本動画は、AGI(汎用人工知能)の実現時期と現在のAI技術の課題について考察したものである。講演者は、AI業界の主要人物へのインタビューを通じて、AGIの到達予測が2年から30年と大きく開きがあることを指摘する。現在のAIモデルは驚異的な能力を持ちながらも、経済的価値の創出という点では限定的であり、その主な原因は「職務における継続学習能力」の欠如にあると分析している。人間の従業員が数ヶ月かけて業務を習得し価値を高めていくのに対し、現在のLLMはセッション終了後に獲得した知識を失ってしまう。講演者は、コンピュータ利用能力の実現を2028年頃、継続学習の実現を2032年頃と予測し、継続学習が実現すれば単一のモデルが経済のあらゆる職務を学習する「機能的な超知能」が誕生する可能性を示唆している。また、現時点でのAI活用法として、包括的なオンボーディング文書の作成やソクラテス式の個別指導ツールとしての活用を提案し、組織から提供されるツールを待つのではなく積極的に実験することの重要性を強調している。
AIの未来と汎用人工知能への道のり
皆さん、お集まりいただきありがとうございます。今日は、日々のニュースや新しくリリースされるモデル、あるいは研究所でのドラマの噂から一歩離れて、より大きな問いについて考えたいと思います。それは、私たちがいつAGI、つまり汎用人工知能に到達するのか、そして私たちができることの多くを、少なくとも知識労働に関してはできるようなモデルにいつ到達するのかという問いです。
この問いに取り組む動機となっているのは、私がポッドキャストを運営していて、そこでこの問題について話すために人々にインタビューをしているということです。多くのAI研究所のCEOたちにインタビューしてきました。先ほどここにいたDarioのような人々や、Demis、そしてこのAI爆発を可能にするコンピュート資源を構築しているハイパースケーラーのCEOたち、Mark ZuckerbergやSatya Nadellaのような人々にもインタビューしました。
これらのモデルを構築している研究者たちや、その影響を予測している経済学者たちと話をしてきましたが、彼らが予測する可能性の範囲、タイムラインの範囲は本当に広いのです。AGIは2年後だと考える人もいれば、30年後だと考える人もいます。ですから私は、現在AIがどこにいるのか、そして人間ができる仕事の多くをAIができるようになったときに人々が予想している変革的なインパクトからどれだけ離れているのかを考えてみたいと思いました。
現在のAIモデルの能力と限界
これらのモデルに何が欠けているかを考える前に、これらは本当に驚くべきものであることに注目すべきです。これらのモデルが難しい問題に答えたり、リポジトリ全体をコーディングしたり、推論したりするのを見ることができます。推論は人間だけができることだと思われていました。これは人間の知能の頂点です。そして、これらのモデルが最初に解決したことの一つは、5分間離れて問題について深く考え、答えを持って戻ってくる能力でした。
ですから、私たちがこれらの魔法のようなシステムを作り、それを本当に速いペースで実現してきたことに注目すべきです。しかし、これほど有機的に感じられ、チューリングテストに合格するものを持っていながら、実際に生み出す経済的価値という点では、皆さんが思いつく他の多くの日常的な企業よりも小さいというのは興味深いことです。
もちろん、これらの企業の収益は驚くほど速く成長しています。年間で3週間分程度の成長だと思いますが、KohlsやMcDonald’sが1年間に稼ぐ金額よりも小さいのです。そして、KohlsやMcDonald’sはAGIを持っていませんよね。ですから、これらの企業がAGIを持つようになれば、彼らの収益ははるかに高くなるはずだと感じています。
私たちは、話しかけるととても賢く見えるシステムを持っているのに、AGIが示唆する種類の経済的価値を生み出すことにはまったく近づいていない理由を説明しなければなりません。そして、もしAIがホワイトカラーの仕事、つまりコンピュータを介して行う仕事、皆さんや私が持っているような仕事をできるだけだとしても、世界中のすべての知識労働、それは30兆ドルから40兆ドルの経済的価値を生み出すことになります。なぜなら、それが知識労働者に支払われる賃金だからです。ですから、私たちはそこから少なくとも1000倍は離れているのです。
継続学習の欠如という根本的問題
では、何が起こっているのでしょうか。私が思うに、大きな問題は、AIが現在、職務において学習できないということです。あなたのこと、あなたの職場、あなたの好み、あなたの会社の仕組みについての情報を、多くのセッションを通じて拾い上げる方法がないのです。
人間を雇うことを考えてみてください。最初の3ヶ月から6ヶ月間は、彼らをトレーニングしています。彼らはこのすべての文脈を積み上げ、失敗から学んでいます。タスクを練習しています。彼らを価値あるものにしているのは、主に生の知性ではありません。彼らを価値あるものにしているのは、職務において継続的に学習するこの能力なのです。だからこそ、誰かを雇ったとき、その会社での経験が彼らをはるかに価値のあるものにするのです。
数ヶ月でLLMは現在、この能力を持っていません。箱から出してすぐに得られる能力、現在のセッションで得られる能力を得るのです。しかし、そのセッションが終わると、30分間または1時間話して文脈メモリを使い果たすと、その記憶全体、あなたが抱えている問題についての暗黙の理解は完全に失われてしまいます。そして、ゼロから再スタートするのです。
フィードバックやコンテキストウィンドウでは不十分な理由
人々はこの問題を解決するさまざまな方法を提案します。セッションは失われるかもしれないが、フィードバックがあるので、それをシステムプロンプトに書き戻すことができる、あるいは自分自身へのフィードバックをシステムプロンプトに書き戻すことができる、たくさんの文脈をシステムプロンプトに戻すことができると言います。
私は、これが人間が実際に職務において経験している種類の学習を解き放つのに十分だとは思いません。例を挙げましょう。子供にサクソフォンの吹き方を教えようとしているとします。あなたがすることは、ただ吹き込んでみてもらい、どんな音が出るか見て、少し練習して調整するなどです。
代わりにこのように機能すると想像してください。子供に練習させ、一度試させて、失敗した瞬間に部屋から出し、それから紙に「ここで失敗しました、次回はこうやって改善すべきです」などのすべての指示を書き留め、まったく別の子供を部屋に呼び戻して、これまで一度も練習したことがないのに、この指示を読んでサクソフォンを吹いてみてもらうのです。
これが、システムの問題におけるテキストの説明だけに基づいてLLMに学習させようとするときにやろうとしていることです。これらのモデルに何かを教えるために私たちユーザーが持っている唯一のモダリティです。しかし、この例から、これが実際に人々が仕事をするために得なければならない経験の種類を積み上げるには完全に不十分であることがわかります。
人々が持っているもう一つの解決策は、より長いコンテキストウィンドウを持つことです。コンテキストウィンドウとは、これらのモデルが時間とともに長くなる傾向があるものです。あるいは、コンテキストを要約してモデルに蒸留し直す方法があるかもしれません。現在、モデルは数十万から100万トークンのコンテキストを持っています。
しかし、これは追跡できる情報の数分から数時間程度に過ぎません。そして、たとえそれを数時間に増やしたとしても、ドメインを理解し、問題の解決方法を理解するために実際に必要な、ユーザーの長期的な文脈レベルを解き放つことにはなりません。だから、これだけでも十分ではないと思います。
強化学習の限界
もう一つの解決策は、これらのモデルに対してRLが機能するようになったことです。ですから、人々がo1やo3、DeepSeekのR1について話しているのに気づいたかもしれません。これらは検証可能な数学やコーディングの問題を解くようにトレーニングされたモデルです。その結果、それらはより賢くなり、それらのドメインではるかに優れたものになりました。
あなたの職場でも同様のことができることを期待できるかもしれません。つまり、彼らが行う必要があるタスクが何であれ、正しく行ったときに報酬を与え、うまくいかなかったときに罰することができます。そして、これに基づいて、彼らはあなたのタスクの実行方法についての理解を積み上げていくでしょう。
しかし、私が人を雇うものについて考え、それらが十分かどうかを考えると、私にはポッドキャストを手伝ってくれる編集者がいて、彼らが時間とともに向上してきた方法は、彼らのために特注の環境を構築して一つのサブタスクを練習させ、YouTubeで多くの視聴回数を得たら報酬を与え、本当に良いアニメーションを作ったら報酬を与えるというものではありません。
それははるかにシームレスなプロセスで、彼ら自身が物事に気づいているのです。彼らは視聴者にとって何がうまくいくか、私がどんな好みを持っているか、日々のワークフローをどのように改善するかを観察しています。そして、このシームレスで有機的なプロセスは、現在、ファインチューニングAPIを通じてこれらのモデルの一つを自分のために改善するために使用できるRLファインチューニングの方法には対応していません。
企業がAIを導入しない理由
ですから、なぜFortune 500企業がすべてのワークフローを自動化するためにAIを容易に採用していないのかという、より広い質問をすることができます。企業向けの非コーディングユースケースを見ると、採用量は実際に驚くほど低いのです。
では、何が起こっているのでしょうか。時々、人々はこれらの企業、これらの会社がただ頑固すぎると提案します。経営陣がワークフローをどのように自動化できるかについて十分に考えていない、と。もし彼らがイエローがハーネスを持つ小さな足場を構築するような基本的なことをいくつか行えば、外部メモリを持ち、それに書き込め、すべてのファイルを読むことができるようになり、それだけですでに大きな経済的利益を解き放つのに十分だろうと言います。
あるいは、彼らの会社での仕組みについてより多くのトレーニングデータを与えれば、世界のさまざまな仕事がどのように機能し、他の企業がそれを使ってこれらのモデルをよりよくトレーニングするかについて、より多くのトレーニングデータを得れば、それだけでこれらのモデルがAGIになるのに十分だろうと。
これらの技術のどちらも、私たちが先ほど議論したのと同じ理由で十分に強力ではありません。すべての暗黙の情報をモデルに戻すことができるトレーニングパラダイムは存在しません。RLファインチューニングはインターネットとテキストのみの情報であり、コーディングには機能しません。
コーディングが特殊である理由
私たちは信じられないほど優れたコーディングモデルに気づいています。しかし、それはコーディングがコードベース自体という外部メモリの足場を持っているからです。また、タスク全体が非常に明示的です。ファイルに書き込んでいて、問題を解決することに関わる明示的なロジックをファイルに書いているのです。
世界のほとんどの仕事はこのようではありません。組み込まれた外部メモリの足場は存在せず、タスクの実行方法に関する情報は、トレーニングできるこれらの巨大なGitHubリポジトリとしては存在せず、特定の会社、特定の人々、特定のワークフロー、特定の好みについて、はるかに多くの文脈と情報を必要とします。そして、これはコーディングが最終的にそうであったよりもはるかに解決が難しいでしょう。
AGI実現への道のりと予測
さて、私は最終的にはAGIに到達すると思います。これはAGIへのボトルネックです。私たちはAGIへの他の多くのボトルネック、つまりAIが時間とともに向上するためのボトルネックを解決してきました。規模でのディープラーニングは、わずか10年から15年しか存在していないことを覚えておく価値があります。そして、すでに私たちは信じられないほど有能なシステムを持っています。
この進歩が意味することを将来に向けて投影するだけで、最終的にこの問題の解決策が見つかるでしょう。そして、私はこれが人々がAGIのような言葉で予想しているよりもはるかに強力になると思います。なぜなら、職務において学習できるシステムを持っているなら、人間がそうするのとは大きく異なるからです。
あなたや私が仕事のやり方を学んでいるとき、私たちは一度に一つの仕事のやり方を学んでいます。AIの場合、モデルはそのコピーのいずれかが見ているすべてのものから学習できるため、経済に広く展開される単一のモデルを持つことができます。それはそこにあるすべての異なる種類の仕事をしていて、その一つのモデルがそのすべてのコピーの経験から学習しているのです。
つまり、経済のあらゆる仕事のやり方を基本的に学習している一つのモデルがあるということです。それは基本的にあなたや私が知っているすべてのことを学習していますが、同時に、それは機能的に超知能だと感じます。もし自己継続学習を堅牢に行えば、それ自体で一人の人間よりも非常に有能になっているシステムを持つことになります。
そして、これは超知能アルゴリズムのブレークスルーのようなものを含みません。それは、人間がすでに持っているこの能力と、デジタルマインドが持つ自然な資質、つまり本質的な資質を必要とするだけです。それは、彼らがお互いの経験からはるかにシームレスに学習できるという事実です。
具体的なタイムライン予測
さて、では実際に私の予測は何でしょうか。これらの重要な能力をいつ解き放つのでしょうか。継続学習以外に必要なものの一つは、これらのモデルが大量の知識労働を自動化したり支援したりするためのコンピュータ使用です。彼らがBet.comであなたが質問するチャットボットであるだけでは十分ではありません。
彼らは実際にあなたのコンピュータを使用できる必要があり、多くの時間の仕事をあなたのコンピュータで行うために、あなたが一般的に使用するアプリケーションを使用するために必要です。これが知識労働が含むものです。そして、この大きな解放、このボトルネックは、ほんの1年か2年先のものではないと思います。これらのことができるモデルをトレーニングすることには重大な課題があります。
はるかに長いホライゾンタスクがあり、異なる種類のデータ、ビデオ、ビデオ情報、はるかに長いロールアウトが必要です。なぜなら、何時間にもわたってタスクを実行する能力を観察しなければならないからです。それは言語のようではありません。すべてのトークンについてトレーニングできます。そして、私たちはこれらのモデルに投げ込むだけで自動的に改善できる、インターネットテキストデータの行を持っていた既存のコーパスを持っていません。
このデータは手動で収集する必要があります。人々は一般的なソフトウェアのためのタスクをリハーサルしたり、環境を構築したり、タスクをリハーサルするための他のことをしなければなりません。そして、この種のトレーニングを可能にするアルゴリズムを構築するには、この種のデータ収集を可能にするには、時間がかかるだけです。
これらの理由から、これは多くの人が予想するよりもはるかに難しい問題になると思います。ですから、コンピュータ使用に関して私たちがおそらくどこにいるかという点では、おそらく良いアナロジーとしては、言語に関してGPT-2がいたところのようなものだと思います。GPT-2は5、6年前にリリースされました。GPT-2とGPT-4の間には4年がありました。
GPT-2は、本当にじっと見つめればいくつかのクールなことができるもの、いくつかのクールなデモができるものだと考えることができます。それを本当に前方に投影しようとして、これが本当に良い兆候だと信じれば、何かクールなことが起こると見ることができます。そして、私たちはコンピュータ使用でそれを持っています。一般的なソフトウェアの使用を開始できるOperatorのようなツールがあります。
しかし、これを堅牢で実行可能な製品にするのに十分なデータを収集するには、さらに何年もかかるでしょう。多くの点で、言語モデルをスケールアップするよりも難しいと思います。なぜなら、GPT-2からGPT-4に行ったとき、モデルをより大きくして、インターネットテキストをもっと投げ込むだけでよかったからです。私たちはすでにそのインターネットテキストをコンピュータ使用で収集していました。このデータを手動で収集しなければなりませんでした。それははるかに難しいでしょう。
一方で、世界にははるかに多くのコンピュート資源があります。AI研究は進歩しました。世界にはより多くのAI研究者がいるので、これらは均衡すると思います。そして、おそらくこれら二つの間には同様のギャップがあります。ですから、今から4年後には、何らかの優れた信頼性の高いコンピュータ使用を持つことが合理的な推測のように思えます。
コンピュータ使用が重要な理由
そして、コンピュータ使用が重要なのはなぜでしょうか。まあ、漠然と言えば、もちろんそれはより多くの知識労働です。しかし、私が必要とするアプリケーションについて考えるとき、私は自分ができることなら何でも欲しいのです。私のために税金を処理してほしいのです。すべての領収書を追跡し、請求書を求めて人々に煩わせ、Amazonの注文を調べて1週間を費やすものが欲しいのです。ビジネス経費は何か、そうでないものは何か。
そして、あらゆる種類の異なるインターフェースを使用し、フォームに記入し、注文をした異なる場所を調べることを必要とするその種の1週間のタスクは、この種のコンピュータ使用を必要とするでしょう。そして、それは3、4年先だと思います。私はこの種の能力が2028年にあることを期待しています。
そして、この継続学習については、2032年までには可能になると思います。一方では、それは今から遠い道のりです。他方では、覚えておいてください、継続学習が解決されれば、私たちはAGIを持つだけでなく、経済のあらゆるタスクのやり方を学習する一つのモデルからのこの種の超知能ブームを持つことになります。
予測の妥当性とその意味
ですから、この講演全体の雰囲気は、ああ、AIはもっと先だというようなものでした。私のことです。Darioはさっき話していました。彼はきっと、私たちは今まさに頂点にいると言ったに違いありません。しかし、ここで可能だと私が思う予測は、本当に途方もないものであることを覚えておく価値があります。
経済のあらゆる仕事のやり方を学習することによって機能的に超知能になっているモデルから7年離れているということ、少なくとも知識労働の多くを自動化し、何兆ドルもの収益を生み出すか、少なくとも10兆ドルの経済的価値を生み出しているということ。それはほんの数年で起こる本当に途方もないことです。
そして、その間にもちろん、立ち上がりがあるでしょう。ですから、これは突然起こるわけではありません。その間に、私たちはますます多くの能力を解き放っています。ですから、私はかなり途方もない次の数年を予想しています。
そして、これは7年が妥当なタイムラインだと私が思う理由を説明するためのものです。これはそれほど時間がないように聞こえます。しかし、GPT-1は、言語についてトランスフォーマーをトレーニングすればメタ学習を持つかもしれない、重要な能力を持つかもしれないというアイデアで、7年前に考え出されました。
私は確かに当時はそれに注意を払っていませんでした。私は聞いたと思います。私たちが継続学習で同様の立場にある可能性があり、人々がさまざまなアイデアを試し、7年後にスケーラブルになるかもしれないパラダイムを考え出しているということは妥当だと思います。だから私は2032年が合理的なタイムラインだと思うのです。
2030年代以降の予測の難しさ
さて、一つ興味深いしわは、2030年代または2030年代初頭を超えてAIの進歩を予測することが難しくなるということです。なぜなら、現在、AIシステムが向上している方法は、年々途方もなく多くのコンピュート資源をそれらに投入することだからです。フロンティアモデルは平均して前年よりもはるかに多くのコンピュート資源でトレーニングされています。
そして、指数関数を理解すれば、これは10年の過程で持続可能なことではないことに気づくでしょう。その時点で、10年前よりも数百万倍多くのコンピュート資源でシステムをトレーニングしているのです。ですから、私の友人のRomeo Stevensと私はスプレッドシートで遊んでいて、コンピュート資源スケーリングの現在の傾向が続いた場合を見たかっただけです。
世界のエネルギーまたは世界のGDPのどれだけの割合がフロンティアモデルのトレーニングまたはフロンティアモデルの展開に向かうのでしょうか。そして、ここではエネルギーを見ています。私はこれが実際に可能性が高いと言っているわけではありません。むしろ、ここでは2040年までに11テラワットがあります。そして、それは世界が累積的に生産する電力全体の2倍または3倍以上です。
私は実際にそれが起こると言っているわけではありません。これは、AGIを持っていなければそれを実現することが非常に難しいという事実を示すためのものであり、そもそもAIに向けて大きな進歩を遂げていなければそれが起こる可能性は低いのです。
これはすべて、2030年、2035年までにAGIを得られなければ、AGIは数十年先になる可能性が非常に高いということを言っているのです。なぜなら、そうすればこの昔ながらのアルゴリズムのブレークスルーをしなければならないからです。AIが向上してきた主な方法であったコンピュート資源をスケーリングし続けることはできません。
現在のAIの活用方法
さて、では私たちにとってそれはどういう意味でしょうか。私たちにとってそれは何を意味するのでしょうか。まあ、私たちはすでに多くのアプリケーションに使用できる信じられないほど強力なモデルを持っています。私たちがモデルを持っていることは本当に途方もないことだと思います。それらは推論できるのです。
繰り返しになりますが、これは私たちが頂点だと思っていたものです。アリストテレスか何かを読めば、彼は推論が人間を他の動物と区別するものだと言うでしょう。そして、それは私たちがこれらの他の言語モデルで最初に解決したもののようなものです。Gemini 2.5 FlashやClaude 3.5 Sonnetやo3か何かに質問するだけで、しばらくよく推論してもらい、それから多くの情報を組み合わせ、あなたの好みを理解し、あなたが構築しようとしているものについて考え、本当に賢い答えを持って戻ってくることができます。
そして、構築したいアプリケーションにとってそれが何を意味するかというと、AGIに到達する前に解き放たれなければならない重大なボトルネックがあるため、それらの能力が解き放たれたときにのみ実行可能になる魅力的な製品を構築する多くの機会が開かれるということです。
一つ例を挙げると、Cursorの背後にある会社は2022年に設立されました。LLMコーディングを本当に魅力的な製品にするのに十分な能力を持つコーディングモデルを手に入れたのは昨年のことでした。そして、CursorはClaude 3.5 Sonnetがローンチされた後にプロダクトマーケットフィットを達成しました。
ですから、コーディングのために持っていたものを、他の多くのことのために持つことになると思います。コンピュータ使用が解き放たれるでしょう。それが起こったときに実行可能になるのはどのようなスタートアップか、どのような種類の製品が大企業内で作られるかを考えてみてください。継続学習が解き放たれたとき、これと同様に、異なる種類のアイデア、異なる種類のスタートアップ、異なる種類のビジネスのための大きな機会を開く多くの他のことがあるでしょう。
個人的な経験と今後の展望
そして、私は覚えています。私は2、3年前にサンフランシスコに引っ越しました。当時、私はサイドプロジェクトとしてポッドキャストをやっていて、私の主な目標は何らかのラッパー、何らかのスタートアップを構築することでした。そして、当時、私はすでにすべてにかなり遅れていると思っていたことを覚えています。GPT-3.5が出てきて、すべてのAIスタートアップは作られていて、これは絶望的だと。
そして、もちろん、今ではもっと多くのAI企業が作られることになることに気づきます。もちろん、私はそれらを作るのに適した人物だったとは思いませんが、しかし、数年後には同様の立場にいると思います。今、私たちは実際にはまだAIにおいてかなり早い段階にいます。解き放たれる能力がはるかに多くなり、それらの能力は、はるかに多くの製品、はるかに多くのアイデア、これらのAIとのインターフェースの方法を実行可能にするでしょう。
私は、それが今の私たちにとって何を意味するか、そして私たちが今どのようにAIを使って仕事を改善し、生産性を高めることができるかについて、次のように考えています。私自身、いくつかのテクニックを試してきて、それらは私を非常に助けてくれ、多くの時間を節約してくれました。おそらく生産性も高めてくれました。
AIを効果的に活用するための実践的アドバイス
最大のものは、私が2万語の巨大なGoogle文書を持っていて、私に関連する情報を編集し続けているということです。基本的には、ビジネスやポッドキャストで直面している問題についての長期にわたる日記のログのようなもの、さまざまな問題、私がブレインストーミングしようとしているさまざまなアイデア、思いついたさまざまなアイデア、会議の要約などです。私が参加している会議を要約するAIツールがあり、それからそれらをこの文書にコピー&ペーストするだけです。
ゲストや一般的なメールテンプレートのようなものさえ、クリップを考え出すための一般的なコピーを書くためのタブプロンプトのようなものもあります。これのあなたに関連する部分が何かを考えることができます。基本的に、私がこれについて考える方法は、会社の新入社員に渡すオンボーディング文書が何であれ、そこにあるすべてのものを一つの文書に詰め込んで、その情報のいずれかが関連する可能性のあるセッションの冒頭にそれを追加するということです。
ライブコンテキストウィンドウは、何年にもわたる継続学習のような種類のタスクを行うほど大きくはありませんが、大量のオンボーディング情報を統合するのに十分な長さです。彼らは、すべての回答の前に、あなたの会社、あなたの好み、あなたのワークフロー、過去に行った一般的なこと、数百ページ分の情報を考慮することができます。
これは実際には人間では不可能なことです。人間はあなたの会社についての100ページの情報、あなたの好み、あなたのワークフロー、過去に行った一般的なことについて読んで、彼らがあなたに与えるすべての回答の前にそれを考慮することはできません。しかし、これらの他のモデルはできます。私はこの能力を利用して、この種の文書を作成することをお勧めします。
ソクラテス式学習の活用
私がポッドキャストのためにしなければならないもう一つの大きなことは、幅広い分野の人々にインタビューしているということです。生物学研究者やAI研究者、エネルギーや物理学、その他多くの分野について考えている人々です。そして、速く学ぶことができることは私にとって非常に重要です。
学習をスピードアップする方法については、多くの興味深い研究があります。Benjamin Bloomという研究者がいて、彼は一対一の個別指導が、他の多くの生徒がいる教室での学習よりも2標準偏差優れた学習成果をもたらすことを発見しました。
さて、これはこれまでのほとんどの私たちにとって関連性のある、または実用的な情報ではありませんでした。なぜなら、学びたい分野について、必要なときにすぐに一対一の家庭教師を得ることはできなかったからです。この目的のためにLLMを使用することができます。
ですから、私が好きなことは実際には、あなたはソクラテス式の家庭教師です、と言うことです。私はあなたにただ情報を投げてほしくありません。長いモノローグを書いてこの概念を私に説明してください、というのではありません。私はあなたに私を指導してほしいのです。家庭教師になってほしいのです。
そして、それが含むことは、概念全体を私に説明しないでください、ということです。私がサブ概念を理解し、全体像を把握するのに役立つ動機となる質問を続けてください。そして、私がこのトピックを理解したとあなたが満足できるまで、私に十分な質問をするまで先に進まないでください。
そして、これは私が理解を深めるのを助ける上で非常に大きな解放でした。あらゆる分野の専門家の家庭教師を必要なときにすぐに持つようなものです。しかし、この能力を引き出すためには、ツールを適切に使用しなければなりません。Wikipediaの条文を吐き出させることはできません。それがデフォルトの情報提供方法です。適切にプロンプトを出さなければなりません。
組織を待たずに自ら行動を
そして最後に、AIがどれだけ速く進歩しているかを考えると、組織から渡されるツールを待つだけでなく、これは非常に遅いプロセスになる可能性があるということが重要だと思います。多くの場合、彼らはすでに時代遅れのツールをあなたに渡しています。そして、非常に多くのAIツールがあるため、彼らはあなたのワークフローやあなたが直面している問題に最も関連性のあるものを調達していない可能性があります。
これらのツールは多くの場合無料です。他の場合には、それほど高価ではありません。月額20ドル程度です。それらがあなたの生産性を高めることができるなら、私は、渡されるツールを超えて自分自身で実験することを本当にお勧めします。
さて、皆さん、本当にありがとうございました。歴史が作られている瞬間です。私はすべてを愛しています。
コメント