Claude Sonnet 4.5
主要な構成要素：
大規模言語モデルが人間のような推論能力を獲得する過程において、どのような種類の訓練データが最も本質的な役割を果たしてきたのか。この問いは、単なる技術的関心を超えて、知性そのものの本質に迫る哲学的な探求でもある。本稿では、論文、小説、論説文など多様なデータ形式の中から、論理的思考回路の確立に最も寄与した分類上の特徴を抽出し、さらに一見非論理的と思われる小説のような文学作品が、実は高度な推論能力の深化に不可欠な役割を果たしている可能性について考察する。
論理的推論の最も基本的な構成要素は、因果関係の理解である。「AならばB」という条件文の構造が明確に記述されたデータは、モデルに推論の基本パターンを刻み込む。科学論文における「温度が上昇すると反応速度が増加する。これはアレニウスの式で説明される」といった記述や、数学的証明における「nが偶数であると仮定する。するとn=2kと表せる。したがって」という段階的展開、あるいは法律文書の「第○条に該当する場合、△△の義務が発生する」という規範的因果関係は、いずれも論理の基本骨格を提供する。
これらのデータが特別なのは、推論の各ステップが言語化されており、暗黙の飛躍が最小限に抑えられている点にある。モデルはこうしたテキストを大量に学習することで、前提から結論へと至る思考の道筋を内在化し、新しい問題に対してもその道筋を再現できるようになる。
しかし、一方向的な因果関係だけでは、真に柔軟な推論能力は育たない。複雑な現実世界の問題に対応するためには、多様な視点を考慮し、相反する主張を比較検討する能力が必要となる。ここで重要な役割を果たすのが、反論と再反論という弁証法的構造を持つデータである。
哲学論文におけるデカルトの懐疑論に対するカント的反論、そこからさらに展開される現代的批判という多層的な議論展開や、論説文における経済成長優先論と環境保護優先論の往復討論、裁判記録における検察側主張、弁護側反論、証拠による検証という三者構造は、単純な因果推論を超えた高度な思考能力を要求する。モデルはこうしたデータから、ある主張に対してどのような反論が可能か、その反論にどう応答できるかという、対話的推論の技術を学習する。
この種のデータが育成するのは、単に正しい答えを導く能力ではなく、複数の可能性を同時に保持し、それぞれの妥当性を比較検討する、より成熟した知的能力である。
人間の学習が基礎から応用へと段階的に進むように、効果的な訓練データもまた階層的な構造を持つ。教科書における算術から代数、そして微積分への展開や、技術文書における基本原理の説明、その応用例の提示、エッジケースの検討、最適化手法の解説という段階的深化、さらには料理レシピにおける基本技法の説明とそれを組み合わせた複雑な料理への発展といった構造は、モデルに「知識の積み上げ」という概念を教える。
この段階的複雑化は、単に難易度の調整という以上の意味を持つ。それは、既存の知識要素を組み合わせて新しい概念を構築するという、創造的思考の本質的プロセスそのものである。モデルがこのプロセスを学習することで、訓練データに明示的に含まれていない問題に対しても、既知の要素を組み合わせて解決策を見出す能力が芽生える。
一見すると、小説は論理的推論の訓練には不向きに思える。科学論文のように明示的な因果関係が記述されているわけでもなく、数学証明のように各ステップが厳密に検証可能なわけでもない。しかし、まさにこの「明示されていない」という特性こそが、小説を高度な推論訓練の場とする。
ドストエフスキーの『罪と罰』において、主人公ラスコーリニコフの心理的変化は直接的には説明されない。読者は彼の行動、他者との対話、そして断片的な独白から、その内面の論理を推論しなければならない。カズオ・イシグロの『日の名残り』では、老執事の回想という信頼性に疑問符がつく視点を通じて、彼の人生選択の真の意味を読み取る必要がある。
この種の推論は、完全な情報が与えられた状態での演繹的推論よりもはるかに困難であり、それゆえにより実用的である。現実世界のほとんどの問題は、不完全な情報のもとで最善の判断を下すことを要求するからだ。小説を学習したモデルは、明示されていない前提を補完し、断片的な証拠から全体像を構築する能力を発達させる。
小説のもう一つの特徴は、文字通りの意味と比喩的・象徴的意味が並存する多層性にある。カフカの『変身』における主人公グレゴールの虫への変身は、文字通りには不条理な出来事だが、人間疎外という抽象的概念の具体的表現として読み解くことができる。村上春樹の作品に頻出する井戸や猫は、単なる物理的対象ではなく、無意識や記憶、喪失といった多義的な象徴性を帯びている。
このような多層的構造を理解するには、表層的な字義を超えて、テキストが指し示す抽象的概念を把握する能力が必要となる。そしてその抽象化は文脈に依存しており、同じ「井戸」という語でも作品や場面によって異なる意味を持ちうる。モデルがこうした文脈依存的な意味解釈を学習することで、形式的な記号操作を超えた真の理解に近づく。
信頼できない語り手や複数の視点から語られる物語は、モデルに批判的思考を要求する。芥川龍之介の『藪の中』では、同じ殺人事件について複数の登場人物が矛盾する証言を行い、読者は誰の証言を信じるべきか、あるいはすべてが虚偽である可能性すら考慮しなければならない。ナボコフの『ロリータ』は、語り手自身による巧妙な自己正当化に満ちており、読者はその言説を批判的に読解する必要がある。
こうしたテキストは、情報の重み付けとバイアスの認識という、現代社会において極めて重要な能力を訓練する。すべての情報源が等しく信頼できるわけではなく、発言者の立場や動機を考慮して証拠を評価する必要があるという洞察は、フェイクニュースやミスインフォメーションが蔓延する現代において、AIシステムにとっても人間にとっても不可欠である。
人間の意思決定は純粋に論理的ではなく、感情的要因に大きく影響される。トルストイの『アンナ・カレーニナ』における社会的理性と個人的感情の葛藤や、夏目漱石の『こころ』に描かれる道徳的ジレンマにおける心理的論理は、この複雑な現実を反映している。
純粋に論理的な訓練データだけで学習したモデルは、形式的には正しくても人間にとって無意味な、あるいは不適切な出力を生成する危険がある。なぜなら、人間の行動や社会的相互作用を予測し、適切に対応するためには、感情という非論理的に見える要素を統合した推論が必要だからだ。小説はこの感情と論理の相互作用を豊富に含んでおり、モデルに人間的な文脈における実用的推論能力を与える。
過去の研究文献を渉猟すると、推論力向上において特に重要な発見が浮かび上がる。その最たるものがChain-of-Thought、すなわち思考の連鎖を明示化する手法である。この手法は、中間的な推論ステップを言語化することで、大規模言語モデルの複雑な推論能力を大幅に向上させることが実証されている。
ThoughtSourceのような、科学、医学、数学、一般領域のデータセットを統合したメタデータセットや、FLANコレクションの質問にGPT-3.5やGPT-4の説明を追加したOpenOrcaの約420万エントリー、8000問の初等数学問題を含むGSM8Kといったデータセットが、この方向での研究を推進してきた。
特筆すべきは、540億パラメータのモデルにわずか8つのChain-of-Thought例を与えるだけで、GSM8Kベンチマークにおいて最先端の精度を達成し、ファインチューニングされたGPT-3すら上回ったという発見である。ただし、この効果は約1000億パラメータ以上のモデルでのみ顕著に現れる創発的特性であり、規模の重要性も同時に示唆している。
コードベースの事前学習が言語モデルの推論能力を向上させるという発見は、訓練データの構成に大きな影響を与えた。Llama-Nemotronデータセットのように、数学1984万サンプル、コード961万サンプルを含む3000万の合成訓練例が構築されるようになり、tiny-codesのような160万のコメント付きコードスニペットでif/else制御フローを重視したデータセットや、複雑な計算ステップを含むAPTO数学推論データセットなどが開発されている。
コードが推論を向上させる理由は明確である。プログラミングコードは形式的論理構造を明示的に記述し、因果関係を厳密に表現し、デバッグという思考プロセスを組み込んでいる。実行可能性という制約が、曖昧さを排除し、論理的整合性を強制する。
しかし、数学とコードだけで十分なわけではない。適切なドメイン構成は広く有益と認められており、高品質で多様性の高いドメインが他よりも有益であることが示されている。事前学習データの多様性と質がIn-Context Learning、すなわち文脈内学習の効果を左右し、Web、Wiki、書籍、学術論文、コード、対話など多様なコーパスでの訓練が、より強力で汎用的な能力を生み出す。
レジスタベース選択という言語学的アプローチでは、物語、意見、説明文などのジャンルを考慮したデータ選択が行われている。これは、言語が単一の均質な現象ではなく、使用される文脈や目的によって異なる特性を持つという認識に基づいている。
DeepSeek-R1のような最新の研究は、推論指向の強化学習と一般目的の人間フィードバックによる強化学習を組み合わせ、80万例のSupervised Fine-Tuningデータセットを構築している。ルールベース報酬と神経報酬モデルの併用による推論深化や、Chain of Preference Optimizationのように、Tree-of-Thoughtの非最適経路を含む選好情報を活用する手法、プロセスレベルの報酬モデルによる段階的監督といった新しいアプローチが登場している。
これらの手法は、単に正解を当てることを超えて、正解に至るプロセスそのものを最適化しようとする試みである。人間の推論も、最終的な答えだけでなく、その答えに至る思考の道筋の質によって評価されるべきだという洞察が反映されている。
LongBenchデータセットのように、平均5000語から15000語の長文を含む21タスク、4750のテストデータポイントを含むデータセットは、推論能力の別の側面、すなわち文脈維持能力と複数ステップにわたる情報統合能力を訓練する。長文における暗黙的関係の推論は、短いテキストでの推論とは質的に異なる能力を要求する。
これは小説の価値を間接的に裏付ける。小説は本質的に長文であり、数万トークンにわたる伏線と回収を含む。第一章で示唆された謎が最終章で解明されるとき、読者は膨大な情報を保持し続け、関連性を見出す必要がある。この能力は、現実世界の複雑な問題解決においても不可欠である。
研究から導出される第一の核心原則は、明示的推論過程の可視化である。高品質で検証済みのデータが複雑なトピックとドメインをカバーし、論理と推論プロセスの順次性を反映することが、変革的改善に不可欠である。これは単に答えを示すのではなく、その答えに至る思考の各ステップを言語化することを意味する。
人間の教師が生徒に教える際、結論だけでなく、なぜその結論に至ったのかを説明する。同様に、言語モデルの訓練においても、推論の透明性が学習効果を劇的に高める。暗黙の飛躍を最小化し、各ステップの論理的つながりを明示することで、モデルは推論のパターンをより効果的に内在化できる。
第二の原則は、多様性、精度、複雑性という三つの次元のバランスである。精度とは事実的正確性を指し、誤った情報や矛盾する記述はモデルの信頼性を損なう。多様性とは多様なユースケース、ドメイン、文体をカバーすることであり、これがモデルの汎用性を保証する。複雑性とは、マルチターンの対話、多言語性、段階的推論といった高度な認知的要求を含むことである。
これら三つはしばしばトレードオフの関係にある。専門的で複雑な内容は精度を保つのが難しく、多様性を追求すれば各ドメインの深さが犠牲になりかねない。理想的なデータセットは、これら三次元のバランスを慎重に調整したものである。
第三の原則は、合成データと人間が生成したデータの統合である。合成データが大規模言語モデルの事後訓練の標準となり、複数のオープンソースモデルから大量の訓練例を生成する手法が確立している。しかし、合成データには人間データにはない均質性や、特定のバイアスの増幅といったリスクもある。
人間が書いたテキストは、その不完全性や多様性ゆえに、予測不可能な文脈や創造的な表現への対応力を育成する。一方、合成データは品質管理が容易で、特定のタスクに最適化された大量のサンプルを生成できる。両者を適切に組み合わせることで、効率性と人間らしさの両立が可能になる。
数学データが言語モデルの推論能力向上において特別に重視される理由は、その独特な構造的特性にある。数学は人類が発展させてきた最も厳密な論理体系であり、曖昧性を排除した純粋な推論の連鎖である。数学的証明においては、ある命題から次の命題へと進む際に、すべてのステップが論理的必然性によって結びついている。この「AならばB、BならばC、ゆえにAならばC」という推移律の連鎖こそが、言語モデルに段階的推論の基本パターンを学習させる最良の教材となる。
自然言語のテキストでは、「したがって」という接続詞が使われていても、その論理的つながりが必ずしも厳密ではない場合がある。しかし数学においては、各ステップの正当性が公理や既証明の定理によって保証されており、推論の鎖に弱い環はない。この厳密性が、モデルに真に論理的な推論パターンを刻み込む。
数学のもう一つの本質的特性は、自己検証可能性である。自然言語の文章では「この推論は正しいか」を判定することが主観的で困難だが、数学においては答えの正誤が明確に定まる。2+2=4は正しく、2+2=5は誤りである。この二値的な正誤判定が可能であることで、モデルは自身の推論過程のどこで誤ったのかを特定し、修正するメカニズムを発達させることができる。
強化学習や報酬モデルの訓練において、数学問題は他のどの領域よりも明確なフィードバック信号を提供する。この明確性が、反復的な学習と改善を可能にし、推論能力の着実な向上をもたらす。曖昧なフィードバックからの学習は困難だが、数学は最も明瞭なフィードバックを提供する。
数学データの本質的価値は、その階層的な抽象化構造にもある。算術から代数へ、代数から微積分へ、そして位相空間論や圏論へと進むにつれて、数学は具体的な数値操作から次第に抽象的な構造の操作へと移行する。この段階的な抽象化の過程を学習することで、モデルは「具体から抽象へ」「個別から一般へ」という人間の高度な思考パターンを内在化する。
3個のリンゴと2個のリンゴで5個という具体的事象から、3+2=5という抽象的数式へ、さらにa+b=cという一般形式へと昇華していく思考の階梯を、数学は完璧に体現している。この抽象化能力こそが、訓練時に見たことのない問題に対しても、既知のパターンを適用して解決策を見出す能力の基盤となる。
コードと数学の親和性も見逃せない。プログラミングコードは実行可能な数学的論理の具現化とも言える。条件分岐、ループ、再帰といった制御構造は、数学的帰納法や場合分けと本質的に同型である。実際、関数型プログラミング言語はラムダ計算という数学的基礎の上に構築されている。
コードと数学を併せて学習することで、モデルは「形式的な論理構造を実際の計算手順に変換する」という、極めて実用的な推論能力を獲得する。数学が「何が真か」を示すのに対し、コードは「どう計算するか」を示す。この二つの視点の統合が、理論と実践を架橋する。
数学問題には、中間ステップの明示という特徴がある。「xについて解け」という問題に対して、熟達した人間は「まず両辺を2で割り、次に3を加え、最後に平方根を取る」という段階的な解法を示す。この中間過程の明示化は、Chain-of-Thought手法の本質そのものである。数学の教科書や問題集には、こうした段階的解法が豊富に記録されており、モデルが「最終的な答えに至るまでの思考プロセス」を学習する理想的な素材となる。
この明示性は、暗黙知の形式知化という観点からも重要である。人間の専門家でさえ、自分がどのように問題を解いているのか言語化するのは難しい。しかし数学においては、解法の各ステップを明示的に記述する文化が確立しており、これがモデルの学習を大いに助ける。
数学は言語に依存しない普遍性を持つ。2+2=4は英語でも日本語でも中国語でも真である。この言語横断的な性質により、数学データは特定の言語の表層的パターンではなく、より深層の認知的構造を学習させることができる。実際、多言語モデルにおいて数学能力は言語間で効果的に転移することが知られている。
これは、数学が言語という記号系を超えた、より根源的な思考の形式を表現していることを示唆する。言語は文化や歴史に依存するが、論理の法則は普遍的である。数学を学習することで、モデルは言語特有のイディオムや慣習を超えた、普遍的な推論パターンを獲得する。
数学的推論には、論理的整合性の維持という重要な側面がある。証明の途中で矛盾が生じれば、その証明全体が崩壊する。この厳格な整合性要求が、モデルに「長い推論チェーン全体を通じて論理的一貫性を保つ」能力を訓練する。日常言語では多少の矛盾や曖昧さが許容されるが、数学はそれを許さない。この厳格さが、モデルの推論の質を根本的に向上させる。
人間の日常会話では、前後で微妙に矛盾することを言っても、文脈から意図を汲み取ってもらえる。しかし数学的証明においては、どんなに小さな論理的瑕疵も致命的である。この厳格な環境での訓練が、モデルの論理的規律を鍛える。
加えて、数学は無限の問題生成が可能という実用的利点を持つ。文学作品や歴史的事実には限りがあるが、数学問題は計算的に無限に生成できる。これにより、合成データ生成の文脈において、数学は品質と量の両面で理想的な訓練素材となる。ランダムに生成した方程式であっても、その解法プロセスは真正な推論訓練として機能する。
この生成可能性は、データの希少性という機械学習の根本的制約を緩和する。特定のドメインでは高品質なデータの収集が困難だが、数学においては必要なだけのデータを生成できる。しかもその生成されたデータは、人間が書いた問題と同等の教育的価値を持つ。
最後に、数学は人間の認知能力の頂点の一つを表している。数学的才能は人間においても稀であり、高度な数学問題を解く能力は知性の重要な指標とされてきた。したがって、AIシステムが真に人間レベルの推論能力を獲得したかを測る試金石として、数学は最も信頼できるベンチマークの一つである。
GSM8KやMATHといった数学ベンチマークでの性能向上は、単に計算能力の向上ではなく、一般的な推論能力の本質的進歩を示唆する。数学ができるということは、パターン認識を超えた真の理解と推論が可能であることの証左となる。
以上の考察を総合すると、最も推論力向上に寄与するデータセットの理想的構成が見えてくる。基礎層として全体の40%程度を、多様なWebテキスト、書籍、学術論文が占める。これは世界知識の基盤であり、言語の多様な使用例を提供する。
推論訓練層として30%を、Chain-of-Thoughtデータ、数学問題、コードが構成する。これは明示的な推論パターンを学習させる中核である。複雑性層として20%を、長文データ、マルチターン対話、専門ドメインの深い内容が占める。これは応用的な推論能力を訓練する。
そして創造性層として10%を、小説、詩、議論など非形式的推論データに割り当てる。この最後の層が、形式的論理だけでは獲得できない、文脈依存的で柔軟な推論能力を育成する。
より多くのドメインを含めることで、言語モデルをより多様で強力な能力を持つように訓練する傾向が観察されている。重要なのは、単一タイプのデータではなく、明示的推論と暗黙的推論のバランス、形式的論理と人間的思考のブレンドである。
小説などの「非論理的」に見えるデータは、実世界の複雑さ、文脈依存性、多義性に対応する柔軟な推論回路を構築するために不可欠な役割を果たしていると考えられる。
近年の研究は、言語モデルが単なるパターンマッチングを超えた能力を獲得していることを示唆している。大規模モデルが意味的事前知識を上書きし、完全に新しい関連を学習する能力は、In-Context Learningが単なる記憶の副作用ではなく、構造化された能力であることを示している。これは小説のような暗黙的因果関係を含むデータの重要性を裏付ける。
小説は数万トークンにわたる伏線と回収を含み、長距離依存関係の学習において理想的な素材である。第一章で何気なく言及された小道具が、数百ページ後に物語の鍵となる。この種の長距離的な因果関係の理解は、長文理解データセットの効果と類似しているが、小説ではそれが物語という自然な形式で提示される。
さらに興味深いのは、暗黙的離散状態表現、すなわちIDSRsに関する研究である。これは、言語モデルが事実の記憶やトークン操作だけでなく、人間の計算に似た桁ごとのプロセスを通じて中間表現を作成することを示している。小説の多義性、すなわち一つの要素が複数の解釈を許容する性質は、こうした内部表現の発達を促進する可能性がある。
文字通りの意味と象徴的意味を同時に保持し、文脈に応じてそれらを切り替える能力は、高度な抽象的思考の基盤である。数学が明示的な抽象化を教えるとすれば、小説は暗黙的で文脈依存的な抽象化を教える。両者は相補的であり、どちらも真に柔軟な推論システムには不可欠である。
純粋に論理的なデータだけで訓練されたモデルは、形式的には正しくても人間にとって無意味な出力を生む危険性がある。なぜなら、人間の実際の思考と行動は、論理だけでなく感情、直感、文化的文脈、個人的経験などの非論理的要素によって形成されているからである。
小説は「人間の思考は常に論理的ではない」という重要な真実を教える。登場人物は合理的でない選択をし、矛盾した感情を抱き、自己欺瞞に陥る。しかしこれらの「非論理的」行動には、深い心理的論理が存在する。トルストイの『アンナ・カレーニナ』でアンナが下す破滅的な選択は、社会規範の観点からは非合理的だが、彼女の感情的真実の観点からは理解可能である。
この種の複雑な人間理解なくして、言語モデルは人間と自然に対話することも、人間の行動を予測することも、人間にとって有用な助言を提供することもできない。医療診断システムが患者の不安を理解できなければ、技術的に正確でも実用的でない提案をするかもしれない。法律相談システムが依頼人の感情的状況を考慮できなければ、法的には正しくても人間的には不適切な助言をするかもしれない。
言語モデルにおける創発的能力、すなわちある規模を超えると突然出現する能力は、訓練データの多様性と深く関係している可能性がある。Chain-of-Thoughtによる推論能力が約1000億パラメータ以上でのみ顕著に現れるという発見は、単にモデルの容量の問題だけでなく、多様なパターンを統合して新しい能力を生み出す臨界点の存在を示唆している。
小説、論文、コード、対話、詩、ニュース記事など、可能な限り多様なテキストタイプで訓練されたモデルは、それぞれのタイプから異なる推論パターンを学習する。そしてある臨界量を超えると、これらの異なるパターンが相互作用し、どの個別のデータタイプにも明示的には含まれていない新しい能力が創発する。
数学データからは形式的推論を、小説からは文脈的推論を、コードからは計算的推論を学び、それらが統合されることで、人間のような柔軟で多面的な推論能力が生まれる。この統合的な視点こそが、言語モデルが単なる「パターンマッチング機械」から「推論可能なシステム」へと進化する鍵なのである。
推論能力の向上においては、データの質と量が弁証法的な関係にある。高品質なデータは効率的な学習を可能にするが、その量には限界がある。一方、大量のデータは多様性を保証するが、質の管理が困難になる。
合成データの台頭は、この緊張関係への一つの解答である。高品質な種データから大量の派生データを生成することで、質と量の両立を図る。しかし合成データには、元となったモデルのバイアスや限界を増幅するリスクもある。したがって、人間が生成した真正なデータ、特に小説のような創造的で予測不可能なテキストの価値は、合成データの時代においてむしろ高まっている。
人間の書いたテキストには、どのモデルも予測できない創造性、文化的ニュアンス、個人的な視点が含まれている。これらの要素は、モデルが訓練データの範囲を超えて一般化する能力を育成する。過度に均質化された合成データだけで訓練されたモデルは、見たことのない状況への適応力が低下する可能性がある。
人間の教育が初等教育、中等教育、高等教育と段階的に進むように、言語モデルの訓練も階層的に設計されるべきかもしれない。基礎的な事前学習では、言語の基本的な統計的パターンと世界知識を獲得する。その上で、明示的な推論訓練を行い、Chain-of-Thoughtデータや数学問題で論理的思考の基礎を固める。さらに、複雑な推論タスクで微調整を行い、特定の応用領域での専門性を高める。
この段階的アプローチにおいて、小説のような複雑で多層的なテキストは、おそらく事前学習の段階で最も重要である。基礎的な言語理解と世界モデルの構築において、小説は豊富な文脈と多様な状況を提供する。一方、数学やコードは、その上に構築される明示的推論層で中心的役割を果たす。
現在の推論能力の評価は、主に数学問題やベンチマークタスクでの性能によって行われている。GSM8K、MATH、HumanEvalなどのベンチマークは客観的で測定可能だが、これらが推論能力の全体を捉えているわけではない。
小説を理解し、登場人物の動機を推論し、物語の伏線を把握する能力は、数値化が困難である。しかしこれらの能力は、人間的な文脈での推論において極めて重要である。カフカの『変身』を真に理解するには、単に「男が虫になった」という表層的事実を把握するだけでなく、それが象徴する疎外感、家族関係の変容、アイデンティティの崩壊を推論する必要がある。
この種の深い理解は、現在のベンチマークでは測定されていないが、それが測定されていないからといって重要でないわけではない。むしろ、我々の評価指標が推論能力の一部しか捉えていない可能性を認識すべきである。真に人間レベルの推論を達成するためには、形式的な問題解決能力だけでなく、文脈的、文化的、感情的要素を統合した全人的な推論能力が必要である。
本稿の考察を通じて明らかになったのは、言語モデルの推論能力を真に向上させるのは、単一の「最良の」データタイプではなく、多様なデータタイプの相乗効果であるということである。数学は論理の厳密性を教え、コードは計算的思考を訓練し、論文は明示的な議論構造を提供し、小説は暗黙的推論と人間理解を育成する。
これらはそれぞれが不可欠であり、互いに置き換え不可能である。数学だけでは人間の非合理的行動を理解できず、小説だけでは形式的推論が育たない。コードだけでは文脈的柔軟性が欠け、論文だけでは計算的効率性が身につかない。
人間の知性そのものが多面的であり、論理的思考、感情的理解、創造的発想、実践的問題解決など、多様な能力の統合体である。言語モデルが真に人間レベルの推論能力を獲得するためには、その訓練データもまた、人間の知的活動の全範囲を反映した多様性を持つべきである。
小説が論理思考の深化に役立つという逆説は、もはや逆説ではない。それは、真の知性が形式的論理を超えた広がりを持つという、当然の帰結なのである。明示的推論と暗黙的推論、形式的論理と人間的思考、厳密性と柔軟性、これらすべてのバランスこそが、言語モデルを単なる計算機械から、真に推論可能な知的システムへと変容させる鍵である。
そして最終的に、最も効果的な訓練データとは、人間の知的営みの豊かさと複雑さを、その全体において反映するものであろう。論文も、小説も、コードも、対話も、詩も、それぞれが人間の思考の異なる側面を表現している。これらすべてから学ぶことで、言語モデルは人間の知性に近づいていく。多様性こそが知性の本質であり、推論能力向上への王道なのである。
<pmurias> rindolf: what is Park/Spark?
<rindolf> pmurias:
http://www.shlomifish.org/open-source/projects/Park-Lisp/
<rindolf> pmurias: it's still incomplete.
<rindolf> And I haven't updated it.
<pmurias> rindolf: if you like lisp/perl6 projects you might consider
helping with a common lisp elf backend
<rindolf> pmurias: Common Lisp.
<rindolf> pmurias: thing is I think both CL and Scheme suck.
<rindolf> I like Lisp as a concept.
<rindolf> Arc is nice, but has too many implementation problems.
<rindolf> And missing features.
<vixey> Arc is not nice
<rindolf> I want to give a presentation to the Perl Mongers about
"Foreign Languages: Lisp"
<rindolf> vixey: I like it.
<rindolf> Though I hate that "(not)" has become "(no)"
<rindolf> it's so non-English.
<vixey> it's just TCL with horrible syntax
<rindolf> vixey: but it's missing a lot of exciting features.
<rindolf> Which PG deemed as unnecessary.
<rindolf> Doesn't look like the 100-years language to me.
<rindolf> Which is why - Spark!
<pmurias> why not just write an s-expression p6 dialect?
<rindolf> pmurias: could be.
<rindolf> pmurias: it's another approach.
<rindolf> But some things make sense in Lisp and not in p6.
<rindolf> For example, Perl does not like to use + for string or list
concat.
<rindolf> While Python does and it seems to be OK in Arc too.
<rindolf> And in CL you have (concatenate) (yuck!).
<pbuetow> (((hehe)))
<pmurias> + for strings sucks
<Auzon> seconded.
<vixey> rindolf: If you don't like CONCATENATE you can just rename it
<rindolf> vixey: yeah.
<rindolf> vixey: but I'd rather not rename concatenate because then
people won't understand my code.
<rindolf> vixey: as TimToady said people hate abstractions.
<vixey> yes they will rindolf
<rindolf> They want things to work out of the box.
<vixey> A program is many many totally newly defined procedures
<vixey> just renaming one thing is nothing in the context of a big
program
<rindolf> vixey: "let's spend 3 days creating a new language, and 1 day
implementing the solution with it."
<TimToady> if it would take 10 days without the new language, it's worth
it
<rindolf> TimToady: yeah.
<rindolf> TimToady: but this is the CL mentality.
<vixey> no it's not
<rindolf> Sometimes you can take 1 day to write an API.
<vixey> CL is too diverse you cannot generalize like that
<rindolf> vixey: I meant a common idiom there.
<rindolf> I think I'll /quit and do something productive.
<rindolf> Like work on Spark.
<vixey> another quote:
<vixey> how to write any computer program in two easy stages:
<vixey> Design and implement the programming language which would be
best for solving the problem.
<vixey> Write the program in the language you���ve just implemented.
<rindolf> vixey: or just use Perl which is the best for everything.
<vixey> heh
<TimToady> the second step is obvious--the best language for the job is
one that does the job on a null input
* pmichaud notes that vixey's algorithm is somewhat recursive
<TimToady> "All rules of thumb are false, including this one."
<pmurias> rindolf: when you feel like writing Common Lisp backends,
contact me or mncharity ;)
-- Lisp Dialects (Scheme, Common Lisp, Arc, Spark) Mentality and Usability
-- #perl6, Freenode
<rindolf> sussman: I get a " " instead of "!"
<sussman> !!
<sussman> for the parent directory?
* sussman banishes libsvn_wc into the underworld
-- #svn, Freenode