最近、誰もが「AI」について話しています。しかし、Siri、Alexa、またはスマートフォンのキーボードにあるオートコレクト機能に注目しても、私たちは汎用の人工知能を開発しているわけではありません。私たちは、特定の狭いタスクを実行できるプログラムを作成しています。
コンピューターは「考える」ことができない
企業が新しい「AI」機能を発表すると言うとき、それは通常、その企業が機械学習を使用してニューラルネットワークを構築していることを意味します。 「機械学習」とは、特定のタスクをより適切に実行する方法を機械に「学習」させる技術です。
ここでは機械学習を攻撃しているわけではありません。機械学習は、多くの強力な用途を持つ素晴らしいテクノロジーです。しかし、これは汎用の人工知能ではなく、機械学習の限界を理解することは、現在の AI テクノロジーがなぜこれほど限界があるのかを理解するのに役立ちます。
SF の夢に出てくる「人工知能」とは、人間と同じように物事を考え、理解する、コンピューター化された、またはロボットのような脳のことです。このような人工知能は汎用人工知能 (AGI) になります。これは、複数の異なることについて考え、その知能を複数の異なる領域に適用できることを意味します。これに関連するコンセプトは、人間のような意識を体験できる機械である「強力な AI」です。
私たちはそのようなAIをまだ持っていません。私たちはそれに近いところにはいません。 Siri、Alexa、Cortana のようなコンピューター実体は、私たち人間のように理解したり考えたりすることはできません。本当に物事を「理解」しているわけではありません。
私たちの人工知能は、人間が学習に役立つデータを提供できることを前提として、特定のタスクを非常にうまく実行するように訓練されています。彼らは何かをすることを学びますが、まだそれを理解していません。
コンピューターは理解できない
Gmailには、メールへの返信を提案する新しい 「スマートリプライ」機能が 追加された。スマート リプライ機能により、「 iPhone から送信されました 」が一般的な応答として識別されました。また、仕事のメールを含むさまざまな種類のメールへの返信として「愛しています」という言葉を提案したいと考えていました。
それは、コンピューターがこれらの応答の意味を理解できないためです。多くの人がこれらのフレーズを電子メールで送信していることがわかりました。上司に「愛しています」と言いたいかどうかはわかりません。
別の例として、Google フォトは、私たちの家の 1 つにあるカーペットの偶然の写真のコラージュを作成しました。その後、そのコラージュが Google Home Hub の最近のハイライトであると特定されました。 Google フォトは、写真が似ていることは知っていましたが、それらがどれほど重要ではないかを理解していませんでした。
機械はシステムを操作することを学ぶことが多い
機械学習とは、タスクを割り当て、それを実行する最も効率的な方法をコンピューターに決定させることです。彼らは理解していないため、コンピュータは、あなたが望んでいたものとは異なる問題の解決方法を「学習」することになりがちです。
以下は、ゲームをプレイするために作成され、目標が割り当てられた「人工知能」がシステムを操作することを学習した、楽しい例のリストです。これらの例はすべて、 この優れたスプレッドシート からのものです。
- 「スピードを求めて育てられた生き物は非常に背が高くなり、転倒することで高い速度を生み出します。」
- 「レベル 2 で負けることを避けるために、エージェントはレベル 1 の終了時に自殺します。」
- 「エージェントは負けを避けるためにゲームを無期限に一時停止します。」
- 「生存にはエネルギーが必要だが、出産にはエネルギーコストがかからない人工生命のシミュレーションにおいて、ある種は食べられる（またはより多くの食用の子供を生み出すための配偶者として使用される）新しい子供を生み出すために主に交尾からなる座りっぱなしのライフスタイルを進化させた。」
- 「AI はゲームに負けた場合に「殺される」可能性が高かったため、ゲームをクラッシュできることは遺伝子選択プロセスにとって有利でした。そのため、いくつかの AI がゲームをクラッシュする方法を開発しました。」
- 「食用キノコと毒キノコを分類するために進化したニューラルネットは、交互に提示されるデータを利用しており、実際には入力画像の特徴を学習していませんでした。」
これらのソリューションの中には賢く聞こえるかもしれませんが、これらのニューラル ネットワークはどれも自分たちが何をしているのか理解していませんでした。彼らには目標が割り当てられ、それを達成する方法を学びました。コンピュータ ゲームで負けないようにすることが目的の場合、一時停止ボタンを押すのが最も簡単で早い解決策です。
機械学習とニューラル ネットワーク
機械学習では、コンピューターは特定のタスクを実行するようにプログラムされているわけではありません。代わりに、データが供給され、タスクでのパフォーマンスが評価されます。
機械学習の基本的な例は画像認識です。犬が写っている写真を識別するようにコンピューター プログラムをトレーニングしたいとします。私たちはコンピューターに何百万もの画像を与えることができますが、その中には犬が写っているものもあれば、写っていないものもあります。画像には犬が写っているかどうかがラベル付けされています。コンピュータープログラムは、そのデータセットに基づいて犬がどのような外見をしているかを認識するように自分自身を「訓練」します。
機械学習プロセスは、ニューラル ネットワークをトレーニングするために使用されます。ニューラル ネットワークは、各データ入力が通過する複数の層を備えたコンピューター プログラムであり、最終的に決定を下す前に、各層が異なる重みと確率を割り当てます。これは、タスクを遂行する際にさまざまな層のニューロンが関与し、脳がどのように機能すると考えられるかをモデル化しています。 「深層学習」とは一般に、入力と出力の間に多くの層が積み重ねられたニューラル ネットワークを指します。
データセット内のどの写真に犬が含まれており、どの写真に犬が含まれていないのかがわかっているため、ニューラル ネットワークを通して写真を実行し、正しい答えが得られるかどうかを確認できます。たとえば、特定の写真に犬が写っていないとネットワークが判断した場合、それが間違っていたことをネットワークに伝え、いくつかの点を調整して再試行するメカニズムがあります。コンピューターは、写真に犬が含まれているかどうかを識別する能力が向上し続けています。
これはすべて自動的に行われます。適切なソフトウェアとコンピューター自身を訓練するための大量の構造化データがあれば、コンピューターはニューラル ネットワークを調整して写真の中の犬を識別することができます。私たちはこれを「AI」と呼んでいます。
しかし、結局のところ、犬が何であるかを理解する知的なコンピューター プログラムは存在しません。あなたは、写真に犬が写っているかどうかを判断することを学習したコンピューターを持っています。これでもかなり印象的ですが、できることはそれだけです。
そして、与えた入力によっては、そのニューラル ネットワークが見た目ほど賢くない可能性があります。たとえば、データセットに猫の写真がなかった場合、ニューラル ネットワークは猫と犬の違いを認識せず、人々の実際の写真にニューラル ネットワークを適用すると、すべての猫を犬としてタグ付けする可能性があります。
機械学習は何に使用されますか?
機械学習は、音声認識を含むあらゆる種類のタスクに使用されます。 Google、Alexa、Siri などの音声アシスタントは、人間の音声を理解するように訓練された機械学習技術のおかげで、人間の声を理解するのに非常に優れています。彼らは人間の音声サンプルを大量に使ってトレーニングし、どの音がどの単語に対応するかを理解することがますますうまくなりました。
自動運転車は、道路上の物体を識別し、それらに正しく反応する方法をコンピューターに訓練する機械学習技術を使用しています。 Google フォトには、機械学習を使用して写真内の人物や動物を自動的に識別する などの機能が満載です。
Alphabet の DeepMind は、機械学習を使用して AlphaGo を作成しました。これは、複雑なボード ゲームである囲碁をプレイして、世界最高の人間に勝つことができるコンピューター プログラムです。機械学習は、チェスから DOTA 2 まで、他のゲームのプレイに適したコンピューターを作成するためにも使用されています。
最新のiPhoneの Face ID にも機械学習が使われています。 iPhone はあなたの顔を識別することを学習するニューラル ネットワークを構築します。Apple には、このタスクやその他の機械学習タスクのすべての数値計算を実行する専用の「ニューラル エンジン」チップが組み込まれています。
機械学習は、クレジット カード詐欺の特定から、ショッピング Web サイトでのパーソナライズされた製品の推奨に至るまで、他のさまざまな目的に使用できます。
しかし、機械学習で作成されたニューラル ネットワークは、実際には何も理解していません。これらは、訓練された狭いタスクを達成できる有益なプログラムであり、それだけです。
画像クレジット: Phonlamai Photo /Shutterstock.com、Tatiana Shepeleva /Shutterstock.com、Sundry Photography /Shutterstock.com。
