「生命科学的思考」、大変素晴らしいアプローチです。 この記事を読んで頭に浮かんだのは次の二つ。 (1)遺伝子は予測系AIにおける正負の閾値を決定するような役割を持っていそう。 AIの研究をしていると、予測結果をどの閾値で正とし、負とするのかというお題にぶつかります。例えば、「心地いいと思うか/思わないか」「美味しいと思うか/思わないか」「腹が立つか/立たないか」など、人間はそれぞれにおいて、二つの選択肢(もしくは多数)から無意識にいずれかを選択しているわけです。選択肢のうち、どちらを選ぶか(自然とそう思うか)は、人によって閾値がことなるはずです。これは人生経験によるところと、一部遺伝子によるのものもあるのでは？と感じました。 (2)時間的視野と空間的視野はAIにも必要に 現代のAIは、短期的・近視眼的に判断する傾向にあると、わたしは思います。この記事における、時間的視野と空間的視野がAIの判断にも加わってくると、どの時点での誰のための正解なのか？という視座においてAIが最適解を導いてくれるようになります。 あらためですが、人の研究はそのままAI研究にもつながるのだなと思わせてくれた記事でした。

生成系AIの凄さが一目でわかります。 これはたくさんの人が知っておくべき、AIの現在の実力を示す事例ですね。

LINEのAIは、大いなる挑戦に乗り出しています。 GPT-3に代表される生成系AIは、学習データ量の大きさから、かなり投資金額の必要なテーマですが、LINEだからこそやり切れる分野だと思います。 また、Zホールディングスとの連携によって、LINE単独の世界だけでない、AI実装の広範囲化も期待できるでしょう。それらがモデルケースとなり、沢山の企業にもAI実装されていくようなストーリーが見えて来ました。 とにかくLINE AI事業には期待しかありません！

「AI活用による企業の二極化はすでに始まっている」 AI活用の最前線にいる身としても、この二極化は実際に進んでいると感じています。 「AIを使うのが当たり前」な企業とそうでない企業においては、プロダクトやサービスの企画の段階からスタート地点が異なってきます。また、業務改善や利益改善などにおいてもAIという武器をネイティブに使えるか使えないかは大きな差を産むのだと思います。 消費者サイドから見ても、AIによるアルゴリズムを使いこなしているサービスとそうでないサービスを比べたら、当たり前のように前者を好むようになると思います。この消費者の価値観の変化についていく企業が、企業競争力を維持・発展させられるのだと思います。

「人のおすすめよりもAIのオススメの方が信じることができる。」 そんな、人とAIの信頼度の逆転がいたるところで起きてくるのだと思います。 AI婚活もその一つで、特に今回の機能のような「好意を抱く可能性」というのは、データから多様なシグナルが吸い上げやすい物なので、精度もそこそこでるはず。AIが推薦してくれるんだから、間違いないだろうなと思って一歩踏みこめる、そんなシーンが思い浮かびます。 あと、大事なのは人とAIの協業でプロセスがやっと完結するというところ。他の方のコメントでは、「最後はボランティアの仲人さんが後押しする」とあった。 AIで推薦し、人が最後につなげる。 人とAIの、よいコラボレーション事例。

私を変えた座右の書#02でご紹介いただいたのぐりゅうです！ あらためて自分のキャリアを振り返ることが少なかったので、とてもよい機会になりました。 自分のインタビュー記事を読んで、ポイントとして次のようなことを感じました。 ・目の前にあるイシューに本気で向き合うとよい ・新たに事業を作るたびに自分の専門性もその度に作り上げる気持ちで ・無我夢中の先に、強みの掛け算も強力に ・一貫性はその人のキャラによってなんだかんだ保たれる ・作りたい未来のイメージがあるとより迷いも少なくなる みなさんのご参考に少しでもなると嬉しいです！

今後、人がピックアップしたコンテンツよりも、AIアルゴリズムによりピックアップされたコンテンツの方が、ユーザーに支持されることになるのだと思います。 今回の日経さんの動きで注目したいのは、「AI推薦」の機能を有料もしくは無料の会員に限定提供しているところ。ユーザーが、AIによる記事推薦を価値として捉えてくれる前提でサービス設計をされているのですが、このような動きはメディア以外の各サービスでも同じくして拡がっていくのではないかと思います。

従来の言語モデルは、各ユースケース（Q&A、対話、等）に対して、自然言語処理エンジニアが個別に学習する必要があったが、今回のLINEの「汎用型言語モデル」により個別学習する必要がなくなります。 「汎用型言語モデル」を使うことで言語やプログラミングコードの書き出しだけを与えることで、それらしい文章やコードを続けて生成してくれるので、例えば次のような世界観の実現が作り出せるかもしれないことになります。 例）日本語を数文字を打つだけで、文脈にあったメール本文のドラフトを作ってくれる 例）日本語を数文字を打つだけで、歌詞を自動的に作り出してくれる 例）日本語を数文字を打つだけで、結婚式のためのスピーチ文章を自動的に作り出してくれる 例）日本語で実行したい内容を打つと、プログラミングコードを自動作成してくれる また、LINEの方針にもよりますが、この「汎用型言語モデル」は文章の生成だけでなく、「質疑応答、分類、要約などの文書変換処理」に応用可能なはずなので、言葉が介在するありとあらゆすサービスにおいて利用シーンを生み出すことができることになりそうです！

【AI事例】 実行系*代行型 Google、架空のモンスターを生成 パーツごとに指定された動物のデータをもとに組み合わせ、架空の生き物らしきものを生成する。GANの技術により、本物らしさを学習していき、違和感を少なくしていく。

【AI事例】予測系AI*代行型 / toC向け 「Google、鼻歌から楽曲を検索」 マイクに向かって鼻歌を十数秒程度歌えば、該当する楽曲を検索できる。歌詞を知らなくても、耳に残ったうろ覚えの楽曲の曲名を知ることができる。

「10時間分の映像データをAIに学習させた結果、最大で千字程度のニュース原稿を1分以内に映像として生成することが可能になった。」ということのようです。 AIキャスターがよく話題に上がりますが、「AIオンライン塾講師」「AIオンラインキャバクラ」などにも応用できるんだろうなぁと想像しています。 あとは、自分が主人公になった映画を見れるとか、そんなことにも応用ができそうですね。

｢コップに水を入れて｣という指示がAIにとって超複雑であることを例に、現代のAIのできることが単一的であるかを理解しやすい記事でした。 AIが行うタスクの単一性を解消するために取れるとしたら以下の2つのアプローチではないかと思います。 (1)複数のAIを組み合わせる (2)累積報酬による学習（強化学習）を取り入れる 「(1)複数のAIを組み合わせる」では、指示を受けて最良の実行を行うまでの間に複数のAIモデルを経由して答えを出すという考え方です。例えば、「コップに水を入れて」という言語において、ありえる意図のパターンを近い順にリスト化するAIをワークさせ、その後に各意図パターンごとの指示に対して、正しいであろう確率を置かれている状態や環境を加味してスコア化する。そして実行して見てからの依頼者からのフィードバックを（時には不機嫌そうな表情）を受け取るといった感じでAIをリレーしていくイメージ。 「(2)累積報酬による学習（強化学習）を取り入れる」については、指示を受けてから実行をおこなった結果、得られる報酬（例えば依頼者に褒めれられるなど）を計算し、報酬が最大化するように学習するアプローチ。言葉の解釈の精密さというよりも、実行したのちの結果を反復的に学ぶスタイル。 これ以外にも様々なアプローチがあると思いますが、少し先のAIは、複雑と思われるお題についても簡単に応えられるようになっていくのだと思います。 なお、「３歳児への教育」や「犬の訓練」など、ヒントに学習方式を発展させることで、より複雑なお題への対応力がついていくことでしょう。