A personal paper for game creators
週末の為替は新材料待ち。8月後半の野菜、NASAデータを使う河川予測、チーム戦の二種類の『存在感』、そして視覚的快の3Sモデルをまとめます。
週末で市場は休場。先週のドル安を追わず、来週の重要イベントを先に見る。
Reutersによると、8月21日のドルは米長期債買い戻し策への懸念から対ユーロで3か月ぶりの安値圏となり、円は1ドル159.01円付近まで小幅に上昇しました。長期金利は高止まりしているのにドルが強くないため、『金利上昇＝ドル高』と単純には読みにくい局面です。[01]
Fed公式日程ではKevin Warsh議長のJackson Hole基調講演は8月28日10:00（米東部時間）です。7月FOMC後の政策説明が曖昧だったため、市場はインフレと利上げ姿勢の明確化を待っています。[02]
週末時点では新しい為替レートを作る材料はありません。先週の値動きだけを見て方向を決めるより、来週の米企業決算とWarsh講演をイベントリスクとして分けて考える方が安全です。
USD/JPY・AUD/JPYとも一括交換は急がず、必要なら少額ずつ。特に8月28日前後は発言で振れやすいため、直前にまとめて動かすよりイベント通過後も候補に残します。
新しい月次見通しはなし。8月後半の『高め』と『平年並み』をそのまま買い分ける。
農林水産省の最新8月見通しでは、東京都中央卸売市場向けのトマトは8月後半に平年を上回り、ほうれんそう・きゅうりも8月を通してやや平年を上回る見込みです。一方、にんじん・はくさいは後半に平年並みへ戻る見込みです。[03]
だいこん、キャベツ、ピーマン、ばれいしょ、たまねぎは概ね平年並み。にんじんとはくさいも後半は平年並みの見込みです。[03]
生トマトが高ければ加熱料理は缶・紙パックへ。ほうれんそうは冷凍品、きゅうりを使う副菜はキャベツ・もやし・にんじんへ寄せると価格差を吸収しやすいです。
平年並み品を買うなら、にんじんは千切り冷凍やナムル、じゃがいも・たまねぎは常温ストック向き。目立った新しい公式変化はありません。
衛星観測を『見る』だけでなく、2時間ごとの運用判断へつなぐ。
NASAは2026年8月20日、米西部の2026年『雪不足』の影響を対象に、衛星の積雪・植生データを機械学習へ組み込んだ河川流量予測が、ワシントン州のTacoma Powerなどで水力発電・洪水対応・貯水判断に使われている事例を公表しました。[04]
Upstream TechのHydroForecastはNASAのVIIRS由来の積雪・植生情報、気象予報、実測流量を組み合わせ、短期モデルを2時間ごとに更新します。Cowlitz川流域では2025-26冬の積雪が平年の20〜50％程度にとどまりました。[04]
予測は単一の自動判断にせず、流量計・積雪観測・運用者判断と併用されています。春には流入不足を見越して貯水量を高めに維持する一方、次の豪雨を受ける余裕が減るため短期予報で防御する、というトレードオフがあります。
編集上の応用：ゲームの運営・難易度調整でも、単一KPIを自動制御へ直結させず、『長期予測』と『短期異常検知』を別レイヤーにすると、先読みと事故対応を両立しやすくなります。
チーム戦の社会的体験は『味方がいる』と『敵がいる』を別々に見る。
Lauren WinterとPaul Cairnsが2026年7月3日に採択されたCHI PLAY 2026論文で、League of Legendsプレイヤー137人を対象に、チーム内のcopresenceとチーム間のcompresenceがプレイヤー体験とどう関係するかを質問紙で調べました。[05]
copresenceとcompresenceには相関があり、その関係には『meaning』と『challenge』が共変量として関わりました。一方、調べたプレイヤー体験要因の中に、この二つの関係を有意に調整するものは見つかりませんでした。[05]
137人の横断的な質問紙調査なので、『敵の存在感を強めれば味方との一体感が増す』といった因果までは示していません。対象もLeague of Legendsに限定されています。
編集上の応用：PvPチーム戦のテストでは『仲間との一体感』と『相手チームを意識している感覚』を一つの社会性スコアにまとめず、別々に質問する。敵の可視性・煽り・戦況提示と、味方の連携UI・共同目標を切り分けて検証しやすくなります。
神経美学 #28。複雑さの『ちょうどいい』は、認識の報酬と処理コストの釣り合いかもしれない。
トロント大学のDirk B. Waltherが2026年6月27日にオンライン公表したレビュー・理論論文は、視覚刺激の美的快を、カテゴリー認識から得られる報酬と神経活動の代謝コストの折り合いとして説明する『3S（sweet spot of seeing）』モデルを提案しました。[06]
刺激をうまくカテゴリー化できること自体に知覚・一般化・計画上の価値があり、それが快へ寄与する一方、過度に密集した画像や統計的に極端な画像は処理コストを増やす、と整理しています。複雑さと好みの逆U字関係をこの情報量とコストのトレードオフで説明します。[06]
新しい参加者実験ではなく、既存知見を統合した理論モデルです。文化・自己関連性・熟達など、後段の認知的な美的体験を否定するものでもありません。
編集上の応用：UIや画面密度の評価では『情報量を減らせば美しい』と固定せず、プレイヤーが意味のあるまとまりとして素早くカテゴリー化できるかを見る。熟達者には同じ画面が低コストになる可能性があるため、初心者と経験者で密度評価を分ける価値があります。
本文初出順の直接リンク。