今日の人工知能は単なる「狭義のAI」なのでしょうか？

1956 年、若い数学助教授ジョン・マッカーシーが率いる科学者グループがニューハンプシャー州のダートマス大学に集まり、6 週間にわたる野心的なプロジェクトを計画しました。そのプロジェクトとは、「言語、形式的抽象化、概念を使用して、人間が既存の問題を解決し、自分自身を向上させるのを支援する」コンピューターを作成することでした。

プロジェクトが徐々に開始されるにつれ、人工知能 (AI) の分野が世界に正式に登場しました。当時の科学者たちは、AIの核心的な謎を解くには「たった2か月と10人の研究者」で十分だと信じていた。最初の AI 提案では、「厳選された科学者のグループを組織し、夏の間共同作業を行うことができれば、1 つまたは複数の問題で大きな進歩を遂げることができる」と書かれていました。

[[323237]]

しかし、60年以上の研究を経ても、真の人工知能の時代はまだ遠い。人間の大人はもちろん、子供と同等の思考力や問題解決能力を持つ思考機械はまだ作られていない。しかし、探究のペースが止まることはなく、ブレークスルーは続いています。今日、人工知能の分野では、人工汎用知能 (AGI) と人工狭義知能 (ANI) が共存する状況が示されています。

汎用 AI と限定的 AI の違いは何ですか?

マッカーシー氏とその同僚が思い描いているように、AI は、人間が明示的にやり方を指示しなくてもタスクを学習し、問題を解決する能力を持つ人工知能システムです。このようなシステムは、推論および抽象化が可能で、獲得した知識をあるドメインから別のドメインに簡単に転送できる必要があります。

数十年にわたる努力の結果、研究者たちは、AI システムが上記の条件をすべて満たすのは確かに難しいことに気づきました。人間の思考プロセスを模倣できるコンピューター AI の当初のビジョンは、「人工汎用知能」と改名されました。

Wikipedia によると、AGI とは「人間のやり方を理解または学習し、任意のインテリジェントなタスクを実行できる機械」です。現在、科学者、研究者、オピニオンリーダーの間では、真の AGI の実現には少なくとも数十年かかるというのが一般的な見解です。

しかし、思考する機械を創るという夢を実現するための継続的な探求の中で、科学者たちはあらゆる種類の有用な技術を発明することに成功しました。狭義の AI とは、このタイプのテクノロジーの総称です。

いわゆる狭義の AI とは、単一のタスクの処理や特定の範囲内での作業に特に適したシステムを指します。ほとんどの場合、ロボットは特定の分野では人間よりもはるかに優れたパフォーマンスを発揮します。しかし、遭遇する問題が適用範囲を超えると、その影響は急激に悪化します。言い換えれば、彼らは知識をある分野から別の分野に移すことができないのです。

例えば、Google傘下のAI研究機関DeepMindが開発したロボットは、リアルタイム戦略ゲーム「StarCraft 2」で人間のプレイヤーを圧倒することができるが、競技プラットフォームが「Warcraft」や「Command and Conquer」などの他の類似ゲームに変更されると、その競技レベルはすぐに知的障害レベルまで低下してしまう。

狭義の AI は人間の知能を必要とするタスクを完全に実行することはできませんが、特定のシナリオでは非常に実用的であり、すでに多くのアプリケーションでその役割を果たしています。 Google の検索クエリに、ナロー AI アルゴリズムを使用して回答できるようになりました。ナロー AI システムは、YouTube や Netflix でユーザーが興味を持ちそうな動画を推奨したり、Spotify の好みに基づいて毎週の音楽プレイリストをキュレートしたりします。

実際、ほとんどの場合、「AI を使って問題を解決する」という企業の話を聞いたり、見出しで AI 関連のニュースを見たりするときは、それは人工の狭義の知能を指しています。

さまざまな種類の限定AIテクノロジー

現在市場で入手可能な狭義の AI テクノロジーは、シンボリック AI と機械学習の 2 つのカテゴリに大別できます。

シンボリック人工知能（従来の AI、GOFAI とも呼ばれる）は、長い歴史の中で学術研究の主な分野となってきました。シンボリック AI では、プログラマーがインテリジェント システムの動作をガイドするルールを慎重に定義する必要があります。シンボリック AI は、予測可能で明確なルールを持つアプリケーション シナリオに適しています。過去数年間でシンボリック AI への関心は低下していますが、現在のアプリケーションのほとんどは依然としてこのアプローチに基づいています。

狭義の AI の別の分野である機械学習は、例を通じてインテリジェントなシステムを構築します。機械学習システムの開発者は、モデルを作成し、そのモデルに多数の例を提供して「トレーニング」プロセスを完了する責任があります。機械学習アルゴリズムはこれらの例を処理し、データ内の数学的表現を使用して予測および分類タスクを実行する機能を構築します。

たとえば、トレーニングされた機械学習アルゴリズムは、何千もの銀行取引操作と結果（正当なものと不正なものの両方）から学習し、これを使用して新しい銀行取引アクティビティが不正の疑いがあるかどうかを予測できます。

機械学習にもさまざまな種類があります。ディープラーニングは機械学習の特殊なタイプであり、ここ数年で世界的な注目を集めています。ディープラーニングは、コンピュータービジョンや自然言語処理など、データが比較的乱雑なタスクの実行に特に適しています。

強化学習は機械学習の別のサブセットであり、ほとんどのゲームボットはこの限定されたタイプの AI を使用します。本質的には、試行錯誤を通じて問題を解決しようとすることです。

なぜ私たちは長い間、狭い AI 段階にとどまっているのでしょうか?

シンボリック AI と機械学習はそれぞれ人間の知能の 1 つの側面しか反映できず、必要な部分を組み合わせて人間の知能全体をカバーする AI システムを共同で構築することはできません。だからこそ、私たちは長い間、狭いAIの段階に留まっており、前進することが難しいのです。

シンボルの操作は人間の思考プロセスの重要な部分です。しかし、シンボルの操作だけでは、完全な思考体系を反映するには不十分です。私たちは子供の頃に多くのスキル（歩く、走る、靴ひもを結ぶ、物を運ぶ、歯を磨くなど）を学び、これらのスキルは私たちの中に染み付いています。つまり、記号操作を一切行わずに、いつでもどこでも無意識のうちにそれらを習得できるのです。

シンボリック AI システムは非常に脆弱です。開発者は直面するタスクごとに正確な指示を必要とし、システムは厳密に定義されたルールの範囲内でのみ動作できます。

一方、機械学習アルゴリズムは、顔や音声の認識など、記号的推論では捉えられない動作を模倣したり、例を通じて人間に馴染みのあるさまざまなスキルを習得したりすることに優れています。ディープ ニューラル ネットワーク (ディープラーニング アルゴリズムで使用される構造) は、この点で特に優れたパフォーマンスを発揮します。大量のデータを取り込み、その中のパターンを特徴付ける数学モデルを開発することができます。

しかし同様に、人間の学習プロセスを単純に純粋なパターンマッチングとして要約することはできません。たとえば、私たちが生涯で見てきたさまざまな種類の子猫を認識するには、子猫の画像を数枚見るだけで十分です。人間にとって、猫が何であるかを認識することから猫を正確に識別するまでのプロセスはシームレスですが、AI システムではこれを実現するにはほど遠く、学習に多くの記号操作要素を導入する必要があります (猫には 4 本の足と尾があり、体の大部分は毛皮で覆われ、尖った耳と三角形の鼻があるなど)。

記号操作が不足しているため、ディープラーニングやその他の機械学習アルゴリズムの機能が制限されます。ディープラーニング アルゴリズムでは、人間がほんの数例で習得できるタスクを実行するために、膨大な量のデータが必要です。具体的には、コンピューター ビジョンで使用される畳み込みニューラル ネットワーク (CNN) では、さまざまなオブジェクトの認識トレーニングを完了するために、多くの場合、数万枚の画像が必要になります。それでも、これらのモデルは、新しい照明条件や同じオブジェクトの異なる角度に直面すると、すぐに失敗します。

AlphaGo、AlphaStar、OpenAI Five などの AI ゲーム システムは、特定のゲームのプレイ方法を理解するまでに、何百万ものゲームや何千時間ものトレーニングを経る必要があります。トレーニングの激しさだけから判断すると、この量は一人（あるいは10人）が一生のうちにゲームに費やす時間をはるかに超えています。

機械学習システムもトレーニング例のコンテキストに厳密に制限されているため、限定的 AI と呼ばれます。たとえば、自動運転車で使用されるコンピューター ビジョン アルゴリズムは、異常な場所に駐車された消防車や横転した車などの異常な状況に遭遇すると、簡単に誤った判断を下す可能性があります。

狭義のAIの次の時代はどうなるのか？

科学者たちは、現在存在する AI テクノロジーのいずれにも、人工汎用知能に必要な要素が含まれていないことに同意しています。さらに悪いことに、AI が次にどこに向かうべきかについても、人によって意見が異なります。人工狭義知能を拡張するための主流のアイデアをいくつか見てみましょう。

認知科学者のゲイリー・マーカス氏は、ルールベースのシステムをニューラルネットワークと組み合わせてハイブリッド AI システムを構築すべきだと提案しています。ニューロシンボリック AI システムが、狭義の AI が直面するデータ制約を克服する可能性を持っていることを示す実用例がすでにいくつかあります。 「アーキテクチャを構築する最初のステップは、シンボリックアプローチの強みと機械学習の洞察を組み合わせて、ノイズの多い信号で満たされた大規模なデータセットから抽象的な知識を抽出し一般化するより強力な手法を開発することです」とマーカス氏は書いています。

強化学習に関する独創的な本の共著者であるコンピューター科学者のリチャード・サットン氏は、狭義の AI を超えるための解決策は、学習アルゴリズムをさらに拡張することにあると考えています。サットン氏は、AI の進歩は人間の知識や推論をコンピューター ソフトウェアにエンコードするよりよい方法を見つけたからではなく、「計算単位あたりのコストが継続的に指数関数的に低下している」ためだと考えています。

ディープラーニングの先駆者である Yoshua Bengio 氏は、昨年の NeurIPS カンファレンスで System 2 ディープラーニング アルゴリズムについて講演しました。ベンジオ氏によると、システム 2 のディープラーニング アルゴリズムは、シンボリック AI 要素を統合せずに、いくつかの形式の変数操作を実行できるようになります。 「私たちは、現実世界を理解し、環境の優れたモデルを構築し、原因と結果を理解し、その現実環境で行動して知識を獲得できる機械を作りたいのです」とベンジオ氏は語った。

ディープラーニングのもう1人の先駆者であるヤン・ルカン氏は、今年のAAAIカンファレンスで自己教師あり学習について講演しました。自己教師学習 AI は、大量のラベル付きデータを必要とせずに、世界を観察することで学習できるはずです。ルカン氏は会議で、「自己教師あり学習は未来を象徴していると思います。自己教師あり学習は、AIシステム、特にディープラーニングシステムを新たなレベルに引き上げ、観察を通じて現実世界についての背景知識を理解し、認知的常識をさらに深めることが期待されます」と説明した。

狭義の AI の「ハードル」を越えたかどうかをどのように判断するのでしょうか?

今日の人工知能が直面している最大の課題の 1 つは、人々が常に人工知能が成長し続けるための目標を設定していることです。未解決の問題が残っている限り、汎用知能の野望は達成されたと盲目的に主張することはできません。別の観点から見ると、コンピューターがすべての問題を解決できる限り、コンピューターは真の人工知能を持つことになります。しかし、矛盾なのは、機械が解決できる問題の場合、その問題を解決するのに知性は必要ないと考えることが多いということです。

その典型的な例がチェスです。チェスはかつて人工知能の分野における試金石と考えられていたゲームで、その重要性は20世紀初頭の遺伝子研究の飛躍的進歩につながったショウジョウバエのゲノムの発見に匹敵します。しかし1996年、コンピューター「ディープ・ブルー」がチェス盤上で世界チェスチャンピオンのカスパロフに勝利しました。それ以来、チェスはコンピューターが真の知能を持っているかどうかを証明するには不十分であり、すべての可能な動きを検討し、最も勝つ可能性の高いオプションを選択するためにコンピューターのパワーを純粋に使用することが重要であると人々は信じるようになりました。これにより、AI システムの有用性が根本的に制限され、レストランの予約の電話に応答するチャットボットなど、特定のタスクに優れている現在の限定的な AI システムでも同じ問題が存在します。

狭義の AI の開発により、当初は人間の知能によって解決しなければならないと考えられていた問題が、実際には数式と単純なアルゴリズムの形に分解できることがさまざまな方法で証明されました。

ごく最近になって、より日常的で一般的な質問を通じて AI システムの能力を測定する人が増えてきました。この点に関しては、フランソワ・ショレ著の「知能の尺度について」をお勧めします。この論文は、Keras ディープラーニング ライブラリの作成者が全人類にもたらしたもう 1 つの貴重な資産です。

この論文で、ショレ氏は、明示的に訓練や指示を受けていない問題を解決する AI システムの能力をどのように測定するかという核心的な問題を検討しています。この論文で、Chollet は、一連の質問ベースの能力仮説テストを実施するために使用される抽象推論コーパス (ARC) を提案しました。今年初めには、Google が主催するデータサイエンスと機械学習の競争プラットフォームである Kaggle も、ARC データセットのチャレンジ プロジェクトを開始しました。

問題は非常に難しく、短期間でそれを克服して資金を獲得できる人はほとんどいませんが、プロジェクトの提案は、AIの真の知能レベルを測定するための重要な基準を与えてくれます。狭義の AI から、人間と競争できる真の思考マシンに至るまで、私たちはどこまで進歩しなければならないのでしょうか。この問題を解決することは、人工汎用知能への重要な第一レベルの礎でもあります。