こんにちは！
今日は
AIについての本を読んだので
そこで学んだ知識をアウトプットしたいと思います。
注意していただきたいことは
僕はAIについて研究している大学生でも
AIに関する専門的な知識を持っている大学生でもないので
詳しいことを説明することはできません。
詳しい知識をお持ちの方には参考にならないと思いますので
そっとページから離れてください（笑）
今回僕が読んだ本は
『マンガでわかる! 人工知能 AIは人間に何をもたらすのか』
僕の大好きなマンガでわかるシリーズです。
マンガでわかるシリーズは
すごい分量の内容や
難しい内容をマンガ形式で書くことで非常にわかりやすくなっています。
僕のAIに対する知識のように
その分野に対して全くの無知である人、
読書は苦手だけど知識をインプットしたい人、
忙しくて読書にあまり時間をかけれないから短時間で読み切りたい人
にとって
マンガでわかるシリーズは最強です。
僕のバイブルにしている『7つの習慣』も
マンガでわかるシリーズがあるのでおすすめです。
では、中身について見ていきます。
本書では
・人工知能の正体
・人工知能の歴史
・人工知能の新時代①
・人工知能の新時代②
・人工知能と心
・人工知能が変えていく未来
・人工知能が人類にもたらすもの
という7つのチャプターに分けて人工知能について説明されています。
この7つについてそれぞれ簡単に見ていきます。
人工知能の正体
「本当の意味で」完成していない人工知能
「本当の意味で」というのは、「人間とすっかり同じように考えるコンピュータ」がまだできていないということです。
現在、人工知能と呼ばれているものは、「人間の知的な活動の一面を真似している技術」にすぎません。人工知能の歴史とは、人間の知的な活動をまねしようとしてきた歴史でもあるのです。
しかし、それはまだ最終目標まで到達していません。昨今の人工知能の進化はめざましいものがありますが、それでも人間の持つ知能は遥かに奥深く、いまだ手の届かないところにあります。
人工知能には、人間の知的な活動をまねしようとしたこと歴史的な背景があります。
また実は、人工知能の定義は専門家によってまちまちです。
人工知能とロボットの違い
まず、人工知能の研究とロボットの研究を、同じもののように考えている人が少なくありません。しかし、専門家の間では、この2つは明確に異なるものです、簡単に言えば、ロボットの脳に当たる部分が人工知能ということです。
人工知能の研究対象は、ロボットの脳だけではありません。たとえば、将棋や囲碁のようなゲームの研究、あるいは医師の診断や弁護士の助言のように、入力した情報をもとに判断をする能力の研究には、ロボットのような物理的な身体は必要ありません。人工知能研究は、「考える」ことを実現するために、抽象的な「目に見えないもの」を扱っている学問と理解してよいでしょう。
人間は「ある製品に知能がある」と言われた時に、その製品が何かを考えているように「見える」と感じた時に「人工知能」だと認識します。
掃除ロボのルンバのように、部屋の形やゴミの状況という「入力」に応じて、動き「出力」が変わります。
このように、「入力」によって「出力」が変わると、「人工知能である」と人間は思うのです。
人工知能の歴史
人工知能って最近になってできたものだと思っている人は多いのではないでしょうか。
僕はずっとそう思っていたのですが、実は違うんです。
これまで人工知能研究は、「ブーム」と「冬の時代」を繰り返しています。
この写真からもわかるように
人工知能研究は第1次、第2次、第3次とブームがあるのです。
現在はのブームは第3次ブームですね。
まずは、第1次ブームについてみていきます。
第1次AIブームは、「推論・探索」の時代
第1次AIブームでは、人工知能の実現に向けて野心的な研究が次々と生まれました。この時代に中心的な役割を果たしたのが、「推論」や「探索」の研究です。
推論と探索とは
ルールとゴールが決められているゲームの中で、コンピュータがなるべくゴールに辿り着けるように選択肢を選んでいくものです。
しかしこれでは、迷路やパズルを解くといった、非常に限定された状況でしか問題を解決することができず、もっと複雑な現実の問題を解決することはできませんでした。
そのようなことから、第1次ブームは終わり、冬の時代へと突入します。
次に第2次ブーム。
1980年代に入り、人工知能研究は再び勢いを取り戻します。今度のブームを支えたのは「知識」でした。
たとえば。医師の代わりをしようと思えば、「病気に関するたくさんの知識」を入れておけばいい、弁護士の代わりをしようと思えば「法律に関するたくさんの知識」を入れておけばいい−それにより、病気の診断をしたり、判例に従った法律の解釈をしたりできるはずです。つまり、「知識」を持った人工知能は、さまざまな現実の問題を解くことに役立つだろうと考えたのです。
第2次AIブームを支えた、「知識」を持った人工知能と言えば「エキスパートシステム」です。
エキスパートシステムは、ある専門分野の知識を取り込み、推論を行うことで、その分野の専門家（エキスパート）のように振る舞うプログラムのことです。
しかし、このブームにも問題があったからブームが下火になります。
その問題の1つに
知識を「記述」「管理」することの大変さというものがあります。
専門知識が必要な限定された分野では良くても
より広い範囲の知識を扱おうとすると
知識を記述することは非常に困難になるのです。
つまり、人間なら誰もが知っているような「常識レベルの知識」もすべて記述する必要が出てくるのです。
また、当時のコンピュータは必要な情報を自ら収集して蓄積することはできません。
人間が世にある膨大な情報の全てを記述することは困難であり、
非常に限られた分野しかAIが活躍する場所はありません。
このようなことを理由に、第2次ブームは終わり、再び冬の時代へと突入します。
第3次ブームについては次の章で見ていきましょう。
人工知能の新時代
ここでは第3次ブーム、つまり現在のAIブームについてみていきます。
第3次AIブームの始まり
1990年代後半から2000年代にかけて、インターネットが爆発的に普及し、膨大なデータを手に入れる環境が整ったことで、状況が変わります。ビッグデータを用いた「機械学習」が発展していったのです。
この機械学習と、近年よく耳にする「ディープラーニング（特徴表現学習）」という新しい技術が重なり、3度目のAIブームが幕を上げました。
機械学習やディープラーニングという言葉は
AIに詳しくない人でも耳にすることがあると思います。
まずは機械学習からみていきます。
機械学習にもいくつかの種類があります。
その種類を把握するためには下の表がわかりやすいです。
機械学習とはほんとに簡単にいうと
人工知能自身が「学習」し、精度を上げていくものです。
では、ここで「学習」についてもう少しみていきます。
学習とは「分ける」こと
学習の根幹をなすのは「分ける」という処理です。
たとえば、あるものを見たときに、それが食べられるものかを知りたい−これは、「食べられるものor食べられないもの」に分ける「イエスかノーで答える問題」です。
もともと、生物は生存のために世界を「分けて」います。食べられるか食べられないか、敵か味方か、雄か雌か−私たち人間は、より高度な知能を持っているので、非常に細かく、一見すると無意味と思われるくらい、世界を「分けて」いるのです。
機械学習は、コンピュータが大量のデータを処理しながら、この「分け方」を自動的に習得する仕組みで、いったん「分け方」を習得すれば、未知のデータを「分ける」ことができるようになるのです。
データを繰り返し学習することで、そのデータのパターンを認識し、
新たなデータに対して、そのパターンを当てはめて答えを導き出すことができるのです。
また、機械学習を行う過程で
入力された学習データから特徴量と呼ばれる数値を抽出する必要があります。
特徴量とは、
学習データにどのような特徴があるかを数値化したもので
ある結論を導き出すためにはどんな特徴量を導き出すかが大事です。
この特徴量こそが機械学習の弱点ということができるのです。
機械学習の研究が進んだことにより、未知のものに対しての判断・識別、予測をすることができるようになりました。この技術は、ウェブやビッグデータの領域で広く使われています。
しかしながら、機械学習にも弱点があります。それは「特徴量」の設計です。特徴量とは機械学習の入力に使う変数のことで、この特徴量に何を選ぶかで予測精度が大きく変化します。従来の機械学習では結局、「特徴量」を設計するのは人間だったのです。
しかし今
コンピュータから与えられたデータから重要な「特徴量」を設計することのできる方法ができつつあります。
それが「ディープラーニング」です。
次はディープラーニングについてみていきます。
ディープラーニングが、大きな壁を壊す
人工知能研究におけるこれまでの大きな壁は、フレーム問題にしてもシンボルグラウンディング問題にしても、結局はコンピュータが自ら特徴量を取り出し、その特徴を使って表される概念を獲得できないことにありました。ディープラーニングの登場は、少なくとも画像や音声という分野において、これらの問題を解決する1つの道筋が示されたことを意味しています。データから簡単な特徴量をコンピュータが見つけだし、それをもとにさらに高次の特徴量を見つけだす。その特徴量を使って表される概念を獲得し、その概念を使って知識を記述するという、人工知能最大の難関をくぐり抜ける糸口が見つかったのです。
先ほども言いましたが
機械学習では、人間が特徴量を設計しなければ行けなかったのに対して
ディープラーニングは自動でデータから特徴を取得して学びます。
機械が「あること」を認識・理解し、新たな「あること」を予測・実行
することができるのです。
現状はまだ人工知能最大の難関を抜けるきっかけにすぎないですが
極めて重要な1歩になっているのです。
人工知能と心
人工知能が発展すると、人間と同じような概念を持ち、人間と同じような思考をし、人間と同じような自我や欲望を持つと考えられがちですが、話はそう簡単ではありません。
ディープラーニングの登場によって
機会が自ら特徴量や概念を獲得することができるようになったのですが、
コンピュータが作り出した概念が
人間の持っている概念と同じとは必ずしも同じであるとはいうことができません。
人工知能が持っている「知能」と人間の持っている「知能」は別物であるかもしれないのです。
ですが
人間の日常生活に相当に入り込んでいるロボットでもない限り、そもそも「人間とそっくりな概念を持つこと」は必要なく、それよりも単純に予測能力が高い人工知能の方が求められるのです。
人工知能が変えていく未来
ここまでは、人工知能に関する概念的な話をしてきました。
ですが、これからAIはどうなっていくの!?
ということの方が正直気になりますよね。
カメラ＝網膜、ディープラーニング＝視覚野
これまでの機械やロボットは「カメラ」はあっても「眼」はなかったのです。
人間の場合、網膜で受け取った映像を視覚野で処理することによって、「見える」ことになります。カメラは人間で言えば網膜にあたり、カメラだけがあっても、映像を流したり、記録したりできるだけで、それを見て判断するのは人間の役目でした。
それに対して、ディープラーニングは視覚野の役割を果たすことができます。つまり、カメラとディープラーニングの両方があることで、はじめて「見える」機械やロボットがつくれるようになったのです。
上の写真は今後影響を受けるであろう産業をまとめた未来予想図です。
自動運転や介護、翻訳など様々な分野での活躍が期待できます。
人工知能が人類にもたらすもの
人工知能の発展によって、優れた技術が次々と開発されています。
しかし、それを実用化するまでには様々な課題があります。
たとえば、
人工知能によってカメラに映る個人を識別できるようになると
防犯・監視の分野においてはとても役立ちます。
しかし、利便性は上がるものの、プライバシーの問題は必ず発生します。
また、車の自動運転では
技術的にはすでに実用可能なレベルにあり、
人間が運転するよりも事故の確率は下がり、渋滞の解消にも繋がります。
しかし、事故をゼロにすることはできないし、
もし事故が起こったときに「自動運転だから仕方ない」というようにはできません。
このように技術以外での課題はまだまだたくさんあります。
人間＝知能＋生命
シンギュラリティの先には、人工知能が人類を征服する未来がある−そう悲観する人もいるようですが、冷静に考えれば、人工知能が人類を征服したり、自らの力で人工知能をつくり出したりという可能性は、現時点ではとうてい考えられず、夢物語にすぎません。今、ディープラーニングで起こりつつあることは、「世界の特徴量を見つけ特徴表現を学習する」ことであり、これ自体は予測能力を上げるうえで極めて重要です。しかし、そのことと、人工知能が自らの意思を持ったり、人工知能を設計し直したりするということは、天と地ほど距離が離れているのです。
⚠︎シンギュラリティ•••人工知能が自分の能力を超える人工知能を自ら生み出せるようになる時点。
僕もそうなのですが
いつか機械に支配される世の中になるのではないか
という不安はありますよね。
しかし、このようなことを危惧するのは滑稽なようです。
また同時に、人工知能の過小評価をしてはいけません。
人工知能が社会のインフラになることは間違いなく、
さまざまな問題が起こる前に議論をつくす必要があります。
人工知能の未来に向けて
人工知能の未来について考えるときに、次のことは前提になるべきです。それは、人工知能は「万人のためのもの」であるということ、また同時に「人間の尊厳」を犯してはならないものだということです。
まず議論すべきは、「人工知能が将来持つべき倫理」ではなく。「人工知能を使う人間の倫理」や「人工知能をつくる人に対する倫理」です。
人工知能が発展していくにつれ
世界はどうなっていくのだろうという不安はあります。
今そのような不安をすべきではいとしても、
何も人工知能に対する勉強をしないということも違うと僕は思います。
どんな未来が来ても柔軟な対応ができる
そのために、今を生き、今できる勉強をすることがベストであると僕は思います。
人工知能について勉強してみたい！
よいう方にはオススメの１冊です。
コメントを残す