マルレク「機械の言語能力の獲得を考える」概要まとめ

この資料は、「機械の言語能力の獲得を考える」というセミナーの資料であり、現代のAI技術の到達点を「機械が言語能力を獲得した」と捉え、その中核を「意味を理解する」能力の獲得と見なして議論を展開しています。

主な内容の構成は以下の通りです。

  1. はじめに（Page 1-19）
    • セミナーのテーマ設定：「機械の言語能力の獲得を考える」。
    • Alan Turingの問い「機械は考えることができるか?」の引用と、将来的に機械が考えるという言葉が矛盾なく使われるようになるという見解の紹介。
    • 今回のセミナーの問題意識として、「機械が言語能力を獲得した」という議論の展開と、その中核を「意味を理解する」能力の獲得とする点。
    • 言語能力と「知性」を区別し、言語能力は知性の最も基本的な構成要素であるという見解。
    • 中心問題は、機械はどのようにして「意味を理解する」ようになったのかという問いであり、これに対して「意味の分散表現論」の発展が一つの答えを与えると述べています。
  2. 意味の分散表現論の系譜 - 大規模言語モデルへ (Part 1)（Page 20-123, Page 109-122にも再掲）
    • この四半世紀のAI技術の理論史は、「意味とは何か」を探求する「意味の分散表現論」の発展史であるとしています。
    • 歴史的変遷の概略（年表形式）： Bengioの「次元の呪い」と語の特徴の分散表現（2003年）に始まり、HintonのAuto Encoder（2006年）、Word2Vec（2013年）、Sequence to Sequence（2014年）、Attention Mechanism（2014年/2016年）、Transformer（2017年）、BERT（2019年）、GPT-3（2020年）、ChatGPT（2022年）といった主要な技術・モデルの系譜が示されています。
    • 主要な概念の解説:
      • Bengio (2003年): 「次元の呪い」と戦うために、語を実数値の値を持つ分散した特徴ベクトルに対応づけ、語の並びの結合確率関数をその特徴ベクトルで表現し、これらを同時に学習する方法を提案。
      • HintonのAutoencoder/意味的ハッシング (2006年): Autoencoderが高次元のデータから元の情報のエッセンスを低次元のデータとして取り出す働きを「Semantic hashing（意味的ハッシング）」と呼んでいる。
      • Word2Vec (2013年): Tomas Mikolovらが、語が埋め込まれたベクター空間が言語学的に面白い性質を持つことを発見。これにより、意味の近さを内積（cosine-similarity）で定義できるようになった。
      • Sequence to Sequence (2014年): Ilya Sutskeverらが、入力シーケンスを固定次元のベクトル（文の意味ベクトル）にマップし、そこから目的のシーケンスをデコードするRNN（LSTM）を提案し、機械翻訳に応用。
      • Attention Mechanism (2014年/2016年): Bahdanauらが、固定長ベクトルがボトルネックになっている問題を解決するため、翻訳時にソース文の一部分に（ソフト）検索を可能とするAttention Mechanismを提案。
      • Transformer (2017年): Googleが「Attention is all you need」というタイトルで発表したアーキテクチャーで、RNNやCNNを完全に排除し、Attention機構のみに基づく。現代の大規模言語モデルの基礎となっている。
      • BERT (2019年): TransformerのEncoderのみを継承したEncoder-onlyアーキテクチャーで、Bidirectional（双方向性）な言語理解を目指す。Pre-trainingで「双方向での語の意味の表現」と「二つの文の関連性の判断」を学習し、Fine-tuningで具体的なタスクを実行する。
      • GPT (2018年/2020年): TransformerのDecoderのみを継承したDecoder-onlyアーキテクチャー。
  3. 翻訳モデルから大規模言語モデル LLM への進化 (Part 2)（Page 124-139）
    • Transformerの影響が決定的なものとなり、BERT（Encoder-only）とGPT（Decoder-only）という二つの対照的なアーキテクチャーに分岐した。
    • 結果的に、Decoder-onlyアーキテクチャーが勝利し、現在の「大規模言語モデル LLM」が成立したと述べています。
    • 現在のGPT、Gemini、Claude、LLamaなどはすべてDecoder-onlyのLLMアーキテクチャーを採用している。
  4. 大規模言語モデル LLM の成功を支えたもの (Part 3)（Page 141-202）
    • LLMの成功を支えた要因として、以下の3点が挙げられています。
      • システムの目的設定のシンプルさ: Next token prediction
        • LLMの複雑な振る舞いは、「ある文字列トークンの並びが与えられたとき、その次に来るトークンを予測して選ぶ」という極めてシンプルなメカニズムに還元される。
        • LLMは次のトークンの「確率分布」を計算し、その分布の下でトークンをサンプリングする。
        • LLMの内部では、文字列ではなくそのベクトル表現であるembeddingが処理されており、Softmax関数もベクトル表現を受け取っている。
      • 大量のテキストから学習する能力: Self-Supervised Learning
        • LLMは学習データの一部をラベルとして利用する「自己教師付き学習 (Self-Supervised Learning)」という学習スタイルを採用している。
        • この手法により、インターネット上にあるラベル付けされていない大量のテキストデータから、語の意味ベクトル（embedding）を抽出することを可能にした。
        • LLMの訓練（Pre-training）において、Next Token Predictionを実行する過程で、Embedding Layerのパラメーターを含むLLMのパラメーターがバック・プロパゲーションで修正され、意味を反映したembeddingが生成される。
        • Embedding Layerは、トークンIDに対応する埋め込みベクトルを取得するルックアップ・テーブルとして機能し、実際のLLMでは巨大なコンポーネントである。
      • プロンプトを利用した柔軟なタスクの習得: In-Context Learning (ICL) と Retrieval-Augmented Generation (RAG)
        • モデルの機能を動的に拡張する試みとして、ICLとRAGが注目されている。
        • ICL (In-Context Learning): プロンプト内の例示によってモデルの重みを更新することなくタスクに適応させる非パラメトリックな適応手法。
        • RAG (Retrieval-Augmented Generation): 外部データベースから関連情報を検索し、その情報でLLMの生成を補強するシステム設計のアプローチ。ハルシネーションの抑制と情報の透明性に優れる。
        • RAGは「インジェクション」「検索」「拡張」「生成」の4段階パイプラインで構成される。
        • ロングコンテキストモデルの登場によりICLの可能性が議論されているが、最新の研究では「作業メモリ」の制約や「Lost in the Middle」という位置バイアスの問題が指摘されており、ロングコンテキストはRAGを「強化」するツールとしてハイブリッドな方向へ向かっているという見解が示されています。

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

機械の言語能力の獲得から考える embeddingの共有・蓄積・検索の未来

イメージ
機械の言語能力の獲得から考える embeddingの共有・蓄積・検索の未来 #01 「機械が言語能力を獲得した」ということについて https://maruyama097.blogspot.com/2025/12/blog-post_25.html #02 ことばから文字へ https://maruyama097.blogspot.com/2025/12/blog-post_51.html #03 情報の共有と情報の集積 https://maruyama097.blogspot.com/2025/12/blog-post_37.html #04 文字からembeddingへ −− 大規模分散システムの成立 https://maruyama097.blogspot.com/2025/12/embedding.html #05  文字からembeddingへ −−意味の分散表現論の系譜 https://maruyama097.blogspot.com/2025/12/embedding_25.html #06  意味の分散表現論の登場 https://maruyama097.blogspot.com/2025/12/blog-post_27.html #07  文の意味のベクトル表現の発見 https://maruyama097.blogspot.com/2025/12/blog-post_30.html #08  Interlude 1 −− ChatGPTが生まれた日 https://maruyama097.blogspot.com/2026/01/interlude-1-chatgpt.html #09 Interlude 2 −− OpenAI の分裂が残したもの https://maruyama097.blogspot.com/2026/01/interlude-2-openai.html #10  Transformerの登場 https://maruyama097.blogspot.com/2026/01/transformer.html #11  1/31 マルレク「機械の言語能力の獲得を考える」へのお誘い https://maruyama097.blogspot.com/2026/01/131...
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