プリンストン大のAI、約1000日の幼児の家庭音声から数千語を習得

プリンストン大学の研究者らは、子どもと同じように話し言葉を学ぶ人工知能モデルを訓練しました。家庭で耳にする音声から、日々少しずつ学ぶ方式です。EurekAlertが配信したプリンストン大の発表によると、この研究は2026年11月5日に学術誌『サイエンス』（Science）に掲載され、自宅で録音された子どもたちの生後およそ最初の1000日を追っています。SingularityHubは11月12日に、ポルトガルのメディアPplwareは11月14日にこれを伝えました。

ここでいうモデルとはニューラルネットワークのことで、単純な計算ユニットを何層にも重ね、訓練の過程で結合を調整していくプログラムです。研究の中心となる技術が「リプレイ（再生）」です。シミュレーション上の1日の終わりに、モデルはすでに聞いた音声の一部をもう一度聞きます。これは、睡眠が脳内で記憶を定着させると考えられていることに着想を得たもので、SingularityHubが伝えています。

研究者はどんなデータを集めたのか

プリンストン大によると、ニュージャージー州の15世帯の乳児17人が生後3年間にわたって録音され、分析の対象はそのうち8人です。EurekAlertは、約1000日の間に120万時間のデータが集められたと伝えています。SingularityHubによれば、各家庭には4台から14台の機器が置かれて1日約12時間作動し、親はチームが設計した倫理的枠組みのもとで録音の撤回や削除の権利を保持していました。

SingularityHubによると、研究チームは雑音、長い無音、重なり合う会話を取り除いたうえで、子ども1人あたり最大6600時間の音声を残し、個別のモデルの訓練に使いました。比較として同メディアは、チャットボットの裏側にある大規模言語モデルが数十億語のテキストを必要とすることを指摘しています。

なぜモデルには「一晩の再生」が必要だったのか

SingularityHubによると、各モデルは白紙の状態から始まりました。英語の音のリストも、単語がどこで終わり次の単語がどこから始まるかという手がかりもありません。モデルは2つの部分からなり、音声を20ミリ秒ごとの断片に分割する音声エンコーダーと、次に来る音を予測するよう訓練された予測デコーダーです。プリンストン大の説明では、モデルは一般的なニューラルネットワークで使われるシャッフルされたデータではなく、子どもの音声を1日ずつ順番に受け取りました。

最初の結果は期待外れでした。SingularityHubによると、プリンストン大の計算認知科学者ハダス・ラヴィヴ（Hadas Raviv）氏は、モデルに毎日の音声の流れを聞かせるだけでは不十分だったと述べました。シミュレーション上の1日の終わりにリプレイの段階を加えると、結果が変わりました。プリンストン大は、モデルに必要なものを「1日分の音声を毎日、そしてそれを再生するための夜」とまとめています。

AIは何を、どのくらいの速さで学んだのか

• SingularityHubによると、リプレイを加えたモデルは、まず言語の基本的な音の単位である音素を獲得し、その後、繰り返し現れる単語を獲得しました。
• SingularityHubによると、8人の子どもを通じて、モデルは15か月以内に約37の音素を学び、2歳になる前に単語を認識し始めましたが、その速さは大きく異なりました。
• SingularityHubとPplwareによると、1000日前後の時点で、各子どもに対応するAIの語彙は数千語に達していました。
• プリンストン大がEurekAlertを通じて示したところでは、リプレイ時の反復量や処理速度などのパラメーターを調整することで、チームは子ども一人ひとりに一致する単語理解の経過を得ました。

プリンストン大は、この点が重要な理由を強調しています。心理学は主に平均値に頼ってきましたが、個々の子どもを追うモデルがあれば、子ども一人ひとりごとに発達を調べる道が開けるというのです。発表はまた、子どもたちが触れる音声に大きな違いがあるにもかかわらず、モデルはどの家庭でも言語を理解するようになったと述べています。

この研究の限界は何か

研究者らは、このAIが赤ちゃんとまったく同じように学ぶわけではないと強調しています。Pplwareによると、子どもは視覚的な手がかり、身ぶり、社会的なやりとりも利用します。SingularityHubは、このモデルが音だけで学習し、ニューロンのように並列かつ省エネルギーで情報を処理するわけではないと付け加えています。モデルのどの特徴が実際の乳児の学習を反映し、どれが計算上の近道にすぎないのかは今後の課題だと、同メディアは伝えています。また、読んだ情報源によれば標本は限られており、ニュージャージー州の家庭の8人にすぎないため、他の言語や環境への拡張は確認されていません。

この研究は何に役立つのか

EurekAlertによると、プリンストン大のチームは、睡眠の多寡やテレビのような異なる種類の音声の影響を調べるためにこのモデルを使いたい考えで、典型的な脳が言語をどう学ぶかを理解することで、学習障害の診断を改善したいとしています。ラヴィヴ氏は、超人的な性能を目指す現代のAIの多くとは違い、目的は人間がどう学ぶかを理解することだと述べました。

PplwareとSingularityHubは、この手法がより少ないデータで学べる、より効率的なAIモデルのヒントになりうると付け加えています。ただしこれは仮説であり、研究の結果ではありません。どちらの情報源も、データやエネルギーの節約を測定した数値を報告していません。SingularityHubによると、研究に関与していないマックス・プランク心理言語学研究所のザラ・ハーモン（Zara Harmon）氏とキャロライン・ローランド（Caroline Rowland）氏は、こうした研究によって学習をますます現実的な条件でモデル化できると書いています。

企業にとって何が変わるのか

日本の企業にとって、ここにあるものはまだ製品ではありません。このモデルは研究用の道具であり、サービスではないのです。注目すべき点は3つあります。第一に、音声アシスタント、語学学習アプリ、音声を使った健康ツールを開発するチームは、リプレイの原理を覚えておくとよいでしょう。巨大でシャッフルされたコーパスだけに頼らず、連続的な流れに定期的な復習を組み合わせて訓練するという示唆であり、実験室の外での検証はこれからです。

第二にデータです。幼い子どもの家庭での連続録音には、親がデータを撤回・削除できる枠組みが必要でした。これは、子どもの音声データをデータ保護の規則に沿って扱うあらゆる企業にとって有用な参考になります。第三に、消費エネルギーが少なくなるという主張は今のところ未証明であり、測定された結果が公表されるまでは、事業計画に組み込むべきではありません。