楊強：人工知能の次の技術的、商業的トレンドはどこにあるのでしょうか？

第四パラダイムの主任科学者であり、パラダイム大学の指導者である楊強教授は最近、第四パラダイム内で「人工知能の今後3年間」と題したトレーニングセッションを実施し、人工知能産業の推進における自身の経験を分かりやすく共有し、人工知能の今後の技術および商業の動向を予測しました。以前、楊強教授と第4パラダイムは人工知能に必要な5つの条件を提案し、人工知能業界に権威ある参入基準を提供しました。

以下の内容は楊強教授の基調講演をもとに若干編集したものです。

1. AlphaGoがもたらすもの

2016年3月にAlphaGoが登場し、イ・セドルと対戦したことが人工知能に大きな社会的影響を与えたことは誰もが覚えているでしょう。ここで私たちは問います。AlphaGo はいったい何をもたらしたのでしょうか?

AlphaGo の探索において、Deepmind チームは、ディープラーニングと強化学習を組み合わせて、現在のチェス盤が良いか悪いかを判断し、将来の好ましい傾向を予測するという 2 つのタスクを実行するという新しいコンセプトを導入しました。 この時点で、誰もが AlphaGo のアルゴリズムと将来のビジネス モデルとのつながりを理解できるはずです。つまり、ビッグ データの分析を通じて、「現在の状態」を確実に理解できます。この状態は、チェス盤、サッカーの 2 つのチームの状態、または現在のマーケティングの状態である可能性があります。同時に、囲碁の一手は将来の動向を予測するものとして捉えられ、ビジネス活動においては、マーケティング活動の次のステップとなることもあります。ここで非常に重要な点は、私たちのビジネス活動における 2 つのタスク、つまり現実を判断することと、ビジネスの将来の方向性を予測することとを区別することです。これら 2 つのタスクは同等に重要であり、どちらもビッグデータのサポートが必要です。 囲碁はクローズドゲーム（つまり外部要因からの干渉がない）であるため、より多くのデータを取得するために、AlphaGo はセルフゲームも導入しました。 いわゆるセルフゲームとは、自分でゲームをプレイすることです。継続的にフィードバックを得て、戦略を更新します。このようなゲームを何度も繰り返すと、最終的に良い戦略が見つかります。最終的な成果は行動戦略です。そこで AlphaGo は、閉じたシナリオでは、自己ゲーム シミュレーション メソッドを使用してより多くのデータを取得できることも示しています。

AlphaGoから人工知能の応用プロセスまで

囲碁をプレイする手順に従うと、次のような質問に直面することになります。人工知能アルゴリズムの目的は何ですか?データはありますか？データはどこですか?問題の境界は明確ですか?合理的な移動方法と違法な移動方法は何ですか?あなたの特徴はどこにありますか？これらの特性を得るにはどうすればよいでしょうか?継続的にフィードバックを得ることは可能ですか?これは AlphaGo 設計チームが実行したプロセスです。これらの手順を書き留めてワークフローに変換し、AlphaGo の成功が他の分野でも再現できるかどうかを確認してみるのもよいでしょう。 たとえば、AlphaGo が癌の治療に使用された場合、どのように治療されるのでしょうか?がん治療では一般的に放射線を使ってがん細胞を殺しますが、がん患者ごとに必要な線量、角度、頻度は異なります。この情報をすべて記録し、治療結果を記録できれば、すぐには結果がわからず、一定期間が経過してからでないとわからないため、データ、特性、問題に関する継続的なフィードバック、そして副作用を最小限に抑えてがん細胞を殺すという非常に明確な目標が得られます。このワークフローは繰り返し可能です。

[[184334]]

AIの開発の歴史はまだ最初の30年であり、これらの年月の蓄積も非常に有用である

先ほど、AlphaGo の歩みについてお話ししましたが、人工知能に対する私たちの理解は一方的なものであってはならず、人工知能は機械学習であると考えるべきではありません。人工知能の開発の歴史は、1950 年代半ばから 1980 年代半ばまでの最初の 30 年間に遡ります。過去30年間にAIは何を行ってきたのでしょうか?私たちは、手入力によるルールベースの知識表現と、そのルールに基づいた記号空間での推論や検索に関する研究を行っています。多くの分野ではコールドスタートや分野の境界をどのように規制するかという問題があるため、この人工的なルールベースの知識表現はAIの応用にも不可欠であると考えています。これは、論理的推論、論理的知識表現、記号空間での検索を含む人工知能の分野が、今後数年間で統計学習と統合され、大きく発展することを意味します。 この開発には、技術的側面と商業的側面の両方が含まれます。

2. AIの技術動向はどこにありますか?

私たち全員が関心を持っている疑問の一つは、人工知能技術がどの方向に大きな進歩を遂げる可能性があるかということです。

ディープラーニング

まず、ディープラーニングは今後も発展し続けるでしょう。ここでの発展は、レベルの向上だけではなく、ディープラーニングの解釈可能性とディープラーニングによって得られた結論の自己因果的表現においても見られます。たとえば、非構造化データを生データとして使用し、統計モデルをトレーニングし、このモデルを特定の知識の表現に変換する方法、これが表現学習です。このテクノロジーは、非構造化データ、特に自然言語での知識の学習に非常に役立ちます。さらに、ディープラーニングモデルの構造設計はディープラーニングにおける難しさです。今日、これらの構造物は人間によって設計される必要があります。もう一つの研究課題は、論理的推論とディープラーニングをどのように連携させ、ディープラーニングの解釈可能性を高めるかということです。たとえば、ベイズモデルの構築には多くの設計者の経験が必要であり、これまでは基本的に人間によって構築されてきました。ディープラーニングの学習プロセスからベイズモデルを導き出すことができれば、学習、説明、推論を統合することができます。

転移学習

転移学習は、Dai Wenyuan (Fourth Paradigm の創設者兼 CEO) と私が取り組んでいることでもあります。エンコーダー ネットワークやデコーダー ネットワークなどのディープラーニング ネットワークがあれば、その学習および移行プロセスを調べ、それを新しいデータとして使用して別の解釈可能なモデルをトレーニングしたり、新しい移行学習アルゴリズムの出力として使用したりできます。つまり、学生 A は別の学生 B の学習を観察します。A の目的は、B の学習方法を学ぶことです。B は常に新しいフィールドを学習しています。新しいフィールドが変更されるたびに、A に新しいデータ サンプルが提供されます。A はこれらの新しいサンプルを使用して、フィールド間の移行を学習できます。したがって、このプロセスは観測ネットワークと呼ばれます。学習方法を学習しながら学習するこのアルゴリズムにより、機械学習の過程で転移の方法を学習することが可能となります。

自然言語表現学習と機械読解

表現学習は、データとタスクが直接関連していない場合でも学習できます。重要な例としては、自己学習と呼ばれるものがあり、これは、教師ありの大量のデータと画像を通じて最適な表現を学習できることを意味します。この表現を使用し、タスクを追加することで、この知識表現を素早く学習できます。このような場合に、非構造化データが非常に役立ちます。たとえば、機械に読み上げる段落を与えると、機械学習は注目に値するポイントを自動的に発見できます。たとえば、記事内に未知の変数とそのような関係を持つエンティティがある場合、ユーザーはその未知の変数が何であるかを尋ねることができます。この効果は、ディープモデルがすでに一種の注意力を持っており、それが視聴者の学習 (Attention) を通じて表現できるため実現できます。 その結果、本をちらっと見るときのように、キーワードとその関係性を捉えることができるようになります。これは実際に人間のような直感を使って学習するものです。

人間とコンピュータの対話システム

臨界点まで発展した分野が 1 つあると言わざるを得ません。それは、人間とコンピュータの対話システムの分野です。現在、この分野では、比較的垂直的ないくつかの側面で十分なデータが収集されています。1つはカスタマーサービス、1つは自動車（車内での人と車との会話）、そしてもう1つはAmazon Echoのような特定のシナリオでの特定のタスクです。Amazon Echoに話しかけて、「曲をかけて」または「ニュースをかけて」と言うことができます。Amazon Echoには、円形に配置された8つのマイクがあります。この配列により、人が話しかけているかどうかを検出できます。たとえば、誰かに話しかけて顔を背けると、反応しません。このウェイクアップ機能は非常に正確です。もう一つの機能は、手で操作できないときに音声で操作できることです。ケースシナリオはリビングルームとキッチンです。米国ではAmazon Echoは主婦の間で特に人気があるため、このような特定のシナリオでは、十分なデータが収集されれば、このような強力な対話システムをトレーニングできます。

強化転移学習

将来的には、ディープラーニング、強化学習、転移学習を組み合わせることで、フィードバックを遅延させてパーソナライズしたり、一般的なモデルをあらゆる個人に適用したりといったブレークスルーを実現できると考えられます。このような複合モデルは、強化転移学習モデルと呼ぶことができます。

人工知能の信頼性モデル

信頼できるサービスとしての AI は、AAAI 2016 で AAAI 元会長の Thomas Dietterich 氏が提起したテーマです。人工知能は、チェスのプレイや自動運転車など、その機能を証明するための例としてしか役立ちませんが、多くの場合、依然として信頼性に欠けています。これは、エラー率がわずかな割合を超えないことを保証して安心して使用できる現在の商用ソフトウェアとは異なります。逆に、AIがミスをした場合は、大きく間違っている可能性があるため、平均値で正解率を表すのは適切ではなく、信頼区間をより考慮する必要があります。つまり、初心者のユーザーがいくつかの AI モジュールを使用してシステムを構築すれば、システムが構築でき、その効果は一定の範囲内になるはずなので、AI はソフトウェア エンジニアリングのように行われるべきです。

フォースパラダイムの主力製品である「Prophet Platform」は、この方向で開発が進められています。Prophetは人工知能のモジュールを設計し、ある程度の信頼性を保証しているため、一般ユーザーが独自の人工知能システムを構築するために使用できます。

3. AIの商業的トレンドはどこにありますか?

上記では人工知能の技術開発について検討しました。次に、ビジネス分野を見てみましょう。 AI の成功に必要な 5 つの条件として、高品質のビッグデータ、明確な問題定義とドメイン境界、人工知能を理解し、アプリケーションとアルゴリズムに長けた国境を越えた人材、十分なコンピューティング リソース、継続的な外部フィードバックを挙げました。これら 5 つの条件を満たす分野だけが、将来人工知能の爆発的な発展を経験する可能性が高いでしょう。

インテリジェントな顧客サービス

人間とコンピュータのインタラクションによるインテリジェントな顧客サービスでは、内部データやナレッジベースなどだけでなく、外部の公開データも大量に生成され、それらはすべてロボットの構築に使用できます。特に、過去の顧客サービスデータはトレーニングに活用することができ、垂直分野では徐々にデータ量が増加しています。今日の対話システムは、徐々にディープラーニングと強化学習の焦点になってきました。

ニュース

もう一つの有望な分野は、ニュース、ニュース配信、自動書記です。編集者、解説者、自動校正者、ライターなどがたくさんいます。実際、データの量は十分に大きく、テキストの数も多く、外部からのフィードバックもますます増えています。記事があれば、機械学習を使用して自動的に要約することができます。 このような仕事に対する外部からのフィードバックはどこから来るのでしょうか?実際、私たちが書く論文は外部からのフィードバックです。なぜなら、それぞれの論文には要旨があるからです。論文が受理されるということは、要旨がうまく書かれているということなので、外部からのフィードバックは依然として可能です。

ここで、香港科技大学の学生が行った「小説の自動執筆」プロジェクトという興味深い実験についてお話ししたいと思います。主に 2 つのステップがあります。1 つは、大量の本を読ませること、もう 1 つは、このようにモデルをトレーニングし、このモデルを生成モデルに変換して、小説を書くために使用できるようにすることです。例えば、「射雁勇伝」と「微笑みの放浪者」を用意しています。この2つを組み合わせることで、新たな小説を書くことができます。

特定のタスクのためのインテリジェントロボット

たとえば、Amazon の KIVA ロボット。Amazon の大きな利点の 1 つは、倉庫での作業がすべてロボットによって行われることです。ただし、ロボットによる把持は現在非常に難しいため、手動での把持を行うために雇用された作業員もおり、人間と機械の利点が組み合わされています。また、医療ロボットも非常に専門的な分野です。手術や縫合はできますが、自動ではありません。代わりに遠隔操作されます。ただし、制御精度は非常に高く、十分なデータを収集すれば、自動効果を達成できます。将来的には、ロボットが私たちに代わって手術を行うようになるかもしれません。

医療分野では、バリアフリー支援の適用におけるペインポイントが特に強いです。結局のところ、このグループはまだ少数派であるため、データの量は今のところ特に多くないかもしれませんが、ペインポイントは非常に強いため、将来的にはデータが存在する可能性があります。

AI+ オーガニックフード

私たちはかつて香港のオーガニック食品工場を訪問しました。この研究室では、湿度、温度、光など、すべての野菜の周囲の環境が記録されていました。そして、そのようなデータを収集して機械学習モデルをトレーニングし、最終的にこのモデルを使用して野菜を調理することができました。したがって、野菜の味を、シャキシャキにするか甘くするかなど、制御することができ、これらすべてをモデルを通じて学習することができます。

FINTECH スマート投資アドバイザー

最後に、金融についてお話しします。実は金融は非常に良い分野で、フォースパラダイムは金融分野で多くの成功事例を積み重ねてきました。 金融分野のタスクは非常に明確で、各タスクのデータには痕跡とデータフットプリントがあります。データの次元も外部と内部の両方で多次元です。テキストやレポートなどの非構造化データが多くあります。また、データは孤立した島を形成しており、チェーンは非常に長く、チェーン内には接続があります。

米国の金融分野では、現在、投資リサーチ、投資コンサルティング、投資という概念が比較的流行しています。投資リサーチとは、市場全体の基礎を研究することです。世論分析を研究するのと同じですが、世論はその一部にすぎません。投資コンサルティングとは、米国の銀行が多くの顧客に財務分析を提供し、財務構成を行うことです。これらのタスクはロボットで行うことができます。投資とは、ロボット自体が顧客であり、投資できることを意味します。

4. 今後のAI社会

最後に、数年後のAI社会がどのようなものになるかについて、私の考えをお話ししたいと思います。 将来は、数人の人間が経営する会社になり、各人が何千ものロボットを指揮し、これらのロボットがさまざまなことを行うようになると思います。また、ロボットはさまざまなことを非常に得意とするように訓練されます。現在、私たちは20%の人が仕事の80%を行っている伝統的な業界にいます。この20%の人が将来会社を経営する人であり、残りの80%の仕事は機械によって行われることになります。企業の自動化とインテリジェンスの度合いは、企業のビジネス対応速度と競争力も表します。

人工知能が人類にもたらした変化は計り知れません。人工知能は単なるゲームやアプリケーションではなく、社会全体を真に根本的に変えつつあります。機械と人間は共通の「軍隊」となり、継続的に要塞を征服し、人類の進歩をより良い方向に推進します。

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。