哲学嫌いのためのAI哲学：現実的な付き合い方 2026

現在のAIブームは突然の嵐のように感じられますが、実は数年前に下された静かな決断の結果です。2017年、Googleの研究者たちは『Attention Is All You Need』という論文を発表しました。この論文で紹介されたのがTransformerアーキテクチャです。この画期的な設計により、機械は文章中の単語を一つずつではなく、文中の他のすべての単語との関係性において同時に処理できるようになりました。これにより、逐次処理のボトルネックが解消されたのです。今日、ChatGPTからClaudeに至るまで、主要なモデルはすべてこの一つのブレイクスルーに依存しています。これは2026頃に起こった出来事です。私たちは新しい発明を目撃しているわけではありません。7年前に生まれたアイデアがスケールアップしている様子を目の当たりにしているのです。この転換により、単純なパターン認識から複雑な生成へと移行し、コンピュータとの対話方法が一変しました。今、焦点はこれらのシステムにどれだけのデータと電力を注ぎ込めるかという点に移っています。結果は驚異的ですが、基盤は変わっていません。この歴史を理解することは、マーケティングの裏側を見抜く助けになります。今日のツールが、過去10年間の特定のエンジニアリング上の選択の論理的な帰結であることを示しているのです。 予測エンジンと確率生成AIは巨大な予測エンジンとして機能しています。人間のように考えたり理解したりしているわけではありません。その代わり、シーケンス内の次のトークンの統計的確率を計算しています。トークンとは、単語や単語の一部を指すことが多いです。モデルに質問すると、学習中に習得した数十億ものパラメータを参照し、トレーニングデータで見られたパターンに基づいて、次にどの単語が来るべきかを推測します。このプロセスはよくstochastic parrot（確率論的オウム）と呼ばれます。この言葉は、機械が根本的な意味を理解せずにパターンを繰り返していることを示唆しています。この違いは、今日これらのツールを使うすべての人にとって極めて重要です。AIを検索エンジンとして扱うと、期待外れに終わるかもしれません。AIはデータベース内の事実を調べているのではなく、確率に基づいて事実らしく見えるテキストを生成しているだけだからです。これがモデルがハルシネーション（幻覚）を起こす理由です。AIは正確であることではなく、流暢であることを目指して設計されているのです。トレーニングデータは通常、公開されているインターネット上の膨大なクロールデータで構成されています。これには書籍、記事、コード、フォーラムの投稿が含まれます。モデルは人間の言語構造とプログラミングの論理を学びますが、同時にそれらのソースに存在するバイアスや誤りも吸収してしまいます。このトレーニングの規模こそが、現代のシステムを過去のチャットボットとは別物に感じさせる要因です。古いシステムは厳格なルールに依存していましたが、現代のシステムは柔軟な数学に依存しています。この柔軟性により、クリエイティブなタスクやコーディング、翻訳を驚くほど簡単にこなせるようになりました。しかし、核心にあるメカニズムは依然として数学的な推測です。非常に洗練された推測ではありますが、意識的な思考プロセスではありません。これらのモデルが情報を処理する方法には、特定の3段階のサイクルがあります：モデルは膨大なデータセット内のパターンを識別します。文脈に基づいて各トークンに重みを割り当てます。シーケンス内で最も可能性の高い次の単語を生成します。 コンピューティングの新しい地理このテクノロジーの影響は、世界中に平等に分配されているわけではありません。私たちは、少数の地理的拠点に権力が集中する様子を目の当たりにしています。主要なモデルのほとんどはアメリカや中国で開発されており、これが他国にとって新しい形の依存関係を生んでいます。ヨーロッパ、アフリカ、東南アジアの国々は、デジタル主権をどのように維持すべきか議論を重ねています。自国の高価なインフラを構築するか、外国のプロバイダーに頼るかの選択を迫られているのです。参入コストは非常に高く、トップレベルのモデルをトレーニングするには数万個の専用チップと膨大な電力が必要です。これが中小企業や発展途上国にとっての障壁となっています。また、文化的な表現の問題もあります。トレーニングデータのほとんどが英語であるため、これらのモデルは西洋の価値観や規範を反映しがちです。これは一種の「文化的な平坦化」につながる可能性があります。地球の裏側で構築されたシステムによって、現地の言語や伝統が無視されたり、誤って表現されたりする恐れがあるのです。経済面での変化も同様に劇的です。あらゆるタイムゾーンの企業が、これらのツールをどう統合するか模索しています。一部の地域では、AIは従来の発展段階を飛び越える手段と見なされています。一方で、地元の経済を支えるアウトソーシング産業への脅威と見なす地域もあります。2026における現在の市場状況は、明確な分断を示しています。基本的なコーディングやデータ入力といったタスクが自動化されるにつれ、世界の労働市場はより不安定になっています。これはシリコンバレーだけの話ではありません。地球上のあらゆる経済が、自動化された認知労働の新時代にどう適応していくかという物語なのです。少数のハードウェアメーカーによる決定が、今や地域全体の経済的未来を左右しています。 BotNews.today は、AIツールを使用してコンテンツの調査、執筆、編集、翻訳を行っています。 当社のチームは、情報が有用で明確、信頼できるものであるよう、プロセスをレビューし監督しています。 自動化されたアシスタントとの共生日々の影響を理解するために、マーケティングマネージャーであるマーカスの生活を考えてみましょう。2年前、マーカスは午前中にメールの草案を作成し、午後はグラフィックデザイナーとの調整に費やしていました。今日、彼のワークフローは一変しました。彼は一日の始まりに、大まかな製品概要をローカルモデルに入力します。数秒で5つの異なるキャンペーン案が出来上がります。彼はそれをそのまま使うわけではありません。その後の2時間をかけて、出力結果を洗練させます。ブランドボイスに合っているか、事実誤認がないかを確認するのです。以前、存在しない製品機能を勝手にでっち上げた草案を受け取ったこともあります。これが仕事の新しい現実です。ゼロから作り出すことよりも、編集やキュレーションが重要になっています。マーカスは以前より生産的になりましたが、同時に疲れも感じています。仕事のペースが加速したからです。最初の草案が数秒でできるため、クライアントは数日ではなく数時間で最終版を期待するようになりました。これが常に「もっと多くを生産しなければ」というプレッシャーを生んでいます。深い考察の余地をほとんど残さない、高速出力のサイクルなのです。オフィス以外でも、政府や教育現場で同じことが起きています。教師はAIの支援を考慮してカリキュラムを書き直しています。持ち帰り課題の小論文から、対面での口頭試験へと移行しているのです。地方自治体はAIを使って公聴会の要約や移民コミュニティ向けの文書翻訳を行っています。これらは具体的な利点です。インドの地方の病院では、医師がAIツールを使って眼疾患のスクリーニングを支援しています。このツールはグローバルなデータセットで学習されましたが、現地の専門医不足を解消する助けとなっています。これらの例は、テクノロジーが「拡張のためのツール」であることを示しています。人間を置き換えるのではなく、タスクの性質を変えるのです。課題は、このツールがしばしば予測不可能であることです。今日完璧に機能するシステムが、小さなアップデートの後に明日には失敗するかもしれません。この不安定さは、個人のクリエイターから大企業まで、すべての人にとって常に背景にあるノイズのようなものです。私たちは皆、手元で構築され続けているツールを使う方法を学んでいる最中なのです。詳細については、メインサイトの包括的なAI業界分析をご覧ください。 予測の隠れた代償私たちは、この進歩の隠れたコストについて難しい問いを投げかけなければなりません。第一に、データの所有権の問題です。今日私たちが使用しているモデルのほとんどは、明示的な同意なしにインターネットからスクレイピングされたデータでトレーニングされています。何百万人ものクリエイターの利益を一切還元することなく、彼らの創作物を使って数十億ドル規模の製品を構築することは倫理的と言えるでしょうか？これは法的にグレーな領域であり、裁判所はようやく議論を始めたばかりです。次に、環境への影響があります。これらのモデルをトレーニングし実行するために必要なエネルギーは驚異的です。より大規模なシステムへ移行するにつれ、カーボンフットプリントも増大します。気候危機の時代に、このエネルギー消費を正当化できるでしょうか？Nature誌の最近の研究では、データセンターを冷却するために必要な膨大な水消費量が指摘されています。また、「ブラックボックス問題」も考慮しなければなりません。モデルを構築したエンジニアでさえ、なぜ特定の決定を下したのかを完全には理解していません。もしAIがローン申請や就職面接を拒否した場合、どうやってその決定を監査すればよいのでしょうか？透明性の欠如は、市民の自由にとって大きなリスクです。私たちは、完全には説明できないシステムにインフラを委ねているのです。さらに、組織の腐敗というリスクもあります。ニュースや法的文書、コードの生成をAIに頼るようになれば、人間の専門知識はどうなるのでしょうか？自分たちで作業を行うスキルを失ってしまい、出力の品質を検証できなくなる事態に陥るかもしれません。これらは単なる技術的なハードルではなく、社会をどのように組織するかという根本的な課題です。私たちは長期的な安定性を、短期的な効率性と引き換えにしているのです。それが本当に払うべき代償なのか、私たちは問い直さなければなりません。 AIに関するストーリー、ツール、トレンド、または取り上げるべき質問がありますか？ 記事のアイデアをお送りください — ぜひお聞かせください。 ローカルモデルの内部構造パワーユーザーにとって、焦点は単純なプロンプトから複雑なワークフローの統合へと移っています。真の価値は、もはやチャットボットのWebインターフェースにはありません。APIにあるのです。開発者は現在、厳しいレート制限とトークンコストを管理しています。彼らは巨大な汎用モデルから、より小さく専門化されたモデルへと移行しています。ここでローカルストレージとローカル実行の出番です。Llama.cppのようなツールを使えば、ユーザーは自分のハードウェアで強力なモデルを実行できます。これによりプライバシーの問題が解決され、常時インターネット接続が必要という依存関係も解消されます。ただし、これらのモデルをローカルで実行するにはかなりのVRAMが必要です。多くのユーザーは、中規模モデルでまともな体験をするには24GBが最低ラインだと感じています。また、「量子化」というトレンドもあります。これはモデルの重みの精度を下げて、高速化とメモリ節約を実現する技術です。4ビット量子化モデルは、フル16ビット版の数分の一のサイズでありながら、ほぼ同等のパフォーマンスを発揮することがよくあります。さらに、「RAG（検索拡張生成）」の台頭も見られます。これは、モデルがユーザーのプライベートな文書を参照してから回答を生成できるようにする技術です。モデルを特定の検証済みの事実に結びつけることで、ハルシネーションを減らします。これが汎用予測エンジンと実用的なビジネスツールとの架け橋です。次のフロンティアはコンテキストウィンドウです。数ページのテキストしか記憶できなかったモデルから、ライブラリ全体を一度に処理できるモデルへと進化しました。これにより、膨大なコードベースや長い法的文書の分析が可能になります。現在の課題は、これらの大きな入力に伴うレイテンシ（遅延）の管理です。これらのシステムができることの限界を押し広げる中で、ボトルネックはもはやソフトウェアではありません。シリコンの物理的限界と光の速度なのです。MIT Technology ReviewやIEEE Spectrumのレポートは、ハードウェアの最適化こそが現在のAI能力の主要な原動力であることを示唆しています。上級ユーザーは現在、主に3つの最適化領域に注目しています：量子化：ローカルハードウェアのメモリ要件を削減する。RAGシステム：モデルをプライベートな検証済みデータに接続する。API統合：自動化された多段階ワークフローを実現する。 未完の物語今日に至るまでの道のりは、特定の技術的選択によって舗装されてきました。私たちは効率性よりも規模を、論理よりも確率を選びました。その結果、魔法のように感じられる一方で、深い欠陥を抱えたツールが手元に残りました。ハイプサイクルはいずれ冷めるでしょうが、テクノロジーは残ります。私たちは、人間による創作と機械による創作の境界線が恒久的に曖昧になった世界に生きています。未解決の問いは、無限で安価なコンテンツの時代に、私たちが何を「価値」と定義するかです。機械が数秒で詩やプログラムを書けるなら、同じことを行う人間の努力にはどのような価値があるのでしょうか？私たちはまだその答えを探しています。今のところ、最善のアプローチは好奇心と懐疑心のバランスを保つことです。これらのツールを使って能力を拡張しつつ、その限界を常に意識しておくべきです。AIの未来は完成品ではありません。私たちが構築できるものと、構築すべきものの間で行われる継続的な交渉なのです。 編集者注： 当サイトは、コンピューターオタクではないものの、人工知能を理解し、より自信を持って使いこなし、すでに到来している未来を追いかけたいと願う人々のための、多言語対応のAIニュースおよびガイドハブとして作成されました。 エラーを見つけたり、修正が必要な点がありましたか？ お知らせください。

指示に従うソフトウェアから、例から学習するソフトウェアへの移行は、コンピューティング史上最も重要な転換点です。数十年の間、エンジニアはあらゆる結果を定義するために厳格なコードを書いてきました。このアプローチはスプレッドシートには有効でしたが、人間の会話や視覚認識には対応できませんでした。この変化は2012年のImageNetコンペティションで本格化し、特定の数学的手法が従来のあらゆる手法を凌駕しました。これは単なる優れたツールではなく、過去50年の論理からの完全な脱却でした。今日、私たちはその成果をあらゆるテキストボックスや画像生成AIに見ることができます。技術は実験室の好奇心から、グローバルなインフラの核となるコンポーネントへと進化しました。この変化を理解するには、マーケティングの誇大広告を超えて、予測の基盤となるメカニズムがどのように古い論理のメカニズムに取って代わったかを見る必要があります。この記事では、私たちを現在へ導いた技術的な転換点と、次の10年の発展を定義する未解決の課題を検証します。私たちはもはや機械に「考える」ことを教えているのではありません。次にくる可能性の高い情報を予測するように訓練しているのです。 論理から予測へのシフト従来のコンピューティングは記号論理に依存していました。ユーザーがボタンをクリックすれば、プログラムがファイルを開く。これは予測可能で透明性の高いものでした。しかし、現実世界は複雑です。猫の写真は光の加減や角度によってすべて見え方が異なります。あらゆる猫を網羅する「if-then」文を書くことは不可能です。ブレイクスルーは、研究者が猫をコンピュータに記述しようとするのをやめ、コンピュータ自身にパターンを見つけさせるようになった時に訪れました。生物のニューロンに着想を得た数学的関数の層であるニューラルネットワークを使用することで、コンピュータは人間の指導なしに特徴を識別し始めました。この変化により、ソフトウェア開発は「指示」から「キュレーション」へと変わりました。エンジニアはコードを書く代わりに、膨大なデータセットを収集し、機械がそれを学習するためのアーキテクチャを設計するようになったのです。ディープラーニングとして知られるこの手法こそが、現代社会を動かしています。最も重要な技術的転換は、2017年のTransformerアーキテクチャの導入で起こりました。それ以前、機械は情報を線形シーケンスで処理していました。モデルが文章を読む際、最初の単語を見て、次に2番目を見るという具合でした。Transformerは「アテンション（注意）」を導入し、モデルが文章内のすべての単語を同時に見て文脈を理解できるようにしました。これが、現代のツールが10年前のチャットボットよりもはるかに自然に感じられる理由です。それらは単にキーワードを探しているのではなく、入力のあらゆる部分の関係性を計算しているのです。このシーケンスから文脈への移行こそが、今日私たちが目にする大規模なスケールを可能にしました。これにより、インターネット上の公開データ全体でモデルを訓練できるようになり、プロンプトを入力するだけでコードを書き、エッセイを構成し、アートを作成できる生成AIの時代が到来したのです。 コンピューティングの世界的再編この技術的転換は、世界に深刻な影響を与えています。かつてソフトウェアは、ほぼすべてのコンシューマー向けハードウェアで動作しました。しかし、ディープラーニングはそれを変えました。モデルの訓練には数千の専用チップと膨大な電力が必要です。これが新たな地政学的な分断を生んでいます。「コンピュート（計算資源）」を最も多く持つ国や企業が、経済生産性において明確な優位性を持つようになりました。データセンターを支えるインフラが存在する少数の地理的ハブに権力が集中しています。もはや誰が最高のエンジニアを抱えているかという問題ではなく、誰が最も安定した電力網と高度な半導体サプライチェーンを持っているかという問題なのです。トップレベルのモデルを構築するための参入コストは数十億ドルにまで上昇しており、最高レベルで競争できるプレイヤーの数が制限されています。同時に、これらのモデルの成果物は民主化されています。小さな町の開発者でも、大手テック企業のシニアエンジニアと同じコーディングアシスタントを利用できます。これは労働市場をリアルタイムで変えています。複雑な文書の翻訳やレガシーコードのデバッグなど、かつては専門的な労働に何時間もかかっていた作業が、今では数秒で完了します。これは奇妙なパラドックスを生んでいます。技術の創造は中央集権化が進む一方で、技術の利用は過去のどのイノベーションよりも速く広がっているのです。この急速な普及により、政府は著作権法から教育に至るまで、すべてを見直さざるを得なくなっています。もはや問題は「国がこれらのツールを使うかどうか」ではなく、「認知労働のコストがゼロに近づく中で、経済的変化をどう管理するか」です。世界的な影響として、機械を指揮する能力が、タスクそのものを遂行する能力よりも価値を持つ世界へと向かっています。 予測時代の日常生活ソフトウェア開発者のサラを例に挙げましょう。5年前の彼女の朝は、特定の構文のドキュメントを検索し、手作業でボイラープレートコードを書くことから始まっていました。今日、彼女は統合されたアシスタントに機能を説明することから一日を始めます。アシスタントがドラフトを生成し、彼女は文字を打つ代わりに論理の監査に時間を費やします。このプロセスはあらゆる業界で繰り返されています。弁護士はモデルを使って数千ページの証拠資料を要約し、医師はアルゴリズムを使って人間の目では見落とす可能性のある医療画像の異常を特定します。これらは未来のシナリオではなく、今起きていることです。技術はプロフェッショナルの生活の背景に溶け込んでおり、多くの人は基盤となるワークフローがどれほど変わったか気づいてさえいません。それは「クリエイター」から「エディター」への移行なのです。典型的な一日の中で、人は十数種類のモデルと対話しているかもしれません。スマートフォンで写真を撮れば、モデルが照明と焦点を調整します。メールを受け取れば、モデルが返信を提案します。情報を検索すれば、リンクのリストではなく、モデルが直接的な回答を合成します。これは情報との関係性を変えました。「検索して見つける」モデルから「要求して受け取る」モデルへと移行しているのです。しかし、この利便性には真実の捉え方の変化が伴います。これらのモデルは予測に基づいているため、自信満々に間違えることがあります。最も正確な事実よりも、最も可能性の高い次の単語を優先するからです。これが、モデルがもっともらしいが誤った現実を作り出す「ハルシネーション（幻覚）」という現象につながります。ユーザーは機械の出力を新しい種類の懐疑心を持って扱い、ツールの速度と人間による検証の必要性のバランスを取ることを学んでいます。 BotNews.today は、AIツールを使用してコンテンツの調査、執筆、編集、翻訳を行っています。 当社のチームは、情報が有用で明確、信頼できるものであるよう、プロセスをレビューし監督しています。 最近、単純なテキスト生成からマルチモーダル機能へと移行が進みました。これは、同じモデルが画像、音声、テキストを同時に理解できることを意味します。これにより、議論は「知性」に関する理論的な論争から、実用性に関する現実的な議論へと変わりました。かつて人々は機械が人間のように「考える」のがいつになるかを過大評価していましたが、「考えない」パターンマッチングがいかに有用であるかを過小評価していました。現在、これらのツールは物理的なロボット工学や自動化システムに統合されつつあります。議論の決着がついた部分は、これらのモデルが狭いタスクにおいて驚異的に効果的であるという点です。未解決の部分は、因果関係の真の理解を必要とする複雑な多段階の推論をどう扱うかです。近い将来の日常生活では、デジタルな存在の各部分を処理する専門エージェントの艦隊を管理することが求められるでしょう。 ブラックボックスの隠れたコストこれらのシステムへの依存度が高まるにつれ、隠れたコストについて難しい問いを投げかける必要があります。第一は環境への影響です。単一の大規模モデルを訓練するだけで、何百もの家庭が1年間に使用する電力量に匹敵するエネルギーを消費することがあります。モデルが巨大化するにつれ、カーボンフットプリントも増大します。私たちは環境の安定性を犠牲にしてまで、より速いメール要約を望むのでしょうか？データの所有権の問題もあります。これらのモデルは人類の文化の集合的な成果物で訓練されました。作家、アーティスト、コーダーは、同意や対価なしに原材料を提供させられたのです。これは創造性の未来に関する根本的な問いを提起します。もしモデルが存命のアーティストのスタイルを模倣できれば、そのアーティストの生計はどうなるのでしょうか？現在、私たちは「フェアユース」の定義が限界まで引き伸ばされている法的グレーゾーンにいます。プライバシーも大きな懸念事項です。クラウドベースのモデルとのすべての対話は、さらなる訓練に使用されるデータポイントとなります。これは私たちの思考、質問、専門的な秘密の恒久的な記録を作成します。多くの企業は、知的財産が公開訓練セットに漏洩することを恐れ、社内業務でのパブリックモデルの使用を禁止しています。さらに、「ブラックボックス」問題に対処しなければなりません。モデルの作成者でさえ、なぜ特定の決定を下したのかを完全には理解していません。この解釈可能性の欠如は、刑事司法や医療のようなリスクの高い分野では危険です。モデルが融資を拒否したり治療法を提案したりする場合、その理由を知る必要があります。これらのシステムを「確率的なオウム（stochastic parrots）」と呼ぶことは、リスクを浮き彫りにしています。それらは基盤となる現実を理解せずにパターンを繰り返している可能性があり、追跡や修正が困難なバイアスや有害な結果を招く恐れがあります。 AIに関するストーリー、ツール、トレンド、または取り上げるべき質問がありますか？ 記事のアイデアをお送りください — ぜひお聞かせください。 ギークセクション：ハードウェアと統合これらのシステムの上に構築する人々にとって、焦点はモデルのサイズから効率と統合へと移りました。見出しは数兆のパラメータを持つ巨大モデルに注目していますが、実際の作業は量子化とローカル実行で行われています。量子化とは、モデルの重みの精度を16ビットから4ビットや8ビットに削減するプロセスです。これにより、パフォーマンスを大幅に損なうことなく、コンシューマーグレードのGPUやハイエンドのノートPCで大規模モデルを実行できます。これはプライバシーとコスト管理のために不可欠です。モデルをローカルに保存することで、機密データがユーザーのデバイスから決して流出しないことが保証されます。Llama.cppやOllamaのようなツールが急増しており、高価なAPIコールを回避して洗練されたモデルをローカルで簡単に実行できるようになっています。APIの制限とコンテキストウィンドウは、開発者にとって依然として主要な制約です。コンテキストウィンドウとは、モデルが一度の会話で「記憶」できる情報量のことです。近年、コンテキストウィンドウは数千トークンから100万トークン以上に拡大しました。これにより、コードベース全体や長い法的文書を一度に分析できます。しかし、コンテキストウィンドウが大きくなるにつれて、コストとレイテンシも増加します。開発者は、膨大な入力の中に埋もれた特定の詳細をモデルが見逃す可能性がある「干し草の中の針」問題に対処しなければなりません。これらのトレードオフを管理するには、洗練されたワークフローの統合が必要です。開発者は、モデルに外部データベースへのアクセス権を与えるRAG（検索拡張生成）をますます活用しています。これにより、訓練データのみに頼るのではなく、特定のソースを引用させることでハルシネーションを減らしています。次のフロンティアは、モデルが自律的にコードを実行し、ウェブを閲覧し、他のソフトウェアと対話するためのツールを与えられる「エージェント型」ワークフローへの移行です。 前進への道機械知能の急速な進化は、技術がもはや「テック」という独立したカテゴリではない地点に達しました。それは他のすべてのソフトウェアが構築される基盤となりつつあります。私たちは生成AIツールの最初の衝撃を乗り越え、現在は統合と規制という困難なフェーズにいます。最も重要なことは、これらのツールは知恵ではなく、予測のツールであることを忘れないことです。データセットの中で抵抗の少ない道を見つけることには長けていますが、過去のバイアスを繰り返す傾向もあります。今後、焦点はモデルを大きくすることから、より信頼性が高く専門的なものにすることへとシフトしていくでしょう。 残された最大の問いは、「次のトークンを予測する」モデルを超えて、物理世界を真に理解するものへ進めるかどうかです。真の推論を実現するには全く新しいアーキテクチャが必要だと主張する研究者もいれば、十分なデータとコンピュートがあれば現在の手法で最終的にギャップを埋められると信じる研究者もいます。結果がどうであれ、私たちの働き方、創造の仕方、コミュニケーションの取り方は永久に変えられてしまいました。次世代の課題は、機械が常に最も「論理的」な道を提案する世界において、人間の主体性を維持することです。私たちは、人間としての経験のうち、自分たちで行う非効率さに見合う価値があるのはどの部分なのかを決めなければなりません。 編集者注： 当サイトは、コンピューターオタクではないものの、人工知能を理解し、より自信を持って使いこなし、すでに到来している未来を追いかけたいと願う人々のための、多言語対応のAIニュースおよびガイドハブとして作成されました。 エラーを見つけたり、修正が必要な点がありましたか？ お知らせください。