20. 人間の知能と人工知能AI ①

人間の知能と人工知能AI

　
■人工知能 (artificial intelligence)　 
〇学習・推論・認識・判断などの人間の知能を人工的に実現するための研究。
また、これらの機能を備えたコンピューター‐システム。（広辞苑）
知識を蓄積するデータベース部、集めた知識から結論をひきだす推論部が不可欠である。データベースを自動的に構築したり、誤った知識を訂正したりする学習機能を持つものもある。

 
〇人間の認識、推論、言語運用、創造などを、どのような手順（アルゴリズム）で、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。

〇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。応用例は自然言語処理（機械翻訳・かな漢字変換・構文解析等）、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て特定のパターンを検出・抽出したりする画像認識等がある。

〇通常のコンピューターは与えられたプログラム通り動作しているに過ぎないが、人工知能を備えたコンピューターは機械学習によって、データとして蓄積されたパターンを基に、相手や状況に応じた適切で柔軟な対応を選択することができる。

〇1956年、ダートマス会議で米のマッカーシー（J. McCarthy1927〜）により命名された。現在では、記号処理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。

■AI 人工知能研究の歴史（主としてWikipedia から引用）
・人工知能の誕生（1943−1956年） 
〇サイバネティクス（人工頭脳(artificial brain)学)と初期のニューラル・ネットワーク
〇ゲームAI（チェッカーのプログラム、チェスのプログラム）
〇チューリングテスト・思考機械の可能性（1950年、アラン・チューリングは人工知能の哲学における最初の記念碑的論文 Computing Machinery and Intelligence を発表）
〇記号的推論（数を操作できる機械は記号も操作でき、記号の操作は人間の思考の本質を表しうること、それが思考機械に迫る新たな手法となった）
〇1956年、ダートマス会議でジョン・マッカーシーが用語AIを使用

・AIブーム「推論と探索」（1956−1974年） 

・AIの冬第1期 （1974−1980年） 
資金供給の終り、他学界からの批判
パーセプトロンとコネクショニズムの暗黒時代
論理、Prologとエキスパートシステム

・第2回AIブーム「知識革命・知識工学」（1980–1987年） 
当時のコンピュータは、処理可能な計算量はごく僅かであったため、非常に限定的な領域の問題しか解けなかったが、コンピュータは代数問題をといてみせ、幾何学の定理を証明してみせ、英会話を学習してみせた。それは当時「驚異的」だった
■人工知能は機械学習とも呼ばれ、以下のようなものがある。 
〇エキスパートシステム
〇ニューラルネットワーク：強力なパターン認識力を持つシステム、コネクショニズムとほぼ同義。
〇ファジィ制御：不確かな状況での推論手法、制御システムでは広く採用され。
〇進化的計算

・AIの冬第2期 （1987−1993年） 
実体を持つことの重要性

・1993年以降の進展
〇新AIと推論の具現化のマイルストーンとムーアの法則
〇様々な場面で活躍するAI
1997年5月、IBMのスーパーコンピューター「ディープ・ブルー」が当時チェス世界チャンピオンのガルリ・カスパロフに歴史的な勝利を収めた。コンピューターにできる限り多くの定跡を覚えさせ、局面に応じてパターンを先読みさせることによって、常に最善の手を打つことができたためである。
〇2001年宇宙の旅、HAL 9000が話題

・第3回AIブーム「ディープラーニング」（ 2006年～）
2006年のディープラーニング（Deep Learning 深層学習）の登場と2010年以降のビッグデータの登場・集積により、AI研究が飛躍的に進展し、画像認識、テキスト解析、音声認識など様々な領域で第2次ブームの人工知能を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なる。

■ディープラーニングとは、対象の全体像から細部までの各々の粒度の概念を階層構造として関連させて学習する手法である。
深層学習として最も普及した手法は、（狭義には4層以上の）多層の人工ニューラル・ネットワーク（deep neural network; DNN）による機械学習で、その原理は1960年代に提唱されたニューラル・ネットワーク（神経回路網）を擬似的にコンピューター上に作り、ニューロン間の繋がりを学習で変化させる神経細胞の強化学習である。
多層ニューラル・ネットワークについては、ジェフリー・ヒントンの研究チームが2006年に考案したスタックドオートエンコーダが直接の起源となった。 
要素技術としてはバックプロパゲーションなど、20世紀のうちに開発されていたものの、4層以上の深層ニューラル・ネットについて、局所最適解や勾配消失などの技術的な問題によって十分学習させられず、性能も芳しくなかった。しかし、21世紀に入って、スタックドオートエンコーダを始めとするヒントンらによる多層ニューラル・ネットワークの学習の研究や、学習に必要な計算機の能力向上、および、インターネットの発展による学習データの流通により、十分に学習させられるようになった。その結果、音声・画像・自然言語を対象とする諸問題に対し、他の手法を圧倒する高い性能を示し、2010年代に普及した。

■ジェフリー・ヒントン（トロント大）ニューラル・ネットワーク研究の第一任者で、人間の脳が学習する仕組みを研究し、コンピューターも学習できることを提唱し、AI の精度を著しく高めた。2018年チューリング賞受賞。　

〇2016-2017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、麻雀ではAIとして初めて十段に到達するなど、時代の最先端技術となった。

〇AI の深層学習は、人間の脳では5、6層程度だが、「アルファ5」の時点で13層に及ぶ。

〇現在、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精度が格段に向上しており、ディープラーニングの研究が盛んに行われている。
今後とも、数理脳科学においてさらに抽象化された数学的概念によるディープラーニングが研究されている。また深層学習がなぜ強力なのか、理論的に解明がさらに必要である。

■未来の人工知能（AI）とシンギュラリティ(singularity)・2045年問題
シンギュラリティとはAIが人類の知能を超える技術的特異点（転換点）や、AIがもたらす世界の変化を示す言葉で、未来学における概念のこと。

〇レイ・カーツワイルによって、ゴードン・ムーア（インテルの創設者の1人）が1965年に提唱した集積回路の集積密度は2年で2倍になるという法則に基づいて、2045年にはAIが技術的特異点に到達し、人間の知能を超えるという仮説である。
シンギュラリティが注目を浴びるようになったのは「第3次人工知能ブーム」（2006年～）における、ディープラーニングの発達とビッグデータの集積などによる。コンピューターや人工知能の進化は想定を超えており、神経の動きをシミュレーションしたニューロ・コンピューターでの脳内神経細胞再現化などはすでに現実のものとなっている。

〇集積回路の密度が高まり、コンピューター内のニューロン数が人類の脳の数を超えて、コンピューターの性能も向上する、すなわち「機械が人類の脳を超える」状態になるのは時間の問題といわれている。

〇日本でも野村総合研究所がイギリスのM.オズボーン他との共同研究の中で「10～20年後、国内の労働人口の約49%が人工知能やロボットで代替可能になる」という報告結果を発表した。これにより、雇用が一気に消失するのではないかとの危機感が生まれ、シンギュラリティに注目が集まった。

■単純に、AIが人間の能力を超えられるとは思わないが、普通の人が毎日こなしている仕事をAI がこなせるようになった時や、人工知能が人間の知能を超えた時、私たちの生活やビジネスに与える影響が懸念され脅威となる。