チューリング賞受賞者でAAAI次期会長がAIの今後10年を展望

この記事はLeiphone.comから転載したものです。転載する場合は、Leiphone.com公式サイトにアクセスして許可を申請してください。

今後、従来の AI 手法が普及するでしょうか?古典的な方法とディープラーニングの関係はどのように発展するのでしょうか?新たな突破口はどこにあるのでしょうか？

上記のテーマに関して、北京美術デザイン学院は張宏江氏、チューリング賞受賞者のジョン・ホップクロフト氏、AAAI次期会長バート・セルマン氏を招き、AIについて議論し、「AIの過去と今後10年」について探りました。具体的な議論の中で、張宏江氏が質問し、ジョン・ホップクロフト氏とバート・セルマン氏がそれに答えました。フォーラムの最後に、両教授は中国の学者に対して適切な提案も行った。

50年の苦難と10年の急速な発展：古典的なAIとディープラーニングの異なる状況

張宏江：本日は、チューリング賞受賞者のジョン・ホップクロフト教授と、コーネル大学のコンピューターサイエンス教授バート・セルマン氏をお迎えできて大変光栄です。本日は、この 2 人の教授とともに、過去数十年間の人工知能の発展を振り返り、今後 10 年間の人工知能の発展の方向性と道筋についての見解を紹介したいと思います。本日のテーマは「人工知能の新たな10年」です。新たな10年についてお話しする前に、過去60年間、特に過去10年間を振り返ってください。

バート・セルマン：この分野における初期の研究は、主に人間の脳の思考と認知を理解することに関心を持つ研究者によって行われました。人工知能の初期のころは楽観的な人も多かったのですが、実際の研究プロセスでは予想外の困難に遭遇することが多くありました。この分野は、人間に匹敵するほどの成果を上げることができなかったため、ここ数十年は純粋に学問の領域にとどまっていましたが、最初の転機となったのは、1997年にIBMがチェスをプレイするAI「Deep Blue」を開発したことでした。ディープ・ブルーはチェスで人間に勝ちました。これは当時としては画期的なことでした。

2012 年頃、多層ニューラル ネットワーク、つまりディープラーニングがこの分野に革命をもたらし、視覚認識や音声認識などのタスクを実行できるようになりました。ディープラーニングアルゴリズムはほぼすべての種類の機械学習モデルを上回っていることが判明しており、計算能力の発達がこの期間に人工知能の分野を変えたものです。 2012年に私たちはAIに認識させました。認識の問題が解決したとは言いませんが、かなり近づきました。さらに、これらのテクノロジーは、意思決定、計画、推論などの従来の人工知能テクノロジーと組み合わせることもできます。

張宏江：ジョン・ホップクロフト教授、バート・セルマン教授の見解に基づいたあなたの見解を教えていただけますか？

ジョン・ホップクロフト: 人工知能は 1960 年代初頭に始まったばかりでした。当時、ジョン・マッカーシーはスタンフォード大学に人工知能研究所を設立し、そこには記号論理学を研究する優秀な研究者が多数在籍していました。 1964 年当時、AI 研究者は計算能力と大規模なデータセット (手書き文字データセットさえも) の不足により、単一の重みしかトレーニングできませんでした。実際、博士号を取得したとき、10 x 10 ピクセルの手書き文字 1,000 個のデータセットを作成しました。これは今日のデータセットと比べると非常に小さいものですが、当時としては非常に大きなものでした。

画像認識のエラー率が大幅に低下し始めたのは、2012 年に AlexNet が登場してからでした。 AlexNet により画像認識エラー率が 25% から 15% に削減され、大きな改善が見られました。 AlexNet には約 8 つのレイヤーがあり、2015 年の画像認識コンテストの優勝者である ResNet には 1,000 のレイヤーがあり、エラー率はわずか 3.6% です。一方、人間がこれらの画像を認識する場合のエラー率は 5% です。これらの技術は医療、金融など多くの分野に応用されています。

張宏江：1990年代には、古典的な人工知能の手法が機能しないことがわかりました。今では、それはコンピューティング能力が不十分だったためだとわかっています。過去数年間、コンピューティング能力の発展のおかげで、私たちは大きな進歩を遂げてきました。では、推論などの古典的な AI 手法の探求は今どこまで進んでいるのでしょうか?

バート・セルマン：今では、AI とディープラーニング、あるいはディープラーニングと AI を同一視する人がよくいると思います。実は、この10年で推論などのアルゴリズムの研究は大きく進歩し、インテルやマイクロソフトなどの企業による実用化もすでに始まっているのですが、あまり知られていません。これらの技術はコミュニティでも広く使用されています。

AlphaGo はディープラーニングの成功例ですが、実際には AlphaGo は記号推論アルゴリズムでもあるツリー探索アルゴリズムを使用しています。これは AI 分野における大きな進歩でもあります。推論、計画、ディープラーニング手法など、さまざまなアルゴリズムを組み合わせることができます。

自動運転車の分野では、さまざまな AI アプローチの組み合わせを探求する余地が広がっています。もちろん、エンドツーエンドのアプローチを使用して自動運転システムをトレーニングすることもできますが、これは難しすぎます。ディープラーニングは一般的に自動運転システムの視覚システムとして使用されますが、制御システムや経路計画システムにはより古典的な人工知能手法が必要です。

それに比べて、ディープラーニングはまさにデータ主導型のアプローチであり、古典的な人工知能における知識アプローチと呼ばれるものとは異なります。知識はニュートンの法則や万有引力の法則のようなものです。人間の認知には多くの実際の知識が必要です。ディープラーニングが知識を獲得するのは簡単ではありません。ディープラーニングが現在非常に効果的である理由は、大量のデータがあるからです。ディープラーニングの次のステップは知識を獲得することを学ぶことだと思いますが、これは大きな課題です。

張宏江：人工知能は非常に幅広い分野であり、ディープラーニングはその一部にすぎません。ホップクロフト教授、あなたは過去 50 年間にわたり計算理論の分野で多くの研究を行ってきました。理論的およびアルゴリズム的観点から人工知能の進歩をどのように見ているかをお話しいただけますか?

ジョン・ホップクロフト: まずディープラーニングについてお話しします。ディープラーニングの本当の意味は、高次元空間での認識を向上させることです。たとえば、自転車の画像を見ている場合、ディープラーニングでは自転車の機能が何であるかはわかりません。自転車のように見えるものを表示しても、地下鉄の駅まで乗ることができない場合は、自転車として分類されます。この問題を解決するには、ディープラーニングにロジックを追加する必要があります。

ディープラーニングは自転車を分解して、自転車には車輪、チェーン、シート、ペダルなどがあることを教えてくれます。これらのコンポーネントに、ペダルがチェーンを駆動して車輪を駆動し、自転車が動く、自転車の前部で方向と方向を制御できる、シートで自転車に輸送機能を持たせる、といったロジックを追加できます。ロジックを追加することで、人をある場所から別の場所へ輸送することを目的とした自転車に関する機能を構築できる可能性があります。

AI 理論に関しては、単一しきい値ロジック ユニットは非常に単純なアルゴリズムを使用してトレーニングできます。画像コレクションが線形に分離可能な場合は、しきい値ロジックによって分類を実現できます。画像コレクションが線形に分離できない場合は、コレクションが線形に分離可能になるように、コレクションをより高次元の空間に投影する必要があります。しきい値ロジスティック ユニットをトレーニングする方法に関しては、データを高次元空間に投影して元の空間でアルゴリズムを実行することもできません。これは、サポート ベクター マシンの構築に使用される手法です。これは、ディープラーニングが開発されるまで、人工知能の分野で主流の技術でした。

過剰適合の問題もあります。中国の全人口の年齢と給与を示す大規模なデータセットがあるとします。特定の年齢と給与の人が何人いるのかを知りたいのですが、データセット全体を携帯電話に保存したいので、保存したくありません。そこで、データセットのごく一部を取り、適切にスケーリングすると、答えは真の値に非常に近くなると考えています。答えが真実か虚偽かは、私たちが尋ねている質問の範囲によって決まり、サンプル サイズがどのくらい大きいかを判断するために必要な計算は、質問の複雑さによって異なります。

この数学に興味があるなら、私が書いた本を読んでみてください。この本の第 5 章には必要な数学の知識が含まれています。私の写真の「Cambridge」と書かれた部分に PDF へのリンクがあります。

ジョン・ホップクロフトのホームページ: https://www.cs.cornell.edu/jeh/ 2

次の10年: データと知識の出会い

張宏江：セルマン教授、あなたは以前、今後20年間の米国における人工知能研究の将来に関する白書を発表されたと承知しております。AIの今後の発展の傾向と重要なポイントについて、あなたの見解を聞かせていただけますか？

ホワイトペーパーのアドレス: https://arxiv.org/abs/1908.02624

バート・セルマン：人工知能研究の今後の傾向はコミュニティベースになると思います。業界内では多くの大規模な研究チームが急速に形成されつつあります。米国は、多様な学術研究チームにテストベッドを提供するために、国家的な AI インフラストラクチャを構築しています。ほとんどの研究プロジェクトは、人材と資金の両面で個人では手に負えないものであり、インフラストラクチャ、ソフトウェア、マシンの開発に多額の資金を必要とするため、共同作業を可能にするためにリソースを共有する必要があります。知識とディープラーニングの組み合わせを引き続き重視することに加えて、自己認識学習が人工知能の将来の発展の焦点になると考えています。

張宏江：自己認識学習とは具体的にどういう意味ですか？なぜこれが今後 20 年間の AI 開発における最優先事項だとお考えですか?

バート・セルマン：それはまだ解決されていない問題です。人間はさまざまな方法で学習します。たとえば、学校に行って新しいスキルを学びますが、これはデータ駆動型の学習とはまったく異なるタイプの学習です。人間は新しいスキルを習得するために何百もの例を学ぶ必要はありません。自己認識学習とは、AI が自身の学習方法を振り返り、学習行動を調整することを意味します。

たとえば、AI は次のように反映します。「学んだ微積分の知識がよくわからないので、いくつか質問したいです。また、微積分の演習を行って上達させたいです。」このプロセスで使用される学習例は非常に少なく、数百万の例ではありません。これらの学習スタイルは人間に特有のものであり、現在の AI では習得できません。

張宏江：過去 50 年の歴史を振り返ると、人工知能の開発プロセスは非常にゆっくりとしたものでした。その後、10 年前にディープラーニングが登場し、この分野は急速に発展しました。自己認識学習を開発するには、今後さらに 50 年かかると思いますか?自己認識学習において、コンピューティング能力は依然として最も重要な要素だと思いますか?

バート・セルマン：あと10年から20年かかるかもしれないと思いますが、それを予測するのは難しいです。結局のところ、一部の研究では根本的なレベルでのブレークスルーが必要なのです。過去 50 年間と現在とで大きく異なるのは、現在ではデータが存在することです。そのため、私は将来について依然として非常に楽観的です。

コンピューティング能力は依然として必要な要素であると思います。自己認識学習、つまりディープラーニングと知識や推論を組み合わせるには、多くの新しいアイデアが必要になると思います。機械翻訳の分野では、ディープラーニングのパフォーマンスが非常に優れており、90% を超える精度を達成できます。問題は、改善の最後の 10% にはまったく異なるアプローチが必要になる可能性があることです。自動運転システムでは、乗客の安全を確保するために、機械による判断は非常に正確でなければならず、ずさんなものであってはなりません。したがって、最後の 10% の改善のためには、さらに追加の作業を行う必要があります。

張宏江：データと知識には違いがあります。これには同意します。ホップクロフト教授、人工知能の将来についてお考えを聞かせていただけますか?

ジョン・ホップクロフト：農業は発展するのに長い時間がかかりましたが、製造業は数百年しかかかりませんでした。人工知能が現在のレベルまで発展するのにたった50年しかかかりませんでした。したがって、より効率的な作業をサポートするツールが構築されるにつれて、次の進化は非常に急速に進むと思います。

今後は、説明可能性、偏見、常識、責任、継続的な学習といった問題や、AIが人間の仕事を代替した後に生じるさまざまな社会問題を解決する必要があります。

張宏江：セルマン教授、汎用人工知能はいつ実現できると思いますか？

バート・セルマン：今後 10 年間で、私たちは専門的な能力にさらに注目するでしょう。しかし、次の20年間は、常識、知識、真の言語理解などの分野の発展に重点を置きます。機械が人間のように読む、真の言語理解。この問題が解決されれば、人類は人工知能の発展において次の飛躍を達成することができるでしょう。機械が言語を理解する方法を学習すれば、私にとってそれは汎用人工知能の実現と同等です。

張宏江：ホップクロフト教授、何か付け加えることはありますか？

ジョン・ホップクロフト: 今後 10 年間は、特定の問題を解決するために最新のエンジニアリング技術の進歩をどのように活用するかに焦点が当てられるでしょう。しかし、人工知能の分野以外でも基礎研究は必要です。過去25年間、人間の脳の発達に基づいた研究も重要になってきました。子どもの人生の最初の2年間に、脳は学習方法を学ぶということが今ではわかっています。将来、本当の進歩は生物学からもたらされるかもしれないが、現実は不確実である。

張宏江：セルマン教授、米国が最近人工知能政策においてどのような正しい決定を下したかについてお話しいただけますか？

バート・セルマン：米国が下した正しい決断は、たとえ成果が出なくても、人工知能分野の研究に60年間投資し続けることだったと思います。これは非常に難しいことであり、私たちは必ずしも次の開発の方向性を知っているわけではありません。

多種多様な研究プロジェクトに投資を続ければ、次のブレークスルーが生まれるでしょう。しかし、自分が好きな特定の分野、特に現時点でお気に入りの分野にのみ投資すると、大きな成果が得られない可能性があります。研究の進歩は進化的なものではなく、革命的なものである。これが AI の未来であり、より大規模で、より協調的な AI 研究プロジェクトであると信じています。

張宏江：中国がAI支援政策でうまくいった点についても教えていただけますか？

バート・セルマン：中国は AI 支援に素晴らしい取り組みをしていると思います。アドバイスをするとすれば、1 つの分野だけに限定しないことです。 AIの歴史を振り返ると、AIの歴史の中で提起されながら、実際には解決されていない非常に難しい問題が数多くあります。したがって、私は新世代の研究者たちに、歴史に精通し、脳のような学習、ワンショット学習など、データ駆動型よりも幅広い分野に進むことを奨励しています。ディープラーニング以外にも非常に重要な領域がいくつかあり、ディープラーニングに重点を置く場合でも、範囲を狭めすぎないようにしてください。 3

中国の研究者へのアドバイス

張宏江：たとえ失敗する可能性があったとしても、人々にさまざまな分野を探求させ、その失敗から学ぶ機会を与えるべきだと提案していますね。最後の質問です。中国の人工知能研究者にどのようなアドバイスをされますか?

ジョン・ホップクロフト：私のアドバイスは、指標には近づかないようにすることです。中国の研究者は、出版された論文の数や受け取った研究資金の額に非常に興味を持っています。これらの指標から離れて、他のより価値のある側面に焦点を当ててください。

張宏江：とても良いアドバイスですね。数字だけを追い求めないでください。それで、セルマン教授、何か提案はありますか?

バート・セルマン: 中国の研究者には、もっと創造的な研究に重点を置き、他の人が考慮しなかった問題を検討するようアドバイスしたいと思います。私もホップクロフトの提案に賛成です。未解決の問題、解決するのが最も難しい問題に目を向けると、次の進歩は次の漸進的な論文よりも価値があることがわかります。

張宏江：ジョン・ホップクロフト教授とバート・セルマン教授、どうもありがとうございました。私たちは過去数十年間の人工知能の進歩と今後10年間の展望について検討しました。将来的には、AIコミュニティがグローバル化し、古典的なAIの将来が期待され、ディープラーニングとの相乗効果で発展するかもしれません。AIのすべての分野が繁栄の時代を迎え、その中に新たなブレークスルーが隠されていたり、分野外に驚きをもたらしたりするでしょう。