本動画では、ウルフラム研究所の創設者であるスティーブン・ウルフラムが、計算、AGI、言語、そして推論の未来について詳しく語っている。ウルフラムは過去40年間にわたって構築してきた計算言語技術と、現在の大規模言語モデルとの根本的な違いを説明し、計算の宇宙における人間の位置づけや、真の人工知能の限界について深く考察する。また、教育における計算思考の重要性、プログラミングの未来、そして起業家精神についても語られている興味深い対話である。
- 計算言語と大規模言語モデルの根本的違い
- 数学的形式化の歴史的重要性
- ルリアードにおけるLLMの位置づけ
- 自動定理証明の挑戦
- 計算の効率性と推論の限界
- 論理の発見とパターン認識
- 数学的パターンの発見可能性
- 人間の数学の特殊性
- AGIへの道のりと課題
- 計算の複雑性と人間の限界
- 自然界の計算と異質な知能
- AGIへの懐疑と歴史の繰り返し
- 人間性の本質とAIの限界
- 自然界との類似と理解の限界
- 高次の抽象化の可能性
- 現代のAI文明
- AIエージェント間の新しいコミュニケーション
- 言語という転送プロトコル
- メンタルイメージと高帯域通信
- 動物のコミュニケーションから学ぶ
- 感覚システムと現実認識
- 量子計算と意識の問題
- 分散コンピューティングの挑戦
- 教育における計算思考の重要性
- Wolfram言語の哲学
- プログラミングの未来
- LLMとの協働
- 教育への提案
- 技術の融合
- 一般教養の重要性
- 起業家精神と信念構築
- 基盤的思考の重要性
- リスクと自信
- プロダクト開発の哲学
- 経営と理解の関係
- コードレビューの重要性
- 失敗への恐れを克服する
- プロジェクトの軌道修正
計算言語と大規模言語モデルの根本的違い
皆さん、こんにちは。今日はスティーブン・ウルフラムさんをお招きする喜びを得ています。スティーブンさん、お会いできて嬉しいです。今日はお時間をいただき、ありがとうございます。
早速質問に入らせていただきますが、私には自動化や計算に関して、そして今日の大規模言語モデルが仕事のやり方や言語の解釈をどう変えているかについて、多くの質問があります。より深く掘り下げて、あなたの視点から、大規模言語モデルの能力と、あなたが構築した巨大な計算インフラであるWolframとの間に、哲学的にも技術的にも、どのような主要な違いがあるのでしょうか？
つまりやな、過去40年間ほど、私は計算の観点から世界を形式化しようとしてきたんや。世界の物事を記述し、世界について計算するための計算言語を構築してきた。それが今のWolfram言語技術スタックになっとる。
そこでのアイデアというのは、精密な形式化を行えるようにすることで、任意に高い計算の塔を構築できるようになることやねん。それが私が進んできた方向で、物事を形式化して、大きな計算の塔を構築できるようにすることや。
一方、大規模言語モデルや現在のAIが本当に集中してるのは、人間が補助なしでやる傾向があることに少し似たことを行うことなんや。つまり、幅広いけれど、かなり浅いということやねん。私らは物事について話すことができるし、自然言語を使うこともできるけど、頭の中でコードを実行しろと言われても、本当にはできへん。それは異なるタイプのことなんや。
数学的形式化の歴史的重要性
1600年代か何かに戻って、数学を通じた科学の形式化などが始まる前の時代から、もし大規模言語モデルに直接進んでいたら、誰も微積分や科学への数学的アプローチ、そして最終的には計算を発見することはなかったかもしれへん。でも私らはそれを持ってるし、それによって補助なしの人間にはできない多くの種類のことができるようになってる。
私は人生の大部分を、想像できることから実際に計算で効率的に解決できることへと移行する、AIの夢を生きることに費やしてきたと思う。その計算の部分は、補助なしの心でできることを超えて進むことを可能にする超能力のようなもんなんや。
LLMは私らが補助なしの心で簡単にやる種類のことをやってる。それをより速く、より広範囲のデータでやることができる。でも基本的には同じ一般的なアイデアや。系統的で形式化された計算というアイデアとは異なる考え方やねん。
ルリアードにおけるLLMの位置づけ
あなたのメタ数学的研究では、起こりうるすべての計算の限界であるルリアードについて説明されています。ルリアードが広大な数学的景観だとすると、LLMはその空間のどこに位置するのでしょうか？
ルリアードにおいて、LLMにはあまり良い場所がないと思うねん。ルリアードは、これらすべての計算プロセス、計算でできるすべてのことを表すような種類のものやから。
LLMは本当に人間らしいパターンを認識する種類のものやと思う。ルリアードにあるもののほとんど、メタ数学的空間にあるもののほとんど、すべての可能な数学的導出の空間にあるもののほとんどは、信じられないほど異質で、信じられないほど非人間的なんや。LLMには本当に不適切やねん。
LLMができる部分は、例えば数学で行われることの、ある種の人間的なテクスチャ、おそらく人間の選択、でも確実に人間的なテクスチャを得ることや。最近LLMに数学論文のように歩いて話すものを作らせるのは非常に簡単やけど、実際にはすべてナンセンスでも、そのテクスチャは数学論文のように見える。
数学を正しく行うために必要な形式的構造は持ってへんけど、数学のように見せる人間レベルの光沢は持ってるんや。
自動定理証明の挑戦
私は最近実験をやってみたんや。25年前に自動定理証明でやった証明に興味があった。実際、それは自動定理証明によって初めて証明された定理の唯一の既知の例で、従来の数学の問題として既に真であると信じられていた定理ではなかった。
それはブール代数、論理の最も単純な公理が何かについての定理や。自動定理証明で見つけた証明は長くて複雑な証明で、数百のステップがある。展開すると833,000ステップもの長さになる。人間には完全に理解不可能やねん。
私が問うた質問は、LLMがこの証明を理解するのを何らかの形で助けてくれるのか？ということやった。自動定理証明システムによって切り開かれたメタ数学的空間のこの種の経路に入り込んで、その経路を人間化できるのか？その経路を何らかの人間的な物語を持つものにできるのか？
まあ、それは完全な失敗やった。ちょっとした些細なことは見つけたけどな。何か面白いものを見つけたのかと思ったんは、この特定の補題がMufang loopと呼ばれるものに少し似てると言われたからや。そんでMufang loopを調べてみると、実際には正しくなかった。
距離を置いて少しぼやけた視界で見れば、大体正しく見えるけど、正確に正しいかと聞かれると、そうではなかった。
計算の効率性と推論の限界
人間の数学の歴史で出てきた300万から400万の論文から、LLMは何を捉えることができるのか？確実にそれらの論文の全体的なテクスチャは捉えることができる。それらの論文の演繹的シーケンスを捉えることができるのか？
計算を行うことは信じられないほど効率的で、純粋な推論によって物事を行うことは非常に非効率的なんや。2009年にWolfram Alphaが出た時、それはAIの歴史の低迷期やった。だから人々は「AIは決してうまくいかない」と言った。
Wolfram Alphaが出た時、それは基本的に「もうギブアップや」と言った。Wolfram Alphaは常識推論システムがやろうとしたことを、ただ粉砕して答えに突き進むことができたからや。
彼らがやったことは、世界の自然哲学のようなものやった。純粋な理性によって世界で何が起こるかを解明しようとした。物理学の問題で何が起こるかを解明するために、これが動いて、あれが動いて、これが下がって、あれが上がるというふうに推論した。
私らはある意味でカンニングしてたんや。その質問を数学の問題に変えて、アルゴリズムと計算を使って数学を粉砕し、答えにたどり着いた。非常に異なる経路や。
論理の発見とパターン認識
LLMが推論タイプの経路を取る。例えば数学に関連する推論のパターンにはどんなものがあるのか？
ChatGPTの瞬間の後、LLMが本当に機能し始めた時、人々が非常に驚いたことの一つは、LLMが論理のようなことができることやった。その理由は、LLMが説明のパターンを見て、アリストテレスがやったのと同じ種類のことをやったからや。繰り返される説明の特定のパターンがあることに気づき、それが論理の三段論法になって、他の多くの場所での議論のテンプレートとして適用できるようになった。
それがLLMが論理を学んだ方法や。数学において、私らが考えることのできる高次レベルの論理のような流れにはどんなものがあるのか？計算的に非常に効率的に実装される低レベルなものは確実に知ってる。
人間化された数学の、私らがまだよく認識していない種類のより大きな弧があるのか？それは確実に言語で起こったように見えることや。なぜChatGPTがそれほどうまく機能したのか？第一の理由は、私らが容易に知らなかった言語に関連する特定の種類の規則性を拾い上げたからやと思う。
数学的パターンの発見可能性
私らは文法について知っていた。英語では、ほとんどの文が名詞、動詞、名詞の順になることを知っていた。でもそれに対するより意味的なタグ付けルールは持ってへんかった。どの種類の名詞がどの種類の動詞と、どの種類の名詞と組み合わさるかを知らなかった。
ChatGPTやLLMは、それらのもののパターンを見つけて、実際に意味のあるテキストを生成する際にそれを使えるようになった。膨大な量の数学的活動と推論によって、私らがまだ認識していない数学的構造の弧があることは完全に可能や。
私らは数学的訓練データの第一のソースで、大量のデータを生成してきた。数学を解く能力と、面白い数学の分布が何なのかを理解する能力の両方が必要やから、かなり非自明なことや。でもそれは私らがやってきたことで、何が起こるかは分からへん。
人間の数学の特殊性
私らが今話してる質問は、本当に人間の数学についての質問なんや。数学が数学として想定され得る、形式的にあり得ることについての質問ではない。そこにはすべての可能な経路が存在してる。これらの人間化された経路が特定できるようなものではない。
潜在的に特定できるのは、経験的メタ数学の種類や。つまり、無限に存在するすべての可能な数学的定理のうち、人間が数学に関する論文で公表することを選んだ300万から400万のもの。私らはなぜその特定のものを選ぶのか？その特定のものの何が特別なのか？
私らがこれらの数学のシステムを選んで他のものを選ばなかった理由の人間的側面の署名を、おそらく30年ほど確実に探してきた。少しは分かったことがあるけど、ほとんどは数学の歴史と、私らが持つ特定の感覚システムに依存する物理世界の経験の両方の複雑な偶然やと思う。
AGIへの道のりと課題
現在のLLMは、その訓練データのコーパスに基づく単一トークン予測だけで、ある意味では賢いけれど、世界のあらゆる現実にスケールするほど知的ではありません。計算への理解を深め、推論への理解を深め、現在は非常に困難なコーディングチャレンジすら解けない状況で、AGIの地点に到達するために何が必要でしょうか？
計算は人間が知的であるような知的さは持ってへん。計算は非常に異質な知能の形や。人間には特定の種類の知能特性があって、LLMはそれに匹敵するバージョンを持ってる。
計算システムを想像してみると、それはあらゆる種類の計算をやってる。私は人生の大部分を計算宇宙で何が起こるかを研究することに費やしてきた。例えば、非常に小さなプログラムを、ランダムでも選んだ場合、通常何をするのか？
1980年代の初めに私が仮定してたように、プログラムが十分にシンプルなら、それが生成する動作も対応してシンプルになると思うかもしれへん。それが真実ではないことが分かった。私にとって大きな驚きやった。
計算の複雑性と人間の限界
計算的還元不可能性という現象について40年前から話し始めたことが、ある人たちには明らかなことなんや。20年前に『A New Kind of Science』という大きな本を書いた。その本の序文で、「この本で言ったことの多くは、今の人々には完全に衝撃的で信じがたく見えるだろうが、時が経てば完全に明らかに見えるようになるだろう」と言った。
今は、これらのことが完全に明らかな部分集団が存在してる。それはいいことや。進歩はそうやって作られると思う。
たくさんの計算をやってる時、たくさんの複雑なことが起こる。それらのことは非常に非人間的や。計算宇宙に存在するものは、私ら人間が計算宇宙でサンプリングしたもの、私らが気にすることにしたもののほんの小さな部分だけや。でもそこには他にもたくさんのものがある。
自然界の計算と異質な知能
計算的に強化されたスーパーAIを取り上げて、人間化されていない計算宇宙のこれらすべての部分を探索させるとどうなるか？私ら人間が考えることや心に収まることと共鳴しない、たくさんのことを計算して回ってるものを得ることになる。
でもそれは私らが自然界で既に起こってるのを見てることと非常に似てるんや。自然界はある意味で、非常に非人間的な計算プロセスに満ちてる。特に人々は「天気には天気の心がある」と言う。大気中の流体力学のそれらのプロセスは、私らの脳のニューロンがやってるのと同じように、あらゆる種類の計算をやってる。
電気化学に基づいてるか流体力学に基づいてるかの違いはあるけど、計算レベルでは非常に同じ種類のことや。計算能力を高めると、計算宇宙に進出して、本質的に人間のものとはよく整列していない異質な知能を得ることになる。
AGIへの懐疑と歴史の繰り返し
AGIの追求は魅力的やけど、人々がそれについて言うことや、それが持つリスクなどについて興味深いのは、1960年代初頭に人々が書いたものを読むと、今日言われてることと基本的に一字一句同じなことや。
唯一の違いは、1960年代初頭に書かれた段落を取って、「私らの種は究極のデジタルAIの未来への単なる踏み台にすぎない」みたいなことについて読むと、本当に魅力的なことや。唯一違うのは、年代を示すのは、社会についての感性や社会の構造について人々が言う種類のことが、1960年代初頭と今日では少し違うことだけや。
人間性の本質とAIの限界
スーパーAIを作るのに何が必要かと言うと、そのスーパーAIは人間とまったく同じではないと言い続けることになる。この機能が間違ってるとか、死を持たない、子供を持たない、これやあれをやらないとか。
人間とまったく同じであるという基準を満たすものは、基本的に人間だけや。それから離れるとすぐに、私ら人間にはできない洗練された計算ができるという、深く非人間的な属性を持つものを得ることになる。
Wolfram Alphaが出た時、人々はそれをチューリングテストシステムの燃料として使ってた。それらのチューリングテストシステムの完全な決定的要因は、あらゆる種類の異なることについてランダムな質問をたくさんすることやった。それらの質問に答えることができれば、それは人間ではなかった。人間が頂点だと思うのとは逆の方向や。
自然界との類似と理解の限界
計算能力を高めると、どこに行くのか？汎用的な物理宇宙に少し似た、汎用的な計算宇宙のようなものの部分に行く。私ら人間が気にしない多くのプロセスがあって、滝や何かで洗練された計算的なことが起こってることは認めるけど、その詳細は私らが心で関わることではない。その詳細には本当に関心がない。
最近、実際に次の質問について興味を持ってるんや。猫や犬と私らを見ると、脳のサイズは私らの10倍から100倍小さいかもしれへん。LLMの開発で見たように、物事が起こり始めるある種の閾値がある。
構成的言語を得ることができるようになる。おそらく猫や犬は持ってへんけど、私らは持ってる。私らは脳にある思考を取って、パッケージ化して言語に変え、別の脳に送信することができる。その脳はそれを展開して、最初の脳の元の思考の合理的な近似を得ることができる。
高次の抽象化の可能性
構成的言語をいつ得るのか？それは私らの種が発明したものや。他の種も部分的なバージョンを持ってるかもしれへんけど、構成的言語で本当に距離を進んだのは私らだけや。
もし私らの脳のニューロンの数が100倍あったら、別のレベルの洗練や抽象化に到達できるのか？それはどんなものになるのか？その話全体での落胆は、それが私ら人間が理解も評価もしないようなものになることやと思う。
自然界と同じで、私ら人間が理解しない計算に満ちてる。ある意味で自然科学は、自然界で実際に起こることから、私らの有限な心に収まることへの橋を見つける試みや。
私らが成功的に橋渡しした特定の種類のことがある。自然界で起こることのいくつかについて、人間レベルの物語を得ることに成功したけど、他のものは得られてへん。計算的還元不可能性というこの全体的なアイデアは、何が起こってるかの短い物語的記述を得ることが決してないであろう自然界の多くのことがあることを教えてくれる。
現代のAI文明
もう既に私らの世界には、自律的にたくさんのことをやってるAIの文明があるという立場にいるかもしれへん。広告を売ってるか、広告に入札してるか、それよりも洗練的で面白いことをやってるかは分からへんけど、外で動いてるAIの文明が既にある。
私らが理解しない多くの側面がある。内部を見ると、「このニューラルネットにはこの活性化の分布がある。それは何を意味するのか？理解してるか？してへん。理解してないことが重要か？実際にはそうでもない」と言える。
産業革命以前を振り返ると、ここからそこに行きたい時、馬はかなり良い選択やった。馬の内部がどう機能するかを知らずに馬を操作することができた。人々はそうやってた。
後になって、蒸気機関や車がどう機能するかを理解できる短い期間があった。私らがそれらのことを理解できた歴史の期間やったけど、その歴史の期間は終わりを迎えつつあると思う。その現象について劇的なことは何もないと思う。
AIエージェント間の新しいコミュニケーション
自律的なAIエージェントが解き放たれて、それらが人間の母語である英語や他の言語で話し、コミュニケーションする技術的な必要がないため、異なる言語で互いに話すことになる可能性はどれくらいありますか？時間をかけて発明できる異なるタイプのメカニズムで、異なるシステム間で知識を転送できる可能性はどれくらいでしょうか？
人間は一つの脳から別の脳にどう知識を転送するのか？各脳は、その脳で知識をエンコードする重みや活性化やその他のパターンを持ってる。脳は同じではない。一つの脳から活性化のパターンを取って別の脳に入れることはできへん。コンピューターでもそれはできへん。
しばらくオペレーティングシステムを動かしてきたコンピューターを取って、一つのコンピューターから別のコンピューターに直接メモリ移植をしようとしても、うまくいかへん。異なる経験を持った脳でも同じや。
言語という転送プロトコル
脳間の転送プロトコルは何か？答えは、私らが今本当に知ってる唯一の転送プロトコルは言語やということや。言語で何が起こってるのか？1000億のニューロンがあらゆる方法で発火してるすべての詳細を取って、何らかの形でそれらを固定されたトークンのセット、典型的な言語の50,000語のストリームに整理してる。
それらの1000億のニューロンとすべての詳細な発火を取って、この限られた単語セットなどの薄い経路を通してそれらを押し込んでる。でもそれは重要や。一方でエンコードし、他方でデコードできる何らかのエンコーディングを通して行わなければならないから、あなたの1000億のニューロンから私の1000億のニューロンへの直接転送をする方法はない。
AIが100万語の言語を使うことを想像できるか？できる。100万語の言語を持つとどうなるか？物事は少し浅くなる。英語では「大きな赤い犬」とか何かを言わなければならないかもしれへんけど、100万語の言語では、それに対する単一の語があるかもしれへん。
結果として得られるのは、思考が少なく、処理が少なく、構文がより豊かということや。より多くを記述できる。でも世界が無限に変化した計算的に還元不可能な場所である限り、記述子はかなり早く使い尽くしてしまう。
メンタルイメージと高帯域通信
心から心へ転送するために他にできることがある。考えるのが楽しいもう一つは、私らは心的イメージを形成するけど、それらの心的イメージを転送する方法は、言葉で記述する以外にない。本当に絵が上手なら、それを描いて誰かに写真を見せることができる。それは非常に遅いプロセスや。
AIについては、画像を生成する能力を持つことを想像できる。脳からも、脳から神経信号を拾って「これが私の心的イメージです」という小さなディスプレイを生成する状況を想像できるかもしれへん。それは私らの一次元言語よりもはるかに高い帯域幅の別の脳との通信チャネルやろう。
「絵は千の言葉に値する」と人々が言うように、より高帯域幅の通信を得る方法かもしれへん。でも、異なる心で異なる方法でエンコードできる世界のすべての詳細を取って、何らかの形でそれを標準化し、構造が異なる別の心に輸送できるものを得る方法を持たなければならない。
動物のコミュニケーションから学ぶ
AIが100万語言語を発明することは完全に可能やし、構成的な何かを超えることを発明するかもしれへん。例えばイカのような生き物がいる。イカは皮膚に色素胞を持っていて、パターンがある。
イカはおそらく心的イメージに少し似た何かを通してコミュニケーションしてる。彼らが何を互いに言ってるかは理解してへんけど、イカが色の波などを持ってるのを見ることができて、他のイカがそれらの色の波に反応する。それは異なる形のコミュニケーションや。
イカが私ら人間が言語で開発したあらゆる種類のことよりも、そのコミュニケーションでより洗練されてるとしたら、少し恥ずかしいと思う。でも判断するのは簡単ではないと思う。
感覚システムと現実認識
コミュニケーションは私らが晒される現実、私らの周りの物理的現実の中で発達する。魚はその方法でコミュニケーションするように適応し、私らは音を作る能力と音のために適応してコミュニケーションする。AIも同じで、特定のデータへのアクセスと、コンピューターの領域や境界で特定のことを計算する方法、そして潜在的には量子計算も。
私らの世界の記述は私らの感覚に非常に基づいてる。私らの感覚には私らに非常に特有な多くの側面がある。例えば、私らの脳はミリ秒や100ミリ秒の時間枠で考えるけど、光の速度は私らが扱ってる典型的な環境の距離に対して非常に速い。典型的な状況では、私らは考える前に、周りの空間の構造を一気に見てるんや。
100万倍速く動くデジタル電子機器の一部やったら、その場面のイメージは必ずしも一気に入ってくる必要はない。到着する個々の光子を見ることができて、それは私らが単一の画像にすることを選ぶ人間的な場面の提示の問題やねん。光子の束が到着してるだけではなく。
私らが得る感覚データの問題やと思う。世界の異なる部分から100万のIoTデバイスに情報を提供されてるAIやったら、世界で何が起こるかについて何を結論づけるか分からへん。感覚システムが非常に異なる。
私らは皮膚に数千万のタッチセンサーを持ってるけど、1億のIoTセンサーを異なる場所に持ってるAIを想像してみると、世界で起こることに対してあなたの種類の言葉があるかもしれへん。異なる場所の異なるIoTセンサーの観察間の奇妙な相関のような言葉を持ってるかもしれへんが、私らにはその経験がなくて、話す方法を選択してへん。
量子計算と意識の問題
量子の側面については興味深い。量子現象の本質は、古典物理学のように確定的なことが起こる歴史の一つの経路を持つ代わりに、量子力学では多くの経路があるという大きなアイデアや。私らは通常、異なる経路が従われる何らかの確率しか見ることができへん。
より具体的に言うと、量子プロセスや量子コンピューターの内部で起こることは、従われてる歴史の多くのスレッドがあるということや。量子コンピューターがあまり実用的な可能性ではないと思う理由は、私ら人間は確定的な答えを望むからや。
私らの脳は実際に、脳で起こってるすべての異なることを集約して確定的な答えを得ようとするように設計されてる。おそらく10秒に10回か何かの頻度で、私らの脳はすべての異なる神経線維を基底核などに集約し、それらのすべての異なる神経細胞から来る思考を集約してるように見える。
おそらく秒に10回、何をするかについて何らかの合意に達してる。それが脳の設計方法であり、私らの世界体験の働き方で、確定的なことが起こると考える。一つのことが起こり、次に別のこと、次にまた別のことが起こる。
量子力学では多くのことが並行して起こってる。並行して多くの思考を持つことができる量子脳を想像することができる。その脳は私らの脳ではない。私らの脳はそういう風には機能してへん。
分散コンピューティングの挑戦
多くのことを並行して考えるAIを想像できるか？できる。それが分散コンピューティングの話や。興味深いことに、分散コンピューティングは人々が頭で理解するのが非常に難しいものや。
異なるコアで表の各要素が計算される表の値を使うだけの分散コンピューティングは、理解するのが比較的簡単や。でも物事がより複雑になると、私ら人間は並行分散計算の理解が驚くほど下手や。
それは私らの脳の基本的な設計が、すべてを順次化する傾向があるという事実と非常に密接に関連してると思う。それが私らが世界について考える方法で、時間を通した一連の出来事という形や。
AIはそれを避けることができるけど、それを避ける時にやってることは非常に非人間的なことや。自然のプロセスと同じように認識できないものや。
教育における計算思考の重要性
AIをより私らのようにするアプローチがあって、私らがそれを作ってるからという面もある。それが独自のことをやりに行けるアプローチもある。教育にも結びつけたいけど、学校での従来の手計算から計算思考を取ることについて、あなたの考えはどうですか？
コンピューターサイエンスカレッジとコンピューティングカレッジの分離が起こってるのを見ましたが、それが学生の未来にとって本当に何を意味するのかもっと学びたいです。
手がかりはない。それを起こさせた大学政治の一部やと思うけど、おそらく重要な知的なことではない。でもより知的に重要なことがある。コンピューターサイエンスには面白い歴史がある。
ほとんどの場合、人々はプログラミングの職業を学ぶためにコンピューターサイエンスを学ぶようになった。プログラミングの職業を学ぶためや。それは多くの手工業が歩んだ道を歩む職業やと思う。少数の実践者を除いて絶滅する。
私がコンピューティングを始めた頃、アセンブリ言語は真面目な人が使う言語やった。70年代に人々が私に言ったのを覚えてる。「Cという新しい言語があるけど、決して普及しない。アセンブリ言語が本当に深刻なアプリケーションプログラムでプログラムできる唯一のものだ」と。
あなたが笑ってるのは、それが古代史やからで、明らかにそうはならなかった。今日、私らは標準的な低レベルプログラミング言語で非常にステップバイステップな方法でたくさんのプログラミングが行われる状況にある。
Wolfram言語の哲学
私の人生の大部分の仕事は、そのプロセスを自動化し、繰り返し必要とされる計算作業の塊が何かを把握することやった。人間言語で物事を表現するために必要な単語を把握するのと同じように。
世界について計算的に考える時に表現したい種類のことを表現するために必要な計算の塊を把握し、それらのことを実装して、一貫した方法でやる。それがWolfram言語の話で、物事を計算的に表現するためのできるだけ高いレベルの言語を作ろうとする話や。
物事について計算的に考えることができれば、それらのことを表現するための媒体を持つ。それは500年前に数学記法で起こったことの類推で、数学が自然言語の単語で表現されることから、流線型の記法で表現されることになった。
それが代数と微積分、そして基本的にすべての現代数学科学を立ち上げた。Wolfram言語でやろうとしてることは、世界について計算的に話すことを可能にし、すべてのXについて計算的Xを立ち上げることを可能にする記法を提供することや。
物事について計算的に考える方法を学び、計算言語で表現できるように物事を定式化する方法を学ぶことは、非常に価値のあることや。それは重要なことや。
プログラミングの未来
何かをするために低レベルのJavaコードやPythonコードやその他を書く方法を学ぶことは、日数が数えられてる活動の一つやと思う。私らがやったことから見えるのは、私らの技術を常に使ってる多くの技術会社のCEOやCTOを見るけど、塹壕の人々、コードを書いてるだけの人々は私らの技術を使ってへん。
私がついに理解した非常に奇妙な逆転した状況や。典型的なプログラマーは、真剣な計算思考をしなければならないとは思ってへん。典型的なプログラマーは「これをやってる、このコードを書いてる、別のコードを書いてる。この仕様に従ってコードを書いてる」ということをやってる。
仕様の形成は計算思考の一部やけど、それはプログラマーがやることではない。プログラマーは実際にレンズを削ったりする職人のようなもので、光学システムがどう動作すべきかを把握する人ではない。
人々が私らの計算言語を使って数時間であらゆる種類のことができて、その後プログラマーが来て同じことをするのに数か月かかるという奇妙な現象を見る。それは低レベルプログラミング機能が単にそこにある必要がないという未来の前兆や。自動化することができる。
LLMとの協働
LLMがあることが助けになってる。私らのノートブックアシスタントシステムのように使って、曖昧な自然言語記述から、計算言語で「あなたが言ったことの可能な意味はこれです」というような何かに本当に行くことができる。
それを見て「そう、それが私の意味やった」と言うことができるし、「要点を見逃してる、もう一度やり直して」と言うこともできるし、自分で調整することもできる。それは非常に生産的な働き方に見える。やろうとしてることの理解がかなり曖昧でも、ノートブックアシスタント、LLMが私らの計算言語でその正確なバージョンを生成する。
その言語は人間が読めるように、また人間が書けるように特別に設定された言語や。教育の方向性という点では、計算思考を学ぶことは非常に重要なアイデアやと思う。標準プログラミング言語でのプログラミングの技術を学ぶことは、アセンブリ言語プログラミングが歩んだ道と同じ道を歩むと思う。
教育への提案
80年代の初めに私が構築した最初の大きなコンピューターシステムは、私の最初の会社を始めたものやったけど、Cで書かれた大きなシステムやった。人々は「本気ではないやろう、アセンブリ言語でなければならない。現実的な設定方法ではない」と言ってた。
公平に言うと、その時点でUnixは既にCで書かれてたから、それは愚かなことを言うことやったけど、人々は常に愚かなことを言う。でも教育の観点から今見てることは、物事について計算的に考える方法を学ぶことやと思う。
それは、画像や音や地理やその他について計算的にどう考えるかなど、世界の多くの異なる種類のことについて計算的にどう考えるかの感覚を得ることについて多くのことや。それが教育レベルで本当に価値のあることやと思う。
オブジェクト指向プログラミングの方法やあれこれの技術詳細ではなく。それはアセンブリ言語の道を歩むと思う。私らが構築した技術スタックで、技術宇宙の独特な場所に到着したのは良いことや。計画してたわけではないけど。
技術の融合
私らは世界を計算的に表現する言語を持ってる。変数を設定したければ設定できるけど、それは人々が最もすることではない。高いレベルで世界についてや考えてることを計算的な方法で表現することや。
LLMの世界とどれほどうまく補完し合うかを見るのは良いことや。LLMが世界の基礎的な計算的表現へのこの種の言語的インターフェースを提供してる。ある意味で、それらは本当にうまく補完し合ってる。
高校生や大学の新入生のような学生にとって、体系的で反復的なコーディングやプログラミング言語自体に焦点を当てるのではなく、計算的に考えるスキルを採用する時、どう違った考え方ができるでしょうか？
それを可能にするための技術をたくさん構築しようとしてきた。残念ながら、世界でかなり独特やと思う。メッセージは私らの技術を学べということでなければならない。それが計算思考に到達するための最良の道やから。
一般教養の重要性
大学で何を学ぶか、例えば何を勉強するかについては、極めて専門化することが最も良いことをするという何十年もの伝統があったと思う。非常に特定の種類の、ほとんど機械的なスキルのセットを学び、機械的スキルの非常に高い塔を学ぶ。それはかなりの間、世界で価値のある方法やった。
それは消えつつあると思う。個人的機能の特定の種類の高い塔であるそれらのことは、容易に自動化可能なもので、ますます自動化されるものや。LLMを持ってへんかったから、それらのことを自動化するブロックがあった。言語的インターフェースを持ってへんかった。この人間化層の種類を持つ操作方法を持ってへんかった。
大学に行く人々などへの最近の私のアドバイスは、いろんな異なることについて学ぶことや。異なる考え方について可能な限り幅広く学ぼうとすることや。純粋数学対生物学対哲学対歴史で存在するかもしれへん考え方。
これらすべての異なる分野は異なる考え方を持ってる。それらすべての種類のことを学ぶことは非常に有用やし、多くのこれらの異なる分野の事実を学ぶことも、未来がはるかに一般化されてるからや。専門化よりもはるかに一般主義についてや。
計算思考は一般思考のツールやと思う。例えば哲学が一般思考のツールであるのと同じ種類の方法で、論理が一般思考のツールであるのと同じ種類の方法で。それは非常に広いツールで、コンピューターがそれをするのを助けてくれるという追加のキッカーがある。
起業家精神と信念構築
哲学的思考をやってる場合、非常に現代まで、ほとんど一人でやることになる。計算思考では、その種の正確な計算方法で思考を定式化したら、コンピューターに助けてもらって、心で単にできることを超える種類の超能力を得ることができる。
起業家精神のレンズから、会社を始めた時を見て、信念を構築することについて、みんなが「ノー」と言うけど「いや、これが確実だ」と言うことについて、時間をかけて経験したことで、信念構築に役立つことや、他の起業家にとっても非常に価値があることは何でしょうか？
やってきたことで成功したことがあると助けになる。成功した後、「人々が絶対にうまくいかないと言ったにもかかわらず、うまくいった」というパターンを見るから。やろうとしてきたことは時間とともに大きくなってきた。
10代の素粒子物理学者として非常に成功するのに十分幸運やった。それは奇妙なことやけど、たまたまそうやった。その後、20代の初めに最初の大きなコンピューターシステムを構築して、それが最初の会社になった。多くの間違いをした。かなり成功した学者でもあった。
それらはすべて「そう、これらのことをできるし、これらのことはかなりうまくいく」という種類のもので、「今考えてることをやることについて、他の人が何を言うかは本当に気にしない。自分が何について話してるかはかなり確信してるから」と言う自信を与えてくれる。
基盤的思考の重要性
ある程度、私自身の考え方は非常に基盤的ベースになる傾向がある。つまり、物事の根本原因、物事について考える方法の基盤に本当に到達しようとする。その特徴の一つは、そうできれば、常に岩盤の上にいるということや。
誰かが来て「ちょっと待って、それを誤解した。そうは機能しない」と言うようなケースではない。非常に強固な基盤の上に思考を構築してるから。最初の段階では、そうしてたとは思わへん。もっと実用的な成功から自信を築いてたと思う。
でも今、やってることは、本当に周囲の理解から十分に外れてて、やってることが意味を成すという信念を持つ唯一の方法は、それが岩盤の上に構築されてることや。
私にとって、やってることを説明し、さまざまな種類の解説を提供することにかなりの努力を払ってる。それは私にとって非常に有用で、自分が何について話してるかを知ってるかどうかを知ることができる方法の一部や。人々に説明できるかどうか。できなければ、それは良い兆候ではない。
リスクと自信
基礎的理解を得て、人々に説明できるようになり、言ってることに自信を持てる地点に到達する。人々はあらゆる種類のクレイジーなことを言うやろう。やってることが以前にやられたことからどれだけ離れてるかによる。離れてるほど、あなたのような考え方をする人を見つける可能性は低くなる。
あなたのような考え方に到達することは、しばしばかなりの努力を要するから。誰かに「これについてどう思う？」と言っても、その背景を持ってへん。
人々が言うことを聞く価値があるとも思う。表面的には「そう、要点を見逃した」と言うようなことを言う時でも、私の経験では、その時に少し違った方法で何かについて考えるようになることがある。
「どうやって説明できる？今まで聞いたことのない混乱やな。その混乱に基づいて何かをどうやって説明できるか？」そうしようとすると、「ちょっと待って、これは実際に面白い。前よりも何かをよく理解したな」と気づく。
私のような人にとって、外からは高リスクの提案に見えるかもしれへんが、内側から、私がやったことは重要なリスクがあるように見えたことは一度もない。つまり、このプロジェクトをやるつもりで、このプロジェクトを通して道筋が見えて、うまくいくと思う。うまくいくと確信してる。うまくいかないかどうかは心配してへん。
プロダクト開発の哲学
それは、うまくいかない可能性がある10のことを見て、それらの10のうまくいかない可能性があることを避ける方法を把握しようとしないという意味ではない。でもプロジェクトがうまくいくことに疑いはない。
途中でいくつかの問題があるかもしれへんし、入ってきてブロックしようとすることがあるかもしれへん。オーケー、それらのことを取り除く。それらのことを押し通す方法を把握する。
起業家的な種類のことをやる時、ほとんど自分が欲しいプロダクトを構築してきた。構築したもののほとんどでユーザー番号1や。
例えばWolfram言語について、それは私の計算的超能力のようなものや。過去40年間構築してきたこのものを使うことができて、それが私を本当に効率的にし、私を、つまり面白い状況や。
70年代に子供やった時、コンピューターを使い始めたけど、理論科学者は本当にコンピューターを使ってへんかった。だからそれは私が持ってた奇妙な秘密兵器やった。他の人々がこれらのツールを使ってへんことに、どれほど驚くべきやったかを気づいたのは数年後や。
経営と理解の関係
その後ツールを構築し始めて、構築したツールはみんなが利用できる。私は他の人より数か月先のバージョンを動かすことができるけど、それだけや。システムのプレリリースビルドを動かしたい人はいないと思う。今日の午後にも一つ動かしてたけど、ひどくフリーズした。
でも私にとって最も重要なのは、自分のために構築された能力の超能力の塔のようなもので、それが本当に遠くまで行けるようにしてくれることや。
会社を構築することについては、幅広い範囲のことについて考えることができなければならないと思う。これは一般的な教育問題に戻ってくる。何か非常に特定のことの専門家になるか、一般的に考えることを学ぶか。
会社を経営したりする時、いろんな異なることが出てきて、問題は、出てくるすべての異なることに、持ってる知的や分析的スキルを適用できるかどうかや。それとも「これについては知ってるけど、あれについては本当に理解してへんから委任する」と言うか。
現在の会社を39年前に始めたけど、私が興味を持たなかった会社の領域がある。会社の運営側や商業側について。私が理解してへんことは何でもうまくやられてへんことを最終的に発見する。
コードレビューの重要性
人々が悪いからではない。本当に何が起こってるかを理解しなければ、うまく管理できないというのが私の経験や。技術集約的な会社を経営しようとしてて技術的な種類のことを理解してへん人々には本当に同情する。
人々は私に常に「それは不可能や」などと言う。「なぜか？」「この技術的なことやあの技術的なことのせいで」と言う。「これについて考えたか？」と言うと、「面白いアイデアやな」と言う。
時には「これはうまくいかない」と言って、最終的に私にとっては「コードを見せて」ということになる。私らが持ってる会社の規模では、通常「コードを見せて」ということで実際にコードを見ることはない。コードを見る前に、それが実際にどう機能するかについてあらゆる種類の質問をしてて、通常「それについては考えなかった」という瞬間がある。
実際にコードを開く必要はないけど、時にはスクリーンにコードがあることが背景として有用で、「これは実際に何をするのか」という現実を作るから。それが実際に何をするかをスクリーンで見るだけでは、複雑すぎて分からないことが多いけど、何が起こってるかの一般的な図についての議論を基盤づける効果がある。
失敗への恐れを克服する
考え方やあなたの質問が実際に彼らの心にあることを展開してて、問題がどこにあるかに気づく。問題について適切な質問をしなかった、深く掘り下げるための適切な質問をしなかった。信念について、強固な岩盤を持つことは非常に強力で、それが恐れを少なくする。
多くの起業家は失敗への恐れを持ってて、その失敗への恐れが失敗につながる。第一原理から基盤が正しいことを知ってれば、それが信念を構築する。
現実的になろう。私のような人は楽観主義者の傾向がある。このプロジェクトはできると常に信じてるし、客観的情報が必ずしもそれを支持してなくても、そういうプロジェクトはできると思う。
どうやってやるかが見えると思うし、何か問題があっても克服できると十分確信してる。それは部分的には個人的心理学、部分的には物事をやった経験やけど、ある程度、どういう問題なのかは分からない。ある観点からは。
プロジェクトをやって、それが成功すると確信してるけど、ある程度、うまくいってなければ、つまり、人生で本当にぺしゃんこになったプロジェクトを一度も持ったことがないと思う。
プロジェクトの軌道修正
昔やった一つがあって、始めるべきではなかった愚かなプロジェクトで、大部分を他の人に委任して、最終的に「これはうまくいってない」と言ってプラグを抜いた。でも通常、やった主要プロジェクトは、常にゴールラインに到達してる。
ゴールラインがどう見えるかと、ゴールラインがどう見えると思ってたかは、必ずしも同じことではない。つまり、ゴールラインに到達したけど、必ずしも到達すると思ってたのと正確に同じものではない。しばしば、到達するものは思ってたよりもはるかに良い。
時には、構築してるプロダクトやその他の一つの側面に本当に多くの努力を投入してる。構築してる時に、この他のことがあって、人々が本当にその他のことを気にすることに気づく。最初に構築してた最初のことは、誰も実際には気にしてへん。それは重要なことではなかった。
でも能力のレベルを構築することなしに、人々が本当に気にすることを見ることはできなかった。実際に今日の午後もやってたけど、システムエンジニアリングのかなり難解な領域についてのデザインレビューで、ほとんどのデザインレビューをライブストリームしてるように。
それによって、始まったシステムエンジニアリングの詳細よりもはるかに重要やと思う、構築する価値のあるより一般的なことがあることに気づかされた。それがどう機能するかの例や。
成功への道があるという信念を持つことが重要やと思う。リアルタイムで軌道修正できることも。会社で時々見ることやけど、「計画がある」と。計画がそれほど良い計画でないことが判明して、途中でそれを発見する。「計画があって、計画に従う」というのは良いことではない。
私の会社では長年にわたって、計画を軸にすることができるかなり良い文化を発達させてきたと思う。いつも人々、実際に今いくつかのプロジェクトでこれをやってるけど、この道筋にいたけどという感じで、軌道を変えることはできない。それを機能させるために、全体に一定の圧力と思考を投入しなければならない。
ある意味でシナリオ企画でもあるし、私らはもう時間がほとんどないけど、あなたの時間に感謝したいと思います。これは素晴らしかった。AIについて、起業家精神について、あなたの旅について、そして私らの周りの世界についてのあなたの考えを聞くことができて。それは喜びでした。どうもありがとうございました。
ありがとうございます。
コメント