子どもはなぜ、膨大なデータで訓練された最先端のAIをも凌ぐ言語能力を発揮できるのか。その謎は、いまだ解明されていない。自然言語処理の分野で革命的進歩を遂げた大規模言語モデル（LLM）でさえ、幼児が日常的に行っている言語習得のプロセスを完全に再現することはできない。スタンフォード大学の認知科学者マイケル・C・フランク氏は、この現象を「まったくの奇跡」と表現し、「GPT-2を3000万語で訓練しても、無意味な文章を生成する機械ができるだけで、子どもは生まれない」と指摘する。この比較は、人間の認知能力とAIの統計的学習の間に横たわる深淵を如実に示している。
言語習得をめぐる二大理論——チョムスキー対スキナー
乳幼児がどのようにして言語を習得するのか。この問いは、言語学における最も根強い謎のひとつである。研究者たちは、子どもの発達段階に応じて何を学習し、どのように言語を使うかについて多くの知見を蓄積してきた。しかし、なぜ言語そのものを学習できるのかという根本的な問いには、いまだ決定的な答えが出ていない。人間の言語、とりわけ統語論（単語を文に組み立てるための規則）は、再帰的で入れ子構造を持つ。これにより、有限の語彙から無限のアイデアを表現することが可能になる。しかし、子どもは言語の「深遠な海」の浅瀬で遊ぶように、限られた言語入力にしか触れていない。それでも、そのごくわずかな情報から、言語の深層を推測してしまうのだ。
この謎に対するひとつの解答として、1950年代にマサチューセッツ工科大学（MIT）の言語学者ノーム・チョムスキーが提唱したのが「生得説」である。チョムスキーは、心理学者B.F.スキナーが主唱した「環境説」に強く反論した。スキナーの理論では、言語習得は条件付けと強化によって行われる。つまり、犬が「おすわり」や「お手」を覚えるのと同様のプロセスだという。これに対しチョムスキーは、「刺激の貧困」という概念を持ち出した。すなわち、言語、特に統語構造は複雑すぎる一方で、子どもが実際に触れる言語データは「貧困」であり、そのような入力だけから経験的に学習するのは不可能であると主張した。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・フトレル氏は、「チョムスキーの代表的な論点は、言語は純粋に統計だけに基づいて学習することはできない、というものだった」と説明する。チョムスキーは、言語は一連の論理規則に基づいていると仮定し、子どもは断片的な発話から文法を演繹するために、これらの規則に関する生得的な知識を必要とすると考えたのだ。
ルールベースAIの挫折からニューラルネットワークの復活へ
チョムスキーの生成的文法は「生成文法」として、米国の言語学界を数十年にわたって支配した。この考え方は、1950年代から60年代にかけて、人工知能（AI）の第一次ブーム期にコンピュータ科学にも大きな影響を与えた。当時、言語学と自然言語処理の境界は、国防総省からの潤沢な資金提供によって曖昧になっていた。米軍は、英語を理解しロシア語を翻訳できるコンピュータを求めていたのだ。
初期の単純なニューラルネットワーク（統計的パターンを認識・再現するよう学習する）が一定の成功を収めたにもかかわらず、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主に採用した。彼らは、コンピュータに言語を教えるため、プログラムにルールを明示的にコーディングする方法を試みた。いわば、言語への浸漬体験ではなく、文法の授業をコンピュータに施すようなものだ。このアプローチは「シンボリックAI」と呼ばれる広範な潮流の一部であり、数十年にわたって主流であり続けた。しかし、大規模な人間の言語を実際に処理できるモデルを生み出すことには、ほとんど失敗した。自然言語処理への関心は、1970年代に始まる「AIの冬」の時代に冷え込んだ。
その後の復活は、ニューラルネットワークから始まった。2010年代に入り、コンピュータハードウェアが安価で高性能になり、インターネットが巨大化すると、その性能は人々の注目を集め始めた。2018年から2019年にかけて、新しいアーキテクチャ「Transformer」を採用し、数十億のトークンで学習したBERTやGPT-2といったモデルが登場した。これにより、業界関係者の間では、大量のデータから学習することが言語処理に有効であることが明確になった。そして2022年、OpenAIのChatGPTが爆発的な成功を収めたことで、その事実は誰の目にも明らかとなった。
LLMは統計学習者——子どもとの本質的な差異
LLMは脳ではない。それらは強力な統計的学習機械であり、人間の大脳皮質に組み込まれた進化的な生物学的特性を一切持たない、純粋なパターン学習装置である。つまり、20年前の生成文法理論家なら、「言語を学習できない」と考えたであろう種類のシステムなのである。しかし、現実には、信じられるソネットを書き、文法テストに合格している。カリフォルニア大学バークレー校の発達心理学者アリソン・ゴプニック氏は、「AIに対してどれほど懐疑的であっても、誰もが感銘を受けているのは、これらのシステムが統語論を学習するという点だ」と語る。「私もそれは真実ではないだろうと思っていたし、ほとんどの人が、言語の大規模サンプルの統計を見るだけで文法を理解できるとは考えていなかった」と述べている。
この事実は、人間の言語習得に関する既存の理論に根本的な疑問を投げかけている。チョムスキーが提唱した「刺激の貧困」説は、LLMの成功によって再評価を迫られている。LLMはまさに「統計だけ」に基づいて、人間と同等か、場合によってはそれを上回る文法能力を獲得しているからだ。しかし、それでもなお、子どもはAIを凌駕する。なぜか。その理由は、単に「データ量」や「計算能力」の問題ではない。
子どもの学習は、はるかに少ないデータから、はるかに汎用的で創造的な方法で行われる。フランク氏の指摘通り、GPT-2を3000万語で訓練しても得られるのは「ナンセンス生成器」であり、子どもには遠く及ばない。子どもは、親や周囲の人々とのインタラクション、身体的な経験、世界に対する能動的な探求を通じて言語を習得する。彼らは単なるパターン認識マシンではなく、意味と意図を理解し、文脈に応じて言語を柔軟に運用する能力を持っている。AIがどれほど文法規則に正確であっても、真の「理解」や「創造性」の面では、人間の子どもにはまだ及ばないのである。
この謎の解明は、単なる学術的興味を超えて、真に人間らしいAIの開発や、より効果的な教育方法の確立につながる可能性を秘めている。言語習得の本質に迫る研究は、今後も人間の知能とAIの関係を問い直し続けるだろう。そして、その探求の過程で、私たちは「人間らしさ」とは何かという、より大きな問いにも直面することになる。
