将来、人間はAIに置き換えられるのでしょうか？人工知能の種類と発展段階を1つの記事で理解する

21 世紀に革命をもたらした技術が一つあるとすれば、それは人工知能です。 Googleの新社長サンダー・ピチャイ氏はかつてこう語った。「人工知能は私たちの生活や仕事に、火や電気がもたらした変化をも超える変化をもたらすだろう」。仕掛けは満載だが、人工知能が人々の暮らしを根本的に変えつつあることは否定できない。これまでSF小説の中でしか知られていなかったツールやライフスタイルが、人工知能の助けを借りてあらゆる角度から私たちの日常生活に浸透し、技術の進歩や産業のアップグレードを推進し、市場経済全体の急速な発展を促進しています。したがって、人工知能の概念を正しく理解することが非常に重要になります。この記事は、人工知能の定義、段階、種類、研究分野を理解するのに役立ちます。

人工知能の定義

1956年、ジョン・マッカーシー（1927-2011）はダートマス会議で「人工知能（AI）」という用語を作り出した。彼は人工知能を次のように定義しています。

「インテリジェントなマシンを作るための科学と工学」

インテリジェントな機械を作るための科学と工学。

人工知能は、意思決定、物体の検出、複雑な問題の解決など、人間の知能を必要とするタスクを実行できるコンピュータ システムの開発とも定義できます。

多くの記事では、人工汎用知能、人工狭義知能、人工超知能は異なるタイプの人工知能であると考えています。実際のところ、これらは人工知能の 3 つの段階であると言った方が正確でしょう。

弱い人工知能、狭義の人工知能とも呼ばれます。この段階では、機械は思考能力を持たず、音声認識、画像認識など、事前に定義された一連の機能を実行するだけです。これは、高度なバイオニクスと同様に、単一の側面に優れた人工知能です。これらは特定のタスクを解決するためだけに存在し、主にモデルが派生する統計データです。たとえば、AlphaGo は囲碁しかプレイできず、他のタスクを実行することはできません。

[[272897]]

弱い AI の例としては、Siri、Alexa、自動運転車、AlphaGo、ヒューマノイド ロボット Sophia などが挙げられます。これまでのところ、ほぼすべての AI ベースのシステムは弱い AI に属しています。

強力な人工知能。汎用人工知能とも呼ばれます。弱い AI とは異なり、強い AI は、事前に定義された一連の機能を実行するだけでなく、人間のようにさまざまなレベルで問題を処理できます。それだけでなく、強力な人工知能には、自己学習や複雑な概念の理解など、多くの機能もあります。このため、強い人工知能の開発は弱い人工知能の開発よりもはるかに困難です。実際、人工知能における主流の国際学術コミュニティが掲げる目標も、弱い人工知能に限定されています。現在、強い人工知能に関する研究を行っている人は少なく、対応する成果はまだ得られていません。

[[272898]]

強いAIは多くの科学者から人類の生存に対する脅威ともみなされており、スティーブン・ホーキングは次のように警告している。

「完全な人工知能の開発は人類文明の終焉を意味するかもしれない…一度自由になると、人工知能は加速度的に自らを再設計し続けるだろう。生物進化の時間的制約によって制限される人間は、人工知能と競争することはできず、おそらく取って代わられるだろう。」

弱い人工知能がほぼ実現され、ディープラーニングを通じて強い人工知能に近づきつつあるとき、スーパー人工知能の概念が出現しようとしています。この段階では、コンピューターは人間の能力を超えるでしょう。現在、強力な人工知能は、機械が世界を支配しているという映画やSFで描かれる仮説的なシナリオです。

[[272899]]

「AI（狭義のAIという意味ではありません）の開発ペースは信じられないほど速いです。DeepMindのような組織に直接アクセスしない限り、AIがどれだけ速く成長しているかはわかりません。AIは指数関数に近い速度で成長しています。5年以内（長くても10年以内）に何か危険なことが起こるリスクがあります。」

—イーロン・マスク

さまざまな種類の AI システムについて説明するように求められた場合、機能に基づいて分類する必要があります。ミシガン州立大学のアーレンド・ヒンツェは、人工知能を、単一応答型、限定記憶型、心に基づく型、自己認識型に分類しています。

このタイプの AI は最も基本的な AI システムであり、マシンは現在の状況のみを考慮して、現在のデータのみに基づいて動作します。言い換えれば、反応型マシンは反応することしかできず、記憶を持たず、過去の経験を利用して現在の決定を下すことはできません。

[[272900]]

反応型マシンの典型的な例は、有名な IBM チェス プログラム Deep Blue です。 1997 年 5 月、このコンピュータ システムは世界チャンピオンのガルリ カスパロフを 3.5:2.5 で破り、標準的なトーナメント時間制限内で世界チェス チャンピオンを破った初のコンピュータ システムとなりました。

ディープ・ブルーは人間の知能を持っているように見えますが、実際には盤上の現在の状況にのみ焦点を当て、可能な動きの中から決定を下します。チェスの繰り返しゲームは 3 回連続して発生しないというルールに従うこと以外に、経験豊富な人間とは異なり、過去の概念はありません。

現在の AI は、世界についての概念をまったく持っていないか、または、実行する特定のタスクについて極めて限定された特定の概念しか持っていません。ディープ・ブルーの革新性は、コンピューターが検討できる可能性のある動きの範囲を広げるという考えを放棄したことです。代わりに、開発者は、特定の動きの結果の評価に基づいていくつかの可能な動きの追求を停止することで、「視点」を狭める方法を見つけました。同様に、AlphaGo はすべての可能な動きを評価することはできませんが、Deep Blue よりも洗練されたアプローチ、つまりニューラル ネットワークを使用してゲームの可能性を評価します。

このタイプの AI は専門分野以外では機能することができず、簡単に騙されてしまいます。彼らは交流を通じて世界の一部になることはできません。明らかに、これらは最も基本的な AI システムに過ぎず、人間と実際に対話し、周囲の環境に実際に反応できる AI システムの将来的な期待を満たしていません。

名前が示すように、限られたメモリは、AI が過去のデータを研究することで賢明な決定を下せることを意味します。このタイプの AI には、過去の経験を保存し、将来の行動を評価するために使用できる短期または一時的なメモリがあります。

[[272901]]

自動運転車は、最近収集されたデータを活用して即座に意思決定を行うこのタイプの AI の一例です。たとえば、センサーを使用して道路を横断する歩行者、急な坂道、交通信号を識別すると、より適切な運転判断が可能になり、交通事故を防ぐことができます。

しかし、自動運転車の履歴情報は短命であり、経験豊富な人間のドライバーのように「経験ライブラリ」に保存することはできません。このタイプの AI は包括的な「表現」を構築できず、経験を記憶したり、新しい状況に対応する方法を学習したりすることができません。

心の理論とは、心理学の用語で、人間が自分自身の心理状態や周囲の人々の心理状態を理解する能力のことです。この理論は哲学から生まれました。心理学の分野に入ってからは、徐々に認知心理学や神経心理学の研究対象の一つになりました。心の理論は人間社会の形成の鍵であり、この理論を通じて人々は社会的相互作用の固有のダイナミクスをよりよく理解することができます。想像してみてください。もし人間が互いの動機や意図を理解できなければ、互いのコミュニケーションや協力は極めて困難になり、あるいは不可能にさえなるでしょう。

[[272902]]

このタイプの人工知能は、前の 2 つよりも進歩しており、主に機械の「感情的知能」の開発において心理学で重要な役割を果たします。

AIシステムが本当に人間と共存できるようになるには、人間一人ひとりが考えや感情を持っていることを理解し、人間の期待を理解し、それに応じて行動を調整できなければなりません。これが、現在のAIと将来のAIの重要な違いです。

これは人工知能開発の最終段階であり、自己表現を形成できるシステムを構築することです。イーロン・マスクやスティーブン・ホーキングのような天才たちは、人工知能の進化について警告してきました。人工知能がこのような状態に決して至らないよう祈りましょう。この状態では、機械は独自の意識を持つため、自分自身を認識し、内部状態を知り、他人の感情を予測することができるようになります。現時点では、自己認識型人工知能の実現はまだまだ遠い道のりです。しかし、将来的には、スーパー人工知能の段階に到達する可能性はまだあるかもしれません。

[[272903]]

人工知能は、以下のテクノロジーを通じて現実世界の問題を解決できます。

1. 機械学習
2. ディープラーニング
3. 自然言語処理
4. ロボット
5. ファジーロジック
6. エキスパートシステム

機械学習は、機械を使用してデータを解釈、処理、分析し、現実世界の問題を解決する科学です。そのルーツは、1952 年に IBM で働いていたアーサー・サミュエル (「機械学習の父」として知られる) が設計したチェッカー プログラムにまで遡ります。機械学習には、教師あり学習、教師なし学習、強化学習の 3 つの種類があります。

機械学習は、人間レベルの人工知能の発展を妨げていると考えられる知識と常識のボトルネックを人間が克服するのに役立つことは間違いありません。そのため、多くの人が機械学習を人工知能の夢と見ています。

ディープラーニングは、高次元データにニューラル ネットワークを実装して洞察を獲得し、ソリューションを開発するプロセスです。ディープラーニングは、より高度な問題を解決するために使用できる機械学習の高度な分野です。これは、Facebook、自動運転車、Siri、ALexa などの仮想アシスタントの顔認識アルゴリズムの背後にあるロジックです。

自然言語処理は、機械とコミュニケーションをとり、ビジネスを成長させるために、人間の自然な言語から洞察を抽出する科学です。これは、人工知能の中でも最も古く、最も研究され、最も要求の厳しい分野の 1 つでもあります。インテリジェント システムを開発するあらゆる試みは、最終的には、通信にどのような形式の標準を使用するかという問題に対処しなければならないようです。たとえば、グラフィカル システムやデータベース システムを使用したコミュニケーションよりも、口頭によるコミュニケーションが好まれることがよくあります。

1940 年代から 1950 年代にかけて、有限オートマトン、形式文法、確率を用いて自然言語理解の基礎が確立されました。しかし、1950年代と1960年代に機械を使って言語を翻訳する初期の試みは無駄に終わった。 1970 年代には、記号的手法と確率的手法を使用する傾向がありました。 21 世紀に入り、機械学習の台頭により、自然言語処理は新たな進歩をもたらし、ランダムプロセス、機械学習、情報抽出、質問応答などの既存の方法の応用を促進しました。たとえば、Twitter は自然言語処理を使用してツイート内のテロリストの言語をフィルタリングし、Amazon は自然言語処理を使用して顧客のレビューを理解し、ユーザー エクスペリエンスを向上させています。

AI ロボットは、現実世界の環境で動作し、責任ある行動をとることで結果を生み出す人工知能です。この分野は、計算幾何学と視覚における人工知能と密接に関連しています。現在、ロボット工学、特に組み込みシステムでは、検索アルゴリズム、ロジック、エキスパートシステム、ファジーロジック、機械学習、ニューラルネットワーク、遺伝的アルゴリズム、計画、さらにはゲーム理論など、人工知能のさまざまな現れを見ることができます。ヒューマノイドロボット「ソフィア」は、ロボット工学における人工知能の素晴らしい例です。

[[272904]]

ファジー論理は、通常の現代のコンピュータ論理、つまりブール論理ではなく、「真実の度合い」の原理に基づいた計算方法です。言い換えれば、得られる結果は白か黒か、肯定的か否定的かではなく、むしろ「ある程度」の結果であることが多いのです。たとえば、ロボットは目標に向かう途中で障害物に遭遇する可能性がありますが、ロボットは目標の達成に粘り強く取り組む必要があります。言い換えれば、ロボットの世界は離散的であるだけでなく、単に「オン」か「オフ」、「はい」か「いいえ」という結果を生み出すのではなく、ある程度変化できる特定の「自由度」、つまり特定の特性にも依存します。

[[272905]]

ファジー理論は、1965 年にロトフィ・ザデー (1921~) によって提唱されました。ザデーは当初、ファジー論理を使用して工業プロセスを設計し、消費者向け製品を制御したり「インテリジェント」にしたりできるとは考えていませんでした。その後、マーク・ホプキンスは、経済学、農業、航空宇宙、原子力科学、生物医学など、多くの分野でファジー論理の応用を発見しました。実際、ファジー論理は広く使用されてきました。

エキスパート システムとは、特定の分野における専門家レベルの知識と経験を大量に含み、人間の専門家の知識と問題解決方法を使用してその分野の問題に対処できるインテリジェントなコンピュータ プログラム システムです。言い換えれば、エキスパートシステムとは、大量の専門知識と経験を備えたプログラムシステムです。人工知能技術とコンピュータ技術を応用して、特定の分野の1人以上の専門家が提供する知識と経験に基づいて推論と判断を行い、人間の専門家の意思決定プロセスをシミュレートして、人間の専門家が対処する必要がある複雑な問題を解決します。つまり、エキスパートシステムとは、現場の問題を解決する際に人間の専門家をシミュレートするコンピュータプログラムシステムです。過去 20 年間、知識工学とエキスパート システムの理論と技術に関する研究は発展を続け、その応用は化学、数学、物理学、生物学、医学、農業、気象学、地質探査、軍事、工学技術、法律、ビジネス、宇宙技術、自動制御、コンピュータ設計と製造など、ほぼすべての分野に浸透しています。何千ものエキスパート システムが開発され、その多くは機能面で同じ分野の人間の専門家のレベルに達しているか、それを上回っており、実際のアプリケーションで莫大な経済的利益を生み出しています。

エキスパート システムは、if-then ロジックを使用して複雑な問題を解決します。従来の手続き型プログラミングに依存しません。エキスパート システムは通常、人間とコンピュータの相互作用インターフェイス、知識ベース、推論エンジン、インタープリター、包括的なデータベース、知識獲得の 6 つの部分で構成されます。このシステムのユニークな特徴は、知識ベースと推論エンジンが互いに分離されていることです。エキスパート システムのアーキテクチャは、エキスパート システムの種類、機能、およびサイズによって異なります。エキスパート システムの基本的な動作プロセスは、ユーザーが人間とコンピュータのインターフェイスを介してシステムの質問に答え、推論エンジンがユーザーが入力した情報を知識ベース内の各ルールの条件と照合し、一致したルールの結論を包括的なデータベースに保存することです。最後に、エキスパート システムが最終的な結論をユーザーに提示します。