AIは存在しない:フィリップ・ワドラーがデータの尊厳を訴える
最近のブログ投稿で、コンピュータ科学者フィリップ・ワドラー氏(Haskellや型理論の研究で知られる)は、私たちが「AI」と呼ぶものは実際には知性ではないと主張しています。彼は、GPT-4のようなモデルは本質的に人間が作成したコンテンツの高度な寄せ集めであり、自律した心ではないというジェロン・ランジャーの見解に同調しています。それらを新しい生命体として扱うのではなく、ワドラー氏はそれらを強化されたコラボレーションのためのツールと見なし、その背後にある人間の労働に報いるために経済を再構築することを提案しています。
投稿の主要な論点
- AIは寄せ集め: ワドラー氏はGPT-4を「はるかに多くのデータを含み、統計を使って寄せ集められたウィキペディアのようなもの」と表現しています。画像生成器は、画像を結合するシステムを備えた「オンライン画像検索」に似ています。
- 新しい心はない: 革新は、有用な結果を生み出す「ガイドされ制約された」寄せ集めプロセスにありますが、それは新しい心の発明ではありません。それは「人間の創造物間のこれまで隠されていた一致を照らし出します」。
- データの尊厳: ワドラー氏は、彼が開発に貢献した「データの尊厳」(「データとしての労働」または「多元性研究」とも呼ばれる)という概念を提案しています。このモデルでは、デジタルコンテンツは作成した人間にリンクされ、その作品がAIモデルで使用された場合に報酬を受け取ることができます。
「無料」オンラインサービスの問題
ワドラー氏は、現在の取り決め(ユーザーが無料サービスと引き換えにデータを無料で提供する)には「暗い面があることが判明した」と指摘しています。ネットワーク効果により、少数のプラットフォームが支配的になり、体験が無料でなければならないため、残されたビジネスは「影響力の販売」だけです。ユーザーは「ステルスで中毒性のあるアルゴリズム」の標的となり、「虚栄心が強く、イライラし、偏執的」になります。
具体的な例:木を刈るロボット
ワドラー氏は実用的なシナリオを挙げています:AI駆動の木刈りロボットが人間の労働者に取って代わった場合、その労働者は価値を失う可能性があります。しかし、データの尊厳があれば、「ホログラフィック・トピアリー」のような新しい創造的分野が生まれ、モデルは共同組織を通じて収入を分配できるでしょう。新しいAIアプリケーションはそれぞれ「新しい種類の創造的仕事を始動させる」ことができるでしょう。
AI企業が関心を持つべき理由
ワドラー氏は、企業がデータの尊厳を採用する利他的でない理由を述べています:モデルはその入力と同じ程度にしか良くありません。AIを新しいフロンティア(インタラクティブなVRワールドの生成など)に拡張するには、それらの世界の例がもっと必要です。そして、クリエイターに報酬を支払うことは、それらを得る方法です。実際のVRワールドがほとんど存在しないため、「LLMにエッセイを書かせることは、仮想現実世界を生成するよりもはるかに簡単」です。
これは開発者向けの実践的なガイドではなく、AI経済をどのように再形成するかについての示唆に富む議論です。AIを使って構築していて、報酬モデルやトレーニングデータの倫理について疑問に思っているなら、ワドラー氏の投稿を読む価値があります。
📖 全文を読む: HN AI Agents
👀 See Also

Claude Codeは、自動化されたワークフローのためのスケジュールタスク実行機能を追加します。
AnthropicはClaude Codeにスケジュール実行機能を追加し、開発者が一度設定したタスクを手動での指示なしに自動実行できるようにしました。この機能は、日次のコミットレビュー、依存関係の監査、エラーログのスキャン、PRレビューなどをサポートしています。

ミストラルCEO、欧州がAIインフラで米国依存を避けるための猶予は2年と警告
Mistral CEOのArthur Mensch氏は、欧州が独自のAIインフラ(チップ、エネルギー、計算能力)を構築する猶予は2年しかなく、さもなければ米国のハイテク大手の永久的な『属国』になるリスクがあると警告した。

ストライプのミニオン:ワンショットAIコーディングエージェント
Minionsは、LLMを活用したエンドツーエンドの自動化により開発者の生産性を向上させることを目指す、StripeのワンショットAIコーディングエージェントです。

二つの研究プロジェクトがウェブエージェントの模倣学習に挑戦
2つの研究プロジェクトが、ウェブエージェントの模倣のみのトレーニングの限界を示しています。「Browser in the Loop」は80億パラメーターモデルで強化学習を用いてフォーム送信の成功率を向上させ、「Concentrate or Collapse」は標準的な強化学習が拡散言語モデルでは失敗し、シーケンスレベルの最適化が必要であることを示しています。