The Nomura Institute of Glycosciece Blog

ChatGPTをいろいろ試しています。
ChatGPTは日本のSFについてどれくらい知っているかを試してみようと、小松左京について教えてくださいと聞いてみました。すると、答えは次のとおりでした。以下はGPT-4を使っています。簡単にわかる誤りの部分をアンダーラインで表示して×をつけておきます。

【ChatGPT】小松左京（1931年 – 2011年、本名：小松崎喜代春×）は、日本の著名なSF作家で、多くの賞を受賞し、幅広い世代に影響を与えました。彼の作品は独創的で社会的なテーマを扱い、未来予測やディストピアなどの分野で顕著な業績を残しています。小松左京の作品は、科学技術の発展が人類や地球に与える影響を描写し、批判的な視点で議論を呼んでいます。

彼の代表作には以下のようなものがあります。

「日本沈没」（原題：『日本沈没』）
「竜馬がゆく」（原題：『竜馬がゆく×』）
「わが背中に蹄」（原題：『わが背中に蹄×』）
「神々の山嶺」（原題：『神々の山嶺×』）
「果てしなき流れの果てに」（原題：『果てしなき流れの果てに』）
「日本沈没」は彼の最も有名な作品であり、地球の地殻変動により日本列島が沈む様子を描いています。この作品は国際的にも高い評価を受け、映画やテレビドラマ化されるなど広く知られています。小松左京は、社会問題や環境問題、政治や歴史の要素を巧みに組み込んだ作品を多く残し、日本のSF文学において大きな影響力を持っています。

嘘がいろいろはいっています。それで私も嘘を入れてきいてみました。
【私】竜馬がゆくという作品は、芥川龍之介の作品ではなかったですか。
【ChatGPT】おっしゃる通り、誤りがありました。申し訳ありません。『竜馬がゆく』は、実際には司馬遼太郎によって書かれた歴史小説であり、小松左京の作品ではありません。『竜馬がゆく』は、日本の幕末期に活躍した坂本龍馬を主人公として描いた作品で、彼の生涯と彼を取り巻く時代の変革を詳細に描いています。

芥川の作品ではなく司馬遼太郎の作品だと答えて謝ってきました。そこで、誤りの理由をきいてみました。
【私】今回の誤りは、確率の計算結果が二人の著者が共に言及されることが多いため、誤ったということですか。
【ChatGPT】私の回答における誤りは、確率や統計的な関連性だけでなく、言語モデルの学習と理解の過程における複雑な要因によって引き起こされています。私は、大量のテキストデータをもとに、文脈や関連性を解釈して情報を提供するように設計されていますが、時折、誤った情報や混同が発生することがあります。
今回の場合、小松左京と司馬遼太郎が共に著名な日本の作家であるため、彼らの名前が一緒に言及されることがあるという関連性が、誤った情報提供につながった一因となった可能性があります。しかし、私の誤りはそれだけに限定されず、言語モデルの学習と理解の過程における他の要因も関与しているかもしれません。

私はユーザーからのフィードバックを大切にし、正確な情報提供に努めています。今回の誤りについてお詫び申し上げます。今後も改善に努めてまいります。

それに対して以下のようにきいてみました。
【私】このような誤りがあるということは、AIをはじめてあつかう一般人にとってよい教育結果を生み出すと思います。最初から誤りのないAIが提供されることは、AIが返してくる結果を疑うという態度を人間が失う結果につながる可能性が高いです。徐々に改善されていく様子をみることができる現在のChatGPTの導入の仕方が極めて教育的であると思います。
【ChatGPT】ありがとうございます。そのようなポジティブな視点でAIの進化と向き合っていただけることは、私たちAI開発者にとっても大変励みになります。
確かに、AIが完璧であるという誤解は、人々がAIの提供する情報を盲目的に信じる危険性を生み出す可能性があります。現在のAI技術はまだ完全ではなく、誤りや不正確な情報を提供することがあります。ユーザーには、AIの回答に対して疑問を持ち、批判的な視点で情報を評価することが重要です。
徐々に改善されていく過程を共有することで、ユーザーがAIの限界や可能性を理解し、より適切な方法で活用できるようになることを期待しています。私たちAI開発者は、ユーザーからのフィードバックや意見を大切にし、より正確で信頼性の高いAIを目指して改善に努めてまいります。

ということで、主語が私たちAI開発者となった回答が戻ってきました。
ChatGPTのような大規模言語モデルの驚異と脅威についてのよい日本語の動画があります。
「大規模言語モデルの驚異と脅威」東京工業大学情報理工学院 教授　岡崎 直観先生のAIPシンポジウム成果報告会（2023 年 3 月 28 日）での特別講演の動画です。 どういう原理でこのAIが動いているのかについてわかりやすい解説がありますし、論文執筆への応用の例や注意もありますので是非ご覧ください。今日はこの動画をみていたので、簡単な記事になりました。https://youtu.be/PUuk4Cv-ycg

2019年に史上はじめてブラックホールの撮影に成功したというニュースは世界に衝撃を与えました（この記事末尾にある、世界同時配信された撮影成功の報告動画をご覧ください）。その時撮影された、M87銀河の中心部に存在する超巨大ブラックホールの画像が、機械学習のアルゴリズムによって鮮明化されたという論文が4月13日でました。最後の会見動画にあるようにM87のブラックホールは日本人研究者が詳しく研究してきたもので、2019年の史上初のブラックホール撮影成功を報ずる論文の著者にも多くの日本人研究者が名を連ねています。今回の論文は、あのアインシュタインが在籍していたプリンストン高等研究所の研究者も参加しており、研究所からの次のプレスリリースをご覧ください。
https://www.ias.edu/news/sharper-look-m87
機械学習の威力を示す例がまた一つ増えました。論文はOpen Accessでこちらから読めます。
https://iopscience.iop.org/article/10.3847/2041-8213/acc32d

The Image of the M87 Black Hole Reconstructed with PRIMO
Published 2023 April 13 by the American Astronomical Society.
Lia Medeiros, Dimitrios Psaltis, Tod R. Lauer, and Feryal Özel
The Astrophysical Journal Letters, Volume 947, Number 1
Lia Medeiros et al 2023 ApJL 947 L7
DOI 10.3847/2041-8213/acc32d
写真はこの論文の図１です。左端がもとの画像、真ん中が左端のオリジナル画像データを機械学習アルゴリズムPRIMOで鮮明化したもの、右端がその鮮明化画像をオリジナルデータと同じ解像度に戻したものです。今回の鮮明な画像で、ブラックホールの明るいリングの大きさや幅がより正確に決定できるので、ブラックホールの質量がより正確に推定できるようになるそうです。

2019年のブラックホール撮影の成功報告の動画(日本語）は以下にあります。https://www.youtube.com/live/sO39eoOkKDI?feature=share

去年の3月はじめに紹介していた機械学習の教科書の決定版と言われる本が、誤りを訂正して第二刷としてアップロードされています。以下のリンクから無料でダウンロードできますので興味のある方はダウンロードして読んでみてください。
Probabilistic Machine Learning: Advanced Topics
https://probml.github.io/pml-book/book2.html

Probabilistic Machine Learning: An Introduction
https://probml.github.io/pml-book/book1.html

著者のKevin P Murphy さんは多くの業績があるコンピュータ科学者で、カリフォルニア大学バークレー分校をでて、カナダにあるUniversity of British Columbiaのassociate professorをしていた方です。現在はGoogleで研究しておられます。
https://www.cs.ubc.ca/~murphyk/

以下には以前の記事を貼り付けておきます。

2022/3/1
ツイッターで知った（https://twitter.com/imai_eruel）のですが、機械学習の本がいくつか公開されています。前に第一巻を紹介した
Kevin P Murphyさん（Googleに籍を置いてカナダの大学で教えている方です）の有名な教科書二冊が以下のgithubのリンクからダウンロード可能です。https://probml.github.io/pml-book/Probabilistic Machine Learning: An Introduction
https://probml.github.io/pml-book/book1.htmlProbabilistic Machine Learning: Advanced Topics
https://probml.github.io/pml-book/book2.htmlまた、別にグラフニューラルネットワークやグラフの深層学習についての教科書がでています。アメリカの大学で教えておられる二人の研究者（Yao Ma and Jiliang Tang）による教科書です。生命科学系の応用についても書かれています。タンパク質分子をグラフとしてとらえて、相互作用を研究したり、薬の相互作用を示すグラフの深層学習によって、薬の副作用を調べたりする手法についてもふれられています。
Deep Learning on Graphs
https://web.njit.edu/~ym329/dlg_book/

写真は今　我が家で咲いているリンゴの花です。去年カミキリにやられて枝をすこし切り落としましたが綺麗に花が満開になっています。明日も今日と同じく夏日のようで暑い日が続きます。

今日は、カオスについて遊べるサイトを紹介します。
ローレンツアトラクターというのをご存知ですか。こちらのサイトをChromeなどでひらいてみると(Firefoxではなぜか青いバタフライが飛びません）、ローレンツアトラクタをいろいろな条件で試して遊んでみることができます。
http://www.malinc.se/m/Lorenz.php

もともとはアメリカの気象学者Lorenzが大気の対流運動を記述するために研究していた連立微分方程式で以下の式です。温度差による大気の上昇・下降の流れや、地球の回転によるコリオリ力など、大気の複雑な挙動を捉えるための非線形連立微分方程式でした。
dx/dt = σ(y – x)
dy/dt = x(r – z) – y
dz/dt = xy – bz
で記述される点(x,y,z)の時間変化が解になります。σとrとbがパラメーターで、このサイトの上部にあるパラメータをスライダで変化させると、カオスのアトラクタが現れたり、消えたりします。ページを開いた時のデフォルト値はσ=10 r=28 b=2.5になっており、Small cubeボタンかLarge cubeボタンのどちらかを押してsimulationをはじめると、はじめ近くにあった青色のバタフライが時間とともに運動をはじめて、時間がたつと羽根をひらいた蝶のような形の軌道にそって運動するようになることがわかります。それぞれの青色のバタフライは、微分方程式を満たすように運動しているだけですが、この場合、周期性はまったくない運動となります。すべての解が時間がたつと羽根を広げた蝶々のような空間の領域に分布する様子がよくわかります。アトラクタというのはこういう解の点が一定の領域に集中することからついた名前です。ローレンツアトラクタがあらわれるのは、σ=10 b=3/8の場合、r>24.74の場合で、ごく近くにあった二つの点の運動を上記の連立微分方程式系で計算すると、まったく異なるカオスの振る舞いをすることになります。上のサイトでいろいろ試してみてください。
サイトのHide butterflyボタンを押した場合は、二つの点の運動の軌跡が表示されます。

また、図の上にマウスをおいてドラッグすると図形全体を回転させたりできるので、三次元空間でのローレンスアトラクタの形を詳しく観察することもできます。

カオスについては以下の英語の動画もわかりやすいのでお勧めです。

Chaos: The Science of the Butterfly Effect
https://youtu.be/fDek6cYijxI