オープンソースフレームワークとコンピューティング能力の向上により、AI は第 3 のクライマックスを迎えています。AI を教育とどのように組み合わせることができるでしょうか?

基盤技術のオープンソース化とディープラーニングのブレークスルーにより、人工知能は急速な発展の第3ラウンドを迎えており、「AI+」がさまざまな分野に急速に浸透しています。 「破壊的技術」として知られる人工知能は、多くの起業家を惹きつけると同時に、投資家の間でも高い感情を呼び起こしている。では、これほど多くの人々を魅了する人工知能とは一体何なのでしょうか?教育業界における AI の現在の応用は何ですか?教育業界は今後どのように発展していくのでしょうか？

1. 人工知能の歴史と範囲の概要

人工知能（AI）は英語ではAIと略されます。 Wikipedia では、人工知能を次のように定義しています。「インテリジェント エージェントの研究と設計。インテリジェント エージェントとは、周囲を観察し、目標を達成するためのアクションを実行できるシステムです。」しかし、現在のところ、人工知能が何であるかを正確に説明する統一された定義はありません。科学者の間でもこの問題に関してさまざまな意見があり、定義が異なれば研究の方向性も異なります。

人工知能分野の科学者がWhale Mediaに人工知能技術の発展の簡単な歴史を語った。人工知能の発展の歴史には、伝統的な人工知能の方法、古典的な機械学習、ディープネットワーク学習といういくつかの技術的なルートがある。

1999 年当時、一部の科学者は、単純な人工ニューラル ネットワークを使用して人間の脳をシミュレートできると考えていました。シミュレーションの数が人間の脳のニューロンの数に達するほど多ければ、汎用人工知能を実現できます。これらの科学者は、従来の人工ニューラル ネットワーク派に属していました。別の科学者グループは、たとえ機械が人間の脳のニューロンの数に達したとしても、人間のような知能は達成できないと信じており、古典的な機械学習の道を主張しています。 2000 年、機械は人間の脳細胞をシミュレートできるものの、ニューロンを訓練してその機能に適切に一致させることはできず、ましてや訓練後に知能を獲得することはできないことが分かりました。ニューラル ネットワークを通じて汎用的な人工知能を実現することは不可能であると考えられ、競合する 2 つの学派の間では浅い機械学習学派が優位に立った。

2009年から2012年にかけて、「人工知能の3本の柱」（ジェフリー・ヒントン、ヤン・ルカン、ジョシュア・ベンジオ）は、世界トップクラスの学術誌ネイチャーにいくつかの論文を発表しました。その1つは、ディープ・ビリーフ・ネットワークのトレーニング方法に関するもので、複雑なディープ・ネットワークを何らかの方法でトレーニングできると提唱していました。従来の人工知能の核心は、機械が人間が設定したルールに従って動作することですが、この論文では、人間がルールを設定する必要なく、ネットワークが動作中に独自に発見を行うことができると提案しています。科学者の視点から見ると、このようなブレークスルーは新たな生産性であり、そうでなければ生産性の単なる代替物に過ぎません。これにより、ディープ ネットワーク ラーニング スクールが誕生しました。

では、AI とは現在何を意味するのでしょうか? AlphaGoはAIではないのですか？それは間違ってはいませんが、具体的ではありません。 AlphaGo は人工知能システムですが、より正確に言えば、ディープラーニング システムです。そして、ディープラーニングは人工知能のほんの一分野にすぎません。

図で表すと、人工知能は3つの中で最も大きな範囲を持ちます。最も外側の円として表され、その中心にディープラーニング、真ん中に機械学習が位置します。ディープラーニングは機械学習のサブセットであり、最も広い意味では人工知能に含まれます。

最も広範囲にわたる人工知能は、実際には強力な人工知能と汎用人工知能の 2 つの部分に分けられます。物事に対する人間の理解の深さを例に挙げて、その違いを説明します。現在、人間が習得している特徴には 3 つの種類があります。1 つ目は、いわゆる表現特徴、つまり画像、形状、声紋など、人間が見たり聞いたりするもの、2 つ目は接続特徴、つまり意味特徴に関連するものです。たとえば、漢字の「我」と「们」は「我们」という意味のある単語を形成でき、この 2 つの文字には強いつながりがあります。しかし、「I」と「一」などの他の漢字とのつながりは非常に小さく、3番目のカテゴリは、宇宙のすべての物事の動作を支配する法則を数式にまとめることができるなどの科学的特性です。 人間が習得した最初の 2 つの特性、つまり表現特性と接続特性は汎用人工知能に属し、科学的特性は強力な人工知能に属します。 機械が科学的特徴を習得し、ディープラーニングを実行できる場合、機械は数学者の仕事を置き換え、人間を奴隷化する科学を創造できることを意味します。機械が科学を自動的に認識し、さらには科学を創造できるようになると、機械は一線を越えて強力な人工知能の分野に足を踏み入れたことになります。

現在、私たちが最もよく耳にする人工知能は、実はディープラーニングです。ディープラーニングは、フレームワークのオープンソース化とコンピューティング能力の大幅な向上により、画期的な発展を遂げました。企業は、さまざまなオープンソース フレームワークに基づいて、環境固有のソリューションを構築できます。次に、いくつかの人気のあるオープンソース フレームワークを見てみましょう。

適切なフレームワークを使用すると、プログラマーの作業負荷が軽減され、エラー率が下がり、作業効率が向上し、データ モデルが迅速に開発されます。 統計によると、Google が開発した TensorFlow は現在最も広く使用されているオープンソース フレームワークです。Google はこれを基に、Google 翻訳、自動運転車、AlphaGo などの製品を開発してきました。現在、市場で人気のあるオープンソースフレームワークは、基本的にGoogle、Facebook、Microsoft、Baiduなどの大企業によって開発されています。これらの大企業が次のターゲットを人工知能に設定し、専門家の人材獲得を競い合い、研究開発作業を行っていることがわかります。

それで、彼らは人工知能に関してどのような計画を立てているのでしょうか? 「基本層、技術層、アプリケーション層」という3つのレベルで理解することができます。

表の内容は、テンセント研究所が発表したレポート「中国と米国の人工知能産業の発展に関する総合的解釈」を参照しています。

基本層のハードウェア設備は、ディープラーニングに強力なコンピューティング能力を提供します (TPU は、Google が機械学習専用に開発した特別なチップです)。技術層のフレームワークとアルゴリズムは、ディープラーニングがより優れたデータ モデルを取得するのに役立ち、最終結果の精度がますます高まります。中国と米国の産業配置には依然として一定の違いがあることがわかります。米国企業は全面的に発展し、産業チェーン全体を積極的に展開しています。同時に、海外は基礎層と技術層のコア領域の発展にもっと注意を払っています。相対的に言えば、中国はアプリケーション層の開発に重点を置いています。これは、中国と米国における人工知能の発展の早さや遅さ、そして業界の人材に関係しているのかもしれません。

2. 教育シナリオにおける AI の応用: 既存の適応型および評価製品はどの程度優れているか?

人工知能の発展に伴い、「AI+教育」の人気が高まっています。教育企業は、技術的な手段を通じて教育の質を継続的に最適化し、学生がより科学的に学習できるようにすることを望んで、人工知能を採用し始めています。教育業界全体を見ると、比較的成熟した発展を遂げている主要なシナリオとしては、適応型学習、インテリジェント評価、音声処理、視覚とイメージング、ロボット工学などが挙げられます。

ご覧のとおり、ほとんどの企業が「アダプティブ ラーニング」というラベルを採用しています。 「生徒の適性に合わせた指導と個別学習」は、常に教育者が期待していることです。しかし、試験重視の教育の文脈では、人口が多く、リソースが不均等に配分されているため、各子供の学習能力、学習の進捗状況、認知レベルに基づいて学習計画をカスタマイズすることは非常に困難です。しかし、人工知能を使えば、生徒の適性に合わせて教えることが可能になります。そのため、教育企業は人工知能市場を獲得し始め、自社製品を人工知能に「接続」して、学生に適したパーソナライズされたプラットフォームを作成してきました。

インテリジェントな評価により、教師の生産性がさらに向上し、生徒とのコミュニケーションにさらに集中できるようになります。また、各生徒の状況に基づいて個別のフィードバックを提供し、個別の指導の基盤を提供し、評価の側面から生徒の知識の弱点を把握して、それを専門的に学ぶこともできます。

音声処理、視覚、画像に関しては、いずれも資源配分の不均衡を減らし、優れた資源を大量生産し、各地の学生が質の高い教育を受けられるようにすることで、「千人の千の顔」を実現するための準備です。

一般的に、教育業界と人工知能を組み合わせることで、資源配分の不均衡をある程度軽減し、教師の能力を向上させ、子供たちの個別学習の実現に役立ちます。

しかし、一部の人工知能の専門家はWhale Mediaに対し、実際のところ、現在AIを主張している多くの企業は、ディープラーニングのレベルからは程遠い従来の人工知能手法を使用していると語った。人工知能に基づいていると主張する評価のほとんど（または大部分）は、実際には SVM（機械学習の分野における SVM は、パターン認識、分類、回帰分析によく使用される教師あり学習モデル）やその他の同様の方法にすぎない可能性があります。 「人工知能は非常に一般化されているため、それを人工知能と呼ぶのは理にかなっている」と専門家はホエールメディアに語った。彼の意見では、市場に出回っている多くのアプリケーションは十分にスマートではありません。

「人工知能の応用例として最も一般的なものの一つが顔認識です」と述べ、過去には機械による顔認識は可能だったものの、認識率は高くなかったという。しかし、近年、非常に高精度な顔認証が実現している事例も出ています。その原理は機械学習からディープラーニングへの移行であり、顔認証は当然ながら非常に信頼性が高くなっています。

3. 業界：「AI+教育」が直面する課題

教育業界におけるAIの応用と発展について、編集者は専門家のL氏に相談し、人工知能+教育に関する彼の見解を理解し、専門家の観点から「AI +教育」をよりよく理解するのに役立つことを期待しています。

教育業界における現在の人工知能の応用について、L氏は「まだ『大騒ぎ』の段階だ。ディープラーニングが業界で機能するには、前提条件として大量の高品質データと強力なコンピューティングパワーが必要だ。教育業界では、生徒のデータを収集して処理し、データモデルをトレーニングしてソリューションを提案する必要があるが、現時点ではデータ収集はまだ問題だ」と述べた。

教育業界には多くの企業があるものの、その多くは中小企業であり、実際に大量のデータを収集できる企業はごくわずかです。人工知能の根底にある前提は高品質のデータであり、この方法でのみ適切なモデルをトレーニングできます。教育業界における現在の AI 製品については、誰もが人工知能と名付けていますが、本当に適応型学習を実現できるかどうかは疑問です。

業界関係者によると、現在のほとんどの製品は主にビッグデータを駆使して徹底的な操作を行っており（Whale Media注：もちろん、この一般化は厳密ではないという見方もある）、さまざまな可能性のある状況とそれに対応するソリューションを事前にシステムに入力し、情報を受け取った後、システムがデータベース内のマッピングコンテンツを検索し、コンテンツを抽出して返します。このタイプの「人工知能」は非常に限定的です。機械内のすべてのコンテンツは人間の知識に基づいており、変化する状況に対応することができないため、「生徒の適性に応じて教える」という真の目的を達成することはできません。

「AI+教育」でブレイクスルーを起こすには？ L氏は「データは必要条件です。十分なデータ、機械学習の理解、国境を越えた人材の参加があって初めて、真のブレークスルーを達成することができます。『AI+教育』では、外部の技術力や教育企業のデータだけに頼るのではなく、教育データとテクノロジーの完璧な融合が必要です。この2つの力がうまく相互作用して初めて、真の発展を達成できるのです」と語った。

教育業界における人工知能によって生み出される需要は、データだけでなく人材にも反映されています。

イノベーションワークスのエグゼクティブディレクターである張立軍氏は、かつてホエールメディアとのインタビューで、人工知能の才能はいくつかのレベルに分けられるという見解を述べた。最も高いレベルは、大学で人工知能を研究する専門家や教授です。これはピラミッドの最上位レベルで、そのような人材は比較的少数です。2 番目のレベルは、アルゴリズムとモデルを理解して作成できる人材です。3 番目のレベルは、エンジニアリング アプリケーションの人材、具体的には、特定のシナリオでアルゴリズムをエンジニアリング アプリケーションに変える人材です。このような人材はさらに多くいます。4 番目のレベルは、これらのアプリケーションを API または構造化モジュールとして記述できる人材です。さらに下には、コードを作成できる一般的な人材がいます。このレベルの人材は比較的多く、一括してトレーニングできます。

AI業界の一部の科学者は、現在、国にはハイエンドの人工知能人材が必要だが、そのギャップはそれほど大きくないかもしれないと述べた。人工知能の人材には、フレームワークの構築、パラメータの調整、アプリケーションの方向性の把握という 3 つの能力が必要です。

人工知能データには転移学習が含まれます。たとえば、英語における外国の意味研究は、国内の中国語の意味環境にうまく転移できません。企業がAIを導入するための仕組みを構築するプロセスは、簡単なようで実は非常に面倒です。移行プロセスでは、フレームワークを構築し、資金を使ってハードウェアを購入することができますが、最も難しいのはパラメータの調整です。調整パラメータは人数の影響を受けません。長いプロセスが必要であり、比較、トレーニング、調整を繰り返すことで達成されます。

国内のハイエンドAI人材は主に国立研究所とBATなどの巨大テクノロジー企業にいます。 「大学がAI人材を育成するのは困難です。長期にわたるAIプロジェクトが必要で、修士レベルでは解決できない問題です。つまり、人工知能を専門とする博士号を持つ人材を探すことになりますが、中国ではそのような人材の数は限られており、プロジェクト運営に参加した人材は言うまでもありません。」また、企業自体にAI人材がいる場合、人材を引き留めるために防御戦略も採用するため、AI人材の獲得がさらに難しくなります。

「AI+教育」は避けられない出来事です。人工知能の追加は教育業界に新たな活力を吹き込み、将来の教育業界に大きな変化と影響を与えるでしょう。表面的なことを超えてディープラーニングに触れ、真の人工知能を実現し、それに見合った人材を獲得するにはどうすればよいか、これもAIの導入を目指す教育機関が普及を追いながら考えなければならない問題です。