このエントリーをはてなブックマークに追加

2016年9月19日月曜日

人工知能は人間を超えるか

人工知能は人間を超えるか

今回のドトール会は「人工知能は人間を超えるか」をテーマにしました。
人工知能について初心者の私でも面白く読めるように人工知能の歴史を紹介してくれています。
ここでは本書にでてくる印象に残った単語やシステムを各ブームに沿って紹介します。





人工知能のブーム

「推論」と「探索」の第一次人工知能ブーム1956年から1960年代
最初に人工知能という言葉が生まれたのは1956年米国東部のダートマスで開催された伝説的なワークショップで人間のように考える機械を初めて「人工知能」と呼ぶことになった。
ここから第一次人工知能ブームが始まっていく。
有名なのは探索木やハノイの塔

■探索木

探索木とは要するに「場合わけ」であり、こっちに行った場合、あっちに行った場合などで場合分けをする。そしてさらに行った先でも場合分けを行っていき、ゴールにたどり着くルートを探し出す。
※探索木には主に「深さ優先探索」と「幅優先探索」の2種類存在する。


ハノイの塔
ルール
以下のルールに従ってすべての円盤を右端の杭に移動させられれば完成。
  • 3本の杭と、中央に穴の開いた大きさの異なる複数の円盤から構成される。
  • 最初はすべての円盤が左端の杭に小さいものが上になるように順に積み重ねられている。
  • 円盤を一回に一枚ずつどれかの杭に移動させることができるが、小さな円盤の上に大きな円盤を乗せることはできない。
wiki引用

このハノイの塔も探索木で攻略することができる、円盤が移動できるすべての場合を順番に試していくのだ。

■ロボットの実行計画
探索木を使ってロボットの実行計画を作ることができる。これはプランニングと呼ばれる技術である。
プランニングとは以下3つを組み合わせて記述するSTRIPSが有名である。
・前提条件(プリコンディション)
・行動
・結果(ポストコンディション)

■第一次人工知能ブームの終わり
このころの人工知能はいわゆるトイ・プロブレムとよばれる単純な問題しか解決できないことが明らかになってきた。人間の知能をコンピュータで実現することが分かったのが第一次人工知能ブームだった。


「知識」を入れると賢くなる第二次人工知能ブーム1980年代
■コンピューターと対話する
有名なのはイライザと呼ばれる対話システムである。ツイッターのBotなどは「人工無能」とよばれているが根本的な原理は同じであるらしい。衝撃的な事実はこのイライザが開発されたのは1964年頃であることだった。

■エキスパートシステム
ある専門分野の知識を取り込み、専門家のようにふるまうことのできるシステムで1970年代にスタンフォード大学で愛初されたMYCINが有名である。
課題は多くの知識を専門家からヒアリングして知識を取り出すことや情報の管理などで膨大なコストがかかってしまうことだった。

■オントロジー研究
オントロジーとは哲学用語で「存在論」とされている。人工知能の用語としては「概念化の明示的な仕様」と定義される。


is-a関係
犬は哺乳類、イチゴは果物など
part-of関係
手は人間、指は手など

オントロジー研究によって知識を適切に記述するにはどうしたらよいかという問題にたいして2つの流派に分かれた。
・ライトウエイト・オントロジー派
本書では「コンピューターにデータを読み込ませて自動で概念間の関係性をみつけよう」というもの
代表的なものはワトソンと呼ばれる人工知能が紹介されている。

・ヘビーウエイトオントロジー派
本書では「人間がきちんと考えて知識を記述していくにはどうしたらいいのか」というもの

フレーム問題
 フレーム問題(フレームもんだい)とは、人工知能における重要な難問の一つで、有限の情報処理能力しかないロボットには、現実に起こりうる問題全てに対処することができないことを示すものである。
wiki引用

シンボルグラウンディング問題
シンボルグラウンディング問題(シンボルグラウンディングもんだい)とは、記号システム内のシンボルがどのようにして実世界の意味と結びつけられるかという問題。記号接地問題とも言う。 ハルナッド(w:Stevan Harnad)によって命名された。
wiki引用

知識を書ききることやフレーム問題、シンボルグラウンディング問題が大きな壁となり第二次人工知能ブームは終わりを告げた。


「機械学習」による第三次人工知能ブーム

ここから先が本書の面白いところになるのですが、個人的に興味を持った4つの単語を紹介します。
教師あり学習、教師なし学習
教師なし学習(きょうしなしがくしゅう, Unsupervised Learning)とは、機械学習の手法の一つである。「出力すべきもの」があらかじめ決まっていないという点で教師あり学習とは大きく異なる。データの背後に存在する本質的な構造を抽出するために用いられる。
教師あり学習は、その「出力すべきもの」も入力として与えることで教師なし学習になる。
シニフィエ、シニフィアン
シニフィアンは、フランス語動詞 signifier現在分詞形で、「意味しているもの」「表しているもの」という意味を持つ。それに対して、シニフィエは、同じ動詞の過去分詞形で、「意味されているもの」「表されているもの」という意味を持つ。
ニュートラルネットワーク
シナプスの結合によりネットワークを形成した人工ニューロン(ノード)が、学習によってシナプスの結合強度を変化させ、問題解決能力を持つようなモデル全般を指す。広義には誤差逆伝播法を用いた多層パーセプトロンを指す場合もあるが、これは誤った用法である。
ニューラルネットワークは、教師信号(正解)の入力によって問題に最適化されていく教師あり学習と、教師信号を必要としない教師なし学習に分けられる。明確な解答が用意される場合には教師あり学習が、データ・クラスタリングには教師なし学習が用いられる。中間層が2層以上ある深層学習においては、出力に近い最後の中間層を教師あり学習で、それよりも入力に近い側を教師なし学習で学習する方法がジェフリー・ヒントンらにより提案されている。
結果としていずれも次元削減されるため、画像や統計など多次元量のデータで線形分離不困難な問題に対して、比較的小さい計算量で良好な解を得られることが多い。 現在では、特徴量に基づく画像認識、市場における顧客データに基づく購入物の類推など、パターン認識データマイニングとして応用されている

自己符号化器
オートエンコーダ(自己符号化器、autoencoder)とは、機械学習において、ニューラルネットワークを使用した次元圧縮のためのアルゴリズム2006年ジェフリー・ヒントンらが提案した[1]。線形の次元圧縮としては主成分分析があるが、オートエンコーダはニューラルネットワークを使用する。

最後にシンギュラリティは本当に起きるのかという議題についてですが、シンギュラリティとは技術的特異点のことであり、ここでいうと人工知能が人工知能を修繕したり、あらたに人工知能を生み出すことである。本書でも紹介されている一文だが、「完全な人工知能を開発できたら、それは人類の終焉を意味するかもしれない」いわば映画ターミネーターのような世界である。

だが人工知能では生命を繁殖することはできないし、機械であるからには人間のもつ感情も持てないし、人間ならではの他人を思いやる気持ち「絆」と呼ばれるものもつくり出せない。これらは人類の最後に残された武器になると思っている。

しかし人工知能の発達によって我々人間の仕事が減っていくのも事実であることには目を背けられない。今後20年で多くの職業が自動化されていき、人工知能の発達によって職を失う人は少なからず出てくると思っている。私の好きな言葉の一つに「怠惰を求めて勤勉になる」という言葉があるが、人工知能の発展にはさらにその先も考えなくてはいけないように感じてしまった。


本日は計1950円をお支払い致しました。

0 件のコメント:

コメントを投稿