人工知能が他に何ができるか知りたいですか?明確な「ベイジアン意識」を持たなければならない

私たちとの会話の中で、多くの読者が、人工知能が予想外の多くのことを実行できることに驚いたと述べています。囲碁から自動運転、古代文字の認識から宇宙の地図作成まで、人工知能は万能であるようだ。読者の中には、私たちが特別なトピックを取り上げ、「AI がこんなことができるなんて想像もできない」というリストを作成することを希望する人もいます。

このリストは簡単すぎると申し上げるのは大変申し訳ないのですが、問題はそれが終わりがないことです。技術的な可能性を考慮しなくても、毎日発表される新しい論文や研究報告で AI が何ができるかを数えるだけでも、ほぼ不可能な作業です。

しかし、これは AI が万能であることを意味するものではありません。実際、AI は、ほとんどの基本的なタスクにおいて従来のコンピューターほど効率的ではなく、ましてや従来のコンピューターを置き換えることはできません。 AI は、まったく異なる基本戦略を採用し、従来のコンピューティングや手作業では解決できない問題の解決に重点を置いているため、常に予期しない領域で出現します。

諺にあるように、魚は魚よりも悪いです。「AI は実際にこれができる！」と嘆く代わりに、「AI が他に何ができるかをどうすれば知ることができるか？」について考えてみませんか？この機能を獲得するには、今日の主流の AI ソリューションの基礎を理解する必要があります。ここで、AI の開発に非常に重要な名前である「ベイズ」について考えてみましょう。

神を見つけたいと思ったが、人工知能を見つけた

ベイズ理論がなければ、今日の人工知能がどのようなものになるか想像するのは難しい。人工知能だけではありません。統計学、応用数学、測量・地図作成、医学、さらには犯罪学も大きな影響を受ける可能性があります。

しかし、学問の世界にとって非常に重要な人物は、科学者ではありません。 300年前に生きたトーマス・ベイズはイギリスの司祭でした。もちろん、彼はアマチュア数学者でもあります。

趣味と仕事を両立させることを考えたからかもしれません。ベイズは、神が存在することを世界に証明することを望んで、確率統計に帰納法を適用する方法を提案しました。残念ながら、300年経った今でも神の存在の証拠は見つかっていませんが、ベイズ的意思決定は数え切れないほどの科学分野で開花しました。

[[207268]]

いわゆるベイズ帰納法には、実は非常に単純な基本原理があります。たとえば、ある人が善いことをしたら、その人は善人なのでしょうか? もちろん必ずしもそうとは限りません。しかし、もし人が毎日良いことをしていれば、その人は良い人なのでしょうか？実は、必ずしもそうではありません。裏で許されない犯罪を犯している可能性もあります。しかし、悪いことをしたという証拠がなければ、毎日良いことをしていれば、その人が良い人である可能性は明らかに非常に高いのです。これがベイズ帰納法の核心的な論理です。判断を下す前にすべての証拠を入手する必要はなく、まず既知の条件に基づいて判断を下し、その後データを通じてその判断を継続的に検証、調整、修正して、無限に合理化していきます。

この論理は非常に単純に聞こえますが、少し信頼性が低いようです。ベイズのアイデアは彼の生前には出版されていませんでした。彼の死後200年以上経っても、ベイズ帰納法はあまり注目されませんでした。なぜなら、データの厳密さから始まる古典的な統計は、ベイズ帰納法のような計算を開始するために「推測」を使用するよりも、明らかに物事の本質によりよく触れることができるからです。

100 年以上沈黙していたベイズ理論が統計学で再び評価されるようになったのは、1970 年代から 1980 年代になってからでした。

従来の統計は信頼性が高いものの、完全なデータ モデルに依存しており、実際のニーズを満たすには非効率すぎることがよくあります。例えば、海上で遭難船を捜索する場合、古典的な統計では、気象データ、監視データ、海域ごとの通過船舶データが必要となり、これらの要素を総合的に計算して正確に目標の位置を特定します。しかし、実際には、これらすべてのデータを即時に入手することは不可能であり、たとえ入手できたとしても、一秒一秒を争う捜索救助作業を待つことはできません。ベイズ理論を使用してこの問題を解決すると、まず経験豊富な専門家が難破船が発生した場所について主観的な判断を下し、その後継続的に取得されたデータを使用して専門家の判断を徐々に修正し、可能な限り短い時間で問題を解決することを目指します。これは、1968 年の有名な USS スコーピオ潜水艦の墜落であり、ベイズ理論が応用段階に入ったことを示す兆候でもありました。

ベイズ理論では、人間の事前知識から始めて、対象に対してあいまいな判断を下し、その後、判断を校正するために継続的に学習することを強調しています。これが、数多くの人工知能技術誕生の出発点となりました。

300年前、神の存在を証明するはずだった理論が、300年後に人工知能の基礎となった。これは悲しい話ではないでしょうか。

それともベイズ牧師は実際に正しい答えを見つけたのでしょうか?

ベイジアン認識: すべての学習AIの基礎

0 と 1 で構成される従来のコンピューティングとは異なり、ベイズ コンピューティングでは、答えを得るために完全なデータに基づく必要はありません。不完全なデータについて推論するこの能力は、人間の思考における認知および判断のプロセスと非常によく似ています。その結果、ベイズ理論と AI を組み合わせて不完全な情報を推測するために使用される技術モデルが多数登場しました。

たとえば、ベイジアン ネットワーク、ベイジアン分類器、ベイジアン ロジックはすべて、今日の非常に基本的な AI ツールです。ベイジアンネットワークは、機械学習理論の有効性を証明するための基本条件とさえ考えることができます。ベイズ法は、NLP、マシンビジョン、ナレッジグラフなどの分野でも広く使用されており、結果指向のアルゴリズムとテクノロジーの最適化のサポートになっています。

[[207269]]

ベイズ理論は私たちの生活のいたるところに存在しています。例えば、スマホで撮影した動画やライブ放送がどんどん鮮明になっていると感じたことはありませんか？その大きな理由は、カメラアルゴリズムがベイジアンロジックを搭載した動画最適化アルゴリズムを採用し、敵対的生成を利用してより鮮明で自然な撮影効果、いわゆる動画美化を実現していることです。

ベイズ理論が人工知能にとって重要であることは、別の観点からも実証できます。 1970 年代には比較的短期間の AI ルネッサンスがありました。当時、知識表現とエキスパートシステムが人工知能の主役となり、人々はスーパーコンピュータを使って人類の知識をすべて要約し、ネットワーク化することを望んでいました。最終的には、すべての質問に回答できます。

このモデルは当時、多くの利益と注目を集めましたが、わずか数年で倒産しました。人間の知識とデータは非常に複雑なため、すべての知識を収集することは理論上の可能性に過ぎず、実際の運用には程遠い状況です。

今日、機械学習を特徴とする AI の第 2 次ルネサンスは、ベイズ意識によってもたらされた思考の変化から大きな恩恵を受けています。つまり、人間は大量の知識を収集する必要はなく、既存の知識の一部から始めて、機械が継続的に学習し、自身の能力を検証して改善し続ければよいのです。結局のところ、人間に必要なのは全能で全知の存在ではなく、知的な存在が人間よりも強力であればよいのです。

現実の変化に対する高い感度を頼りにするベイズ意識は、今日のあらゆる学習型AIの基盤となっていると言えます。不完全性から始まり、徐々に完全性へと向かっていくベイズ意識のロジックを理解することで、将来AIが何ができるのかが分かります。

人間の脳とテクノロジーの未来は共通の目標を共有している

一部の学者は、ベイズ意識は人間の脳の思考モードに最も近い応用数学的論理である可能性があると考えています。子どもに犬を学ばせるのと同じように、犬の種類や家族、習性などを教える必要はありません。犬の耳や鼻、手足などをデータ化して理解させることもできます。子供はすぐにこれが犬だとわかり、その後も継続的に学習することで、犬に対する理解が深まり、犬にはさまざまな種類があること、オオカミと犬の違いなどを知るようになります。

ですから、過去に私たちが多くの問題について考えたとき、私たちはコンピューターのように脳に積極的に想像をさせていました。モバイルインターネットの時代では、私たちはすべてを携帯電話を中心に考えることに慣れています。しかし、人工知能の時代において、ベイズ意識は私たちに、おそらく人間は人間らしく考えるべきだと告げています。

特定の技術的特異点の後、機械は人間と同じように、地域的な知識を通じて地域内の複雑な問題を認識し、推論し、判断できるようになります。最も良い例は、AlphaGo ZERO の出現でしょう。実際、AlphaGo のロジックは一種のベイズ的思考です。囲碁の場合、古典的な計算ではすべてのバリエーションを網羅することはできず、力ずくで網羅するとクラッシュにつながるだけであることを知っておく必要があります。

AlphaGo が行っているのは、インテリジェント エージェントに囲碁のルールを学習させ、その後、大量の人間のチェスの記録を学習させることです。これは、継続的にデータを吸収し、ベイズ帰納法で調整するという目標です。実際の戦闘では、インテリジェント エージェントの内部アルゴリズムが各予測ステップの合理性を自己検証し、最終的に最適なソリューションを取得します。

[[207270]]

ある程度の蓄積を経て、AlphaGo のベイジアンシステムは人間が提供するデータに頼らなくなり、高品質のデータに基づいて自己学習することで、短期間で前世代を瞬時に上回る能力を身につけます。これは、ベイズシステムが一次データへの依存を捨て、さらなる自己調整のプロセスに入っていると見ることができます。

将来、このような現象がさらに起こると信じる理由がある。人間の脳の学習能力にはいくつかの制限がありますが、ベイズエージェントには制限がありません。

曖昧な知識を通じて、継続的な学習は最終的に広大な未知の世界へとつながります。これは、人間の脳とテクノロジーの将来の共通の方向性なのかもしれません。少なくとも今のところ、この技術的な論理は、未来を見据えた科学においてますます使用されるようになっています。例えば、量子ベイズ、ベイズ遺伝的アルゴリズムなど。

一方で、人工知能が他のどのような分野で素晴らしいことができるのかを知りたいです。ベイズのように考えてみるといいでしょう。まず、この分野には効率、信頼性、コスト比、盲目性などの問題があるでしょうか。もしそうなら、AIを導入する必要があるでしょうか。次に、インテリジェント エージェントの基礎となるこの分野に関する事前の知識があるかどうかを確認します。この分野が機械学習のためのデータと知識を今後も生み出し続けることができるかどうかをもう一度考えてみましょう。

これらの条件が整えば、AIの実現はそう遠くない。

パソコンから携帯電話までの長い教育プロセスを経て、私たちはデジタル世界の操作に慣れてきたのかもしれません。しかし、人工知能は人間とコンピューターの古典的な組み合わせを打ち破り、人間の知覚と学習能力、そしてコンピューターの計算能力を活用することで別の道を切り開く可能性があります。おそらく、インターネットに対する考え方を変えて、私たちの脳が人工知能に対してもう少し暗黙の理解を持つようにする時期が来ているのかもしれません。