AIが赤ちゃんの耳で言葉を覚えた　カギは「夜の復習」、家の録音100万時間以上

Scientists in the U.S. have built an AI that learned words like a baby. It used only the sounds that a child heard at home. The team at Princeton University shared the study on Nov. 5.

アメリカの科学者たちが、赤ちゃんのように単語を覚えるAIを作りました。AIは、子どもが家で聞いた音だけを使いました。プリンストン大学のチームが、11月5日にこの研究を発表しました。

Families let the team record the sounds in their homes. The recordings started at birth and continued for about three years. The team made a different AI for each of eight children.

家族たちは、チームが家の中の音を録音することをゆるしました。録音は生まれたときに始まり、約3年続きました。チームは、8人の子どもそれぞれに、別々のAIを作りました。

At first, the AI knew nothing about English. It heard the sounds from the child's home one day at a time. This was not enough. One AI still knew no words by the point that matched the child's second birthday.

はじめ、AIは英語について何も知りませんでした。AIは、その子の家の音を1日ずつ聞いていきました。それだけでは足りませんでした。あるAIは、その子の2歳の誕生日にあたる時点でも、単語を1つも覚えていませんでした。

Then the team added a replay at the end of each day. The AI listened to recent sounds again, as the brain may do during sleep. With the replay, it learned thousands of words. But it still did not know what the words meant.

そこでチームは、毎日の終わりに「もう一度聞く時間」を加えました。AIは最近聞いた音をもう一度聞きました。脳が眠っているあいだにしているかもしれないことと同じです。もう一度聞く時間を加えると、AIは何千もの単語を覚えました。ただし、その単語がどんな意味かは、まだわかっていませんでした。

Researchers at Princeton University have trained AI models to learn words using only the speech that individual children heard at home. The study was published in the journal Science on Nov. 5. It found that the models learned far better when they "replayed" recent speech, much as the brain is thought to do during sleep.

プリンストン大学の研究者たちが、一人ひとりの子どもが家で聞いた話し声だけを使って、単語を覚えるAIのモデルを訓練しました。この研究は、11月5日に学術誌『サイエンス』に発表されました。研究では、最近聞いた話し声を「リプレイ（もう一度再生）」すると、AIのモデルがずっとよく学べることがわかりました。脳が眠っているあいだにしていると考えられていることに似ています。

Families agreed to have their homes recorded from the time their babies were born until they were about 3 years old. Cameras and microphones captured more than a million hours of audio and video in total. The team focused on eight of the children. It built a separate model for each child.

家族たちは、赤ちゃんが生まれたときから約3歳になるまで、家の中を録音することに同意しました。カメラとマイクは、全部で100万時間をこえる音声と映像を記録しました。チームは、そのうち8人の子どもにしぼりました。そして、一人ひとりに別々のモデルを作りました。

Each model started out like a blank slate, with no knowledge of English sounds or words. It was fed the speech the child heard, day by day and in the same order the child heard it.

どのモデルも、英語の音や単語を何も知らない、まっさらな状態から始まりました。モデルには、その子が聞いた話し声が、1日ずつ、その子が聞いたのと同じ順番であたえられました。

Hearing speech every day was not enough on its own. In one child's case, the model had not learned a single word by the point that matched the child's second birthday. When the researchers added a replay of recent speech after every day of the model's learning, it learned thousands of words.

毎日話し声を聞くだけでは、それだけでは足りませんでした。ある子どもの場合、モデルは、その子の2歳の誕生日にあたる時点でも、単語を1つも覚えていませんでした。研究者たちが、モデルが学ぶ毎日の終わりに最近の話し声のリプレイを加えると、モデルは何千もの単語を覚えました。

Chatbots are trained on billions of words of text, while babies start to understand speech after hearing far less. The models recognized the sounds of words, but they did not know what the words meant. The models also learned only from sound, while real babies also see the gestures and faces of the people around them.

チャットのAIは何十億語もの文で訓練されますが、赤ちゃんはそれよりずっと少ない量を聞いただけで、話し声がわかりはじめます。モデルは単語の音を聞き分けましたが、その単語が何を意味するかは知りませんでした。また、モデルは音だけから学びましたが、本物の赤ちゃんは、まわりの人の身ぶりや表情も見ています。