この記事は人工知能について最も分かりやすく解説しています：原理、技術、そして将来

Facebookの公式ブログが更新されました。FAIRのディレクターでディープラーニングの代表であるヤン・ルカン氏とその同僚が、人工知能とは何か、それが私たちの生活にどう影響するのか、そして人工知能に満ちた未来で私たちはどのように学び、働き、生活していくのかをわかりやすく解説した記事を執筆しました。 Facebook は、人工知能をより深く理解するための教育ビデオシリーズも公開しました。

火曜日の朝8時。あなたは目を覚まし、携帯電話でニュースの見出しに目を通し、オンラインの投稿に返信し、お母さんのためにホリデー用のセーターを注文し、家を施錠して、車で仕事に向かい、途中でいい曲を聴きました。

これまでに人工知能 (AI) を何度も使用してきました。アラームで起こしてもらったり、地元の天気予報を入手したり、プレゼントを買ったり、家を施錠したり、交通渋滞の警告を受けたり、さらには聞き慣れない曲を認識したりしました。

AIはすでに私たちの世界に浸透しており、私たちの日常生活に大きな変化をもたらしています。しかし、これはSF映画で見るような、神経質な科学者がキーボードを叩いて機械が世界を破壊するのを阻止しようとするようなAIではありません。

スマートフォン、家、銀行、車はすでに毎日 AI を利用しています。 Siri に最寄りのガソリンスタンドへの行き方を尋ねるときや、Facebook が写真をオンラインに投稿したことを友人に知らせるよう提案するときなど、明らかな場合もあります。時には、Amazon Echo を使って普段は買わないもの（おしゃれなホリデー セーターなど）をクレジットカードで購入しても、銀行から不正なテキスト アラートが届かないなど、ほとんど気づかないこともあります。

AIは、自動運転車の開発を推進し、医療画像分析を向上させ、より優れた医療診断と個別化医療を促進することで、社会に大きな変化をもたらすでしょう。 AI は将来、多くの革新的なアプリケーションやサービスを支える基本的なアーキテクチャにもなります。しかし、多くの人にとって、AIは依然として謎に包まれています。

これらの謎を解明するために、Facebook は AI の仕組みの概要を説明する一連の教育用オンライン ビデオを作成しています。この簡単な紹介が、コンピュータ サイエンスのこの複雑な分野がどのように機能するかを理解する助けとなることを願っています。

それは魔法ではなく、単なるコードです

まず、知っておくべき重要なことがいくつかあります。AI は、脳に関する知識を部分的に活用したアルゴリズム技術を使用して、インテリジェント システムとスマート マシンを設計することに重点を置いた厳密な科学です。現代の AI システムの多くは、人工ニューラル ネットワークを使用しています。人工ニューラル ネットワークは、脳のニューロンに似た、相互接続されたユニットの非常に単純なネットワークをシミュレートするコンピューター コードです。これらのネットワークは、ユニット間の接続を変更することで経験から学習することができます。これは、人間や動物の脳がニューロン間の接続を変更することで学習するのと似ています。現代のニューラル ネットワークは、パターンを認識し、言語を翻訳し、単純な論理的推論を学習し、さらには画像を作成して新しいアイデアを形成することさえできます。その中でも、パターン認識は特に重要な機能です。AIは大量のデータ内のパターンを識別するのが非常に得意ですが、これは人間にとってはそれほど簡単ではありません。

これらすべては、数百万のユニットと数十億の接続を持つニューラル ネットワーク上で実行されるコード化された一連のプログラムを通じて、驚異的な速度で実行されます。知性は、これら多数の単純な要素間の相互作用から生まれます。

AI は魔法ではありませんが、AI が魔法のように機能し、科学研究を劇的に進歩させ、写真内の物体の識別、音声の認識、車の運転、オンライン記事の数十の言語への翻訳など、日常の奇跡に役割を果たしていることを私たちは見てきました。

Facebook AI Research (FAIR) では、学習マシンをより良く機能させるために取り組んでいます。その大きな部分は、ディープラーニングと呼ばれるものです。ディープラーニングを使用すると、AI が世界の抽象的な表現を学習できるようになります。ディープラーニングは、音声や物体認識などの問題の改善に役立ち、物理学、工学、生物学、医学などの分野での研究の進歩に貢献しています。

ディープラーニング システムで特に有用なアーキテクチャの 1 つは、畳み込みニューラル ネットワーク (ConvNet) と呼ばれます。 ConvNet は、他の動物や人間の視覚皮質のアーキテクチャにヒントを得た、ニューラル ネットワーク内のユニットを接続する特定の方法です。最新の ConNet は、7 層から 100 層までのユニットを利用できます。公園で、私たち人間はコリーとチワワを見ますが、大きさや体重が違っていても、どちらも犬であることがわかります。コンピュータにとって、画像は単なる一連の数字です。この配列内では、オブジェクトのエッジなどのローカルパターンを最初のレイヤーで簡単に検出できます。ニューラル ネットワークの次の層は、これらの単純なパターンの組み合わせを検出して、車の車輪や顔の目などの単純な形状を形成します。次のレイヤーでは、これらの形状の組み合わせを検出して、顔、脚、飛行機の翼などのオブジェクトの一部を形成します。ニューラル ネットワークの最終層では、車、飛行機、人、犬などのパーツの組み合わせを検出します。ニューラル ネットワークの深さ (レイヤーの数) により、ネットワークは階層的に複雑なパターンを認識できるようになります。

大規模なサンプルデータベースでトレーニングされた ConvNet は、画像、ビデオ、音声、音楽、さらにはテキストなどの自然な信号を認識するのに特に役立ちます。ネットワークを適切にトレーニングするには、人間がラベル付けした大量の画像データを提供する必要があります。 ConvNet は、各画像を対応するラベルに関連付けることを学習します。興味深いことに、ConvNet は、これまで見たことのない画像を対応するラベルと組み合わせることもできます。その結果、多種多様な画像を精査し、写真内の要素を識別できるシステムが誕生しました。これらのネットワークは音声やテキストの認識にも非常に役立ち、自動運転車や第一世代の医療画像分析システムの重要なコンポーネントです。

[[183523]]

学べること

AI は、私たち人間が直面する核心的な疑問の 1 つである「知能とは何か」にも取り組んでいます。哲学者や科学者は長い間この疑問に取り組んできましたが、この核心は人間と呼べる基本的な属性であるにもかかわらず、答えは常につかみどころがなく、不安定でした。

同時に、AI は多くの哲学的、理論的な疑問も提起します。学習可能なものとは何でしょうか? 数学の定理によれば、単一の学習マシンではすべての可能なタスクを効果的に学習することはできないとされており、また、どれだけ多くのリソースを投入しても学習不可能なものもわかっています。

このように、AIマシンは私たち人間とまったく同じです。多くの点で、私たち人間は学習できる機械と何ら変わりません。人間の脳は、驚くほど適応力があるにもかかわらず、高度に専門化されています。現在の AI システムは、人間が持つような一般的な知能を得るにはまだまだ遠いと言えます。

AI では、一般的に次の 3 種類の学習が考慮されます。

強化学習 これは、エージェントが最大の報酬を得るためにどのように行動すべきかという問題であり、行動心理学の理論に触発されています。特定の状況において、マシンはアクションまたは一連のアクションを選択し、報酬を受け取ります。強化学習は、チェス、バックギャモン、囲碁、簡単なビデオゲームなどのゲームをプレイして勝つ方法を機械に教えるためによく使用されます。強化学習の問題は、純粋な強化学習では単純なタスクを学習するために膨大な試行錯誤が必要になることです。

教師あり学習 基本的に、教師あり学習とは、特定の入力に対する正しい答えを機械に伝えることです。これは車の画像で、正しい答えは「車」です。アルゴリズムがラベル付きデータから学習するプロセスが、幼い子供に絵本を見せるプロセスに似ていることから、教師あり学習と呼ばれています。大人は正解を知っており、子どもは過去の例に基づいて予測を立てます。これは、ニューラル ネットワークやその他の機械学習アーキテクチャをトレーニングするために最も一般的に使用される手法でもあります。たとえば、あなたの街にある多数の家とその価格の説明が与えられた場合、自分の家がいくらで売れるかを予測してみてください。

教師なし学習 人間や他のほとんどの動物は、人生の最初の数時間、数日、数か月、数年間、人間の監督なしに学習します。つまり、自分の行動の結果を観察し、学習することで、世界がどのように機能するかを学びます。私たちが目にするすべての物体の名前と機能を教えてくれる人はいません。私たちは、世界は三次元であること、物体は自然に消えることはないこと、支えのない物体は落ちてしまうことなど、非常に基本的な概念を学びます。現時点では、少なくとも人間や他の動物のレベルまで機械でこれを実現する方法はわかっていません。教師なし学習や予測学習のための AI 技術の欠如は、現在の AI 開発を制限している理由の 1 つです。

これらはすべて AI でよく使用される方法ですが、どのコンピューティング デバイスでも根本的に解決できない問題も数多くあります。これが、たとえ超人的な知能を持つ機械を作ったとしても、その能力には限界がある理由です。これらの機械はチェスでは人間に勝てるかもしれないが、雨が降ったときにどうやって中に隠れるかを知らない。

今後の仕事

AI、機械学習、スマートロボットが普及するにつれ、製造、トレーニング、販売、メンテナンス、車両管理において新たな役割を担うようになるでしょう。人工知能とロボット工学により、今日では想像もできない新しいサービスが可能になります。しかし、ヘルスケアと輸送が AI によって混乱をきたす最初の業界となることは明らかです。

若者は、キャリア目標を調整すれば、AI が提供する膨大な機会を享受することができます。では、まだ存在しない仕事にどう備えればよいのでしょうか?

学生の場合:

数学と物理学は、人工知能、機械学習、データサイエンス、そして多くの将来の仕事のための基本的な方法を学ぶ分野です。微積分 I、微積分 II、微積分 III、線形代数、確率、統計など、できる限りすべての数学のコースを受講してください。コンピュータサイエンスも不可欠であり、プログラミングの方法を学ぶ必要があります。工学、経済学、神経科学も役立ちます。また、認識論（知識とは何か、科学理論とは何か、学習とは何かを研究する）などの哲学関連の分野も検討するとよいでしょう。

これらのコースを受講する目的は、単に暗記することではありません。学生として、データを知識に変換する方法を学ばなければなりません。これには、基本的な統計だけでなく、データの収集と分析の方法、起こりうる偏りの認識、これらの偏りによるデータ処理のエラーへの注意も含まれます。

学校の教授に尋ねてください。教授はあなたのアイデアをより具体的なものにするのを手伝ってくれるでしょう。時間が限られている場合は、上級博士課程の学生やポスドクにアドバイスを求めることもできます。

博士号取得を目指して勉強する。学校の「ランキング」を気にせず、興味のある研究を行っている教授の中から評判の良い教授を探すか、気に入ったり尊敬したりする論文を書いた教授を選びましょう。これらの教授が勤務する学校の博士課程に応募し、応募書の中で、これらの教授と一緒に働きたいが、他の教授とも一緒に働きたいと書きましょう。

興味のある AI 関連の問題に関する研究に参加してください。問題に関する文献を読み始め、これまでとは異なる方法で解決を試みてください。卒業する前に、研究論文を書いたり、オープンソースコードを公開したりしてみてください。

AI の実践的な業務経験を積むために、業界に特化したインターンシップに応募してください。

すでに就業中だがAI関連の仕事に転職したい場合:

講義、オンライン教科書、チュートリアル、機械学習関連のコースなど、ディープラーニングに関する豊富な資料がオンラインで入手できます。 Udacity または Coursera のコースに登録したり、Yoshua Bengio、Geoff Hinton、そして私が共著した Nature の論文、Goodfellow、Bengio、Courville による最近出版された書籍『Deep Learning』、そしてパリのコレージュ・ド・フランスでの私の最近の講義 (英語で利用可能) を読んだりすることができます。

もちろん、勉強を再開することも検討できます。その場合は、上で述べた内容を参考にしてください。

将来に向けて

ますます多くの人間の知的活動が、インテリジェントな機械と共に実行されるようになるでしょう。知性こそが私たちを人間たらしめるものであり、AI はこの属性の延長です。

真にインテリジェントなマシンを構築する過程で、私たちは、今日、明日、そして来年にも応用され、私たちの日常生活を向上させる新しい理論、新しい原理、新しい方法、新しいアルゴリズムを発見しています。これらのテクノロジーの多くは、画像認識、自然言語理解など、Facebook の製品やサービスにすぐに採用されました。

Facebook AI に関して言えば、私たちには 1 つの長期目標があります。それは、知性を理解し、インテリジェントなマシンを構築することです。これは単なる技術的な課題ではなく、科学的な問題です。知能とは何か、そしてそれを機械でどのように再現するのか。究極的には、これは全人類に問われる問いとなるでしょう。これらの質問に対する答えは、インテリジェントなマシンを構築するだけでなく、人間の心と脳の神秘的な働きをより深く理解するのにも役立ちます。可能であれば、その答えは人間であることの意味をより深く理解するのにも役立つでしょう。