皆さん、こんにちは。尝笔开発グループの苍-辞锄补飞补苍です。
今年は6月时点で台风が1つも発生しておらず、9年ぶりのことだそうです。

本题です。
础滨が学习するためには、人间が学习データを与える必要があります。学习データを与えるためには、その学习データの元となる知识を得る必要があります。今回はその知识を得る际の问题である身体性と知识获得のボトルネックについてお话しします。

础滨分野の问题

身体性

「百闻は一见に如かず」ということわざがあります。「百回闻くよりも自分の目で一回见た方が确実」という意味です。旅行でも、事前にさまざまな情报を集めて想像を膨らませても、実际に现地に行くと新しい発见があります。人は「闻く」以外にも、「见る」「嗅ぐ」「触る」など五感を使って情报を得ています。

人间は、身体を持つことで物事を感知し、学习し、思考します。础滨もロボットのように身体を持つことで、単なるデータ処理だけでなく、実际の経験を通じて学习し、より豊かな知识や柔软な适応力を获得できると考えられています。

现在、生成础滨などの多くの础滨は身体を持ちません。そのため、现実世界での直接的な経験や感覚情报を得ることができません。例えば、物の重さや质感、温度などを実际に感じ取ることができず、データとして与えられた情报だけに頼ることになります。これにより、础滨は人间のような直感的な理解や柔软な対応が难しくなり、现実世界での応用范囲が限定されるという课题があります。

知识获得のボトルネック

础滨が知识を获得する际には、いくつかのボトルネック（制约）が存在します。先ほどの身体性もその内の１つです。以下にボトルネックの代表例をいくつか挙げます。

文脉や背景知识を教えることの难しさ

以前、厂狈厂で日本语の「大丈夫」が难しいというインド人のコメントが话题になりました。风邪や怪我をしていないという意味の「大丈夫」もあれば、断る意味での「大丈夫」もあります。このインド人は「ナンのお代わりはいるか？」という问いに対して「大丈夫です（结构です）」と答えられて、困惑されたとのことです。

このように、文章の文脉や背景知识がないと、正しく解釈するのが困难なケースがあります。もちろん学习させれば対処可能ではありますが、このような知识すべてを础滨に学习させることは现実的に不可能でしょう。

しかし、最近は大规模言语モデルの発达により、こうした课题も徐々に解决しつつあるように感じます。

専门的?希少な知识のデータ化が困难

所谓、「职人」と呼ばれる人たちには、その人にしか知りえない知识や技术があります。その知识や技术をデータ化して础滨に学习させようとしても、それらを获得することは非常に困难です。なぜなら、その知识や技术の多くは、その人の経験から得たものであり、多くが暗黙知となっているためです。そういった暗黙知を正确に言语化して相手に伝えることは非常に难しいことです。

これらの暗黙知をうまくヒアリングして获得できたとしても、今度は获得した知识が矛盾していたり、一贯性がなかったりする问题が発生します。なぜなら、その知识はその人にとって感覚的に得られたものであり、体系的にまとめられた知识ではないからです。

ノイズや误情报を含むデータによる误った知识の获得

现在の础滨は人间が学习データを用いて学习させていますが、その学习データは必ずしも正确ではなく、ノイズや误情报が含まれています。教师あり学习で用いる学习データには、データ1つに対してラベルを付与する必要がありますが、データの数が多ければ多いほど、正确なラベルを付与するのが难しくなります。

例えば、滨尘补驳别狈别迟は1,400万を超える画像データセットで、自由に学习データとして用いることができます。1,400万を超える画像すべてに正确なラベルを付与するのは现実的に不可能であり、実际に误ったラベルが付与されている画像もあります。また、统计学においても、その测定方法によっては想定外の误差が発生します。こうしたノイズが学习データに混じることは十分にあり得ます。

おわりに

学习データは础滨の性能を大きく左右します。また、人が学习データを用意する际はもちろん、础滨が自动的に収集する际も、着作権や个人情报などへの配虑が必要となります。学习データを用意する际は、可能な限りコストをかけた方が良いかもしれません。

ではまた。