言語を運用するということは、単にルールを知ることだけでなく、明示的なルールをいかに破るかを教えるメタ・ルールを知ることを意味します。 東京駅の冷徹な自動改札システムに対する、JR職員の「正しい種類の違反」がこれです。 規律に完璧に従いながらも、その隙間でこうして過剰に達筆な書道を繰り出すことでしか、労働者はシステムの中で生身の主客性を保てないんですよね。

『言語の人類史』(スティーヴン・ミズン/岩坂 彰著@河出書房新社) 毎日新聞6/13 「言語はなぜ、いつ、どのように生まれ、進化したのか」という人類最大の謎に、ミズン教授が挑む一冊。言語学、考古学、人類学、遺伝学、神経科学、心理学、動物行動学など、各分野の先端知見を駆使し、サルの鳴き声から脳の進化、象徴性まで多角的に分析します。本書は、最新の研究成果を巧みに統合し、言語の起源に関する説得力のある進化説を提示。

言語モデルの推論ミスには「型」があった。トークンレベルの不確実性が、その“失敗のサイン”を映し出します🔬 タイトル: How Language Models Fail: Token-Level Signatures of Committed and Persistent Reasoning Failures URL: 🔬 概要 言語モデルが推論にどう失敗するのかを、トークンレベルの不確実性から分析した研究です。失敗が立ち現れるパターンを特徴づけ、検出に活かせる手がかりを示します。 ❓ 解決する課題 モデルは推論に失敗しますが、そのメカニズムは未解明でした。「いつ・どう失敗が検出可能になるか」を理解することが、信頼性向上に不可欠です。 💡 方法論と提案手法 トークン単位の不確実性分析から、2つの失敗パターンを特定しました。 ・コミット型の失敗：早い段階で誤った推論経路に固執する。診断上の「コミット点」があり、それを過ぎるとトークンを足すほど検出が難しくなる ・持続的な不確実性：生成全体で不確実性が徐々に蓄積し、成功と失敗の区別には全トレースが必要 複数のモデル×データセットでシグナルを分析しました。 📊 実験結果 ・23のモデル×データセット構成で検証 ・反証可能な予測が23例中20例で成立（偶然を大きく上回る） ・不確実性シグナルが自己整合性を補完する場面と、冗長になる場面を識別 #LLM# #信頼性#

そもそも言語-論理の世界とは、物質的には個別であるはずの二つのリンゴを同じ「リンゴ」と名指すこと、決して体験することのできない他人の痛みと自分の痛みを同じ「痛み」と呼ぶことから始まるので、生理の重さも十人十色の女性主体の「本当の問い」は書き込めないのである