ChatGPTは人気があります。 AIに置き換えられないようにするには「メタ学習」の能力が必要

少し前に、ChatGPT がインターネット全体で人気になりました。 ChatGPT は、アメリカの人工知能研究会社 OpenAI が開発したインテリジェント チャットボット プログラムです。人間の言語を学習し、人間のように会話し、さまざまな質問に答えることができます。

その後すぐに、百度の「文心易言」とアリババの「通一千文」もテスト用にリリースされた。

ChatGPT のインテリジェンスに応じて、多くの単純で反復的な作業が置き換えられ、企業にとっては ChatGPT の使用コストが削減されます。

画像出典: Tuchong Creative

「働く人」として、AIに置き換えられないようにするにはどうすればいいのでしょうか？

その中でも、私たちが身につけておくべき重要な能力は、生涯にわたって学び続ける能力です。言い換えれば、私たちは優れた学習方法を習得し、その学習方法を生涯にわたって使い続けて、新しい知識を吸収し、新しいスキルを習得する必要があります。

では、学習能力をどのように伸ばせばいいのでしょうか?機械学習の概念である「メタ学習」からインスピレーションを得ることができます。

メタ学習は機械の基本的な学習ロジックである

メタ学習は近年人工知能の分野で発展してきた方向性です。簡単に言えば、メタ学習とは機械に学習方法を教えることです。

シングルタスク学習、マルチタスク学習、転移学習のいずれの場合でも、機械は 1 つ以上の指定されたタスクを完了するように学習するようにトレーニングされます。トレーニングを通じて、機械は「今すぐ」タスクを完了するスキルを身につけます。

メタ学習とは、トレーニングを通じて機械に優れた学習能力を持たせることです。このように、新しいタスクが現れたとき、機械は現時点ではそのタスクをうまく完了できませんが、トレーニングのための少しの時間を与えれば、その新しいタスクを非常にうまく完了することができます。

たとえば、メタ学習の後、猫のいないトレーニング セットでトレーニングされた画像分類器は、数枚の猫の写真を見た後、新しい写真に猫が含まれているかどうかを判断できます。メタ学習により、平地でのみ訓練されたロボットでも、丘の斜面で与えられたタスクを素早く完了できるようになります。メタ学習を通じて、ゲームをプレイする AI は、これまでプレイしたことのないゲームのプレイ方法をすぐに学習できます。

人間のトレーニングと同様に、メタ学習を使用して人をトレーニングする場合、特定のスキルを習得させることに重点が置かれるのではなく、これらの特定のスキルを学習するプロセスを通じて優れた「学習方法論」を習得させることに重点が置かれます。

学習方法論とは、人が学習する際に使用する方法、思考モデル、手順を指します。

たとえば、これまで学んだことのないプログラミング言語でプログラムを書く必要があるタスクがあります。このタスクを完了する方法は人によって異なります。

ある人たちのアプローチは、その言語に関する本を見つけて、それを最初から最後まで読み、そして本の最後にある練習問題を解くというものです。言語に慣れたら、タスクに応じてプログラムを書き始めます。

他の人のアプローチは、まず言語の構文を大まかに理解し、次にインターネット上でタスクに似た機能を持つコードを見つけ、コードを読み始め、このコードに基づいて記述およびデバッグすることです。理解できないことに遭遇した場合は、言語の構文を直接調べてください。

これらは 2 つの異なる学習方法です。この例では、最初の完了方法は「最初に学習し、次に実践する」と要約でき、2 番目の完了方法は「実践しながら学習する」と要約できます。優秀なプログラマーは通常、タスクを完了するために 2 番目の方法を選択します。

「スキル」と「学習方法」には 2 つの違いがあることがわかります。

最初の違いはフォーカスのタイミングです。 「スキル」は「現在」に焦点を当て、「学習方法」は「未来」に焦点を当てます。与えられたタスクでは、そのタスクに関連するスキルがあればすぐにタスクを開始できますが、方法論を学習してもすぐにタスクを開始できるわけではなく、まず一定期間勉強する必要があります。しかし、学習方法を習得した人なら、少し勉強するだけでタスクをうまく完了することができます。

2つ目の違いは汎用性です。 「スキル」は通常、特定のタスクに固有のものですが、「学習方法論」は複数の異なるタスクに適用できます。

上記の例で言えば、大学と比較すると職業教育機関はスキルを養成する機関であり、職業教育機関で訓練を受けた人は、入社後すぐに仕事に慣れることができることが多いです。しかし、大学では「すぐに使えるスキル」を養うことにはあまり重点が置かれておらず、むしろ「学習方法論」を教えることに重点が置かれています。学生が「学習方法論」を習得すれば、将来どのような仕事をするにしても、関連する具体的な仕事内容を理解しているかどうかにかかわらず、短期間の学習であれば、簡単に習得できるようになります。

人が潜在能力を持っているかどうかをどうやって判断するのでしょうか?

また、「着目時点」と「普遍性」という2つの観点からも測定できます。

たとえば、企業が面接中に潜在的な従業員を採用したい場合、面接の質問に答える際のその人物の行動を観察するだけでは不十分です。面接の質問に対するパフォーマンスのみに基づいて人を採用する場合、通常、現在特定のスキルを持っている従業員を採用することになります。潜在的な従業員を採用したい場合、非常に簡単な方法があります。それは、面接者に試用期間を与え、試用期間中に、これまで見たことのない複数のタスクを与え、自分で探索させ、最終的に全体的なパフォーマンスを確認することです。

全体的なパフォーマンスが優れている人は、優れた学習方法を習得している必要があります。学習方法論の助けにより、彼は短期間の勉強で複数の異なるタスクを比較的うまく完了することができます。彼は、面接で良い成績を収めただけの人よりも、もっと大きな可能性を秘めています。

私がポスドクだったときの指導教官も、博士課程の学生を募集する際にこの方法を使っていました。基本的な要件を満たした学生には、研究テーマと1～2週間を与え、関連文献を読んで独自に研究を行い、最終的に研究レポートを書く機会を与えます。これは学生の科学研究の可能性を観察するためでもあります。では、自分に合った学習方法を見つけて開発するにはどうすればいいのでしょうか?メタ学習のトレーニング モデルからもインスピレーションを得ることができます。

従来の機械学習トレーニング モデルは、「タスクが少なく、トレーニング データが多い」という特徴があります。モデルが特定のタスクを完了するには、そのタスクに関連する大量のデータを使用してトレーニングする必要があります。

メタ学習のトレーニング モデルは、「タスクが多く、トレーニング データが少ない」という特徴があります。 「多くのタスク」があるのは、特定のタスクしか完了できない特定のスキルではなく、トレーニングを通じて複数のタスクに適用できる一般的な「学習方法論」を獲得したいためです。 「トレーニング データが少ない」理由は、この学習方法論では少量のトレーニング データでより良い結果を達成する必要があるためです。

メタ学習トレーニングでは、通常、最初に初期の「学習方法」が与えられ、その後、特定の戦略を使用して、さまざまなタスクでのパフォーマンスに基づいて学習方法を継続的に調整し、最終的にすべてのタスクに対して平均的に最も効果的な学習方法を見つけます。

機械学習におけるメタ学習の特徴である「タスクが多く、トレーニングデータが少ない」は、期末試験前の大学生の集中学習モードと非常によく似ていることがわかります。

大学では、授業に十分注意を払わない学生の中には、試験のわずか 1 ～ 2 週間前に複数の試験科目を急いで終わらせなければならない人もいます。この目標を達成するには、適切な学習方法を習得する必要があります。学生が試験の2週間前に集中的に勉強するだけで、これまであまり出席していなかった多くの科目で高得点を獲得できる場合、通常、その学生は強力な「学習方法論」を持っています。この学習方法はさまざまなコースに適用でき、短期間でコースの重要な概念を整理して習得し、それらを結び付けて主題の要点と難しさを把握することができます。このトレーニングにより、コースの内容をしっかりと習得することができました。

したがって、大学がこれほど多くのコースを提供するのは、学生が幅広い知識と基本的な能力を身に付けることを期待するだけでなく、これらのさまざまなタイプのコースを学習することで、優れた普遍的な「学習方法論」を習得することを望んでいるためでもあると考えられます。

機械があなたに取って代わるのは簡単ではない

もちろん、機械学習の分野では、データのトレーニングを通じて徐々に良い「学習方法論」が見出されつつあり、私たち人間も多くの有効な「学習方法論」をまとめてきました。

誰でもこれらの方法を試すことができ、効果がある場合はすぐに使用できます。

この記事は、中国科学普及-星空プロジェクト（創造と栽培）によって作成されました。転載の際は出典を明記してください。

著者: 劉雪峰、北京航空航天大学准教授、博士課程指導者

査読者: 鄧清泉、華中師範大学数学統計学院准教授