自動運転車は生後7か月の赤ちゃんよりも賢いのでしょうか?

生後 7 か月までに、ほとんどの子供は、物体は見えなくても存在するということを学びます。おもちゃを毛布の下に置くと、子供はおもちゃがそこにあることを知り、毛布の下に手を伸ばしておもちゃを取り出すことができます。物体の永続性についてのこの理解は、正常な発達における画期的な出来事であり、現実の基本原則です。

これも自動運転車にはない機能です。これは問題です。自動運転車は進化していますが、人間のように世界を理解できるわけではありません。自動運転車にとって、通り過ぎるバンによって一時的にブロックされた自転車は、もはや存在しない自転車です。

この失敗は、人工知能 (AI) というやや誤解を招く名前を自ら名乗る、現在広く普及しているコンピューティング分野に共通しています。現在の AI は、世界の複雑な統計モデルを構築することで機能しますが、現実に対するより深い理解が欠けています。 AIに少なくとも理解力のようなもの、つまり生後7か月の子供の推論能力を与える方法こそが、おそらく今積極的に研究されるべきことなのだろう。

現代の AI は機械学習の考え方に基づいています。エンジニアがコンピューターに一時停止の標識を認識させたい場合、そのような記号を表す可能性のあるピクセルのパターンをすべて記述するために何千行ものコードを書こうとはしません。その代わりに、彼は自ら学習できるプログラムを書き、それに一時停止標識の写真を何千枚も見せた。ループを何度も繰り返すうちに、プログラムはこれらすべての画像に共通するものを徐々に見つけ出します。

同様の技術が、交通状況で自動運転車を運転するための訓練にも使用されています。このようにして、車は車線標示に従う方法、他の車両を避ける方法、赤信号でブレーキをかける方法などを学習します。しかし、彼らは、道路上の他の車にはエンジンと四輪があり、交通ルール（通常は）と物理法則（常に）に従っているなど、人間の運転手が当然だと思っている多くのことを理解していません。そして彼らは物体の永続性を理解していません。

人工知能に関する最近の論文で、スウェーデンのオレブロ大学の Mehul Bhatt 氏は、自身のアイデアの商業化に取り組む CoDesign Labs という会社の創設者でもあり、異なるアプローチについて説明しています。彼と彼の同僚は、自動運転車で使用されている既存の AI プログラムをいくつか取り入れ、記号推論エンジンと呼ばれるソフトウェアを組み込みました。

このソフトウェアは、機械学習のように確率的に世界にアプローチするのではなく、自律走行車のセンサーからの信号を処理した後、基本的な物理学の概念を適用して出力をプログラムするようにプログラムされています。変更された出力は、車両を駆動するソフトウェアに送られます。関連する概念には、個別のオブジェクトが時間の経過とともに存在し続けること、オブジェクト同士が「前」や「後ろ」などの空間的な関係を持っていること、オブジェクトが完全にまたは部分的に見えるか、別のオブジェクトによって完全に隠れている可能性があるという考えが含まれます。

テストでは、ある車両が一時的に別の車両の視界を遮った場合、推論機能が強化されたソフトウェアが遮られた車両を追跡し、その車両が再び現れる時期と場所を予測し、必要に応じて回避策を講じることができました。改善は大きくはありませんが。標準テストでは、バット博士のシステムは既存のソフトウェアよりも約 5% 高いスコアを獲得しました。しかし、それはその点を証明しています。それはまた何か他のものも生み出しました。機械学習アルゴリズムとは異なり、推論エンジンは、それが実行された理由を説明できます。

たとえば、推力エンジンを搭載した車にブレーキをかけた理由を尋ねると、バンに隠れた自転車が前方の交差点に進入しようとしていると思ったと答えることができます。機械学習プログラムではそれができません。バット博士は、この情報はプログラム設計の改善に役立つだけでなく、規制当局や保険会社にも役立つと考えています。したがって、自動運転車の一般受け入れが加速する可能性があります。

バット博士の研究は、人工知能の分野における長年にわたる議論の一部である。 1950 年代に研究していた初期の AI 研究者は、この種の事前にプログラムされた推論を使用して、ある程度の成功を収めました。しかし、1990 年代以降、プログラミング技術の向上、コンピューターの性能向上、利用可能なデータの増加により、機械学習は劇的に改善されました。現在、ほぼすべての AI はこれに基づいています。

しかし、懐疑的なのはバット博士だけではない。ニューヨーク大学で心理学と神経科学を学び、Robust.aiという人工知能とロボット工学の会社を経営するゲイリー・マーカス氏も同意する。マーカス博士は、自身の主張を裏付けるために、8年前のことではあるがよく知られた結果を引用した。 DeepMind（当時は独立企業で現在はGoogleの傘下）のエンジニアたちは、Breakoutのルールや遊び方についてのヒントを一切与えられなくても、動いている仮想ボールを仮想パドルで打つことを自ら学習できるプログラムを作成した。

DeepMind のプログラムは非常に優れたプレーヤーです。しかし、別の研究チームが Breakout のコードを修正し、パドルの位置をわずか数ピクセル変更したところ、その機能は急激に低下しました。特定の状況から学んだことを、わずかに異なる状況に適用することさえできません (一般化の欠如)。

マーカス博士にとって、この例は機械学習の脆弱性を浮き彫りにしています。しかし、記号的推論は脆弱であり、機械学習には依然として多くの利点があると主張する人もいます。その中には、ロンドンを拠点とする自動運転車メーカー、ウェイブの技術担当副社長、ジェフ・ホーク氏もいた。 Wayve のアプローチは、車のさまざまな部分を個別ではなく同時に実行するソフトウェアをトレーニングすることです。デモンストレーションでは、ウェイブの車は、多くの人にとって難しいであろう、狭く交通量の多いロンドンの道路を走行しながら正しい判断を下した。

ホーク博士は次のように語っています。「現実世界のタスクのほとんどは、人間が作ったルールで作成できるものよりもはるかに複雑であり、ルールで構築されたエキスパート システムは複雑さに苦労する傾向があることはよく知られています。これは、ロジックがどれだけよく考え抜かれて構造化されているかに関係なく当てはまります。たとえば、そのようなシステムは、車が赤信号で停止する必要があるというルールを作成する場合があります。ただし、信号機は国によって設計が異なり、車ではなく歩行者用に設計されている信号もあります。消防車に道を譲るなど、赤信号を無視する必要がある状況もあります。機械学習の優れた点は、これらすべての要素と概念をデータから自動的に検出して学習できることです」とホーク博士は述べています。データが追加されるにつれて学習を続け、より賢くなります。

カリフォルニア大学バークレー校でロボット工学と人工知能を研究しているニコラス・ラインハート氏も機械学習を支持している。バット博士のアプローチは、2つのアプローチを組み合わせることができることを示している、と彼は述べた。しかし、彼はそれが本当に必要かどうか確信が持てなかった。彼の研究や他の研究者の研究によれば、機械学習システムだけで、他の車が道を譲る可能性があるかどうかなど、数秒先に起こる出来事の確率を予測し、その予測に基づいて緊急時対応計画を策定することができる。

バット博士は、何百万キロもの走行データを使って車を訓練しても、必要な状況をすべてカバーできたかどうかはわからないと答えた。多くの場合、最初からいくつかのルールをプログラムする方が簡単で効率的です。

両方の戦略の支持者にとって、この問題は自動運転車や AI 自体の将来を超えた範囲に及んでいます。 「現時点では、私たちが取っているアプローチは正しいとは思えない」とマーカス博士は語った。 「機械学習は音声認識などの分野では有用であることが証明されていますが、実際にはAIに対する答えではありません。私たちはまだ知能の問題を本当に解決していません。いずれにせよ、生後7か月の赤ちゃんが機械に教えるべきことはまだまだたくさんあるようです。」