『エイムズの部屋』『プレイングマシンインフォメーション（ＢＭ１』

🌸脳の機能としての「知能」３

⛳私たちの脳はバグっている

　☆「エイムズの部屋」
　＊無数にある３次元の可能性からもっともありそうなものを選ぶ

　＊我々の視覚のバグをついた錯視をその様に呼ぶ
　＊左側の人物は右の人物よりずっと奥に立っているのだが

　＊床の模様が意図的にそのような解釈を妨げるように

　＊描かれているので我々の脳は、左右の人物は

　＊同じ奥行きの位置に立っているという、誤った解釈をしてしまう

　☆現実にはこのようなプロポーションの人物が実在しない
　＊我々は理性ではこの写真がなんらかのトリックと気付くが

　＊現実のシミュレーターとしての脳が出す答えは違う

　＊大脳が行っているのは現実世界のシミュレーションである

　☆脳の機能はなにか？脳の知能とはなんなのか?

　＊「現実世界のシミュレーター」である

⛳コラム（プレイングマシンインフォメーション）
　☆世に超能力物のフィクションは多い

　＊様々な超能力が描写されるが、心を読みとったり

　＊心に語り掛けたりできるテレパス

　＊瞬時に移動できるテレポーテーシヨン、に並んで

　＊定番の能力がサイコキネシスだろう

　＊念じただけで離れた物体を自由に操る能力

　＊劇中の最強能力として描写される
　☆ＢＭＩは、サイコキネシスを科学で実現しようという試み

　＊非侵襲な脳計測結果をコントローラーに接続すれば

　＊機械を制御できるのではというアイデイアだ

　＊実際、脳波を入力に使ったゲームの祭典が開催されている
　☆ＢＭ１のアイデイア自体は昔からあった

　＊脳波を入力、 コントローラーの制御を出力とした機械学習を設定し

　＊思いどおりに動かせたら正解、だめだったら不正解を

　＊教師信号にして脳波の判別学習を機械学習に課す

　＊原理的にはこれはそれほど難しい技術ではない

　＊生成ＡＩや深層学習が流行る前から実在していた

　☆最近の生成ＡＩや深層学習の技術で大きく進んだのはテレパス

　＊心を読むほうは着々と進歩している

　☆例、頭になにかを思い浮かべてもらってそれを当てる

　＊深層学習をさせるとある程度の正解が得られるようになってきた
　＊精度はいまいちなのがわかると思うが

　＊この実験のとき、被験者は画像を実際に見ているわけではなく

　＊前に見た画像を思い出しても将来的には

　＊離れたところから脳内の思考を読みとることもできるだろう

　☆三大メジャー超能力の最後、テレポーテーシヨン

　＊生成ＡＩや深層学習をもってしても、開発の目途は立っていない

　　　　　　　　　　　　　　　　　　　　　　　　（敬称略）
⛳知識の向上目指し、記事を参考に自分のノートとしてブログに記載
⛳出典内容の共有、出典の購読、視聴に繋がればと思いブログで紹介
　☆記事内容ご指摘あれば、訂正・削除します
⛳私の知識不足の為、記述に誤り不明点あると思います
⛳投資は、自己責任、自己満足、自己判断で
⛳詳細は、出典原書・記事・番組・画像でご確認ください
⛳出典、『知能とはなにか』

『エイムズの部屋』『プレイングマシンインフォメーション』『ＢＭ１』

（『知能とはなにか』記事、ネットより画像引用）

『知能の再定義』『心身二元論』『チューリングーノイマン系列』

🌸脳の機能としての「知能」１

⛳「知能」を再定義する
　☆「ヒトの知能」を「人間の大脳の機能」と定義する
　＊知能の定義を「大脳」という臓器と結びつけたのは

　＊脳のハードウェアから切り離した人間の「知能」は存在しないからだ

　☆脳というハードウェアから分離した、古典的記号処理パラダイムで

　＊知能が実現できるという考え方ある意味で楽観的過ぎたと言える

　☆知能がないとできないとされてきたパフォーマンス

　＊深層学習できてしまった

　＊チャットＧＰＴのような言語の基盤モデル

　＊「ヒトの知能」と類似のものと言えるかどうかという

　＊問題をうまく整理できると考えるからだ

⛳心身二元論で、うまくいき過ぎてしまったゆえの混乱
　☆心身二元論を最初に唱えたのは

　＊「我思う、ゆえに我在り」と述べたことで有名なデカルト

　☆心身二元論

　＊心というものが体とは別にあって

　＊体に宿ることで知能が発揮されるという考え方

　☆ノイマンが現実のコンピュータのアーキテクチャを構想した
　＊「プログラム内蔵方式」のデジタルコンピュータである

　＊ＣＰＵとアドレス付けされた記憶装置と

　＊それらをつなぐバスを要素に構成されている

　＊命令（プログラム）とデータを区別せず記憶装置に記憶するもの

　＊ヘッドとテープからなるチューリングマシーンを

　＊現実のハードウェアで実現するアーキテクチャになっていた　
　☆現在に至るまでコンピュータ

　＊全部この「チューリングーノイマン系列」だ

　＊ソフトがあって、それを実現するハードが作られたのだ

　＊ハードとソフトが分離可能なのは当然だったわけだ

⛳自動車とコンピュータの設計思想は根本的に異なる
　☆設計と製造が分離している機械というのは実はまれである

　＊例えば、自動車の設計図を作ることと

　＊実際に動作する車を製造することには

　＊大きな隔う仕様書のようなものに過ぎない

　＊いわば実際に動作する機械を作るための

　＊試行錯誤の幅を限定してくれる手引きのようなものだ

　＊設計図に沿ってなにかを作って動かそうとしても

　＊温度や湿度の関係でうまく動かなかったりする

　☆チューリングーノイマン系列のコンピュータこのような問題がない

　＊前のプロセスが終わってからしか次のプロセスは開始されず

　＊お互いに直接関係があるのは前後のプロセスだけである

　☆通常の機械装置とコンピュータというハードウェア

　＊ハードとソフトの分離可能性という観点で大きく異なっている

　＊コンピュータのほうが例外的な機械装置であると言える
　＊ハードとソフトの分離が不完全なコンピュータしかなかったのなら

　＊古典的記号処理パラダイムのような誤謬が生まれることもなかったかも　　　　　　　　　　　　　　　　　　　　　　　　

　　　　　　　　　　　　　　　　　　　　　　　　　（敬称略）
⛳知識の向上目指し、記事を参考に自分のノートとしてブログに記載
⛳出典内容の共有、出典の購読、視聴に繋がればと思いブログで紹介
　☆記事内容ご指摘あれば、訂正・削除します
⛳私の知識不足の為、記述に誤り不明点あると思います
⛳投資は、自己責任、自己満足、自己判断で
⛳詳細は、出典原書・記事・番組・画像でご確認ください
⛳出典、『知能とはなにか』

『知能の再定義』『心身二元論』『チューリングーノイマン系列』

（ネットより画像引用）

『単語の位置関係の言語の基盤モデル』『スウォーミング』『二分木』

🌸 深層学習から生成ＡＩヘ４

⛳実は知能など必要なかった！
　☆単語の位置関係を学んだだけの言語の基盤モデルで

　＊従来、人工知能研究が目指してきたパフォーマンスを実現した

　☆理由は２つある
　①単語の地図を作る過程で知能というものをなぜか獲得してしまった
　➁我々が知的な作業だと思っていたものは

　＊別に知能などなくても実行可能なタスクだった

　☆この後にチャットＧＰＴが公開され、大きな騒ぎとなる

　＊パフォーマンス的には

　＊人工知能といっても遜色ないものができ上がった
　＊その中身自体は当初想定されていたものから大きく乖離している

⛳コラム（機械学習の色々）

　☆（例）最短経路探索などに力を発揮するアルゴリズムである

　＊Ｎ個の都市をどう回ったら一番短い距離で済むかという問題

　＊回る順番がＮの階乗個あるため全探索が不可能な問題だ

　＊しかし、この問題は単純なアルゴリズムで″正解”にたどり着ける
　①多数のアリを放って好きなように回らせる
　➁最短距離で回ったアリの通ったところは次のアリがやや通りやすくする
　＊要は「多くのアリが通ったところはフェロモンが強くなるように」する
　＊単純なアルゴリズムで最適解に近い経路を探せる（スウォーミング）
　☆『２分木』はたくさんの条件から、判別するルールを作るもの

　☆例えば、人間を年齢、性別、収入、身長、体重など

　＊多数の属性を元に４７都道府県の出身別に分けるタスクを考える
　＊分岐図が成長するに従って枝を広げていく木を

　☆さかさまにしたようにみえることから「二分木」と呼ばれている

　＊実際の判別のときにはその多数決で結論を出すというシステム

　＊過学習は、複数の異なった二分木で

　＊同時に起こることが少ないので

　＊わざとたくさん作っておいて多数決をとることで

　＊過学習を避けられると思われているから

　　　　　　　　　　　　　　　　　　　　　　　　（敬称略）
⛳知識の向上目指し、記事を参考に自分のノートとしてブログに記載
⛳出典内容の共有、出典の購読、視聴に繋がればと思いブログで紹介
　☆記事内容ご指摘あれば、訂正・削除します
⛳私の知識不足の為、記述に誤り不明点あると思います
⛳投資は、自己責任、自己満足、自己判断で
⛳詳細は、出典原書・記事・番組・画像でご確認ください
⛳出典、『知能とはなにか』

『単語の位置関係の言語の基盤モデル』『スウォーミング』『二分木』

（ネットより画像引用）

『大規模基盤モデル』『転移学習』『ゲーム』『言語処理』『創造力』

🌸 深層学習から生成ＡＩヘ３

⛳完全ゲームの最強王者を打ち負かした深層学習
　☆コンピュータで将棋、囲碁、チェスなどの完全ゲームで

　＊人間に勝つことは、長らく人工知能研究者の悲願だった
　＊チェスは、完全ゲームの中では

　＊最初にコンピュータが最強の人間に勝つことができた
　☆ルールがより複雑な将棋

　＊長らくコンピュータがプロ棋士に太刀打ちできない時代が続いた

　＊最大の難関は、コンピュータに教え込むルールづくりだった

　＊素人の研究者が、膨大な数の過去の対戦データを参照して

　＊目の前の盤面に似た局面を探し、そのときに試合の勝者が打った手を

　＊最善手とするというルールで挑む
　＊あっさリコンピュータ将棋の大会で優勝してしまった

　＊画像認識のブレイクスルーと共通している
　☆完全ゲーム攻略の深層学習はさらに進化を続けた

　＊コンピュータが、囲碁最強王者に勝つことができた

　☆深層学習がここまでの性能を発揮できても

　＊人工知能研究者のあいだでは

　＊深層学習をＡＩ（人工知能）と呼ぶことには抵抗感があった

⛳最難関だった自然言語処理
　☆深層学習で、不可能に思えたこの自然言語処理

　＊機械学習は、漠然とした課題設定では性能が発揮できないとされていた

　＊機械学習の一種である深層学習でも同じであるとされていた

　☆自然言語処理で、この常識が打ち破られた

　＊特定の課題ではない漠然とした課題でも適切な答えが出せた
　☆既存の文章の１部を隠して当てさせる穴埋め問題と

　＊２つの文章が続いているかどうかを判定する問題の文章を学習する
　＊個別問題を学習させると高い性能が発揮されることが発見された
　＊この漠然とした学習を大量に行った大規模なモデルを基盤モデル

　＊追加の個別課題の学習を転移学習と呼ぶ

　☆話題のチャットＧＰＴ

　＊基盤モデルと転移学習の範疇であるとされている

　＊基盤モデルと転移学習の組み合わせは本質的な困難の解決だった

⛳「創造力」を獲得した大規模基盤モデル
　☆学習したテキストに、プログラムと機能の説明がセット文書があると

　＊「機能」と「プログラム」の関係を学習するとともに

　＊「この機能を実現するプログラムを書く」という文章の後には

　＊機能を実装したプログラムが書かれていることが多いといった

　＊関係性があるという、二つのことを学んだ結果である
　＊人工知能研究の文脈ではこれは驚くべきことだった

　☆「ある機能を持ったプログラムを書け」と命令するだけで

　＊そのプログラムを書くという、人工知能研究では

　＊実現したい機能でありながら、誰にもできなかったことだった
　☆自然言語処理のブレークスルーは２重の意味で重要だった

　＊古典的記号処理パラダイムや身体性人工知能が

　＊なぜうまくいかなかったかを明らかにしたことだ

　☆従来の人工知能の研究は

　＊実現すべき知能の定義がないまま進められてきた

　＊パフォーマンスの評価を通じて

　＊知能が実現しているかどうかを

　＊判定するという方針が大きな壁にぶち当たったからだ

　　　　　　　　　　　　　　　　　　　　　　　　（敬称略）
⛳知識の向上目指し、記事を参考に自分のノートとしてブログに記載
⛳出典内容の共有、出典の購読、視聴に繋がればと思いブログで紹介
　☆記事内容ご指摘あれば、訂正・削除します
⛳私の知識不足の為、記述に誤り不明点あると思います
⛳投資は、自己責任、自己満足、自己判断で
⛳詳細は、出典原書・記事・番組・画像でご確認ください
⛳出典、『知能とはなにか』

『大規模基盤モデル』『転移学習』『ゲーム』『言語処理』『創造力』

（ネットより画像引用）

『過学習』『汎化性能』『画像処理』

🌸 深層学習から生成ＡＩヘ２

⛳過学習とは
　☆モデル１はモデル２の特別な場合

　＊モデル１は、モデル２でピークはあるけれど

　＊その高さはゼロという場合と等価なので

　＊どんなに小さなピークでもそれがありさえすれば
　＊モデル１よリモデル２が正しいという結論が

　＊「いつも」でてしまう

　☆複雑なモデルのほうが説明能力が高いので

　＊予測の良さで選んだらより

　＊単純なモデルが選ばれる可能性はないので

　＊即ち直感に反する結論を得る
　☆複雑なモデルと単純なモデルが存在した場合

　＊自由にパラメータを変更していいなら

　＊複雑なモデルの方が、説明能力が高いとなり

　＊これが、過学習の大きな原因の一つになっている
　☆深層学習は意味もなく

　＊複雑なモデルを導入しているにもかかわらず

　＊なぜか複雑なモデルほど過学習せず

　＊高度な汎化性能を獲得することが知られている

　☆これが一度は見捨てられたニューラルネットワークが

　＊リバイバルしたときに驚きをもって迎えられた理由である

⛳深層学習の「謎性能』
　☆深層学習には、いままでの機械学習の常識を超えた

　＊膨大なパラメータを導入しても過学習しない、「謎性能」がある

　☆過学習を起こしやすいはずの

　＊膨大な数のパラメータを持った深層学習が

　＊なぜ過学習を逃れることができているのかは

　＊いまも杏として知れない謎のままになっている
　☆深層学習の導入で大きく発展した分野は３つある

　＊画像処理、将棋や囲碁のようなゲ―ム対戦、自然言語処理である

⛳深層学習で成果をあげたのが画像処理

　☆当初、コンピュータに「ウマ」と「イヌ」が写っている写真を見せて

　＊何が写っているのかを判別させようとしてもうまくいかなかった

　＊機械学習でやらせようとすると困難を極めた
　☆ニューラルネットワークを多段で重ねた深層学習方法で

　＊他の機械学習を凌駕する圧倒的成果を出した
　☆単に画像を入力してラベルの判別をしろと命令すると

　＊深層学習が自ら学習して、見事な回答にたどり着いた

　☆画像処理業界が騒然となったのは言うまでもなく

　＊これで一気に深層学習に注目が集まった

　　　　　　　　　　　　　　　　　　　　　　　　（敬称略）
⛳知識の向上目指し、記事を参考に自分のノートとしてブログに記載
⛳出典内容の共有、出典の購読、視聴に繋がればと思いブログで紹介
　☆記事内容ご指摘あれば、訂正・削除します
⛳私の知識不足の為、記述に誤り不明点あると思います
⛳投資は、自己責任、自己満足、自己判断で
⛳詳細は、出典原書・記事・番組・画像でご確認ください
⛳出典、『知能とはなにか』

 『過学習』『汎化性能』『画像処理』

（『知能とはなにか』記事、ネットより画像引用）

おわりに（頭のいい人）

🌸おわりに（最終回）

　☆７つの黄金法則と５つの思考法

　＊知性という花を咲かすための

　☆黄金法則が”根っこ”で、思考法が”幹”です

⛳知性の”根っこ”と”幹”である黄金法則と思考法

　☆実践するば、だれもが”頭のいい人”になれる

　☆しかし、頭のいい人になることより

　＊頭のいい人であり続けることのほうが難しい
　☆”聞いただけで十わかる”コンサルタント多いが
　＊しかしそこから全てをわかった気になり

　＊傲慢になって成長の止まるコンサルタントも多い
　☆コンサルタントわかった気になったときが一番危ない
　＊２２年のコンサルタント人生の中でのそれが結論です
　＊わかったような気になっているときこそ

　＊丁寧なコミュニケーションを心がけるのが必要
　☆本当に頭のいい、知的で謙虚な人の態度だと思った時
　＊”頭がよくなったな”と感じたときにこそ

　＊黄金法則に立ち返り、ちやんと考えられているか？

　＊自問していただければと思います

　　　　　　　　　　　　　　　　　　　　　（敬称略）
⛳知識の向上目指し、記事を参考に自分のノートとしてブログに記載
⛳出典内容の共有、出典の購読、視聴に繋がればと思いブログで紹介
　☆記事内容ご指摘あれば、訂正・削除します
⛳私の知識不足の為、記述に誤り不明点あると思います
⛳投資は、自己責任、自己満足、自己判断で
⛳詳細は、出典原書・記事・番組・画像でご確認ください

⛳出典、『頭のいい人が話す前に考えている』記事より画像引用

『 深層学習』『生成ＡＩ』『汎化性能』

🌸 深層学習から生成ＡＩヘ１

⛳打ち捨てられていたニューラルネットワークの意外な復権
　☆２０世紀のあいだは低迷していた人工知能研究

　☆２１世紀に入って救いの手「深層学習」の登場

　＊深層学習は、ニューラルネットワークと同じものなので

　＊ニューラルネットワークが再度注目された

　＊人工知能研究のホープとして蘇った

　☆ニューラルネットワークは数多ある機械学習の手法の中で

　＊脳の基本構成体ニューロンの機能にヒントを得て提案された手法

　☆ニューラルネットワークの評価

　＊パフォーマンスの良しあしでしか評価されない

　＊知能のモデルとして妥当であるか以前に

　＊人間にもできることができないなら。モデルとしての妥当性が疑われる

　☆ニューラルネットワーク

　＊他の手法に比べ汎化性能が劣っている
　＊汎化性能とは、学習していないデータセットに対して

　＊どれくらい性能を発揮できるかということである

　☆汎化性能の判定

　＊答えと関係ないのに、関係があると思って学習することがなく

　＊答えと関係のある特徴だけをうまく選択して学習する能力

⛳人間が画像を認識する場合

　☆人間は、背景を加味して判別しない

　＊人間は背景とキャラは

　＊独立した存在との「常識」を持っているから

　☆機械学習の場合は、背景等を加味してはんだんしてしまう

　＊機械学習は、馬が映っている映像見た場合

　＊レース場のことが多いことを認識し、レース場が背景に映っていたら

　＊対象物は馬の可能性が高いと学習してしまう

　＊実際そのような仮定をおいたほうが、判定の精度があがる
　☆機械学習は「ウマ娘」のような現実には存在しない存在を

　＊機械学習は学んだことがないので、私たちが映像を見れば

　＊ 一目で「人間」とわかる被写体を馬と誤判断してしまう

　＊このような例が典型的な過学習であり、汎化の失敗である
　＊結果として、ミスを頻発したニューラルネットワーク

　＊次第に重用されなくなり、機械学習の表舞台から消えていく

⛳深層学習をＡⅠと呼ぶのは愚か者のすることか？
　☆実際、いまでは信じがたいかもしれないが

　＊研究者のあいだでは、機械学習とＡＩは別物であり

　＊機械学習がいくら進歩しても人工知能にはならないと認識されていた
　☆２０１０年代に登場した深層学習

　＊ニューラルネットワークと変わらない

　＊アーキテクチャを持っていたが

　＊画像認識において他の機械学習手法をしのぐ

　＊規格外の高性能を発揮したことで注目を浴びる
　☆ニューラルネットワーク

　＊機械学習のカテゴリに属するがものだが　　

　＊もともとは人工知能研究としてスタートした

　☆ニューラルネットワークと大きく変わらない深層学習

　＊深層学習が、汎化能力を獲得できた理由は、はわかっていない

　＊大きく異なったのは大規模化と学習データの増大である
　☆深層学習が登場した２０１０年代

　＊ネットを介して多くの文章や画像を集めることが容易になっていた

　＊データの数が増えればそれに呼応して複雑なモデルを作れる
　＊深層学習では学習データの量が重要となる

　☆深層学習でも、深層学習データが十分でなく

　＊データの数より多いパラメータを持つモデルで学習すると

　＊必ず１００％の予測性能を発揮してしまい

　＊過学習が避けられない

　　　　　　　　　　　　　　　　　　　　　　　　（敬称略）
⛳知識の向上目指し、記事を参考に自分のノートとしてブログに記載
⛳出典内容の共有、出典の購読、視聴に繋がればと思いブログで紹介
　☆記事内容ご指摘あれば、訂正・削除します
⛳私の知識不足の為、記述に誤り不明点あると思います
⛳投資は、自己責任、自己満足、自己判断で
⛳詳細は、出典原書・記事・番組・画像でご確認ください
⛳出典、『知能とはなにか』

『 深層学習』『生成ＡＩ』『汎化性能』

（『知能とはなにか』記事、ネットより画像引用）

『言語化の質』『アウトプットの質』

🌸言語化の質がアウトプットの質を高める

　☆プロフェッショナルは自分の思考回路を言語化出来ている

　☆言語化なしには、高度な作品をアウトプットすることは出来ない

⛳言語化の質を高める方法

　☆考える労力を省く型でない

　☆思考を深め相手にインパクトを与える最終手段としての型である

　☆迷路に落ち込んだら再定義するのも有効である

⛳昨日観た映画を「面白かった！」しか言えない貴方に

　☆言語化は「あいさつ」と同じで、言語化の習慣が必要である

　☆それには、ネーミングに拘る

　＊「ヤバい」「エモい」「スゴい」を明日から使わない

　☆「読書ノート」「ノウハウメモ」を作る

　　　　　　　　　　　　　　　　　　　　　（敬称略）
⛳知識の向上目指し、記事を参考に自分のノートとしてブログに記載
⛳出典内容の共有、出典の購読、視聴に繋がればと思いブログで紹介
　☆記事内容ご指摘あれば、訂正・削除します
⛳私の知識不足の為、記述に誤り不明点あると思います
⛳投資は、自己責任、自己満足、自己判断で
⛳詳細は、出典原書・記事・番組・画像でご確認ください

⛳出典、『頭のいい人が話す前に考えている』記事より画像引用

『ニューラルネットワーク』『局所解』『汎化性能』

🌸過去の知能研究６

⛳ニューラルネットワークの誕生
　☆古典的記号処理パラダイムの解決を目指したアプローチ

　＊脳の基本的な構造体に基づいたニューラルネットワークの動き

　☆ニューラルネットワークとは

　＊正に人間の脳の機能素子ともいうべき

　＊神経細胞、ニューロンの構造にヒントを得た計算システム
　＊ニューロンは簡単に言うと多入カー出力の多数決システム

　＊多入力の多くが「オン」ならば出力も「オン」になり

　＊そうでなければ「オフ」になる、という性質を持っている
　＊ニューロンの信号伝達の仕組みは電気化学的なものである
　＊仕組みこそ通常のコンピュータとは異なるが

　＊形式的な回路という意味では「オン」「オフ」の

　＊二値をベースとした論理演算回路とみなせないことはない

　☆ニューラルネットワークは

　＊人間の知能を司る脳の仕組みを模した

　＊胡乱なシミュレーターだということができる

⛳ニューラルネットワークの動作原理
　☆ニューラルネットワークは「多入カー出力」の素子である

　＊これを使って学習を行い、組み合わせれば

　＊いくらでも複雑なパターンを分類することができる
　☆ニューラルネットワークは大元をたどれば

　＊古典的記号処理パラダイムが行き詰まりを見せたのではなく

　＊さらに数十年さかのぼった時代の研究の再発見に過ぎない

⛳「局所解」という落とし穴
　☆計算機の大きな性能向上があり
　＊手軽にニューラルネットヮークの計算ができるようになった

　＊非常に精力的な研究が行われた

　☆この脳にヒントを得たシステムも実はうまくいかなかった

　＊このニューラルネットワークを用いた人工知能研究分野的には

　＊より広い機械学習の一分野として扱われた

　＊なんらかのタスクにおいて

　＊他の数多ある機械学習の手法に比べて

　＊よい性能をあげることができなかった

　＊「局所解」というものにトラップされてしまう
　☆機械学習を行うときに

　＊パラメータの更新量があまり多いと

　＊学習があらぬほうに飛んでいってしまって

　＊なかなか収束しないのでなるべく更新量は少ないほうがいい
　☆「局所解」の「落とし穴」

　＊微小な更新をどんなに重ねても絶対食い違いが減らないが

　＊遠く離れたところには、もっと食い違いが少ない場所がある

　＊この状態になったときに、乗り越えようがなくなってしまう場合だ

　☆ニューラルネットワーク

　＊競合する機械学習手法に比べて

　＊局所解に落ち込むことが多かったために見捨てられた

　＊この欠点が汎化性能の低下に結びついたのが致命的だった
　☆前世紀の人工知能研究は

　①発足当初の古典的記号処理パラダイムの行き詰まり
　➁身体性アプローチやニューラルネットワークによる

　＊研究が提案されたものの、革新的な成果をあげることがなく

　＊冬の時代を迎えてしまう

🌸コラム

　

　☆ＡＩ研究にノーベル物理学賞が与えられた

　＊ノーベル物理学賞を授与されても当然の日本人が２人もいる

　☆日本で芽吹いた人工知能の研究のタネを

　☆日本で続けることができなかったのは残念というしかない

⛳ノーベル物理学賞を受賞しても当然の日本人甘利俊一

　☆生成ＡＩの基幹技術である深層学習の原型となる

　＊ニューラルネットワークの研究

　＊ヒントンやホツプフイールドに１０年以上先駆けて行っていた

　＊ヒントンやホップフイールドの研究は、甘利の研究とは異なり、
　＊研究から離れてしまった甘利と異なり

　＊ヒントンは人工知能が冬の時代を迎え

　＊ 二ューラルネットワークの研究が廃れても

　＊一人こつこつと研究を続けて現在の生成ＡＩへの流れを作った

　＊結果的に最後まで続けたヒントンにノーベル物理学賞が授与された

⛳ノーベル物理学賞を受賞しても当然の日本人、福島邦彦

　☆福島はホップフイールドやヒントンに先駆けて

　＊後にヒントンが画像認識で大きな成果をあげることになる

　＊ニューラルネットワークの構造と同じものを

　＊画像認識のモデルとして提案していた

　＊だが、福島のモデルには学習則がなく

　＊実際に性能を発揮するには至らなかった

　☆福島の提案したネオコグニトロンも

　＊そのまま現在の研究につながっていたわけではないので

　＊受賞には至らなかった

　　　　　　　　　　　　　　　　　　　　　　　　（敬称略）
⛳知識の向上目指し、記事を参考に自分のノートとしてブログに記載
⛳出典内容の共有、出典の購読、視聴に繋がればと思いブログで紹介
　☆記事内容ご指摘あれば、訂正・削除します
⛳私の知識不足の為、記述に誤り不明点あると思います
⛳投資は、自己責任、自己満足、自己判断で
⛳詳細は、出典原書・記事・番組・画像でご確認ください
⛳出典、『知能とはなにか』

『ニューラルネットワーク』『局所解』『汎化性能』

（『知能とはなにか』記事他より記事画像引用）

出来る人はすぐ電話してくる人を嫌う

🌸出来る人はすぐ電話してくる人を嫌う

　　　　　　　　　　　　　　　　　　　　　（敬称略）
⛳知識の向上目指し、記事を参考に自分のノートとしてブログに記載
⛳出典内容の共有、出典の購読、視聴に繋がればと思いブログで紹介
　☆記事内容ご指摘あれば、訂正・削除します
⛳私の知識不足の為、記述に誤り不明点あると思います
⛳投資は、自己責任、自己満足、自己判断で
⛳詳細は、出典原書・記事・番組・画像でご確認ください
⛳出典、『頭のいい人が話す前に考えている』記事より画像引用

『知的作業』『人間の常識』『スイスロボット』

🌸人工知能の過去の知能研究５

⛳古典的記号処理バラダイムの敗北
　☆脳という人間の器官で実現している知能という機能

　＊脳というハードは、独立にソフトウェア.だけで

　＊実現できるとの考えに大きな飛躍があった

　☆脳がどのように機能して知能を実現しているかが精緻に理解されても

　＊その理解に基づいて同じものを作ろうとしてもうまくいくとは限らない
　☆古典的記号処理パラダイムは１９８０年代行き詰まりを見せてていた
　＊命題の論理演算の延長上にある古典的記号処理パラダイムでは

　＊どうしても知能を実現できなかった

⛳難しい「常識」の習得
　☆人工知能研究が始まった当初は

　＊難しいのは高度な知的作業

　＊例えば、チェスで人間に勝つ、などだと思われていたが

　＊実際に研究が進むと難しいのはそこでは無かった

　☆人工知能に「常識」を持たせることが難しかった

　＊「常識」というのは純粋な論理からでは導き出せない

　＊経験に基づく仮説の集合である

　☆例えば、道の真ん中に光を反射していない黒い円がある場合

　＊この黒い円の正体の候補は無限にありうる

　＊「常識」で、我々が地面の真ん中に漆黒の円を見たときに

　＊思い浮かべるのは「穴が開いている」か

　＊「なにかの影になっている」のどちらかだろう
　＊人工知能にこの手の常識を持たせることは困難を極めた

　☆古典的記号処理パラダイムでは「道の真ん中にある黒い円」

　＊漠然とした状況を記述するのが難しかった

　＊いくら条件を積み重ねても、うまく記述できなかった

　☆人間が持っている「常識」もそれほど完全ではない

　＊古典的記号処理パラダイムで人工知能に常識を持たせようと思うと

　＊人間がこの命題を明示的に書かないといけない

　＊これが予想外に難しかった

　＊人間の常識が明示的に命題の形で列挙されているわけではない
　☆「人間の常識」は長い進化の過程で意識しなくても出来ている

　＊しっかりと脳に埋め込まれているがゆえに

　＊かえって明示的に書き出すことは難しい

　☆逆に「知的な作業」は脳にとって意識的な作業なので

　＊どうやって実行しているか説明しやすく実装も簡単だ

⛳人工知能に身体を持たせる仰天のアプローチ
　☆身体性に基づくアプローチと呼ばれるもの

　＊人工知能に身体を持たせて、実空間の体験を取り入れさせれば

　＊常識を備えた人工知能ができるのでは、という考え方だ
　☆研究の一例として「スイスロボット」と名付けられた研究

　＊古典的記号処理パラダイムでは困難だった「常識」のほうの解決に

　＊重点を置いた方向性の転換ということなのだろう

　＊古典的記号処理パラダイム問題をクリアできなかった

　☆結果、身体性を加味した人工知能研究は

　＊同じようなシステム（ロボット）を扱っているのに

　＊研究者がロボットよりなのか、人工知能研究よりなのかが

　＊違うだけの研究になってしまった

　＊「身体性人工知能」みたいな分野は確立されないで自然消滅した

　　　　　　　　　　　　　　　　　　　　　　　　（敬称略）
⛳知識の向上目指し、記事を参考に自分のノートとしてブログに記載
⛳出典内容の共有、出典の購読、視聴に繋がればと思いブログで紹介
　☆記事内容ご指摘あれば、訂正・削除します
⛳私の知識不足の為、記述に誤り不明点あると思います
⛳投資は、自己責任、自己満足、自己判断で
⛳詳細は、出典原書・記事・番組・画像でご確認ください
⛳出典、『知能とはなにか』

『知的作業』『人間の常識』『スイスロボット』

（ネットより画像引用）

米国政府やグーグルが使う質問術

🌸米国政府やグーグルが使う質問術

　☆質問の前に仮説を立てる

⛳導入質問

　①”過去に行った行動”についての質問

　➁”仮定の状況判断”に基づく質問

⛳深堀質問

　①状況に関する質問

　➁行動に関する質問

　③成果に関する質問

⛳質問が上手い人と下手な人との違い

　　　　　　　　　　　　　　　　　　　　　（敬称略）
⛳知識の向上目指し、記事を参考に自分のノートとしてブログに記載
⛳出典内容の共有、出典の購読、視聴に繋がればと思いブログで紹介
　☆記事内容ご指摘あれば、訂正・削除します
⛳私の知識不足の為、記述に誤り不明点あると思います
⛳投資は、自己責任、自己満足、自己判断で
⛳詳細は、出典原書・記事・番組・画像でご確認ください

⛳出典、『頭のいい人が話す前に考えている』記事より画像引用

頭の良い人が話を聞くとき考えている事（傾聴）

🌸頭の良い人が話を聞くとき考えている事

⛳『傾聴』の思考

　☆アドバイスするな、整理せよ

⛳人が人とコミニケションとる理由

　☆人は誰かに相談してスッキリする

　　　　　　　　　　　　　　　　　　　　　（敬称略）
⛳知識の向上目指し、記事を参考に自分のノートとしてブログに記載
⛳出典内容の共有、出典の購読、視聴に繋がればと思いブログで紹介
　☆記事内容ご指摘あれば、訂正・削除します
⛳私の知識不足の為、記述に誤り不明点あると思います
⛳投資は、自己責任、自己満足、自己判断で
⛳詳細は、出典原書・記事・番組・画像でご確認ください
⛳出典、『頭のいい人が話す前に考えていること』記事より画像引用

『基本的な論理演算」『半導体』『真空管』

🌸コンピュータの過去の知能研究４

⛳いろいるあったコンピュータの形
　☆コンピュータの同義語が電子計算機だが、一種の誤りである

　＊理由は、コンピュータ電子回路で作らなくても良い

　＊いまの計算機は半導体を用いて作られているが

　＊初期の電子計算機は真空管を用いて作られていた

　＊基本的な論理演算を実行するように作られた電子回路だ
　☆「基本的な論理演算」とは

　＊「または」と「かつ」を用いた命題の真偽の判断だ

　☆「コンピュータ」と名前がついているものは

　＊電卓からスマホ、スーパーコンピュータも論理演算「だけ」で動いている

　☆非常に複雑な演算が単純な論理演算で実際に実行できることを

　＊コンピュータの発明で目の当たりにした人類

　＊人間の知能もこれで実現できると考えて

　＊人工知能という研究分野を立ち上げた

⛳いろいるあったコンピュータの形
　☆ここには大変な論理の飛躍があったように思う

　＊それは、ハードとソフトの分離可能性である

　＊コンピュータの同義語が電子計算機というのは誤りである

　☆いまの計算機は前述のように半導体を用いて作られている

　＊初期の電子計算機は真空管を用いて作られていた
　＊真空管は、電子的に電流の大きさを制御する部品である

　＊ 一定の電圧下で流れる電流を制御するには

　＊オームの法則を採用し、回路の電気抵抗をコントロールすればいい

　☆半導体は「導体」という電気流れる状態と

　＊「絶縁体」という電気が流れない状態の中間の状態の物質

　＊これに微小な電圧を付加的にかけることで

　＊真空管と同じような電流の制御ができる

　＊真空管よりもはるかに小さなサイズになる

　＊その結果、電化製品やコンピュータの小型化が進んだ
　☆世界初のプログラム可能なコンピュータの構想のバベッジの階差機関

　＊電子回路など夢想もできない時代の代物

　＊動力を伝達するベルトと歯車で作られていた

　＊ドイツ軍が使った暗号機エニグマは歯車を使った計算機

　　　　　　　　　　　　　　　　　　　　　　　（敬称略）
⛳知識の向上目指し、記事を参考に自分のノートとしてブログに記載
⛳出典内容の共有、出典の購読、視聴に繋がればと思いブログで紹介
　☆記事内容ご指摘あれば、訂正・削除します
⛳私の知識不足の為、記述に誤り不明点あると思います
⛳投資は、自己責任、自己満足、自己判断で
⛳詳細は、出典原書・記事・番組・画像でご確認ください
⛳出典、『知能とはなにか』

『基本的な論理演算」『半導体』『真空管』

（『知能とはなにか』記事、ネットより画像引用）

『チューリングテスト』『イライザ』『基本的な論理演算』

🌸過去の知能研究３

⛳人工知能研究者が犯した二重の間違い
　☆人工知能の普通の研究とはちょっと異なっている

　＊人工心臓を開発、心臓の働きがよくわからないから

　＊人工心臓を開発しますなどと言ったら

　＊周囲から心臓という臓器そのものの研究をしたほうが

　＊心臓自体の理解は高まるでしょうと言われる
　☆人工知能の研究

　＊脳を研究しても知能がわからない以上

　＊実際に知能を作ってみればなぜ知能が出現するのか

　＊どのような仕組みで脳の中で知能が発揮されているのか

　＊問題が解決されるのではと期待されていた

　☆方向性二重の意味で間違っていたと考えられる
　＊実際に知能ができたかどうかの確認ができない

　＊実体のわからないものを作ったら理解できるというのは

　＊典型的なトートロジー（同義語）でしかない

⛳チューリングテストの限界
　☆人工知能が実現しているかどうかのテスト

　＊脳の機能の研究と同じく

　＊人工知能が実際に知能を実現していたら

　＊果たすことができるであろう機能が

　＊実現しているかで判定することになる
　☆典型例はチューリングテスト

　＊チューリングテストは人工知能の開発過程で

　＊実際に人工知能が完成したかどうかの試験として

　＊数学者のチューリングが提案したもので

　☆人工知能と人間と会話させて

　＊人間が人間と区別できなければ

　＊人工知能が完成したとみなす

　＊しかし、チューリングテストをパスできたからといって

　＊知能を実現しているとは限らない
　☆人工知能研究が立ち上がって１０年

　＊イライザというシステムが考案された

　＊イライザは単純なシステムで、答えに窮したら

　＊「〇〇ってどういう意味ですか?」と聞き返すだけのもの

　＊人間はイライザの裏に知能があると感じてしまった
　☆チャットＧＰＴの発表直後には

　＊チューリングテスト結果で

　＊人工知能の完成だと主張する向きは急速に減少した

⛳人工知能はプログラムだけで実現できるのか
　☆人工知能はプログラムで実行できるという考え方である

　＊現在、我々がコンピュータと呼んでいるものは

　＊別名電子計算機と呼ばれているように

　＊電子回路に基づいたものであり

　＊半導体の微細加工技術によって作られている

　＊半導体は、論理演算を実行するように作られた電子回路だ
　☆「基本的な論理演算」とは

　＊簡単に言うと「または」と「かつ」を用いた

　＊命題の真偽の判断である

　☆「０（=命題Aが偽であることを表す）」

　＊「１（＝命題Bが真であることを表す）＝」と書くことができる

　＊つまり、１と０といういくら複雑に見えても

　＊元をたどるとこの論理演算で構成されている

　　　　　　　　　　　　　　　　　　　　　　　　（敬称略）
⛳知識の向上目指し、記事を参考に自分のノートとしてブログに記載
⛳出典内容の共有、出典の購読、視聴に繋がればと思いブログで紹介
　☆記事内容ご指摘あれば、訂正・削除します
⛳私の知識不足の為、記述に誤り不明点あると思います
⛳投資は、自己責任、自己満足、自己判断で
⛳詳細は、出典原書・記事・番組・画像でご確認ください
⛳出典、『知能とはなにか』

『チューリングテスト』『イライザ』『基本的な論理演算』

（ネットより画像引用）