AI陣営を理解するためのチャート: AIを学んで間違った側に立つと自滅につながる可能性がある

AIにはさまざまな手法があります。私たちがよく知っている「5大流派」に加え、この記事の著者はAIのさまざまな流派をさらに細分化し、少なくとも17の手法を整理して、図で直感的に分かりやすく提示しました。著者は、さまざまな AI 手法は平等ではなく、間違った側に立つと自滅につながる可能性があると述べています。

「人工知能」というのは非常に曖昧な言葉です。これは、人工知能 (AI) が 1955 年に非常に傲慢な文脈で造られた用語であるためです。

私たちは、1956 年の夏にニューハンプシャー州ハノーバーのダートマス大学で 10 名が参加する 2 か月間の人工知能に関するセミナーを開催することを提案しました。

このワークショップは、学習のあらゆる側面や知能の他の特徴は、原理的には機械でシミュレートできるほどの精度で記述できるという仮定に基づいています。私たちは、機械が言語、形式的抽象化、概念を使用して、現在は人間にしか解決できない問題を解決し、人間の知能を高める方法を見つけようとします。

—ダートマス AI プロジェクトの提案、J. McCarthy 他、1955 年 8 月 31 日。

AIは半世紀以上を経て、他の多くの分野の特徴も取り入れてきました。長い間、AI は象徴主義者によって支配されていました。シンボリズムは、「ゼロ学習」特性を持つルールベースのシステムです。 1980 年代に、機械学習と呼ばれる AI への新しいアプローチが登場し始めました。最後に、Simple Learning があります。しかし、過去 10 年間で最も大きな変化は、何でもできそうなほど強力な「ディープラーニング」に偶然出会ったことです。

もちろん、これは AI の非常に単純化された歴史です。実際、AI の分野にはさまざまなアプローチや考え方が存在します。ペドロ・ドミンゴは著書『マスターアルゴリズム』の中で、AI の 5 つの異なる「流派」について説明しています。負けじと、Y Combinator のユーザー solidrocketfuel は、AI には少なくとも「21 の異なる学派」が存在するという投稿をしました。

AI 分野で働くことを計画している人にとって非常に重要なことは、AI に対するさまざまな流派やアプローチの違いを理解することです。 AI は均質な分野ではなく、むしろ異なる学派の間で論争が起こり続ける分野です。次の図は概要を示しています。

象徴主義者:ルールベースの記号システムを使用して推論する人々。ほとんどの AI はこのアプローチを中心に展開されます。 Lisp と Prolog を使用するアプローチは、SemanticWeb、RDF、OWL を使用するアプローチと同様に、この流派に属します。最も野心的な試みの 1 つは、1980 年代に Doug Lenat によって開発された Cyc であり、これは論理ルールを使用して世界に対する理解をエンコードする試みでした。このアプローチの主な欠点は、その脆弱性です。厳格な知識ベースは、エッジケースでは常に適用できないように思われます。しかし、現実には、そのような曖昧さや不確実性は避けられません。

進化論者:交叉や突然変異などの進化のプロセスを応用して、初期の知的行動を実現する人々。この方法は遺伝的アルゴリズム (GA) と呼ばれることがよくあります。 GA は実際にディープラーニングにおける勾配降下法の代わりとして使用されるので、孤立した方法ではありません。この学派では、コンウェイの「ライフゲーム」や複雑適応システム (GAS) などのセルオートマトンも研究しています。

ベイズ主義者:確率的ルールとその依存関係を使用する推論の学派。確率的グラフィカルモデル (PGM) はこの学派では一般的なアプローチであり、主な計算メカニズムはサンプリング分布のモンテカルロ法です。このアプローチは、何らかの方法で結果の説明が得られるという点で、記号論的アプローチに似ています。このアプローチのもう 1 つの利点は、結果に表現できる不確実性の尺度があることです。 Edward は、このアプローチとディープラーニングを組み合わせたライブラリです。

カーネル保守派:ディープラーニング以前に最も成功した方法の 1 つは SVM でした。 Yann LeCun はかつてこのメソッドをテンプレート マッチング メソッドと呼んでいました。この方法には、非線形分離問題を線形問題に変換できるカーネルと呼ばれるトリックがあります。このグループの研究者は、自分たちの手法の数学的美しさを気に入っています。彼らは、ディープラーニングコミュニティは結果を理解せずに呪文を唱える錬金術師に過ぎないと考えています。

Tree Huggers?:ランダム フォレストや勾配ブースティング決定木などのツリーベースのモデルを使用する人々です。これらは本質的に、ドメインを再帰的に分割して分類子を構築する論理ルールのツリーです。このアプローチは、実際に多くの Kaggle コンペティションで非常にうまく機能します。 Microsoft が提案するアプローチの 1 つは、ツリーベースのモデルとディープラーニングを組み合わせることです。

コネクショニスト:このグループの研究者は、知性は高度に相互接続された単純なメカニズムから生じると信じています。このアプローチの最初の具体的な形は、1959 年に登場したパーセプトロンでした。それ以来、この方法は何度も消滅し、復活しました。その最新の形態がディープラーニングです。

ディープラーニングには多くのサブメソッドが存在します。含む：

カナダの陰謀家？： Hinton、LeCun、Bengio らは、手動の特徴エンジニアリングなしのエンドツーエンドのディープラーニングを提唱しています。

Swiss Posse:基本的には LSTM と、認識の問題を解決するための 2 つの RNN の組み合わせです。 LeCun 氏によると、GAN は「20 世紀で最もクールなもの」であり、このグループによって発明されたとも言われています。

British AlphaGoist:これらの人々は、AI = ディープラーニング + 強化学習であると信じていますが、LeCun 氏は強化学習は単なる付け足しに過ぎないと述べています。 DeepMind はこの学校の主要な支援者です。

予測学習者:この用語は、AI における主要な未解決領域である教師なし学習を説明するために Yann LeCun によって使用されました。しかし、私はその解決策は「メタ学習」にあると信じている。

上記の主流の方法に加えて、あまり主流ではない方法もいくつかあります。

圧縮主義者:彼らは認知と学習は圧縮であると信じており、これは実際には他の学派の間でも一般的な見解です。情報理論は圧縮に関する議論から生まれました。これは、よく乱用される集計統計のあらゆるツールよりも強力な普遍的な概念です。

複雑性理論家:このグループの人々は、物理学、エネルギーベースのモデル、複雑性理論、カオス理論、統計力学の手法を使用します。群集 AI はこの流派に属すると言えます。ディープラーニングが機能する理由について適切な説明ができると主張するグループがあれば、おそらくそのグループはこの側に属するでしょう。

ファジー論理学者?:このアプローチはかつては非常に人気がありましたが、最近はあまり一般的ではなくなりました。最近、模擬空中戦で戦闘機パイロットを倒すためにファジールールを使用する研究がありました。

生物学インスピレーション主義者:このグループは、生物学のニューロンに近いモデルを作成する傾向があります。例としては、Numenta、pike-and-Integrate、IBM の TrueNorth チップなどがあります。

コネクトーム主義者:これらの人々は、脳の相互接続 (つまり、コネクトーム) が知性の源であると信じています。仮想のワームを複製しようとするプロジェクトがあり、この方法で脳をマッピングしようとする資金の豊富な研究もあります。

情報統合理論家:彼らは、意識は機械の内部想像力から生まれ、現実の原因と結果を反映すると信じています。この学派の動機は、意識を理解したいのであれば、少なくともそれについて考え始める必要があるということです。しかし、彼らのアプローチでは学習と意識の関係を見つけることができませんでした。彼らの意見では、この2つは無関係かもしれない。

PAC 理論家:このグループの人々は、人工知能について議論したいわけではなく、少なくとも知能の存在を認めているため、知能を研究することを好むだけです。全体的な考え方は、適応型システムは結果がほぼ正しい計算を便利に実行できるということです。つまり、彼らの見解では、知能には大規模なコンピューティングは必要ないのです。

全体として、これらの AI アプローチは目が回るようなものである。そして、私がまだ発見していない他の方法もきっとあるはずです。いくつかの方法は互いに互換性がありませんが、他の方法は組み合わせて使用​​できます。しかし、 この記事で私が指摘したいのは、これらの素晴らしい方法について少し知っておくと、この分野で自分の道を見つけるのに役立つということです。

最後に、Shivon Zilis 氏が作成した「機械学習エコシステム パノラマ」を見てみましょう。

AI企業を自称し、AI研究を行っている企業は数多くあります。彼らに率直な質問をする必要があります。では、これらの企業はどのような AI 手法を使用しているのでしょうか?なぜなら、すべての AI が同じように作られているわけではないというのが厳しい現実だからです。言い換えれば、「一部の AI は他の AI よりも平等である」ということです。私たちの提案は、ディープラーニングに関連する手法が現在大きな勢いを持っているということです。それは単に学習に関することだからです。 AI アプローチに強力な学習メカニズムがない場合、すべてのルールを手動で記述しなければならない Doug Lenat と同じ運命を辿ることになります。他のアプローチは往々にして行き止まりになります。

最良のアプローチの 1 つは、ディープラーニングと他のアルゴリズムを組み合わせることです。これは、モンテカルロ木探索技術とディープラーニングを組み合わせて使用​​する AlphaGo の場合です。記号論的手法とディープラーニングには相補的な長所と短所があることを考慮すると、それらの組み合わせも非常に有望です。将来的には、ディープラーニングが AI の世界を支配するでしょう。ただし、ディープラーニングは他の AI 手法と組み合わせた場合にも同様に有望です。この現実を無視しないでください。そうしないと、自分自身を破滅させるだけです。

NetEase Smart Man（WeChat 公開アカウント: smartman163）をフォローして、専門的な人工知能情報や AI レポートを入手してください。