
【改めて自己紹介】元宇宙研究者が目指す、生成AIを活用して法人企業立ち上げ
はじめに
この記事は2026年11月に内容を更新しています(初公開:2026年3月)。以前にも自己紹介記事を書いたのですが、あれから仕事の内容も、考えていることも大きく変わりました。なので、改めて「自分が何者で、どこに向かっているのか」を書き直すことにしました。
結論から言うと、生成AIを活用した法人企業の立ち上げを目指しています。
この記事では、なぜそう考えるようになったのか、経歴と合わせて書いていきます。
経歴のダイジェスト

まず、ざっくり経歴をまとめます。
大学〜大学院:物理学を専攻。学部3年後半から宇宙理論の研究室で暗黒物質の分布シミュレーションを研究
新卒〜3年目:IT企業に入社。機械学習エンジニアとして、生成AI活用・強化学習(通算4年)などの実務に取り組む
4年目〜現在:転職し、生成AIを推進する事業部に所属。LLMの比較検証やエージェント開発を担当
ここからは、それぞれのフェーズで何を考えていたかを、もう少し詳しく書きます。
勉強だけが武器だった学生時代
母子家庭で育ちました。
家に余裕があったわけではなく、母はいつも忙しかった。小中学校時代の自分はかなりやんちゃで、今思い返すと母には迷惑をかけていたと思います。
ただ、ひとつだけ自信が持てることがありました。勉強です。
テストで結果を出すと、周りの見る目が変わる。母も喜ぶ。それが嬉しくて、気づけば高校まで校内1位を取り続けていました。ちなみに運動は壊滅的にダメで、体育の評定は5段階中の3。筆記テストだけでどうにか3をキープしていた記憶があります。
振り返ると、「限られた手札で、どう結果を最大化するか」という発想は、この時期に身についたのだと思います。この発想は、後のキャリアでも、そして今考えている事業でも、ずっと変わっていません。
宇宙物理の研究で得たもの
大学では物理学を専攻し、学部3年後半から宇宙物理の研究室に入りました。
テーマは暗黒物質の分布シミュレーション。宇宙の全質量の約85%を占めるとされるのに直接観測できない「暗黒物質」が、どのように分布しているかをコンピュータ上で再現する研究です。
膨大なデータを扱い、モデルを組み、パラメータを調整して結果を出す。この作業を繰り返す中で、ある気づきがありました。
自分はシミュレーションの「結果」よりも、「モデルを作るプロセス」に没頭している。
データを整形し、特徴を見つけ、モデルの精度を上げていく過程そのものが面白くてたまらなかった。「自分が本当にやりたいのは、データから何かを見出して形にする仕事なのではないか」——そう思い始めたのが、IT業界に進むきっかけです。
宇宙物理の研究で得た最大の財産は、「複雑な現象を、シンプルな構造で捉え直す」という思考法です。無数の粒子が複雑に相互作用する宇宙を、シンプルな方程式で近似する。この変換のスキルは、機械学習でも生成AIでも、そしてビジネスの設計でも使えるものだと実感しています。
IT業界での最初の3年間
新卒でIT企業に入り、機械学習エンジニアとして働き始めました。
最初の3年間は、生成AIの業務活用、機械学習の幅広い知識の応用、そして強化学習の実務に取り組みました。強化学習は計4年の実務経験になります。
Signateグランドマスター / 総合7位

この時期に大きく成長できたのは、データサイエンスの競技プラットフォーム「Signate」に取り組んだことです。グランドマスターを取得し、総合ランキング7位に到達しました。
日本主催の時系列データ予測コンペでは4位入賞。入賞できた要因は、複雑な時系列データの中から、シンプルで効果的な特徴量を見つけ出せたことでした。
GitHub Copilotで10倍以上の速度改善
もう一つ、この時期の大きな経験がGitHub Copilotを活用した速度改善です。
あるプロジェクトで、PythonのシミュレーションコードをC++に変換する必要がありました。Copilotを使ってコードを変換した結果、ベンチマーク計測で10倍以上の速度改善を達成しています。
ただ、この経験で最も学んだのは「AIツールの凄さ」ではなく、AIに任せられる部分と、人間が設計しなければならない部分の境界でした。
Copilotが変換してくれるのはコードの内部ロジック。でも、PythonとC++の境界設計——型の扱い、メモリ管理、呼び出しインターフェース——は自分で考える必要がありました。実は、コード変換そのものよりも、この境界設計に一番時間がかかった。
AIは手を動かしてくれる。でも「何をどう分割して、どこをAIに任せるか」の判断は人間にしかできない。
この気づきは、今の自分の発信にも、事業を考える上でも根底にあります。
転職と、今の仕事
社会人4年目に転職しました。現在は、生成AIを推進する事業部に所属しています。
ここで、転職後に学んだことを書いた記事でよく読まれている記事を3本紹介します。
Claude Codeをチームに配ろうとしているリーダー・情シス担当へ。配布前に決めておく設定の基本です
AIに仕事を任せる働き方に興味がある人へ。Claudeを『第一AI秘書』として実際に回している運用の記録です
最後に溜まったメモや資料を『使える知識』に変えたい人へ。ObsidianとNotebookLMを連携させて、情報収集がどう変わったかを書きました
モデルの比較検証
特定のタスクに対して、Claude、GPT、Geminiのどれが最適かを検証しています。
ポイントは、性能だけで判断しないこと。コスト面も含めた総合的な効率を見ます。「このタスクならClaudeが精度は一番。でもコストを考えるとGemini Flashの方が現実的」——こういう判断を実データに基づいて行う仕事です。
モデル比較の実例です。Fable 5.1と5.2を同じ手順で測り比べたら、完了コストは77%下がりました
コーディングエージェントの比較検証
Codex、Antigravity、Claude Codeなど、コーディング支援ツールのどれがどの場面で効果的かの検証を監督しています。
「全部Claudeで良い」とはなりません。タスクの種類、コードベースの規模、チームの習熟度によって最適解は変わる。この知見はnoteの記事にも反映しています。
コーディング支援ツールを使い分けたい人へ。開発フェーズ別にCursorやClaude Codeなどの選び方を整理したガイドです
なぜ法人立ち上げを目指すのか
ここからが本題です。
なぜエンジニアとして働きながら、法人企業の立ち上げを考えているのか。
きっかけ:「使いこなせていない」企業が多すぎる
今の事業部で、さまざまな企業の生成AI導入を見てきました。そして、強く感じていることがあります。
生成AIツールを「導入した」企業は増えた。でも「使いこなしている」企業はほとんどない。
ClaudeやGPTのライセンスを購入して全社導入しても、現場のエンジニアが「なんとなく使って、なんとなく出てきたコードを採用する」状態では、投資に見合った成果は出ません。
前職で新人エンジニアの育成を約2年間担当していたときも、同じ光景を見てきました。ツール自体は使えるけど、「どう指示を出せば再現性のある結果が返ってくるか」がわからない。
これは個人の能力の問題ではなく、「生成AIの効果的な使い方」を体系的に教えられる人がまだ少ないという構造的な問題です。
自分の強みが活きる領域だと確信した
自分には、以下の強みがあります。
モデル比較の実務経験:Claude / GPT / Geminiの特性を、コスト込みで判断できる
コーディングエージェントの検証経験:Codex / Antigravity / Claude Codeの使い分けを実データで語れる
強化学習4年+Signateグランドマスター:MLの基礎理論と実装の両方がわかる
新人育成の経験:技術を「伝える」スキルがある
エージェント開発の実績:システム構築の実務経験がある
インフラ構築の実績:AIエージェントやアプリの基盤となるインフラ構築の実務経験がある
これらを掛け合わせれば、企業の生成AI活用を「導入」から「成果が出る運用」に変えるサービスを作れると考えています。
目指している事業の方向性
まだ構想段階ですが、方向性としては以下を考えています。
企業向けの生成AI活用コンサルティング
エンジニアチーム向けのAIツール活用研修
特定業務に特化したLLMシステムの受託開発
いずれも、「ツールを導入して終わり」ではなく、「現場で成果が出る状態」まで伴走するサービスにしたい。自分が本業と発信活動で蓄積している知見を、事業として形にしていくつもりです。
なぜ今なのか
生成AIの技術は、今まさに急速に進化しています。
半年前にベストプラクティスだった使い方が、今は通用しなくなっていることもある。だからこそ、「現場で最新のツールを使い続けている人間」が事業を作る意味があると思っています。
評論家ではなく、自分で手を動かして検証している実践者だからこそ提供できる価値があるはずです。
このアカウントで発信すること
法人立ち上げに向けて、このnoteとXでは以下の内容を発信していきます。
メイン:生成AIツールの実務活用
Codex、Claude Code、Antigravity CLI(旧Gemini CLI)などを実務でどう使っているかを具体的に書いています。
発信スタンスは、「試してみた」ではなく「こうしたら、こう変わった」です。実務ですぐ使える、再現性のある知見を共有します。
サブ①:言語モデルの違いと選び方
Claude、GPT、Gemini——モデルが乱立する中で、「結局どれを使えばいいの?」という疑問に答えます。本業でモデル比較検証をしているので、実データに基づいた判断基準を共有できます。
サブ②:生成AIの最新ニュース解説
OpenAI、Anthropic、Googleの最新ニュースを、エンジニア視点で解説しています。単なるニュース紹介ではなく、「エンジニアの実務にどう影響するか」まで踏み込みます。
サブ③:エンジニアの生産性最適化
睡眠、集中力、習慣設計。論文やデータベースの科学的根拠をベースに、エンジニアの働き方に特化した切り口で書いています。noteのマガジンでシリーズ化中です。
実績まとめ
競技実績
Signate グランドマスター / 総合ランキング7位到達
日本主催の時系列データ予測コンペ 4位入賞
技術実績
強化学習の実務経験 4年
GitHub Copilotを活用し、シミュレーション速度を10倍以上改善
RAGを用いた社内チャットボットの構築
ADKを活用した独自エージェントの開発
Claude / GPT / Geminiのモデル比較検証(コスト含む)
Copilot / Codex / Antigravity / Claude Codeの比較検証を監督
育成実績
新人エンジニア育成の担当経験(約2年)
深く知りたい方へ
さらに深く知りたい方へ、実務でそのまま使える形にまとめた有料記事とマガジンも置いておきます。
Claude Codeを実務の開発で使い倒したいエンジニア向けに、実測データつきで手順化した実践ガイドです(¥300)
第2の脳を自分の手で作りたい人向け。個人Wikiを最小構成から育てる方法を解説しています(¥300)
会社で生成AIの推進を任された人向け。最初の90日でやることをまとめたマガジンです(¥980)
こんな人に読んでほしい
Claude CodeやCodex CLIを導入したけど、思ったほど効率が上がらない人
Claude、GPT、Geminiのどれを使えばいいか迷っている人
生成AIを実務に活かしたいけど、具体的な方法がわからない人
強化学習やML全般に興味があるエンジニア
生成AI分野で独立や起業を考えているエンジニア
最後に
自分は有名なインフルエンサーでも、天才エンジニアでもありません。
母子家庭で育ち、勉強だけを武器にしてきた29歳のエンジニアです。
ただ、「限られた手札で、どう最大の結果を出すか」をずっと考えてきました。テストで1位を取り続けたのも、Signateで7位に到達したのも、生成AIで実務を効率化しているのも、根っこの発想は同じです。
次のステージとして、この知見を事業として形にしていきます。
noteでは、その過程で得た実践知を、再現性のある形で共有していきます。Xでは毎日投稿しています。気になった方はフォローしてもらえると嬉しいです。
一緒に、生成AIを「なんとなく使う」から「成果が出る使い方」に変えていきましょう。