強力な人工知能まであとどれくらいでしょうか?まず、これらの5つの数学の問題を解くのに10年から20年かかります

[[272461]]

7月30日、成都ハイテクゾーンの景栄会で開催された2019年世界人工知能サミットで、中国科学院院士で西安交通大学教授の徐宗本氏が人工知能と数学の関係について講演した。

ゲーム理論の観点から見ると、数学と人工知能で研究される問題は同じです。 「彼は、弱い人工知能が強い人工知能や超人工知能へと向かう過程で現在直面している基本的な問題のいくつかは、本質的に数学からの挑戦であると述べた。

現在のAI収益化

コア技術は機械学習にある

徐宗本氏は、現在人工知能を「収益化」するために使用されている中核技術は機械学習であると述べた。人工知能そのものの基礎は数学です。

機械学習とは何ですか? 「人間や知的存在が環境との相互作用を通じて行動を改善できるようにする知能は、機械学習と呼ばれます。」機械学習とは、この知能を数式に形式化し、コンピューターで操作できるアルゴリズムとソフトウェアに変換するプロセスであると彼は言いました。

この人工知能の波の台頭は、ディープラーニングの応用によるものです。環境と対話し、パラメータを調整することで問題を解決するタスク ソルバーは、インテリジェント エージェントと見なすことができます。エージェントは、ディープ ネットワーク、ロボット、または無人システムとして反映される場合があります。

ディープラーニングの役割は、経験を要約することに例えることができます。徐宗本氏は「人工知能が行うことのほとんどは、反復的で規則的な事柄を要約し、それを予測や予報に活用することです」と述べた。そのため、人工知能のディープラーニング環境は非常に重要であり、特定の基準で推論した結果が過去の経験に適しているかどうかを判断するには、大量のラベル付きデータが必要である。これを構成する技術はディープラーニング技術と呼ばれています。

「人工知能の最も重要なシナリオの1つは、特定の環境にインテリジェントエージェントを配置し、そのインテリジェントエージェントにタスクを完了させ、環境の制約下で環境と対話して、インテリジェントエージェントの動作を修正することです。これが機械学習です」と徐宗本氏は語った。

現在、人工知能の3大原動力であるビッグデータ、ビッグモデル、ビッグコンピューティング技術の発展により、現在の人工知能技術は「使えない」から「使える」への技術的転換点を突破しました。 「しかし、それが『非常にうまく』使えると言えるようになるまでには、まだ長い道のりがある」と徐宗本氏は指摘した。

自動化と自律性

今後10年間の人工知能開発のトレンドは

徐宗本氏は、人類が自律的な知能、つまり強力な人工知能を開発するには何十年もの努力が必要だと考えている。

現在の人工知能の応用形態は、データとアルゴリズムを追加して製品を形成する段階にあり、これは人工知能でお金を稼ぐ基本的な形態でもあります。しかし、現在でもデータの収集とラベル付けには手作業が必要であり、普及は依然として人間に依存しています。

高度なディープラーニング技術であっても、各層の要素数や各要素が使用する非線形メカニズムなどを事前に設定する必要があります。 「そのため、こうした企業はデバッグのために多くの『コーダー』を雇わなければならない。そして、（人工知能を）訓練する方法も人工的に決定される」と同氏は語った。

アプリケーション レベルでは、現在、1 つのニューラル ネットワークだけが 1 つの問題をインテリジェントに解決でき、問題を自動的に切り替えることはできません。徐宗本氏は、今後10年間で人工知能の研究開発の焦点は機械学習の自動化レベル、すなわちデータの自動生成、データの選択、ニューラルネットワーク構造の自動構築、トレーニングアルゴリズムの自動設計、タスクへの自動切り替えと適応能力に移ると予測している。

「我々は現在、人工知能がもたらされ、自動化と自律化に向かっている段階にある」と彼は語った。

人工知能開発の本質は5つの数学的課題である

それを解明するには10年から20年の研究が必要になるでしょう。

人工知能の核心は数学にあるのですが、その核心的な問題は何でしょうか?この点に関して、徐宗本氏は 5 つの疑問を提起しましたが、この 5 つの疑問を解決するには 10 年から 20 年の研究が必要になるかもしれません。

1つ目はビッグデータの統計的根拠です。

現在、ビッグデータは伝統的な統計的基礎や分析手法を破壊していますが、ビッグデータ分析を支える数学的基礎はまだ十分に確立されていません。

2 つ目は、人工知能アルゴリズムの基礎となるビッグデータ コンピューティングの基本アルゴリズムをビッグデータ環境で再構築する必要があり、既存のコンピューティング手法を使用できないことです。

第三に、そしてさらに重要なのは、新しい人工知能はディープラーニングを基本モデルとして採用していることです。しかし、現状ではディープラーニングの理論が不足しています。これが、現在の「人工知能＝人工＋知能」の原因です。

4 番目の問題は、非従来的な制約下での輸送問題です。

簡単に言えば、「1 つの例から推論を引き出す」という意味です。この基本的な人間の知能には、2 つの異なる分布間でのデータの定期的な転送が含まれており、これを人工知能で実現するのは依然として非常に困難です。

5 番目の質問は、関数空間での学習方法論と学習理論のモデリングに関するものです。

「学部時代に学んだ機械学習理論は、学習方法論という段階に転換する必要があります。数学的に言えば、関数空間上で学習理論をいかに構築するかということです。本質は、さまざまなタスクに適応することです。タスク自体が関数であり、無限であるため、これまでの機械学習におけるサンプルやデータの選択と一般化を、タスクの一般化にまで拡張する必要があります。」

「弱い人工知能から超人工知能への移行における基礎科学の問題は、人工知能のチャンスが目の前にあることを皆に認識させました。しかし、人工知能をうまく行うには、数学の問題の解決に頼らなければなりません。」徐宗本氏は、実践者は数学を指導し質問に答える「教師」とみなすだけでなく、人工知能技術の中核的な提供者または参加者として扱うべきだと強調した。