情報の共有と情報の集積

 


【 情報の共有と情報の集積 】

21世紀初頭の四半世紀は、現在のBig Tech の覇権が確立した時期でした。同時にこの時期は、20世紀末から始まったインターネット上のオープンな情報共有が、史上例を見ないほどに拡大した時期でもあります。そのいくつかを見ておきましょう。

【 arXiv 】

1991年8月14日に開始されたarXiv.orgは、査読なしで科学論文を公開するサイトですが、その掲載論文数は、2008年10月3日に50万件を突破し、2014年末までに100万件、2021年末までに200万件に達しました。 2024年11月現在、投稿数は月間約24,000件だと言います。数学や物理学の多くの分野では、査読付きジャーナルに掲載される前に、ほぼ全ての論文がarXivリポジトリに自己アーカイブされていま（ https://en.wikipedia.org/wiki/ArXiv より )

【 GitHub 】

GitHub  は、開発者がコードを作成、保存、管理、共有できる開発者向けプラットフォームです。一般的にオープンソースソフトウェア開発プロジェクトのホスティングに利用されています。2023年1月時点で、GitHubは1億人以上の開発者と4億2000万以上のリポジトリ（少なくとも2800万の公開リポジトリを含む）を擁すると報告しています。2024年には500万以上のオープンソースプロジェクトに対し、50億件以上の開発者の貢献が行われたと言われています。（ https://en.wikipedia.org/wiki/GitHub より ）’

【 WikiPedia 】

2001年にジミー・ウェールズとラリー・サンガーによって創設された WikiPedia は、史上最大かつ最も読まれている参考書であると言われています。当初は英語版のみでしたが、現在では340以上の言語で提供され、世界で9番目にアクセス数の多いウェブサイトに成長しています。英語版ウィキペディアは700万以上の記事を擁し最大ですが、全部の言語版を合わせると6500万以上の記事があり、2024年4月時点で月間15億以上のユニークデバイスアクセスと1300万回の編集アクセスを集めていると言います。
（ https://en.wikipedia.org/wiki/Wikipedia より）

【 SNS 】

現在のネットワーク上の情報共有で、もっともトラフィックが多いのは、SNSだと思います。また、現代社会でのそれが果たしている役割は、独特なものです。ただ、「機械が言語能力を獲得した」ことを言語の歴史の中でどう考えるかというテーマからは、少し離れたトピックだと僕は考えています。もっとも言語の利用に関わるIT技術の変化では、SNSの登場は大きな役割を果たしてきました。今後の展開の中で、折に触れて考えていきたいと思います。当面の僕の関心は、「累積的な知」の変化にあります。

【 情報共有の飛躍的な拡大が、巨大な情報の集積を生み出した 】

重要なことは、インターネット上の情報共有の飛躍的な拡大が、インターネット上に巨大な情報の集積を生み出したことです。この情報の集積・蓄積の過程は、ある時期までは人間同士の情報共有の副産物にすぎなかったかもしれません。

より重要なことは、この情報の集積・蓄積の過程が、「機械にも読むことのできる」機械可読な情報の集積・蓄積の過程として進行したことです。

Wikipediaのページ ”List of datasets for machine-learning research”
https://en.wikipedia.org/wiki/List_of_datasets_for_machine-learning_research に、機械が学習可能なデータを公開しているポータルとデータセットの膨大なリストがあります。

【 機械可読な情報の集積・蓄積が、生成AIと大規模言語モデルを準備した 】

ネットワークに蓄積された情報は、人間だけでなく機械にとっても可読であり、また、ネットワークへのアクセスは人間だけでなく機械にとっても容易に利用可能です。

こうした条件は、ネットワーク上の情報の交換・蓄積・共有の過程にとって、これまでは人間の役割を補完するささやかな「代理人」に過ぎなかった機械の能力(かつて、Webの世界ではブラウザーのことをAgentと呼んでいました)が 、自律的なものとして飛躍的に発展する時代を準備しました。こうして登場したのが、現代のAI技術です。

「機械可読」な情報の集積こそが、2010年代のDeep Learning の時代から2020年代の大規模言語モデルを中核とした新しいAI技術の時代への飛躍を可能にしました。

【 文字と文字コード 】

前回予告した、話し聴くことば → 読み書きする文字 → ？ の話、言語の第三の形態はどういうものかの話、まだしていませんでした。

一つの候補は、ことばを機械にも理解可能にした最初の貢献者は、機械上で文字を表現する「文字コード」です。文字と文字コードは違うものです。でも、ことば → 文字 → 文字コード じゃ、あまり、面白くありません。

予告した約束を破るのもなんなので、僕が考えている言語の第三番目の形態の候補を、説明抜きで述べてみたいと思います。

僕は、それを Embedding (ことばの多次元ベクトルによる数値表現)だと考えています。詳しくは次回に。


コメント

コメントを投稿

このブログの人気の投稿

初めにことばありき

旧約の「創世記」の「光よあれ」は、ビッグバンを思わせて、物理学者はちょっと萌えるかもしれないのだが、新約の「ヨハネによる福音書」には、言語学者が喜びそうなフレーズがある。 「初めに言があった。言は神と共にあった。言は神であった。」 僕が知っていたのは、「はじめにことばありき」という訳だったのだが。この口語訳での「言」は、英訳だとこうなっている。 "In the beginning was the Word, and the Word was with God, and the Word was God." 「言」= "Word" である。はじめにあったのは、Wordであって、Language ではない。だから、新しい口語訳では、普段、あまり馴染みない「言」という訳語を使ったのかも。「初めに語があった」では、なんかしまらないんだろうな。（僕は、「はじめにことばありき」というフレーズの方が好きだ。） ちなみに、「ヨハネによる福音書」は、英語では、"Gospel of John" という。「ジョンのゴスペル」である。でも、そう日本語に訳してしまうと、ジョン・レノンがバラードではなく、ゴスペルを歌っているようで、まずいんだろうな。 「ことば」・「言」・"Word" と訳されている、元々の言葉を調べてみると面白い。 キリスト教のオーソドックスな原典であるラテン語訳聖書では、この部分は、こうなる。 "In principio erat Verbum, et Verbum erat apud Deum, et Deus erat Verbum" 「イン・プリンキピオー・エラト・ウェルブム」 英訳 Word のラテン語の原語は、Verbum である。この単語、英語に直訳すれば、Verbである。「初めに、動詞があった。」　言語学の「従属性文法 (Dependency Grammar) 」理論の人たち、喜びそう。 もっとも、英語のVerbは、元々は、動詞というより広く言葉全体をさしてたらしい。そのことは、「ノンバーバル・コミュニケーション (Non-Verbal Communication) 」というのが、動詞を使わないコミュニケーション...
続きを読む

密度行列とは何か？

これまで、量子の状態をベクトルで表現してきました。例えば、量子ビットの状態は、状態ベクトルで表せば、|qubit> = a|0>+b|1> と、二つの状態ベクトルの「重ね合わせ」（ベクトルの和です）で表現されました。 それに対して、密度行列は、量子のシステムの状態を行列で表現したものです。では、どの　ようにしてベクトルで表される量子の状態を、行列で表すのでしょう？ 次のように考えます。ある量子システムで、状態|ψ_i>である確率をp_iとしましょう。この時、確率p_iを成分とする行列を考えます。 |qubit> = a|0>+b|1> の場合なら、|0>である確率p_0は |a|^2で、|1>である確率p_1は |b|^2になりますので、p_0とp_1、すなわち、|a|^2と|b|^2を成分とする行列を考えることにします。 ここでは、ベクトルの外積が行列になることを利用します。それでは、外積で作られる行列のどこにこの成分を割り当てるか考えましょう。うまい方法があります。 外積 |0><0|は、0行0列目の成分だけが1で、残りの成分は全て0の行列です。同様に、外積|1><1|は、1行1列目の成分だけが1で、残りの成分は全て0の行列です。 この時、p_0|0><0| + p_1|1><1|という行列として密度行列を定義します。0行0列目の成分がp_0で、1行1列目の成分がp_1の行列です。 　● 状態ベクトルを使った表示 　　　|qubit> = a|0>+b|1> 　● 密度行列を使った表示 　　　ρ = p_0|0><0| + p_1|1><1| = |a|^2|0><0| + |b|^2|1><1| 状態ベクトルを使った表示に出てくる a, bは複素数ですが、密度行列を使った表示に出てくる p_0, p_1 は、確率ですので 0と1の間に値を持つ実数です。これは、二つの表示スタイルの大きな違いです。 密度行列を作るのに利用した、確率 p_iと状態|ψ_i>のペア { p_i, |ψ_i> }の集まりを、「pureな状態のアンサンブル」といいます。その意味は、この量子システムで、状態|ψ_...
続きを読む

「複雑性理論」は「複雑系」の議論とは別のものです

イメージ
「複雑性理論」を、以前に少し流行したことのある「複雑系」の議論と同じものだろうと誤解されていることに、最近気づきました。当然ありうる誤解なのに、迂闊でした。 確かに、対象が「複雑さ」だと思えば、一部分は重なるところもあるのですが、「複雑性理論」と「複雑系」の議論は、まったく違うものです。 現在の「複雑性理論」の歴史をたどると、二つの起源にたどり着きます。 一つは、20世紀初頭からの数学の基礎付けをめぐる探求です。ヒルベルトの「有限の立場」にはじまり、ゲーデルの「不完全性定理」が衝撃を与え、「チャーチ＝チューリングの提言」で「実効的な」「計算可能性」概念が、いったん定式化されるといった一連の流れです。 もう一つは、20世紀の中盤以降、コンピュータ技術が爆発的に発達する中で生まれた「計算量理論」「計算複雑性理論」です。そこでの最大の気づきは、「実際に」コンピュータで計算できるものを考えると、「多項式」で表現される計算時間と、「指数関数」で表現される計算時間とには、「質的」な違いがあるのではというものでした。（この計算複雑性理論の中心的な問題である「P=NP？問題」は、今に至るも解決されていません。） 二つの流れは、別々のものでした。 前者は、人間の数学的認識の原理的「限界」に関わるもので、後者はコンピュータによる計算の具体的「限界」に関わるものです。 ただ、人工知能をめぐる基本的な問題が、最終的には、人間の知能の機械による実現は可能かということであるなら、両者は結びつきます。なぜなら、人工知能は人間の数学的認識をも実現するものでなければならないし、それはまた、実際のコンピュータ上で実装されなければならないからです。 人間の知能の本質を、「計算」として捉える立場を、「計算主義」と言います。それは、現在のディープラーニング技術が、よって立つ、「コネクショニズム」とは異なる立場です。僕は、人工知能論では、この「計算主義」の立場に立っています。それは、コネクショニズムは、数学的認識に関しては、無力だと考えているからです。 現代の複雑性理論には、第三の起源があります。 理論史的には、それは、ファインマンによる「量子コンピュータ」の提唱にはじまるものです。 ただ、その背景には、とても重大な認識の発展があります。それは、全ての情報過程が...
続きを読む