インターネットの57%はすでにAIの泥沼化しているかもしれない

あなただけではありません。検索結果は本当に悪化しています。Amazon Web Services（AWS）の研究者が行った調査によると、現在インターネット上のコンテンツの57%はAIによって生成されたか、AIアルゴリズムを使って翻訳されているそうです。

「ウェブの驚くべき量の機械翻訳：多言語並列処理からの洞察」と題されたこの研究は、特定のコンテンツを複数の言語で繰り返し生成する低コストの機械翻訳（MT）が、この翻訳の主因であると主張している。「機械生成による多言語並列翻訳は、MTが利用可能な低リソース言語におけるウェブ上の翻訳コンテンツの総量の大部分を占めているだけでなく、それらの言語のウェブコンテンツ全体の大部分を占めている」と研究者らは研究論文の中で述べている。

また、研究者たちは、単一言語で公開されたコンテンツと比較して、複数の言語に機械翻訳されたコンテンツには選択バイアスの証拠があることを発見した。「これらのコンテンツは、単一言語に翻訳されたコンテンツと比較して、より短く、より予測可能であり、トピックの分布も異なる」と研究者らは記している。

「モデル崩壊がいかに早く始まり、いかに捉えにくいかは驚くべきことです」と、オックスフォード大学のイリア・シュマイロフ博士はWindows Centralに語った。「まず、少数派データ、つまり表現が不十分なデータに影響を及ぼします。次に、出力の多様性に影響を及ぼし、分散が減少します。時には、多数派データにわずかな改善が見られ、少数派データのパフォーマンス低下が隠れてしまうこともあります。モデル崩壊は深刻な結果をもたらす可能性があります。」

研究者たちは、専門の言語学者にランダムに選ばれた1万の英語の文を20のカテゴリーに分類させることで、これらの結果を実証しました。研究者たちは、「2元データと8元以上の並列データ（つまり言語翻訳の数）を比較すると、トピックの分布が劇的に変化し、『会話と意見』のトピックが22.5%から40.1%に増加した」ことを観察しました。

これは、複数の言語に翻訳されるデータの種類の選択バイアスを示しており、「会話と意見」トピックからのものである可能性が「大幅に高い」ことを示しています。

さらに、研究者たちは「高度な多元対訳は、双方向対訳よりも品質が著しく低い（Comet品質評価で6.2ポイント低い）」ことを発見しました。研究者たちは、高度な多元対訳（8言語以上に翻訳されたもの）100文を監査したところ、「大多数」がコンテンツファームから提供された記事であり、「品質が低く、専門知識や事前の労力をほとんど必要としない」と評価されました。