中国のAI開発は「中国語の訓練データ不足」という新たなボトルネックに直面している
訓練データは全てその言語でなければならないんだろうか。つまり他言語で学習した内容を翻訳すれば事足りる分もあるんじゃないだろうか。そして機械翻訳はまさにAIによって飛躍的に精度が向上したわけで。
もちろん翻訳の訓練にに必要なデータはその言語で書かれてないといけないし、その言語圏ローカルな事柄は他言語では記述されないという問題は残るけれども。
中国で問題が特に深刻だとみられる理由の1つが、インターネット上で中国語を使うウェブサイトの少なさです。ウェブ技術調査サービスのW3Techsによると、2026年8月10日時点で、使用言語を判定できたウェブサイトのうち中国語を使うサイトは1.3％でした。なお、英語は49.5％、日本語は5.0％です。
これは日本におけるAI分野での勝ち筋の一つとしてありえるよね。AI技術で日本は中国に(もちろんアメリカにも)圧倒されてるけど、その中国には肝心の学習データがなかったってのは野次馬的には痛快なストーリー。
20世紀までは言語の覇権が取りざたされてた。英語が覇権を握り、中国語とスペイン語が追随する。その他の言語は緩やかに衰退し、少数言語は消滅したものも多い。言語が集約する方向。
でもAIによる翻訳精度の向上で、言語覇権はかなり意味が薄くなった気がする。今やスマホの翻訳アプリを持っていれば現地語をしゃべれなくても海外旅行に不便はないらしいし。
AI時代において、その言語での資料の量ではなく、その国の文化の発信量が覇権を左右するのかもしれない。だとしたら発信量の多い日本はその点で国際的に重要な地位を占めることが出来るのかもね。