一滴の水から海を知る——
子どもはなぜAIより
速く言語を学べるのか？

私たちの知る限り、人類は少なくとも10万年にわたって互いに会話を交わしてきた。そしてその間、人間の言語を完璧なまでに流暢に習得できる存在は、世界にただ1つしかなかった。人間の子どもである。

今ではその存在が2つになった。

ChatGPT（チャットGPT）のリリースからわずか4年で、今では多くの人が、スマートフォンやコンピューターと自然に会話できることを当たり前に思うようになった。Claude（クロード）、DeepSeek（ディープシーク）、オープンAI（OpenAI）のGPTモデルといった大規模言語モデル（LLM）は、人間になりすましても見分けがつかないほど、流暢かつ柔軟に言葉を操る。しかし、その計算処理の舞台裏をのぞいてみると、1つ問題がある。コンピューターに人間の言語を使えるように教えるには、依然として人間離れした量のデータが必要なのだ。LLMは、一人の人間が母語を習得するまでに触れる単語の10万倍もの量を、難なく処理できる。まして、子どもが言葉をつかみ始める1歳の誕生日までに耳にする単語の数とは比べものにならない。

「最近の進歩には目を見張るものがあります」。スタンフォード大学の認知科学者マイケル・C・フランクはLLMについてこう語る。「それでも、家庭のリビングで1年ほどの間に起きるこの言語習得の重要な節目を再現するには、森を1つ焼き尽くすほどの資源を使い、人類が持つ知識のすべてをかき集めるようなことをしなければなりません」。

子どもと機械の間に大きく横たわるこの隔たりは、「データ効率ギャップ」と呼ばれる。そしてこれは、認知科学者には興味深い問いを、AIモデルの設計者には難題を突きつけている。子どもはなぜ、これまでに作られた中で最も言語能力の高い機械を、今なお上回ることができるのだろうか？

その答えを見つけることは、AI研究と認知科学の双方にとって重要な意味を持つ。この10年間、言語モデルは主に規模を大きくすることで性能を高めてきた。2年前にリリースされたメタ（Meta）のオープンウェイトLLM「Llama 3.1（ラマ3.1）」は、事前学習で15兆個トークン（単語のような言語の断片）を処理した。事前学習とは、チャットボットのような特定の用途向けにファインチューニング（微調整）する前に実行する、モデル訓練の中心的な段階である。最先端モデルでは、その10倍ものデータを使って事前学習している可能性があると、ジョージタウン大学の認知科学者で言語学者のイーサン・ゴットリーブ・ウィルコックスは言う。しかし、学習に使えるインターネット上のデータにも限りがあり、いずれは（早ければ2030年代にも）、容易に入手できるデータが底をつく可能性がある。

子どもは、もっと少ない量のデータから、より多くを学べる可能性があることを示している。しかも、はるかに少ない量だ。言語環境の豊かな家庭で育った10代になる前の子どもなら、それまでに耳にした単語は1億語前後に達しているかもしれない。読み書きで触れる言葉も加えれば、その数は増えるが、それでも20歳までで3億語ほどだろう。

その規模の違いは、たとえを使ってようやく実感できるほど大きい。「Claudeは、1つの都市の人々が一世代の間に触れるのと同じ量の言語を経験しています」と、ウィルコックスは言う。現代のLLM1つを学習させるために使われたすべての単語を紙に印刷して積み重ねれば、その高さは国際宇宙ステーションを超える。一方、10代になる前の子どもが触れる1億語なら、積み上げてもわずか20メートルほどだ。そして人間は、それよりはるかに少ない量でも言語を習得できる。

科学者たちは、子どもの学習方法をリバース・エンジニアリングすることで、よりデータ効率の高いAIモデルを作れるのではないかと期待している。そうしたモデルは、動画を使ってAIを効率よく学習させることから、少数言語コミュニティ向けのチャットボットを作ることまで、さまざまな用途に役立つ可能性がある。また、人間の学習に関する仮説を機械モデルで検証することで、言語や発達途上の子どもの心をめぐる長年の疑問にも決着をつけられるかもしれない。私たちは言語本能を持って生まれるのだろうか？ それとも、少なくとも原理的には、子どもは純粋に経験だけから言語を習得できるのだろうか？ 私たちの言語処理の仕方は、生物学上の偶然の産物なのだろうか？ それとも、その少なくとも一部は、言語がどのように使われ、学習され得るかについての普遍的な制約を反映しているのだろうか？

不可欠な要素

私たちの多くが、言語の難しさを実感するのは、子ども時代を過ぎてから新しい言語を学ぼうとするときだ。過去完了時制、巻き舌の r と鼻母音、属格、句動詞、文法上は男性名詞の「テーブル」と女性名詞の「スプーン」——大人の言語学習者を悩ませるものは数多い。ところが、母語はたいてい苦労することなく身につく。幼児は通常、1000万語ほど、多くても3000万語ほどを耳にした段階で、文法的に正しい文を話し始める。

「まったく奇跡的なことです」とフランクは言う。「GPT-2を3000万語で訓練しても、できあがるのは意味不明な文章を生成する機械です。子どものようにはなりません」。

赤ちゃんがいったいどうやってそれを成し遂げているのかは、謎だ。研究者たちは、子どもが発達の各段階で何を学び、どのように言葉を使うのかについて多くのことを知っているが、まだわかっていないことも多い。おそらく最も長く議論されてきた問いは、そもそもなぜ赤ちゃんは言語を習得できるのか、ということだ。人間の言語の構文、すなわち単語を組み合わせて文を作る規則には、再帰的な入れ子構造が含まれている。それによって私たちは、有限の単語や語の構成要素から、事実上無限の考えを表現できる。これは赤ちゃんにとって難題であるように思える。赤ちゃんが触れるのは、底知れない言語の海の浅瀬にすぎない。それでも、どういうわけか、それで十分なのだ。一滴の水から、海の深さを推し量っているのである。

1950年代、マサチューセッツ工科大学（MIT）の言語学者ノーム・チョムスキーが示した一つの答えは、赤ちゃんには文法に関する知識が生得的に組み込まれているというものだった。チョムスキーは、心理学者B・F・スキナーが唱えた、言語習得は全面的に環境によって決まるという対立する考え方に反論した。スキナーは、犬がおやつをもらうために「お座り」や「お手」を覚えるのと同じように、言語も条件づけと強化によって学習されると考えていた。これに対してチョムスキーは、「刺激の貧困」という概念を根拠に反論した。言語、とりわけ構文はあまりに複雑であり、子どもが触れる言語もあまりに限られているため、経験だけから完全に学習することはできない、という考え方だ。「彼の代表的な主張は、要するに、言語は純粋に統計だけをもとに学習できるものではない、ということでした」。カリフォルニア大学アーバイン校の言語学者で認知科学者のリチャード・ファトレルはこう話す。チョムスキーはその代わりに、言語は一連の論理的規則に基づいていると考え、子どもが限られた発話の断片から自分の言語の文法を推論するには、それらの規則についての生得的な知識が必要だと主張した。

チョムスキー流の言語観は、「生成文法」の名のもと、数十年にわたって米国の言語学を支配した。そして1950年代から60年代にかけて、AIが最初の隆盛期を迎え、軍から大量の研究資金が流れ込む中で言語学と自然言語処理の境界が薄れていった時代には、コンピューター科学にも大きな影響を与えた。米国防総省は、英語を理解し、ロシア語を翻訳できるコンピューターを求めていた。

統計的なパターンを認識し、再現することを学ぶ単純なニューラルネットワークが初期に一定の成功を収めていたにもかかわらず、米国のAI研究者たちは、チョムスキーの理論に影響を受けたルールベースの枠組みを広く採用した。規則をプログラムに明示的に書き込むことで、コンピューターに言語を教えようとしたのである。没入型の言語学習というより、文法の授業に近い。この方法は、「シンボリックAI」と呼ばれるより大きな潮流の一部として、数十年にわたって主流を占めた。しかし、人間の言語を大規模に扱えるモデルを生み出すことには、ほとんど成功しなかった。自然言語処理への関心は、1970年代に始まった「AIの冬」の中で冷え込んでいった。

その後、ニューラルネットワークは再び注目を集めるようになった。しかし、その性能が人々を驚かせ始めたのは、コンピューターハードウェアが安価かつ高性能になり、インターネットが巨大化した2010年代に入ってからだった。2018年から2019年にかけて、新しいアーキテクチャーである「Transformer（トランスフォーマー）」を採用し、数十億トークンで訓練されたBERT（バート）とGPT-2が登場すると、膨大な量のデータから学習する方法が言語にも通用することが、業界関係者には明らかになった。2022年、オープンAIのチャットボットであるChatGPTが爆発的な成功を収めると、それは誰の目にも明らかになった。

LLMは脳ではない。LLMは、強力な「統計的学習器」である。人間 …

人気の記事ランキング

1. The next big thing in hydrogen could be underground 足元に眠る天然水素、21世紀の「ゴールドラッシュ」が始まった？
2. Promotion AI White Paper 2026 松尾・岩澤研協力『AI白書2026』発売、サブスク版も開始
3. How much hydrogen awaits us underground? 地下に眠る数兆トン、天然水素は本当に「宝の山」なのか
4. The role of the astronaut is in flux 人類はなぜ宇宙を目指すのか？ 揺らぐ宇宙飛行士の役割
5. This scientist is helping build a missing map of childhood 子どもは「小さな大人」ではない、欠けていた細胞地図を築く研究者