人工知能の過去、現在、未来を包括的に解説

[[227618]]

人工知能がどのレベルに到達したかという質問に答える前に、まず人工知能の概念が何であるかを理解する必要があります。

人工知能（AI）とは、人間のような知能を備えたコンピュータを指します。コンピュータサイエンス、統計学、脳神経学、社会科学を統合した最先端の学際的な分野です。人間に代わって認識、認知、分析、意思決定などの複数の機能を実現できます。例えば、文章を話すと、機械はそれをテキストとして認識し、言葉の意味を理解し、分析や会話などを行うことができます。

さらに、AI の開発の歴史と重要なマイルストーンを見てみましょう。

AIは1950年代から1960年代に正式に提案されました。1990年代には、チェスのチャンピオンであるカスパロフが「ディープブルー」コンピューターと競い合い、「ディープブルー」が勝利しました。これは人工知能の発展における重要なマイルストーンでした。 2016年、GoogleのAlphaGoが韓国のチェスプレイヤー、イ・セドルを破り、新たなAIブームが巻き起こった。テンセントは今年、囲碁ソフト「Jueyi」をリリースし、大成功を収めました。これらは、特定の時期におけるAI開発の技術レベルを表しています。

AIへの熱意の継続的な高まりは、インフラの進歩と技術革新と切り離せないものです。1970年代のパーソナルコンピュータの台頭から、2010年のGPUやヘテロジニアスコンピューティングなどのハードウェア設備の発展まで、すべてが人工知能の復活の基盤を築いてきました。

同時に、インターネットとモバイルインターネットの発展により、一連のデータ機能がもたらされ、人工知能の機能が向上しました。さらに、コンピューティング能力も従来の CPU 主導から GPU 主導へと変化し、AI に大きな変化をもたらしました。アルゴリズム技術の更新は、人工知能の台頭に貢献してきました。最も初期のアルゴリズムは、一般的に伝統的な統計アルゴリズムであり、1980 年代のニューラル ネットワーク、1990 年代の浅い層、2000 年頃の SBM、ブースティング、凸法などです。データ量が増加し、計算能力が向上するにつれて、ディープラーニングの影響は増大しています。 2011 年以降、ディープラーニングの台頭により、人工知能の発展は現在最高潮に達しています。

第二に、AI の研究分野と分野は何でしょうか?

人工知能の研究には主に5つの分野があります。最も低いレベルはインフラストラクチャの構築で、これにはデータと計算能力が含まれます。データが多ければ多いほど、人工知能の能力は強くなります。次の層は、畳み込みニューラル ネットワーク、LSTM シーケンス学習、Q 学習、ディープラーニングなどのアルゴリズムであり、これらはすべて機械学習アルゴリズムです。 3 番目の層は、コンピューター ビジョン、音声工学、自然言語処理などの重要な技術的な方向性と問題です。強化学習やビッグデータ分析用の統計システムなど、機械学習アルゴリズムで生成できる同様の意思決定システムは他にもあります。 4 番目の層は、画像認識、音声認識、機械翻訳などの特定のテクノロジーです。最上位にあるのは、金融、医療、インターネット、交通、ゲームにおける人工知能の応用などの産業ソリューションです。これが、私たちが重視している、人工知能がもたらす価値です。

機械学習とディープラーニングには違いがあることを言及する価値があります。機械学習とは、コンピューターアルゴリズムが人間のようにデータから情報を見つけ、いくつかのルールを学習できることを意味します。ディープラーニングは機械学習の一種ですが、ディープニューラルネットワークを使用してモデルをより複雑にし、モデルがデータをより深く理解できるようにします。

機械学習には 3 つの種類があります。1つ目は教師なし学習です。これは、情報からパターンを自動的に見つけてさまざまなカテゴリに分類することを指し、「クラスタリング問題」と呼ばれることもあります。 2 番目のカテゴリは教師あり学習です。これは、履歴にラベルを付け、モデルを使用して結果を予測することを意味します。たとえば、果物があり、その形と色に基づいてそれがバナナかリンゴかを判断する場合、これは教師あり学習の例です。最後のカテゴリーは強化学習です。これは、人々の意思決定や計画を支援するために使用できる学習方法を指します。これは、人々の行動や行動に対して報酬を与え、このフィードバックメカニズムを通じて学習を促進するフィードバックメカニズムです。これは人間の学習に似ているため、強化学習は現在重要な研究方向の1つです。

さらに、AIの応用シナリオは何でしょうか?

人工知能の応用シナリオには主に以下の側面が含まれます。

コンピューター ビジョンでは、 2000 年頃から、機械学習と人工的な特徴を利用して、より優れたコンピューター ビジョン システムを作成するようになりました。ナンバープレート認識、セキュリティ、顔認識などのテクノロジーなど。ディープラーニングは、特徴を学習するために人間ではなく機械を徐々に使用し、自動運転車や電子商取引などの応用シナリオを拡大しています。

音声技術の面では、 2010 年以降、ディープラーニングの広範な応用により、音声認識の精度が大幅に向上しました。Siri、音声検索、Echo などのサービスでは、異なる言語間のコミュニケーションを実現し、文章を別のテキストに翻訳できます。たとえば、スマート アシスタントを使用すると、携帯電話に文章を話しかけると、いくつかのタスクを完了するのに役立ちます。画像と比較すると、自然言語はより難しく複雑であり、認知だけでなく理解も必要です。

自然言語処理において、現在比較的大きな進歩は機械翻訳であり、機械翻訳の本来のレベルを大幅に向上させました。例えば、Google の翻訳システムは人工知能におけるベンチマーク イベントです。 2010年頃、IBMの「ワトソン」システムは、バラエティ番組で人間のチャンピオンを相手に自然言語による質疑応答コンテストで優勝し、コンピューターの能力が大幅に向上したことを示しました。

意思決定システムに関しては、チェス問題の解決とともにその発展は絶えず向上しています。1980年代のチェッカーから1990年代のチェスまで、機械の勝利は科学技術の進歩を示しています。意思決定システムは、自動化、定量投資などのシステムに広く使用できます。

ビッグデータ応用では、これまで読んだ記事から好みのコンテンツを理解し、より正確な推奨を行ったり、さまざまな銘柄の市況を分析して定量的な取引を行ったり、あらゆる顧客の嗜好を分析して的確なマーケティングを行ったりすることが可能になります。機械は一連のデータから判断を行い、最も適切な戦略を見つけてフィードバックを提供します。

最後に、AIの将来はどうなるのでしょうか?つまり、人工知能はどこまで到達したのでしょうか?

コンピュータービジョンにおいて、将来の人工知能は、効果を最適化し、さまざまなシナリオや問題におけるコンピュータービジョンの応用を強化することにさらに注意を払う必要があります。

音声シナリオでは、現在の音声認識は、特定のシナリオ（静かな環境）では人間と同等のレベルをすでに達成できます。ただし、元のシーンの認識、話し言葉、方言、その他のロングテール コンテンツなど、ノイズの多いシナリオでは依然として課題が残ります。今後、この問題を解決するには、計算能力を強化し、データ量を増やし、アルゴリズムを改善する必要があります。

自然言語処理において、機械の利点は、記憶容量が大きいことですが、不規則な話し言葉の認識や認知を含む意味を理解する能力が欠けています。人が話すとき、それは物理的な出来事と結びついています。たとえば、誰かが「コンピュータ」と言うとき、その人はコンピュータが何を意味するか、何ができるかを知っています。自然言語では、「コンピュータ」は孤立した単語としてのみ扱われ、類似の連想は生成されません。自然言語の連想は、テキスト内で共起する他の単語との連想を通じてのみ行われ、物理的な出来事との連想は行われません。したがって、自然言語の問題を本当に解決したいのであれば、将来的にはテキストから物理的なイベントへのマッピングを確立する必要がありますが、まだ良い解決策はありません。したがって、これは将来検討する必要がある研究の方向性です。

現在の意思決定および計画システムには 2 つの問題があります。1つ目は、それらが普遍的ではない、つまり学習した知識を転用できないことです。たとえば、ある方法を使用して囲碁をプレイすることを学んだ場合、その方法をチェスのプレイに直接転用することはできません。2 つ目は、シミュレーション データが大量であることです。そのため、目標は 2 つあります。1 つはアルゴリズムの改善で、データ不足の問題を解決する方法や、シミュレートされたデータを自動的に生成する方法です。もう 1 つは適応能力です。データが変化しても、能力が低下するのではなく、変化に適応できます。これらすべての問題は、今後 5 年から 10 年以内に迅速に解決したいと考えています。

今後、私たちは以下のことを検討する必要があります。

（１）創造性。創造性をゆっくりと研究し、機械が人間の創造性の一部を持ち始めることができるようにするために使用できる特定の方法があります。しかし、その汎用性、特に物理的な事象の理解には限界があります。これらの問題が解決されて初めて、人間のようなロボットを作成し、人間の意味での知性を実現できるようになります。

（２）学際的統合：将来的には、より多くのアルゴリズムと学際的な科学の統合を探求する必要がある。したがって、人工知能は非常に幅広い応用の見通しと、次の段階での多くの課題の両方を秘めています。