25,516 文字
私が「Wise AI（賢明なAI）」について一般的に考えていることをお伝えすると、これから始まるのは「フルスタック社員」と私が呼ぶものの出現です。私たちが目にしているのは、チーム内に集約されていたスキルセットがバラバラになり始め、組織やチームの特有のニーズに応じて動的に再結合できるようになっていることです。知識が急速に急速に商品化されつつある世界では、あなたが一人の人間としてどれだけ賢明であるかが重要な差別化要因になります。どれだけ社会的であるか、コミュニティにとってどれだけ価値があるかということです。
バルン、スーパーデータサイエンスポッドキャストへようこそ。今日の調子はどうですか？
ありがとう、ここにいられて最高です。招待してくれてありがとう。ニューヨークにいると思いますが。
そうです。実際、今はそれほど悪くないですよ。少し肌寒いですが、もう少し暖かくなるのを楽しみにしています。
私たちはニューヨークで知り合いましたね。実はジムで知り合いました。そうですね。だから、私が1ヶ月以上もニューヨークのジムに行っていないことも知っていますね。それはこの1ヶ月カナダにいたからなんです。トロントかその近くにいました。ニューヨークの人と話すと「すごく寒い」と言いますが、毎日ニューヨークの天気を見ると「あなたが今日持っている天気が欲しい」と思いますよ。
冗談を言いますが、私はオーストラリアで育ったので、こんな寒い天気には慣れていませんでした。実際には本当に好きなんです。雪と一緒に育ちませんでしたが、外に出ると少し刺激があって爽快な感じがして好きなんです。
タスマニアでスキーに行ったことはないの？
いいえ、アメリカに来てからタホが初めてで、バニースロープでやって死にそうになりました。初めて雪を見たのは何歳でしたか？
26歳です。
それはすごいですね。世界中のリスナーの中には雪を見たことがない人もたくさんいると思いますが、私にとっては驚くべきことです。私は1日くらいでした。
病院を出たのは3月だったので、雪が降っていたかどうかはわかりませんが、今は調べませんが、年鑑で調べることはできるでしょう。
さて、リスナーが今知ったように、私たちはジムで知り合いました。私たちが二人とも通っているクロスフィットジムからです。しかし、あなたが番組に出演する理由は実はそれとは関係ありません。あなたは知らないと思いますが、私がポッドキャストにあなたを招待したリストに入れた理由は、友人のナタリー・モモのブログであなたについて読んだからです。
面白いですね、実は知りませんでした。
そうですね、あなたには話していませんでした。それは私の秘密情報でしたが、今や世界中の多くの人々が知ることになります。1月末にナタリー・モミオ（このショーの823回目のゲスト、素晴らしいエピソードでした）が投稿しました。彼女は素晴らしいスピーカーで、バーチャル人間経済について話しました。それは、あなたのバーチャルバージョンがどのように収入を生み出し、社会で意味のある役割を果たすことができるか、そしてそれは今日すでに可能であるが、将来はさらに一般的になるかもしれないという話でした。実際、「かもしれない」と言ったのはなぜかわかりませんが、将来はより一般的になるでしょう。
1月末にナタリーがブログ記事を書きました。彼女は毎週メールを書いています。彼女はオックスフォード大学で言語と文学の学位を持っているので、かなり良いブログ記事を書き、メールニュースレターで送っています。1月末のブログはあなたに関するものでした。実際、私はあなたがその週の投稿全体のインスピレーションだったと言っても過言ではないでしょう。なぜなら、その投稿は「2024年に誰もが夢中になっているようなAIエージェントに執着するのではなく、私たちを賢明にするシステムを構築しよう」という内容だったからです。
はい、そうですね。ナタリーとこれについて少し話しました。実は、多くのインスピレーションはトロント大学のジョン・ヴァーヴァエキス教授からきています。彼は賢明さ、関連性、顕著性の認知的基盤について多くの研究をしていて、オンラインで素晴らしい講義シリーズを持っています。それは認知のさまざまな側面を総合的に統合する素晴らしい仕事をしていると思います。それが確かに過去数年間のAIとLLMに関する私の考え方に大きな影響を与えました。
ナタリーとこれについて話したのは、私たちが別の共通の友人を通じて知り合ったからです。多くの人々がエージェントの構築に焦点を当てていますが、個人的に興味があるのは、これらのシステムをどのように使用して世界での個人的なエージェンシーと賢明さを高めるかということです。エージェントを構築することであなたにより多くのエージェンシーを与えることができると主張することもできますが、フレーミングが重要だと思います。製品サービスの構築方法の詳細や、問題をどのようにフレーミングするかの詳細が重要です。
私が本当に興奮しているのは、一人の人間としてどのようにもっと行動的になり、社会的なことをし、真実、善、美に沿い、善を行い、基本的にはより良い人間になるかということです。私の願望に沿うことです。ジムでもっと健康になりたいとか、不安を減らしたいとか、私の道具的な目標が何であれ、これらのシステムを使ってそれを達成し、自分自身のエージェンシーを育むにはどうすればいいのかということです。
素晴らしい。実際に、ポッドキャストにあなたを招待したかった理由の一部は、それが非常に的確だと思ったからです。AIで私がやっていることすべて、さらにはキーノートやポッドキャストで話したいことについての私の考え方を全て再構成しました。それは素晴らしい視点だと思い、それを広めたいと思います。
素晴らしい。私は本当に世界の問題の多く、あるいは少なくとも私自身の問題の多くは、メタ認知が足りないことから来ていると真に信じています。私自身の問題の多くは、自分の人生が十分に吟味されていないことから来ています。意識しすぎているというよりも、自分の人生が十分に吟味されていないということです。
もう一つの理由で私が本当に興奮しているのは、自分自身のことをする能力を高めるにつれて、私はその行動が含む限界に急速に達したことです。そしてその限界と関わることで、私は人間として最も成長したと感じています。私の優先事項は何か、私が実際に気にしていることは何か、私の理想的な自己はどのようなものであるべきかについての概念化を再評価しました。
ですから、私たちがより行動的になり、そして育成を可能にするシステムがあり、私たちが世界でより多くのことをし、これらのシステムを使用すると、私たちとの相互作用によって改善され、それが相互に強化されるという、この相互的なループに関わる可能性について強力なものがあると思います。私たちがより行動的になるにつれて限界に達します。私たちは自分の制限的な信念や想像力の限界を見つけ、そしてそれらの制限的な信念や限界、制限的な行動を認識し、思いやりを持って関わることで、私たちは人間として成長すると思います。私の人生で最高のことは、そのような人間の成長から来たと思います。それが私が最近本当に興奮していることです。
それは素晴らしいミッションだと思います。それは実現可能で、私たち全員が個人としても、あなたが言うように私たちが構築する製品やAIシステムにおいても、小さな方法でも大きな方法でも取り組むことができることだと思います。
このポッドキャストのリスナーとして、私たちはエピソードの後半でそのトピックに戻ってきます。この種の賢明なAIについて、あなたが賢明と言うとは、つまり本当に良い1920年代のギャングスターの印象を与えることができるAIという意味ですね。この賢明なAIシステムという考え方については、エピソードの後半で、それに関連するあなたの著作についてもっと話し合いましょう。
5年前にあなたが書いたものから始めたいと思います。5年前、あなたはネイチャー論文の共同第一著者でした。恐らく多くのリスナーは知っていると思いますが、ネイチャーは最も権威のある査読付き学術ジャーナルの一つです。録音を始める前に私に話したように、このネイチャー論文のタイトルは「乳がんスクリーニングのためのAIシステムの国際評価」とかなり無害なタイトルですが、これがなぜ本当に興味深いのかを隠していますね。
その通りです。この論文について本当に興味深いことがいくつかあります。当時、チームは様々な種類の医療画像にどのように機械学習を使用できるかに非常に興味を持っていました。この特定の研究はマンモグラフィー画像に関するもので、これは多くの人々の生活に関連しています。この論文で実証したのは、生検確認済みの乳がんを予測するためにディープラーニングシステムを使用できるということです。予測は、どの国で予測を行うかによって2年から3年先の予測が可能です。これは異なる国で異なるスクリーニングガイドラインがあるためです。これらの生検確認済みのがんを数年前に予測でき、人間の専門家、放射線科医よりも優れた予測ができることを示しました。
アメリカとイギリスから収集した非常に大規模な後向きスクリーニングデータセットを用いてベンチマークしました。合計で数十万人、10万人以上の患者のデータを使用しました。詳細は論文に記載されています。また、データ収集に関係のない専門家の放射線科医との別の読影研究も行いました。このモデルは彼らすべてに勝利しました。チームはこれが出版されることに本当に興奮していました。AIは医療を利用しやすくし、より再現性の高いものにする大きな可能性を持っていると思います。それが取り組む機会を得た本当に興奮する研究でした。
この論文には他にも比較的有名な著者がいますね。デミス・ハサビス、ムスタファ・スレイマン、ディープマインドの共同創設者たちです。すごいですね。
これは興味深い状況です。この2020年の論文では、タスクにおいて人間を置き換えることができるAIシステムについて説明していますが、これは単なる置き換えではなく、拡張と補完に関するものですよね。
その通りです。一般的に言えば、人間とAIには異なる強みと弱みがあります。これは論文には本当に含まれていませんでしたが、乳がんスクリーニングに関する文献については少し詳しくないので、実際には活発な研究分野です。過去数年間は別のことに取り組んでいましたが、人間とAIの統合は非常に強力になり得る世界があります。それが本当に私を興奮させることであり、そして使用方法です。
例えば、国によってマンモグラフィー検査技師1人当たりの患者数の比率があると考えてみてください。この数字は手元にないですが、その比率が比較的小さい国もあり、また他の国では非常に多くの患者がマンモグラフィー放射線科医1人に対して存在するケースもあります。技術を使用して、潜在的に命を救うスクリーニングへのアクセスを多くの人々のために大幅に改善する可能性があるということは本当に素晴らしいことだと思います。
このスーパーデータサイエンスのエピソードは、NVIDIAを搭載したDell AI Factoryによって提供されています。これは、AIの成果をより速く達成し、AIとgeniをスケールで企業を拡張するのに役立つ、検証済みでターンキーなソリューションとエキスパートサービスを含む包括的なAI技術ポートフォリオを提供しています。NVIDIAの業界をリードする高速コンピューティングを備えたDellのAIインフラストラクチャとサービスの幅広いポートフォリオによって支えられており、GPUとネットワーキング、NVIDIA AI Enterpriseソフトウェア、NVIDIA推論マイクロサービス、モデル、エージェントのブループリントを含むフルスタックです。詳細はwww.dell.com/supportでご覧ください。
こちらはチューニングプレイブックですね。あなたはより系統的なニューラルネットワーク開発に情熱を持っていると自己紹介していますね。ニューラルネットワークは乳がんスクリーニングを容易にするAI技術の一種で、今日のテキスト生成、画像、ビデオなどのすべての種類の生成AIの機能も容易にします。すべてはニューラルネットワークで行われています。あなたはGoogleのチームの一部としてこのチューニングプレイブックを発表しました。それについて教えてください。
このプレイブックの背後にある動機の多くは、実際にこのマンモグラフィー論文の後に来ました。当時も今も、ニューラルネットワークのトレーニングは非常にアドホックで、一部の人は不親切に「錬金術的」と呼ぶかもしれません。それは少し本当ですが、モデルをトレーニングして展開するには多くの実験と実証主義、そして多くの研究が必要です。私が本当に興味を持ち、興奮したのは、その時点で多くのモデルをトレーニングし、多くのモデルをトレーニングした多くの人々を知っていて、このプロセスをどのように体系化できるかということでした。
私たちが関心を持っていた広範な研究課題は、錬金術から化学への移行のようなものを想像することができます。体系化はエンジニアリングにとって非常に役立つものです。実際、その論文では私が最初の著者ですが、他の著者たちは私よりもはるかに知識があり、私はそこから学んだことすべてが彼らから来ています。私たちは頭を寄せ合って、何がうまくいったか、何がうまくいかなかったかを書き留めようとしました。私たちは集合的にモデルをトレーニングするためのデカードの経験があり、ハイパーパラメータチューニング、アーキテクチャ、モデル選択のさまざまな側面について考えるための系統的なアプローチを提供したいと思いました。
このプレイブックはChatGPTが登場する前にリリースされたと思いますが、プレイブックに記述されていることの多くは今日でも非常に当てはまると思います。なぜなら、このプレイブックの意図は、ハイパーパラメータスイープの実行方法、どのような種類のプロットを作成すべきか、コンピュート予算やこれらの問題の制約を持っている場合に、一連のステップを系統的に進み、確実に良い結果に達するにはどのようにすればいいか、そしてこれを繰り返し行うためにどのようなプロセスを持つべきかについて、より体系的に実験的にアプローチする方法を根本的に見ることだったからです。それがこの本全体の内容です。
当時、それはインターネット上で人気を博し、私はそれについて非常に興奮していました。私たちはMarkdownファイルとしてリリースしました。当時、論文やMLアーティファクトをリリースする標準的な方法はPDFやアーカイブでしたが、私たちは本当にこれをマークダウンファイルとしてリリースしたいと思いました。クリエイティブ・コモンズライセンスか、何らかの寛容なライセンスを使用して、コミュニティが簡単にフォークし、修正し、独自のベストプラクティスを考案し、プルリクエストを送り返すことができるようにしたかったのです。それが一種の協力的なものであることを望んでいました。私たちが正確に明確にしていたわけではありませんが、結果として多くの人々がそれをフォークし、さまざまな言語に翻訳を集合知で行いました。私は英語しか話せないので、私たちによって承認されていませんが、それはかなりクールなことでした。今日もモデルをトレーニングしている人々にとって非常に関連性があると思います。
それは貴重なリソースだと思います。私だけではなく、録音時点で28,000のスターがついています。これは信じられないほど多く、プロジェクトで見たことのある中で最も多いスターの一つです。非常に影響力があり、素晴らしい貢献者がいます。あなたとGoogleブレインチームに感謝します。ハーバード大学のクリストファー・シャロウもいましたね。
はい、彼は実際にハーバードに行く前にブレインにいました。彼はすごいです。私は最初の著者ですが、他の著者たちは本当の頭脳で、ジョージ・ディーズ、ジャスティン・ギルモア、ザック・ネイトー、クリス・ジュルー、彼らが本当の頭脳です。私は彼らから学び、すべてを進めていました。彼らと一緒に働くのは楽しく、それを公開できて感謝しています。
私はディープラーニング入門コースを教えており、10年近くになります。約5年前、6年前に、私が開発したカリキュラムが入門書として出版されました。クラスでは常に質問されることがあります。レイヤーを追加したり、レイヤーのニューロン数を倍にしたりできることを説明した後に、「なぜそうするのですか？なぜそのような決定をするのですか？」と聞かれます。私は基本的に「実験して経験的に見つけるか、グリッドサーチのような何らかの検索を行うかのどちらかです」と言ってきました。最も単純なのはグリッドサーチで、検索するパラメータをいくつか設定しますが、理想的なパラメータが何であるかを見つけるためのより賢いアプローチもあります。
はい、このプレイブックはそのような質問についてのものです。これはより一般的なアプローチを取ろうとしているので、新しいレイヤーを追加すべき時やレイヤーの幅を変更すべき時を教えるものではありませんが、「今持っている実験があり、次に実行すべき実験は何か」という問題を実践者が扱うのを助けるものです。なぜなら、あなたが基本ケースと良い反復関係を設定できれば、成功に向けて反復できるという仮定があるからです。そのため、実験の適切な初期状態を設定する方法や、収集したデータに基づいて次に行うべき実験を考える方法について、プレイブックで多く考えています。
私はこれを生きた文書として意図していることを強調したいと思います。だからこそGitHubにMarkdownファイルがあり、意見を変更する権利があり、フィードバックは非常に歓迎され奨励されています。これは最終的な答えではなく、著者を代表して話すつもりはありませんが、モデルをチューニングする方法について誰もが従うべき仲裁者として振る舞うつもりはありません。私たちはしばらくモデルをトレーニングしており、それをどのように考えるかについて私たちの意見を述べているだけです。それがこの種の雰囲気です。人々の助けになることを願っていますが、そうでない場合は「issue作成」をクリックするなどして、フィードバックをください。
素晴らしい、このリソースを私たち全員のために作成してくれてありがとう、バルン。あなたがこの貴重なリソースを作成するために情報を得た全ての人にも感謝します。素晴らしいですね。この、より体系的なニューラルネットワーク開発への関心の後に、または並行して、コード生成研究にも取り組んでいましたね。これもまたChatGPT以前ですよね？
はい、その通りです。実際にはこのプレイブックは、私が医療画像からLLMへと移行するときの過渡期でした。これはChatGPTの前でした。Googleリサーチブログにこのコードジェネレーションツールのインパクトについての投稿があるからです。
私たちはしばらくそのプロジェクトに取り組んでいました。そうですね、それはChatGPTの前でした。今思い出しました。
このリンクをショーノートに載せておきますね。2022年7月のブログ投稿があり、これはChatGPTのリリースの3ヶ月前、4ヶ月前です。このGoogleリサーチブログの投稿のタイトルは「MLによる強化されたコード補完は開発者の生産性を向上させる」です。明らかに先行していました。
今では驚くことではありませんね。恐らく、コードを書いているリスナーは全員、GitHub Copilot、Claude、Google Gemini、ChatGPTなど、コード補完を支援するツールを使用しているでしょう。コード補完に役立つツールはたくさんあり、非常に貴重なツールですが、2年半前の2022年7月には、それは明らかではなかったかもしれません。それは気が散るようなものか、コード補完が作成するミスを選別するために実際にはより多くの時間がかかるようなエラーが多すぎるように思えたかもしれません。
その時点で私はすでに知っていました。シーケンスツーシーケンスモデリングはしばらく前から大きなものでした。最初の使用例は翻訳でしたが、これは本当にクールなことのように思えました。初期の結果は本当に有望で、ブレインチームで私が尊敬する多くの人たちがこれに本当に興味を持っていました。そして、これは本当に素晴らしいユースケースのように思えました。
私たちが医療画像の仕事をしていたときに、または当時、私はしばらくディープラーニング研究をしていたとき、以前に見たことがあることの一つは、それは初期段階でしたが、モデルが多くのことに非常に急速に改善されていく様子は非常に魅力的でした。毎年、ハードウェアが良くなり、モデルのサイズが良くなりました。そして、エンジニアリングの生産性のためにこれを使用できるという兆候があったとき、それはただ私には意味があるように思えました。それは素晴らしいプロジェクトで、それに取り組むことができて本当に感謝しています。チームは本当に素晴らしく、多くのことを彼らから学びました。
コード補完は明らかに、今日、利用可能な一般的なLLMの一部として非常に価値があることを知っています。すでにClaud、ChatGPT、Deep Seekアルゴリズムなど多くのものを挙げました。これらは記録時点で大きな反響を呼んでいます。私が最近たくさん使用している別の価値あるコード補完ツールはGoogle Geminiです。Google Geminiは素晴らしいLLMであり、あなたはGoogle Geminiチームにいて、そのチームの一部としてコード生成にも取り組んでいましたよね？
はい、その通りです。私はGeminiの最初からの一員でした。私はそのチームのコアメンバーで、最近Googleを離れるまでそのチームにいました。確かに興奮する時期で、楽しかったです。
AIシステムができることの最先端で働くチームにいることは素晴らしいことだと想像できます。例えば、録音時点で、LLMアリーナを見ると、人々が出力をランク付けすることができますが、録音時点では最良の一般的なLLMとして統計的に同点の首位にあるのはGoogle Gemini 2.0 Flash、Google Gemini 2.0 Pro、ChatGPT-4o、Deep Seek R1です。これはさまざまな異なるメトリクスを集約した結果です。そして、もし95％の信頼区間を超えてもいいなら、首位全体にあるのはGemini 2.0 Flashです。そういうものに取り組んでいたなら、とても誇りに思うでしょう。
私は大きなチームの一人の人間でした。本当に楽しかったですし、素晴らしい経験でした。そこの人々は本当に素晴らしいです。
また、具体的な詳細についてはあまり詳しく話せませんが、録音前に特定のPyTorchライブラリについて、例えば私が定期的に使用しているPyTorch Lightningについて話していた時、あなたはPyTorch Lightningを聞いたことがないようでした。「バルンがどうしてPyTorch Lightningを知らないのだろう」と思いました。そして「そうか、もちろん、PyTorchはMetaの製品だから、おそらくGoogleでは使用していないのだろう」と考えました。「みんなTensorFlowを使っているのかな」と思いましたが、実際にそうではないと教えてくれました。
多くの人がJAXを使用していて、最近ジェイコブ・オースティンがTPU上のモデルをスケーリングするための本当に素晴らしいガイド/チュートリアルを投稿しました。JAXとTPUはGoogleのモデリングで大量に使用されています。私はしばらくGoogleにいたので、外部で何が起こっているかについて少し無知です。毎日のスプリントモードでやることに追われて、特に過去数年間は、個人的には機械学習に取り組むことが圧倒的だと感じています。世界のどこかで誰かが何か素晴らしい新しいことをしたという信じられないほどの新しい発表が数週間ごとに行われているようです。正直、5年前か10年前は機械学習はもっとシンプルな時代でした。今では毎週何かが起こっているようです。
友人の皆さんにお知らせします。第10回年次ODSC East（オープンデータサイエンスカンファレンスEast）、2025年に見逃せない唯一のカンファレンスが5月13日から15日までボストンに戻ってきます。私はそこでエージェンティックAIに関するハンズオンワークショップを主導します。ODSC Eastは、世界クラスのAIエキスパートによって教えられるハンズオンセッションとAIトピックへの深い掘り下げで満たされた3日間です。さらに、優れたネットワーキングの機会もあります。スキルレベルに関係なく、ODSC Eastはあなたのキャリアを次のレベルに引き上げるのに役立つAIの専門知識を得るのに役立ちます。早期割引は間もなく終了します。詳細はodsc.com/bostonでご覧ください。
本当に凄いですね。私がショーを主催し始めた4年半前は、毎週話したいと感じるような重大なニュースが必ずしもあるわけではありませんでした。定期的なリスナーは、私が週に2つのエピソードを行っていることを知っています。火曜日のエピソードと金曜日のエピソードです。火曜日のエピソードは常にゲストがいて、より長く、通常約1時間の長さです。そして金曜日にはもっと柔軟性があります。
キリル・エレンコが最初の4年間ショーをホストしていたときに私がホストを引き継いだとき、彼は金曜日を「5分の金曜日」と呼んでいました。それらは短いソロエピソードで、多くのエピソードで人生の哲学的なアドバイスについて話していました。そして私はある程度その伝統を引き継ぎましたが、その伝統を引き継いだ理由の一部は、あなたが開発したいかもしれない習慣や習慣を維持する方法について話すことが多かったのは、データサイエンスや機械学習で新しいことについて常に話すことがあるわけではなかったからです。
今はそれが当てはまりません。金曜日のエピソードで常に話せることがたくさんあります。ここ数年間、私は時々接線的に関連するトピックのゲストを招いていましたが、例えば数ヶ月前には経済学者を招いて、歴史と比較してこんなに素晴らしい時代なのに人々が常に幸せではない理由について話し合いました。このような興味深いエピソードを時々ゲストと一緒に提供しようとしていますが、私一人のときはほとんど常に特定のデータサイエンストピックについて研究しています。それは通常、今日の機械学習やAIのトピックを意味します。新しいデータ可視化技術についてのエピソードはあまり行っていません。
これは狂気じみています。私たちの下で本当にカンブリア爆発が起きていると思います。一般的なディープラーニング、特にLLMは、私の短いキャリアの中で見てきた中で最も深遠なものの一つだと思います。コンピューティングの歴史を見るとき、起こっていることは狂気じみています。LLMがどのように機械学習自体を変革したかも魅力的です。
LLMの見方の一つとして、MLの才能を仲介するものと見ることができます。過去には、MLエンジニアになりたければ、PyTorch、JAX、JAXなどを学ぶ必要がありました。すべてのデータを収集する方法を学ぶ必要がありました。あなたが解決しようとしていた目標が製品に”インテリジェンス”を導入することであれば、今では明らかに、プロンプトで明確な英語で望む行動を明確に表現し、その推論呼び出しの性能を測定して特徴付けるための良い評価指標を持つ必要があるだけのようです。
パンと定番だった機械学習の多くが単なるプロンプトエンジニアリングになり、効果的なプロンプトに必要なスキルセットと効果的にモデルをトレーニングするために必要なスキルセットがどれほど異なるかは魅力的です。私が長い間興味を持っていたのは、推論を当然のことと考えられる世界、つまり豊富な推論呼び出しの上にシステムを構築できる世界では何を意味するかということです。あなたのプロンプトを体系的にチューニングし、モデルが改善されるにつれてプロンプトを体系的に管理するとはどういうことかということです。
それが実際に私がGoogleを離れる前に公開した最後のものの一つでした。プロンプトエンジニアリングのためのプレイブックです。このプレイブックには実際に2つの部分があります。最初の部分は私の高レベルの考え方、事前トレーニングと事後トレーニングについての考え方、プロンプトエンジニアリングについての考え方に関する高レベルのメンタルモデルです。そして後半は良いプロンプトがどのようなものか、悪いプロンプトがどのようなものかという明確な処方です。しかし、プレイブックで述べたように、私は最初の半分は2番目の半分よりもはるかに興味深く、将来にも通用すると思います。なぜなら、2番目の半分は現在のモデルから書かれているからです。
Gemini 1.0やGPT-4oやGemini 1.5などのプロンプトエンジニアリングは、40や1.5のプロンプトエンジニアリングとは質的に非常に異なるように感じます。しかし同時に、その違いは、プロンプト自体の表面レベルの形式にあると感じています。フードの下で実際に何が起こっているのか、そのプロンプトがどのように計算に変換されているのかについてのメンタルモデルではなく、その違いを感じます。もちろん、それは下にモデルがあるのでちょっと難しいですが、それがチューニングプレイブックの最初の半分が扱おうとしていることです。それについてどのように考えることができるかについてです。
私がそれにアプローチする方法は、人々に説明することです。ここで少し哲学的になりますが、最近行ってきたことの一部に関連しています。LLMはある種の「何でも機械」であり、それらは一般的なシーケンスからシーケンスへの機械です。それにもかかわらず、LLMに答えを求めると、例えば「ジョンは何歳ですか」や「ある有名人は何歳ですか」と尋ねると、答えを出しますが、このものは世界に実在するものではなく、トレーニングされたデータセットからその事実性を得ています。
それがプレイブックが説明しようとしていることです。LLMの目的のために客観的事実というものは存在しないと考えることができます。例えば、「指輪物語」のファンの方々に言えば、「アラゴルンはゴンドールの王である」という命題を考えてみましょう。ジョン、あなたは「指輪物語」のファンですか？
「指輪物語」の映画をすべて見たことがあります。何年も前のことですが、「ホビット」も読みました。「ホビット」を読むのは好きではありませんでした。退屈で直線的だと感じました。
では、こういう質問をしましょう。「ビルボ・バギンズはホビットである」という命題を考えてみてください。これは私の声明です。これは真か偽か？
真だと思います。
では、ビルボ・バギンズはどこにいるのか示してください。バギンズはどこにいるのですか？彼はシャイアーにいます。シャイアーは実在しませんよ。ビルボはどこにいるのですか？シャイアーが実在しないのに、どうして真であり得るのでしょうか？
J・R・R・トールキンはシャイアーで何が実在するかを決める神です。シャイアーの世界では真ですが、地球では偽です。小説が何らかの形で実在するとでも言わない限りは。重要なのは、あなたが作る命題はすべて背後に特定の前提があるということです。
だからこそ、プレイブックでは「シネマティックユニバース」と呼びました。なぜなら人々は今やその考え方に慣れているからです。DCやマーベルなどのさまざまなシネマティックユニバースがあります。重要なことは、「ビルボ・バギンズはホビットである」という命題の真偽は、あなたがどのシネマティックユニバースにいるかに依存しているということです。DCシネマティックユニバースにいる場合、その命題はおそらく意味をなさず、解決可能な真偽値を持ちません。「ホビット」のシネマティックユニバースでは、それはある程度意味を持ちます。地球のシネマティックユニバースでは、そうではありません。
シーケンスからシーケンスへのモデルを考えると、私が考える一つの方法は、インターネットやすべての書かれたテキストコーパスが、存在するすべてのシネマティックユニバースの集合和の近似であるということです。問題は、これらすべてをトレーニングし、それに基づいて統計モデルで次のトークン予測を行うと、その分布には多くのモードがあるということです。しかし、モデルは、あなたが気にするシネマティックユニバース、つまりあなたが気にするモードが、モデルが適合したモードではないかもしれません。これが事前トレーニングの問題です。
事後トレーニング中に行う必要があるのは、その分布を実際にあなたが望むものに形成することです。常に2人の参加者がいる特定のシネマティックユニバースで、一人はAIアシスタント、一人は人間です。モデルはインターネットにアクセスできません。モデルの世界との物理的な相互作用についていくつかの仮定があり、ユーザーが誰であるかについていくつかの仮定があり、何が事実であるかまたは事実でないかについていくつかの暗黙の仮定があります。
だからこそ、事前トレーニングされたモデルやどんなモデルでも、「こんにちは、調子はどうですか」のような十分に指定されていないプレフィックスを与えると、適切に事後トレーニングしていない限り、無意味な生成が得られるのだと思います。どのシネマティックユニバースにいるかを知らないからです。「ある有名人は何歳ですか」と尋ねても、実際の有名人について話しているのか、架空の宇宙について話しているのか、その命題がX年前に真であったときについて話しているのか、今について話しているのか分かりません。この人間性がすべて機能するためには、実際に多くの認知的な足場が必要なのです。
プレイブックの最初の半分は、これを少し詳しく説明しようとする試みです。そうすれば、それがプロンプトエンジニアリングについての考え方に影響します。なぜなら、その意味は、プロンプトエンジニアリングの考え方の一つとして、事後トレーニングのデータは人間のレーティングから来るということです。デモンストレーションを作成している人間からです。これらの事後トレーニングされたLLMの考え方の一つは、それらがAIアシスタントを演じている人間のレーターを演じている統計モデルであるということです。それは理解できますか？
それは理解できます。さらに一歩進めると、どのようにモデルを効果的にプロンプトするかということになります。ここでインターネット上で見たのは、「モデルに正しいコンテキストを入れることがすべて」ということです。それはある還元的な方法では真実だと思いますが、実際に私たちが話しているのは、一つの考え方として、あなたがプロンプトを書き、通りから人をランダムに選んだと想像してください。今、この人は人間の知識のすべての合計にアクセスできますが、あなたが誰であるかわかりません。
プロンプトがあるときに、通りから選ばれた人がいて、その人は人間の知識のすべてにアクセスでき、プロンプトが入るたびにプロンプトを読み、プロンプトに入れたデータを読み、そして応答を決定すると想像してください。実際にはそうなっていませんが、そのように考えると、プロンプトに実際に何を入れるでしょうか？そのような人にどのように効果的に伝えるでしょうか？
面白いのは、「ラバーダック効果」というものがあります。アドバイスを求める前に、あなたの問題をゴム製のアヒルに説明してみるというものです。そして、私が発見したのは、人々が「私のプロンプトがうまくいかない」と不満を言い、それがうまくいかない方法やモデルが彼らが望むことを理解していない方法をすべて並べ立てるとき、私が彼らに「これらの不満をプロンプトに入れてみましたか」と言うと、通常プロンプトがはるかにうまくいくということです。
別の考え方として、「高コンテキスト文化」と「低コンテキスト文化」の違い、つまりより明示的なコミュニケーション形態とより暗黙的なコミュニケーション形態の違いがあります。私はこれらのモデルをプロンプトする最も効果的な方法は、それらに対して非常に明示的になることだと発見しました。
プレイブックで推奨するもう一つの本は「非暴力コミュニケーション」です。これはセラピーとカップルセラピーで学びました。モデルをよりうまくプロンプトするためにカップルセラピーを受けたわけではありませんが、効果的な対人コミュニケーションと他者から望む観察可能な行動について明示的になることは、実際にこれらのモデルをより効果的にプロンプトすることとそれほど違わないことがわかりました。これらすべてはプレイブックに含まれており、私が過去数ヶ月間考えてきたことに影響を与えています。
それは本当に面白いですね。Googleのソフトウェアエンジニアがカップルセラピーに行き、その結果としてプロンプトエンジニアリングが上手くなるなんて、本当に効果があったんですね。
私が経験的に見つけたのは、プロンプトが最も上手な人々がコンピュータサイエンスを最も知らない、というこの逆相関関係です。これはすべて逸話的なものであり、科学ではありませんが、効果的にプロンプトする能力に必要なスキルは、2人の参加者が互いに知っていることについて多くの仮定を持っていないコンテキストでの効果的な対人コミュニケーションに必要なスキルと非常に似ているようです。それは挑戦的です。
そこで素晴らしい洞察をありがとうございました。ここまでGoogle時代の仕事について多くを話してきました。Googleブレイン研究チームでGeminiに取り組み、非常に素晴らしいことをし、最近ではこのLLMプロンプトチューニングプレイブックについて話しました。しかし数週間前か記録時点で1ヶ月ほど前に、あなたは実質的に引退しました。今は忙しく過ごしており、引退した中で忙しくしていることの一つが執筆です。
このエピソードの冒頭に戻ると、ナタリー・モモのあなたとあなたの仕事についての投稿が、あなたにこのエピソードに出演を依頼するきっかけとなりました。彼女が言及した特定の投稿は「知識から知恵へ：LLMの時代における価値創造」というもので、これはすべて賢明なAI、つまりエピソードの冒頭で話し始めたことに関するものです。一般的に賢明なAIとは何か、あなたのビジョンを教えてください。
エピソードの冒頭で、エージェンティックAIシステムに焦点を当てるのではなく、人間のエージェンシーを高めるという考え方について話しました。LLMやAIを使って人間のエージェンシーを強化し、私たちを最も賢明で最高の自分自身にし、メタ認知を助けるという考え方です。実際、今日のエピソードの中ですでに十分に話したかもしれませんが、他に考えていることがあれば教えてください。
確かに話したいことの一つは、LLMから生じる複雑さや課題です。人工汎用知能（AGI）を明示的に追求している多くの研究所があります。これは、人間ができる学習を何でもできる単一のAI巨石という考え方ですが、多くの点で人間の知能とは異なり、その膨大な幅のために人間の知能よりも強力になる可能性があります。
録音を始める前に、Tシャツのサイズについて話していましたね。Tシャツの幅と高さについて。そのアナロジーを説明していただけますか？基本的に、これらのLLM、これらのAIシステムがAGIに近づくにつれて、より多くのタスクがLLMによって実行できるようになるにつれて、コード、アート、そのようなものを作成する限界コストはゼロに近づきます。これは人間の目的、私たちが自分自身をどのように評価するか、何をすべきかに対して本当に興味深い意味を持ちます。
そうですね、たくさんあります。まず、少し視点を広げましょう。まず、AGIが何であるかについての単一のコンセンサスな定義があるとは思いません。目標のポストがその真の意味について常に移動しているようなものの一つに感じます。
そこで話を広げると、私がその投稿を書いたとき、それは単なる意識の流れでした。正直に言って、これらのアイデアの多くについてまだ頭を悩ませています。その投稿は、私が考えていることについてリアルタイムでブログを書くような、オープンソースブログのようなものでした。
アプローチしたかった方法は、物事がどこに向かうのか、AGIを持つSF的な未来がどのようなものになるのかを予測するのではなく、現在どこにいるのか、現在何が起こっているのかを第一原理から見て、関連する曲線が今どのようになっているのかを明確にし、それを少し外挿し、そのような外挿の含意は何かを見て、それをさらに少し外挿し、その含意を見るというものでした。特にAIに関して多くのハイプとスネークオイルがあるので、実際の数字と曲線から始めたいと思いました。
最初に私に思いついたのは、インターネット上で多くの人々が言っていることですが、毎年同時に2つのことが起こっています。モデルはすべてのベンチマークでより良くなっています。今日のClaud、Gemini、ChatGPTなどは、12ヶ月前に比べて一般的に本当に良くなっています。しかし同時に、その同じ機能に対して、推論のコストは桁違いに下がっています。コンテキストウィンドウは大幅に増加しています。ある意味で、レイテンシーは改善されています。以前のモデルができることを同じようにできる小さなモデルが登場しているからです。
これはすべて、コンピューティングの他の場所で見られたことを反映しています。最初に大きくて高価なものが登場し、次に安価なものが登場します。これはコンピューティングだけでなく、テスラ・ロードスターはモデルSやモデル3よりも先に登場するようなものです。そこから始めました。そして、エピソードの冒頭で指摘したように、人々がこれらのモデルを使用していることの一つは、ソフトウェアエンジニアの生産性向上のためです。Cursor、Loveableなどのすべてのスタートアップ、GitHubのCopilotなどです。
その曲線をプロットすると、その曲線の動きは非常に驚くべきものです。そしてそれを少し外挿すると、すでに見始めている現象があります。伝統的なソフトウェアエンジニアではなく、自分をソフトウェアエンジニアとして識別しなかった人々にとって、これらのツールが存在するため、ソフトウェアを生産する行為がはるかに近づきやすくなっています。コード自体を生成する行為だけでなく、コードが何をしているのか、何か不明瞭なものを理解するなど、ソフトウェアを生成して配信する実践がはるかにアクセスしやすくなっています。
これらの2つのことを駆動しているフィードバックループがあるように思えます。それは別途話し合うことができるかもしれませんが、重要なことは、その曲線には多くの勢いと力があるように見えるということです。その曲線を論理的な結論まで外挿し始めると、何が起きるでしょうか？それはどのようなものになるでしょうか？2つのことが浮かび上がりました。
1つ目は、数年前にオープンソースのLAMPスタックが登場した後にフルスタックエンジニアが登場したのと同様に、私が「フルスタック社員」と呼ぶものが登場し始めると思われます。例えば、プレAI世界で、チームにUXデザイナー、PM、エンジニアがいるとします。PMが新機能をリリースしたいと考えています。
旧世界では、PRDを書き、UXデザイナーにモックを作ってもらい、エンジニアリングマネージャーにそれを優先させることに同意してもらう必要がありました。それはそのチームを新しい未来に向けて整列させるための巨大なことでした。私たちが急速に近づいている世界では、チームがAIアシスタンツールを使用していると仮定すると、PMは実際にはおそらく出荷しないプロトタイプを作成できます。しかし、彼らはエンジニアマネージャーやチームに生成されたモックと生成されたプロトタイプを持って行き、相互作用を示し、それがどのように見えるかを示し、プロトタイプを使ってユーザーリサーチを行い、エンジニアが実際に優先すべきかどうかを考える前に、それを大幅にリスク低減することができます。これは非常に近い将来のことです。
私がここで説明しているのは、役割がどのように機能するかについての一種の流動性です。そして、その曲線からの外挿を続け、モデルが改善され続け、安価になり続けると仮定すると、未来の組織がどのように見えるかは私にはわかりません。現在、多くの組織は機能的に編成されており、PMやUXデザイナーやエンジニアがそれぞれのグループにいるという意味です。あるいは、それがどのように編成されているかについての異なる排列があるかもしれませんが、PM、UX、エンジニアの役割は業界内のコンセンサスとして比較的明確に定義されています。
しかし、これらのAI対応ツールが予測できない方法であなたを加速できる世界に達すると、これらのチームがどのように組織されているかに多くの曖昧さや流動性が注入されます。最近考えているモデルは、私が「フルスタック社員」と呼ぶものです。彼らは狭い領域内だけでなく、そのチームや人々の単位が広い組織で価値を提供する方法について、スタック全体を考えています。
これらの役割の一つの見方は、それらは製品であり、スキルの束であるということです。価値を創造する方法は常にバンドルするか、バンドルを分解するかのどちらかだと誰かが言っていたと思います。私たちが目にしているのは、チーム内に集約されたスキルセットが解体され始め、組織やチームの特有のニーズに応じて動的に再結合できるようになることの始まりかもしれません。これは考えると非常に驚くべきことです。
同時に、これらのモデルは一般的に利用可能なため、私が気づき始めていることは、固定的な複雑さを持つソフトウェアを提供するコストが、モデルの品質や推論のコストに比例して急速に下がるだけでなく、複製のコストも下がるということです。例えば、あなたがウェブサイトを作成し、SaaSのようなものを作り、市場での差別化があまりないとします。私がそれを再現するコストは、私も何らかの理由であなたと差別化したくなく、あなたと最低価格を競争したいと仮定すると、LLMなどが一定の経済性を持つとしても、多くの製品やサービスが突然、非常に差別化されていない限り、過去よりもはるかに競争が激しくなるという本当に興味深いダイナミクスがあります。
私が到達した自然な結論は、これらはすべて仮定であり、多くの「もし」のチェーンがありますが、ソフトウェア業界は音楽業界にもっと似てくるのではないかと考え始めました。訪れる都市のホテル価格を変えることができる一人か二人のアーティストがいて、他のほぼすべての人がそのスペクトルの反対側にいるようなものです。非常に差別化された製品やサービスを提供して競争優位性を維持し、利益を維持できない限りは。
これが知恵につながります。なぜなら、良いアイデアはどこから来るのでしょうか？もし、ビットの世界では、物理的な世界とは異なる力学があるかもしれませんが、ビットの世界では、多くの勢いを持っている経済的な曲線があると言うなら（これは二項対立ではなく、グラデーションのようなものですが、同時に不連続です。例えば、チームが十分に小さければ、しばらくPMを雇わずに全員で仕事ができるかもしれません。エンジニアをあまり雇わなくても良いかもしれません）、この曲線自体は滑らかかもしれませんが、その結果は市場への影響において非常に不連続かもしれません。それを予測するのは非常に困難ですが、この曲線に沿って進み続け、市場で適切に差別化する価値が増加し続けると見ると、洞察を体系的に育成することへのプレミアムがますます高まることを意味します。
良いアイデアはどこから来るのでしょうか？それは人間から来ます。モデルがそれを行うことについてのSFについても話すことができますし、そこには多くの哲学があります。必要であれば詳細に入ることもできますが、この思考実験では、最終的には会社や組織には人間のステークホルダーがいると仮定しましょう。人間は良いアイデアをどこから得るのでしょうか？
文献の多くは、私はまだこの分野の学生であり、まだ学んでいますが、知恵の積極的な育成と好奇心、心の開放性、探索、全体的な適応性の積極的な育成のためのさまざまなプロセスの間に多くの類似点があるようです。
これらのアイデアを真剣に受け止めると、知識が急速に商品化されつつある世界では、あなたが一人の人間としてどれだけ賢明であるかが重要な差別化要因になります。どれだけ社会的であるか、コミュニティにとってどれだけ価値があるか、そしてどれだけ自己著述的であるかということです。自己著述的とは、私が何かのライセンスを持っているという意味ではなく、ジョセフ・キャンベルの意味で「あなたの喜びに従っている」ということです。あなたは自発的に個性化し、人生の道に沿って進み、知恵を育んでいるのでしょうか？
ナタリーやいくつかの人々と話し合った結果、この技術について私を興奮させるのは、単にものを自動化することではありません。なぜなら、そのフレーミングは非常に急速に、ある見方では完全競争の世界につながる可能性があるからです。それはあなたが住みたい世界ではないかもしれません。経済で差別化された価値を創造したいなら、モデルやこれらのAIシステムがより行動的になるにはどうすればいいかというフレーミングではなく、私がより行動的になるにはどうすればいいかということが重要です。私がより行動的になることで、自分の制限的な仮定や行動に出会い、それによって知恵を増すことができます。
この技術を私の認知スタックの一部として統合して、家族、友人、コミュニティ、ビジネスなどに対して特定の方法で現れるという私の願望や目標を満たすために、より効果的な人間になるにはどうすればいいのでしょうか？このマップの大部分はまだ私にとって非常に不明確ですが、このスレッドを見始めると、瞑想や知恵の実践、セラピーなどに長年興味を持っていましたが、それが私にとって本当に強力になりました。
これらのことをどのように結びつけることができるか、そしてそれらを結びつけることは何を意味するのかについて好奇心を持ち始めました。それは、これらのモデルを効果的に使用する方法についても深い洞察をもたらしました。誰かが言ったように、「メディアはメッセージである」です。私たちはこれらのものと会話するために自然言語を使用しますが、言語は人間のために人間によって作られました。これらのモデルは明らかに人間ではなく、言語は人間性について多くの認知的仮定を持っています。そのため、これらの機械とより効果的にインターフェースして世界で価値を創造する方法について、非常に興味深い場所に導くと思います。これが私の考えのスレッドです。
非常に長く複雑な質問をしたので、長い回答になるのは理解できます。また、非常に魅力的です。その引用「メディアはメッセージである」は実際にカナダのコミュニケーション理論家マーシャル・マクルーハンのものですね。
あなたが言ったことはすべて魅力的です。人々が知恵を追求して差別化し、基本的に経済を救うという考えに至ったことは興味深いですが、その考えが好きです。
私はそれを経済の救済とは表現しないでしょう。次のように表現します。自動化の限界が何であるかは明確ではありません。これがモデルがどこまで良くなるかは本当にわかりません。個人的にはそうは思いませんが、どれほど良くなるかもわかりません。
これは少し哲学的になりますが、哲学について以前はあまり気にしていませんでしたが、これらのモデルで実際の問題を解決する方法を考えるとき、今の私の人生ではより有形なものに感じられます。
経済を救うという見方ではなく、私の考えでは、経済は人間の繁栄のためにあるか、あるべきだということです。それが私が個人的に気にしていることです。私は経済全体を変えることはできませんし、そのような力は欲しくありません。賢く導くことができるとは思いません。しかし、自分の人生では、自己欺瞞している方法、愚かである方法、より良くなりたいと願う方法があることを知っています。将来何が起こるかはわかりませんが、私の人生で最高のことは自分自身に取り組み、より良く振る舞うために自分自身に取り組むことから来たことを知っています。セラピーで毎年、それは私の身に起こった最高のことでした。自分自身のための最高のプロンプトエンジニアになることです。
ここには何か深いものがあると思います。プロンプトエンジニアリングについても、問題を解決する前に、自分自身に「考える必要があるものは何か」とプロンプトすることがどれほど頻繁にあるでしょうか。そして私たちの中には答えを生成し始める何かがあります。それが魅力的だと思います。これが最終的に認知のモデルを本当に根付かせ、自分自身をより理解するのに役立つことがあるというのも魅力的です。
私が気にしているのは、より良い人間になろうとすることです。それは少しありきたりに聞こえるかもしれませんが、現実が私を長年にわたって打ちのめした後、それが実際に私の時間を使う最も有用なことであることを学びました。経済を救うというよりも、私たちが個人として、少なくとも私たちがコントロールできる範囲内で人間の繁栄に取り組むためのツールをどのように持つことができるかと考えています。私にとって経済は、単にそれが何であれ出現したものです。
そこに到達しようとしていたのは、それが私たちがAIで進むべき高貴な目標であり、私がエピソードの冒頭で述べたように、それが私が今広めているメッセージであり、AIがどこに向かうべきかという点では、人間の繁栄を可能にし、できる限り私たちをサポートすることです。素晴らしいですね。
あなたのニュースレターへのリンクと、特に「知識から知恵へ：LLMの時代における価値創造」というこの特定の投稿へのリンクを提供します。このエピソードが公開される頃には、あなたがより多くの考えを持ち、それらをより完全に展開するにつれて、これに関連する他のブログ投稿もあるようです。
あなたが今、サバティカルまたは引退中であるということが好きです。あなたは「引退」と言いましたが、私はそれを聞いて緊張しました。私は休憩が欲しいだけで、少しリラックスしたいだけです。しかし、その後仕事をしたいです。これは人間としての開発の一部ですね。おそらくソフトウェア開発について主に話していると思いますが、あなたも人間として多くの開発をしているようです。
その点について、私たちの個人的な発展に役立つ本の推薦をいただけると嬉しいです。録音前に話したことに基づいて、私たち全員の個人的な発展に役立つ本の推薦があるかもしれませんね。
ヘルマン・ヘッセの「シッダールタ」を強くお勧めします。私は何度も読み返してきた本で、とても深い本だと思います。本当にお勧めします。
ボーナスとして、ビデオの方が本よりも好きな人々のためには、トロント大学のジョン・ヴァーヴァエキス教授による「意味の危機からの目覚め」講義シリーズを強くお勧めします。彼は本当に素晴らしいものを持っており、「意味の危機からの目覚め」は意味と顕著性などについてですが、この講義シリーズを見ることで、LLM、プロンプトエンジニアリング、認知に関する私の考え方が大幅に向上しました。
非暴力コミュニケーションがプロンプトエンジニアリングをより効果的に行ったり、対人コミュニケーションパターンについて考えるのに役立ったのと同じように、その講義シリーズを見る人は、認知とあなたがどのように意味を作り、何を関連性があると思うかについてより深い探求を得ることができます。したがって、LLMに対する共感を持つこと、プロンプトをより効果的に考える方法、ユーザーがこれらのシステムとインターフェースする方法を可能にする製品表面をより効果的に設計する方法について、より体系的に考えるのに役立つと思います。
哲学的に見えるかもしれませんが、実際に良い経験と製品を構築し、これらのことについて厳密に考えたい人々にとって、ジョン・ヴァーヴァエキス教授による「意味の危機からの目覚め」講義シリーズは優れたリソースだと思います。
その提案にも感謝します。バルン、このエピソードで多くの魅力的な考えを共有してくれてありがとうございます。もちろん、皆さんがあなたのニュースレターを購読できるようにします。これはサブスタックなので、少なくとも今のところは無料で購読できます。いつか大きな有料になるかもしれませんが、おそらくそうではないでしょう。
購読をクリックする方へ期待を管理したいのですが、これは私の仕事ではなく、そうしたいと思っていません。私は書くことが上手くなりたいと思っており、それを楽しんでいます。これは私が考えていることを書き留め、友人と共有し、人々がそれについて面白いと思ったことやそうでないことをコメントできる場所にすぎません。私はそれが楽しいまま保ちたいと思っています。
素晴らしいですね。ニュースレターに加えて、今日のエピソード後にリスナーがあなたをフォローする他の方法はありますか？
ニュースレターが恐らく最良の方法です。LinkedInアカウントとTwitterアカウントがありますが、ほとんど投稿しません。Xしません、ツイートしません。私はそこでルークするだけで、LinkedInにも本当に投稿することはありません。友人が好きだと言ってくれた何かを書いたと感じたときに限り、他の人々も場合によって好きかもしれないと思って投稿します。LinkedInとTwitterがありますが、それらをあまり使用していません。サブスタックが恐らく連絡を取る最も簡単な方法です。購読に返信すれば、それからメールが届くので、それが最も簡単な方法でしょう。
素晴らしいです。バルン、今日の時間を取ってくれてありがとうございます。今日のエピソードを本当に楽しみました。本当に心を拡大するものでした。また将来、再会して、あなたがどんなことをしているか見るのを楽しみにしています。
どうもありがとうございました。これは楽しかったです。
バルン・ゴッドボールとのなんというエピソードでしょう！彼は以下のことを取り上げました：
セラピーで学んだスキル（ニーズを明示的にし、仮定を避ける）がどのように効果的なAIプロンプトエンジニアリングに直接変換されるか
AIツールが従来の役割の境界を崩しつつあり、AIの支援を受けて異なるドメインにわたって流動的に作業できる「フルスタック社員」へと潜在的に導く可能性
AIが知識をますます商品化していく経済的な影響、潜在的に音楽産業に似た勝者総取りのダイナミクスにつながる可能性
自律型AIエージェントを追求するよりも、AIを通じて人間のエージェンシーと知恵を高めることに焦点を当てることがなぜより価値があるかもしれないか
AIが増強する未来における自己認知と自己吟味の重要性、個人の成長と知恵が主要な差別化要因になる場所
人間の認知と意味作りを理解することが、より良いAI相互作用と製品設計につながる方法
いつものように、このエピソードのショーノートはすべて、トランスクリプト、ビデオ録画、番組で言及されたすべての資料、バルンのソーシャルメディアプロフィールと私自身のプロフィールのURLをsuperdatascience.com/869で入手できます。
来週、私はバージニア州リッチモンドのRVA Tech Data and AIサミットで講演します。3月19日に開会の基調講演を行います。これは一日中のカンファレンスで、多くの素晴らしいスピーカーがいるので、特にバージニア州リッチモンド近くに住んでいる場合、直接会ってすばらしいカンファレンスを楽しむ絶好の機会になるでしょう。
もちろん、スーパーデータサイエンスポッドキャストチームの全員に感謝します。ポッドキャストマネージャーのソニア・ブロビッチ、メディアエディターのマリオ・ポンボ、パートナーシップマネージャーのナタリー・ジャイ、研究者のセルゲイ・マキス、ライターのザラ・K博士、そして創設者のキリル・エレメンコに感謝します。今日の心を動かすエピソードを制作してくれた彼ら全員に感謝します。この無料ポッドキャストを作成するためのスーパーチームを支援するために、私たちはスポンサーに完全に依存しています。ショーノートにあるスポンサーリンクをチェックすることでこの番組を支援できます。
または、このエピソードを誰かと共有したり、お気に入りのポッドキャスティングプラットフォームでレビューしたり、まだ購読していない場合は購読したりしてください。ショートに編集したい場合は編集してください。しかし最も重要なのは、チューニングし続けることです。聴いていただき本当に感謝しており、今後も何年も何年も皆さんが好きなエピソードを作り続けることができることを願っています。
次回まで、頑張り続けてください。また近いうちにスーパーデータサイエンスポッドキャストの別の回を楽しみたいと思います。
コメント