2019年のAI研究開発のホットスポットのレビュー

人工知能技術を継続的に改善することで、より優れたインテリジェントな世界を創造することができます。 2019年には、5G通信ネットワーク、ブロックチェーン技術、脳コンピューターインターフェース技術などのサブ分野で一連の進歩が遂げられ、多くの分野で広く活用されるとともに、インテリジェンスに向けたさまざまな分野の発展も促進されました。

[[317448]]

1850 年代に誕生した人工知能研究の分野は、機械やシステムを人間の知能と同等のレベルで動作させることを目指しています。これまで進歩と課題の両方を経験してきましたが、近年では現代のコンピューティング能力とデータ ストレージ技術の急速な進歩により復活を遂げています。人工知能には通常、推論、データフィッティング、クラスタリング、最適化などのサブ問題が含まれており、これらは最初に遺伝的アルゴリズムと人工ニューラルネットワークを使用して解決されます。具体的には、AI学習技術はさまざまな問題に対する一般的なフレームワークの構築において大きな進歩を遂げ、複数の分野にわたる最先端の技術を生み出しました。

5G通信ネットワーク

最近の通信およびネットワーク技術の進歩により、無人航空機からインテリジェントな認知ネットワーク、大規模な IoT システムに至るまで、多くの新しいワイヤレス サービスが誕生しました。第 5 世代 (5G) の無線セルラー システムでこれらの新しいアプリケーションを有効にするには、スペクトルの共有と管理に関連する多数の課題に対処する必要があります。実際、ほとんどの 5G アプリケーションは、動的なネットワーク環境に適応しながら高い信頼性と高品質のエクスペリエンスを保証するインテリジェントなスペクトル管理テクノロジーに大きく依存します。このような状況において、ディープラーニング、畳み込みニューラルネットワーク、強化学習などの人工知能 (AI) 技術の使用は、AI 主導のスペクトル管理において非常に重要な役割を果たすことができます。

AI テクノロジーは、さまざまな無線システムやネットワークのスペクトル管理に適用できます。まず、5GおよびIoTシステムにおけるビッグデータの広範な応用により、ネットワーク最適化のためのスペクトル管理を効果的に検討し、真に自己組織化5Gネットワ​​ークを運用できるようになります。 AI 管理を使用することで、ワイヤレス デバイスがスペクトル環境をインテリジェントに学習し、よりスマートでプロアクティブなスペクトル管理の決定を下せるようになります。第二に、コグニティブ無線（CR）は、将来のインテリジェント無線ネットワークを実現するための重要な技術となることは間違いありません。 CR では、AI を活用した認知科学とデータ分析によるスペクトル管理が重要な役割を果たします。さらに、AI 支援スペクトル管理の概念に基づいて、将来の CR ネットワークは、インテリジェントな認知、高度な無線信号処理、適応型無線リソース管理などの新しい機能でアップグレードされる可能性があります。同時に、モノのインターネットは、次世代のワイヤレス ネットワークの最も重要なアプリケーションの 1 つであると言えます。モノのインターネットを実現するために、AI 支援によるスペクトル管理は、希少なスペクトル リソースをインテリジェントに調整し、干渉をインテリジェントに緩和し、異種情報を処理できる重要な基本技術になります。さらに、将来のドローン ネットワークは、インフラストラクチャがカバーされていないエリアのワイヤレス デバイスにコスト効率の高いワイヤレス接続を提供することが期待されています。異種かつ多層構造を呈する既存の UAV ネットワークでは、通常、地上で異なる周波数帯域で動作する UAV が相互に通信する必要があります。これらのネットワークでは、AI 機能を備えた堅牢なスペクトル管理テクノロジーが強く求められています。さまざまな UAV システムの特性が異なるため、インテリジェントな管理を通じて実現されるスペクトル モビリティとスペクトル共有により、将来の大規模ネットワークで高速、低遅延、超信頼性の高い通信が可能になる可能性があります。

ブロックチェーン技術

ブロックチェーンは経済的、社会的に多大な影響を与える可能性があります。ブロックチェーンは、ID とトランザクションを暗号的に認証し、不変の記録を作成する機能を備えているため、信頼性を高めることができます。人工知能とは、反復的なタスクにおいてコンピューターが人間を上回るパフォーマンスを発揮するプロセスです。その判断力と知性は、感情、感覚、ニーズに左右されません。記憶力が向上し、大量の情報を処理できるようになるため、効率が向上し、コストが節約され、新しい機会が生まれます。さらに重要なのは、人工知能とブロックチェーンは強力な補完機能を備えており、業界と市場のパフォーマンスに大きな影響を与えるということです。それぞれが他方のパフォーマンスと機能性を向上させる能力を持っています。

2つのテクノロジーエコシステムを組み合わせることで、人工知能とブロックチェーンの多くの欠点を効果的に解決できます。 AI アルゴリズムは、データや情報に基づいて学習、推論、最終決定を行います。機械学習アルゴリズムは、信頼性が高く、安全で、信用できるデータ リポジトリまたはプラットフォームからデータが収集された場合により効果的に機能します。

ブロックチェーンは、すべてのマイニングノードによって暗号化署名、検証、合意された方法でデータを保存および処理できる分散型台帳として機能します。ブロックチェーンのデータは、高い整合性と高い弾力性を備えたストレージという特性があり、改ざんすることはできません。スマート コントラクトを機械学習アルゴリズムと組み合わせて意思決定や分析を行うと、その意思決定の結果は信頼性が高く、疑いの余地のないものになります。 AI とブロックチェーンを統合することで、AI に非常に機密性の高い情報を収集、保存、活用する機能を提供し、安全で不変かつ分散化されたシステムを構築できます。このアプローチは、医療、個人情報、銀行・金融、取引、法律データなど、さまざまな分野のデータと情報のセキュリティを保護するために大幅に改善できます。

図 1 に示すように、AI は、機械学習アルゴリズムを実行し、分散 P2P ストレージ システムに保存されたデータを追跡できる多くのブロックチェーン プラットフォームでの使用からメリットを得ています。このデータは通常、IoT デバイス、群ロボット、スマート シティ、建物、車両など、さまざまなソースを含むスマート接続製品から取得されます。クラウドの機能とサービスを活用して、オフチェーンの機械学習分析やインテリジェントな意思決定、データの視覚化を実現することも可能です。

図1 AIが新興技術に与える影響

脳コンピューターインターフェース技術

脳コンピューターインターフェース (BCI) は、人がアクションを必要とせずに情報を伝達する方法を提供します。代わりに、人々は動きを想像したり数を数えたりするなど、コンピューターが検出できる特定の脳活動パターンを生み出す精神活動を実行します。その後、コンピューターはユーザーにリアルタイムでフィードバックを提供します。

すべての BCI には 4 つのコンポーネントがあります。まず、センサーは脳の活動を検出できなければなりません。ほとんどの BCI は非侵襲的な手段で脳の活動を検出しますが、埋め込まれた電極を使用して脳の活動に関するより詳細な情報を提供するものもあります。第二に、自動信号処理ソフトウェアは、ユーザーの意図を反映する脳活動を識別し、区別する必要があります。 3 番目に、外部デバイスは、信号処理モジュールの結果に基づいて何らかのフィードバックを提供する必要があります。これには、モニターに単語を表示したり、外骨格を動かしたり、義肢を制御したりすることが含まれる場合があります。 4 番目に、オペレーティング環境は、他の 3 つのコンポーネントが相互に、またエンド ユーザーとどのように対話するかを制御する必要があります。

2019年7月17日、マスク氏はニューラリンクの脳コンピューターインターフェース技術が画期的な進歩を遂げたと発表した。従来の技術と比較して、脳へのダメージが少なく、データ伝送能力が強化されている。 Neuralink はこの技術を使用して動物に複数の手術を実施し、機械を動物の脳で制御できるようにする「細いワイヤー」回路を設置することに成功しました。成功率は約 87% です (図 2)。

[[317449]]

図2 脳コンピュータインターフェースモデル

Neuralink は、従来に比べてチャンネル数を 1 桁増やした、柔軟でスケーラブルな脳コンピューター インターフェースの実現に向けて大きな進歩を遂げました。このシステムは、超微細ポリマープローブ、脳神経外科ロボット、カスタマイズされた高密度電子機器の 3 つの主要コンポーネントで構成されています。小型化されたカスタム電子機器により、すべての電極から完全な広帯域電気生理学的データを同時にストリーミングできます。このシステムは慢性的な埋め込み用にパッケージ化されており、活動電位の低遅延検出を可能にするカスタム開発されたオンラインスパイク検出ソフトウェアが開発されました。このシステムは、完全に埋め込み可能な脳マシンインターフェースのための最先端のプラットフォームを構成します。

Neualink は、さまざまな生体適合性薄膜材料から最小限の神経プローブを作成するカスタム プロセスを開発しました。これらのプローブに使用される主な基板と誘電体は主にポリイミドで構成されており、その中に金の薄膜トレースが封入されています。各薄膜アレイは、信号増幅と取得を実行するカスタム チップがフィルムとインターフェイスする「センサー」領域と、電極接点とルーティング機能を備えた「スレッド」領域で構成されています。

AIチップ

機械学習アルゴリズムは、多くのアプリケーションで大きな進歩を遂げています。しかし、最新プラットフォームでのハードウェア実装には依然としていくつかの課題があり、メモリ容量、メモリ帯域幅、相互接続オーバーヘッドなどのさまざまな要因によって制限されています。そのため、AI 向けに最適化されたチップの開発は、AI の開発と応用にとって非常に重要です。

汎用 AI の開発には、コンピューター サイエンス指向と神経科学指向の 2 つの一般的なアプローチがあります。エンコード方式と表現が根本的に異なるため、2 つのアプローチは互換性のない別々のプラットフォームに依存し、人工知能の開発が遅れます。神経科学にヒントを得たモデルとアルゴリズム、そして一般的なコンピュータ サイエンスに基づく人工ニューラル ネットワークの両方をサポートする汎用プラットフォームが強く求められています。

2019年、清華大学脳に着想を得たコンピューティング研究センターのShi Luping氏のチームにより、「Tianjic」と呼ばれる新しい人工知能チップの開発に成功しました。 「天機チップ」はこれら2つの方法を統合し、相乗効果のあるハイブリッドプラットフォームを提供します。これは、高速、強力なパフォーマンス、低消費電力という特徴を備えた世界初の異種融合脳型チップです。このチップは、マルチコア アーキテクチャ、ハイブリッド コーディング スキームによる合理化されたデータ フロー、再構成可能なビルディング ブロックを使用しており、脳に着想を得た回路や複数のコーディング スキームを簡単に実装できるだけでなく、コンピューター サイエンスに基づく機械学習アルゴリズムにも適応できます。同時に、このチップは、情報を表現するためにさまざまな方法を使用することが多い神経科学とコンピューターサイエンスの分野で現在使用されているニューラル ネットワーク モデルのほとんどをサポートする専用プラットフォームです。コンピュータサイエンス（MLP、CNN、RNNなど）と神経科学（SNN、レートベースのバイオインスパイアードニューラルネットワークなど）で最も広く使用されているニューラルネットワークモデルを再検討することにより、軸索、シナプス、樹状突起、幹、ルーターの各コンパートメントにモデル実装を合わせ、SNNとANNニューロンの類似点と相違点を識別し、それぞれの機能に応じてこれらのコンパートメントへの操作と変換を配置するための統一表現が提案されています。データフローを調整することにより、チップは単一またはハイブリッドのパラダイムでさまざまなモデルを柔軟に実装できます。実験では、1 つのチップのみを使用して無人自転車システムで複数のモデルとアルゴリズムを同時に処理し、リアルタイムのターゲット検出、追跡、音声制御、障害物回避、バランス制御を実現できることを実証しました (図 3)。将来、天智チップの開発により、人工汎用知能の研究に、より効率的で迅速かつ柔軟なコンピューティングプラットフォームを提供することができます。また、他の分野のアプリケーション開発にも活用でき、人工汎用知能の研究を促進し、他の産業に力を与えることができます。

図3「天吉心」自転車

AI教育

教育分野における人工知能の応用は非常に重要です。ロボットの教育から答案用紙評価の自動システムの開発まで、人工知能は教師と生徒の両方を支援しています。研究によると、NLP 対応のすべてのスマート チューター システムの中心には AI が存在します。これらのシステムは、自己反省、深い疑問への回答、問題対立の解決、創造的な疑問の創出、選択の実施などの促進に役立ちます。

人工知能は、学校や教師の反復的な作業を大幅に簡素化し、教育者がテストの採点、宿題の評価、生徒へのフィードバックを提供するのに役立ちます。 AI 教育が成熟するにつれて、AI テクノロジーを使用してさまざまなテスト採点タスクを自動化できるようになります。これは、教師が生徒の採点に多くの時間を費やすのではなく、生徒に寄り添う時間が増えることを意味します。人工知能は各生徒に適した学習コンテンツを生成し、教科書をカスタマイズし、生徒が自分の可能性を最大限に発揮できるように支援することができます。同時に、AI教育は地理的境界を打ち破り、学生はいつでもどこでも興味のあるコースを学ぶことができます。

海外では多くのインテリジェント教育システムが開発されています。例えば、米国ピッツバーグ大学のブルシロフスキーは、学生の興味、学習経験、知識に基づいてユーザーモデリングを行いました。システムとのインタラクションの過程で学習者の個別学習ニーズを満たすために、彼はELM-ART、InterBook、KnowledgeSea、AnnotatEd、TaskSieveなどのインテリジェント学習システムを次々と開発しました。その後の多くの研究成果は、これに基づいて改善され、補完されました。オーストラリアのロイヤルメルボルン工科大学のウルフ氏、ギリシャのアテネ大学のパパニコラウ氏、オランダのアイントホーフェン工科大学のデブラ氏も、INSPIRE、AHA!、iWeaver などのパーソナライズされた教育システムを開発しました。

海外で開発された多くの製品は、個別教育の教育実践にうまく適用され、一定の成果を上げています。 DreamBox Learning のパーソナライズされた学習診断への取り組みを例に挙げてみましょう。オンライン学習プラットフォームとして、ユーザーの学習進捗に自動的に適応できます。各生徒の学習プロセスを分析することで、数学的理解能力の評価を提供し、生徒に最も適した方法で正しい方向に学習するよう促し、奨励します。パデュー大学の追跡データによると、DreamBox Learning は学生の全体的なパフォーマンスを効果的に向上させます。

顔認識

近年、特に電子工学とコンピュータサイエンスの分野における人工知能技術の急速な発展により、生体認証システムを初めて広く導入することが可能になりました。現在、それらは国境アクセス制御、監視、スマートフォン認証、フォレンジック、eラーニングやeコマースなどのオンラインサービスなど、さまざまなシナリオに存在しています。

既存の生体認証機能の中で、現在最も普及しているものの 1 つが顔認識です。識別手段としての顔認識は 1960 年代から研究され、1990 年代にはコンピューター ビジョンの発達により特別な重要性を帯びるようになりました。顔バイオメトリクスの特徴は、一定の距離内で非侵襲的に情報を収集できることと、本人確認を行うための顔の認識特性が優れていることです。

顔認識技術は、近い将来、多くの場面で広く利用されるようになるでしょう。同時に、顔認識の欺瞞も次々と登場しています。通常、顔認識システムは、対象者の写真、ビデオ、または 3D マスクをセンサー (カメラなど) に提示することで欺くことができます。写真やビデオの使用は、顔の表情が頻繁に公開されること（ソーシャル メディア、ビデオ監視など）と、高解像度のデジタル カメラ、プリンター、デジタル スクリーンが低価格であることから、最も一般的なタイプの攻撃です。

顔認識システムは、センサーに提供された生体認証サンプルが本物か偽物かを判断するのではなく、実際のユーザーを区別しようとします。顔認識技術は、一般的に、実際の生体認証特徴とセンサーに提示された人工的に合成されたアーティファクトを自動的に区別できると考えられています。攻撃に強い顔認識システムを構築するには、顔の偽造を検出するための適切な技術を選択する必要があります。その後、顔偽造識別技術と顔認識システムの統合は、スコアレベルまたは決定レベルの融合など、さまざまなレベルで融合できます。

最初の可能性は、スコアレベルの融合を使用することです。これは、そのシンプルさと、マルチモーダル生体認証システムの融合における良好な結果により、人気のあるアプローチです。この場合、生体認証データは顔認識システムと顔偽造検出システムの両方に入力され、それぞれ独自のスコアを計算します。各システムからのスコアは新しい最終スコアに統合され、サンプルが本物のユーザーからのものであるかどうかを判断するために使用されます。このアプローチの主な利点は、両方のモジュールが同時に操作を実行するため、結果がすぐにフィードバックされることです。この事実は、マルチコア/マルチスレッド プロセッサを搭載したシステムなど、優れた並列コンピューティング仕様を備えたシステムで活用できます。

顔偽造検出技術と顔認識システムを組み合わせるもう 1 つの一般的なアプローチは、顔偽造検出システムが最初に決定を下し、サンプルが生きている人物のものであると判断された場合にのみサンプルを処理するシリアル方式です。この決定レベルの融合により、顔認識システムは、サンプルがデモ攻撃からのものではないことを事前に認識しながら、生体認証サンプルに対応する ID を検索します。第二に、シリアル方式では、アクセス試行の平均時間が長くなり、顔偽造モジュールと顔認識モジュールの連続的な遅延が区別されます。ただし、このアプローチでは計算が早い段階で終了するため、偽造攻撃を受けた場合の顔認識システムの余分な作業を回避できます。

攻撃者が使用できる欺瞞手段は無数にあり、それぞれ特性が異なります。したがって、顔の偽造を識別するためのより効果的なアルゴリズムを開発するためには、新しいスキームで新しいデータベースを収集することが重要です。そうしないと、顔認識システムのセキュリティを向上させることが難しくなります。

軍事情報

過去 10 年間にわたり、研究者は人工知能 (AI) と、量子コンピューティング、ビッグ データ、モノのインターネット、小型化、ロボット工学、自律性などの関連技術の開発において重要な進歩を遂げてきました。例えば、2014年に世界最高の囲碁プログラム（AlphaGo）を設計したAIの専門家は、人間の囲碁チャンピオンに勝つにはさらに10年かかるだろうと予測しました。しかし、Google の DeepMind はこの技術的偉業をわずか 1 年後に達成しました。

この発展を推進する主な要因としては、(1)コンピューティング能力の飛躍的な成長、(2)データセットの拡大、(3)機械学習技術とアルゴリズムの実装の進歩（特にディープニューラルネットワークの分野）、(4)AIに対する商業的な関心と投資の急速な高まり、(5)部分的に自律的なシステムは少なくとも第二次世界大戦以来軍事技術に使用されてきたが、機械学習とAIの最近の進歩は根本的な転換点を表している、(6)AIは軍事力に根本的な変化をもたらし、勢力バランスの再調整に影響を与える可能性がある、(7)特に国家間の地政学的競争などが挙げられます。各国は必然的に AI 能力の開発競争の影響を受けることになるでしょう。世界中の指導者たちは、人工知能の変革の可能性をいち早く認識し、将来的にはそれが国家安全保障の重要な要素になると考えています。

2016年、米国国防総省は「国家人工知能研究開発戦略計画」を発表しました。これは、AI機械学習と、AIが米国の軍事的優位性を活性化させる可能性に関する一連の研究の1つです。 「証明はできないが、我々はAIと自律性において転換点にいると考えている」と国防副長官のロバート・ワーク氏は述べた。国防総省はまた、国防総省とシリコンバレーの緊密な協力を促進するため、国防総省イノベーション実験グループを設立した。軍事力の根本的な変化は人工知能から生まれるかもしれない。軍事目的の一連の人工知能技術の開発を継続することは、米国の軍事的弱点を探るために「科学技術超大国」を目指すための良い基盤を築くことになるだろう。ロシアは2025年までに全軍の30％をロボットに置き換える準備を進めている。総合すると、国家レベルの目標と計画は、国家安全保障と戦略計算における AI の変革的（または軍事・技術・革命的）可能性が世界的に認識されていることを示しています。

米軍のDARPAは、生涯学習プログラム（L2M）、コンパスプロジェクト、KAIROSプロジェクトなどから、最近開発された「説明可能な人工知能」（XAI）プロジェクト、「さまざまな情報源の能動的解釈」（AIDA）プロジェクト、「AIの欺瞞防止信頼性の確保」（GARD）プロジェクトまで、軍事情報の方向に多額の投資を行ってきました。これらはすべて、軍事分野における人工知能の応用研究です。その中で、「説明可能なAI」は、革新的な機械学習技術の開発を目指し、人工知能が導き出した結論を説明できる理論的枠組みを形成することを目指しています（図4）。説明可能な機械学習システムは、その長所と短所を特徴付け、その根拠を説明し、将来の動作に対する理解を表現する能力を持ちます。この目標を達成する方法は、より解釈可能なモデルを生成するために、新しい機械学習技術を改善または開発することです。これらのモデルは、最先端のヒューマン・コンピュータ・インターフェース技術と組み合わせられ、ユーザーが理解し解釈できる効果的なダイアログ ボックスに変換されます。この戦略は、さまざまな手法を採用してさまざまなソリューションを生成し、将来の開発者に、解釈可能性とパフォーマンスのためにスペースを犠牲にするさまざまな設計オプションを提供することです。

図4 説明可能なAIモデル

人工知能はさまざまな分野と幅広く統合され、さまざまな分野の知能化に向けた発展を促進しています。私たちは、人工知能を合理的に活用し、人々が生活のあらゆる場面でその利便性を享受できるようにしたいと考えています。人工知能技術を継続的に改善することで、より優れたインテリジェントな世界を創造します。