(https://support.google.com/notebooklm/ にあるNotebookLMの説明(英語)をソースとして(このページからのリンク先は複数ファイルなので現状ではソース指定が面倒(将来的には改良?)。但し最新情報の部分を除いている)NotebookLMにより生成したものです。)
NotebookLMは、あなたの思考を助ける パーソナライズされたAIアシスタントです。 ドキュメントをアップロードすると、 NotebookLMはそれらの内容の専門家となり、 あなたが読み、メモを取り、 アイデアを洗練し整理するのを 共同作業で支援します
この説明は提供されたソースに 基づいており、 機能や制限事項は変更される 可能性があります。 最新情報はNotebookLMの ヘルプセンターを参照してください。
H: ステップ０ : Googleアカウントの準備
Googleアカウントがない場合には作成します。なんらかの事情で普段使いのアカウントとは別のアカウントを作りたい場合があるかもしれません。ステップ1：アクセス
NotebookLMのウェブサイトにアクセスします。
Googleアカウントでログインします。ステップ2：ノートブック作成
新しいノートブックを作成します。
ノートブックに分かりやすい名前を付けます(H: 付けなくても(Untitledのままでも)使えます)。ステップ3：ソースのアップロード
対応ファイル形式：
Googleドキュメント
Googleスライド
PDF、テキスト、Markdownファイル(H: かなり大きいとエラーになる場合があります)
Web URL（H: エラーになる場合が結構あります)
コピー＆ペーストしたテキスト
YouTubeの公開動画(H: エラーとなって利用できない場合が結構あります)
音声ファイル [1, 2]*
アップロード方法：
「＋」アイコンをクリック [3, 4](H: +アイコンは左上にあります)
ファイルを選択 [3, 4]
「挿入」または「開く」をクリック [3, 4]
制限：
ソースあたり最大50万語または200MB [2](H: あまり当てにならない気がします)
ノートブックあたり最大50ソース [2]
コピー＆ペーストの場合：
タイトルを必ず入力 [4]( H: これは勝手につく場合が多いように思います)
H: 参照先が表示されていますが、NotebookLMの出力の文章をコピー&ペーストしただけなので、クリックできません。例として示すため敢えて削除していません。ノートブックを作成し、ソースとして全てのページを指定した上でChatで同じ質問をすればリンクを参照できると考えられます。もちろん機能のアップデートや説明の変化によって出力は変わります。ステップ4：AIとの対話
チャットボックスに質問や指示を入力 [5]
NotebookLMはソースに基づき回答 [5-7]
回答には引用元が表示され、クリックで該当箇所へ [5, 8]
事実確認だけでなく、アイデア提案なども可能 [9]
回答が不適切な場合は「👎」で報告 [10]ステップ5：ノート作成
回答をピン留めしてノートに保存 [11, 12]
ソースから引用をノートに追加 [11, 12]
新規ノートを作成してメモを書き込み [11, 12]
ノートを組み合わせてアウトラインやスタディガイド作成 [11-13]
これでNotebookLMの利用を開始できます。
（この部分(例題についての追加の演習まで)は用いた論文内容が難しいと感じられる場合には飛ばしてもよいです。後の演習を行えば理解の上ではそれほど支障はなさそうです。）
ここでは今日のLLMの主要な原理を提案した論文と言える、https://arxiv.org/abs/1706.03762 (Attention is All You Need, Ashish Vaswani他)を例にとって演習してみます。 1,2回生でこの論文の学習をいきなり行うのはレベル違いの場合が多いです。 しかし関心を持つ人が比較的多そうだし、中には内容を理解する人もいそうであるし、将来的に論文の学習にNotebookLMを効果的に利用できる場合が多いと考えられるのでこの例題を示しています。
以下は、やはりNotebookLMが出力した演習を行う場合の利用のステップです。 現在のNotebookLMはChatで入力されたURLをアクセスしないと考えられますので、 実際に指定のURLをアクセスしているわけではなく、具体例にはなっていません。 逆に言えば他の論文にも適用できるステップです。
論文 https://arxiv.org/abs/1706.03762 を NotebookLM を使って学習する場合のステップ例を、20行40文字のフォーマットで記述します。
1. 論文のアップロード
2. 論文概要の把握
3. 疑問点の明確化
4. NotebookLM への質問
5. 回答の検証と考察
6. さらなる探求
補足 提供されたソースには、 特定の論文の内容に関する 情報は含まれていません でした。上記のステップは、 一般的な論文学習の手順 を NotebookLM を活用する 形で示したものです。
以下はNotebookLMで新しいノートを作成し、https://arxiv.org/abs/1706.03762 のみをソースとして指定し、Chatにていくつか質問した場合の回答を貼り付けたものです。但しセクションのレベルは1レベル落としてあります。
Transformerは、エンコーダ-デコーダ構造を採用したシーケンス変換モデルです。従来のリカレントニューラルネットワーク（RNN）や畳み込みニューラルネットワーク（CNN）とは異なり、注意機構（Attention Mechanism）のみに基づいて構築されています。
注意機構は、クエリ、キー、バリューの3つのベクトルを用いて出力を計算する関数です。Transformerでは、スケール化ドット積注意（Scaled Dot-Product Attention）と呼ばれる注意機構が採用されています。
マルチヘッド注意（Multi-Head Attention）は、複数の注意機構を並列に実行することで、異なる表現部分空間からの情報を捉えることを可能にします。
Transformerでは、h = 8の並列注意層（ヘッド）が採用されています。
Transformerは、WMT 2014の英語-ドイツ語翻訳タスクと英語-フランス語翻訳タスクにおいて、従来のモデルよりも優れたBLEUスコアを達成しました。また、英語の構文解析タスクにも適用され、良好な結果が得られています。
Transformerは、文章の翻訳や文章の構造を解析するなど、様々な言語処理タスクで優れた性能を発揮する、新しいニューラルネットワーク（人間の脳の仕組みを模倣したコンピュータプログラム）のモデルです。
Transformerの特徴は、注意機構（アテンションメカニズム：入力文章のどの部分に注目すべきかを自動的に判断する仕組み） を最大限に活用している点にあります。従来のモデルでは、RNN（リカレントニューラルネットワーク：文章を単語の順番通りに処理していくネットワーク）やCNN（畳み込みニューラルネットワーク：画像認識等でよく使われるネットワーク）が主流でしたが、Transformerはこれらの機構を一切使用せず、注意機構のみに基づいて設計されています。
注意機構は、簡単に言うと、翻訳や文章解析を行う際に、入力文のどの単語に注目すれば良いかを判断する機能です。
例えば、「私は赤いリンゴを食べた」という日本語を英語に翻訳する場合、「赤い」という単語は「apple」の翻訳に、「食べた」という単語は「ate」の翻訳にそれぞれ強く関連しています。注意機構は、このような単語間の関連度を自動的に計算し、より正確な翻訳や解析を可能にします。
Transformerでは、「スケール化ドット積注意（スケールドドットプロダクトアテンション：クエリ、キー、バリューと呼ばれるベクトルを使って計算する注意機構の一種）」と呼ばれる注意機構が採用されています。
Transformerは、さらに「マルチヘッド注意（マルチヘッドアテンション：複数の注意機構を並列に実行する仕組み）」という技術を用いることで、より複雑な関係性を捉えることができます。
人間の脳も、一つのことに集中するだけでなく、複数の情報を同時に処理しています。マルチヘッド注意も同様に、複数の注意機構を同時に働かせることで、文章の様々な側面を捉え、より深い理解を可能にします。
Transformerは、従来のモデルと比べて、以下の利点があります。
Transformerは、以下のような様々なタスクで優れた性能を発揮しています。
Transformerは、注意機構を最大限に活用することで、従来のモデルよりも高速かつ高精度な言語処理を可能にした革新的なモデルです。文章翻訳や構文解析など、様々なタスクで目覚ましい成果を上げており、今後の発展が期待されています。
生成された単なる概要そのままでは専門用語が多くて専門家やある程度勉強した人以外にはよくわからない場合が多そうです。 高校生向けでは用語もそれなりに説明し、ずっととっつきやすく、わかりやすくなっていると思います。 但し厳密に言えば言葉の正確な理解という意味では誤解を生む可能性がある説明や、高校生の少なくとも一部には理解できないのではないかという説明も散見されます。 もちろん人により見解は異なるかもしれません。
例：
ニューラルネットワーク（人間の脳の仕組みを模倣したコンピュータプログラム）という説明だと、 大きく間違っているとは言いませんが、ネットワークそのものを表しているのはどちらかといえばプログラムではなくデータの方なのではないかという 感想を持ちました。もちろんプログラムにデータを含めれば合っています。
注意機構（アテンションメカニズム：入力文章のどの部分に注目すべきかを自動的に判断する仕組み）は、この場合おおよそイメージを掴むためには正しい説明と言ってよいと思いますが、 アテンションメカニズムは文章にのみ用いられる仕組みであると誤解する人が出るのではないかと思いました。 また入力から見て2層目以降のアテンション層がやっていることの説明としては必ずしも正確ではないのではないかと思います。
スケールドドットプロダクトアテンション や ベクトル という語は、まずベクトルについて数学で学んでいないとわからないし、 ドットプロダクトがベクトルの内積のことを言っているのだというのは、ベクトルを学習した日本人のうち、さらに一部しかわからないのではないかと思います。
但し、このような専門家レベルの知識を持った人にしか読めないような論文を、ある程度噛み砕いて説明してくれるのは大変ありがたいことです。 人間が説明したとしても入り口的な説明は必ずしも正確でない場合が多いです(但しそれを言った上で説明したりします。質問文に、必ずしも正確でない場合があればそれを書き添えるように入れれば恐らくそのようにするでしょう)。わからない用語は、NotebookLMや他のLLMに質問するなり、他のサービスで検索するなりして調べればよいです。
この論文は一般的に言えば1,2回生で読むには難しいと考えられるし、線形代数とかわかっていて尚且つニューラルネットの基本事項を知っていてもいきなり読むとわからない部分があると思います。特に実装できるかと言われるとできない場合が多そうです。それはニューラルネットワークの(論文等での)表現の仕方に業界内の約束事があるからです。アテンション層などの実際の計算方法を書いてあるネットの解説などを読めば理解できると思います。そうすれば理科系大学生や、ある程度予備知識がある理科系の高校生でも論文内容をそれなりに理解した上で実装もできる人が中にはいるのではないかと思います。もちろんニューラルネットの基本事項は知っていないといけないです。
以下の質問をChatに入力してみて下さい。質問のバリエーションを工夫してみて下さい。
「abstractとintroductionの部分を日本語に翻訳して下さい。」
「高校生にもわかるようにabstractを日本語に意訳して下さい。専門用語の直後の括弧内に説明を入れて下さい。」
出力中の専門用語について、その意味を質問してみて下さい(これは上と違って具体的な質問ではありません)。
NotebookLM の理解を深め、その機能を活用するための演習内容を、20行40文字のフォーマットで提案します。
1. 多様なソースからの情報抽出
さまざまな種類のソース（例： Googleドキュメント、PDF、 YouTube動画）をアップロード し、特定のテーマに関する 情報を抽出する練習をする。
質問を工夫し、NotebookLM が異なるソースから情報を どのように統合するかを 観察する。
2. 要約と分析能力の向上
3. アイデア生成と創造性開発
4. 限界の理解と克服
これらの演習を通して、 NotebookLMの多様な機能を 効果的に活用する方法を 習得することができます。
NotebookLMを何らかの学習や、何かの情報の内容把握に実際に利用し、利用結果と感想を400文字以上にまとめて提出せよ。 ファイル名は別に指定してある。 その際以下の条件を満たすこと。
(上の条件を読むとものすごく緻密なレポートを求めているようにも読めます。そのように演習して書けばもちろん得るものがあるでしょうが、文字数を見ればわかるようにそれなりのものしか求めていません。)