呉俊：人工知能は今後20年間で大きな発展を遂げないかもしれません。

[[264168]]

3年前、人工知能の時代が始まり、「人工知能はますます多くのこと、ほぼすべてのことができるようになる」と一般に信じられていました。

しかし、いつでも、誰もが何かできると考えている場合、2 つの可能性があります。1 つは、このことは本当に素晴らしいということ、もう 1 つは、限界に達した可能性があるということです。

配当が継続されない可能性があることは誰もが知っているからです。こういうときこそ冷静な反省が必要です。言い換えれば、これは人工知能ではできないことです。

1. 問題の根本に立ち返る:人工知能ではできないこと

多くの場合、道が塞がれているときは、出発点に直接戻るのが最も簡単な方法であり、問​​題は明らかになります。

人工知能はコンピューターに基づいています。人工知能の限界はコンピューターの限界に依存し、コンピューターの限界はコンピューティングの限界に依存します。

何をカウントでき、何をカウントできないかを明確にすることが重要です。このような根本的な問題は、私たちの多くが忙しすぎて考える暇がないものであり、仕事の全体的な方向性が正しいか間違っているかを決定するものです。

1. チューリングの考え方：計算と機械的運動の関係

コンピュータサイエンスの父はアラン・マシスン・チューリングです。では、彼の師は誰だったのでしょうか？彼のアイデアはどこから来たのでしょうか？チューリングのコンピュータ開発を助けた人物が 2 人いて、私たちは彼らを精神的な師と呼んでいます。

彼らはフォン・ノイマン（プリンストン大学で教鞭をとった有名なハンガリー系アメリカ人の数学者、コンピューター科学者、物理学者、化学者）とヒルベルト（20世紀前半のドイツ、そして世界でも最も偉大な数学者の一人）です。

フォン・ノイマンは当時、チューリングに非常に刺激を与える本を執筆しました。チューリングは、検証は難しいものの正しいと感じられる見解、つまり人間の意識を提示しました。

人間の意識は不確実性によって決定されますが、コンピューターは以前のニュートン力学と予測可能な機械的運動に関連しています。

人間の意識は不確実性によって決定され、計算は機械的な動きに相当するというのが、当時のチューリングの漠然とした考えでした。これにより、何が計算可能で何が計算不可能かが決定され、境界が明確に引かれたと感じました。

ヒルベルトは 1900 年のパリ数学者会議で 23 の最も重要な問題を提案しました。これらは有名な「ヒルベルトの 23 の問題」です。彼が自分自身に問いかけた質問は次の 3 つです。

①数学は完成していますか？

完全性とは、数学が私たちが解決したいあらゆる問題をカバーできるという意味でしょうか? そうではないと感じるかもしれませんし、数学者ゲーデルもそれが不可能であることを証明しました。

②数学は一貫していますか？

一貫性とは何でしょうか?

たとえば、今日 3+5 が 8 になった場合、明日も 3+5 は 8 になります。

しかし、物理学は一貫しているのでしょうか? いいえ! 今日測定された寸法は、明日測定された寸法と同じではありません。今日沸かしたこの鍋のお湯の温度は99.8度ですが、明日は100.1度になるかもしれません。

物理学は矛盾しているが、数学は一貫している！

③数学は検証可能か？

物理学は検証できますが、数学は検証できるのでしょうか? わかりません!

ヒルベルトの23の問題のうち10番目の問題はこの問題に関するもので、特殊なケースについて議論しています。

任意の数の未知の変数を持つ方程式で、それぞれの未知の変数が変化してさまざまな結果をもたらす可能性があるものは、不確実な方程式です。

無数の解が存在するかどうか、あるいは有限の時間内に方程式に無数の解が存在することを決定する方法があるかどうかにかかわらず、時間の決定は私たちの日常生活において意味を持ちません。

例えば：

X²+y²=z²には整数解があります。

X²+y²=z² に整数解があるかどうかは誰も知りませんでした。整数解が存在しないことが証明されたのは、ずっと後のことだったイギリスの数学者です。このプロセスには何百年もかかりました。

では、私がランダムに方程式を与えた場合、整数解はあるでしょうか? 分かりません! あるかもしれませんし、ないかもしれません。整数解を求めることはさておき、この問題に解があるかどうかを判断する方法はあるでしょうか? これはヒルベルトの第 10 問題です。

旧ソ連の数学者がそれが決定不可能であることを証明したのは 1970 年代になってからでした。この問題の場合、有限数のステップ内で解が存在するかどうかは誰にもわかりません。

解法があるかどうかさえわからなければ、絶対に解くことはできません。

チューリングは当時この質問の答えを知りませんでしたが、答えがあるかどうかわからない数学の問題がたくさんあると直感しました。そこで彼は、特別な機械装置を使って数学の問題を 2 つに分割しました。この装置がチューリング マシンです。

（チューリングマシン）

コンピュータはチューリングマシンの一種であり、改良されたデバイスです。このデバイスは、限られた時間内に、限られた数のステップでどのタイプの問題を計算できるかを判断できます。

しかし、そのような装置を使用しても有限数のステップで解決できない数学の問題はまだ数多くあります。

コンピュータサイエンスと数学には「コンピュータで解ける問題」と呼ばれる新しい概念がありますが、まだ解けない問題が多数存在します。

今日のコンピューターはどれほど複雑であっても、数学的にはチューリングマシンと同等です。ディープラーニングであれ、クラウドコンピューティングであれ、それはこのような単純な機械装置に相当します。

この単純なことでは達成できないことは、TaihuLight スーパーコンピューターのアルゴリズムがいかに優れていても達成できません。これは根本的な原因からの話です。

2. 世界の問題というレンズを通してAIの問題を見る

私たちは世界の問題をいくつかのカテゴリーに分類していますが、そのうちの 1 つは数学の問題と呼ばれています。私は数学は完全ではなく、いくつかの問題は数学の問題ではないと言っただけです。

決定可能問題と呼ばれる数学の問題がいくつかあります。解があるかどうかはわかりますが、どこに解があるかはわかりません。

たとえば、息子に難しい問題を出題しても、息子は解くことができません。この問題には答えがあるが、彼にはそれができない。これは決定可能な問題だ。

回答付きの質問のコレクションは非常に少なく、回答があるかどうかがわかった後でのみ回答を見つけることができます。

決定可能な問題とは、答えが存在するかどうかがわかっている問題ですが、数学の問題の中には、答えが存在するかどうかがわからない問題もあります。

チューリング装置は、答えのある問題を 2 つの部分に分割します。そのうちのごく小さな部分は計算可能問題と呼ばれます。

チューリングにとって、計算可能な問題とは、有限のステップ数で計算できる問題を意味します。有限のステップ数は非常に長い時間がかかる場合もあり、宇宙が破壊されるまで計算が完了しない場合でも、有限のステップ数と呼ばれます。

（世界の問題の分類）

エンジニアリングでは、アクセス カードをスワイプして認識後 1 秒以内にドアが開くのであれば意味があります。しかし、中に入るのに 3 日かかるのであれば意味がありません。このような問題は、エンジニアリングで解決可能な問題と呼ばれます。

3 日間は、エンジニアリングでは問題を解決できないことを意味します。エンジニアリングを通じて解決できる問題のごく一部が、今日私たちが議論している人工知能の問題です。

人工知能について議論する場合、まずその境界を明確にする必要があります。境界を理解することによってのみ、人工知能によって解決する必要がある問題が何であるかを知ることができます。

人工知能で何ができるかを語る前に、まず人工知能では何ができないかについてお話ししたいと思います。人工知能で解決する必要のない問題を解決するために人工知能を使うべきではありません。

2. 人工知能とは何ですか?

今後 10 年間で人工知能がどのようなものになるか、あるいは 20 年間で何が起こるかを予測することは誰にとっても困難です。人々は、3年から5年後に何が起こるかを過大評価し、10年後に何が起こるかを過小評価する傾向があります。

たとえば、自動運転車がすぐに道路を走るようになると考える人もいますが、それは過大評価です。

1. 今後10年間で、街全体が巨大な「ロボット」になる

ある漫画家が、世界中のあらゆるものがつながっていて、植木鉢さえもつながっているという漫画を描きました。なぜ植木鉢をつなげる必要があるのでしょうか? それは水やりが必要だからです。

少し前に、国の新しい水使用報告書を見ましたが、農業用水の使用が62％に達していることが示されていました。今後、農業では点滴灌漑（水の無駄を減らすため）を使用する必要があります。

新疆ではスポイトしか使えません。そうしないとすべて蒸発してしまいます。すべての工場がインターネットに接続されています。これは大胆な仮定ですが、将来的にはそうなるかもしれません。

これが徐家匯（上海）付近の地域であれば、地球の電磁場と同様に、グラフ上で情報の流れが密集して現れるはずです。高密度ネットワークの利点は、すべてが接続されていることです。

すべてが接続されると、すぐに緊急の問題が発生します。

率直に言って、現在の 4G では不十分かもしれません。 5Gはなぜ成功するのか？5Gが登場すると、インターネットの速度はさらに速くなります。現在のインターネット速度は現在のニーズには十分です。

5Gを使う可能性は1つしかなく、それは突然インターネットに接続するデバイスの数が10倍、100倍に増えるということだ。

10倍、100倍になるのはいつになるのでしょうか。工場が稼働すれば大事件になりますので、可能性はあります。

このような高密度のネットワークは、データの量が手作業で処理するには大きすぎるため、人工知能の助けが必要になることを意味します。これは非常に重要な理由です。

都市にデータが密集している場合、既存の単一のコンピューターや企業のデータセンターでそのような機能を実行することは困難です。

都市や国中に分散したスーパーコンピューティング施設が必要です。コンピューターだけではありません。関係するプログラムも非常に複雑なので、インテリジェンスが必要です。

2. 人工知能（機械知能）の性質

では、人工知能とは何でしょうか。より正確に言えば、機械知能とは何でしょうか。

人工知能は計算可能な問題であり、人間の知能とは何の関係もありません。

では、機械が知的であるかどうかを判断する基準は何でしょうか。そこで、そのような客観的な判断方法、つまりチューリングテストを行うという方法があります。

スクリーンの後ろにインテリジェントなマシンがあり、別のスクリーンの後ろに人間がいる場合、私は彼らに質問をして答えてもらいます。なぜ空は青いのですか?

次に、どの質問に機械が答え、どの質問に人間が答えたかを判断するように求められます。判断が曖昧な場合は、機械も人間も同じ価値を持っていると言います。

等価性に基づいて定義されているため、機械が人間と同じように考える必要はありません。これが人工知能の本質です。

3. AIに関する誤解

人工知能について話すとき、人々は脳科学を思い浮かべることがあります。認知的思考を明確に理解すれば、人工知能は他のものよりも優れた成果を上げることができるのでしょうか? そうではありません。

人工知能が人間と同じくらい優れているかどうかは、やり方ではなく結果によって判断されます。

たとえば、MOOC は過去 2 年間で非常に人気がありました。米国の学校では、授業にコンピュータを多用しており、授業には TA が常駐しています。TA が授業に来て、教授の質問に答えるのを手伝うこともあります。

TA が何をするかは限定的な質問です。たとえば、マクロ経済学の指導に関しては、ジョンは他の誰にも劣らず優秀です。

つまり、マクロ経済学の観点では、ジョンは人間と同じ知能を持っていますが、人間のようには考えていない可能性があります。これは人工知能を理解する上で非常に重要な機能です。

III. 人工知能の歴史的発展段階

従来のAI

人工知能は1956年に初めて提案されました。米国の私立大学の教授10人が機械知能の問題について考えています。

これら 10 人の科学者は後に 5 つのチューリング賞と 1 つのノーベル賞を受賞しました。当時は、コンピューターに人間の知能を持たせるにはどうしたらよいかが考えられていました。それが人工知能の初期段階だったのです。

当時の人々の考え方は、今の中国で言うところの「民間科学者」に少し似ていました。それはどういう意味でしょうか。人間が何かを理解するとき、まず直感から始まります。

例: 鳥の飛行と空気力学

『科学技術の世界史』を読めば、人類の飛行に対する理解は、初期の人々は単に鳥の飛行を真似していただけだったが、後に空気力学の一連の理論を開発する必要があることに気づいたことがわかる。

現在、飛行機の飛び方は鳥の飛び方とは全く異なりますが、効果で言えば鳥よりも速く飛びます。人工知能も最初はこんな感じでした。みんな、人工知能に人間の真似をするように求めることから始めました。

例: バナナを摘むサル

人工知能のコースを受講したことがある人なら、「サルがバナナを摘む」という古典的な問題を知っているかもしれません。天井には猿の届かないバナナがあり、部屋には移動可能なテーブルと椅子があります。猿はテーブルを動かしてその上に椅子を置いてバナナを摘みました。

人工知能がこれを実行できるようになると、猿の知能を与えることは難しくないかもしれませんが、人間の知能を与えることはより困難になります。

科学者たちは10年以上この問題に取り組んできましたが、何の進歩も遂げられませんでした。そのうちの一人、マービン・ミンスキーは、なぜこの問題が解決できないのかを考え始めました。彼は、私たち全員が間違った道を歩んでいることを皆に伝えるために反例を見つけました。

反例は何でしょうか? 英語の次の 2 つの文:

①ペンは箱の中にありました。②箱はペンの中にありました。

英語では、「pen」という3文字には別の意味があり、それは子供が遊ぶための柵です。penをfenceと理解すれば、2番目の文は意味を成します。

これは人間にとっては理解するのが難しくありませんが、コンピュータにとっては非常に混乱を招きます。コンピュータはペンがペンなのかフェンスなのかを判断できません。なぜでしょうか? 理由は非常に単純です。

小さなものは大きなものの中に入れるべきだと私たちは知っています。どうしてそれがわかるのでしょうか? それは常識です。

第二に、ペンの大きさはどうやって決まるのでしょうか? ペンと言うと、その大きさはすぐに思い浮かぶでしょうが、車ほどの大きさだとは思わないでしょう。

コンピューターはどのようにしてペンの大きさを知るのでしょうか? 人間のように文法や意味などを分析するように頼んだとしても、この知識を得ることはできません。

今日、コンピューターは囲碁を打つなど、非常に難しいことを人間よりもはるかに上手にこなせることが分かっています。

実際、Google は AlphaGo と人間との差が大きすぎると感じたため、AlphaGo の開発を中止しました。それはプロがアマチュアと囲碁を打つようなものです。囲碁を打つことはできません。

しかし、今日ロボットに道に出て醤油の瓶を取ってくるように頼んだ場合、3歳の子供はそれができますが、ロボットはできません。人工知能の当初の定義には特定の範囲があり、人間が最も苦手とする分野と人間が得意とする分野を比較することはできません。

たとえば、人間の非常に単純な常識は、コンピューターでは実現できません。

別の例を挙げると、今日の大江ドローンは非常に強力だと誰もが思っていますが、ドローンをハエのように飛ばそうとすると、飛ぶことができません。

ハエには約 10 万個のニューロンがありますが、ドローンにはそれほど多くの機能はありません。これは人工知能の欠陥です。

それで、冒頭でコンピューターの限界についてお話ししたのです。コンピューターにハエのシミュレーションをさせるのは難しいので、シミュレーションの方法が間違っていることになります。別の方法を見つける必要があります。

フェーズ2: データ駆動型

その後、人工知能は第 2 段階、つまり Lederik Jarnik 氏が提案したデータ駆動型人工知能ソリューションに突入しました。

1972 年、ジェリネック氏は学術休暇で IBM ワトソン研究所に行き、偶然音声認識研究所と接触しました。2 年後、彼は IBM に残ることを選択しました。

そこで、ヤルニックは強力な研究チームを結成しました。 IBM は 1960 年代に言語認識の研究を始めましたが、すべて失敗に終わりました。1970 年代に、IBM は Jarnik に言語認識などの研究の責任者を依頼しました。

フレッド・ジェリネック

ジャーニック氏はコミュニケーションの専門家であるため、音声認識の問題を人工知能の問題ではなく、コミュニケーションの問題として捉えています。

実際、私たちは音声認識の問題を出発点に戻し、コミュニケーションとは何かを検討しています。私はあなたに私の意味を伝え、あなたは私のメッセージを理解します。

私は自分の考えを頭の中で言葉の列に変換します。これを情報のエンコードと呼びます。

エンコードされた情報は音として発せられ、その後、蝸牛は受け取った情報をデコードして電気信号に戻します。電気信号は受信者の脳によってデコードされ、受信者は相手が送信した情報を知ることができます。これが情報デコードのプロセスであり、標準的なコミュニケーションモデルです。

標準的な通信モデルなので、通信で解決できます。彼は、音声認識の問題を説明するために、ソース コーディングとチャネル コーディングという 2 つのモデルを使用しました。

数学モデルのパラメータを明確に計算したい場合は、大量のデータを使用する必要があります。なぜこれが IBM で達成されたのでしょうか? それは、当時そのデータを保有していたのは世界で IBM だけだったからです。

IBM は大手企業にコンピュータを提供するビジネス機器会社です。大企業ではコンピュータを使用して電報やファックスを相互に送信しています。 IBM は商用テレテキストを多数持っていたため、これを実現しました。

問題を解決するために考え方を変えた後、どのような結果が得られたのでしょうか? 1960 年代から 1970 年代にかけて、音声認識は 10 個の数字といくつかの簡単な英語の単語を認識できました。

IBM は当初、自動配線システムを実装し、接続、切断、転送、支払いなどを実行できる音声制御コンピュータを開発したいと考えていました。

しかし、当時は100語以上の英単語しか認識できず、エラー率も30％と、使い物にならないものでした。

考え方を変え、データ主導の手法を使って問題を解決することで、わずか数年で 22,000 語の英単語を認識できるようになり、エラー率は 30% から 10% に低下しました。

これは、作業方法や考え方の重要性であり、多くの場合、テクノロジー自体よりも重要です。従来のやり方を踏襲してテクノロジーを使い続けると、前に進めなくなり、行き止まりになってしまいます。

しかし、当時のデータでは音声認識の問題は解けましたが、画像処理の問題は解けませんでした。画像処理の問題のデータの絶対量は、音声認識の100倍にも達しました。

だから当時は不可能だったんです。その後、ジャーニックの部下の一人であるピーター・F・ブラウンが機械翻訳のモデルを提案した。

当時、英語に翻訳するというアイデアは実現可能でしたが、データが不足していたため、翻訳の効果は良くありませんでした。

インターネットがなければ、世界で利用できるデータは 2 種類しかありません。1 つはどの国でも利用できる聖書、もう 1 つは国連の複数の公用語間の文書データです。どちらのデータも非常に限られています。ピーター・ブラウンのモデルは当時はあまり良い結果を生みませんでした。

ピーター・ブラウンの論文が、今日の機械翻訳において最も引用されている論文であることは非常に興味深いことです。引用数のピークは、論文が初めて出版された1990年代ではなく、データ量が多かった2000年以降でした。

では、ピーター・ブラウンとは誰でしょうか? 世界で最も強力な投資ファンドはルネッサンスと呼ばれています。ピーター・ブラウンはかつてルネッサンス・テクノロジーズの IT ディレクターを務め、現在はルネッサンスの副社長を務めています。

そこで彼は後に株価予測を始めました。データ不足のため、人工知能は 1980 年代から 1990 年代にかけて低迷期に入りました。

2004年と2005年になると、人々は希望の光を見始めました。誰もが興奮しているのは、機械翻訳のレベルが基本的に人間のレベルに到達したということです。

Google には、中国国家標準化局による評価に相当する米国国立標準技術研究所による評価に参加したチームがありました。

この評価の優勝者はGoogleで、2位との差は約5パーセントでした。

世界中の科学者は、研究を年間約 0.5% 向上させるために懸命に取り組んでいますが、5% の向上には約 10 年かかります。現在、テクノロジーのギャップは 10 年あり、お二人は同じレベルではなく、一世代離れています。

なぜ転職によって 5 パーセント ポイントの改善が実現できたのでしょうか。それは、他の 10,000 倍のデータを使用したからです。これは非常に単純なことで、アルゴリズムは変更されていません。

これがデータ駆動型アプローチと呼ばれる所以であり、ディープラーニングが徐々に普及し始めたのはこの頃からでした。

基本的なアルゴリズムは 1970 年代に確立され、現在では当時と比べて 10,000 倍ものコンピューティング リソースが使用されていますが、これらのコンピューティング リソースをどのように使用するかにはスキルが必要です。

私がこう言うのは、人工知能は人間の脳の知能とはまったく関係がないということをお伝えするためです。人工知能はデータ駆動型の機械学習手法です。

鳥が翼を振動させて飛ぶのと同じように、飛行機は翼を振動させずに飛びます。実際、飛行機の飛行は鳥の飛行とほとんど関係がありません。

飛行機が空を飛ぶのは、鳥の飛行を研究するのではなく、人間による空気力学の研究です。

今日、人工知能を理解するということは、人間の脳の構造を研究することではなく、鋼鉄やその他の材料でできた箱であるコンピューターを、人間よりも優れた質問回答能力を持つようにする方法を考えることを意味します。

人工知能が本物か偽物かを判断する簡単な方法があります。人工知能が認知科学と深い関係にあると言うなら、それは嘘です。

これは、飛行機を発明したときに翼が振動できると言うのと同じ原理です。それがデータ駆動型であると言うなら、数学モデルがどれほど優れているかは基本的に真実です。

4. 人工知能の発展に関する良いニュースとニュース

幸いなことに、人工知能は今日まで発展し、全世界に認められています。ルカン、ヒントン、ベンジオはチューリング賞を受賞しました。

残念なことに、人間がデータ主導の方向性を見出した頃には、人工知能は 40 年間の技術的蓄積の配当を使い果たしていました。今日このような結果になった理由は、40 年前の人々があなたのために木を植え、40 年前に植えられた木が今日花を咲かせ、実を結んでいるからです。

人工知能が突然急速に発展したとは思わないでください。今後 20 年間で、さらに大きな加速が起こるでしょうか? おそらく、そんなことはないでしょう。

なぜでしょうか? それは、20年後に大きな加速を生み出すであろう事柄が、今日の学術界によって予測できるからです。現在、学界で行われている研究テーマの中には、それほど新しいものはありません。

今日の科学者たちは非常に熱心に研究しており、その数も非常に多いのですが、人々に大きな興奮と驚きを与える理論的基礎を蓄積するには、まだ約 20 年かかります。

何が良いのか？それは、過去 40 年間の成果が、いくつかの分野では実を結ぶ価値があることが証明されているからです。

AlphaGo はチェスをプレイするためにこれを使用でき、ピーター・ブラウンは株で大金を稼ぐためにこれを使用しており、現在では自動運転車、音声認識、機械翻訳、医療画像認識、顔認識などに使用されています。これらの結果は、この技術があらゆる分野で活用できるレベルにまで成熟していることを証明しています。

いかなる技術革命においても、中核となる技術を習得できるのはわずか 2% の人だけかもしれませんが、残りの人にはそれを応用できる可能性がなければなりません。

5. 人工知能の開発レベル

1. 弱いAI

たとえば、Meitu XiuXiu は人工知能の非常に優れたアプリケーションです。あまりスマートではないと思われるかもしれませんが、実際には画像処理において非常にスマートです。

Huawei の携帯電話 (P20 以降) には、顔認識だけでなく、さまざまなオブジェクトの認識など、多くの画像認識機能が追加されています。 Huawei の携帯電話は色を非常に明るく調整して、人を若く見せることができるという事実を心配する人が多いかもしれません。

必要に応じて、Huawei 携帯電話のオブジェクト認識機能をテストすることもできます。たとえば、陸家嘴（上海）に行った場合、Huawei の携帯電話を使用して建物の写真を撮り（低い場所から上に向かって撮影）、サイズが約 40 MB の元のファイルを保存します。

次に写真を確認すると、建物はまっすぐになっていますが、これは正しくありません。下から上を見ると傾斜角があるはずなので、携帯電話が多くのターゲット認識と後処理作業を行ったことを意味します。

それほど賢いとは思わないかもしれませんが、これは実際には人工知能の応用です。

2. 強力なAI

皆さんがよく思い浮かべる、チェスをしたり診断したりする人工知能などの賢い人工知能は、第 2 段階の発展、つまり強い人工知能です。

①自然言語を理解する（速記者よりも優れ、質問に答え、書くことができる）

たとえば速記に関して言えば、現在、iFLYTEK の音声認識は人間が音声コンテンツを処理する方法とほとんど変わりません。もちろん、その理由の 1 つは、iFLYTEK の言語データベースが比較的大きいことです。

② 病気（医師の平均レベルに達している）

人工知能は、医師の平均レベルで医療問題を診断し、診断することができ、専門家レベルで難しい病気を診断し、治療することができます。なぜでしょうか? 医師の診療は、ある程度、人間のビッグデータであり、十分なレベルに達するには、十分な症例を診る必要があるからです。

③ 運転（ほとんどの場合、人間よりも上手）

人工知能による運転は、ほとんどの場合、人間よりも優れた仕事をします。自動運転車に関して言えば、Google は基本的に約 7,000 マイルごとに 1 回介入できるようにテストされています。

中国の最北端から最南端まで、あるいは最東端から最西端までドライブするなら、一度介入するだけで十分でしょう。

3. スーパー人工知能は存在するのか？

超人工知能が存在するかどうかを探求するSF映画は常に存在してきました。実際のところ、スーパー人工知能が存在するかどうかは、あなたの生活とはほとんど関係ありません。

皆さんに質問したいのですが、幽霊は存在するのでしょうか？幽霊が存在すると信じる人もいれば、信じない人もいます。

幽霊が存在するかどうかは関係なく、幽霊の存在を心配することはありませんよね？例えば怖い場所に行くと、幽霊やテロリストが怖いでしょうか？答えは明らかです。

今後、人工知能が極端に発達し続けると、人類は生き残れなくなるだろうという記事を書いている人も多くいます。このような心配は幽霊を恐れるのと同じです。私たちが心配しているのは幽霊ではなく、幽霊の背後でいたずらをしている人たちです。

つまり、スーパー人工知能は怖いのではないのです。怖いのは、人工知能を使ってあなたの生活をコントロールし、目に見えない形であなたの生活を変えてしまう人たちです。彼らが怖いのです。

今日、人々が懸念しているのは AI そのものではなく、その背後にあるプログラムを開発する企業や個人です。

6. 機械知能（AI）の3つの柱

1. ムーアの法則

今日の携帯電話は10年前のものより100倍高速です。そのため、Huawei の携帯電話は画像情報をリアルタイムで処理することができます。コンピュータの速度が十分でない場合は、内部の何人かに、30 枚または 40 枚の写真を 1 枚にまとめるように依頼しました。これがムーアの法則の効果です。

2. データ

50% 増やしたり、2 倍、3 倍、10 倍増やしても必ずしも結果が得られるとは限りませんが、1 万倍増やせば結果が得られます。

3. 数学モデル

先ほど、コンピューターは数学の問題を解くことができると述べました。人工知能を使って問題を解決したい場合、そのための数学モデルを構築できる必要があります。

復旦大学傘下の人工知能研究所には3つのグループが存在します。 1 つのグループは MBA の学生で、顧客を訪問してビジネス ロジックを理解します。2 番目のグループは数学の学生で、ビジネス ロジックに基づいて数学モデルを構築します。3 番目のグループはコンピューター サイエンスの学生で、数学モデルをコンピューター アルゴリズムに変換します。

7. 人工知能の発展に対する3つの姿勢

人工知能に取り組む際の姿勢には、人間をシミュレートすること、人間に取って代わること、人間を超えることの 3 つがあります。

1. シミュレータ

人間をシミュレートするということは、人間が本来行っていたことの一部を人間が実行できるようになることを意味し、サービスロボットについて話す人もいます。しかし、私は個人的にそれは良い考えだとは思いません。なぜでしょうか?

簡単な例を挙げると、高齢者介護ロボットです。自宅にいる高齢者はロボットと会話したいでしょうか、それとも子供と会話したいでしょうか?

例えば、あなたが病気になったとき、ロボットに薬や注射を打ってもらいたいですか、それとも看護師に話しかけてもらいたいですか? おそらく、これは人間の方が適している分野でしょう。

人工知能はすべての問題を解決できるわけではないので、時にはこの問題を区別する必要があります。皆が金採りのためにカリフォルニアに押し寄せたとき、水を売る人たちは金を儲けた。

カリフォルニアの非常に有名なミネラルウォーター会社は、水の販売で財を成しました。ゴールドラッシュの時代には、別のジーンズ会社も設立されました。

2. 人々と交流する

人工知能は多くの点で簡単に人間に追いつくことができます。たとえば、空が青い理由はあなたが思っているよりも明らかかもしれません。

家には会話型ロボットがいます。ある時、家で友達とおしゃべりしながらアマゾンの話をしていたら、ロボットがすぐに「何か買いたい？」と聞いてきました。家族はロボットをからかいながら、何か買いたいと言っていました。

すると、「ゴルフボールがなくなりそうですが、まだ買いますか？」と言われたので、それでは買いましょう！と答えました。

そして、「前回と同じブランドをまだ購入していますか？」と尋ねられ、私たちは「はい」と答えました。

数日後、商品が配達されました。

Facebook の投稿に 100 回「いいね！」すると、Facebook はあなたの家族よりもあなたのニーズを理解します。200 回「いいね！」すると、Facebook はあなた自身よりもあなたのことを理解するかもしれません。これらは人工知能によって完全に解決できるものです。

3. 人を超える

自動運転車やいくつかの疾患の診断など、特定のことについて、私は個人的に人工知能が人間よりもうまくいくと思います。

実際には、かなりの誤診と疾患の診断を逃したことがありますが、時には想像よりもはるかに大きい場合があります。

あなたが映画を見ている放射線科医であると仮定すると、あなたは多くの詳細を見逃すかもしれません。これを行うには、マシンは非常に安定しています。

8。機会をつかみ、未来をつかみます

今日、私たちはコンピューターと人間の境界について多くのことを話しました。コンピューターのインテリジェンスを異なって見る必要があり、それを人間の知能と同一視しないでください。その世界に対する認識は、人間の認識とは異なります。

マイケル・ジョーダン教授（アメリカ人工知能の専門家）は、人間とコンピューターの知能の違いについて、コンピューターインテリジェンスはネットワークの動作であり、人間の知能は個々の行動であると述べました。

それが得るインテリジェンスは、単一のコンピューターのインテリジェンスではなく、ネットワーク判断の結果です。これは、コンピューターと人間の知能の違いです。

もちろん、これもリスクをもたらします。

私たちのテーマは、この時代に、さまざまなサブセクターに依存する人工知能の機会がまだあります。

次の20年が開発の良い機会になると信じるなら、あなたは人生に対して異なる態度と、未来をつかむために物事をする別の方法を採用します。また、私は誰もが未来をつかむことを願っています。

皆様ありがとうございました！

*この記事は、著者の独立した見解を反映しており、Noteheroの立場を表していません。