 模型（Gemini）。Google 的科学家 Jeff Dean 可以让设计 Gemini 的算法团队直接坐在设计 TPU 的硬件团队对面，告诉他们：“我们需要一个特定的指令集来加速这个算子。”这种协同效应是核爆级的。
反观微软/Meta： 微软虽然造了 Maia 芯片，但它上面的软件栈主要依赖 OpenAI，而 OpenAI 和整个业界主流依赖的是 PyTorch。PyTorch 的亲爹是 Meta，但 PyTorch 对英伟达 GPU 的优化是刻在基因里的。
微软想要 Maia 好用，就得去魔改 PyTorch 底层，或者指望 OpenAI 为了适配 Maia 去重写代码。这中间不仅隔着公司墙，还隔着巨大的技术债务。
只要 PyTorch 依然是业界标准，其他自研芯片就永远是在“模拟”或“适配”英伟达，而 Google 是在玩一套完全独立的游戏规则。
3. 极其特殊的“光互联”基础设施（OCS Infrastructure）
前面提到的 OCS（光路交换）技术，是 Google 数据中心的独门绝技。 Google 为了适配 TPU 的大规模互联，甚至重新设计了数据中心的物理布线和机柜架构。这种光互联技术允许 TPU 节点之间以极低的延迟和功耗进行动态重组。 其他云厂商的数据中心是基于标准以太网架构建设的，想要复刻 Google 这套“光互联”网络，意味着要推翻现有的数据中心物理架构，这个沉没成本是天文数字。
4. 无法比拟的内部“吞吐量”（Internal Workload）
在生成式 AI 爆发之前，Google 就拥有地球上最庞大的 AI 推荐系统——Google Search、YouTube 推荐算法和 Google Ads。
这些业务每天产生数以亿计的并发请求，为 TPU 提供了天然的、海量的“练兵场”。
即便没有外部客户买单，Google 自己的业务就能消化掉 TPU 的产能。这让 Google 敢于在 TPU 早期性能不完善时，强行在内部推广（Dogfooding），通过海量真实数据把芯片“磨”出来。
相比之下，Meta 虽然有推荐算法需求，但起步晚且早期全押注 GPU；微软的 Azure 主要是卖资源给客户，如果自研芯片不好用，客户会直接用脚投票切回英伟达。

英伟达更像 AI 时代英特尔

著名电影《大空投》原型 Michael Burry 曾暗示英伟达正处于类似互联网泡沫时期的境地，不少看空者也认为英伟达与 OpenAI 之间相互投资和采购的关系，吹起了一个巨大的估值泡沫。他们认为一旦泡沫破裂，英伟达就会像 2000 年的 Cisco（思科）一样，股价暴跌 80% 以上。

但我认为，当下的英伟达并不像当年的 Cisco，而更像 PC 黄金时代的 Intel。 Intel 的股价腾飞始于 1993 年，于 2000 年触顶，随后经历了漫长的震荡与调整。 回顾那段历史，我们可以发现惊人的相似性：

- 1993 年之前（群雄逐鹿）： PC 的 CPU 市场处于混战时代，各路架构互不相让。
- 1993 年（霸主确立）： Intel 推出奔腾（Pentium）处理器，凭借强悍的性能一举确立了 CPU 市场的统治地位。
- 1995 年（杀手级应用爆发）： 微软推出 Windows 95，图形界面的革命引发了全球性的 PC 换机潮。受此驱动，Intel 的股价在 1996 年迎来了极高斜率的上涨。
- 2000 年（盛极而衰）： Intel 股价在 2000 年见顶，随后狂跌。这背后既有互联网泡沫破灭的宏观原因，也有 PC 市场渗透率见顶的因素。同时，Intel 在技术路线上遭遇了 AMD 速龙（Athlon）处理器的强力挑战，且在后续的 64 位指令集之争中（安腾项目）犯了严重的战略错误。

2022 年 ChatGPT 的横空出世，就是 AI 时代的 "Windows 95 时刻"，它极大刺激了全行业对于算力基础设施的升级换代。借助这股 AI 浪潮，英伟达正在狂飙突进。现在的英伟达，像极了 1997 年处于巅峰缓慢爬升期的 Intel。

我相信，在未来几年的 AI 算力市场将呈现“一超一强多级”的格局：
- 英伟达（The Generalist King）： 依然是绝对的“一超”。它占据 75%-80% 的市场份额，服务于所有追求通用性、追求开发效率、追求 Time-to-market 的企业。所有的初创公司、大部分云客户、以及需要频繁试错的模型团队，依然只能选英伟达。
- Google TPU（The Specialized Powerhouse）： 它是那个“特种部队”。它守住 Google 自己的万亿帝国，并在超大模型训练这一垂直领域，成为唯一能跟英伟达叫板的“异类”。
- 其他自研芯片和 AMD（AWS Trainium, MS Maia, Meta MTIA）： 它们更多是“成本调节器”。它们会被用于处理那些负载稳定、算法成熟的推理任务（比如每天运行几亿次的简单推荐或聊天机器人推理）。巨头们用它来通过简单的替代降低运营成本，也就是所谓的“省钱芯片”，但很难承担起“探索下一代 AI 前沿”的重任。

Google 的王者归来：全栈自研的胜利

2022 年底 ChatGPT 的横空出世，曾让 Google 这位 AI 领域的先行者显得黯淡无光。然而，站在 2025 年底的今天回望，Google 的表现足以让人刮目相看。
目前的 Google，是全球唯一一家真正实现了AI 全栈自研、软硬件垂直整合的头部厂商。这种整合优势正在形成巨大的飞轮效应：

- 算力底座： 在硬件层面，Google 利用 TPU 大规模集群高效实现了 Gemini 3 模型的训练和推理，摆脱了对外部 GPU 的依赖。
- 生态闭环： 通过多年的技术积累，打造了难以复制的软硬件一体化技术栈生态：JAX / XLA / TPU，极大地提升了研发效率。
- 云端优势： Google Cloud 虽然在市场份额上仍居 Amazon 和 Microsoft 之后，但增速惊人。更重要的是，得益于自研芯片，其 TPU 的租赁费用相比 GPU 拥有显著的价格优势，这对初创公司极具吸引力。
- 模型与成本：Gemini 3 在多项基准测试中已完全不输 GPT-5.1，甚至在长上下文和多模态理解上有所超越。基于自有云和芯片的成本优势，Gemini 能够提供更具竞争力的 API 调用价格，这种“低成本高智能”的反向优势正在快速抢占开发者市场。
- 产品矩阵全面开花：
1. NotebookLM 已成为“杀手级”的 AI 知识库和学习工具，深受科研与教育用户喜爱。
2. 多模态创作： Gemini 现已深度整合 Veo（视频生成）和 Imagen（图像生成），用户可在一个工作流中完成复杂的创作任务。
3. 搜索进化： Google Search 全面推出了 AI Overviews，成功将传统搜索与 AI 问答无缝整合。
4. 交互创新： 最新推出的生成式 UI (Generative UI) 更是令人惊艳，根据用户意图实时生成交互界面。

关键在于，Google 形成了一个从芯片、基础设施、模型到应用产品的完整闭环，各环节还能互相加强。这就好比 Google 一家公司独自完成了“英伟达 + 微软 + OpenAI”三家公司的工作。再加上 Google 全球数十亿的用户基数，以及 Chrome 浏览器和 Android 移动端两大核心入口，其上限不可估量。

为何半年前股价低迷、备受质疑的 Google，能在这半年实现逆袭？
此前市场看衰 Google，主要基于以下隐忧：

- 商业模式挑战： Google Search 靠竞价排名赚钱，市场担心 AI 问答范式会彻底颠覆这一现金牛。
- 大公司病与人才流失： 尽管 AI 大模型的基石——Transformer 论文是 Google 于 2017 年发表的，但果实却被 OpenAI 摘取。CEO Sundar Pichai 被认为过于稳健，缺乏魄力；内部 DeepMind 和 Google Brain 两个顶尖团队曾各自为战，内耗严重，导致许多论文作者离职。
- 模型落后： 在 Gemini 2.5 发布之前，Google 长期被 OpenAI 的 GPT 系列压制，甚至一度不如 Anthropic 的 Claude，面临在 AI 时代掉队的风险。

但在过去两年，Google 成功扭转了局势：

- 搜索护城河依然稳固： 事实证明，Google Search 并未被轻易颠覆，反而通过集成 AI 变得更强。用户在多轮对话中不仅有明确的个性化需求，AI 还能更精准地推荐个性化的产品与服务。广告业务被 AI 范式颠覆的风险被大大高估了。
- 组织架构重塑： 2023 年起，创始人 Sergey Brin 回归一线，深度参与模型开发。Google 将原本竞争的两个 AI 团队合并为 Google DeepMind，由 Demis Hassabis 挂帅。这一举措成功消除了内耗，重新激活了团队的创新力。
- 模型反超：Gemini 3 Pro 如今展现出后来居上的态势，不仅在性能上反超 GPT-5.1，市场占有率也稳步攀升。攻守之势异也，现在压力来到了 OpenAI 一方。

归根结底，AI 时代的核心竞争点依然是谁能做出最强的大模型。
如果 Gemini 弱，Google 的生态优势无从发挥；一旦 Gemini 领先，Google 强大的全栈整合能力就会瞬间爆发，形成降维打击。
最后我想说，英伟达是算力时代的‘卖水人’，而 Google 是全栈 AI 的‘领航员’。它们都是伟大的公司，对于投资者来说，与其在非此即彼的零和博弈中焦虑，不如看到它们各自不可替代的价值——这两者都值得你们同时拥有。

#AI产业 #大模型 #AI基础设施 #GPU #Gemini #TPU #JAX #XLA #CUDA #谷歌 #英伟达 November 11, 2025

＜台湾ROCと中華人民共和国PRCの関係をどう整理すべきか：継続性の原理の限界と問題点＞

国際法における継続性の原理とは、政府の交替（regime change）があっても国家の同一性（state identity）は失われないという原則である。しかし、この原理には以下のような 内在的限界 と 重大な問題点 が存在する。

1. 歴史的主体と現在の主体を同一視してしまう危険性

継続性の原理は、
・歴史的に存在した国家主体（例：中華民国ROCの「中国」）
・現在、代表者とみなされている主体（例：中華人民共和国PRCの「中国」）
を、自動的に一つの連続した統一体であるかのように扱う。

その結果： 歴史上の戦勝国（ROC）と 現在の国連代表（PRC） が容易に混同され、歴史的文脈の書き換えや政治的に恣意的な利用を可能にしてしまう。

※<中華民国（ROC）と中華人民共和国（PRC）の区別をぼかす中共のナラティブ>
カイロ宣言・ポツダム宣言の時点での「中国」とは誰か・・・⇨https://t.co/qbhh2Zbyqv

2. 実効支配という現実を反映しない（現実軽視の構造）

継続性の原理は以下の重要な現実要素を考慮しない：

地域の実際の統治・行政
住民の政治的意思
政治体制の断絶・変容

例：たとえROC中華民国が台湾を完全に実効支配していても、継続性の原理は抽象的な「一つの中国」構造を優先し、法的抽象と経験的現実との乖離 を生む。

3. 代表権に関する政治的決定を国家の本質的属性と混同する危険性

国連総会決議2758号のような 代表権に関する決定 は、 政治的妥協の産物であり、以下を判断していない。

主権の所在
領土帰属や領有権
歴史的正統性

しかし、継続性の原理を過度に適用すると、 代表権＝国家の同一性＝領土主権 という誤った認識が生じる。これは国際法の適切な範囲を超えた誤用であり、中華人民共和国PRCの政治的ナラティブに利用されやすい構造的弱点となる。

4. 「国際法だけが現実である」という見方は、国際秩序を一面的に捉える誤った理解

その理由は明確である。

（1）PRCの「代表権」は、法制度上のまったく別レイヤーで動いている。

国連総会決議2758号が行ったのは：
「中国」の代表者をPRCとすること ROCを国連システムから排除すること

しかし、同決議は以下については一切判断していない：

台湾の領土帰属
ROCによる実効支配の有効性
カイロ宣言・ポツダム宣言など戦後処理に関与した歴史主体（ROC）の置換

つまり、2758号は 代表権の移転 であり、 主権の裁定ではない。

（2）実効支配は客観的事実であり、国際法も無視できない

台湾（ROC）は：
独自の政府
独自の軍事力
独自の行政体系
独自の領域統治
を保持する 完全な実効支配主体（subject of effective control） である。

国際法では、実効支配は領土状態を評価する最重要基準の一つであり、いかなる政治ナラティブもこれを否定できない。 したがって： 台湾の実効支配は動かしがたい現実であり、 PRCの「領土一体性」主張では覆し得ない。

＜最終結論＞

現実の国際秩序は、以下の 三層構造 で成り立っている： ①歴史的主体（ROC）
②実効支配という現実（ROC／PRC）
③国際法上の「中国」代表（PRC）
この多層構造を単一の層に単純化・還元して理解することは、現実を根本的に見誤る。

※⇩これら三つは一致しない。 不一致そのものが国際秩序の構造的現実である。 特に国際法上の代表権を“唯一の現実”とみなすことは、 国際秩序を過度に単純化した誤った理解である。 November 11, 2025

皆様、おは揚子江です～‼️

本日予定していた朝ゲは急用により延期させていただきます😵
乱米が「CONTROL」をプレイできる日は来るのか⁉️

夜21:00からは特別企画、食欲ガマン同時視聴だよ🤤
美味しいもの準備して集合だ～🍽️

待機所：https://t.co/6vKKxVw9uK

#おはようVTuber https://t.co/BYgZJekivd November 11, 2025

以前から気になってたOne Control のPersian Green Screamer。

JCやFender Blackface系の「どクリーン」なアンプで弾いても、歪み成分が分離せず、心地良く歪んでくれる。

ヘッドルーム切替スイッチも付いてて、電池も使える。最高👍 https://t.co/4BAXXDkbuV November 11, 2025

#ブレヒロ #ブレヒロABC #indiedev #indiegame #AI
#anythingappchallenge

⚔️ 3分でマスター！新作カードバトル「Nyano Spells」⚔️

【超シンプルなルール】
✅ マナを貯めてユニット召喚
✅ 相手リーダーのHPを0にしたら勝ち
✅ それだけ！

【でも奥が深い】
🔥 盤面を制圧する？直接攻撃？
🔥 あなたの判断が勝敗を分ける
🔥 何度でも遊べる戦略性

誰でもすぐに始められて、
でも極めるのは難しい。
それが「Nyano Spells」🃏

ニャノスぺで待ってる！

クリアしたときのスクショと、
リプランにブレヒロID貼ってください。
なんかプレゼントします！

⚔️ Master in 3 Minutes! New Card Battler "Nyano Spells" ⚔️
【Super Simple Rules】
✅ Gather mana and summon units
✅ Reduce opponent leader's HP to 0 to win
✅ That's it! 【But Deeply Strategic】
🔥 Control the board? Or attack directly?
🔥 Your decisions determine victory
🔥 Endless strategic depth Easy to learn, Hard to master. That's "Nyano Spells"
🃏 Start playing now and discover your ultimate deck ✨

https://t.co/fYrxA5vZrD November 11, 2025

OVAL SISTEM
「風に舞う戦士」
Lucachi’s Orbit Control
TKサインからズームアウトでスタート
3人の衣装もそれぞれ良かったですっ https://t.co/uWmyBUTVtN November 11, 2025

hailuoで動画化
パーツが多いと失敗率が上がるみたいだけど、こいつぁすげえ🤩✨

OBJECT NAME=Lamborghini Sián Roadster, a limited-edition.
"FirstFrame":{
Prompt OBJECT NAME kısmına istediğiniz ürünü nesneyi yazın ve isterseniz aspect ratio yu da isrediğiniz şekile değiştirin { "promptDetails": { "description": "Ultra-detailed exploded technical infographic of {OBJECT_NAME}, shown in a 3/4 front isometric view. The object is partially transparent and opened, with its key internal and external components separated and floating around the main body in a clean exploded-view layout. Show all major parts typical for {OBJECT_NAME}: outer shell/panels, structural frame, primary electronics/boards, power system/battery or PSU, ports/connectors, display or interface elements if present, input controls/buttons, mechanical modules (motors/gears/fans/hinges) if applicable, speakers/microphones if applicable, cables/flex ribbons, screws/brackets, and EMI/thermal shielding. Use thin white callout leader lines and numbered labels in a minimalist sans-serif font. Background: smooth dark gray studio backdrop. Lighting: soft, even, high-end product render lighting with subtle reflections. Style: photoreal 3D CAD render, industrial design presentation, high contrast, razor-sharp, 8K, clean composition, no clutter.", "styleTags": [ "Exploded View", "Technical Infographic", "Photoreal 3D CAD Render", "Industrial Design Presentation", "Minimalist Labels", "Dark Studio Background" ] }, "negativePrompt": "no people, no messy layout, no extra components, no brand logos, no text blur, no cartoon, no low-poly, no watermark, no distorted perspective, no heavy noise", "generationHints": { "aspectRatio": "2:3", "detailLevel": "ultra", "stylization": "low-medium", "camera": { "angle": "3/4 front isometric", "lens": "product render perspective" }, "lighting": "soft even studio lighting, subtle reflections", "background": "smooth dark gray seamless backdrop" } }
},
"LastFrame":{
"promptDetails": { "description": "Lamborghini Sián Roadster, a limited-edition"}
} November 11, 2025

【Launch Control XL3とComponentsの活用方法】をFreaky Tweaky Yebisu303さんが紹介✨

解説動画では製品の基本概要とカスタムモードの活用方法のほか、#DAW とハードウェアを組み合わせたライブセットを快適に操作するためのノウハウが存分に詰め込まれています☝️👓🪩

設定データのロード方法など基本的な操作はもちろん、実機と画面の2画面での解説や構成図や表を使ってかなりわかりやすく解説していただいています！👩‍💻🔥

より現代的に進化した #LaunchControlXL3 と用途に合わせた柔軟なカスタマイズが可能なNovation Componentsで今すぐ新しい自由を創造しよう🫵⚡️⚡️⚡️

Novation Launch Control XL 3 & Components: 製品の基本概要とカスタムモードの活用方法
↓↓↓↓↓
https://t.co/pU2hyA3K8t

🎥：@ybs303

#Novation #楽曲制作 #DTM #MIDIコントローラー #MIDIキーボード November 11, 2025

マライアはジャンルの交配が得意
新たなジャンルを生み出す人

R&B × HipHop
Pop × Gospel
R&B × Reggae (Cruise Control)
R&B × Afrobeats (Obsessed 2024リミックス的な方向性 も想像できる）

だから #アマピアノ のロングビルドや #サブベース の跳ね方をMC流に再構築するのは絶対に面白い November 11, 2025

人为什么能成功？

大家给出的答案五花八门：天赋、资源、人脉、机遇……听起来都对，但没有普遍性。

可一旦真正去研究那些走得远、穿越周期的“长期成功者”，就会发现一个特别扎眼的共同点：

不是聪明，不是背景，而是两个东西：自控力（self-control）和毅力（grit）。

自控力是什么？

就是在短期诱惑面前，依然能稳住自己的注意力、情绪和行为。

别人被情绪带跑，你还能按计划走；别人被欲望勾走，你还能按原则做。

简单说就是别人被当下拖走，你能把自己拉回来。

毅力又是什么？

就是哪怕被现实揍得鼻青脸肿，你仍然盯着那个最高级别的核心目标不放。

一年不够，坚持三年；三年不够，坚持十年。

简单说：别人半路放弃，你却一直走到最后。

天赋决定起点，自控力和毅力决定终点。

这就是底层逻辑。 November 11, 2025

明日はこちら！
CHAOS CONTROLは年内ラストステージ！！
ワンマン楽しみましょうね❤️‍🔥🤘

リハしてきたからね〜 https://t.co/OoP8gOzrX0 https://t.co/gk2xWfn846 November 11, 2025

昨日の現場

Chaos Control One Man
at 渋谷 GUILTY

回数を重ねるごとにアットホーム感！
しかし、音はイカツイ！🔥
楽しかったです！

#ChaosControl https://t.co/2ctTsizc9y November 11, 2025

おつゆりです
明日はお昼1時からControlを、夜の21時からはメン限お正月イラスト描きます
枠は帰宅後出しますね
ぜひ楽しみにしててください！
来週の配信予定はお昼頃出す予定です

それじゃ皆今日もお互いゆったり休んでねおやすみなさい
#おやすみVtuber https://t.co/LaZuyE47d4 November 11, 2025