ポータルフィールドニュース

ポータルフィールドニュース

in ,

🌐| モノのインターネット(IoT)市場は、年平均成長率6.1%を記録し、2020年には83億米ド…


写真 

モノのインターネット(IoT)市場は、年平均成長率6.1%を記録し、2020年には83億米ド…

 
内容をざっくり書くと
人工知能、データ分析、機械学習は、産業界で重要な役割を果たしています。
 

2021年の世界のモノのインターネット(IoT)市場規模は48億米ドルでした。世界のモノのインターネ… →このまま続きを読む

 @Press

アットプレスは、プレスリリース配信のパイオニア企業。
観光・グルメからエンタメ、ガジェットなど幅広いジャンルのニュースを扱っています。
テレビ、雑誌、Webメディアなどにプレスリリースを配信していてSNSにも強い@Pressだからこそお届けできる、どこよりも早い最新情報が満載!


Wikipedia関連ワード

説明がないものはWikipediaに該当項目がありません。

人工知能

人工知能(じんこうちのう)またはアーティフィシャル・インテリジェンス: artificial intelligenceAI〔エーアイ〕)とは、「『計算computation)』という概念と『コンピュータcomputer)』という道具を用いて『知能』を研究する計算機科学computer science)の一分野」を指す語[1]。「言語理解推論問題解決などの知的行動人間に代わってコンピューターに行わせる技術[2]、または、「計算機(コンピュータ)による知的な情報処理システム設計や実現に関する研究分野」ともされる[3]

日本大百科全書(ニッポニカ)』の解説で、情報工学者・通信工学者の佐藤理史は次のように述べている[1]

誤解を恐れず平易にいいかえるならば、「これまで人間にしかできなかった知的な行為(認識、推論、言語運用、創造など)を、どのような手順(アルゴリズム)とどのようなデータ(事前情報や知識)を準備すれば、それを機械的に実行できるか」を研究する分野である[1]

概要

人間の知的能力をコンピュータ上で実現する、様々な技術・ソフトウェアコンピュータシステム[4]。応用例としては、自然言語処理機械翻訳かな漢字変換構文解析・文章要約等)[5][6]、専門家の推論・判断を模倣するエキスパートシステム、画像データを解析し特定のパターンを検出・抽出する画像認識等がある[4]。1956年にダートマス会議ジョン・マッカーシーにより命名された。現在では、を用いた知能の記述を主体とする情報処理や研究でのアプローチという意味あいでも使われている。家庭用電気機械器具制御システムゲームソフト思考ルーチンもこう呼ばれることもある。

プログラミング言語 LISP による「ELIZA」というカウンセラーを模倣したプログラム人工無脳)がしばしば引き合いに出されるが、計算機に人間の専門家の役割をさせようという「エキスパートシステム」と呼ばれる研究・情報処理システムの実現は、人間が暗黙に持つ常識の記述が問題となり、実用への利用が困難視されている。[いつ?]人工的な知能の実現へのアプローチとしては、「ファジィ理論」や「ニューラルネットワーク」などのようなアプローチも知られているが、従来の人工知能であるGOFAI (Good Old Fashioned AI) との差は記述の記号的明示性にある。その後「サポートベクターマシン」が注目を集めた。また、自らの経験を元に学習を行う強化学習という手法もある。「この宇宙において、知性とは最も強力な形質である(レイ・カーツワイル)」という言葉通り、知性を機械的に表現し実装するということは極めて重要な作業である。

画像処理におけるディープラーニングの有用性が競技会で世界的に認知された2012年頃から急速に研究が活発となり、第三次人工知能ブームが到来[7]。2016年から2017年にかけて、ディープラーニングを導入したAIが完全情報ゲームである囲碁などのトップ棋士、さらに不完全情報ゲームであるポーカーの世界トップクラスのプレイヤーも破り[8][9]麻雀では「Microsoft Suphx (Super Phoenix)」がAIとして初めて十段に到達する[10]など最先端技術として注目されている[11]

理工学的な概要

深層学習を利用するには線形代数学確率論統計学といった大学レベル以上の数学や、データ科学(データサイエンス)の知識が必要となる。

脳シミュレーションを行うには神経科学、社会分析には社会学など、応用する分野の知識も必要となる。

さらに実装するにはプログラミングの知識も必要となる。プログラミング言語は、C++のほかPythonが広く使われている。

AIの種類

第2次人工知能ブームでの人工知能は機械学習と呼ばれ、以下のようなものがある。

エキスパートシステム
推論機能を適用することで結論を得る。エキスパートシステムは大量の既知情報を処理し、それらに基づいた結論を提供することができる。例えば、過去のMicrosoft Officeには、ユーザが文字列を打ち込むとシステムはそこに一定の特徴を認識し、それに沿った提案をするシステムがついていた。
事例ベース推論(CBR)
その事例に類似した過去の事例をベースにし、部分修正を加え試行を行い、その結果とその事例を事例ベースに記憶する。
ベイジアン・ネットワーク
振る舞いに基づくAI:AIシステムを一から構築していく手法

一方、計算知能(CI)は開発や学習を繰り返すことを基本としている(例えば、パラメータ調整、コネクショニズムのシステム)。学習は経験に基づく手法であり、非記号的AI、美しくないAI[注釈 1]ソフトコンピューティングと関係している。その手法としては、以下のものがある。

ニューラルネットワーク
パターン認識に特化したアルゴリズムである。コネクショニズムとほぼ同義。
ファジィ制御
曖昧さを許容するように定義された集合によって、不確かな状況での推論を可能にする手法であり、1990年代以降の制御システムでは広く採用されている。
進化的計算
生物学からインスパイアされた手法であり、ある問題の最適解を進化や突然変異の概念を適用して求める。この手法は遺伝的アルゴリズム群知能に分類される。

これらを統合した知的システムを作る試みもなされている。ACT-Rでは、エキスパートの推論ルールを、統計的学習を元にニューラルネットワークや生成規則を通して生成する。

1990年代、日本国内でニューロ・ファジィ家電が流行したが、これら家電は第2次人工知能ブームで研究されたニューラルネットワークやファジィ制御を応用した製品である。

第2次人工知能ブームでは既存製品の微妙な改良に留まり、人々が思い描くような高度な自動化を可能とする製品に繋がらなかったため、人工知能に対する失望が広がっていった。

第3次人工知能ブームでは、ディープラーニングが画像認識、テキスト解析、音声認識など様々な領域で第2次人工知能ブームの人工知能を遥かに上回る精度を出しており、ディープラーニングの研究が盛んに行われている。最近では、DQNCNNRNNGANと様々なディープラーニングの派生がでて各分野で活躍している。特に、GAN(敵対的生成ネットワーク)は、ディープラーニングが認識や予測などの分野で成果をだしていることに加えて、画像の生成技術において大きな進化を見せている。森正弥はこれらの成果を背景に、従来の人工知能の応用分野が広がっており、Creative AIというコンテンツ生成を行っていく応用も始まっていると指摘している[12]。かつてのニューロ・ファジィ家電と同じように、AI対応と謳う家電製品が多数発売されており、これらにもディープ・ラーニングが応用されている。

AI研究開発の世界的事例

アメリカでは2013年に時の大統領バラク・オバマが脳研究プロジェクト「BRAIN Initiative」を発表。

Googleはアレン脳科学研究所と連携し脳スキャンによって生まれた大量のデータを処理するためのソフトウェアを開発している。2016年の時点で、Googleが管理しているBrainmapのデータ量はすでに1ゼタバイトに達しているという[13][14]。Googleは、ドイツのマックスプランク研究所とも共同研究を始めており、脳の電子顕微鏡写真から神経回路を再構成するという研究を行っている[15]

中国では2016年の第13次5カ年計画からAIを国家プロジェクトに位置づけ[16]、脳研究プロジェクトとして英語版も立ち上げ[17]、官民一体でAIの研究開発を推進してる[18]。中国の教育機関では18歳以下の天才児を集めて公然とAI兵器の開発に投じられてもいる[19]マサチューセッツ工科大学(MIT)の英語版教授や英語版などによれば、中国ではプライバシー意識の強い欧米と比較してAIの研究や新技術の実験をしやすい環境にあるとされている[20][21][22]。日本でスーパーコンピュータの研究開発を推進している齊藤元章もAIの開発において中国がリードする可能性を主張している[23]。世界のディープラーニング用計算機の4分の3は中国が占めてるともされる[24]。米国政府によれば、2013年からディープラーニングに関する論文数では中国が米国を超えて世界一となっている[25]英語版英語版などAIの世界的な大会でも中国勢が上位を独占している[26][27]。大手AI企業Google、マイクロソフトAppleなどの幹部でもあった台湾系アメリカ人科学者の李開復は中国がAIで覇権を握りつつあるとする『英語版』を著してアメリカの政界やメディアなどが取り上げた[28][29]

フランス大統領エマニュエル・マクロンはAI分野の開発支援に向け5年で15億ドルを支出すると宣言し[30]、AI研究所をパリに開き、フェイスブック、グーグル、サムスン、DeepMind、富士通などを招致した。イギリスともAI研究における長期的な連携も決定されている。EU全体としても、「Horizon 2020」計画を通じて、215億ユーロが投じられる方向。韓国は、20億ドルを2022年までに投資をする。6つのAI機関を設立し褒賞制度も作られた。目標は2022年までにAIの世界トップ4に入ることだという[31]

日経新聞調べによると、国別のAI研究論文数は1位米国、2位中国、3位インド、日本は7位だった[32]

文化的・芸術的な応用事例

音楽分野においては、既存の曲を学習することで、特定の作曲家の作風を真似て作曲する自動作曲ソフトが登場している。またリズムゲームに使われるタッチ位置を示した譜面を楽曲から自動生成するなど分野に特化したシステムも開発されている[33]

絵画分野においては、コンセプトアート用背景やアニメーションの中割の自動生成、、モノクロ漫画の自動彩色など、人間の作業を補助するAIが実現している[34][35][36]

将棋AIは人間同士・AI同士の対局から学習して新しい戦法を生み出しているが、プロ棋士(人間)の感覚では不可解ながら実際に指すと有用であるという[37]

議論・社会問題

人工知能学会松尾豊は、著書『人工知能は人間を超えるか』内に於いて、人間に対して反乱を起こす可能性を否定している。人工知能学会会長の野田五十樹は、「シンギュラリティ(技術的特異点)」や「2045年にAIが人間の知能を超える」という予測に対して「SFめいた話だ」と批判した[38]。同氏はこう述べている[38]

そもそも“知能”が何を示すのか、定義をせずに語っても意味が無い。
仮に知能が計算力を指しているのであれば、80年代からとっくに人間の能力を超えていることになる[38]

社会学者ロバート・M・ゲラチは、AIとロボット工学(ロボティクス)を専攻しているカーネギーメロン大学の研究所を現地調査した結果、実際の研究はシンギュラリティ論とかけ離れた「世俗的現実」("the mundane reality")であると結論した[39]。同氏はカーツワイルやハンス・モラベックらのシンギュラリティ論を「終末論的AI」("Apocalyptic AI")と呼び、そのような論自体に対しては支持も反論もしないと前提した[40]。その上で、「終末論的AI」を通俗科学(pop science)の一種と見なしている[41]。つまりそれは宗教エンターテインメントフィクション等と同じような、分かりやすくて興味を刺激する説明を使い、大勢の興味を引いて研究費を獲得している[41]。ゲラチは

終末論的AIは、実際のところ、金銭の要求である。("Apocalyptic AI is, indeed, a request for money.")

と述べている[41]

一方、人工知能を危険視する思想や主張もある。

人権侵害

マサチューセッツ工科大学の教授英語版は、莫大な資金力と人権の弾圧を併せ持つ中国が人工知能の開発競争で成功すれば、民主的な国家が技術革新に優位という既成概念が変わると述べ[20]、「ディープラーニングの父」の一人と呼ばれているヨシュア・ベンジオは、中国が市民の監視や政治目的で人工知能を利用していることに警鐘を鳴らしており[45][46]、世界の人権団体やメディアは、中国に代表される人工知能で人権を抑圧する政治体制を「デジタル権威主義」[47][48]「デジタル独裁」[49][50][51]「デジタル警察国家[52]「デジタル全体主義」[53]「AI独裁」[54]と呼んだ。

中国では、ヘルメットや帽子に埋め込んだセンサーから、国民の脳波と感情を人工知能で監視する、中国政府支援のプロジェクトが推し進められ[55][56][57][58]ネット検閲[59][60]官僚刑務所の囚人から横断歩道の歩行者まで監視を人工知能に行わせ[61][62][63][64][65][66]監視カメラ警察サングラススマートグラス[67]ロボット[68]顔認識システム天網)を搭載するなど人工知能による監視社会管理社会化が行われている[69][70][71][72]

新疆ウイグル自治区では、監視カメラや携帯電話などから収集した個人情報を、人工知能で解析する英語版人種プロファイリングで選別した少数民族のウイグル族を法的手続きを経ずに、2017年6月時点で約1万5千人もテロリズム犯罪を犯す可能性があるとして、新疆ウイグル再教育キャンプ予防拘禁しているとする、中国政府の内部文書である英語版が報じられており[73][74][75]、AIを使った政府による特定の民族の選別や、コンピュータが人間を強制収容所に送る人権蹂躙は「前例がない」として、国際問題になっている[76][77]香港では、中国本土と同様の人工知能による監視社会化を恐れ[78]2019年-2020年香港民主化デモが起きた際は、監視カメラを搭載したスマート街灯が、市民に次々と破壊された[79][80]

中国は、AI監視技術を中東アジアアフリカなど、世界各国に輸出しており[81][82][83][84][85][47]国際連合専門機関である国際電気通信連合(ITU)を通じて、中国がAI監視技術の国際標準化も主導してることから、中国のような人権侵害が世界に拡散することが、人権団体から懸念されている[86][87]

中国の社会信用システムに代表されるような、人工知能でビッグデータを活用して人々の適性を決める制度は、社会階層間の格差を固定化することに繋がるとする懸念があり[88]欧州連合では2018年5月から、人工知能のビッグデータ分析のみによる、雇用や融資での差別を認めない、EU一般データ保護規則が施行された[89]

マサチューセッツ工科大学が顔認識システムの精度で、Microsoftと中国のMegviiは9割超で、IBMは8割に達したのに対して、Amazon.comは6割で人種差別的なバイアスがあるとする研究を発表した際は、Amazon.comと論争になった[90]

半自動の四脚ロボット「Spot(スポット)」は[91]ニューヨーク市警によって現場に配備されていたが、市民らの抗議により利用中止になった[92]。「一般的に大半のSpotは、故障した送電線やガス漏れの調査などに使われている」反面、警察は市民らの承認を得ずにSpotを購入し利用していたため、「ロボット犬」とレッテルが貼られた[92]

軍事利用

主要国の軍隊は、ミサイル防衛の分野での自動化を試みている。アメリカ海軍は完全自動の防空システム「ファランクスCIWS」を導入しガトリング砲により対艦ミサイルを破壊できる。イスラエル軍は対空迎撃ミサイルシステム「アイアンドーム」を所有し、ガザ地区との境界線には標的を自動検知するガーディアムサムソン RCWSを稼働させて複数の人間を射殺している[93][94]。今後AIは新しい軍事能力を生み、軍の指揮、訓練、部隊の展開を変え、戦争を一変させその変化は大国間の軍事バランスを決めることになるとの主張もある[95]P-1 (哨戒機)のように戦闘指揮システムに支援用に搭載されることもある。

2016年6月、米シンシナティ大学の研究チームが開発した「ALPHA」は、元米軍パイロットとの模擬空戦で一方的に勝利したと発表された。AIプログラムは遺伝的アルゴリズムとファジィ制御を使用しており、アルゴリズムの動作に高い処理能力は必要とせず、Raspberry Pi上で動作可能[96][97]アメリカ合衆国国防総省は、人道上の観点から人間の判断を介さない自律殺傷兵器の開発禁止令を2012年に出し、2017年にはこれを恒久的なものにした[98]

一部の科学者やハイテク企業の首脳らは、AIの軍事利用により世界の不安定化は加速すると主張している。2015年にブエノスアイレスで開催されたで、スティーブン・ホーキング、アメリカ宇宙ベンチャー企業のスペースX創業者のイーロン・マスク、Appleの共同創業者のスティーブ・ウォズニアックら、科学者と企業家らにより公開書簡が出されたが、そこには自動操縦による無人爆撃機や銃火器を操る人型ロボットなどAI搭載型兵器は、火薬核兵器に続く第3の革命ととらえられ、うち一部は数年以内に実用可能となると予測。国家の不安定化、暗殺、抑圧、特定の民族への選別攻撃などに利用され、兵器の開発競争が人類にとって有益なものとはならないと明記された。

2015年4月には、ハーバード大学ロースクールと国際人権団体であるヒューマン・ライツ・ウォッチが、自動操縦型武器の禁止を求めている[99]。2017年11月には、国際連合でAIの軍事利用に関する初の公式専門家会議が行われ[100]、2019年8月に同会議は、AI兵器の運用をめぐる事実上初の国際ルールを採択するも、法的拘束力は盛り込まれなかった[101]

東西対立

新冷戦米中冷戦の状態にあるとも評されている、アメリカ合衆国・中国・ロシアは、核開発に匹敵する開発競争を人工知能の軍事利用をめぐって行っている[102]

中国は、2017年6月に119機のドローン群の自律飛行実験で、前年2016年に103機の飛行実験に成功したアメリカ軍の記録を更新して、翌2018年5月には北アメリカの都市を爆撃するCG映像も発表し[103]、同年6月には56隻の自律無人艇を使った世界最大規模の試験[104]を行うなど、AIの軍事利用の技術(特にスウォームと呼ばれる大量の徘徊型兵器などの自律兵器の統合運用)で中国が急速に進展しており、アメリカに追い付く可能性があることについて懸念し、アメリカ合衆国では将来に備える必要があるとの主張もされている[95]

中国の軍用AI開発は、アメリカ軍や政界に危機感を与え、2019年3月にジョセフ・ダンフォード統合参謀本部議長パトリック・シャナハン国防長官代行、ドナルド・トランプ大統領は、中国でのAI研究拠点の設立などで中国人民解放軍に協力していると、Googleを非難し[105][106]、GoogleのCEOサンダー・ピチャイはダンフォードやトランプ大統領と面談して、中華人民共和国のAI研究拠点の成果は、中国に限らず全ての人々に開放されていると釈明する事態になった[107]

アメリカ合衆国では、Googleがアメリカ軍のAIの軍事利用に協力する極秘計画「メイヴン計画」を行っていたことが、Googleの社員に暴露されており[108]、2018年12月のアメリカ合衆国議会の公聴会では、同様に暴露された中国政府に協力する秘密計画「英語版」とともに、人工知能を用いた兵器開発や人権侵害は拒否するとGoogleが誓った、2018年6月の人工知能開発6原則との整合性で、追及を受けた[109]

中国人民解放軍の戦闘機J-20の標的選択支援アルゴリズムに、GoogleのAI研究者が関わったと報道された際は「AIではなく、統計学的なモデリング」と否定した[110]。また、Microsoftが中国軍の教育機関とAIの共同研究を発表した際も、同様に波紋を呼んだ[111]

2019年11月にマーク・エスパー国防長官は、中華人民共和国がAIによって新しい監視国家を構築しているだけでなく、中東で翼竜彩虹など無人攻撃機を大量に拡散させて、AIで自律的に攻撃するドローン兵器も販売していることに警鐘を鳴らした[112]

ロシアと中国は、既に実用化してるとされるハッキングの自動化の他[113]、特定の個人を攻撃したりディープフェイクでなりすましたり、ボット投稿により世論を操る等の懸念が挙げられている[114]

雇用問題

オックスフォード大学のマイケル・オズボーン博士が2013年に発表した論文によれば、人工知能やロボット等による代替可能性が高い労働人口が日本で約49%いること(アメリカは約47%、イギリスは約35%)、2030年代までにファストフード店で料理をする従業員が、ロボットやAIに取って代わられる可能性が81%と高いことを指摘されている[115][116][117]

しかし、この論文に対して、実験室レベルで自動化が出来る仕事も含まれているため、過大に推計されているとの批判もある。実際に2016年10月、マイケル・オズボーンが来日した際、経済産業研究所の岩本晃一が「どのような意図、いかなる前提で試算したのか」と質問したところ、「技術的な可能性を示しただけ、雇用増の部分は一切考慮していない」との回答が返ってきている。これは人間を超える将棋AIが出現しているので将棋棋士が、人工知能に代替され可能性があると示したに過ぎず、人間同士の対局を観戦したいなどの欲求にも答えていない。現代のプロ棋士はAIを対局相手や局面の検討に利用しているほか、elmo囲いのようなAIが最初に使用した戦法を利用するなど共存関係にある[37]

そして、職業を構成するタスク(業務)単位でみた場合に、70%超えのタスクが自動化される職業は9%程度(日本の場合は7%程度)にとどまるとの研究結果もある。またAIや機械化によって雇用が奪われるという主張もあるが、それらの技術によってタスク量が減少するが、AIや機械化を導入したり、維持したりする仕事や、それらの技術により新たな仕事が生まれることにより、雇用が生み出される可能性もある。しかし同時に、中程度の技能を有するルーティン業務が減少し、専門技能が求められない、低スキルの仕事と高度な技能が求められる仕事へと2極化していき、経済格差が拡大していくとの予測もある[118][119][120]

歴史

AIの構築が長い間試みられてきているが、シンボルグラウンディング問題とフレーム問題の解決が大きな壁となってきた。

初期

17世紀初め、ルネ・デカルトは、動物の身体がただの複雑な機械であると提唱した(機械論)。ブレーズ・パスカルは1642年、最初の機械式計算機を製作した。チャールズ・バベッジエイダ・ラブレスはプログラム可能な機械式計算機の開発を行った。

バートランド・ラッセルアルフレッド・ノース・ホワイトヘッドは『数学原理』を出版し、形式論理に革命をもたらした。ウォーレン・マカロックウォルター・ピッツは「神経活動に内在するアイデアの論理計算」と題する論文を1943年に発表し、ニューラルネットワークの基礎を築いた。

1900年代後半

1950年代になるとAIに関して活発な成果が出始めた。ジョン・マッカーシーはAIに関する最初の会議で「人工知能[注釈 2]」という用語を作り出した。彼はまたプログラミング言語LISPを開発した。知的ふるまいに関するテストを可能にする方法として、アラン・チューリングは「チューリングテスト」を導入した。ジョセフ・ワイゼンバウムELIZAを構築した。これは来談者中心療法を行う[注釈 3]である。

1956年に行われた、ダートマス会議開催の提案書において、人類史上、用語として初めて使用され、新たな分野として創立された。

1960年代と1970年代の間に、ジョエル・モーゼスMacsymaマクシマプログラム[注釈 4]中で積分問題での記号的推論のパワーを示した。マービン・ミンスキーシーモア・パパートは『パーセプトロン』を出版して単純なニューラルネットの限界を示し、アラン・カルメラウアーはプログラミング言語 Prolog を開発した。テッド・ショートリッフェは医学的診断と療法におけるルールベースシステムを構築し、知識表現と推論のパワーを示した。これは、最初のエキスパートシステムと呼ばれることもある。ハンス・モラベックは、障害物があるコースを自律的に走行する最初のコンピューター制御の乗り物を開発した。

1980年代に、ニューラルネットワークはバックプロパゲーションアルゴリズムによって広く使われるようになった。

また、この時代にロドニー・ブルックスが、知能には身体が必須との学説(身体性)を提唱した。

1990年代はAIの多くの分野で様々なアプリケーションが成果を上げた。特に、ボードゲームでは目覚ましく、1992年にIBMは世界チャンピオンに匹敵するバックギャモン専用コンピュータ・TDギャモンを開発し、IBMのチェス専用コンピュータ・ディープ・ブルーは、1997年5月にガルリ・カスパロフを打ち負かし、同年8月にはオセロで日本電気のオセロ専用コンピュータ・に世界チャンピオンの村上健が敗れた[121]国防高等研究計画局は、最初の湾岸戦争においてユニットをスケジューリングするのにAIを使い、これによって省かれたコストが1950年代以来のAI研究への政府の投資全額を上回ったことを明らかにした。日本では甘利俊一(日本学士院会員)らが精力的に啓蒙し、優秀な成果も発生したが、論理のブラックボックス性が指摘された。

1998年には非構造化データ形式の国際規格であるXMLが提唱されたが、ここからWeb上の非構造化データに対して、アプリケーション別に適した意味付けを適用し、処理を行わせる試みが開始された。同年に、W3Cティム・バーナーズ=リーにより、Webに知的処理を行わせるセマンティック・ウェブが提唱された。この技術はWeb上のデータに意味を付加して、コンピュータに知的処理を行わせる方法を国際的に規格化するものである。この規格には知識工学におけるオントロジーを表現するデータ形式のOWLも含まれていることから、かつて流行したエキスパートシステムの亜種であることが分かる。2000年代前半に規格化が完了しているが、Web開発者にとっては開発工数に見合うだけのメリットが見出せなかったことから、現在も普及はしていない。

日本における第二次AIブーム

日本においてはエキスパートシステムの流行の後にニューロファジィが流行した。しかし、研究が進むにつれて計算リソースやデータ量の不足,シンボルグラウンディング問題,フレーム問題に直面し、産業の在り方を激変させるようなAIに至ることは無く、ブームは終焉した。

エキスパートシステム(知識工学の応用)

1980年代に入って、大企業の研究所を中心に、知識工学に基づくエキスパートシステムが多数提案されるようになり、エキスパートシステムを専門とするAIベンチャーも次々と立ち上がった。その流行から生まれた究極のプロジェクトとして第五世代コンピュータが挙げられる。

第五世代コンピュータ(高性能なProlog推論マシン)

1982年から1992年まで日本は国家プロジェクトとして570億円を費やして第五世代コンピュータの研究を進めるも、採用した知識工学的手法では膨大なルールの手入力が必要で、専門家間で専門知識の解釈が異なる場合には統一したルール化が行えない等の問題もあり、実用的なエキスパートシステムの実現には至らなかった。実現した成果物はPrologの命令を直接CPUのハードウェアの機構で解釈して高速に実行する、並列型のProlog専用機であるが、商業的な意味で応用先が全く見つからなかった。

ニューロファジィ[122]

1980年代後半から1990年代中頃にかけて、従来から電子制御の手法として用いられてきたON/OFF制御,PID制御,現代制御の問題を克服するため、知的制御が盛んに研究され、知識工学的なルールを用いるファジィ制御,データの特徴を学習して分類するニューラルネットワーク,その2つを融合したニューロファジィという手法が日本を中心にブームを迎えた。1987年には仙台市において開業した地下鉄ATOに採用[123]され、バブル期の高級路線に合わせて、白物家電製品でもセンサの個数と種類を大幅に増やし、多様なデータを元に運転を最適化するモデルが多数発売され始めた。

ファジィについては、2018年までに日本が世界の1/5の特許を取得している事から、日本で特に大きなブームとなっていたことが分かっている[124]。現在の白物家電ではこの当時より更に発展した制御技術が用いられているが、既に当たり前のものになり、利用者には意識されなくなっている。ニューロファジィがブームになった1990年代には未だビッグデータという概念は無く(ブロードバンド接続普及後の2010年に初めて提唱された)、データマイニングとしての産業応用は行われなかった。しかし、ニューラルネットワークが一般人も巻き込んで流行した事例としては初めての事例であり、2010年代のディープラーニングブームの前史とも言える社会現象と言える。

ブームの経緯

松下電器が1985年頃から人間が持つような曖昧さを制御に活かすファジィ制御についての研究を開始し、1990年2月1日にファジィ洗濯機第1号である「愛妻号Dayファジィ」の発売に漕ぎ着けた。「愛妻号Dayファジィ」は従来よりも多数のセンサーで収集したデータに基づいて、柔軟に運転を最適化する洗濯機で、同種の洗濯機としては世界初であった。ファジィ制御という当時最先端の技術の導入がバブル期の高級路線にもマッチしたことから、ファジィは裏方の制御技術であるにも関わらず世間の大きな注目を集めた[124]。その流行の度合いは、1990年の新語・流行語大賞における新語部門の金賞で「ファジィ」が選ばれる程であった。その後に、松下電器はファジィルールの煩雑なチューニングを自動化したニューロファジィ制御を開発し、従来のファジィ理論の限界を突破して学会で評価されるだけでなく、白物家電への応用にも成功して更なるブームを巻き起こした。松下電器の試みの成功を受けて、他社も同様の知的制御を用いる製品を多数発売した。1990年代中頃までは、メーカー各社による一般向けの白物家電の売り文句として知的制御技術の名称が大々的に用いられており、洗濯機の製品名では「愛妻号DAYファジィ」,掃除機の分類としては「ニューロ・ファジィ掃除機」,エアコンの運転モードでは「ニューロ自動」などの名称が付与されていた[125][126][127][128][129][130]

ニューロ,ファジィ,ニューロファジィという手法は、従来の単純なオン・オフ制御や、対象を数式で客観的にモデル化する(この作業は対象が複雑な機構を持つ場合は極めて難しくなる)必要があるPID制御や現代制御等と比較して、人間の主観的な経験則や計測したデータの特徴が利用可能となるファジィ、ニューロ、は開発工数を抑えながら、環境適応時の柔軟性を高くできるという利点があった[122]。しかし、開発者らの努力にも関わらず、計算能力や収集可能なデータ量の少なさから、既存の工作機械や家電製品の制御を多少改善する程度で限界を迎えた。理論的にもファジィ集合と深層学習が不可能なニューラルネットワークの組み合わせであり、計算リソースやデータが潤沢に与えられたとしても、認識精度の向上には限界があった。

以降、計算機の能力限界から理論の改善は遅々として進まず、目立った進展は無くなり、1990年代末には知的制御を搭載する白物家電が大多数になったことで、売り文句としてのブームは去った[131]。ブーム後は一般には意識されなくなったが、現在では裏方の技術として、家電製品のみならず、雨水の排水,駐車場,ビルの管理システムなどの社会インフラにも使われ、十分に性能と安定性が実証されている。2003年頃には、人間が設計したオントロジー(ファジィルールとして表現する)を利活用するネットワーク・インテリジェンスという分野に発展した[132]

2000年代

2005年、レイ・カーツワイルは著作で、「圧倒的な人工知能が知識・知能の点で人間を超越し、科学技術の進歩を担い世界を変革する技術的特異点(シンギュラリティ)が2045年にも訪れる」とする説を発表した。

2006年に、ジェフリー・ヒントンらの研究チームによりオートエンコーダによるニューラルネットワークの深層化手法が提案された(現在のディープラーニングの直接的な起源)。

2010年代前半

2010年代に入り、膨大なデータを扱う研究開発のための環境が整備されたことで、AI関連の研究が再び大きく前進し始めた。

2010年に英国エコノミスト誌で「ビッグデータ」という用語が提唱された。同年に質問応答システムワトソンが、クイズ番組「ジェパディ!」の練習戦で人間に勝利し、大きなニュースとなった[133]2012年に画像処理コンテストでジェフリー・ヒントン氏のチームが従来手法からの大幅な精度改善を果たした上で優勝したことで、第三次AIブームが始まった。

2013年には国立情報学研究所[注釈 5]富士通研究所の研究チームが開発した「東ロボくん」で東京大学入試の模擬試験に挑んだと発表した。数式の計算や単語の解析にあたる専用プログラムを使い、実際に受験生が臨んだ大学入試センター試験と東大の2次試験の問題を解読した。代々木ゼミナールの判定では「東大の合格は難しいが、私立大学には合格できる水準」だった[134]

2014年には、日本の人工知能学者である齊藤元章により、特異点に先立ち、オートメーション化とコンピューター技術の進歩により衣食住の生産コストがゼロに限りなく近づくというという概念も提唱された。

ジェフ・ホーキンスが、実現に向けて研究を続けているが、著書『考える脳 考えるコンピューター』の中でという独自の理論を展開している。

世界各国において、軍事・民間共に実用化に向け研究開発が進んでいるが、とくに無人戦闘機UCAVや無人自動車ロボットカーの開発が進行しているものの、2010年代にはまだ完全な自動化は試験的なものに留まった(UCAVは利用されているが、一部操作は地上から行っているものが多い)。

ロボット向けとしては、CSAILのロドニー・ブルックスが提唱した包摂アーキテクチャという理論が登場している。これは従来型の「我思う、故に我あり」の知が先行するものではなく、体の神経ネットワークのみを用いて環境から学習する行動型システムを用いている。これに基づいたゲンギスと呼ばれる六本足のロボットは、いわゆる「脳」を持たないにも関わらず、まるで生きているかのように行動する。

2010年代後半

2015年10月にDeepMind社が作成した「AlphaGo」が人間のプロ囲碁棋士に勝利して以降はディープラーニング(深層学習)と呼ばれる手法が注目され、人工知能自体の研究の他にも、人工知能が雇用などに与える影響についても研究が進められている[135]

2016年10月、DeepMindが、入力された情報の関連性を導き出し仮説に近いものを導き出す人工知能技術「ディファレンシャブル・ニューラル・コンピューター」を発表[136]し、同年11月、大量のデータが不要の「ワンショット学習」を可能にする深層学習システムを[137]、翌2017年6月、関係推論のような人間並みの認識能力を持つシステムを開発[138]。2017年8月には、記号接地問題(シンボルグラウンディング問題)を解決した[139]

従来、AIには不向きとされてきた不完全情報ゲームであるポーカーでもAIが人間に勝利するようになった[140]

Googleの関係者はさらに野心的な取り組みとして、単一のソフトウェアで100万種類以上のタスクを実行可能なAIを開発していると明らかにした[141]

人工知能の第三次ブーム:AGI(汎用人工知能)と技術的特異点

2006年のディープラーニングの発明と、2010年以降のビッグデータ収集環境の整備、計算資源となるGPUの高性能化により、2012年にディープラーニングが画像処理コンテストで他の手法に圧倒的大差を付けて優勝したことで、技術的特異点という概念は急速に世界中の識者の注目を集め、現実味を持って受け止められるようになった。ディープラーニングの発明と急速な普及を受けて、研究開発の現場においては、デミス・ハサビス率いるDeepMindを筆頭に、Vicarious、IBM Cortical Learning Center、全脳アーキテクチャ、PEZY Computing、OpenCog、GoodAI、nnaisense、IBM SyNAPSE等、汎用人工知能AGI)を開発するプロジェクトが数多く立ち上げられている。これらの研究開発の現場では、脳をリバースエンジニアリングして構築された神経科学と機械学習を組み合わせるアプローチが有望とされている[142]。結果として、Hierarchical Temporal Memory (HTM) 理論、Complementary Learning Systems (CLS) 理論の更新版等、単一のタスクのみを扱うディープラーニングから更に一歩進んだ、複数のタスクを同時に扱う理論が提唱され始めている。

3Dゲームのような仮想空間でモデルを動かし現実世界のことを高速に学ばせるといったことも大きな成果を上げている(シミュレーションによる学習)。

また、数は少ないがAGIだけでは知能の再現は不可能と考えて、身体知を再現するために、全人体シミュレーションが必要だとする研究者やより生物に近い振る舞いを見せるAL(人工生命)の作成に挑む研究者、知能と密接な関係にあると思われる意識のデジタル的再現(人工意識)に挑戦する研究者もいる。

リーズナブルなコストで大量の計算リソースが手に入るようになったことで、ビッグデータが出現し、企業が膨大なデータの活用に極めて強い関心を寄せており、全世界的に民間企業主導で莫大な投資を行って人工知能に関する研究開発競争が展開されている。また、2011年のD-Wave Systemsによる量子アニーリング方式の製品化を嚆矢として、量子コンピュータという超々並列処理が可能な次世代のITインフラが急速に実用化され始めた事で、人工知能の高速化にも深く関わる組み合わせ最適化問題をリアルタイムに解決できる環境が整備され始めている。この動向を受ける形で、2016年頃から、一般向けのニュース番組でも人工知能の研究開発や新しいサービス展開や量子コンピュータに関する報道が目立つようになった。

2017年にはイーロン・マスクが、急速に進化し続ける人工知能に対して人間が遅れを取らないようにするために、ブレイン・マシン・インターフェースを研究開発する英語版を立ち上げていたことを公表した。

2017年10月にはジェフリー・ヒントンにより要素間の相対的な位置関係まで含めて学習できるカプセルネットワークが提唱された[143]

2018年3月16日の国際大学GLOCOMの提言によると、課題解決型のAIを活用する事で社会変革に寄与できると分析されている[144]

2018年8月、OpenAIが好奇心を実装しノーゲームスコア、ノーゴール、無報酬で目的なき探索を行うAIを公表。これまでのAIで最も人間らしいという[145]

2018年9月、MITリンカーン研究所は従来ブラックボックスであったニューラルネットワークの推論をどのような段階を経て識別したのかが明確に分かるアーキテクチャを開発した[146]

2019年、BERTなどの言語モデルにより、深層学習では困難とされてきた言語処理において大きな進展があり、Wikipediaなどを使用した読解テストで人間を上回るに至った[147]

2020年代前半

2020年にはOpenAIにより1750億パラメータを持つ自然言語処理プログラム英語版が開発され、アメリカの掲示板サイトRedditで1週間誰にも気付かれず人間と投稿・対話を続けた。プログラムと気付かれた理由は文章の不自然さではなく、その投稿数が異常というものだった[148]

DeepMindが開発したタンパク質の構造予測を行うAlphaFold2CASPグローバル距離テスト (GDT) で90点以上を獲得し、計算生物学における重要な成果であり、数十年前からの生物学の壮大な挑戦に向けた大きな進歩と称された[149]

OpenAIはTransformer (言語モデル) の性能がパラメータ数N・データセットサイズD・計算予算Cの単純なべき乗になっているとの論文を発表した(スケーリングの法則)。

最先端のAI研究では2年で1000倍サイズのモデルが出現し、1000倍の演算能力を持つコンピュータが必要になって来ている[150]

2021年4月、NVIDIAの幹部、パレシュ・カーリャは「数年内に100兆パラメータを持つAIモデルが出てくるだろう」と予想した[151]

2021年5月、マイクロソフトが32兆パラメーターのAIを試験[152]

2021年6月、中国政府の支援を受けている北京智源人工知能研究院がパラメーター数1兆7500億のAI「悟道2.0」を発表[153]

2021年6月、グーグルの研究者達が機械学習を用いてAI用チップを作成したところ、消費電力、性能など全ての主要な指数で人間が設計したもの以上のチップのフロアプランを生成した。そして、設計にかかる時間は人間の1/1000であった[154]

2021年8月、グーグルの量子人工知能研究部門を率いるハルトムート・ネベンは量子コンピュータの発達の影響がもっとも大きい分野として機械学習分野などAIを挙げた[155]

2021年現在、汎用人工知能は実現していないが、質問応答意思決定支援、需要予測、音声認識機械翻訳、科学技術計算、文章要約など、各分野に特化したシステムやこれらを組み合わせたフレームワークが実用化されている[156][157][6]

哲学とAI

哲学・宗教・芸術

Googleは2019年3月、人工知能プロジェクトを倫理面で指導するために哲学者・政策立案者・経済学者・テクノロジスト等で構成される、AI倫理委員会を設置すると発表した[158]。しかし倫理委員会には反科学・反マイノリティ地球温暖化懐疑論等を支持する人物も含まれており、Google社員らは解任を要請した[158]。4月4日、Googleは倫理委員会が「期待どおりに機能できないことが判明した」という理由で、委員会の解散を発表した[158]

東洋哲学をAIに吸収させるという三宅陽一郎のテーマに応じて、井口尊仁は「鳥居(TORII)」という自分のプロジェクトを挙げ、「われわれはアニミズムで、あらゆるものに的存在を見いだす文化があります」と三宅および立石従寛に語る[159]。アニミズム的人工知能論は現代アートや、「悟りをどうやってAIにやらせるか」を論じた三宅の『人工知能のための哲学塾 東洋哲学篇』にも通じている[159]

元Googleエンジニアのアンソニー゠レバンドウスキーは2017年、AIをとする宗教団体「Way of the Future (未来の道)」を創立している[160]。団体の使命は「人工知能(AI)に基づいたGodheadの実現を促進し開発すること、そしてGodheadの理解と崇拝を通して社会をより良くすることに貢献すること」と抽象的に表現されており、多くの海外メディアはSF映画歴史などと関連付けて報道した[160]UberとGoogleのWaymoは、レバンドウスキーが自動運転に関する機密情報盗用したことを訴え裁判を行っている一方、レバンドウスキーはUberの元CEO(トラビス゠カラニック)に対し「ボットひとつずつ、我々は世界を征服するんだ」と発言するなど、野心的な振る舞いを示している[160]

相愛大学人文学部教授の釈徹宗は「哲学や思想や文学と、宗教や霊性論との線引きも不明瞭になってきています。」と述べている[161]。哲学者・倫理学者である内田樹によれば、「本物の哲学者はみんな死者と幽霊と異界の話をしている。」という[162]

発明家レイ・カーツワイルが言うには、哲学者ジョン・サールが提起した強いAIと弱いAIの論争は、AIの哲学議論でホットな話題である[163]。哲学者ジョン・サールおよびダニエル・デネットによると、サールの「中国語の部屋」やネド・ブロックらの「中国脳」といった機能主義に批判的な思考実験は、真の意識が形式論理システムによって実現できないと主張している[164][165]

批判

『科学を語るとはどういうことか』において科学者の須藤靖は、科学についての哲学的考察(科学哲学)が、実際には科学と「断絶」していることを指摘している[166]。また、「」や「意識」という問題を解明してきた脳科学計算機科学(コンピュータ科学)・人工知能研究開発等に関連して、科学者のフランシス・クリックは「哲学者たちは2000年という長い間、ほとんど何も成果を残してこなかった」と批判している[167]。こうした観点において、哲学は「二流どころか三流」の学問・科学に過ぎない、と評価されている[167]。脳科学者の澤口俊之は、クリックに賛同し「これは私のため息まじりの愚痴になるが、哲学者や思想家というのはつくづく『』だと思う」と述べている[167]。実際、哲学は暇(スコレー)から始まったとアリストテレスが伝えており、上記のような否定的発言も的外れではないと、科学哲学者の野家啓一は言う[167]

哲学者は、科学とは違う日常的言語で「存在」や「宇宙」を語ろうとしてきた[168]。しかし理論物理学ディラックは、哲学者をことさら信用していなかった[169]。ディラックが見たところ、ウィトゲンシュタインを含め哲学者たちは量子力学どころか、パスカル以降の「確率」の概念さえ理解していない[170]。非科学的な日常的言語をいくら使っても、正確な意思疎通を行うことはできないというのが、ディラックの考えだとされている[169]

生命情報科学者・神経科学者の合原一幸編著『人工知能はこうして創られる』によれば、AIの急激な発展に伴って「技術的特異点、シンギュラリティ」の思想や哲学が一部で論じられているが、特異点と言っても「数学」的な話ではない[171]。前掲書は「そもそもシンギュラリティと関係した議論における『人間のを超える』という言明自体がうまく定義できていない」と記している[172]。確かに、脳を「デジタル情報処理システム」として捉える観点から見れば、シンギュラリティは起こり得るかもしれない[173]。しかし実際の脳はそのような単純なシステムではなく、デジタルアナログが融合した「ハイブリッド系」であることが、脳神経科学の観察結果で示されている[173]。前掲書によると、神経膜では様々な「ノイズ」が存在し、このノイズ付きのアナログ量によって脳内のニューロンの「カオス」が生み出されているため、このような状況をデジタルで記述することは「極めて困難」と考えられている[174]

数学者論理学者田中一之は「一般の哲学者は、論理専門家ではない」と述べており[175]、計算機科学者(コンピュータ科学者)・論理学者のトルケル゠フランセーンは、哲学者たちによる数学的な言及の多くが「ひどい誤解自由連想に基づいている」と批判している[176]。田中によると、ゲーデルの不完全性定理について哲学者が書いた本が、フランセーンの本と同じ頃に書店販売されていたが、哲学者の本は専門誌によって酷評された[175]。その本は全体として読みやすく一般読者からの評判は高かったが、ゲーデルの証明の核(不動点定理)について、根本的な勘違いをしたまま説明していた[175]。同様の間違いは他の入門書などにも見られる[175]。フランセーンによれば、不完全性定理に関する誤解・誤用は哲学をはじめ一般に起こっており[176]、宗教や神学でも乱用されている[177][178]。1931年にゲーデルが示したのは、「特定の形式体系において決定不能な命題の存在」であり、一般的な意味での「不完全性」についての定理ではない[179]

科学と哲学

『科学を語るとはどういうことか』によると、学問の扱う問題が整理され分化したことで、科学と哲学もそれぞれ異なる問題を研究するようになった[180]。これは「研究分野の細分化そのもの」であり、「立派な進歩」だと宇宙物理学者の須藤は言う[180]。一方で、科学哲学者・倫理学者の伊勢田哲治は、様々な要素を含んだ「大きな」問題を哲学的・統一的に扱う、かつての天文学について言及した[180]。「その後の天文学ではその〔哲学的〕問題を扱わなくなりましたし、今の物理学でもそういう問題を扱わない」と述べた伊勢田に対し、須藤は「その通りですが、それ自体に何か問題があるのでしょうか」と返している[180]。須藤は次のようにも述べた[166]

「科学哲学と科学の断絶」

私は、科学哲学が物理学者に対して何らかの助言をしたなどということは聞いたことがないし、おそらく科学哲学と一般の科学者はほとんど没交渉であると言って差し支えない状況なのであろう。… 科学哲学者と科学者の価値観の溝が深いことは確実だ。

20世紀が生んだ最も偉大な物理学者の一人であるリチャード・ファインマンが述べたとされる有名な言葉に「科学哲学は鳥類学者が鳥の役に立つ程度にしか科学者の役に立たない」がある。… かつて私がこの言葉を引用した講演をした際に、「鳥類学は鳥のためにやっているわけでないし、科学哲学もまた科学のために存在するのではない」という反論をもらったことがある。確かに、科学哲学が科学のためのものである必要は無い[166]
科学哲学が、この方法論が果たして正しいのであろうかと立ち止まって悩んでいる間に、科学は常に前に踏み出しています。それでいいではないですか。 科学哲学者が横からいろいろ言うけれども、科学者からは「耳を傾けるべき重要な指摘だろうか」と首を傾げることばかり(たぶん、科学哲学者の皆さんから袋叩きに遭うでしょうが)というのが、正直な印象です[181]

須藤は、哲学的に論じられている「原因」という言葉を取り上げて、「原因という言葉を具体的に定義しない限りそれ以上の議論は不可能です」[182]と述べており、「哲学者が興味を持っている因果の定義が物理学者とは違うことは確かでしょう」としている[183]。伊勢田は、「思った以上に物理学者と哲学者のものの見え方の違いというのは大きいのかもしれません」と述べている[184]

対談で須藤は「これまでけっこう長時間議論を行ってきました。おかげで、意見の違いは明らかになったとは思いますが、果たして何か決着がつくのでしょうか?」と発言し、伊勢田は「決着はつかないでしょうね」と答えている[185]

文学・フィクション・SF(空想科学)

脚注

[脚注の使い方]

注釈

  1. ^ : scruffy AI
  2. ^ : artificial intelligence
  3. ^ : chatterbot
  4. ^ 数学における最初の成功した知識ベースプログラム。
  5. ^ 新井紀子がリーダー。

出典

  1. ^ a b c 佐藤 2018, p. 「人工知能」.
  2. ^ ASCII.jp 2018, p. 「人工知能」.
  3. ^ 桃内 2017, p. 「人工知能」.
  4. ^ a b 講談社(2017)「人工知能」『IT用語がわかる辞典』、朝日新聞社・VOYAGE GROUP
  5. ^ 講談社(2017)「自然言語処理」『IT用語がわかる辞典』、朝日新聞社・VOYAGE GROUP
  6. ^ a b 「どんな文章も3行に要約するAI」デモサイト、東大松尾研発ベンチャーが公開 「正確性は人間に匹敵」” (日本語). ITmedia NEWS. 2021年9月2日閲覧。
  7. ^ 【第四回】今、最も熱いディープラーニングを体験してみよう(2ページ)”. エンタープライズ (2015年1月14日). 2015年5月30日閲覧。
  8. ^ 今度はポーカーでAIが人間を超える! その重要な意味とは?”. ギズモード (2017年2月1日). 2018年2月7日閲覧。
  9. ^ 「AI対ヒト」のポーカー対決で人工知能が再び勝利、6人を相手に5日間の戦いを制して3000万円ゲット”. GIGAZINE (2017年4月13日). 2018年2月7日閲覧。
  10. ^ 麻雀 AI Microsoft Suphx が人間のトッププレイヤーに匹敵する成績を達成” (日本語). News Center Japan (2019年8月29日). 2021年9月2日閲覧。
  11. ^ ゲーム AI の進化と歴史” (日本語). News Center Japan (2019年8月19日). 2021年9月2日閲覧。
  12. ^ 個別化時代への挑戦とCreative AIの衝撃
  13. ^ http://www.fiercebiotech.com/data-management/google-joins-brain-initiative-to-help-petabyte-scale-data-sets
  14. ^ http://news.mynavi.jp/articles/2016/08/10/isc2016_braininitiative/
  15. ^ http://news.mynavi.jp/articles/2017/09/11/hotchips29_google/001.html
  16. ^ “第13次五カ年計画、中国の技術革新計画が明らかに”. 人民網. (2016年7月28日). http://j.people.com.cn/n3/2016/0728/c95952-9092181.html 2018年2月7日閲覧。 
  17. ^ Poo, Mu-ming; Du, Jiu-lin; Ip, Nancy Y; Xiong, Zhi-Qi; Xu, Bo and Tan, Tieniu (2016), ‘China Brain Project: Basic Neuroscience, Brain Diseases, and Brain-Inspired Computing’, Neuron, 92 (3), 591-96.
  18. ^ “オール中国でAI推進”. 日本経済新聞. (2017年12月8日). https://www.nikkei.com/article/DGKKZO24371260X01C17A2FFE000/ 2018年2月7日閲覧。 
  19. ^ “中国が18歳以下の天才27人を選抜、AI兵器の開発に投入”. ニューズウィーク. (2018年11月9日). https://www.newsweekjapan.jp/stories/world/2018/11/ai-41.php 2018年11月29日閲覧。 
  20. ^ a b “中国の一党独裁、AI開発競争には有利”. ウォール・ストリート・ジャーナル. (2018年2月26日). http://jp.wsj.com/articles/SB12346302927663484593304584068193706085748 2018年3月7日閲覧。 
  21. ^ “AI開発レースで中国猛追、米企業のリード危うし”. ウォール・ストリート・ジャーナル. (2018年1月19日). http://jp.wsj.com/articles/SB10806998528272603825204583646830641781270 2018年2月7日閲覧。 
  22. ^ “中国の「超AI監視社会」--新疆ウイグル自治区では“体内”まで監視!”. 集英社. (2018年2月3日). https://wpb.shueisha.co.jp/news/technology/2018/02/03/99109/ 2018年2月7日閲覧。 
  23. ^ Green500の1位から見たコンピューター・ヘゲモニー”. 宇部興産. 2018年3月7日閲覧。
  24. ^ “中国、新疆ウイグル自治区で顔認識システム運用をテスト。指定地域から300m以上離れると当局に警告”. Engadget. (2018年1月20日). http://japanese.engadget.com/2018/01/19/300m/ 2018年2月7日閲覧。 
  25. ^ “中国が「AI超大国」になる動きは、もはや誰にも止められない”. WIRED. (2017年8月16日). https://wired.jp/2017/08/16/america-china-ai-ascension/ 2018年2月7日閲覧。 
  26. ^ “世界顔認証ベンチマークテストの結果が発表 中国がトップ5独占”. 中国網. (2018年11月24日). http://japanese.china.org.cn/culture/2018-11/24/content_74198278_0.htm 2018年12月3日閲覧。 
  27. ^ “AIの世界王者決定戦「ImageNet」で中国チームが上位を独占”. フォーブス. (2017年8月8日). https://forbesjapan.com/articles/detail/17213 2018年2月11日閲覧。 
  28. ^ “THE AI COLD WAR THAT COULD DOOM US ALL”. フォーブス. (2017年8月8日). https://www.wired.com/story/ai-cold-war-china-could-doom-us-all/ 2018年2月7日閲覧。 
  29. ^ Politico Magazine Staff (2018年9月4日). “The POLITICO 50 Reading List”. Politico. https://www.politico.com/interactives/2018/politico-50-book-picks/ 2018年10月9日閲覧。 
  30. ^ “仏マクロン大統領が「AI立国」宣言、無人自動運転も解禁へ” (日本語). Forbes JAPAN(フォーブス ジャパン). (2018年3月30日). https://forbesjapan.com/articles/detail/20401 2018年4月5日閲覧。 
  31. ^ https://www.sbbit.jp/article/cont1/35264?page=2
  32. ^ “人工知能の論文数、米中印の3強に”. 日本経済新聞. (2017年11月1日). https://www.nikkei.com/article/DGXMZO22943380R31C17A0TJU200/ 2018年2月7日閲覧。 
  33. ^ 音ゲーの“譜面”作りをAIで高速化 KLabが「スクスタ」で活用、所要時間を半分に” (日本語). ITmedia NEWS. 2021年9月1日閲覧。
  34. ^ NVIDIA Canvas: AI のパワーを活用する” (日本語). NVIDIA. 2021年7月10日閲覧。
  35. ^ 「アニメの絵を自動で描く」AIが出現――アニメーターの仕事は奪われるのか?” (日本語). ITmedia ビジネスオンライン. 2021年7月10日閲覧。
  36. ^ 漫画のカラー化、AIが肩代わり 精度100%ではなくても有用なワケ” (日本語). ITmedia NEWS. 2021年11月8日閲覧。
  37. ^ a b 渡辺二冠も王将戦で採用!対振りで最近人気のエルモ(elmo)囲いの組み方とは?【玉の囲い方 第63回】 - 日本将棋連盟 2019年3月28日配信
  38. ^ a b c https://www.itmedia.co.jp/news/articles/2010/29/news084_3.html
  39. ^ Geraci 2012, pp. 38–39.
  40. ^ Geraci 2012, pp. 1–2.
  41. ^ a b c Geraci 2012, p. 64.
  42. ^ ホーキング博士「人工知能の進化は人類の終焉を意味する」
  43. ^ 「悪魔を呼び出すようなもの」イーロン・マスク氏が語る人工知能の危険性
  44. ^ ビル・ゲイツ氏も、人工知能の脅威に懸念
  45. ^ “「深層学習の父」、中国のAI利用に警鐘”. Sankei Biz. (2019年4月1日). https://www.sankeibiz.jp/macro/news/190401/mcb1904010710001-n1.htm 2019年4月5日閲覧。 
  46. ^ “Deep Learning ‘Godfather’ Bengio Worries About China's Use of AI”. ブルームバーグ. (2019年2月2日). https://www.bloomberg.com/news/articles/2019-02-02/deep-learning-godfather-bengio-worries-about-china-s-use-of-ai 2019年4月5日閲覧。 
  47. ^ a b Freedom on the Net 2018 The Rise of Digital Authoritarianism”. フリーダム・ハウス. 2018年12月13日閲覧。
  48. ^ 人工知能とデジタル権威主義―― 民主主義は生き残れるか”. Foreign Affairs. 2019年11月10日閲覧。
  49. ^ China’s digital dictatorship”. エコノミスト (2018年7月31日). 2019年11月10日閲覧。
  50. ^ 中国「デジタル独裁」、結末は小説を超えるか”. ウォール・ストリート・ジャーナル (2018年7月31日). 2019年11月10日閲覧。
  51. ^ 中国の全人代が開幕 デジタル独裁に進む隣国”. 毎日新聞 (2018年7月31日). 2019年11月10日閲覧。
  52. ^ Does China’s digital police state have echoes in the West?”. エコノミスト (2018年6月8日). 2019年11月10日閲覧。
  53. ^ The rise of China as a digital totalitarian state”. ワシントン・ポスト (2018年2月21日). 2019年11月10日閲覧。
  54. ^ AI独裁ばらまく中国 拡販される監視システム”. 日本経済新聞 (2019年6月8日). 2019年11月12日閲覧。
  55. ^ 中国政府が労働者の脳から直接データを取り出す計画を推進中(中国)”. カラパイア (2018年5月4日). 2019年1月11日閲覧。
  56. ^ 労働者の脳波をスキャンして管理する「感情監視システム」が中国で開発されて実際に現場へ投入されている”. GIGAZINE (2018年5月11日). 2018年5月7日閲覧。
  57. ^ 中国企業、脳波ヘルメットで従業員の「感情」を監視”. MITテクノロジーレビュー (2018年5月11日). 2018年5月1日閲覧。
  58. ^ 'Forget the Facebook leak':China is mining data directly from workers' brains on an industrial scale”. サウスチャイナ・モーニング・ポスト (2018年4月29日). 2018年5月11日閲覧。
  59. ^ [FTAIが増加中、中国のネット検閲作業で]”. 日本経済新聞 (2019年11月12日). 2018年5月23日閲覧。
  60. ^ アングル:天安門事件30年で中国厳戒、「AI検閲」フル稼働”. ロイター (2019年5月30日). 2019年11月12日閲覧。
  61. ^ “Is China’s corruption-busting AI system ‘Zero Trust’ being turned off for being too efficient?”. サウスチャイナ・モーニング・ポスト. (2019年2月4日). https://www.scmp.com/news/china/science/article/2184857/chinas-corruption-busting-ai-system-zero-trust-being-turned-being 2019年11月12日閲覧。 
  62. ^ “「官僚の腐敗を検出するAIシステム」を中国で導入した結果とは?”. GIGAZINE. (2019年2月4日). https://gigazine.net/news/20190204-china-corruption-busting-ai-system/ 2019年11月12日閲覧。 
  63. ^ No escape? Chinese VIP jail puts AI monitors in every cell ‘to make prison breaks impossible’”. サウスチャイナ・モーニング・ポスト (2019年4月1日). 2019年4月11日閲覧。
  64. ^ “中国の社会スコアAIがバス広告の女性を「信号無視」判定”. ギズモード. (2018年11月30日). https://www.gizmodo.jp/2018/11/facial-recognition-flags-woman-on-bus-ad.html 2019年11月12日閲覧。 
  65. ^ “Jaywalkers under surveillance in Shenzhen soon to be punished via text messages”. サウスチャイナ・モーニング・ポスト. (2018年3月27日). https://www.scmp.com/tech/china-tech/article/2138960/jaywalkers-under-surveillance-shenzhen-soon-be-punished-text 2019年11月12日閲覧。 
  66. ^ “歩行者の信号無視を顔認証で検知、信用記録に反映 南京”. AFPBB. (2019年7月28日). https://www.afpbb.com/articles/-/3234320 2019年11月12日閲覧。 
  67. ^ 中国の警察は顔認識機能を搭載したサングラス型デバイスを導入して監視体制を強化している”. GIGAZINE (2018年2月9日). 2019年1月11日閲覧。
  68. ^ 未来の街はロボットが運営? ドバイや中国では現実に”. BBC (2018年6月15日). 2019年4月25日閲覧。
  69. ^ 以安全的名義--習近平治國“黑科技”有多少?”. ボイス・オブ・アメリカ (2019年11月11日). 2019年11月11日閲覧。
  70. ^ 焦点:中国、ブラックテクノロジー駆使して監視国家構築へ”. ロイター (2018年3月15日). 2019年11月11日閲覧。
  71. ^ 中国、ハイテク監視強化 AI活用で世論統制”. 日本経済新聞 (2019年11月6日). 2019年11月10日閲覧。
  72. ^ 中国、AIで監視強化”. 日本経済新聞 (2019年5月19日). 2019年11月10日閲覧。
  73. ^ “Exposed: China’s Operating Manuals For Mass Internment And Arrest By Algorithm”. 国際調査報道ジャーナリスト連合(ICIJ). (2019年11月24日). https://www.icij.org/investigations/china-cables/exposed-chinas-operating-manuals-for-mass-internment-and-arrest-by-algorithm/ 2019年11月26日閲覧。 
  74. ^ “大規模システムでウイグル族を監視 中国当局の内部文書判明”. 東京新聞. (2019年11月25日). https://www.tokyo-np.co.jp/article/world/list/201911/CK2019112502000118.html 2019年11月26日閲覧。 
  75. ^ “'Automated Racism': Chinese Police Are Reportedly Using AI to Identify Minority Faces”. ギズモード. (2019年4月15日). https://gizmodo.com/automated-racism-chinese-police-are-reportedly-using-a-1834054068 2019年4月16日閲覧。 
  76. ^ “One Month, 500,000 Face Scans: How China Is Using A.I. to Profile a Minority”. ニューヨーク・タイムズ. (2019年4月14日). https://www.nytimes.com/2019/04/14/technology/china-surveillance-artificial-intelligence-racial-profiling.html 2019年12月10日閲覧。 
  77. ^ “Secret documents: China detention camps to 'prevent escapes'”. 毎日新聞. (2019年11月25日). https://mainichi.jp/english/articles/20191125/p2g/00m/0in/039000c 2019年11月25日閲覧。 
  78. ^ “監視社会恐れる香港市民、中国本土化を懸念-警察は顔認識AI活用”. ブルームバーグ. (2019年10月24日). https://www.bloomberg.co.jp/news/articles/2019-10-24/PZTF9HT0AFBB01 2019年11月11日閲覧。 
  79. ^ 中国式監視vs若者の知恵 香港デモ、サイバー領域でも”. 日本経済新聞 (2019年6月26日). 2019年6月5日閲覧。
  80. ^ 香港デモ、参加者の新たな標的は監視カメラを搭載した「スマート街灯」”. ビジネスインサイダー (2019年8月28日). 2019年11月12日閲覧。
  81. ^ 中国が世界54カ国にAI監視技術を輸出”. ニューズウィーク (2019年4月24日). 2019年4月26日閲覧。
  82. ^ China Is Taking Its AI Around The World. This Should Scare The US”. Medium (2018年8月14日). 2018年10月26日閲覧。
  83. ^ 中国で実用化進む「顔認識AI」が世界に拡散 大幅な効率化も”. フォーブス (2017年12月2日). 2018年10月26日閲覧。
  84. ^ China exports its high-tech authoritarianism to Venezuela. It must be stopped.”. ワシントン・ポスト (2018年12月5日). 2018年12月13日閲覧。
  85. ^ How China’s AI Technology Exports Are Seeding Surveillance Societies Globally”. THhe Diplomat (2018年10月18日). 2018年10月26日閲覧。
  86. ^ Chinese tech groups shaping UN facial recognition standards”. ファイナンシャル・タイムズ (2019年12月2日). 2019年12月10日閲覧。
  87. ^ 中国が「AIの標準化」に拍車 国際標準の提案も”. フォーブス (2019年12月5日). 2019年12月10日閲覧。
  88. ^ AIがあなたの信用度を判断、日本にも 中国では14億人を格付けへ”. 朝日新聞グローブ. 2019年12月1日閲覧。
  89. ^ “中国で加速する「下流層」AI判定の恐怖”. プレジデント・オンライン. (2016年7月28日). https://president.jp/articles/-/24771 2019年2月22日閲覧。 
  90. ^ “「Amazonの顔認証ソフトの差別性」を巡りAmazonとMITの研究者が対立する”. GIGAZINE. (2019年4月15日). https://gigazine.net/news/20190415-amazon-rekognition-mit-researcher/ 2019年4月16日閲覧。 
  91. ^ 【速報】ボストンダイナミクスが四足歩行ロボット「Spot」の新機能と活用事例を発表 自律移動/遠隔操作/運用管理/アームを強化 | ロボスタ - ロボット情報WEBマガジン” (日本語). ロボスタ. 2021年7月10日閲覧。
  92. ^ a b https://wired.jp/2021/05/02/new-york-returns-police-robodog-after-public-outcry/
  93. ^ "Lethal Robotic Technologies: The Implications for Human Rights and International Humanitarian Law" Philip Alston, Journal of Law, Information and Science, 2012
  94. ^ “ガザ地区境界線に広がる、イスラエルの「自動殺傷ゾーン」”. WIRED. (2008年12月8日). https://wired.jp/2008/12/08/ガザ地区境界線に広がる、イスラエルの「自動殺傷ゾーン」/ 2019年4月16日閲覧。 
  95. ^ a b Artificial Intelligence and Chinese Powerフォーリン・アフェアーズ 2017年12月5日)
  96. ^ Raspberry PiによるAIプログラム、軍用フライトシミュレーターを使った模擬格闘戦で人間のパイロットに勝利”. Business newsline. 2016年9月19日閲覧。
  97. ^ 〝トップ・ガン〟がAIに惨敗 摸擬空戦で一方的に撃墜 「子供用パソコンがハード」に二重のショック”. 産経WEST. 2016年9月19日閲覧。
  98. ^ [1]
  99. ^ cnn.co.jp - 人工知能の軍事利用に警鐘、E・マスク氏ら著名人が公開書簡 2015.07.30 Thu posted at 11:51 JST
  100. ^ “殺人ロボット兵器、規制めぐる議論継続へ 国連、初の専門家会議終了”. 産経ニュース. (2017年11月18日). https://www.sankei.com/world/news/171118/wor1711180027-n1.html 2019年4月16日閲覧。 
  101. ^ “「AI兵器」国際ルール合意も法的拘束力なく懸念”. NHK. (2019年8月22日). https://www3.nhk.or.jp/news/html/20190822/k10012044131000.html 2019年8月22日閲覧。 
  102. ^ 核に代わる「人工知能の軍事利用」、米中露3国の開発レースの現状”. WIRED (2017年9月19日). 2018年2月7日閲覧。
  103. ^ AI兵器開発、米中が火花 静まりかえった北米攻撃CG”. 朝日新聞 (2018年12月28日). 2019年2月22日閲覧。
  104. ^ 攻撃・偵察に…中国軍が無人艇開発 56隻で「群れ」世界最大の実験”. ZAKZAK (2018年6月18日). 2019年3月5日閲覧。
  105. ^ 米軍制服組トップ、グーグルに懸念「中国軍に恩恵」”. 日本経済新聞 (2019年3月15日). 2019年4月16日閲覧。
  106. ^ Googleは米国でなく中国の軍事力を助けている-トランプ大統領が批判”. 日本経済新聞 (2019年3月18日). 2019年4月16日閲覧。
  107. ^ (The Economist)対中ビジネスが問う米企業の正義”. 日本経済新聞 (2019年4月9日). 2019年4月16日閲覧。
  108. ^ GoogleのAIを軍事活用する極秘計画「Project Maven」の関係者による生々しい内部メールが流出”. Gigazine (2018年6月2日). 2019年4月16日閲覧。
  109. ^ 2018年テック界の嘘ワースト8”. ギズモード (2018年12月30日). 2019年4月16日閲覧。
  110. ^ Google denies link to China’s military over touch-screen tools that may help PLA pilots”. (2019年7月4日). 2019年7月5日閲覧。
  111. ^ [FTマイクロソフト、AI研究で中国軍部と協力]”. 日本経済新聞 (2019年4月16日). 2019年4月11日閲覧。
  112. ^ SecDef: China Is Exporting Killer Robots to the Mideast”. Defense One (2019年11月10日). 2019年11月5日閲覧。
  113. ^ 「AIハッカー」の脅威、中国すでに実用化か”. 産経ニュース (2019年1月28日). 2019年1月17日閲覧。
  114. ^ 人工知能はもう悪用される段階に 専門家警告”. BBCニュース (2018年2月21日). 2018年3月3日閲覧。
  115. ^ 湯田昌之 (2016年5月27日). “賃上げならロボ導入? 米マクドナルド「時給15ドルの戦い」” (日本語). 日本経済新聞. https://www.nikkei.com/article/DGXLASDZ27H3C_X20C16A5000000/ 2019年9月30日閲覧。 
  116. ^ Michael A. Osborne; Carl Benedikt Frey (2013-09-13) (英語). THE FUTURE OF EMPLOYMENT: HOW SUSCEPTIBLE ARE JOBS TO COMPUTERISATION?(未来の雇用:コンピュータ化により、どのように仕事へ影響を与えるのか。). Oxford Martin Programme on Technology and Employment(オックスフォード・マーティンのテクノロジーと雇用に関するプログラム). pp. 70. https://www.oxfordmartin.ox.ac.uk/publications/the-future-of-employment/ 2019年10月6日閲覧。. 
  117. ^ 上田 恵陶奈 (2017-12-05) (PDF). AIと共存する未来~AI時代の人材~ (Report). 株式会社野村総合研究所. https://www.mhlw.go.jp/file/05-Shingikai-12602000-Seisakutoukatsukan-Sanjikanshitsu_Roudouseisakutantou/0000186905.pdf 2020年8月30日閲覧。. 
  118. ^ 総務省 (2018-07). 2018年版情報通信白書 第1部 特集 人口減少時代のICTによる持続的成長 第5節 ICTの進化によるこれからのしごと(1)職業の変化 (Report). https://www.soumu.go.jp/johotsusintokei/whitepaper/ja/h30/html/nd145210.html 2020年6月5日閲覧。. 
  119. ^ 岩本 晃一; 田上 悠太 (2018-05). “人工知能AI等が雇用に与える影響;日本の実態” (日本語). ポリシー・ディスカッション・ペーパー(日本語) (経済産業研究所) 18-P-009: 1-17. https://www.rieti.go.jp/jp/publications/summary/18050004.html 2020年6月5日閲覧。. 
  120. ^ Melanie Arntzi; Terry Gregoryi; Ulrich Zierahni (2016-5-14). “The Risk of Automation for Jobs in OECD Countries(OECD諸国での自動化による雇用リスク)” (英語). OECD Social, Employment and Migration Working Papers(OECD 社会・雇用・移住のワーキングペーパー) (OECD) 189: 1-34. doi:10.1787/1815199X. ISSN 1815199X. https://www.oecd-ilibrary.org/social-issues-migration-health/the-risk-of-automation-for-jobs-in-oecd-countries_5jlz9h56dvq7-en 2020年6月5日閲覧。. 
  121. ^ 人間VSコンピュータオセロ 衝撃の6戦全敗から20年、元世界チャンピオン村上健さんに聞いた「負けた後に見えてきたもの」”. ITmedia (2017年10月21日). 2018年12月25日閲覧。
  122. ^ a b 元秀, 馬野、勲, 林「ファジィ・ニューラルネットワークの現状と展望(<特集>ファジィ・ニューラルネットワーク)」『日本ファジィ学会誌』第5巻第2号、1993年4月15日、 178–190、 doi:10.3156/jfuzzy.5.2_178ISSN 0915-647X
  123. ^ 仙台市地下鉄の鉄道トータルシステム”. 日立製作所. 2020年11月23日閲覧。
  124. ^ a b 松下電器から生まれたファジィ家電,ニューロファジィ家電”. 関西大学. 2019年5月12日閲覧。
  125. ^ ファジィ全自動洗濯機 (松下電器産業) | 日本知能情報ファジィ学会”. www.j-soft.org. 2019年5月2日閲覧。
  126. ^ ニューロ・ファジィ掃除機 (日立製作所) | 日本知能情報ファジィ学会”. www.j-soft.org. 2019年5月5日閲覧。
  127. ^ ガスルームエアコン SN-A4541U-D SN-A4541RF-D 取扱説明書”. 東京ガス. 2019年5月3日閲覧。
  128. ^ 光幸, 木内、信二, 近藤「全自動洗濯機「愛妻号Dayファジィ」(NA-F 50 Y 5)の紹介」『日本ファジィ学会誌』第2巻第3号、1990年8月15日、 384–386、 doi:10.3156/jfuzzy.2.3_384ISSN 0915-647X
  129. ^ 薫, 廣田「ファジィ家電,どこがファジィか」『電氣學會雜誌』第111巻第5号、1991年5月20日、 417–420、 doi:10.11526/ieejjournal1888.111.417ISSN 0020-2878
  130. ^ 貞夫, 秋下「特集「ニューロおよびファジィのロボットへの応用について」」『日本ロボット学会誌』第9巻第2号、1991年4月15日、 203–203、 doi:10.7210/jrsj.9.203ISSN 0289-1824
  131. ^ そういえば、ファジーなんて言葉があったよね” (日本語). 2019年5月2日閲覧。
  132. ^ 亨, 山口「ニューロ・ファジィ制御とネットワークインテリジェンス」『計測と制御』第42巻第4号、2003年4月10日、 321–323、 doi:10.11499/sicejl1962.42.321ISSN 0453-4662
  133. ^ 人工知能がクイズ王に挑戦! 後編 いよいよ決戦 - NHKオンライン
  134. ^ 人工知能が東大模試挑戦「私大合格の水準」:日本経済新聞、閲覧2017年7月28日
  135. ^ 平成28年版 情報通信白書 第4章 第2節~4節 平成28年版 情報通信白書(PDF版)”. 総務省. 2016年9月6日閲覧。
  136. ^ http://ascii.jp/elem/000/001/249/1249977/
  137. ^ https://www.technologyreview.jp/s/12759/machines-can-now-recognize-something-after-seeing-it-once/
  138. ^ http://gigazine.net/news/20170616-deepmind-general-ai/
  139. ^ https://www.nikkan.co.jp/articles/view/00439317
  140. ^ ついに6人対戦のポーカーでAIがプロのポーカープレイヤーを打ち負かす” (日本語). GIGAZINE. 2021年2月22日閲覧。
  141. ^ Active, 日経クロステック. “グーグルが狙う「万能AI」、100万の役割を担えるモデルの驚くべき開発方法” (日本語). 日経クロステック Active. 2021年2月22日閲覧。
  142. ^ http://wba-initiative.org/1653/
  143. ^ Hinton, Geoffrey E.; Frosst, Nicholas; Sabour, Sara (2017-10-26) (英語). Dynamic Routing Between Capsules. https://arxiv.org/abs/1710.09829v2. 
  144. ^ 「課題解決型」のAIが日本社会を変える――国際大学GLOCOMがAI活用実態の調査結果を発表”. @IT (2018年3月19日). 2018年3月24日閲覧。
  145. ^ https://thenextweb.com/artificial-intelligence/2018/08/23/researchers-gave-ai-curiosity-and-it-played-video-games-all-day/
  146. ^ https://news.mit.edu/2018/mit-lincoln-laboratory-ai-system-solves-problems-through-human-reasoning-0911
  147. ^ xTECH(クロステック), 日経. “文章読解でもAIがついに人間超え、グーグルの「BERT」発表から1年で急成長” (日本語). 日経 xTECH(クロステック). 2019年11月15日閲覧。
  148. ^ https://gigazine.net/news/20201008-gpt-3-reddit/
  149. ^ Robert F. Service, ‘The game has changed.’ AI triumphs at solving protein structures, Science, 30 November 2020
  150. ^ Cerebras、GPT-3を1日で学習できるAIスパコンを発表 - Hot Chips 33” (日本語). TECH+ (2021年9月14日). 2021年11月8日閲覧。
  151. ^ エヌビディアがCPU参入 アームと組みAI計算10倍速く” (日本語). 日本経済新聞 (2021年4月13日). 2021年4月13日閲覧。
  152. ^ MicrosoftのZeRO-Infinity Libraryで32兆個のパラメーターのAIモデルをトレーニング” (日本語). InfoQ. 2021年11月8日閲覧。
  153. ^ 中国の研究チームが新たなAI「悟道2.0」を発表、パラメーター数は1兆7500億でGoogleとOpenAIのモデルを上回る” (日本語). GIGAZINE. 2021年11月8日閲覧。
  154. ^ 計算機科学:人工知能がコンピューターチップの設計をスピードアップ | Nature | Nature Portfolio” (日本語). www.natureasia.com. 2021年7月10日閲覧。
  155. ^ Google幹部、AIの人知超え「前倒しも」 量子計算機で” (日本語). 日本経済新聞 (2021年8月24日). 2021年11月8日閲覧。
  156. ^ 株式会社インプレス (2021年4月14日). “NVIDIA ジェンスン・フアンCEO、対話型AIサービス「Jarvis」で「じゃんがらラーメン」を探すデモ” (日本語). Car Watch. 2021年4月15日閲覧。
  157. ^ 株式会社インプレス (2021年4月27日). “Adobe Premiere Pro、音声からの文字起こし進化中。テンプレ拡充” (日本語). AV Watch. 2021年4月29日閲覧。
  158. ^ a b c Will Knight 2019.
  159. ^ a b 高橋ミレイ 2019, p. 後編.
  160. ^ a b c 塚本紺 2017, p. 2017年10月5日 20時0分.
  161. ^ 内田樹・釈徹宗(2013)『現代霊性論』 (講談社文庫)、講談社、178ページ
  162. ^ 内田樹・釈徹宗(2013)『現代霊性論』 (講談社文庫)、講談社、155ページ
  163. ^ Kurzweil, Singularity (2005) p. 260
  164. ^ Searle, John (1980), "Minds, Brains and Programs", Behavioral and Brain Sciences, 3 (3): 417–457, doi:10.1017/S0140525X00005756,
  165. ^ Daniel Dennett (1991). "Chapter 14. Consciousness Imagined". Consciousness Explained. Back Bay Books. pp. 431–455.
  166. ^ a b c 須藤靖・伊勢田哲治(2013)『科学を語るとはどういうことか --- 科学者、哲学者にモノ申す』河出書房新社、14~15ページ。
  167. ^ a b c d 野家 2002, p. 34.
  168. ^ 全 2014, p. 178.
  169. ^ a b 全 2014, pp. 177–178.
  170. ^ 全 2014, p. 177.
  171. ^ 合原 et al. 2017, p. 34.
  172. ^ 合原 et al. 2017, p. 38.
  173. ^ a b 合原 et al. 2017, p. 42.
  174. ^ 合原 et al. 2017, pp. 46–47.
  175. ^ a b c d フランセーン 2011, p. 233.
  176. ^ a b フランセーン 2011, p. 4.
  177. ^ フランセーン 2011, p. 7.
  178. ^ フランセーン 2011, p. 126.
  179. ^ フランセーン 2011, p. 230.
  180. ^ a b c d 須藤靖・伊勢田哲治(2013)『科学を語るとはどういうことか --- 科学者、哲学者にモノ申す』河出書房新社、57-58ページ。
  181. ^ 須藤靖・伊勢田哲治(2013)『科学を語るとはどういうことか --- 科学者、哲学者にモノ申す』河出書房新社、260ページ。
  182. ^ 須藤靖・伊勢田哲治(2013)『科学を語るとはどういうことか --- 科学者、哲学者にモノ申す』河出書房新社、124~125ページ。
  183. ^ 須藤靖・伊勢田哲治(2013)『科学を語るとはどういうことか --- 科学者、哲学者にモノ申す』河出書房新社、141ページ。
  184. ^ 須藤靖・伊勢田哲治(2013)『科学を語るとはどういうことか --- 科学者、哲学者にモノ申す』河出書房新社、262ページ。
  185. ^ 須藤靖・伊勢田哲治(2013)『科学を語るとはどういうことか --- 科学者、哲学者にモノ申す』河出書房新社、284ページ。

参考文献

学術書・辞事典

  • 人工知能」『日本大百科全書(ニッポニカ)』小学館朝日新聞社VOYAGE GROUP、2018年。2018年8月16日閲覧。「人工知能は、「計算(computation)」という概念と「コンピュータ(computer)」という道具を用いて「知能」を研究する計算機科学(computer science)の一分野である。誤解を恐れず平易にいいかえるならば、「これまで人間にしかできなかった知的な行為(認識、推論、言語運用、創造など)を、どのような手順(アルゴリズム)とどのようなデータ(事前情報や知識)を準備すれば、それを機械的に実行できるか」を研究する分野である。」
  • 仙石, 正和「基礎研究を続ける大切さ(創立100周年記念特集「基礎・境界」が支えた100 年, これからの100年 ―― 未来 100 年を担うあなたへ贈る言葉)」『電子情報通信学会誌(The journal of the Institute of Electronics, Information and Communication Engineers)』第100巻第6号、電子情報通信学会、2017年、 431-439頁。
  • 全, 卓樹『エキゾティックな量子:不可思議だけど意外に近しい量子のお話』東京大学出版会、2014年。ISBN 978-4130636070
  • 野家, 啓一「科学時代の哲学:哲学は「二流の科学」か?」『哲学の探求』第29巻、哲学若手研究者フォーラム、2002年、 31-42頁。
  • フランセーン, トルケル『ゲーデルの定理:利用と誤用の不完全ガイド』田中一之訳、みすず書房、2011年。ISBN 978-4622075691
  • 桃内, 佳雄人工知能」『日本大百科全書(ニッポニカ)』小学館・朝日新聞社・VOYAGE GROUP、2017年。2017年12月31日閲覧。「計算機(コンピュータ)による知的な情報処理システムの設計や実現に関する研究分野」
  • ASCII.jp人工知能」『ASCII.jpデジタル用語辞典』ASCII.jp・朝日新聞社・VOYAGE GROUP、2018年。2018年8月16日閲覧。「言語の理解や推論、問題解決などの知的行動を人間に代わってコンピューターに行わせる技術。」
  • Geraci, Robert M. (2012). Apocalyptic AI: Visions of Heaven in Robotics, Artificial Intelligence, and Virtual Reality (reprinted ed.). Oxford University Press. ISBN 9780199964000 

報道

関連項目

教育研究・研究開発

研究開発・応用科学

開発事例・応用事例

研究課題

関連分野

AIに関する哲学的項目

外部リンク

機械学習

機械学習(きかいがくしゅう、: machine learning)とは、経験からの学習により自動で改善するコンピューターアルゴリズムもしくはその研究領域で[1][2]人工知能の一種であるとみなされている。「訓練データ」もしくは「学習データ」と呼ばれるデータを使って学習し、学習結果を使って何らかのタスクをこなす。例えば過去のスパムメールを訓練データとして用いて学習し、スパムフィルタリングというタスクをこなす、といった事が可能となる。

機械学習は以下の分野と密接に関係する:

機械学習という名前は1959年にアーサー・サミュエルによって造語された[5]

概要

定義

論者により定義が異なるものの、トム・M・ミッチェルによる下記の簡潔な定義は広く引用されている:

A computer program is said to learn from experience E with respect to some class of tasks T and performance measure P, if its performance at tasks in T, as measured by P, improves with experience E[6]
コンピュータプログラムがタスクのクラスTと性能指標Pに関し経験Eから学習するとは、T内のタスクのPで測った性能が経験Eにより改善される事を言う。 — 英語版

ここでタスクとは、プログラムが解くべき課題を指し、例えば売上予測タスクであれば「明日の売上を予測せよ」といったタスクである。

経験はなんらかのデータとしてプログラムに与えられる。このデータを訓練データもしくは学習データといい、売上予測タスクであれば例えば「過去の経験」である今日までの売上が訓練データとして与えられる。訓練データを使ってプログラムの性能を改善する過程を、「プログラムを訓練する」もしくは「プログラムを学習させる」という。またプログラムの訓練に用いられるデータ全体の集合を(訓練もしくは学習)データセットデータ集合とも)という。

最後に性能指標は、プログラムがタスクをどの程度の性能で達成したかを測る指標で、前述の売上予測タスクであれば、例えば実際の売上との誤差を性能指標として用いる事ができる。

変数の種類

機械学習では、データxが連続量であるとき、x量的変数(quantitative variable)といい、「イヌ」、「ネコ」といった分類カテゴリのように物の種類を表す変数を質的変数(qualitative variable)という[7][8]。質的変数はカテゴリ型変数(categorical variable)、因子(factor)とも呼ばれる[8]

量的変数、質的変数以外にも「大」「中」「小」のように順序づけられた離散値を取る順序付きカテゴリ型変数(ordered categorical variable)もある[8]。また自然言語のように質的変数とは違い連続量ではなく、カテゴリ型変数と違い有限個のカテゴリに値を取るわけではないものも機械学習では取り扱う。

機械学習タスクの種類

機械学習のタスクは、以下の代表的な3種類のカテゴリーに分けられる。ただしこれらの3つで機械学習で扱う全てのタスクをカバーしているわけではないし、複数のカテゴリーに属するタスクや、どのカテゴリーに属するのか曖昧なタスクもある。

教師あり学習
入力とそれに対応すべき出力[注 2] を写像する関数を生成する。例えば、分類問題では入力ベクトルと出力に対応する分類で示される例を与えられ、それらを写像する関数を近似的に求める。
教師なし学習
入力のみ(ラベルなしの例)からモデルを構築する。データマイニングも参照。
強化学習
周囲の環境を観測することでどう行動すべきかを学習する。行動によって必ず環境に影響を及ぼし、環境から報酬という形でフィードバックを得ることで学習アルゴリズムのガイドとする。例えばQ学習がある。

教師あり学習

概要

教師あり学習supervised learning)では、未知の確率分布を対象にする。実応用上は何らかの意味でx入力y出力とみなせる事が多く、例えばyxに未知の関数Fを施した値F(x)に小さなノイズが載ったものである。アルゴリズムには、に従うxyの組が訓練データとして与えられる。アルゴリズムが解くべきタスクは訓練データに属していない(かもしれない)データxに対し、条件付き確率分布ないしそこから決まる値(たとえばの期待値)をよく近似することである[9]。近似の精度は事前に定められた損失関数という関数を使って評価する。したがって損失関数の値の期待値を小さくする事が、教師あり機械学習の目標であると言える。

前述した機械学習の定義に沿って言えば、教師あり機械学習は以下のような機械学習であるといえる:

タスク経験性能指標
ないしそこから決まる値をよく近似する事訓練データ損失関数の期待値

教師あり学習では事前知識であるから、未知のxに対応するyの分布を当てる事が求められる。このため、アルゴリズムが未知のxから(ないしそこから決まる値)を求める操作を汎化もしくは推論inference)と呼ぶ。タスクによっては「予測」「判断」「認識」等と呼ばれる事もある。

アルゴリズムは未知のデータxからxに対応するyの分布の情報を推測する必要があるが、この推論の為に事前知識として与えられる訓練データにはxiから推論しなければならないyiが「解答」としてついている。「教師あり学習」という名称は、このように既知の「問題」xiに対する「解答」yiを「教師」が教えてくれるというセッティングで「生徒」であるアルゴリズムが未知の「問題」xに対応する「解答」yを推論する事から名付けられたものである。同様の理由により、教師あり学習では訓練データの事を教師データとも呼ぶ。

訓練フェーズと汎化フェーズ

多くの教師あり機械学習のモデルでは、実際の汎化を行う前に訓練もしくは学習と呼ばれる作業が発生し、機械学習のモデルは「訓練アルゴリズム」と「汎化アルゴリズム」のペアとして捉える事ができる。訓練アルゴリズムは訓練データを入力として受け取り、パラメータと呼ばれる値θを出力する。パラメータは直観的には訓練データから有用な情報を引き出した「学習結果」であり、汎化の際にはこの「学習結果」であるθを使って汎化を行う。すなわち、汎化アルゴリズムは入力xの他にパラメータθをも入力として受け取り、(ないしそこから決まる値)を求める。

変数の名称

教師あり機械学習において、変数x説明変数(explanation variable)、y目的変数目標変数(target variable)、もしくは標的(target)と呼ぶ[7]。これらは別の名称で呼ばれる事も多く、x予測変数(predictor)、y応答変数response variable)と呼んだり[8]x独立変数(independent variable)、y従属変数(dependent variable)と呼んだりする事もある[8]。またタスクによってはこれら以外の名称で呼ばれる事もある。

回帰と分類

教師あり学習に属する代表的なタスクとして回帰と分類がある。教師あり学習において、目的変数yが量的変数である場合を回帰(regression)、有限集合に値を取るカテゴリ型変数のである場合を分類(classification)もしくは判別と呼ぶ[8][10]

回帰

回帰の目標は入力xが与えられたとき、に関する情報を予想する事である。典型的には

のようにyが未知の関数Fの像F(x)にランダムなノイズεを加えたデータであるケースにおいて、入力xからyの可能な限り正確な予想値を出力する事が求められる。なお回帰で扱う目的変数yは連続量であり、典型的には実数を複数並べた数値ベクトルである。

他の教師あり機械学習アルゴリズムと同様、回帰アルゴリズムはに従って選ばれた訓練データの集合をとして受け取る事ができ、これらの訓練データをヒントにして入力xに対応するyの予想値

を出力する。予想の正確さは損失関数によって測られる。回帰では損失関数としては自乗誤差損失

を用いる事が多い。

回帰の目標は、汎化誤差予測誤差予測損失とも)

を小さく抑える事である。ここでは汎化アルゴリズムの出力であり、E[・]は期待値を表す。

分類

分類タスクでは、事前に定められた有限個のクラスが定められていて、各クラスには、「ネコ」、「イヌ」などのクラスラベル(もしくは単にラベル)と呼ばれるクラス名が割り振られている。分類タスクの目的は与えられた入力xがのいずれに属するかを当てる事である。

分類タスクを解くアルゴリズムには大まかに「決定論的アプローチ」と「確率論的アプローチ」の2種類があり[11]、前者は分類タスクでは入力xが与えられたとき、xが属すると思われるクラスラベルを出力するというものであり、損失関数としては典型的には0-1損失

を使う[12]

一方、後者はクラスラベルを直接出力するのではなく、確信度confidence scoreを出力するというものである。ここでxj番目のクラスに属しているとどの程度確信しているかを表す尺度であり、を満たす。

確信度を出力させる分類タスクでは、訓練データyiも確信度と整合性が取れるように符号化する。すなわち、xij番目のクラスに属している場合、とする。ここでejj番目の成分が1でそれ以外の成分が0のベクトルである(このように1つの成分だけが1でそれ以外は0となるベクトルをone-hotベクトルとい、one-hotベクトルによりデータを表現する事をone-hot表現[13] という)。損失関数としては典型的には交差エントロピー

を使う[12]

回帰と分類の関係性

確信度を使った分類タスクに対するアルゴリズムを設計する典型的な手法は、回帰タスクのアルゴリズムを流用するというものである。すなわちクラスをone-hotベクトルで符号化した訓練データを使って回帰タスクのアルゴリズムを訓練し、訓練結果のアルゴリズムを分類タスクに利用するという手法である。ただし、回帰タスク出力は、分類タスクの出力である確信度と違い、という条件を満たさないという問題が起こる。そこで一旦英語版

をかける事でこの問題を解決する。

逆に確信度を使った分類タスクを回帰タスクに流用する事もでき、この場合は上と同様の理由でソフトマックス変換の逆変換をかける必要がある。

バイアスと分散のトレードオフ

回帰では、入力xに対応するyの予測値を出力する事を求められ、yの期待値に近いことが望ましく、しかものばらつきは小さい方が望ましい。しかし下記に示すようにこの2つの要件はトレードオフの関係にある[14]

定理 (バイアスと分散のトレードオフ) ― p(x,y)上の確率分布とし、D上の何らかの確率分布に従って選ばれた訓練データの集合とし[注 3]を回帰アルゴリズムとし、Dによってこの回帰アルゴリズムを訓練して得られた関数をとし、誤差関数を自乗誤差

により定義し、さらにDとは独立に選び、

とする。

このとき、予測誤差の訓練データ集合Dに関する期待値(期待予測誤差[15]

は以下を満たす:

ここで、

上では回帰の場合について述べたが、確信度を出力する分類でも同様である。

ベイズ規則

Lp(x,y)をそれぞれ回帰や分類といった教師あり学習のタスクに対する損失関数、データ分布とし、関数Fに関する予測損失をと書き表す。このとき、予測損失の下限

を損失関数Lのもとでのベイズ誤差(Bayes error)と呼び、下限を達成するFベイズ規則(Bayes rule)という[16]。ここで可測関数全体の集合における下限である。

ベイズ規則は理論上の最良の予測関数であるが、実際には確率分布p(x,y)が未知なので、p(x,y)に関する予測損失を計算できず、ベイズ規則を求める事ができない。このため教師あり学習では既知のデータから可能な限りベイズ規則に近い値を出力するアルゴリズムを探索する事が求められる。

回帰

自乗損失を損失関数として選んだ場合、次の定理が成り立つ[17]

定理 (自乗損失に関する回帰のベイズ規則) ― p(x,y)上の確率分布とし、

とする。このとき、汎化誤差を最小にするは、

である。ここでEp(x,y)から定まる条件付き確率分布からランダムにyを選んだときの期待値である。

関数回帰関数と呼ぶ事もある[17]

分類

(確信度ではなくクラスを直接出力するタイプの)分類タスクにおいて、0-1損失関するベイズ規則は以下のようになる:

教師なし学習

教師なし学習unsupervised learning)では、教師あり学習と違い、目的変数yに相当するものがそもそも存在しないか、あっても知る事ができない。

教師なし機械学習では、未知の確率分布に従う変数が訓練データとしてアルゴリズムに与えられる。アルゴリズムが解くべきタスクは、確率分布やその重要な性質を何らかの形で学習し、の特性を直接推定する事である[9][18]。教師あり学習と違い、明確な「正解」yが存在しないので、教師なし学習では出力の妥当性を直接評価する評価尺度は存在せず[18]、妥当か否かの判断は主観的なものになり[18]、ヒューリスティックな議論が必要となる[18]

教師なし学習の興味の一つは確率密度関数それ自身を推定する密度推定のタスクであり、カーネル密度推定など統計学で様々なノンパラメトリック密度推定の手法が知られている[18]。しかしxの次元が高い場合は次元の呪いが原因でこうした推定はうまくいかず[18]、それゆえ多くの教師なし学習では、の何らかのパラメトリックなモデルでを近似することを試みたり、訓練データからの何らかの重要な性質を抽出するといったアプローチが取られる。

具体的な例として以下のようなものがある。

強化学習

強化学習(きょうかがくしゅう、: reinforcement learning)とは、ある環境内におけるエージェントが、現在の状態を観測し、取るべき行動を決定する問題を扱う機械学習の一種。エージェントは行動を選択することで環境から報酬を得る。強化学習は一連の行動を通じて報酬が最も多く得られるような方策(policy)を学習する。環境はマルコフ決定過程として定式化される。代表的な手法としてTD学習Q学習が知られている。

  • 強化学習とは、試行錯誤を通じて「価値を最大化するような行動」を学習する 手法
  • あらかじめ正しい答えが分かっていなくても(=教師データが存在しない) 学習が可能
  • 対戦ゲームやロボットなどでの応用例が多い
  • 深層学習を用いた強化学習のことを深層強化学習(deep reinforcement learning)という
  • 強化学習という名前は、Skinner博士の 提唱した脳の学習メカニズムである オペラント学習に由来する
  • Skinner博士は、スキナー箱と呼ばれる ラット実験によって、「特定の動作に 対して報酬を与えると、その動作が 強化される」ことを発見し、これを オペラント学習と呼んだ (1940年頃)

その他の機械学習

例えば以下のものがある

英語版
ラベルありの例とラベルなしの例をどちらも扱えるようにしたもので、それによって近似関数または分類器を生成する。
英語版(トランスダクティブ推論)
観測された具体的な(訓練)例から具体的かつ固定の(テスト)例の新たな出力を予測しようとする。
英語版
関連する複数の問題について同時に学習させ、主要な問題の予測精度を向上させる。

能動学習アルゴリズムは、予算に基づいて限られた入力のセットに対して所望の出力(訓練ラベル)にアクセスし、訓練ラベルを取得する入力の選択を最適化する。インタラクティブに使用される場合、これらはラベリングのために人間のユーザーに提示することができる。強化学習アルゴリズムは、動的な環境で正または負の強化の形でフィードバックを与えられ、自動運転車や人間の対戦相手とゲームをするための学習に使用される[19]。機械学習における他の専門的なアルゴリズムには、コンピュータプログラムに自然言語文書のセットを与え、類似したトピックをカバーする他の文書を見つけるトピックモデリングがある。機械学習アルゴリズムは、密度推定問題において、観測不可能な確率密度関数を求めるために使用することができる。メタ学習アルゴリズムは、過去の経験に基づいて独自の帰納的バイアスを学習する。発達ロボティクスでは、ロボット学習アルゴリズムは、カリキュラムとも呼ばれる学習経験のシーケンスを独自に生成し、自己誘導型の探索や人間との社会的相互作用を通じて、新しいスキルを累積的に獲得する。これらのロボットは、能動的学習、成熟、運動相乗効果、模倣などの誘導メカニズムを使用する

人間との相互作用

機械学習システムによっては、人間の直観によるデータ解析の必要性を排除しようとしているが、人間と機械の協調的相互作用を取り入れたものもある。しかし、そもそもシステムのデータ表現方法やデータの特徴を探る機構は、人間が設計したものであり、人間の直観を完全に排除することはできない。

データマイニングとの関係

機械学習とデータマイニングは交差する部分が大きく、技法も同じなので混同されることが多いが、次のように定義できる。

  • 機械学習の目的は、訓練データから学んだ「既知」の特徴に基づく予測である。
  • データマイニングの目的は、それまで「未知」だったデータの特徴を発見することである。

この2つは、さまざまな面でオーバーラップしている。データマイニングは、機械学習の技法を使うが、その目的は若干異なることが多い。一方、機械学習もデータマイニングの技法を「教師なし学習」として、あるいは学習者の正確性を向上させる前処理として用いる。2つの研究領域は、ECML PKDD という例外はあるが、基本的に学会も学術誌も別々である。それらの間の混同の最大の原因は、それらの基本的前提に由来する。機械学習では、既知の知識を再生成できるかどうかで性能を評価するが、データマイニングではそれまで「未知」だった知識を発見することが重視される。したがって、既知の知識によって評価するなら「教師なしの技法」よりも「教師ありの技法」の方が容易に優れた結果を示すことができる。しかし、典型的なデータマイニングでは、訓練データが用意できないので、「教師ありの技法」を採用することができない。

理論

機械学習アルゴリズムとその性能についての分析は、理論計算機科学の一分野であり、英語版と呼ばれている。訓練例は有限であるのに対して、未来は不確かであるため、学習理論は一般にアルゴリズムの性能を保証できない。その代わりに、性能の確率的範囲を与える。 英語版による英語版など統計的学習理論という表現もある。[20]

それに加えて、学習の時間複雑性と実現可能性についても研究している。計算論的学習理論では、多項式時間で終了する計算を実現可能とみなす。

機械学習と統計学は、多くの点で似ているが、使用する用語は異なる。

統計的機械学習

統計的機械学習とは、機械学習のうちデータの確率的な生成規則を学習するもの[21] を指す。

統計学母集団と標本、そこに存在する確率分布に着目した方法論である。統計的機械学習ではデータが母集団から確率的に得られると考え、データの生成過程を確率分布を用いてモデル化し、実際のデータに基づいてモデルの学習(あるいはモデル選択自体の学習)をおこなう。母集団からデータが得られる、母集団からのサンプリングによってデータが生成されると解釈できるため、統計的機械学習のモデルは生成モデル・統計モデルとも呼ばれる[22]

標本に基づいた母集団(パラメータ)の推定・選択は統計学において長く研究され、多くの理論が存在する。統計的機械学習における学習はまさに母集団の推定・選択であるため、統計学の理論が機械学習に適用できる。学習の収束や汎化性能など様々な機械学習の課題が統計学の知識体系を用いて研究されている。

統計的機械学習の例としては、ニューラルネットワークにおける生成モデル、例えば自己回帰型生成ネット、変分オートエンコーダー(VAE)、敵対的生成ネットワーク(GAN)などが挙げられる。これらのモデル(=母集団)から実際にサンプリングすれば画像や音声といったデータが生成できるため、特にニューラルネットワークの分野では2010年代後半に非常によく研究され大きな成果をあげている(WaveNet、VQ-VAE-2、BigGANなど)。

数理最適化

多くの機械学習手法はデータに対するモデル出力の誤差を定義し、誤差を最小化するようにパラメータの更新(学習)をおこなう。誤差を計算する関数、すなわち損失関数を最小化する学問体系は応用数学において数理最適化(解かれる問題は最適化問題)と呼ばれる。

例えばニューラルネットワークでは損失関数に対して微分をおこなう勾配法確率的勾配降下法など)で学習がしばしばおこなわれる。勾配法による最適化が最適解に収束するか否かは数理最適化の理論によって研究される。また用いられる最適化法によってニューラルネットワークに課される制約も異なり、勾配法を用いるには連続する関数適用がすべて微分可能である(バックプロパゲーションが可能である)ことが求められる(生成モデルのサンプリングに強く制約を与える)。

技法

決定木学習
決定木英語版として使用した学習であり、アイテムについての観測をそのアイテムの目標値についての結論とマッピングする。具体例としてID3Random forestがある。
英語版
大規模データベースにおける変数間の興味深い関係を発見するための技法。
ニューラルネットワーク
階層的な非線形変換からなるネットワーク。一般に誤差逆伝播法で学習される。非線形性による高い表現能力をもち、分類・回帰・生成など様々なタスクに用いられる。
遺伝的プログラミング (GP)
生物の進化を模倣した進化的アルゴリズムに基づく技法であり、ユーザーが定義したタスクを実行するプログラムを探索する。遺伝的アルゴリズムを拡張・特化させたものである。所定のタスクを実行する能力によって適応度地形を決定し、それによってコンピュータプログラムを最適化させていく機械学習技法である。
英語版 (ILP)
例、背景知識、仮説を一様な表現とし、論理プログラミングを使って学習を規則化する技法である。既知の背景知識と例の集合をコード化して事実の論理データベースとし、全てのポジティブな例を含み、ネガティブな例を全く含まない仮説的論理プログラムを生成する。
サポートベクターマシン (SVM)
分類回帰に使われる一連の教師あり学習技法である。訓練例のラベルは二値分類(2つに分類される)であり、訓練アルゴリズムによってモデルを構築し、新たな例がどちらに分類されるかを予測する。
クラスタリング
クラスタリングは、観測された例をクラスタと呼ばれる部分集合に振り分けるもので、振り分けは事前に指示された基準に従って行う。クラスタリングはデータの構造についての仮説(基準)の立て方によって結果が異なる。仮説は「類似尺度」で定義され、「内部コンパクト性」(同一クラスタ内のメンバー間の類似性)や異なるクラスタ間の距離によって評価される。「推定密度」や「グラフ接続性」に基づく技法もある。クラスタリングは教師なし学習技法であり、統計的データ解析でよく使われる。
ベイジアンネットワーク
確率変数群とそれらの英語版有向非巡回グラフ (DAG) で表した確率論的グラフィカルモデルである。例えば、病気と症状の関係を確率的に表すことができる。そのネットワークに症状を入力すれば、考えられる病気の一覧を確率付きで出力できる。これを使って推論と学習を行う効率的アルゴリズムが存在する。
英語版
教師なし学習アルゴリズムの一部は、訓練中に提供された入力のよりよい表現を発見しようとする。古典的な例として主成分分析クラスタ分析がある。入力の持つ情報は保持したまま、分類や予測の前に入力をより便利な表現に変換するアルゴリズムもある。その際に入力データが従っている未知の確率分布から入力を再建できるようにするが、その確率分布においては信じがたい例も忠実に再現する必要はない。例えば英語版アルゴリズムは、何らかの制約下で入力の次元を低く変換して表現する。英語版アルゴリズムでは、入力が疎ら(ゼロが多い)という制約下で同様の表現の変換を行う。ニューラルネットワークの深層学習は複数レベルの表現または特徴の階層を発見するもので、低いレベルで抽出した特徴から高いレベルの抽象化した特徴までを求める。知的機械は、観測されたデータを説明する偏差の潜在的要因を解きほぐす表現を学習するものだという主張もある[23]
エクストリーム・ラーニング・マシン (ELM)
1層もしくは複数の隠れ層を有する順伝播型ニューラルネットワークであり,分類や回帰,クラスタリングへ適用できる。

応用分野

機械学習には以下のような応用分野がある。

2006年、オンラインDVDレンタル会社ネットフリックスは、同社のレコメンダシステムより10%以上高性能な(ユーザーの好みをより正確に予測する)プログラムを捜す競技会 Netflix Prize を開催した。この競技会は数年かけて行われ、AT&T Labs のチームが「プラグマティック・ケイオス」[24] という機械学習プログラムで2009年に優勝し100万ドルを獲得した[25]

実応用

以下のものがある:

分類具体例
認識[26]画像認識顔認証[27]
監視業務[27]
検査・検品[27]
画像の整理[27]
医療診断[27]
音声認識音声入力[28]
議事録の自動作成[28]
コールセンターの補助または代替[28]
文章解析・文章認識不正文章検知[29]
ニーズの把握[29]
過去の類似事例検索[29]
異常検知故障の検知[30]
不審行動検知[30]
デフォルトの検知[30]
分析[26](多くは予測[31]数値の予測売上げなどの需要予測[32]
株価や経済指標の予測[32]
所要時間の予測[32]
劣化の予測[32]
品質の予測[32]
イベント発生の予測購買や解約の予測[33]
故障の予測[33]
疾病の予測[33]
相性の予測[33]
対処[26]行動の最適化在庫の最適化[34]
広告の最適化[34]
キャンペーンの最適化[34]
出店の最適化[34]
配送の最適化[34]
作業の最適化自動運転[35]
ロボット制御[35]
Q&Aの自動化[35]
表現の生成翻訳[36]
要約[36]
画像生成[36]

ソフトウェア

各種機械学習アルゴリズムを備えたソフトウェアスイートとして、SASRapidMinerLIONsolverKNIMEWekaODMShogun toolboxOrangeApache Mahoutscikit-learnmlpyMCMLLOpenCVXGBoost・ などがある。

データロボット社[37] による複数の手法を並列計算させて比較する方法がある[38]

学術誌と国際学会

脚注

[脚注の使い方]

注釈

  1. ^ Machine learning and pattern recognition "can be viewed as two facets of the same field."[3]:vii
  2. ^ 人間の専門家が訓練例にラベル付けすることで提供されることが多いのでラベルとも呼ばれる。
  3. ^ 典型的には、p(x,y)に従って独立にDの各データを選ぶが、Dをどのような確率分布から選んだかによらず、定理は証明できる

出典

  1. ^ Machine Learning textbook”. www.cs.cmu.edu. 2020年5月28日閲覧。
  2. ^ (2008), “The Annotation Game: On Turing (1950) on Computing, Machinery, and Intelligence”, in Epstein, Robert; Peters, Grace, The Turing Test Sourcebook: Philosophical and Methodological Issues in the Quest for the Thinking Computer, Kluwer, pp. 23–66, ISBN 9781402067082, http://eprints.ecs.soton.ac.uk/12954/ 
  3. ^ #bishop2006
  4. ^ (1998). “Data Mining and Statistics: What's the connection?”. Computing Science and Statistics 29 (1): 3–9. 
  5. ^ Samuel, Arthur (1959). “Some Studies in Machine Learning Using the Game of Checkers”. IBM Journal of Research and Development 3 (3): 210–229. doi:10.1147/rd.33.0210. 
  6. ^ Mitchell, T. (1997). Machine Learning. McGraw Hill. pp. 2. ISBN 978-0-07-042807-2 
  7. ^ a b #瀧 p.20.
  8. ^ a b c d e f #ESL p11-12
  9. ^ a b #GBC 5.1.3節
  10. ^ #金森 p.3.
  11. ^ #瀧 p.8.
  12. ^ a b #瀧 p.36.
  13. ^ #瀧 p.30.
  14. ^ Lecture 12: Bias-Variance Tradeoff”. CS4780/CS5780: Machine Learning for Intelligent Systems [FALL 2018]. コーネル大学. 2020年11月10日閲覧。
  15. ^ #金森 p.13.
  16. ^ #金森 p.9.
  17. ^ a b #ESL p22-23
  18. ^ a b c d e f #ESL p559-561
  19. ^ (2006), Pattern Recognition and Machine Learning, Springer, ISBN 978-0-387-31073-2 
  20. ^ 統計的学習理論, 金森敬文, 機械学習プロフェッショナルシリーズ, 講談社, 2015, ISBN 9784061529052
  21. ^ "統計的機械学習理論と ボルツマン機械学習" 安田 宗樹. 山形大学
  22. ^ 上田. "統計的機械学習入門" NII. https://www.youtube.com/watch?v=wqb3k22toFY&t=478
  23. ^ Yoshua Bengio (2009). Learning Deep Architectures for AI. Now Publishers Inc.. p. 1–3. ISBN 978-1-60198-294-0. http://books.google.com/books?id=cq5ewg7FniMC&pg=PA3 
  24. ^ : Pragmatic Chaos
  25. ^ "BelKor Home Page" research.att.com
  26. ^ a b c #本橋2018 1.3章「人工知能の利用用途」「人工知能の3つの役割」の冒頭付近。
  27. ^ a b c d e #本橋2018 1.4章「認識の具体例」図1-4「画像認識の具体例」
  28. ^ a b c #本橋2018 1.4章「認識の具体例」図1-5「音声入力の具体例」
  29. ^ a b c #本橋2018 1.4章「認識の具体例」図1-6「文章解析・文章認識の具体例」
  30. ^ a b c #本橋2018 1.4章「認識の具体例」図1-7「異常検知の具体例」
  31. ^ #本橋2018 1.5章 「分析とは?」冒頭
  32. ^ a b c d e #本橋2018 1.5章「分析の具体例」図1-8「数値の予測の具体例」
  33. ^ a b c d #本橋2018 1.5章「分析の具体例」図1-9「イベントの発生の予測の具体例」
  34. ^ a b c d e #本橋2018 1.6章「対処の具体例」図1-10「行動の最適化の具体例」
  35. ^ a b c #本橋2018 1.6章「対処の具体例」図1-12「作業の具体化の具体例」
  36. ^ a b c #本橋2018 1.6章「対処の具体例」図1-13「表現の生成の具体例」
  37. ^ : DataRobot
  38. ^ DataRobot: https://www.datarobot.com

参考文献

  • Christopher M. Bishop (2006). Pattern Recognition And Machine Learning. Springer-Verlag. ISBN 978-0387310732  (中上級の教科書) →サポートページ(ここから、第8章 "Graphical Models" をpdf形式で入手可能)
  • 本橋, 洋介 (2018/2/15). 人工知能システムのプロジェクトがわかる本 企画・開発から運用・保守まで (AI & TECHNOLOGY). 翔泳社. ASIN B078JMLVR2. ISBN 978-4798154053 
  • Ian Goodfellow, Yoshua Bengio, Aaron Courville 翻訳:黒滝紘生, 河野慎, 味曽野雅史, 保住純, 野中尚輝, 冨山翔司, 角田貴大, 監訳:岩澤有祐, 鈴木雅大, 中山浩太郎, 松尾豊訳 (2018/8/27). 深層学習(kindle版). ドワンゴ. ASIN B07GQV1X76 
  • 著者:Trevor Hastie, Robert Tibshirani, Jerome Friedman, 翻訳:杉山 将 , 井手 剛 , 神嶌 敏弘 , 栗田 多喜夫 , 前田 英作 , 井尻 善久 , 岩田 具治 , 金森 敬文 , 兼村 厚範 , 烏山 昌幸 , 河原 吉伸 , 木村 昭悟 , 小西 嘉典 , 酒井 智弥 , 鈴木 大慈 , 竹内 一郎 , 玉木 徹 , 出口 大輔 , 冨岡 亮太 , 波部 斉 , 前田 新一 , 持橋 大地 , 山田 誠 (2014/6/25). 統計的学習の基礎 ―データマイニング・推論・予測. 共立出版. ISBN 978-4320123625 
  • 瀧 雅人 (2017/10/21). これならわかる深層学習入門. KS情報科学専門書 機械学習スタートアップシリーズ. 講談社. ISBN 978-4061538283 
  • 金森 敬文 (2015/8/8). 統計的学習理論. KS情報科学専門書 機械学習スタートアップシリーズ. 講談社. ISBN 978-4061529052 
  • 有賀 康顕、中山 心太、西林 孝『仕事ではじめる機械学習』、2018年1月15日。ISBN 978-4-87311-825-3

Further reading

関連項目

外部リンク


 

Back to Top
Close