Amblard added that humans, as flesh-and-blood -intelligent beings, are "sense-making machines" with different abilities from today's computer systems.
私もこの言葉を支持します！！
（上記のマキシム・アンブラール教授の言葉をChetGPTに放り込んで、意見を聞きたいな？と）
Important Terms and Ideas for Describing Artificial Intelligence
There are several terms experts use to describe computer systems in the field of artificial intelligence.
Recently, the French News Agency (AFP) defined some of the common terms and ideas used in that field.
Here is a version for English learners:
Artificial intelligence
The first term is “artificial intelligence.”
When asked what artificial intelligence is, the AI-powered ChatGPT system says that the term means “the simulation of human intelligence in machines that are programmed to think, learn and make decisions".
AI's main quality or characteristic is taking in large amounts of data and then processing it using methods from statistics.
AI involves using ideas from many fields including computing, mathematics, languages, psychology, and others.
Currently, the technology is being used heavily for investigating health issues, translating human languages, and predicting problems in machine tools and self-driving cars. But AI is affecting many fields of business and industry.
Algorithm
A second important term is “algorithm.”
An algorithm is important to all computer operations. It is a series of steps or instructions followed by a computer program to get a result.
Algorithms can give rules for an AI's behavior, helping it to realize the objectives of computer program developers.
Unlike a simple computer program, AI algorithms permit a computer system to “learn” for itself.
Machine learning
A third important term is “machine learning.”
Machine learning is one method that researchers have used in their efforts to produce artificial intelligence.
Machine learning lets computers learn from data without being directly programmed on what results to produce.
In recent years, the field of neural networks has given important results.
In a neural network, connections between some nodes are strengthened and others weakened as the system learns and makes changes.
Learning can be "supervised." This means the system learns to put new data into specific groups based on a model. For example, the system could learn to identify spam in an email or other messaging programs.
"Unsupervised" learning permits the system to independently discover new areas or ways of doing things. These discoveries in the available data might not have been immediately clear.
An example would be letting an online store identify buying trends in sales data.
"Reinforcement" learning adds a process of repeated trial-and-error. In this process, the system is rewarded based on its outcomes, causing it to learn and improve.
One example might be a self-driving vehicle whose objective is to reach its destination as quickly as possible but also safely. That requirement would lead it to learn to stop at red lights although it requires additional time.
Deep learning owes its name to its use of many layers of neural networks.
Raw data is examined by each layer in turn at growing levels of abstraction.
Geoffrey Hinton received the 2024 Nobel Prize in Physics. Hinton is credited with developing deep learning. Hinton received the prize along with 1980s neural-network developer John Hopfield.
Francis Bach, head of France's SIERRA statistical learning laboratory, said this about deep learning: "The more layers you have, the more complex behavior can become, and the more complex the behavior can be, the easier it is to learn a desired behavior efficiently."
The method might help lead to scientific discoveries.
Language models
We now turn to large language models (LLMs).
These might be the most popular example of generative AI. Large language models power tools like OpenAI’s ChatGPT or Google’s Gemini.
Such systems are able to write long papers, answer legal questions or even produce a cake recipe based on their statistical models.
But the technology is still new. LLM’s can suffer from "hallucinations"- the creation of content that is false or incorrect.
Artificial general intelligence
A final important term is artificial general intelligence (AGI) - one the big goals of the whole AI field.
AGI suggests the unrealized dream of a machine able to reproduce all human processes of human thinking.
People who push the idea include OpenAI chief Sam Altman and his competitors at Anthropic. They consider such a system to be within reach.
The goal is to use large amounts of data and processing power to train LLMs that are increasingly powerful.
But critics say that LLM technology has important limits, including its ability to reason.
Maxime Amblard, computing professor at France's University of Lorraine, told AFP last year, "LLMs do not work like human beings."
Amblard added that humans, as flesh-and-blood -intelligent beings, are "sense-making machines" with different abilities from today's computer systems.
Words in This Story
simulation – n. the representation of the functioning of one system or process by means of the functioning of another system
statistics –n. pl. (science) the field of processing numerical information to describe processes and things
neural –adj. related to the brain or nerves
node – n. a point at which smaller parts begin or center
spam – n. unsolicited messages (such as an email) that often have a commercial purpose
trend – n. a line or direction of movement or change
abstraction –n. the formation of ideas
efficiently – adv. with success, competence, or a suitable effect
人工知能を説明するための重要な用語と考え方（和訳）
人工知能の分野でコンピュータシステムを説明するために専門家が使う用語はいくつかあります。
最近、フランス通信（AFP）は、その分野で使われる一般的な用語や考え方を定義しました。
以下は英語学習者向けバージョンです：
人工知能 Artificial intelligence
最初の用語は ”人工知能 ”です。
人工知能とは何かという質問に対して、AIを搭載したChatGPTシステムは、この用語は”思考し、学習し、意思決定するようにプログラムされた機械における人間の知能のシミュレーション”を意味すると答えています。
AIの主な性質や特徴は、大量のデータを取り込み、それを統計学statisticsの手法を用いて処理することです。
AIには、コンピューター、数学、言語、心理学など、さまざまな分野のアイデアが使われています。
現在、この技術は健康問題の調査、人間の言語の翻訳、工作機械や自動運転車の問題予測などに多用されています。しかし、AIはビジネスや産業の多くの分野に影響を及ぼしています。
アルゴリズム Algorithm
２つ目の重要な用語は、”アルゴリズム ”です。
アルゴリズムはすべてのコンピューター操作にとって重要です。コンピュータプログラムが結果を得るために従う一連の手順や命令のことです。
アルゴリズムはAIの動作にルールを与えることができ、コンピュータプログラム開発者の目的を実現するのに役立ちます。
単純なコンピュータ・プログラムとは異なり、AIアルゴリズムはコンピュータ・システムが自ら”学習”することを可能にします。
機械学習 Machine learning
３つ目の重要な用語は”機械学習”です。
機械学習は、研究者が人工知能を生み出す努力の中で用いてきた手法のひとつです。
機械学習は、どのような結果を出すべきか直接プログラムされることなく、コンピューターにデータから学習させます。
近年、ニューラルネットワークの分野が重要な成果をあげています。
※ニューラルネットワーク：人間の脳の働きを模した方法でデータを処理するようにコンピュータに
教えるAIの手法ーAmazon Web ServisesAmazon Web Servisesよりニューラルネットワークとは何ですか? - 人工ニューラルネットワークの説明 - AWS ）
ニューラル・ネットワークでは、システムが学習して変化するにつれて、あるノード間の接続が強まり、他のノード間の接続が弱まります。
※ノード：コンピューターやプログラミングなどのネットワーク（システム）を構成する個々の要素のこと。ーノード | IT用語 | 製品の原理 用語解説 | 光データ装置、センサ、自動ドアなどの専門メーカー 北陽電機株式会社
学習は "教師あり "でできます。これは、システムがモデルに基づいた新しいデータを特定のグループに入れることを学習することを意味します。例えば、システムは電子メールやその他のメッセージング・プログラムの迷惑メール（スパムspam）を識別するように学習することができます。
”教師なし”学習は、システムが新しい分野ややり方を独自に発見することを可能にします。利用可能なデータにおけるこれらの発見は、すぐには明確ではなかったかもしれません。
例えば、オンラインストアが販売データから購買傾向buying trendsを特定するようなものです。
”強化”学習は、試行錯誤を繰り返すプロセスを追加します。このプロセスでは、システムはその結果に基づいて報酬を与えられ、学習と改善を行います。
一例として、目的地にできるだけ早く、かつ安全に到着することを目的とした自動運転車があります。そのため、赤信号で停止することを学習しますが、そのためにはさらに時間がかかります。
ディープラーニングの名前の由来は、ニューラルネットワークを何層にも重ねることにあります。
生データは各層で順に抽象度abstractionを上げながら調べられます。
ジェフリー・ヒントン氏は２０２４年年にノーベル物理学賞を受賞しました。ヒントン氏はディープラーニングを開発したとされています。１９８０年代のニューラルネットワーク開発者ジョン・ホップフィールド氏とともに受賞しました。
フランスのSIERRA統計学習研究所のフランシス・バッハ所長は、ディープラーニングについて次のように述べています： 「レイヤーが多ければ多いほど、動作はより複雑になり、動作が複雑であればあるほど、望ましい動作を効率的にefficiently学習することが容易になります。」
この方法は科学的発見につながるかもしれません。
言語モデル Language models
次に、大規模言語モデルlarge language models（LLM）に話を移します。
これは生成AIの最も一般的な例かもしれません。大規模言語モデルは、OpenAIのChatGPTやGoogleのGeminiのようなツールを動かします。
このようなシステムは、統計モデルに基づいて長い論文を書いたり、法律上の質問に答えたり、ケーキのレシピを作成したりすることさえできます。
しかし、この技術はまだ新しいものです。LLMは”幻覚”に悩まされる可能性があります。
人工知能 Artificial general intelligence
最後の重要な用語は人工知能（AGI）であり、AI分野全体の大きな目標の一つです。
AGIは、人間の思考プロセスをすべて再現できる機械という、実現不可能な夢を示唆しています。
この考えを推し進める人々には、OpenAIのチーフであるサム・アルトマン氏や、Anthropic社の彼の競争相手がいます。彼らはそのようなシステムは手の届くところにあると考えています。
※Anthropic：OpenAIの元メンバーによって設立されたアメリカのAIスタートアップ企業及び公益法人。（出典：Wikipedia)
目標は、大量のデータと処理能力を使って、ますます強力になるLLMを訓練することです。
しかし批評家たちは、LLM技術には推論能力など重要な限界があると言います。
フランスのロレーヌ大学のマキシム・アンブラール教授は昨年、AFP通信に対し、「LLMは人間のようには働かない」と語りました。
アンブラール氏は、生身の知的生命体である人間は、今日のコンピューターシステムとは異なる能力を持つ ”センスメイキング・マシン sense-making machines”であると付け加えました。
※sense-making machines：これまでの経験や今起きている事象に対して能動的な意味を与えたり、想定外の出来事や不確実性の高い事象に意味付けを行ったりして、状況を好転させるプロセス。
