2025年以降の人工知能の未来（パート1）

[[420733]]

2025 年までに、人工知能 (AI) は、今日の複雑なタスクの一部を効率的に処理することで、私たちの日常生活を大幅に改善するでしょう。

著名なAI研究者ジェフ・ヒントン氏は、AIが5年後にどのような進歩をもたらすかを予測するのは難しいと述べ、進歩の速度が指数関数的に速いため不確実性が大きすぎると指摘した。

したがって、この論文では、さまざまな経済セクターの発展において私たちが直面する機会と課題について検討します。したがって、網羅的ではありません。

2025年は、5Gに必要なインフラを展開し、あらゆる経済セクターの組織がデータ駆動型組織へと変革する時期となるでしょう。
2020年代後半までに、5Gは主要経済国で展開され、人工知能とロボット工学を通じて大都市を超えて農村地域にまでカバー範囲が拡大し、農業に影響を与えるでしょう。
5Gの普及とホログラフィック技術の頻繁な利用により、拡張現実と仮想現実（AR/VR）技術が注目を集めるでしょう。
ディープラーニング、特に深層強化学習が経済全体で大きな進歩を遂げるにつれ、AI はあらゆる組織や経済のあらゆる分野で中心的な役割を果たすようになります。
Moven の CEO であり、Augmented の著者でもある Brett King 氏は次のように指摘しています。「…社会は、過去 250 年よりも今後 20 年間で世界を大きく変えるテクノロジーの影響を受けるでしょう。」これがこの記事の中心テーマです。
MIT CSAIL のセクションでは、私たちの将来の旅の道筋を示します。
これは、汎用人工知能 (AGI) について簡単に紹介するシリーズの一部です。AGI を実現するための課題については、このシリーズのパート 3 で概説し、量子コンピューティングとヘルスケアについてさらに詳しく説明します。
小さなセクションでは、脳コンピューターインターフェース (BCI) に関連する AI を通じて人間が自分自身を拡張することについて説明します。
新たなデータ主導型経済への移行に伴い、利益を最大化するために、世界中で大幅なトレーニングと教育システムの改革が必要です。

人工知能の簡単なレビュー

人工知能

人工知能は、物体の識別、音声の認識と理解、制約のある環境での意思決定など、人間が得意とするタスクを実行できるコンピューティングシステムの開発分野です。 AI に対する従来のアプローチには、幅優先、深さ優先、反復深化探索、A* アルゴリズムなどの検索アルゴリズムや、述語計算や命題計算などの論理領域が含まれます (これらはすべてを網羅したリストではありません)。シミュレーテッドアニーリング、ヒルクライミング、ビームサーチ、遺伝的アルゴリズムなどの局所探索手法も開発されています。

機械学習

機械学習は、統計的手法を適用してコンピュータシステムがデータから学習し、最終目標を達成できるようにする人工知能の分野として定義されます。この用語は 1959 年にアーサー・サミュエルによって導入されました。例として挙げられる技術の非網羅的なリストには、線形回帰、ロジスティック回帰、K 平均法、k 近傍法 (kNN)、ナイーブベイズ、サポートベクターマシン (SVM)、決定木、ランダムフォレスト、XG ブースト、ライト勾配ブースティングマシン (LightGBM)、CatBoost などがあります。

ディープラーニング

ディープラーニングとは、複数の隠れ層を持つニューラルネットワークの分野を指します。このようなニューラルネットワークは、ディープニューラルネットワークと呼ばれることがよくあります。ニューラルネットワークは、階層的な方法でデータから抽象的な特徴を抽出する、生物学にヒントを得たネットワークです。今後 10 年間で重要な役割を果たす主要なテクノロジーとしては、生成的敵対ネットワーク (GAN)、長期短期記憶ネットワーク (LSTM) を含むリカレントニューラルネットワーク、自己注意 (NLP およびおそらく時系列)、カプセルネットワーク (進行中の研究分野) などがあります。このシリーズの以降の部分では、深層強化学習についてさらに詳しく説明します。

進化遺伝的アルゴリズムと神経進化の分野についても、このシリーズの今後の部分でさらに詳しく検討される予定です。フェデレーテッドラーニングと差分プライバシーの役割についても、今後の記事で検討される予定です。

この記事では、機械学習とディープラーニングの両方をカバーする人工知能について考察します。

狭義の AI:マシンが単一のタスクを実行するように設計されており、その特定のタスクの実行に非常に優れている AI の分野。しかし、機械は一度トレーニングされると、未知の領域に一般化されるわけではありません。これは、Google 翻訳などの今日の AI の形態です。

汎用人工知能 (AGI):人間が実行できるあらゆる知的タスクを実行できる人工知能の一種。より意識が高く、人間と同じように意思決定を行います。 AGI は現時点では依然として希望の段階にあり、その到来についてはさまざまな予測がなされています。今後 20 年ほどで利用可能になる可能性はありますが、ハードウェア、今日の強力なマシンに必要なエネルギー消費、そして今日の最も高度なディープラーニングアルゴリズムにさえ影響を与える可能性のある壊滅的なメモリ損失への対処など、さまざまな課題に直面しています。

超知能:あらゆる分野で人間の能力を超える知能の一種 (ニック・ボストロムによる定義)。これは、一般的な知性、問題解決、創造性などの側面を指します。

AI と機械学習の種類の詳細については、KDnuggets の記事「機械学習とディープラーニング」を参照してください (出典: https://www.bbntimes.com/companies/understanding-artificial-intelligence-machine-learning-and-deep-learning)

人工知能はあらゆる組織の中核となる

マッキンゼーは、「AI 最前線からのメモ: ディープラーニングの応用と価値」と題した詳細かつ有用な出版物の中で、「19 の業界と 9 つのビジネス機能にわたる 400 を超えるユースケースを収集し、分析しました」と述べています。これらのレポートは、ディープニューラルネットワークが最も価値を生み出す可能性が高い特定の領域、従来の分析と比較してこれらのニューラルネットワークが生み出すことができる漸進的な改善 (図 2)、およびこの可能性を実現するために満たさなければならない膨大なデータ要件 (量、種類、速度の面で) に関する洞察を提供します。マッキンゼーはまた、自社のユースケースのライブラリは広範囲ではあるものの網羅的ではなく、特定の業界における潜在能力を過大評価または過小評価する可能性があること、そして今後もライブラリを改良し追加していくことを明らかにした。

マッキンゼーの調査は包括的かつ有用な概要を提供していますが、畳み込みニューラルネットワーク (CNN) などのテクノロジーがヘルスケアなどの分野に大きな影響を与えるため、ディープラーニングはマッキンゼーの予測よりも大きな影響を与えると私は考えています。ほんの一例を挙げると、保険業界での自動視覚検索、小売業界での自動視覚検索、Amazon Go では店内に入るまでレジで支払う必要がないこと、銀行では本人確認のための KYC などがあります。

さらに、より小規模なデータセットでディープニューラルネットワークを正常にトレーニングするいくつかの手法は、今後 10 年以内に実用化されると予想されており、ディープラーニングを経済全体でさらに拡大できるようになります。これについては、以下に示すいくつかの新しいテクノロジーの簡単なレビューのセクションで取り上げます。

2019年から2029年にかけてのアンドリュー・ン氏のコメントを再検討する価値があると思います。彼は次のように述べています。

「AIにはちょうどいいゴルディロックスルールが必要です」

「とても楽観的です。ディープラーニングは AGI への明確な道筋を示してくれます!」

「悲観的すぎる。ディープラーニングには限界があり、AIの冬が来ている！」

「まさにその通りです。ディープラーニングですべてを実現できるわけではありませんが、数え切れないほど多くの人々の生活を向上させ、莫大な経済成長を生み出すでしょう。」

Jason Brownlee 氏は、Andrew Ng 氏の研究を引用して、Deep Learning & Artificial Neural Networks の中で次のように述べています。「より大規模なニューラルネットワークを構築し、より多くのデータを使用してトレーニングを行うと、そのパフォーマンスは向上し続けます。」これは、パフォーマンスが頭打ちになる傾向がある他の機械学習手法とは多くの場合異なります。 ”

上記画像の出典：Andrew Ng

前述したように、ディープラーニングをより小規模なデータセットでもトレーニングおよび拡張できるようにするための研究が数多く行われています。

ディープニューラルネットワークがより小さなデータで正確にトレーニングできるようにする新しい技術が実用化される

以前の記事「よりスマートな AI とディープラーニング」では、ディープニューラルネットワークのトレーニングを簡素化および改善する可能性について検討した例が紹介されています。ここでは、MIT CSAIL の Jonathan Frankle Michael Carbin による「The Lottery Ticket Hypothesis: Finding Sparse, Trainable Neural Networks」と、Adam Conner-Simons による「Smarter Neural Network Training」で提供されている洞察に満ちた要約を検討します。

記事では、MIT CSAIL プロジェクトによって、ニューラルネットワークは 10 分の 1 の「サブネットワーク」で構成され、同じくらいよく、多くの場合より速く学習できることが示されたと指摘しています。

今日私たちの生活にあるほぼすべての AI ベースの製品は、ラベル付けされたデータの処理を自動的に学習する「ディープニューラルネットワーク」に依存しています。

「しかし、ディープラーニングは、ほとんどの組織や個人にとって始めるのが難しいものです。ニューラルネットワークがうまく学習するには、通常、非常に大きくする必要があり、大きなデータセットが必要です。このトレーニングプロセスには、多くの場合、複数日のトレーニングと高価なグラフィックス処理ユニット (GPU) が必要であり、場合によってはカスタム設計されたハードウェアも必要です。」

しかし、実際にはそれほど大きくする必要がなかったらどうなるでしょうか?

MIT のコンピューター科学および人工知能研究所 (CSAIL) の研究者らは新しい論文で、ニューラルネットワークには最大 10 倍小さいサブネットワークを含めることができ、それでも同様に正確な予測を行うようにトレーニングできること、そして場合によっては元のネットワークよりもさらに速く予測を学習できることを示している。

ウィル・ナイトは、MITテクノロジーレビューの記事で、「AIに対する2つの競合するアプローチを組み合わせることで、機械が子供のように世界について学習する能力を獲得した」と報告しています。この記事は、MIT CSAIL、MIT Brain Computer Science、MIT-IBM Watson AI Lab、Google DeepMind の共同論文である「The Neuro-Symbolic Learner: Interpreting Scenes, Words, and Sentences form Natural Supervision」という論文に関連しています。

テクノロジーレビューのウィル・ナイトは次のように述べています。

「より実用的な点としては、新しい技術ではトレーニングデータが大幅に少なくて済むため、AI の新しい用途が開拓される可能性もあります。たとえば、ロボットシステムは、それぞれの固有の環境に合わせてトレーニングに多くの時間を費やすのではなく、最終的にはその場で学習できるようになります。」

「大量のラベル付きデータに頼る必要がなくなるので、これは本当に素晴らしいことだ」と、MIT-IBMワトソンAIラボを率いる科学者デビッド・コックス氏は語った。

おそらく、Capsule Networks も生産に入るでしょう。

さらに、この時期は、深層強化学習がロボット工学やその他の自律システムなどの分野に大きな影響を与える時期でもあります。たとえば、セス・アドラーは「強化学習クイックガイド」を執筆し、製造業への影響の例として、日本の製造業者ファナックの「ロボットは深層強化学習を使用して、箱からデバイスを取り出し、コンテナに配置します。成功しても失敗しても、ロボットはオブジェクトを記憶し、知識を獲得し、この作業を非常に高速かつ正確に実行できるように自分自身をトレーニングします」と述べています。このような技術は、今後10年間で製造業で一般的になり、GANと深層強化学習は、輸送（自動運転車）や製薬業界（新薬発見）でより頻繁に使用されるようになります。

データサイエンスと機械学習の機能はCEOに直接報告されます

ロンドンで開催された CogX 期間中、私はマッキンゼー・アンド・カンパニーの Quantum Black (@quantumblack) による講演に出席しました。講演では、企業における機械学習/データサイエンスのリーダーの役割は、統計やコーディングを超えて、データサイエンスのリーダーがビジネス関連の判断を下す責任を負うようになるまで進化しており、2020 年代には AI とデータサイエンスの機能が組織の CEO に直接報告するようになるだろうと述べられていました。

インテリジェントオートメーションは2025年までに大幅な成長を遂げる

KPMG のレポートでは、AI やロボティックプロセスオートメーション (RPA) テクノロジーを含むインテリジェンス拡張への企業支出が、2018 年の 124 億ドルから 2025 年には 2,320 億ドルに増加すると予測されています。

2030年までに、人工知能は世界経済の成長を牽引するでしょう。

PwC は、2030 年までに AI が世界経済にもたらす潜在的な貢献は 15.7 兆ドルに達し、2030 年までに AI は地域経済の GDP の最大 26% を占めると予測しています。

AIはどこにでもある

エッジで AI ワークロードを処理する主な利点は、リモートのクラウドベースのサーバーからのクエリ応答を待つ場合に比べて、レイテンシが大幅に短縮されることです。その結果、将来のカメラ、ロボット、コンピューターは、リモートクラウドサーバーに絶えずクエリを実行して決定を下す前に待機するのではなく、より優れた、より情報に基づいた判断を下すことができるようになります。たとえば、自動運転車は、サーバーの応答を待つのではなく、左折するか右折するかをリアルタイムで決定する必要があります。さらに、コンピュータービジョンを使用するドローンは、デバイス上の人工知能を使用して独自の飛行経路を調整することで信頼性が向上します。

ジェイソン・コンプトン氏は、「エッジ AI とそのパラダイムを変える効果」と題した記事で、スマートシティでのセンサーの広範な採用によるエッジコンピューティングの成長について言及し、「オンデバイス AI は、街灯などの都市インフラに組み込まれたセンサーを使用して背景ノイズを評価し、緊急事態の有無を判断することで、緊急対応要員への通知時間を改善できる」と述べています。 AI により、交通カメラはナンバープレートの光学認識やパターンと色のマッチングを通じて、車両を即座に識別できるようになります。 ”

これにより、現場に到着する前に救急隊員が状況を把握するための貴重な時間を節約できます。さらに、エッジで AI を導入すると、製造施設でのビジネスプロセスの中断を即座に特定できるため、工場の担当者に問題の原因 (コンポーネントの故障など) と、そのインシデントに対する最適な対応方法を推奨して、損失を最小限に抑え、できるだけ早く通常の業務を回復できるようになります。

この期間中、深層強化学習は私たちの身の回りの日常の活動に頻繁に導入されるでしょう。たとえば、Zhu ら (2016) は、論文「無人航空機支援車両ネットワークの深層強化学習」(https://arxiv.org/pdf/1906.05015.pdf) で、将来のスマートシティの 5G 通信インフラストラクチャを補完するために無人航空機 (UAV) を展開することを提案しました。ホットスポットは道路の交差点に発生する傾向があり、車両間の効果的な通信は困難です。UAV はリピーターとして機能でき、低価格、簡単な展開、見通し内リンク、柔軟性などの利点があります。

上の図の出典: Zhu 他「無人航空機支援車両ネットワークのための深層強化学習」

…

つづく