論文の概要: Toward Universal Translatability: On the Statistical Ontology of Generative AI
- arxiv url: http://arxiv.org/abs/2611.17963v1
- Date: Fri, 13 Nov 2026 09:53:27 GMT
- ステータス: 情報取得中
- システム内更新日: 2026-11-16 19:26:06.227725
- Title: Toward Universal Translatability: On the Statistical Ontology of Generative AI
- Title(参考訳): ユニバーサルトランスレーサビリティに向けて:生成AIの統計的オントロジーについて
- Abstract要約: 生成AIの統計オントロジーは、先カント的であり、プレクリティカルであり、そもそも機械翻訳を可能にするインフラと人間の労働を曖昧にしている、と私は論じます。
- 参考スコア(独自算出の注目度): 0.0
- License:
- Abstract: This paper argues that the problem of translation functions both as a point of origin and as a normative horizon for contemporary generative AI. In current discourse around ''world models,'' their attainment is framed as the achievement of internal consistency, cross-modal alignment, and physical grounding. Taken together, these demands converge on an ideal of the model as a universal translation machine capable of establishing lossless correspondences across linguistic, visual, and physical representation spaces. I show that this ideal presupposes a metaphysical commitment that I call a statistical ontology: the belief that reality has an underlying, computable statistical structure that can be recovered through sufficient data and modeling, rather than being shaped and accessed through situated human interpretation and labor. Tracing this commitment back to Warren Weaver's 1949 Memorandum on machine translation, I outline how translation was historically recast as code deciphering and, later, as the alignment of probability distributions across structured outputs. Finally, I contrast this paradigm with approaches in Translation Studies that foreground opacity, power asymmetries, and the translator's positionality. I argue that generative AI's statistical ontology is pre-Kantian, pre-critical and obscures the infrastructures and human labor that make machine translatability---as alignment---possible in the first place.
- Abstract(参考訳): 本稿では、翻訳の問題は原点としても、現代生成AIの規範的地平としても機能すると主張している。
現在の「世界モデル」に関する談話では、その達成は、内部整合性、クロスモーダルアライメント、物理的グラウンド化の達成と位置づけられている。
これらの要求は、言語的、視覚的、物理的表現空間にわたって損失のない対応を確立することができる普遍翻訳機械としてのモデルの理想に収束する。
この理想は、私が統計オントロジーと呼ぶ、メタ物理的なコミットメントを前提としていることを示します。現実は、人間の解釈と労働によって形成され、アクセスされるのではなく、十分なデータとモデリングによって回復できる、基礎的で計算可能な統計構造を持っている、という信念です。
このコミットメントを、Warren Weaver氏の1949年の機械翻訳に関する覚書(Memorandum on machine translation)に遡って、私は、翻訳が歴史的にコード解読として、そして後に、構造化された出力間の確率分布のアライメントとして、どのように再キャストされたかを概説した。
最後に、このパラダイムは、翻訳学における不透明感、パワー・アシンメトリー、翻訳者の位置性といったアプローチと対比する。
生成AIの統計オントロジーは、先カント的であり、プレクリティカルであり、機械の翻訳可能性を作るインフラと人間の労働を曖昧にしている、と私は主張する。
関連論文リスト
- Translation Indeterminacy and the Distributional Fallacy [0.0]
大規模言語モデル(LLM)は分布仮説と一般的に関連付けられている。
本稿では、最初の主張を因果逆転として拒絶する。
意味や参照を必要とせずに翻訳が成功すると主張している。
論文 参考訳(メタデータ) (2026-09-07T16:30:28Z) - Translators as Invisible Teachers of AI: Copyright, Translation Memory, and the Political Economy of Linguistic Data [0.0]
人工知能(AI)時代における翻訳者の労働力の基盤的データ資本への転換について検討する。
翻訳者の遺言は契約下で納品品として購入され、技術的対象としてセグメント化され、著作権法の下で「情報分析」データとして処理されていると論じている。
論文 参考訳(メタデータ) (2026-05-24T03:21:41Z) - Gyan: An Explainable Neuro-Symbolic Language Model [0.5530256787204328]
本稿では,新しい非トランスフォーマーアーキテクチャに基づく説明可能な言語モデルについて述べる。
Gyanは、広く引用されている3つのデータセットでのSOTAパフォーマンスと、2つのプロプライエタリなデータセットでの優れたパフォーマンスを達成する。
論文 参考訳(メタデータ) (2026-05-06T11:06:30Z) - Hierarchical Latent Structures in Data Generation Process Unify Mechanistic Phenomena across Scale [50.33952894976367]
我々は文脈自由文法を用いて、ウェブスケールテキストコーパスのための忠実で効率的なプロキシである合成コーパスを生成する。
設計したデータ生成プロセスにおいて,誘導ヘッド,関数ベクトル,ハイドラ効果という3つの力学現象の出現について検討する。
これらの現象の出現を説明する上で,データ生成プロセスの階層構造がX因子となることが示唆された。
論文 参考訳(メタデータ) (2026-02-04T14:49:13Z) - The Syntactic Acceptability Dataset (Preview): A Resource for Machine Learning and Linguistic Analysis of English [0.0]
本稿では,Syntactic Acceptabilityデータセットのプレビューを紹介する。
データセットは、構文談話から1000の英語シーケンスから構成される。
予備的な形式であっても、このデータセットは一般にアクセス可能なものとして最大である。
論文 参考訳(メタデータ) (2025-06-22T18:03:49Z) - Counterfactual reasoning: an analysis of in-context emergence [57.118735341305786]
我々は、言語モデルが反実的推論が可能なことを示す。
自己注意、モデル深度、トレーニング済みデータの多様性によってパフォーマンスが向上することがわかった。
以上の結果から, SDE 動態下での反実的推論が可能となった。
論文 参考訳(メタデータ) (2025-06-05T16:02:07Z) - Grounded Decoding: Guiding Text Generation with Grounded Models for
Embodied Agents [111.15288256221764]
グラウンデッドデコーディングプロジェクトは、両方のモデルの知識を活用することで、ロボット環境で複雑な長期タスクを解決することを目的としている。
我々はこれを確率的フィルタリングに類似した問題として、言語モデルの下で高い確率を持つシーケンスをデコードし、基底モデル対象のセットで高い確率を示す。
本研究では,3つのシミュレーション領域と実世界の領域にまたがって,そのような基底モデルがどのように得られるのかを実証し,両モデルの知識を活用して,ロボット環境での複雑な長期的タスクを解くことができることを示す。
論文 参考訳(メタデータ) (2023-03-01T22:58:50Z) - Bridging the Data Gap between Training and Inference for Unsupervised
Neural Machine Translation [49.916963624249355]
UNMTモデルは、翻訳されたソースと推論中の自然言語で擬似並列データに基づいて訓練される。
トレーニングと推論のソース差はUNMTモデルの翻訳性能を妨げている。
本稿では、擬似並列データ自然言語を同時に用いたオンライン自己学習手法を提案する。
論文 参考訳(メタデータ) (2022-03-16T04:50:27Z) - A Probabilistic Formulation of Unsupervised Text Style Transfer [128.80213211598752]
従来提案されていた非生成的手法を統一した教師なしテキストスタイル転送のための深層生成モデルを提案する。
観測された各シーケンスを生成する並列潜時シーケンスを仮定することにより、我々のモデルは、完全に教師なしの方法で、あるドメインから別のドメインへシーケンスを変換することを学ぶ。
論文 参考訳(メタデータ) (2020-02-10T16:20:49Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。