時事ネタの朝礼スピーチならJiJi

星野ひかりのスピーチ

22歳・経営企画部・インターン

1min. 3min.

通常ビュー PREPビュー

最近、AIって人間の知能を超えるのかな？って気になることありませんか。記事ではクロード・シャノン氏が1951年に「次の単語を予測する」って発想を論文にしたとあって、今の生成AIに直結してるんだなって感じました。70年越しで再評価されるのってエモいですよね。私的には理由ってシンプルで、AIも人間も過去の経験から次を読んでる構造が似てるからだと思います。大きな違いは、AIが膨大なデータを瞬時に処理できること。そこに期待と同時に少し怖さも感じます。この前SNSキャンペーン案を出したとき「これバズるか分からないよ」と不安で止めそうになったんです。でも小さく試したら予想以上に反応が良くて。あ、まさに予測が外れても動いてみる大切さだと実感しました。だからこそ今日言いたいのは、AIみたいに完璧に予測できなくても、とりあえず一歩踏み出す価値があるってことです。

AIって人間の知能を超えるのかな？って考えたことありませんか。日経の記事では、クロード・シャノン氏が1951年に「次の単語を統計的に予測する仕組み」を論文に書いていて、当時は批判されたけど70年後の今になって生成AIの基礎として再評価されていると紹介されていました。私的には、その長い時間を経てようやく理解されるってすごいエモい話だと思います。理由を自分なりに整理すると、AIが人間らしく見えるのは「経験から未来を読む仕組み」に共通点があるからです。人も過去の経験を参考にして次を考えるし、AIも大量のデータを吸収して確率で次を選ぶ。違いは、AIが何億回分もの経験を一瞬で処理できる点。これは強力な武器にもなるけど、人間の直感や感情がどれだけ特別なのかも浮き彫りになるんですよね。AIはすごいけど、人間の「なんとなくこれがいい気がする」という勘は、大切な価値として残ります。私自身の体験で思い出すのが、SNSキャンペーンの企画をしたときでした。正直ものすごく迷っていて、「これ絶対にバズる！」とは言い切れなくて何度もやめようかと思いました。それでも、友達に背中を押されて「小さくテストしてみたら？」とやってみたんです。すると意外にも予想以上に反応が良く、「あれ、私の不安はただの思い込み？」と気づきました。後から思えば、完璧な予測なんて最初からできなかったんです。試してみてデータが出て初めて学べたという感覚がありました。これはAIが学習を繰り返す構造とも似ているなと思いました。だから伝えたいのは、未来を全部読めるAIでも外すことがあるように、私たちも間違えて当然だということ。でも一歩踏み出すからこそデータが積み上がり、自分だけのインサイトにつながります。今日、小さな挑戦を一つでも動かしてみましょう。予測じゃなく、行動から学ぶのが人間らしさなのかなって思います。

佐藤健太のスピーチ

24歳・システム部・SE

1min. 3min.

通常ビュー PREPビュー

正直に言うと、シャノン氏の論文を改めて読むと「これ完全にアルゴリズム発想だな」と思いました。1951年の時点で次の単語を確率的に推測するアイデアがあったわけで、今の生成AIにきれいにつながっています。技術的には理由が明確で、人間の知性を厳密にモデル化するのは難しいけれど、言語の確率構造だけなら数理モデルで表現できるからです。70年前は計算機性能がボトルネックでしたが、今はGPUやクラウドで桁違いに進化しています。僕自身も新人のとき、検索エンジン最適化のアルゴリズムを組んだ経験があって。偶然試したコードが思いのほか効率的で「自分の直感より統計的処理の方が正しかった」と感じました。後から思えばデータに任せる発想が正解だったんです。だから今の結論は、人間の勘に頼りすぎず合理的なモデリングを組み合わせることで、新しい成果が出せるということです。

正直に言うと、記事で紹介されていたクロード・シャノン氏の発想は1951年に出ていたとは驚きでした。論文の中で「次の単語を統計的に予測し、言語理解に近いものを再現できる」と提案していたわけで、当時は批判が多かったものの、今やChatGPTのような生成AIにつながっています。まさにアルゴリズムを先取りしていた先見性ですね。理由を技術的に説明すると、人間の知能のすべてを計算機で再現するのは難しくても、言語を確率過程として捉えるなら数式でモデル化できます。ただ1950年代の計算機では桁数の計算やストレージが足りず実用化できなかった。それが70年たち、GPUやクラウドで数十億パラメータのモデルを扱えるようになったからこそ、今の大規模言語モデルが成立している。本質的には理論は当時から存在していて、ハードウェア進化が後から追いついたとも言えます。僕自身の体験では、新人時代に検索最適化エンジンのアルゴリズムを実装したときのことが印象に残っています。最初は自分の勘で「この条件分岐なら効率良いだろう」と設計したのですが、結果は処理が遅く失敗。その後、統計的に頻度の高い検索ワードを優先度付きで処理するコードにしたところ、大幅に速度が改善しました。偶然気づいた改善策が、自分の直感より明確に正しかったという経験です。後から思えば、人間の発想だけでは限界があって、確率を利用するほうが計算的に合理的だったんです。結論として伝えたいのは、人間の判断力が大事であることは間違いありませんが、勘に頼りすぎると視野が狭くなるということです。むしろAIやデータと組み合わせることでより精度の高い成果が出せる。私たちの仕事も同じで、直感とロジックを上手に融合させて未来に対応していくことが大事だと考えます。

田中美咲のスピーチ

32歳・人事部・係長

1min. 3min.

通常ビュー PREPビュー

記事では「1951年にクロード・シャノン氏が提案した次の単語を確率で予測する仕組みが、70年以上たった今になって評価されている」と紹介されていました。長い時間を経てようやく理解されることがあるんですね。理由は人間もAIも経験をもとに次を判断している点が共通しているからです。ただ、人間は感情や信頼関係を加えて考えることができます。これはチームワークにおいて大きな強みだと感じます。私も新人研修のときに「優しい声かけがあるだけで挑戦しやすくなる」と実感しました。偶然同僚が失敗して落ち込んでいる現場にいて、声をかけたら笑顔が戻って。その瞬間に、データだけでは表現できない支援の力を知りました。だから私たちは数字やAIの効率を大切にしつつ、人と人をつなぐ共感を軸に育成していく必要があるのだと思います。

記事の中で「1951年にクロード・シャノン氏が次の単語を統計的に予測する仕組みを論文に示した」とありました。当時は批判され、実用化できなかったのですが、70年以上たった現在、大規模言語モデルの基礎として再評価されています。私はこのエピソードから、成果がすぐには形にならなくても、正しい考え方ならいつか価値を持つということを感じました。理由を考えると、人間の思考とAIの仕組みには似ている部分があるからだと思います。つまり経験の積み重ねから「次にどうすべきか」を判断するプロセスです。しかし人間の場合は数値データに加えて、相手の感情や目の前の表情を踏まえて決定します。これはAIには難しい部分であり、チームワークを考える上で大事な強みにつながります。効率だけが正しい答えをつくるわけではなく、信頼や安心感が持つ影響力も大きいのです。私が人事の研修担当を始めた頃、ちょうど新人が実習で失敗して落ち込んでいる瞬間に居合わせたことがありました。データだけで評価すれば「失敗」と見えてしまいますが、私はとっさに「大丈夫、一緒にやってみよう」と声をかけました。すると彼は表情が和らぎ、再度取り組み直す意欲を見せてくれました。後から思えば、その小さな声かけが心理的安全性につながり、チーム全体の雰囲気も改善したのです。AIのアルゴリズムでは表せない「安心を含んだ学習環境」が強みなのだと思います。だから私が結論として話したいのは、AIや数値の力を取り入れることも重要だけれど、それだけに頼らずに人と人との支え合いを中心に据える必要があるということです。70年前に埋もれた理論が今力を発揮しているように、すぐに結果は出なくても正しい姿勢で支え続ければ必ずチーム全体を良い方向に導ける。このスタンスを持って今日も一緒に仕事していきたいと思います。

山田雄一のスピーチ

43歳・経営企画部・課長

1min. 3min.

通常ビュー PREPビュー

AIが進化することで、人間の知能の限界が顕在化している、そんな記事内容でした。1951年にシャノン氏が「次の単語を統計的に予測する仕組み」を発表し、当時は批判されたものの、今となって生成AIの根幹になっています。我々が学ぶべき理由は明確で、時代が進むことで一度は否定された手法や考え方が再び強力な武器になるという点です。戦略的に「今は無理」でも、条件が変われば活用のタイミングは来ます。私も新規プロジェクトでリスクを恐れて縮小した経験があります。しかし数年後、技術と市場環境が追いつき「やっておけばよかった」と痛感しました。後から思えば失敗ではなく学習の種だったのかもしれません。だからこそ結論は、変化に備えて柔軟に可能性を蓄積することが、一番の戦略だという点です。

AIの進化で人間の知能の限界が浮き彫りにされているという記事がありました。米国の研究者クロード・シャノン氏は1951年に「次の単語を統計的に予測する仕組み」を論文にまとめました。当時は計算機の性能不足もあり批判され成功しなかったのですが、70年以上経って生成AIの基盤として再評価されています。私はこの話を聞いて、否定されたアイデアが時間をかけて価値を持つケースがあると感じました。理由は、戦略的には制度や市場環境、技術などの外部条件が変化するからです。過去に「使えない」とされた理論や企画が、時代の変化により一瞬で強力な武器に生まれ変わります。例えばAIの大規模化は、当時の計算機では到底無理だった大量データ処理を可能にしました。つまり「今ダメだから将来もダメ」ではないのです。経営判断においても、一時的なROIやKPIではなく長期的なシナリオで考えることが重要です。私自身の経験では、新規事業の立ち上げを任された際に、当時は市場に需要が小さく、リスクを恐れて計画を縮小しました。しかし数年後、周辺業界が急速に成長して、むしろあのとき準備をしていれば圧倒的にシェアを取れたのだと後悔したのです。偶然気づいた市場変化に「なぜあの時試さなかったのか」と強く思いました。失敗に見えても、挑戦し続けて蓄積した活動こそが未来の資産になったはずなんです。結論は、我々は「短期的な失敗」を恐れるのではなく、柔軟な発想を蓄積し続けることが重要だということ。今ムダに見える試みも、時代が変われば核心的な資産になります。生成AIの例が示すように、未来を見据えて種をまく戦略が最終的に大きな成果を導くのだと改めて思います。

鈴木恵子のスピーチ

48歳・企画部・部長

1min. 3min.

通常ビュー PREPビュー

最近の記事で、1951年にシャノン氏が提案した「次の単語を確率で予測する方法」が、70年後に生成AIの基盤として再評価されていると紹介されていました。長い年月を経ての復活は印象的です。背景にあるのは、人類が常に試行錯誤を重ねてきた歴史的流れです。明治以来の化石燃料依存も、今では環境省の報告によると2023年度排出量が史上最低を記録し、再生可能エネルギーの比率が24%にまで進みました※1。大きな転換は必ず訪れるものです。私も以前、環境関連の社内活動で「続けても意味はあるのか」と迷った時期がありました。しかし小さな積み重ねが後に実を結び、評価につながった瞬間を偶然体験しました。後から思えば諦めなくて良かったのです。だからこそ結論は「長期的視点で努力を重ねることが本当の力になる」ということです。

1. 環境省「2023年度の温室効果ガス排出量（速報値）」：日本の排出量は10億1700万トンで観測史上最低を記録
   https://wa-recl.net/information/423

最近の記事にありましたが、米国のクロード・シャノン氏が1951年に発表した「次の単語を統計的に予測する仕組み」が当時は批判され、計算機性能の不十分さで活用されませんでした。けれど70年の時を経て、現在の生成AIの中核技術として高く評価されています。長い年月が経って初めて価値が花開くことがあるのだと実感しました。その背景として思い浮かぶのは、人類が繰り返し挑戦を積み重ねてきた歴史です。一度は無駄に見えても、条件が整った瞬間に役立つことがある。例えばエネルギー分野でも、環境省が発表したデータによると2023年度の日本の温室効果ガス排出量は10億1700万トンで前年度比4.2%減少し、観測史上最低水準になりました。再生可能エネルギー比率も24%に達し、明治以来の化石燃料依存からの転換点となっています※1。この変化も、長年の研究や小さな取り組みの積み重ねがようやく成果を結んだものと言えるでしょう。私自身の経験でも思い当たることがあります。以前、社内で環境保全につながる活動を提案したのですが、最初は「大きな効果は期待できないのでは」と評価が低かったのです。続けているうちに自分でも時々「意味があるのだろうか」と感じることがありました。しかし何年も続けていくと少しずつ周囲の理解が広がり、ある日経営から正式に評価されたのです。後から思えば、その瞬間は長年の積み重ねが姿を現したひとときでした。結論として申し上げたいのは、長期的な視野を持って行動することの大切さです。AI技術が70年越しで再評価されたように、日々の小さな努力も将来大きな価値につながる可能性があります。すぐに結果が出なくても、その積み重ねが未来を形づくる資産になる。だからこそ今日も私たちは一歩を続けていくことが重要だと思います。

1. 環境省「2023年度の温室効果ガス排出量（速報値）」：日本の排出量は10億1700万トンで観測史上最低を記録
   https://wa-recl.net/information/423