AIの「冬」にご用心

1950 年代のコンピューティング ブームにより、「人工知能」という用語が誕生しました (1956 年)。そして 1980 年代には、ニューラル ネットワークの進歩とパーソナル コンピューティング革命により AI が再登場し、コンピューティングが広く利用できるようになりました。しかし、どちらの場合も、AI は人間の期待に応えることができませんでした。その後、技術に対する失望と幻滅が続き、研究資金の停滞と AI 技術の開発の衰退につながりました。その結果、「AIの冬」が始まりました。

今日、ChatGPT や Bard のような生成 AI ソリューションは、刺激的で印象的です。膨大なデータセットを取り込み、複雑な相関関係を構築して、簡単なプロンプトだけでコンテンツを生成することができます。これらのアプローチによって可能になった劇的な進歩は、人工知能の分野がルネッサンスの瀬戸際に立っていることを示唆しています。

問題は、ChatGPT も Bard も回答の正確さをチェックできず、正しく聞こえることと実際にうまく機能することの間には大きな違いがあることです。したがって、チャットボットはビジネス上の問題を解決するのに想像されるほど役に立ちません。

歴史を繰り返して AI が再び停滞することを避けるためには、生成 AI の実際の限界を認識し、他の主要な AI 技術を開発および強化することでその限界に対処することが重要です。

ジェネレーティブAIの仕組み

生成 AI は、大量のテキストでトレーニングされたニューラル ネットワークである大規模な言語モデルを使用します。彼らの力は、膨大なデータセット全体にわたって相関関係を構築する能力から生まれます。 AI が十分なデータでトレーニングされると、簡単なプロンプトを与えると、以前に見たテキストのスタイルを思い出し、同様のデザインのコンテンツを生成できるようになります。

これらの AI が示す技術的能力は、1990 年代の Web ブラウザの開発と同じくらい刺激的ですが、この分野をどのように前進させるかについてはさまざまな見解があります。十分なデータがあれば、生成 AI はどんな問題も解決できると考える人もいます。AI ルネッサンスへの道に必要なのは、より多くのデータで生成モデルをトレーニングすることだけです。しかし、これは生成 AI がすべての問題を解決できるわけではないという事実を根本的に無視しています。

生成AIの現在の限界を理解する

ChatGPT と Bard への関心にもかかわらず、ユーザーや学者は同様に、正しく聞こえることと実際にうまく機能することの間には大きな違いがあると言います。生成 AI はプロンプトに対して印象的に聞こえる回答を提供しますが、必ずしも正確であるとは限りません。これは、回答が正しいかどうかを理解するために設計されておらず、多くの質問では正確さが重要になるからです。問題は、従来の生成 AI は大量の未検証データを使用して一般的なモデルでトレーニングされており、企業の内部データを活用できないことです。最も差し迫った問題のいくつかを解決するには内部データが必要ですが、機密性の高い顧客データはインターネット上で公開されておらず、また、より小規模な「エンタープライズ規模」のデータから学習するように構築されていないため、生成 AI がすぐにアクセスできるようになる可能性は低いでしょう。

ChatGPT の制限のもう 1 つの例は、因果関係の概念に関するものです。例えば、「雨が降ったら、芝生は濡れますか？」と直感的に質問すると、雨が降ると芝生が濡れるということが分かります。しかし、ChatGPT は因果論理の感覚を支える知識の階層を理解するために因果感覚を持ってプログラムされていませんでした。 ChatGPT のもう一つの見落とされがちな制限は、それをサポートするために必要な計算コストに関するものです。 AI の世代が進むにつれて、その手法を改善するためにますます多くの情報が必要になるため、計算コストが大幅に増加し、ほとんどの組織にとってコストがかかりすぎます。

代替技術がAIの復活を助ける

AI がさまざまな問題を解決する上で真に強力になるためには、生成 AI と並行して他のテクノロジーも開発される必要があります。さまざまな最新テクノロジーを組み合わせることで、AI の機能が強化され、AI が復活する可能性があります。これらには以下が含まれます:

因果関係を決定し、他の変数を制御することを目的とした因果 AI。標準的な業界での慣行では、A/B テストを使用して、どのような介入を試みるべきかを決定し (たとえば、「顧客にどの程度のプロモーション割引を提供すべきか?」)、個々の顧客の行動が異なる理由を特定します。多数の異なる変数を同時に使用して大規模な A/B テストを実施するのは難しい作業ですが、ここで因果 AI のパワーを活用できます。

オンライン学習は、条件、予測、精度に基づいて継続的に更新される人工知能の専門用語です。現在の生成 AI は、フィードバックに基づいてリアルタイムで自己更新することはできません。伝染病を例に挙げてみましょう。消費者の習慣は劇的に変化しており、過去のデータをどれだけ集めても、購入者の行動がどのように変化し、組織がどのように適応する必要があるかを予測することはできません。結局のところ、価値のある AI は、リアルタイムで「現場」を学習し、実際の状況に基づいて回答を提供して関連する問題を解決できるほど柔軟である必要があります。

これらのテクノロジーを組み合わせることで、AI は数え切れないほどのさまざまなカテゴリの問題を解決できます。 AI は一般に膨大なデータセットを扱いますが、特化した AI は単一のデータポイントや限られたデータセット (単一の企業の取引など) の規模で意思決定を行えるため、さまざまな業界でより価値が高まります。さらに重要なのは、これが世界が待ち望んでいた真の AI ルネッサンスの始まりになるかもしれないということです。