目を覚ませ、自動運転車は皇帝の新しい服に過ぎない

高速で運転していて、車がブレーキをかけられないとします。目の前の片側には段ボール箱が山積みになっていて、反対側には電柱があります。急いでいるとき、ハンドルをどこに切りますか？これは非常に愚かな質問に思えるかもしれませんが、自動運転技術が急速に発展している今日の世界では、議論する価値が非常にあります。

群衆に従うのは一般大衆だけではありません。産業界や商業界の人々も同様です。 AlphaGo によって引き起こされたこの一連の人工知能ブームは、瞬く間に世界を席巻しました。自動車業界では、自動車メーカー全体でもインターネット技術企業でも、誰もが人工知能や自動運転について語っており、企業は宣伝ページに「AI」や「スマート」という言葉を追加する必要があります。さまざまな業界の会議では、あらゆる分野のリーダーたちが人工知能の発展について熱心に語り、彼らは皆、自分たちをインテリジェンスの分野のリーダーとして表現したいと考えていました。しかし、真実は見た目よりもはるかに恥ずかしいものです。

[[242551]]

先日、「Autobot」は「お金の無駄遣い！自動運転技術は間違った方向に向かっているのか？」という記事を掲載し、スタンフォード大学の理論物理学と凝縮物質物理学の修士である張守勝教授を紹介しました。張教授は、現在の人工知能技術はまだ非常に初期段階にあると考えています。「初期」の前に「非常に」が入っています。同氏は、人工知能はまだ「バイオニック段階」にあり、つまり人類が基本原理を解明していないことを意味していると述べた。

彼が述べた基本原理は物事の本質、つまり物理学の第一原理です。最終的な表現は通常、F=ma などの数式です。著者は、数学が創造主とコミュニケーションできる唯一の言語であると信じています。

物理学は科学の母であり、基礎物理学は物理学の母です。基礎物理学の表現は、多くの場合、数式で表されます。しかし、張教授は結局のところ人工知能分野の先駆者ではない。そこで、この記事では、人工知能分野の大物であり、カリフォルニア大学ロサンゼルス校のコンピュータービジョン、認知、学習、自律ロボットセンターの所長である朱松春教授の見解を見てみましょう。朱教授は、マー賞（コンピュータービジョン分野で最も名誉ある賞の一つ）を3度受賞しており、米国の視覚、認知科学、AI分野の学際的共同プロジェクトであるMURIの責任者を2度務めました。つまり、この分野のベテランで朱松春の名前を知らない人はいないのです。

冒頭の例を見てみましょう。現在の自動運転技術では、自動運転車が高速で走行していて、前方の片側に段ボール箱の山があり、反対側にコンクリートの電柱があり、車を止めることができず衝突せざるを得ない場合、人工知能は何を選択するでしょうか。人間が運転していたら、何も考えずに段ボール箱のある側に駆け寄るでしょう。しかし、現在の人工知能技術に任せれば、悲劇に終わる可能性が高いでしょう。

なぜでしょうか？朱松春教授は、ディープラーニングは現在ビジネスで非常に人気があるものの、人工知能の分野全体の中では、ディープラーニングは単なる一分野に過ぎないと述べました。ディープラーニングの特徴は、結果しか知らず、理由を知らないことです。これは、人間の話し方を真似するオウムによく似ています。オウムは人間の話し方を真似ることはできますが、何を言っているのかはわかりません。

まず、ディープラーニングを人工知能とみなすということは、海淀区を中国全体とみなすのと同じことだということを理解しておく必要があります。現在、私の国のいくつかの大手インターネット企業を含め、ディープラーニングを中核研究方向とするほとんどの人工知能企業は、コア製品にディープラーニングを採用しています。実は、ディープラーニング自体は特別なものではありません。その本質は統計数学における多項式回帰です。統計学や数学の専門家はすでにこの点を公に述べています。これは愚かな方法ですが、NVIDIA の GPU 製品の助けを借りて使用できます。しかし、ディープラーニングには問題があります。第一に、物事の因果関係を理解できないこと、第二に、一つの例から推論を導き出せないこと、そして第三に、物理学の最も基本的な常識が欠けていることです。物理の常識がないので、箱に衝突する方が電柱に衝突するよりはるかに安全だということを知りません。レーダーから返ってきた信号に基づいてこれら 2 つの障害物を認識するだけで、それらの物理的密度を分析することはできません。

また、ディープラーニングに最も必要なのは危険な環境でのデータの学習だとも述べました。このデータはどこで見つけられるのでしょうか。因果関係を理解できないため、追い越しや車線変更、大型トラックの回避など、人間のドライバーの常識を使って道路状況を判断することはできません。機械は 1 つの事例から推論を導き出すことはできないため、1 つの事故から得た学習情報では、次回異なる道路状況で機械が正しい判断を下せることを保証できません。

朱松春教授は、重要な点は、確率統計の枠組みの下で、現在のディープラーニング手法のほとんどが「ビッグデータ、スモールタスク」と呼ばれるパラダイムに属し、大量のデータを使用してAlphaGoが囲碁を打つなどの特定のモデルをトレーニングすることであると考えています。しかし朱教授は反対の考えを主張している。彼は、人工知能の発展は「小さなデータ、大きなタスクのパラダイム」に入る必要があり、大量のデータではなく、多数のタスクを使用してインテリジェントなシステムとモデルを形成する必要があると考えている。

朱教授は、18世紀のキッチンと現代のキッチンを例え話しました。人間である私たちにとって、その機能は同じであることが一目でわかります。しかし、ディープラーニング人工知能にとって、両者の情報を一致させることは極めて困難です。同様に、私たちは容器や蛇口に水があることを知っていますが、機械は水がないと考えます。

人工知能は神秘的なものではありません。もちろん、囲碁を打ったり、テキストを処理したり、画像をスクリーニングしたり、言語を翻訳したりするなど、前述の「小さなタスクパラダイム」という非常に特殊な問題では、人間を上回ることができます。しかし、自動車の運転は明らかに大規模タスクパラダイムに属しています。同じ方法を使用すると、間違った方向に進んでしまうのではないでしょうか。今日、自動運転による交通事故が頻繁に聞かれるのも不思議ではありません。一つの例から推論を導き出せないのであれば、自動運転は本当に人々の移動に安全をもたらすことができるのでしょうか?

オンラインの投資家の言葉を引用すると、「現在の技術開発の状況を考えると、人工知能が大規模な商用アプリケーションに利用されるまでにはまだまだ時間がかかりすぎます。」いわゆる急速な発展は偽りになりつつある。今後数年間に大きな技術的進歩があるなどと言ってはいけません。現在の技術研究はすべて、前世紀前半の理論に基づいています。理論的根拠はまだ整っていないのに、ソフトウェアやハードウェアをいじれば革命が起こせると考えている人がいる。人間や人工知能を騙しているのだろうか？

これは張守生教授の見解と非常に似ています。基礎理論のブレークスルーと知能の謎を真に解明できる数式がなければ、いわゆる人工知能は小規模タスクパラダイムでのみ開発・応用することができ、自動車運転などの大規模タスクパラダイムでは信頼できるとは言い難い。