人工知能は人間のように学習できるのでしょうか?

1956 年の夏、米国のダートマス大学で開催された学術会議で、「人工知能」という用語が初めて提案されました。何年も経ってから、この会議は世界的な人工知能研究の出発点として認識されました。 2016年春、AlphaGoと世界トップの囲碁プレイヤーであるイ・セドル氏の間で世紀の人間対機械の戦いが繰り広げられ、人工知能の新たな波の到来を告げた。

[[312404]]

2度の浮き沈みを経て、人工知能は新たな爆発的な成長を遂げ始めた。今日、企業が AI を自社のシステムに統合するにつれて、技術者は AI イノベーションの新しい分野に注目し始めています。

それがメタ学習の分野です。簡単に言えば、メタ学習とは学ぶことを学ぶことです。人間はどんな状況や環境でも学習できる独自の能力を持っています。人々は学習に適応します。人々は学ぶ方法を見つけるでしょう。 AI がこのような学習の柔軟性を持つためには、汎用人工知能が必要です。

言い換えれば、AI には学習プロセスを効果的かつ効率的に理解する方法が必要です。

AIは人間とは全く異なる方法で学習する

制限は、人間と人工知能の学習プロセスの主な違いです。

人間の能力には限界があります。人間の脳力には限界があり、時間にも限界があるため、人間の脳の適応能力にも限界があります。人間の脳は受け取ったあらゆる情報を最大限に活用し、その結果、世界についてのさまざまなモデルを開発する能力を発達させました。人間は普遍的な学習者です。人々の学習プロセスが効率的であれば、すべての科目を素早く学習することができます。しかし、誰もがすぐに学習できるわけではありません。

対照的に、AI には計算能力など、はるかに多くのリソースがあります。しかし、AI は人間の脳よりもはるかに多くのデータから学習します。これらの膨大な量のデータを処理するには、膨大な計算能力が必要です。

同時に、AI タスクがより複雑になるにつれて、計算能力は飛躍的に向上しています。 AI によって行われるすべての推論 (複数のデータ リポジトリにわたる) は、異なるデータ間の接続を作成するアルゴリズムに依存しています。特定のデータセットに対してアルゴリズムが十分に効率的でない場合、計算能力は指数関数的に増加します。今日では、どれだけの計算能力が利用可能であっても、指数関数的な成長は私たちが望む解決策ではありません。

そのため、現在、人々は特定の目的のために AI を学習者として利用しています。類似した関連データから学習することで、AI はデータを効率的に処理し、大きなコストをかけずに推論を導き出すことができます。

人工知能が学習することの重要性

人工知能がますます複雑化するデータから推論を始め、技術者が計算能力の急激な増加に対処しようとすると、「学習」の問題が生じます。

計算能力が指数関数的に増大するのを防ぐために、AI は最も効率的な学習パスを見つけ出し、そのパスを記憶する必要があります。アルゴリズムがさまざまな種類の問題の学習パスを識別できるようになると、AI は学習パスを選択し、学習パスに従い、変更に基づいて学習パスを調整することで、自己調整し、動的に解決策へと導くことができます。

ここで、AI の次の問題である「マルチタスク」について考えてみましょう。

技術者が人工知能に関連しているが順序のないタスクを与え始めると、「マルチタスク」が誕生しました。独立したタスクを同時に実行できるとしたらどうなるでしょうか? AI がいくつかのタスクを実行している間に、知識とデータが他のタスクの実行を支援できるとしたらどうなるでしょうか?

「マルチタスク」の問題は、「学ぶことを学ぶ」という問題を新たなレベルに引き上げます。

「マルチタスク」を可能にするには、AI は独立したデータ セットを並行して評価できるだけでなく、データ同士を相関させてそのデータ間のつながりを推測できる必要があります。 AI がタスクの手順を実行する際には、その知識を他の状況に適用して使用できるように継続的に更新する必要があります。タスクは相互に関連しているため、タスクの評価はネットワーク全体で実行する必要があります。

Google の MultiModel は、8 つの異なるタスクを同時に実行することを学習した AI システムの例です。このシステムは脳が情報を知覚する方法を模倣し、画像内の物体を検出し、キャプションを提供し、音声を認識し、4組の言語間で翻訳し、文法構成要素の分析を実行できます。システムは、複数のタスクを共同でトレーニングすると、優れたパフォーマンスを発揮します。ニューラル ネットワークは、さまざまなドメインのデータからも学習します。

より適応性を高めるには、AI はマルチタスクを学習する必要があります。適応学習者としての人工知能の応用例の 1 つはロボット工学の分野です。ロボット工学では、危険な状況で人間の代わりにタスクを実行することをロボットが学習します。例えば、監視や捕獲の状況が変わった場合、ロボット軍用犬は人間からの特定の命令に従わなくても状況に適応できるようになります。

AIは一般的な学習者になる方法を学ぶことができるでしょうか?

Google の MultiModel からわかるように、AI は確かに人間のような一般的な学習者になることを学習できます。ただし、実装にはまだ時間がかかるでしょう。これは、メタ推論とメタ学習の 2 つの部分で構成されます。メタ推論は認知リソースの効率的な使用に重点を置いています。メタ学習は、限られた認知リソースと限られたデータを使用して効果的に学習する人間特有の能力に焦点を当てています。

メタ推論において、重要な要素の 1 つは戦略的思考です。 AI がさまざまな種類のデータから推論を導き出せるのであれば、さまざまな状況で効率的な認知戦略を採用することもできるのでしょうか?

現在、内部状態の認識、記憶の正確さ、自信など、人間の認知能力と AI の学習方法との間のギャップを特定するための研究が進行中です。しかし、最終的には、メタ推論は全体像を把握し、戦略的な決定を下すことに依存します。戦略的意思決定は、既存の利用可能な戦略の中から選択することと、状況に応じて異なる戦略を発見することという 2 つの部分で構成されます。これらはすべてメタ推論の研究分野です。

メタ学習において、重要な部分の 1 つは、大量のデータを持つトレーニング モデルと限られたデータを持つトレーニング モデル間のギャップを埋めることです。モデルは、複数のタスクにわたる少量の情報に基づいて正確な決定を下すために適応可能である必要があります。

これにはさまざまな解決策があります。一部のモデルは、人間の学習者のパラメータを学習して、さまざまなタスクで適切に機能するパラメータのセットを見つけることによって実装されます。一部のモデルでは、学習が最も効果的に機能する可能性が高い、距離空間などの適切な学習空間を定義します。また、少量のデータを模倣することで、赤ちゃんの学習方法と同じようにアルゴリズムが学習する、少数ショットのメタ学習などのモデルもあります。これらはすべてメタ学習の研究分野です。

メタ推論とメタ学習は、AI が汎用学習者になるまでの過程の一部にすぎません。これらを運動および感覚処理からの情報と組み合わせることで、AI 学習者はより人間に似たものになる可能性があります。

AIはより人間らしくなるためにまだ学習中である

人間のように幅広い学習者になるには、人間がどのように学習するか、そして AI が人間の学習方法を模倣できるかどうかについて、広範な研究が必要です。

「マルチタスク」能力や限られたリソースを使った「戦略的な意思決定」など、新しい状況に適応することは、AI研究者が研究中に克服しなければならないいくつかのハードルです。

人間の努力のおかげで、人工知能の学習能力は絶えず発展しています。人間と比べるとまだ大きな差がありますが、人間の技術の継続的な進歩により、この差は徐々に縮まり、最終的には驚くべき高さに達すると信じています。待ってみましょう〜