はじめに

https://youtu.be/dEeMCIgpfwo?si=-EyjRFDRcutW8Ppi
この動画見て記事を書いています。この動画で言っていたのは

「AIにコアラの対義語を聞くと徳政になるらしい」

AI は　なぜ「徳政」と答えるのか
その理由を ベクトルと単語の意味表現から紐解いていく。

ベクトルとは何か

ベクトルというと
「向きと大きさを持つもの」という数学的定義を思い浮かべがちだが、
AIの文脈ではもう少しシンプルに考えてよく

ベクトル = 数字の組

例えば：

二次元：[24, 45]
三次元：[30, 90, 7]

実際のAIでは

数百次元
数千次元

といった 非常に高次元の数字の配列が使われている。

単語ベクトルとは

単語ベクトルとは、

単語1つ1つに対して、意味を表すベクトルを割り当てたもの

例えば（イメージ）：

犬   → [0.12, 0.88, -0.32, ...]
猫   → [0.10, 0.85, -0.30, ...]
自動車 → [-0.91, 0.22, 0.40, ...]

重要なのは

意味が似ている単語ほど、ベクトルも似る

犬と猫 → ベクトルが近い
犬と自動車 → ベクトルが遠い

これによって AI は
「単語の意味の近さ」を距離として扱える。

パラメータはどうやって決まるのか

「次にどんな単語が来やすいか」
「どんな文脈で使われるか」

という 確率予測を大量に繰り返して決まる。

この画像では、
各単語の後にどの動詞が続きやすいかを確率（頻度）として表している。

「犬」と「猫」は、

「飼う」という動詞と一緒に使われることが多いため、
「飼う」方向の値が大きくなっている。

「自動車」は、

「給油」という動詞と強く結びつくため、
「給油」方向の値が大きくなっている。

このように単語ベクトルは、
単語そのものの意味を理解しているわけではなく、どのような文脈で使われやすいか
を数値として学習する。

その結果、

「犬」と「猫」は

同じような文脈（飼う・世話をする）で使われやすいため、
意味的に近い単語としてベクトル空間上でも近くに配置される。

「自動車」は

「給油」「運転する」といった異なる文脈で使われるため、
犬や猫とは離れた位置に配置される。

つまり単語ベクトルは、

「似た意味」＝「似た文脈で使われる単語」
として捉える仕組みになっていることが、この図から分かる。

ここが一番誤解されやすいポイント。

❌ よくある誤解：

少年 = 男 + 若い + 人間
というように、意味的なラベルで数値を振っている

少年をどのようにベクトル化するのか

AIは「少年」をこう分解してはいない

男
若さ
子ども

代わりに、

「少年が走る」
「少年漫画」
「少年時代」
「少年と犬」

といった 出現文脈を大量に学習し、

「この単語の周辺には、こういう単語が来やすい」

という情報を
ベクトル（数字の組）に圧縮している。

なぜ「コアラの対義語」が徳政になると言われたのか

「コアラの対義語をAIに聞くと徳政になる」という話がある。
これは、単語ベクトルの性質から説明できる。

単語はそれぞれ ベクトル（数値の組） として表現されており、
意味が似ている単語ほどベクトルが近く、
意味が離れている単語ほどベクトルの距離が遠くなる。

ここで「対義語」を

ベクトル空間上で最も離れている単語
と仮定すると、
「コアラ」という具体的な動物名から最も遠い単語の一つとして
「徳政」のような全く文脈の異なる語が選ばれる可能性がある。

これが
「コアラの対義語が徳政になる」
と言われた理由だと考えられる。

しかし「対義語」は本当に“一番離れた言葉”なのか

ここで重要な誤解がある。

対義語 = 真反対の言葉
と思われがちだが、実際にはそうではない。

多くの対義語は、
「ほとんど同じ意味構造を持ち、一部だけが異なる」
という関係にある。

少年と少女の例

少年：男・若さ
少女：女・若さ

違うのは性別という一要素だけであり、
「年齢」「人間であること」「使われる文脈」は非常に近い。

つまり、

対義語は、意味空間では“遠い”のではなく、むしろ“近い”

単語ベクトルの限界

単語ベクトルは、

「似た意味かどうか」
「同じ文脈で使われやすいか」

を捉えるのは得意だが、

「意味の反対」
「論理的な対義関係」

を直接表現するようには作られていない。

そのため、

似た意味の単語を見つけることはできる
対義語を正確に見つけることは難しい

という性質を持つ。

まとめ

ベクトルとは 数字の組
単語ベクトルは 使われ方を数値化したもの
意味が似ている単語は ベクトルが近い
AIは「意味」を理解しているのではなく文脈の統計を学習している