岡野原大輔のレビュー一覧

ヒトとＡＩ

岡野原大輔

『ヒトとAI』添付箇所のまとめ・結論・示唆

以下は、岡野原大輔『ヒトとAI』の添付箇所と、ご提示いただいた文章を統合して整理したものです。

1. 全体要旨

本章が提示している中心命題は、AI時代の創造性とは、無数の可能性を生み出す能力ではなく、可能性を切り捨て、一つを選び、その結果を引き受ける能力であるということです。

生成AIは、文章、画像、コード、設計案、研究仮説などを高速かつ大量に提示できます。従来は「何も思いつかないこと」が創造のボトルネックでしたが、AI時代には逆に、候補が多すぎて決められないことがボトルネックになります。

したがって、創造性の重心は、

生み出すこと
から
選び、終わらせ、責任を負うこと

へと移動します。

AIは技術的には案を順位づけし、一案を選ぶこともできます。しかし、その選択を「社会的に正当な決定」として確定し、失われた可能性や不可逆的な結果を引き受ける主体にはなれません。最終的な選択は、依然として人間と制度の側に残ります。

⸻

2. 主要論点

2-1. 創造性は「無から有を生む力」ではなくなる

従来、創造性は、独創的なアイデアや前例のない表現を生み出す能力として理解されてきました。

しかしAIは、既存の人間には思いつかなかった組み合わせや表現を大量に生成できます。そのため、「新しい案を生み出すこと」だけでは、人間固有の創造性を説明できなくなります。

AI時代の創造性は、むしろ次の行為に現れます。

* 無数の可能性の流れを止める
* 評価基準を設定する
* 一つを選び、他を捨てる
* 作品や意思決定を完了させる
* 選択の結果を自分のものとして引き受ける

つまり、創造とは可能性を増やす行為であると同時に、可能性を切断し、現実を一つに固定する行為でもあります。

⸻

2-2. AIには「終わらせる」という責任主体性がない

AIは「もっと良い案」を際限なく生成できます。ある案を改善し、別案をつくり、さらに比較することもできます。

一方、人間はどこかで、

十分に検討した。これを採用する

と判断しなければなりません。

作品を完成させることは、単なる生成停止ではありません。生成可能だった別の作品、別の解釈、別の未来を意図的に捨てる行為です。

ここに、人間とAIの決定的な違いがあります。

AIは計算上の最適解を提示できても、なぜ今この時点で探索を終えるのか、その選択によって何を失うのか、結果に対して誰が責任を負うのかを、自らの社会的立場として引き受けることはできません。

したがって、AI時代の人間に残るのは、単なる「最終確認」ではなく、探索を終わらせる権限と義務です。

⸻

2-3. 創造性の民主化は、責任の民主化でもある

生成AIによって、専門的な技能を持たない人でも、文章、画像、音楽、映像、プログラムなどを制作できるようになります。

これは「誰でもクリエイターになれる」という創造性の民主化です。

しかし、創造できる人が増えるということは、同時に、

* 何を生成するか
* どの案を採用するか
* 何を公開するか
* どのような影響を生むか

について判断を求められる人も増えるということです。

AIが数千の案を提示しても、その中から一つを選んだ瞬間、AIが選んだという説明だけでは責任は消えません。採用し、利用し、公開した人間の判断が残ります。

したがって、創造性の民主化とは、能力の民主化だけではなく、不可逆的な結果を引き受ける責任の民主化でもあります。

⸻

3. 「AIによる発見が先にあり、理解が後から追いかける」

ご提示いただいた文章は、本書全体の重要な問題意識を端的に表しています。

従来の研究や意思決定では、おおむね次の順序が想定されていました。

理解する
→ 仮説を立てる
→ 探索・実験する
→ 答えを得る

しかしAIによる探索では、順序が反転します。

AIが有望な答えを発見する
→ 人間が結果を検証する
→ 後から原理や意味を理解する

AIは、特定の学問分野や専門家共同体の常識に強く拘束されず、膨大な変数や異分野の情報を同時に探索できます。

人間が一つの専門分野というレンズを通じて世界を見るのに対し、AIは、無数のレンズを重ね合わせた探索を行います。そのため、既存の専門分野の境界や分類の隙間に埋もれていた、いわば「谷間の解答」を発見できる可能性があります。

ここで重要なのは、AIの答えが直ちに「理解」になるわけではないことです。

AIが相関や有効な構造を見つけても、

* なぜ成立するのか
* どの条件で再現するのか
* どこまで一般化できるのか
* どのような副作用があるのか
* 社会的に利用してよいのか

という問いは残ります。

したがって研究者の役割は、情報を整理して答えを導く者から、AIが発見したものを検証し、説明し、意味づけ、知識体系の中に位置づける者へと変化します。

⸻

4. 翻訳できることと、外国語がわかることは違う

添付箇所では、AI翻訳を例として、「結果を得ること」と「能力を内面化すること」の違いが論じられています。

AI翻訳は、実用上十分な文章を即座に生成できます。しかし、翻訳結果を読めることと、外国語を理解できることは同じではありません。

外国語を学ぶことで得られるのは、単語や文法の知識だけではありません。

学習者の内側には、

* どの表現が自然なのか
* どの言い回しが丁寧なのか
* どこまで踏み込んだ表現なのか
* 文脈にどのような含意があるのか
* 別の表現なら何が変わるのか

という「可能性空間」が形成されます。

そのため、外国語を学んだ人は、AIの翻訳結果に対して違和感を持ち、評価し、修正できます。学んでいない人は、AIの結果を受け取れても、その良し悪しを十分に判断できません。

ここから得られる重要な示唆は、AIが生成できるようになったからといって、人間が学ぶ必要がなくなるわけではないということです。

むしろ学習の目的が変化します。

従来は「自分で正解を生成するため」に学んでいました。AI時代には、それに加えて、

AIの生成結果を評価し、文脈に適合させ、最終判断を行うため

に学ぶ必要があります。

学習とは、正解を記憶することではなく、生成可能性と評価基準を自分の内側に持つことなのです。

⸻

5. 権利は感情ではなく制度である

AIが人間に近い会話や振る舞いをするほど、人はAIに主体性や感情を感じるようになります。

しかし本書は、権利を「感情があるように見えるから与えるもの」とは捉えていません。権利とは、社会がどの主体にどのような責任と保護を与えるかを定めた、制度設計の結果です。

権利を与えるなら、同時に、

* 誰が責任を負うのか
* 損害をどのように補償するのか
* 契約や財産をどう扱うのか
* 判断を誰に帰属させるのか
* 有限責任を認めるのか

という枠組みを設計しなければなりません。

AIに権利や責任を認める議論は、AIが人間らしいかどうかという感情論ではなく、社会制度としてどのような主体をつくるのかという問題です。

現時点では、AIの判断過程が不透明であったとしても、AIを採用し、利用し、結果を社会に実装した人間や組織が責任を負います。

AIによって責任が消えるのではなく、むしろ責任の帰属を明示する制度の重要性が高まります。

⸻

6. 統合的な結論

結論1：AI時代のボトルネックは、生成から選択へ移る

AI以前は、アイデア、仮説、文章、設計案を生み出すこと自体に時間と専門性が必要でした。

AI時代には、案の生成コストは急速に低下します。その結果、希少になるのは案ではなく、

* 何を問うか
* 何を基準に評価するか
* どの案を採用するか
* どこで探索を終えるか
* 誰が結果を引き受けるか

です。

競争力の源泉は「たくさん生成できること」から、正しく絞り込み、早く決め、結果を引き受けられることへ移ります。

⸻

結論2：理解は遅れてもよいが、責任まで遅らせることはできない

AIが先に有効な答えを見つけ、人間の理解が後から追いかける状況は、研究、医療、事業、行政などで増えていくと考えられます。

完全な理解を待っていては、AIの成果を利用できません。しかし、理解が不十分だからといって、無条件に利用してよいわけでもありません。

必要なのは、

* 理解できている範囲
* 理解できていない範囲
* 利用可能な条件
* 想定されるリスク
* 中止・再検討の条件

を明示したうえで、限定的に利用し、その責任を引き受けることです。

つまり、AI時代の基本姿勢は、

完全な理解を待つことではなく、不完全な理解のまま利用する条件と責任を設計すること

になります。

⸻

結論3：人間の固有性は「答えを出すこと」より「意味を与えること」に残る

AIは答えの候補を生成し、比較し、最適化できます。

一方、人間と社会には、その答えを、

* どの問題に対する答えとして扱うのか
* 何のために使うのか
* 誰にとって望ましいのか
* どの価値を優先するのか
* どの結果まで受け入れるのか

と意味づける役割が残ります。

AIが「何ができるか」を拡張するほど、人間には「何をすべきか」を決める責任が強く求められます。

⸻

7. 実務への示唆

7-1. 研究開発：研究者は「探索者」から「意味づけと正当化の責任者」へ

AIは、分野横断的な探索、候補生成、パターン発見を担います。

研究者には、次の役割がより重要になります。

1. AIに探索させる問題と探索空間を定義する
2. 発見の再現性や因果関係を検証する
3. 既存理論との関係を整理する
4. 利用条件と限界を明らかにする
5. 社会的・倫理的な意味を説明する

研究成果の価値は、「AIが何かを発見したこと」だけではなく、その発見を人間が理解可能な知識として成立させたことに置かれるようになります。

⸻

7-2. 事業開発：アイデア創出よりも、選定基準と停止条件が重要になる

生成AIを使えば、事業アイデアや施策案は大量に生み出せます。

しかし、案が増えるほど、組織は決められなくなる可能性があります。したがって事業開発では、生成プロンプトより先に、次を設計する必要があります。

* 誰のどの課題を解決するのか
* 採用条件は何か
* 何をもって有望とするのか
* いつまで探索するのか
* どの条件なら中止するのか
* 最終決定者は誰か

AI時代の事業開発力とは、アイデアの数ではなく、可能性を事業判断へ変換するゲート設計力です。

⸻

7-3. 組織経営：「生成プロセス」ではなく「決定プロセス」を再設計する

AI導入において、多くの組織は生成速度や業務効率に注目します。

しかし本質的な課題は、その後です。

AIが出した案を誰が評価し、誰が承認し、誰が責任を負うのかが曖昧なままでは、生成物が増えるだけで意思決定は前に進みません。

必要になるのは、次のような責任アーキテクチャです。

* AIが担う範囲
* 人間が判断する範囲
* 承認権限
* 判断根拠の記録
* 不確実性の表示
* 再検討条件
* 問題発生時の責任帰属

AI活用の成熟度は、モデルの性能だけではなく、生成された結果を誰がどのように現実へ接続するかで決まります。

⸻

7-4. 教育：正解をつくる力から、生成物を評価する力へ

教育においても、AIに答えを出させることを禁止するだけでは不十分です。

今後必要なのは、AIが出した複数案を比較し、

* 前提は妥当か
* 根拠は十分か
* 反例はあるか
* 文脈に適しているか
* 何が欠けているか
* 自分ならどれを選ぶか

を説明する訓練です。

評価、選択、修正、説明を行うには、その分野の知識が必要です。したがって、基礎学習の意味は失われません。

学習は「AIなしで生成するため」だけでなく、AIと共同で判断するための内的基準を形成する行為になります。

⸻

8. 本書から導ける追加的な示唆

8-1. AI時代には「説明負債」が蓄積する

AIが発見した結果を、人間が十分に理解しないまま利用する場面が増えると、社会には「なぜ機能するのかわからないが使われている仕組み」が増えていきます。

これは技術的負債と同様に、説明負債・認識負債として蓄積します。

短期的には成果を出せても、環境が変化した際に、

* なぜ性能が落ちたのか
* どの条件が崩れたのか
* どこを修正すべきか
* 誰が判断すべきか

がわからなくなります。

したがって、AIによる発見を活用する組織には、利用と並行して理解を追いつかせる仕組みが必要です。

⸻

8-2. 希少資源は「答え」から「正当性」へ移る

答えが大量生成される社会では、「何が正しいか」だけでなく、

なぜその案を採用してよいのか

を説明できることが重要になります。

AIによる提案の性能が同程度であれば、最終的な差は、

* 判断過程の透明性
* 当事者の納得
* 社会的な受容性
* 責任主体の明確さ
* 検証可能性

によって生まれます。

AI時代には、正解の希少性よりも、決定を正当化し、信頼を形成する能力の希少性が高まります。

⸻

8-3. 組織の競争力は「意思決定スループット」で決まる

生成AIを導入すると、案の供給量は急増します。ところが、承認者の時間、判断基準、責任分担が変わらなければ、意思決定の待ち行列が長くなります。

このため、AI時代の生産性を測る際には、生成件数ではなく、

* 案が生成されてから決定されるまでの時間
* 決定後に実行へ移るまでの時間
* 判断の手戻り率
* 責任者不在による停滞件数
* 不採用理由の再利用率

を見る必要があります。

AI導入の本当の成果は、アウトプット量ではなく、組織が責任ある決定を処理できる速度に現れます。

⸻

最終結論

『ヒトとAI』の添付箇所が伝えているのは、AIによって人間の役割が消えるという単純な話ではありません。

AIは、発見し、生成し、比較し、最適化する領域を急速に拡大します。人間はその結果、作業から解放される一方で、より重い役割を担うことになります。

それは、

問いを定め、
評価基準をつくり、
無数の可能性から一つを選び、
探索を終わらせ、
不完全な理解のままでも結果を引き受けること

です。

AI時代に人間へ残るのは、単なる「最後のボタンを押す仕事」ではありません。

AIが開いた可能性空間に境界を引き、現実を一つに定め、その意味と責任を担う仕事です。

したがって、AI時代に最も重要になる能力は、生成能力そのものではなく、

選択する力、終わらせる力、説明する力、責任を負う力

であると結論づけられます。

ヒトとＡＩ

岡野原大輔

2026年7月22日発行の新しい本です。
「本書は、発展著しいAIが、今後、社会や生活にどのような影響を与えるのか、そして人間である私たちがAIと共に生きるうえで、何が変わり、何が変わらないかを、自分自身でも整理したいと思って書いたものである。」とあとがきにありました。
AIがあっても、そのAIが出したたくさんのアウトプットの中から、どれを採用するかを判断したり、どんなAIを使うかを判断するのは、人間がしなくていけないこと、そして、その結果生じる出来事に対しての責任は人間が負わなくてはいけないことを筆者は主張しています。
AIは、火や電気、自動車のように、人間社会のあり様を変えて、それがない社会には戻れないと言っています。
私たちひとりひとりがAIとどのように暮していくべきか、常に考えないといけない時代かなと思いました。
短い章でブロックを積むようにちょっとずつ話を進めているので、とても読みやすかったです。

大規模言語モデルは新たな知能か ＣｈａｔＧＰＴが変えた世界

岡野原大輔

普段からお世話になっているチャッピーことチャットGPTについて、使っているけども実際どういう原理で動いているのか気になり読みました。

内容、大規模言語モデルを図式で表記しされていたり、難しい計算式もなく専門用語も初登場の際には丁寧な説明がありとてもわかりやすい本でした。
なぜ、GAFAが争って開発費をかけている理由もわかりました。

自分で使うものは、ある程度原理を理解して扱わないと、大きなトラブルが起きると思います。

大規模言語では、ハルシネーションを理解しなければチャットGPTを使うことはさけるべきであると思います。

ハルシネーションを理解し、足りないところを補いながら上手にチャットGPTと付き合っていきたいです。

生成ＡＩのしくみ 〈流れ〉が画像・音声・動画をつくる

岡野原大輔

拡散モデルやフローマッチングについてイメージでわかりやすく記述していた。技術の歴史的な背景や技術的要請からの設計思想についても詳述されていてとてもよかった。

大規模言語モデルは新たな知能か ＣｈａｔＧＰＴが変えた世界

岡野原大輔

大規模言語モデルの現状、展望、問題点が平易ではあるが、かなり広く深く書かれている。
著者は若い起業家であり、数式に頼らずにうまく概念を説明している。事例もビジネスの現場の最先端から引用されている。この辺りが学者が書いたものとは全く異なり、かなりリーダブルな本となっている。

大規模言語モデルは新たな知能か ＣｈａｔＧＰＴが変えた世界

岡野原大輔

一回AIとはどういうものかをかじって概略の知識があり、さらにそのかじった時にニューラルネットワークについてある程度かじった人には、とても具体的でわかりやすい本だと思います。『ＣｈａｔＧＰＴの全貌　何がすごくて、何が危険なのか？ (光文社新書 1267)』などを読んだ後に読むとよいのでは。

大規模言語モデルは新たな知能か ＣｈａｔＧＰＴが変えた世界

岡野原大輔

大規模言語モデル（LLM）について、またいわゆる（人口）知能とは、どのような理屈で動作しているのか？、について、その大まかな歴史、また正確な理論の解説と、わかりやすい（ただ決して万人向けではないが…）、技術的な興味を惹かれる記述を含む形で書かれた、優れた技術書であると思う。

私はかつて、学卒後約8年、いわゆるIT業界に身を置き、またその後業界こそ異なれどITに関わる仕事に長年従事してきた。ただ数年前にセミリタイアのような形でかの業界からは身を引き、ちょうど時を同じくしてChatGPTに代表されるような人工知能（AI）（LLM）が世間の耳目を集める時代になったように思う。そのような「自分の仕事とは関わりのない」「仕事を通じて触れる事のできない」LLMという概念をその基礎から知ることができず、ずっともやもやとした気分でいた。余談だが1995年のいわゆるウィンドウズショック、インターネット元年、その後の一連のIT革命（と勝手に私が呼んでいる）をまさに公私に渡って体験してきた身ではある。

そのようなLLM、について、学ぶ資料、書籍、になかなか出会うことが出来なかった。尤も、いわゆる親切な絵柄や過剰な色彩、それこそ「万人向け」の「ムック本」ならば、いくらでも書店に並んでいるだろう。ただ私は決してそのような形で（AIについて）学びたいとは思わなかった。実際、もしそのような形で触れていれば、下記のような発見はなかっただろう。

私が本書を通じて得た「発見」とは、「AIについてその技術を進化させようとする研究、行為、開発作業、は、人間の脳について、より深くその動作原理を知ろうとすることではないか？」という事である。私が冒頭で、「（人口）知能」とあえてカッコで括った事はそれを意味している。当たり前の事だが、私たちは常に考え、行動し、反省し、よりよく行動しようと、という日常を意識する事なく繰り返しているはずである。それは全く文字通り「無意識」の行動であり、その「命令」は殆ど「脳」がやはり無意識に「発信」していると思う。ではその無意識な行動は具体的にどうやって、どういう理屈で、どういう経験則に従って命令が発せられたのか？、もっとわかりやすい（と私が勝手に考えだした）例を挙げれば、テレビ番組に出てくるお笑い漫才師の演芸、その間合いとセリフが、なぜ我々はまさにその瞬間に面白いと感じるのか？、そこにAI、或いは人間の脳、というものの動作を理解するヒントがあるのではないかと、本書を読むことを通じて、私は発見させられたように思う。すなわち、AIの研究とは人間の脳の研究では無いかと。

最後に、本書の終末あたりの一文をそのまま引用する。まさにこの事がAIと人間の未来を表しているのでは無いかとも思う。

「結局のところ、人は異なる知能をもった存在によって、初めて自分たち自身を理解できるのかもしれない。人工知能が人間の自己理解に貢献していくと考えられる。」

大規模言語モデルは新たな知能か ＣｈａｔＧＰＴが変えた世界

岡野原大輔

大規模言語モデルが現在どこまで辿り着いているよかが平易な文章でよく理解できました。

通常は学習させればさせるほど、データ量が多ければ多いほど過学習が起こり、汎用的なモデルにならない所が、ブレイクスルーできている点が最も大きい。汎用的な知識に近いものが獲得できている所がすごい。あとはハルシネーションに対する対応がどうなるか次第だと思います

大規模言語モデルは新たな知能か ＣｈａｔＧＰＴが変えた世界

岡野原大輔

大規模言語モデルを「数式を使わず」に(つまり、数学分からない人間に)解説するもの。
その意味でわかり良い本の最高のものとおもいました。
二回、読みました。
数ヶ月したら「続編」(この分野は激しく変わっていくので)を出して欲しい。この内容をより充実させ、新しい状況に対応したものを期待したい。

大規模言語モデルは新たな知能か ＣｈａｔＧＰＴが変えた世界

岡野原大輔

大規模言語モデルに関する最初の一歩としては、質量共に十分な一書。

できること、リスク、背景技術、歴史など肝を押さえた記述だ。

これからの利用にあたっても、背景技術が分かると、さらに効果的な使い方ができることを予感できた。

ディープラーニングを支える技術〈2〉——ニューラルネットワーク最大の謎

岡野原大輔

※ 出版社さんよりいただきました，また，著者と面識がありますことご承知おきください．

シリーズ1巻目の『「正解」を導くメカニズム』に続く，岡野原さんによる深層学習の解説本．1巻目よりも発展的な内容を，ギュッっと圧縮して説明した本．1巻目より高度なので，機械学習を初見の読者を対象とはしていないようだ．教科書で機械学習を一通り学んだ人が深層学習の情報を得るにはとても便利な本．新しい拡散モデルまで紹介されていていることに驚かされる．

第1章：第1巻で紹介しきれなかった，学習の改良手法を一通り紹介している

第2章：深層学習が，データを一般的な状況にうまく汎化できる理由は，理論上の大きな問題として残っている．この問題について，現状での有力な仮説をまとめている．

第3章：代表的な生成モデルを超圧縮で紹介した本．機械学習のバックグラウンドがある人向けに，うまくかいつまんで紹介している．しかも，VAE，敵対的生成ネット，自己回帰モデル，そして新たな拡散モデルまで網羅している．

第4章：まず，強化学習についての基本的な内容を一通り復習．そして，深層学習と結び付いた DQN と Alpha GO について紹介だが，何が難しく，それをどうやって克服していったかが紹介されている．

第5章：最初の節だけは，取りこぼした自己教師あり学習．その後は，今後の展望について Sutton さんや Bengio さんの講演を基にした議論を紹介する．最後に，まだ解かれていない課題についてまとめているが，これを見ると一番難しいところは50年間変わらないなと感慨にふけってしまった．

ディープラーニングを支える技術——「正解」を導くメカニズム［技術基礎］

岡野原大輔

※ 出版社さんよりいただきました，また，著者と面識がありますことご承知おきください．

深層学習に関する多くの技術的知見を少ないページ数に凝縮している．非常に多くの情報が取り上げられているが，それぞれは概要の説明になっている．

深層学習についてこれから知りたい人には，全体を俯瞰するための本で，さらに理解を深めたい話題を見つけて，他の資料にたどり付ける．ある程度知っている人には，思い返すときの辞書となると思う．

詰め込んであるので雑多になりやすいが，各章の始めに図で，最後にまとめの章を設けていて，主張したいことが明確にするといった工夫がなされている．

各技術要素について，それがどうしてうまく働くのかの知見についても述べているのは特徴的．例えば，正規化が，表現力や学習のし易さを向上させる効果があり，その理由についても簡潔に取り上げている．

第1章：論理のような明示的な処理と，視覚処理のような暗黙的な知識処理との統合という人工知能実現の難関を最初に示している．人工知能史を紹介してから，深層学習の概念的な説明と応用事例を示している．大規模なデータと計算量については1節をさいてその重要性を力説しているのは，この本のポイントの一つだと思う．

第2章：1990年代までに確立した機械学習の代表的な概念を超圧縮で紹介．この後の章を読むのに必要な用語を，簡単な数式を交えて概念的に説明したもの．

第3章：深層学習以前のニュールネットの説明をやはり超圧縮で紹介．画像を扱うための畳み込みネットや，系列を扱う RNN や LSTM まで一気に進める．活性化関数のところが，だいぶ力を入れて執筆されている．

第4章：深層学習以降に，深層ニュールネットをうまく扱えるように開発されたバッチ正規化，スキップ機構，注意機構の紹介．スキップ機構は個人的にはそれほど重視していなかったが，知らなかった利点があることが分かった．

第5章：画像認識モデルの進展を，各モデルの主なアイデアと共にまとめている．音声認識は基本をまとめた内容．自然言語処理のBERTの成功理由の考察は興味深かった．

ディープラーニングを支える技術——「正解」を導くメカニズム［技術基礎］

岡野原大輔

ディープラーニングの基本となる考え方から最新の発展まで知ることができる。

【概要】
●機械学習の基本
●ディープラーニングで最近注目されている手法
●ディープラーニングの歴史と現在、今後の展開

【感想】
●本書に書かれているとおり技術解説書であり入門書ではないため、ディープラーニングを知らない人は他書で勉強してから読む必要がある。言い換えると、この本が難しすぎると思う人はしっかり入門書を読んで勉強した方がよい。
●体系的にまとめられているため、検定合格者やディープラーニングを学習したことがある人にとっては非常に理解しやすく、ためになる本だと思う。
●今後も技術進展に伴い、バージョンアップしてもらえるとありがたい。

Learn or Die 死ぬ気で学べ プリファードネットワークスの挑戦

西川徹 / 岡野原大輔

何故か「ストーリーとしての競争戦略」を連想しました。世によくあるHow Toやベストプラクティスはなく、あるとするなら疑え。経験に甘んじることなく常に学び続ける。とてもパワーを貰えるし、読者が行動を起こせるように非常に理解しやすい言語セレクトがされている事が印象的。こんな文章を書く人ほど、非常に優秀なのだろうなと感じる。そもそもこの本が何のためにリリースされているのかを実感する。

Learn or Die 死ぬ気で学べ プリファードネットワークスの挑戦

西川徹 / 岡野原大輔

プリファードネットワークス(PFN)創業者の2人、西川・岡野原が綴ったこれまでの軌跡と、行動規範・未来についてである。

PFNはAI技術を扱う会社でありソフトウェアとハードウェアの融合、AIを扱うロボットを目指す企業だ。
個人的には、GAFAに蓋をされたような日本において、未来に希望を抱くことのできる内容だった。

まさにGoogleのように研究開発重視の姿勢で20%のリソースを自由な研究に割き、組織も同じ方向性に立つ人材に限って採用する、まさに前に進み続けるためにある企業だ。
コミュニケーションを重視する姿勢も良くあるIT企業とは異なると感じる。

表題にもある当社のバリューのうち、Learn or Dieこそが躍進の源泉なのだろう。その他含めて

　＊Motivation-Driven（熱意を元に）
　＊Learn or Die（死ぬ気で学べ）
　＊Proud, but Humble
　（誇りを持って、しかし謙虚に）
　＊Boldly do what no one has done before
　（誰もしたことがないことを大胆に為せ）

どれも、らしさを、表している。

世界を変える様なことをできる彼らを羨むだけであることはもったいない、成功すると分かっていることは面白くないという気概で生きたい。

Learn or Die 死ぬ気で学べ プリファードネットワークスの挑戦

西川徹 / 岡野原大輔

PFNが何をやっている会社か、どのような経緯で今の会社になったのか、どんな気持ちで会社が運営されているのかなどが概観できた。会社のポリシー（？）のようなものにも触れられて少しモチベーションが高まった

Learn or Die 死ぬ気で学べ プリファードネットワークスの挑戦

西川徹 / 岡野原大輔

とにかくすごいということがよくわかった．技術志向のところは，地に足がついてるし，時代の変化にも適応できるというか，むしろ時代を作っていくという感じがする．

Learn or Die 死ぬ気で学べ プリファードネットワークスの挑戦

西川徹 / 岡野原大輔

謎の天才集団というイメージが強いPFN。本書ではその天才性をまざまざと感じつつ、「学び続ける」「謙虚でいる」といった姿勢こそが肝要なのだということを伝えてくれる。
読んでいてここまでワクワクする企業ものもなかなかない。
研究開発を主体にした「なにをやっているのかよくわからない」企業への理解を深め、圧倒的に興味を持ってしまう魔力をもった一冊。

Learn or Die 死ぬ気で学べ プリファードネットワークスの挑戦

西川徹 / 岡野原大輔

プリファード・ネットワークスの沿革や概念について創業者の視点から書かれている。
会社が掲げる主な理念として４つほど挙げられてる。
Motivation-Driven (熱意を元に)
Learn or Die (死ぬ気で学ぶ）
Proud, but Humble　（誇りを持って、しかし謙虚に）
Boldly do what no one has done before (誰もしたことがないことを大胆に為せ)
この４つ、確かに大事だなという気がするし、真っ当なことは大きい会社がさっさとやってしまう。だからこそできるかできないか分からないところに挑戦するといった姿勢は好感が持てた（それができるような資金調達に成功しているのもすごいが）
PFNが強くなった理由も納得できた気がした一冊でした。
やっぱり夢があるって良い

大規模言語モデルは新たな知能か ＣｈａｔＧＰＴが変えた世界

岡野原大輔

ChatGPTを中心に大規模言語モデルを解説。情報の信憑性の確認と、間違えることは十分ありえるので、自分と考え方が違う人のように付き合うことが大切。