The Inside Story of ChatGPT’s Astonishing Potential | Greg Brockman | TED

翻訳: Yasushi Aoki

We started OpenAI seven years ago

私たちは７年前に OpenAIを立ち上げました

because we felt like something really interesting was happening in AI

ＡＩの分野で非常に 興味深いことが起きていて

and we wanted to help steer it in a positive direction.

それを良い方向に 進めたいと思ったからです

It's honestly just really amazing to see

それ以来ＡＩ分野が どれほど進歩したかは

how far this whole field has come since then.

驚くばかりです

And it's really gratifying to hear from people like Raymond

こちらのレイモンド氏のような人たちが 私たちの開発した技術を使い

様々な素晴らしいことをしているのは 喜ばしい限りです

who are using the technology we are building, and others,

for so many wonderful things.

[ChatGPTは辛抱強い友達のよう...]

We hear from people who are excited,

興奮している人たちもいれば

we hear from people who are concerned,

心配している人たち

we hear from people who feel both those emotions at once.

その両方を同時に 感じている人たちもいます

And honestly, that's how we feel.

私たち自身も 同じように感じています

Above all, it feels like we're entering an historic period right now

私たちは歴史的な時を 迎えていると感じます

where we as a world are going to define a technology

社会がどう進んでいくかを 決める技術を

that will be so important for our society going forward.

生み出そうとしているのだと

And I believe that we can manage this for good.

それを良い方向に進められると 私は信じています

So today, I want to show you the current state of that technology

今日はみなさんに 最先端の技術と

and some of the underlying design principles that we hold dear.

私たちが大切にしている 設計原則を紹介したいと思います

So the first thing I'm going to show you

最初にお見せするのは

is what it's like to build a tool for an AI

人間よりはむしろ ＡＩのためのツールです

rather than building it for a human.

So we have a new DALL-E model, which generates images,

画像を生成するDALL-Eの 新しいモデルがあり

and we are exposing it as an app for ChatGPT to use on your behalf.

それをChatGPTのためのアプリとして 使えるようにしています

And you can do things like ask, you know,

これで例えば TEDの後の食事への おすすめを提案し

suggest a nice post-TED meal and draw a picture of it.

その画像を 描かせることができます

(Laughter)

(笑)

Now you get all of the, sort of, ideation and creative back-and-forth

ChatGPTでアイデア出しや クリエイティブなやり取りをし

and taking care of the details for you that you get out of ChatGPT.

詳細を詰めることができます

And here we go, it's not just the idea for the meal,

単なる案でなく

but a very, very detailed spread.

とても詳細な ご馳走の一覧が出てきました

So let's see what we're going to get.

どんなものか 見てみましょう

But ChatGPT doesn't just generate images in this case --

ChatGPTは文章を 生成するだけでなく

sorry, it doesn't generate text, it also generates an image.

画像を生成することもできます

And that is something that really expands the power

人間の意図を汲んで 何かをする能力が

of what it can do on your behalf in terms of carrying out your intent.

これにより 大きく拡張されます

And I'll point out, this is all a live demo.

これはライブのデモであることを 言っておきます

This is all generated by the AI as we speak.

ＡＩがまさに今 生成しているもので

So I actually don't even know what we're going to see.

何が出てくるかは 私も知りません

This looks wonderful.

これは素敵なディナーですね

(Applause)

(拍手)

I'm getting hungry just looking at it.

見ていたら お腹が空いてきました

Now we've extended ChatGPT with other tools too,

ChatGPTを様々なツールで 拡張しています

for example, memory.

例えばメモリ機能で

You can say "save this for later."

「後で使えるよう保存」させるとか

And the interesting thing about these tools

そういったツールは

細かくチェック可能になっています

is they're very inspectable.

So you get this little pop up here that says "use the DALL-E app."

ここでは「DALL-Eアプリを使用」と 出ています

ちなみにこれは 今後数ヶ月内に 全ChatGPTユーザーに提供されます

And by the way, this is coming to you, all ChatGPT users, over upcoming months.

蓋を開けて見ると

And you can look under the hood and see that what it actually did

人間がするように プロンプトを書いています

was write a prompt just like a human could.

And so you sort of have this ability to inspect

マシンがツールを どのように使っているかチェックし

how the machine is using these tools,

which allows us to provide feedback to them.

フィードバックを 与えてやることができます

Now it's saved for later,

結果が保存されましたが

and let me show you what it's like to use that information

その情報を使って

and to integrate with other applications too.

さらに別のアプリに 繋げてみましょう

You can say,

「さっきのおいしそうな やつのための

“Now make a shopping list for the tasty thing

買い物リストを作って」

I was suggesting earlier.”

ＡＩにはちょっと 難しい表現をしています

And make it a little tricky for the AI.

"And tweet it out for all the TED viewers out there."

「それをTEDを見ているみんなに ツイートして」

(Laughter)

(笑)

So if you do make this wonderful, wonderful meal,

この素敵な食事を作ったら どんな味がするのか

I definitely want to know how it tastes.

ぜひ知りたいです

But you can see that ChatGPT is selecting all these different tools

私が具体的に指定しなくとも

without me having to tell it explicitly which ones to use in any situation.

ChatGPTは自分で 適切なツールを選んでいます

And this, I think, shows a new way of thinking about the user interface.

これはユーザーインターフェースの 新しい形を示していると思います

Like, we are so used to thinking of, well, we have these apps,

私たちが慣れているのは

アプリをクリックし コピー＆ペーストするというやり方で

we click between them, we copy/paste between them,

アプリのメニューや選択肢について よく知っているなら

and usually it's a great experience within an app

as long as you kind of know the menus and know all the options.

悪くない方法です

「このリストをツイートしますか？」

Yes, I would like you to.

Yes, please.

「お願いします」と

Always good to be polite.

誰にでも丁寧なのは 良いことです

(Laughter)

(笑)

And by having this unified language interface on top of tools,

ツールの上に統合された 言語的インタフェースによって

ＡＩは細かな部分をユーザーが気にしなくて よいようにしています

the AI is able to sort of take away all those details from you.

So you don't have to be the one

どういう手順なのか

who spells out every single sort of little piece

事細かに指定する 必要はありません

of what's supposed to happen.

And as I said, this is a live demo,

これはライブのデモなので

so sometimes the unexpected will happen to us.

予想外のことが 起きることもあります

But let's take a look at the Instacart shopping list while we're at it.

食材宅配サイトのカートの中身を 見てみましょう

And you can see we sent a list of ingredients to Instacart.

材料のリストが 食材宅配サイトに 送られているのがわかります

Here's everything you need.

これが必要な材料です

And the thing that's really interesting

従来のユーザーインターフェースも 相変わらず役に立ちます

is that the traditional UI is still very valuable, right?

If you look at this,

中身を見て 数を調整したりできます

you still can click through it and sort of modify the actual quantities.

And that's something that I think shows

従来のユーザーインターフェースが なくなることはないと思います

that they're not going away, traditional UIs.

ユーザーインターフェースを作る 新たな拡張的な方法を手にしたというだけです

It's just we have a new, augmented way to build them.

And now we have a tweet that's been drafted for our review,

ツイートの文章を チェックすることができ

which is also a very important thing.

これは大切なことです

We can click “run,” and there we are, we’re the manager, we’re able to inspect,

「実行」をクリックします

望むならＡＩの作業をユーザーが監督者として 確認し 変更することもできます

we're able to change the work of the AI if we want to.

And so after this talk, you will be able to access this yourself.

このトークの後で 実際のツイートを ご覧になるといいでしょう

And there we go.

これがそうです

Cool.

いいですね

Thank you, everyone.

どうもありがとうございます

(Applause)

(拍手)

So we’ll cut back to the slides.

スライドに切り替えましょう

Now, the important thing about how we build this,

これを構築する上で重要なのは

it's not just about building these tools.

ツールを作るだけでなく

It's about teaching the AI how to use them.

ＡＩにその使い方を 教えるということです

Like, what do we even want it to do

ああいう高次の 問いかけをしたとき

when we ask these very high-level questions?

ＡＩにどうして欲しいのか？

And to do this, we use an old idea.

そのために私たちは 古いアイデアを使いました

If you go back to Alan Turing's 1950 paper on the Turing test, he says,

チューリングテストについての 1950年の論文の中でチューリングは

you'll never program an answer to this.

それはプログラムされるものでは ないだろうと言っています

Instead, you can learn it.

学ぶのだと

You could build a machine, like a human child,

人間の子供のような マシンを作り

and then teach it through feedback.

フィードバックを通して 教えるのです

Have a human teacher who provides rewards and punishments

マシンが色々試す 良いこと悪いことに対し

as it tries things out and does things that are either good or bad.

アメとムチを使って 人間の教師が教えます

And this is exactly how we train ChatGPT.

そうやってChatGPTにも 学ばせました

It's a two-step process.

２ステップあります

First, we produce what Turing would have called a child machine

まずチューリングが 赤ちゃんマシンと呼ぶだろうものを

教師なし学習によって作ります

through an unsupervised learning process.

世界の全て インターネットの全てを見せて

We just show it the whole world, the whole internet

and say, “Predict what comes next in text you’ve never seen before.”

初見の文章で 次に何がくるかを予測させます

このプロセスを通して 様々なスキルを獲得させます

And this process imbues it with all sorts of wonderful skills.

For example, if you're shown a math problem,

例えば 数学の問題を見せたとき

the only way to actually complete that math problem,

次に来るものが何か

上の例で 緑色の９を 当てるためには

to say what comes next,

that green nine up there,

is to actually solve the math problem.

数学の問題を 解くしかありません

But we actually have to do a second step, too,

次に必要なステップは

which is to teach the AI what to do with those skills.

そのスキルで何をするか ＡＩに教えるということです

And for this, we provide feedback.

そのためにフィードバックを 与えます

We have the AI try out multiple things, give us multiple suggestions,

ＡＩに複数のことを試させ 複数の提案をさせ

and then a human rates them, says “This one’s better than that one.”

それに対して人間が「こっちより こっちの方がいい」と評価を与えます

And this reinforces not just the specific thing that the AI said,

これによって ＡＩが出した特定の答えだけでなく

but very importantly, the whole process that the AI used to produce that answer.

その答えを得るために用いた プロセス全体が強化されることになり

一般化ができるようになります

And this allows it to generalize.

It allows it to teach, to sort of infer your intent

それにより 意図を推しはかることや

and apply it in scenarios that it hasn't seen before,

フィードバックをもらったことのない 初めての状況に

that it hasn't received feedback.

適用することを学びます

Now, sometimes the things we have to teach the AI

意外なことをＡＩに 教えねばならないこともあります

are not what you'd expect.

For example, when we first showed GPT-4 to Khan Academy,

例えばGPT-4をカーン・アカデミーに 披露したときに言われました

they said, "Wow, this is so great,

「すごいね

We're going to be able to teach students wonderful things.

これで生徒に素晴らしい 教育ができる

Only one problem, it doesn't double-check students' math.

ひとつ問題なのは

生徒が出した数学の答えを ちゃんとチェックしないことだ

If there's some bad math in there,

計算間違いがあっても 1+1=3が 正しいかのように素通りしてしまう」

it will happily pretend that one plus one equals three and run with it."

So we had to collect some feedback data.

フィードバックするデータを 集める必要がありました

Sal Khan himself was very kind

カーン自身が 親切にも20時間を割いて

and offered 20 hours of his own time to provide feedback to the machine

私たちのチームと一緒に ＡＩにフィードバックを与えてくれました

alongside our team.

And over the course of a couple of months we were able to teach the AI that,

数ヶ月かけてＡＩに 教えることができました

"Hey, you really should push back on humans

「このようなケースでは 人間を押し留めないとダメだよ」と

in this specific kind of scenario."

And we've actually made lots and lots of improvements to the models this way.

そのようにしてモデルに 多くの改良を施してきました

And when you push that thumbs down in ChatGPT,

ユーザーがChatGPTで NGボタンを押すとき

that actually is kind of like sending up a bat signal to our team to say,

「ここが弱いから フィードバックを集めて」と

開発チームに バットシグナルが送られます

“Here’s an area of weakness where you should gather feedback.”

これは私たちがユーザーに耳を傾け

And so when you do that,

that's one way that we really listen to our users

みんなの役に立つものを作っていると 確認するひとつの方法なのです

and make sure we're building something that's more useful for everyone.

Now, providing high-quality feedback is a hard thing.

質の高いフィードバックを与えるというのは 難しいことです

If you think about asking a kid to clean their room,

子供に部屋の片付けをさせるとき

if all you're doing is inspecting the floor,

床が散らかっているかしか 確認しないなら

you don't know if you're just teaching them to stuff all the toys in the closet.

全部押入れに突っ込むよう 教え込むことになるかもしれません

This is a nice DALL-E-generated image, by the way.

ちなみにこれは DALL-Eで生成した画像です

And the same sort of reasoning applies to AI.

同じことがＡＩについても言えます

As we move to harder tasks,

より難しいタスクに進むとき

we will have to scale our ability to provide high-quality feedback.

質の高いフィードバックを与える能力が さらに求められるようになりますが

But for this, the AI itself is happy to help.

それについてはＡＩ自身が 助けてくれます

It's happy to help us provide even better feedback

より良いフィードバックを与え

and to scale our ability to supervise the machine as time goes on.

マシンを監督する能力を 伸ばしていけるように

And let me show you what I mean.

どういうことか お見せしましょう

For example, you can ask GPT-4 a question like this,

例えばGPT-4に聞いてみます

of how much time passed between these two foundational blogs

私たちのブログの 教師なし学習の記事と

on unsupervised learning

人間のフィードバックから 学ぶことの記事の間には

and learning from human feedback.

どれくらいの間があったか

And the model says two months passed.

モデルは２ヶ月だと 答えています

But is it true?

でも本当でしょうか？

Like, these models are not 100-percent reliable,

こういうモデルは100%当てに なるわけではありませんが

although they’re getting better every time we provide some feedback.

フィードバックを与えるごとに 改善していきます

But we can actually use the AI to fact-check.

ＡＩに事実確認させることができ

And it can actually check its own work.

自分の出した答えだって チェックできます

You can say, fact-check this for me.

「事実確認してくれ」と

Now, in this case, I've actually given the AI a new tool.

ここでＡＩに 新たなツールを与えてやります

This one is a browsing tool

ブラウザツールで

where the model can issue search queries and click into web pages.

モデルは検索クエリーを出して ウェブページを取ってくることができます

And it actually writes out its whole chain of thought as it does it.

そうしながら 思考過程を書き出しています

「こちらを検索します」と言い 実際に検索を行います

It says, I’m just going to search for this and it actually does the search.

It then it finds the publication date and the search results.

検索結果から公開日を見つけます

それから別の検索を行い

It then is issuing another search query.

It's going to click into the blog post.

ブログ記事を取り出します

And all of this you could do, but it’s a very tedious task.

人間がやることもできますが 面倒な作業で

It's not a thing that humans really want to do.

あまりやりたいと 思うようなことではありません

It's much more fun to be in the driver's seat,

監督者の立場で 指図する方が楽しいです

to be in this manager's position where you can, if you want,

なんなら三重にチェックすることも できます

triple-check the work.

記事の名前と日付があり

And out come citations

so you can actually go

推論過程を容易に チェックできます

and very easily verify any piece of this whole chain of reasoning.

And it actually turns out two months was wrong.

２ヶ月というのは 間違いだとわかります

Two months and one week,

２ヶ月と１週間が 正しい答えです

that was correct.

(Applause)

(拍手)

And we'll cut back to the side.

スライドに戻りましょう

And so thing that's so interesting to me about this whole process

このプロセス全体で 特に興味深いのは

is that it’s this many-step collaboration between a human and an AI.

多くのステップを通して 人間とＡＩが協力するということです

Because a human, using this fact-checking tool

人間が事実確認ツールを使うのは

is doing it in order to produce data

別のＡＩのための データを作り

for another AI to become more useful to a human.

人間にとって より有用なものに するためです

And I think this really shows the shape of something

将来はそういうのが より一般的になるでしょう

that we should expect to be much more common in the future,

where we have humans and machines kind of very carefully

人間とマシンがそれぞれ 問題に対してどういう役割を果たし

and delicately designed in how they fit into a problem

どう問題を解くのか

and how we want to solve that problem.

とても注意深く 繊細にデザインされている世界です

We make sure that the humans are providing the management, the oversight,

人間が 管理し 監督し

フィードバックを与え

the feedback,

マシンが 検証可能で 信頼できる形で

and the machines are operating in a way that's inspectable

動作するようにすることで

and trustworthy.

より信頼できるマシンが 作り出せるのです

And together we're able to actually create even more trustworthy machines.

このプロセスを正しくやるなら

And I think that over time, if we get this process right,

私たちはやがて不可能に思える問題も 解決できるようになるでしょう

we will be able to solve impossible problems.

その度合いを イメージできるように言うなら

And to give you a sense of just how impossible I'm talking,

I think we're going to be able to rethink almost every aspect

人間とコンピューターのやり取りの あらゆる側面が

再考できるようになるでしょう

of how we interact with computers.

For example, think about spreadsheets.

例えばスプレッドシートです

They've been around in some form since, we'll say, 40 years ago with VisiCalc.

40年前のVisiCalc以来 私たちの身近にあるもので

I don't think they've really changed that much in that time.

そう大きくは 変わっていないと思います

And here is a specific spreadsheet of all the AI papers on the arXiv

こちらのスプレッドシートには

arXivにある 過去30年間の ＡＩ関連の論文が一覧されています

for the past 30 years.

There's about 167,000 of them.

167,000本あります

And you can see there the data right here.

どういうデータかは ご覧の通りです

But let me show you the ChatGPT take on how to analyze a data set like this.

こういうデータをChatGPTが どう分析するか見てみましょう

So we can give ChatGPT access to yet another tool,

ChatGPTにまた別の ツールを与えます

this one a Python interpreter,

Pythonインタプリタです

so it’s able to run code, just like a data scientist would.

データ科学者がやるように プログラムを実行できるようになります

And so you can just literally upload a file

スプレッドシートのデータを アップロードして

and ask questions about it.

質問することができます

And very helpfully, you know, it knows the name of the file and it's like,

ファイル名を見て

"Oh, this is CSV," comma-separated value file,

「これはCSVファイルですね

"I'll parse it for you."

構文解析しましょう」 と言っています

The only information here is the name of the file,

ここにある情報は

ファイル名と カラム名 それに実際のデータだけです

the column names like you saw and then the actual data.

And from that it's able to infer what these columns actually mean.

そこから各カラムの意味を 推測しています

Like, that semantic information wasn't in there.

ここに出ているカラムの説明は データの中にはなかったものです

It has to sort of, put together its world knowledge of knowing that,

自分の持っている世界の知識と 結び付け

“Oh yeah, arXiv is a site that people submit papers

「arXivは論文サイトだから

and therefore that's what these things are and that these are integer values

これは論文に関するデータで

著者のカラムが整数値なので きっと著者の人数だ」と

and so therefore it's a number of authors in the paper,"

人間がやるようなことですが

like all of that, that’s work for a human to do,

ＡＩが喜んで手助けしてくれます

and the AI is happy to help with it.

何を聞いたものか 思いつかないので

Now I don't even know what I want to ask.

So fortunately, you can ask the machine,

「調べるためのグラフを いくつか描いて」と

"Can you make some exploratory graphs?"

頼んでみましょう

And once again, this is a super high-level instruction with lots of intent behind it.

これもまた いろいろな意図の絡んだ かなり高次の指示です

But I don't even know what I want.

私自身 何を見たいのか わかっておらず

And the AI kind of has to infer what I might be interested in.

ＡＩは私が興味あるものを 推測する必要があります

アイデアをいくつか 考えついたようです

And so it comes up with some good ideas, I think.

論文の著者数のヒストグラム

So a histogram of the number of authors per paper,

年ごとの論文数の推移

time series of papers per year, word cloud of the paper titles.

論文タイトルのワードクラウド

All of that, I think, will be pretty interesting to see.

どれも興味深いと思います

ChatGPTはそれを実際に 行うことができます

And the great thing is, it can actually do it.

Here we go, a nice bell curve.

綺麗な釣鐘曲線になっています

You see that three is kind of the most common.

３人というのが 最も一般的なようです

It's going to then make this nice plot of the papers per year.

年ごとの論文数の グラフを描いています

Something crazy is happening in 2023, though.

2023年におかしなことが 起きていますね

Looks like we were on an exponential and it dropped off the cliff.

指数関数的に増えていたのが 突然下がっています

What could be going on there?

何が起きているのでしょう？

By the way, all this is Python code, you can inspect.

Pythonで実行されているので プログラムを確認できます

And then we'll see word cloud.

それからワードクラウドがあって

So you can see all these wonderful things that appear in these titles.

タイトルによく使われる 言葉がわかります

But I'm pretty unhappy about this 2023 thing.

さっきの2023年の件は 気に入りません

It makes this year look really bad.

2023年が不作かのようです

Of course, the problem is that the year is not over.

問題は 今年がまだ 終わっていないことで

So I'm going to push back on the machine.

マシンに文句を言いましょう

[おかしいぞ！！

[Waitttt that's not fair!!!

2023 isn't over.

2023年はまだ終わってない

4月13日までに出たのは 去年は何％だった？]

What percentage of papers in 2022 were even posted by April 13?]

So April 13 was the cut-off date I believe.

4月13日までの データしかないので

Can you use that to make a fair projection?

それで今年分の 予測ができないかと

So we'll see, this is the kind of ambitious one.

これはなかなか 難しい注文です

(Laughter)

(笑)

So you know,

マシンはもっとできることが あると感じたのです

again, I feel like there was more I wanted out of the machine here.

I really wanted it to notice this thing,

自分で気づいて ほしいところですが

maybe it's a little bit of an overreach for it

私の望むことを 魔法のように予想するというのは

to have sort of, inferred magically that this is what I wanted.

ちょっと期待しすぎ かもしれません

But I inject my intent,

でも私の希望を

I provide this additional piece of, you know, guidance.

参考になるよう 付け加えてやりました

And under the hood,

内側ではＡＩが プログラムを書き直していて

the AI is just writing code again, so if you want to inspect what it's doing,

望むなら 覗いてみることもできます

it's very possible.

And now, it does the correct projection.

今度はうまく予測しています

(Applause)

(拍手)

If you noticed, it even updates the title.

(2023年は予想だと) タイトルを 付け直してさえいます

I didn't ask for that, but it know what I want.

それは頼んでませんでしたが して欲しいだろうと知っているのです

Now we'll cut back to the slide again.

またスライドに戻りましょう

This slide shows a parable of how I think we ...

この逸話は 将来私たちがＡＩを どう使うようになるかを

A vision of how we may end up using this technology in the future.

垣間見せてくれると思います

A person brought his very sick dog to the vet,

ある人が病気の愛犬を 獣医に連れて行ったところ

and the veterinarian made a bad call to say, “Let’s just wait and see.”

誤診して「見守るしかありません」と 言われました

And the dog would not be here today had he listened.

その通りにしていたら 犬は死んでいたでしょう

In the meanwhile, he provided the blood test,

その人が血液検査結果を GPT-4に見せたところ

like, the full medical records, to GPT-4,

which said, "I am not a vet, you need to talk to a professional,

「私は獣医ではないので 専門家と話すべきですが

here are some hypotheses."

仮説は立てられます」と言い

He brought that information to a second vet

飼い主はその情報を 別の獣医に持ち込み

who used it to save the dog's life.

犬の命を救うことが できました

Now, these systems, they're not perfect.

このシステムは 完璧ではなく

You cannot overly rely on them.

過度に頼るべきでは ありませんが

But this story, I think, shows

このエピソードが 示しているのは

that a human with a medical professional

医療の専門家とChatGPTが ペアを組んで議論したなら

and with ChatGPT as a brainstorming partner

was able to achieve an outcome that would not have happened otherwise.

単独では出せなかった結果を 生み出せるということです

I think this is something we should all reflect on,

こういうシステムを 世界に どう組み込んでいくか考えるときに

think about as we consider how to integrate these systems

思い出すべきことでしょう

into our world.

And one thing I believe really deeply,

私が深く信じているのは

ＡＩを良いものにするためには みんなの参加が必要だということです

is that getting AI right is going to require participation from everyone.

And that's for deciding how we want it to slot in,

ＡＩは何をし 何をすべきでないのか

that's for setting the rules of the road,

for what an AI will and won't do.

ルールを決めるためです

And if there's one thing to take away from this talk,

今回の話でひとつ 覚えておいて欲しいのは

it's that this technology just looks different.

この技術は違って見える ということです

Just different from anything people had anticipated.

みんなが予想した 何物とも違います

And so we all have to become literate.

誰もが使えるようになる 必要があります

And that's, honestly, one of the reasons we released ChatGPT.

だからこそ私たちは ChatGPTを一般公開したのです

Together, I believe that we can achieve the OpenAI mission

みんなで力を合わせるなら

汎用人工知能を万人の役に立つものにする というOpenAIのミッションは

of ensuring that artificial general intelligence

benefits all of humanity.

実現可能だと信じています

Thank you.

ありがとうございました

(Applause)

(拍手)

(Applause ends)

(拍手終)

Chris Anderson: Greg.

(クリス・アンダーソン) グレッグ

Wow.

いやすごい

I mean ...

なんと言うか

I suspect that within every mind out here

この場にいる誰もが

めまいを感じているのではと 思います

there's a feeling of reeling.

これを見た人の多くが 思っていることでしょう

Like, I suspect that a very large number of people viewing this,

you look at that and you think, “Oh my goodness,

「なんてこった 自分の仕事のやり方を すべて考え直さなきゃいけない」

pretty much every single thing about the way I work, I need to rethink."

Like, there's just new possibilities there.

「ここに新たな可能性がある」と

Am I right?

そうでしょう？

Who thinks that they're having to rethink the way that we do things?

物事のやり方を考え直さなければと 思っている人はどれくらいいますか？

Yeah, I mean, it's amazing,

すごいと同時に

but it's also really scary.

怖くもあります

So let's talk, Greg, let's talk.

ちょっと話しましょう

I mean, I guess my first question actually is just

私の最初の質問は

いったい どうやって やってのけたのか ということです

how the hell have you done this?

(Laughter)

(笑)

OpenAI has a few hundred employees.

OpenAIは社員が 数百人の会社です

Google has thousands of employees working on artificial intelligence.

Googleは ＡＩに取り組んでいる 社員だけでも何千人もいます

Why is it you who's come up with this technology

この世界を驚かせた技術を 作り出したのが

なぜあなた方だったのか？

that shocked the world?

Greg Brockman: I mean, the truth is,

(グレッグ・ブロックマン) 私たちが 巨人の肩に乗っているは確かです

we're all building on shoulders of giants, right, there's no question.

コンピューターや アルゴリズムや

If you look at the compute progress,

データの進歩というのは

業界全体でのことです

the algorithmic progress, the data progress,

all of those are really industry-wide.

ただOpenAIでは その初期から

多くの選択を 注意深くしてきました

But I think within OpenAI,

we made a lot of very deliberate choices from the early days.

ひとつは あるがままの現実に 向き合うということ

And the first one was just to confront reality as it lays.

And that we just thought really hard about like:

これを進めるために 何が必要か

What is it going to take to make progress here?

試みてきたことには うまくいかなかったこともたくさんあり

We tried a lot of things that didn't work, so you only see the things that did.

うまくいったものだけ 見えているにすぎません

最も重要なのは

And I think that the most important thing has been to get teams of people

互いにとても違った人たちが うまく協力して働くということでしょう

who are very different from each other to work together harmoniously.

CA: Can we have the water, by the way, just brought here?

(クリス) 水をもらえるかしら

口が渇く話題なので きっと必要になる

I think we're going to need it, it's a dry-mouth topic.

But isn't there something also just about the fact

でも きっとこういう面も あるのでは？

that you saw something in these language models

言語モデルに投資し 育てていくと

that meant that if you continue to invest in them and grow them,

ある時点で何かが急に 現れるみたいな

that something at some point might emerge?

GB: Yes.

(グレッグ) そうですね

And I think that, I mean, honestly,

いい例があります

I think the story there is pretty illustrative, right?

私たちはずっと

I think that high level, deep learning,

深層学習の研究機関に なりたいと思っていました

like we always knew that was what we wanted to be,

was a deep learning lab, and exactly how to do it?

どうすれば良いのか？

当初はわかりませんでした

I think that in the early days, we didn't know.

様々なことを試み

We tried a lot of things,

ある人は アマゾンのレビューの 次の文字を予測するモデルの

and one person was working on training a model

to predict the next character in Amazon reviews,

トレーニングに 取り組んでいました

and he got a result where -- this is a syntactic process,

これは構文的な プロセスなので

コンマがどこに現れ 名詞や動詞がどこに現れるかを

you expect, you know, the model will predict where the commas go,

予測しそうなものですが

where the nouns and verbs are.

But he actually got a state-of-the-art sentiment analysis classifier out of it.

彼は最先端の感情分析器を 作り出したのです

This model could tell you if a review was positive or negative.

レビューが肯定的か否定的かを そのモデルは言い当てられました

I mean, today we are just like, come on, anyone can do that.

今ではそんなこと誰でもできると 思うかもしれませんが

But this was the first time that you saw this emergence,

それは私たちが予想外の現象の発現を 目にした最初の時でした

this sort of semantics that emerged from this underlying syntactic process.

構文的なプロセスから 意味的なものが立ち現れたのです

And there we knew, you've got to scale this thing,

これをもっと拡張して

何が起きるか 見なければと思いました

you've got to see where it goes.

(クリス) それはChatGPTを見た人が みんな驚く謎を

CA: So I think this helps explain

the riddle that baffles everyone looking at this,

幾分説明してくれると 思います

because these things are described as prediction machines.

予測マシンだとされるものから

ありえないと思うようなものが 出てくるのですから

And yet, what we're seeing out of them feels ...

it just feels impossible that that could come from a prediction machine.

Just the stuff you showed us just now.

お話しいただいたような 発現というのは

And the key idea of emergence is that when you get more of a thing,

大きくしていくと 突然 何か違うものが現れるということで

suddenly different things emerge.

It happens all the time, ant colonies, single ants run around,

様々なところに 見られることです

一匹のアリが動き回っていたのが たくさん集まると

when you bring enough of them together,

巣を作り まったく異なる行動を 示すようになります

you get these ant colonies that show completely emergent, different behavior.

Or a city where a few houses together, it's just houses together.

都市にしても はじめは数軒の家が あるだけだったのが

家の数が増えていくと 様々な現象が現れます

But as you grow the number of houses,

things emerge, like suburbs and cultural centers and traffic jams.

郊外に 文化的中心に 渋滞

Give me one moment for you when you saw just something pop

予想していなかったものが現れて たまげたという瞬間を

that just blew your mind

that you just did not see coming.

教えてください

GB: Yeah, well,

(グレッグ) これはChatGPTで 試せますが

so you can try this in ChatGPT, if you add 40-digit numbers --

40桁の数の足し算をさせると—

CA: 40-digit?

(クリス) 40桁ですか？

GB: 40-digit numbers, the model will do it,

(グレッグ) 40桁の足し算が できるようになります

which means it's really learned an internal circuit for how to do it.

モデルがそのための内部的機構を 学ぶということです

And the really interesting thing is actually,

興味深いのは

40桁と35桁の足し算だと

if you have it add like a 40-digit number plus a 35-digit number,

it'll often get it wrong.

よく間違うということです

And so you can see that it's really learning the process,

本当にプロセスを 学んでいるけれど

but it hasn't fully generalized, right?

十分に一般化されては いないということです

It's like you can't memorize the 40-digit addition table,

40桁の足し算表を 記憶することなんてできません

that's more atoms than there are in the universe.

宇宙の原子の数よりも たくさんありますから

So it had to have learned something general,

一般化を学ぶ必要がありますが

まだ完全には学んでいません

but that it hasn't really fully yet learned that,

Oh, I can sort of generalize this to adding arbitrary numbers

ああ この足し算というやつは

任意の長さの任意の数に 一般化できるんだと

of arbitrary lengths.

CA: So what's happened here

(クリス) つまり拡大して

is that you've allowed it to scale up

膨大なテキストを 見せてやることで

and look at an incredible number of pieces of text.

And it is learning things

学べるとは思ってなかったようなことを 学ぶようになると

that you didn't know that it was going to be capable of learning.

GB Well, yeah, and it’s more nuanced, too.

(グレッグ) 微妙なところがあって

So one science that we’re starting to really get good at

私たちが身につけてきたのは

is predicting some of these emergent capabilities.

そういう能力発現を 予測するということです

And to do that actually,

この分野で十分評価されて いないと思うことに

one of the things I think is very undersung in this field

エンジニアリングの質があります

is sort of engineering quality.

Like, we had to rebuild our entire stack.

私たちは全体を 作り直す必要がありました

When you think about building a rocket,

ロケットを作る時には

every tolerance has to be incredibly tiny.

各部の許容誤差は ごく小さなものですが

Same is true in machine learning.

同じことは 機械学習にも言えます

You have to get every single piece of the stack engineered properly,

各部を適切に設計することで

and then you can start doing these predictions.

そういう予測が できるようになります

There are all these incredibly smooth scaling curves.

成長曲線が ものすごく滑らかです

それは知性について根本的な何かを 語っていると思います

They tell you something deeply fundamental about intelligence.

GPT-4のブログ記事に

If you look at our GPT-4 blog post,

そういう曲線が出てきます

you can see all of these curves in there.

And now we're starting to be able to predict.

そうして予測ができるようになり

例えばプログラミング問題の性能を 予測できるようになりました

So we were able to predict, for example, the performance on coding problems.

We basically look at some models

千倍とか１万倍とか 小さなモデルからです

that are 10,000 times or 1,000 times smaller.

And so there's something about this that is actually smooth scaling,

初期段階においても

この滑らかな成長が 見られるんです

even though it's still early days.

CA: So here is, one of the big fears then,

(クリス) そこに大きな 懸念があります

that arises from this.

If it’s fundamental to what’s happening here,

拡大していくと

that as you scale up,

ある程度は自信を持って 予測できても

things emerge that

you can maybe predict in some level of confidence,

驚くようなことを するようになるのなら

but it's capable of surprising you.

Why isn't there just a huge risk of something truly terrible emerging?

何か恐ろしいことが 発現するリスクはないのでしょうか？

GB: Well, I think all of these are questions of degree

(グレッグ) それは程度と規模と 時間の問題だと思います

and scale and timing.

みんな見落としているのは

And I think one thing people miss, too,

is sort of the integration with the world is also this incredibly emergent,

世界との統合もまた

不意に起きる 強力なことだということです

sort of, very powerful thing too.

段階的に展開していくことが 重要だと考える理由です

And so that's one of the reasons that we think it's so important

to deploy incrementally.

今回のトークを見てもらうと 私が注力しているのは

And so I think that what we kind of see right now, if you look at this talk,

高品質のフィードバックを 与えることだとわかるでしょう

a lot of what I focus on is providing really high-quality feedback.

私たちの行う作業は 検査できます

Today, the tasks that we do, you can inspect them, right?

数学の問題についてなら 簡単です

It's very easy to look at that math problem and be like, no, no, no,

いやいや 正しい答えは７だよと

machine, seven was the correct answer.

本の要約となると 監督するのが難しくなります

But even summarizing a book, like, that's a hard thing to supervise.

その要約が良いか どうすればわかるのか？

Like, how do you know if this book summary is any good?

本全体を読まなきゃいけない

You have to read the whole book.

誰もやりたがりませんよ

No one wants to do that.

(笑)

(Laughter)

And so I think that the important thing will be that we take this step by step.

一歩一歩進めるのが重要です

And that we say, OK, as we move on to book summaries,

本の要約に進むので

we have to supervise this task properly.

このタスクを適切に 監督しなければならないと

We have to build up a track record with these machines

ＡＩが私たちの意図した通りに 実行できるという

that they're able to actually carry out our intent.

実績を積み重ねて いかなければなりません

そしてＡＩが人間に 合わせられるよう

And I think we're going to have to produce even better, more efficient,

効率的に 高い信頼性で拡張していける よりうまい方法を

more reliable ways of scaling this,

sort of like making the machine be aligned with you.

生み出す必要があります

(クリス) このセッションの後の方で 聞くことになりますが

CA: So we're going to hear later in this session,

there are critics who say that,

you know, there's no real understanding inside,

ＡＩの中身を 誰も理解していないと

批判する人がいます

the system is going to always --

間違いをしていないかとか 常識を持っているかとか

we're never going to know that it's not generating errors,

that it doesn't have common sense and so forth.

わかるようにはならないと

Is it your belief, Greg, that it is true at any one moment,

あなたの言われた 規模の拡大と

人間のフィードバックによって

but that the expansion of the scale and the human feedback

that you talked about is basically going to take it on that journey

真実や知恵を 獲得するようになると

of actually getting to things like truth and wisdom and so forth,

自信を持って 言えるのでしょうか？

with a high degree of confidence.

Can you be sure of that?

GB: Yeah, well, I think that the OpenAI, I mean, the short answer is yes,

(グレッグ) 短い答えはイエスで

I believe that is where we're headed.

OpenAIでは そこを目指しています

And I think that the OpenAI approach here has always been just like,

OpenAIのアプローチはいつも

現実にビンタしてもらう ということです

let reality hit you in the face, right?

It's like this field is the field of broken promises,

この分野は 守られない約束ばかりです

of all these experts saying X is going to happen, Y is how it works.

Ｘが起きるとか Ｙがその方法だとか

ニューラルネットは機能しないと 70年間言われ続けていました

People have been saying neural nets aren't going to work for 70 years.

They haven't been right yet.

まだ上手くいってなくとも

They might be right maybe 70 years plus one

71年必要なだけ かもしれません

or something like that is what you need.

私たちのアプローチは

But I think that our approach has always been,

本当に機能するか技術の限界まで 推し進めるということで

you've got to push to the limits of this technology

to really see it in action,

新たなパラダイムに移れるものか そうやって知るのです

because that tells you then, oh, here's how we can move on to a new paradigm.

私たちはまだここで やり尽くしていません

And we just haven't exhausted the fruit here.

(クリス) あなた方が取ったのは 正しいやり方なのかと

CA: I mean, it's quite a controversial stance you've taken,

that the right way to do this is to put it out there in public

物議を醸しました

and then harness all this, you know,

さっさと世に出して

開発チームだけで フィードバックを与えるのでなく

instead of just your team giving feedback,

the world is now giving feedback.

世界中からフィードバックを 与えてもらうということですが

But ...

もしも

If, you know, bad things are going to emerge,

何か悪いものが 発現するとしても

it is out there.

もう世に 出てしまっています

So, you know, the original story that I heard on OpenAI

私が聞いた話だと

非営利団体として OpenAIを設立したとき

when you were founded as a nonprofit,

well you were there as the great sort of check on the big companies

大企業がＡＩで隠れて悪いことしていないか チェックできるようにし

doing their unknown, possibly evil thing with AI.

And you were going to build models that sort of, you know,

彼らに責任を持たせ

必要なら分野をスローダウン させることもできるような

somehow held them accountable

and was capable of slowing the field down, if need be.

モデルを作るのだと

Or at least that's kind of what I heard.

私はそのように 聞きましたが

And yet, what's happened, arguably, is the opposite.

実際に起きたのは 逆のことで

That your release of GPT, especially ChatGPT,

ChatGPTが公開され

技術分野全体に 衝撃をもたらし

sent such shockwaves through the tech world

that now Google and Meta and so forth are all scrambling to catch up.

GoogleやMetaなんかが 追いつこうと走り出した

And some of their criticisms have been,

彼らの批判は あなた方のせいで

適切な安全策を講じることなく 世に出さざるを得なくなったんだと

you are forcing us to put this out here without proper guardrails or we die.

あなた方のやったことは 無責任なことではなかったと

You know, how do you, like,

make the case that what you have done is responsible here and not reckless.

どう説明しますか

GB: Yeah, we think about these questions all the time.

(グレッグ) その点については

絶えず考えています

Like, seriously all the time.

And I don't think we're always going to get it right.

私たちがいつも 正しくやるわけではありません

But one thing I think has been incredibly important,

ただ最初の最初から すごく重要だったことは

from the very beginning, when we were thinking

汎用人工知能が 全人類の益になるようにするには

about how to build artificial general intelligence,

actually have it benefit all of humanity,

どう作ればよいのか ということです

like, how are you supposed to do that, right?

普通とされるやり方は

And that default plan of being, well, you build in secret,

秘密裏にこの超強力なものを作り

you get this super powerful thing,

安全性について確認し それから世に出して

and then you figure out the safety of it and then you push “go,”

上手くいくことを祈る というものです

and you hope you got it right.

どうすればそうできるのか 私にはわかりません

I don't know how to execute that plan.

他の人は知りませんが

Maybe someone else does.

私には正しいやり方に 思えません

But for me, that was always terrifying, it didn't feel right.

私から見て唯一の道は

And so I think that this alternative approach

is the only other path that I see,

which is that you do let reality hit you in the face.

現実にビンタしてもらう というものです

And I think you do give people time to give input.

そして人々が意見できる 時間を取ること

マシンが完璧になる前に

You do have, before these machines are perfect,

before they are super powerful, that you actually have the ability

超強力になる前に

実際に動くところを 見られる必要があります

to see them in action.

And we've seen it from GPT-3, right?

みんなGPT-3を見ました

私たちが一番恐れていたのは

GPT-3, we really were afraid

that the number one thing people were going to do with it

みんながGPT-3を使って フェイクニュースを作ったり

was generate misinformation, try to tip elections.

選挙を操作したりしないか ということでしたが

Instead, the number one thing was generating Viagra spam.

実際の一番の悪用は バイアグラのスパムでした

(Laughter)

(笑)

(クリス) バイアグラのスパムより 酷いこともあり得たわけですね

CA: So Viagra spam is bad, but there are things that are much worse.

思考実験してみましょう

Here's a thought experiment for you.

Suppose you're sitting in a room,

部屋の中に箱が 置かれています

there's a box on the table.

You believe that in that box is something that,

箱の中には

家族やみんなにとって 素晴らしい贈り物が

there's a very strong chance it's something absolutely glorious

that's going to give beautiful gifts to your family and to everyone.

入っている可能性が高いが

But there's actually also a one percent thing in the small print there

小さな但し書きで

「パンドラの箱」と書かれていて

that says: “Pandora.”

And there's a chance

世界にとんでもない災厄をもたらす 可能性もわずかにあります

that this actually could unleash unimaginable evils on the world.

Do you open that box?

その箱を開けますか？

GB: Well, so, absolutely not.

(グレッグ) もちろん開けません

I think you don't do it that way.

そういうやり方はしません

And honestly, like, I'll tell you a story that I haven't actually told before,

前にしたことのない 話をしましょう

which is that shortly after we started OpenAI,

OpenAIを始めたすぐ後

I remember I was in Puerto Rico for an AI conference.

ＡＩの会議でプエルトリコにいました

I'm sitting in the hotel room just looking out over this wonderful water,

ホテルの部屋から

美しい海と 楽しんでいる人々を 眺めていました

all these people having a good time.

そこでふと考えます

And you think about it for a moment,

パンドラの箱が開くのが

if you could choose for basically that Pandora’s box

５年後か 500年後か

to be five years away

or 500 years away,

選べるとしたら

which would you pick, right?

どちらを選ぶだろう？

On the one hand you're like, well, maybe for you personally,

個人的には５年で 手にできる方が

it's better to have it be five years away.

いいかもと思う一方

But if it gets to be 500 years away and people get more time to get it right,

500年あれば みんな正しくやるための 時間が得られます

which do you pick?

どちらを選ぶか？

And you know, I just really felt it in the moment.

その時 心から思いました

I was like, of course you do the 500 years.

もちろん500年だと

当時弟は軍隊にいて

My brother was in the military at the time

and like, he puts his life on the line in a much more real way

コンピューターをたたいて 技術を開発している私たちよりも

than any of us typing things in computers

and developing this technology at the time.

本当の意味で 命をかけていました

And so, yeah, I'm really sold on the you've got to approach this right.

正しくやるべきだと 強く信じています

But I don't think that's quite playing the field as it truly lies.

でも 物事がそのようになっているとは 思っていません

Like, if you look at the whole history of computing,

コンピューターの歴史を 振り返ると

I really mean it when I say that this is an industry-wide

それは産業全体 あるいは人類の技術全体に

or even just almost like

a human-development- of-technology-wide shift.

変化をもたらすものでした

And the more that you sort of, don't put together the pieces

そこにあるピースを 組み合わせなければ

that are there, right,

we're still making faster computers,

コンピューターも アルゴリズムも改善されず

we're still improving the algorithms, all of these things, they are happening.

今ある素晴らしいことは 起きなかった

And if you don't put them together, you get an overhang,

組み立てずにいても 脅威は存在し続けます

which means that if someone does,

誰かがやったなら

回路を繋げた瞬間

or the moment that someone does manage to connect to the circuit,

突然強力なものを手にし

then you suddenly have this very powerful thing,

誰も調整する時間がなく

no one's had any time to adjust,

どんな安全策があるかも わかりません

who knows what kind of safety precautions you get.

And so I think that one thing I take away

私がここから引き出すのは

is like, even you think about development of other sort of technologies,

核兵器のような 別の技術の開発を考えても

think about nuclear weapons,

people talk about being like a zero to one,

人々は０を１にすること

sort of, change in what humans could do.

人類にできることを 変える話をしますが

But I actually think that if you look at capability,

能力について考えると

it's been quite smooth over time.

進歩は滑らかだった ということです

And so the history, I think, of every technology we've developed

人類の開発してきた技術は

has been, you've got to do it incrementally

段階的に進歩し

それぞれの時点で

and you've got to figure out how to manage it

どう管理したものかを 見出してきたのです

for each moment that you're increasing it.

CA: So what I'm hearing is that you ...

(クリス) あなたが望むモデルは

the model you want us to have

人類を新たな地点にもたらす すごい力を持つ

is that we have birthed this extraordinary child

that may have superpowers

子供を生み出すということで

that take humanity to a whole new place.

It is our collective responsibility to provide the guardrails

その子供が道を 踏み外さないようにさせ

for this child

賢く育って 人類に害をなさないようにさせるのは

to collectively teach it to be wise and not to tear us all down.

私たちみんなの責任だと

Is that basically the model?

そういうモデルでしょうか？

GB: I think it's true.

(グレッグ) そう思います

And I think it's also important to say this may shift, right?

モデルは変わりうるという点も 重要です

We've got to take each step as we encounter it.

展開があるごとに 次の一歩を踏み出します

And I think it's incredibly important today

みんながこの技術を よく理解し

that we all do get literate in this technology,

どうフィードバックを 与えたらいいか見極め

figure out how to provide the feedback,

それに何を望むか 決めるというのは

decide what we want from it.

今日とても 重要なことだと思います

And my hope is that that will continue to be the best path,

それが最良の道で あり続けることを望みますが

but it's so good we're honestly having this debate

率直にこの議論ができたのも 良いことで

because we wouldn't otherwise if it weren't out there.

他ではすることが なかったでしょう

CA: Greg Brockman, thank you so much for coming to TED and blowing our minds.

(クリス) TEDに来て 度肝を抜いて いただき ありがとうございました

(Applause)

(拍手)