ショッキング？ AIがKe Jieを完全に打ち負かす前に知っておくべきこと

[制作|網易智能計画/ 翻訳|炳漢]昨年3月、囲碁が打てる「AlphaGo」が人工知能を一躍有名にした。今年3月に柯潔に勝つ準備が整った強化版AlphaGoは、何をもたらすのだろうか。著者のタイトルは少しタイムトラベルしているように聞こえるかもしれないが、たとえ柯潔が最近いくつかの新しいユニークなスキルを習得したとしても、彼はまだAlphaGoに勝つことはできない。囲碁人工知能の学習能力は、間違いなく人間のそれを数桁上回っています。囲碁では時間が経つにつれ、柯潔であろうと他の誰であろうと、人間はどんどん負けていきます。これは「新しい進化論」によってもたらされた、止めることのできない「自然の」法則です。

[[186152]]

柯潔は試合後もまだ自信を保てるだろうか？

しかし、真の人工知能にとって、AlphaGo はほんの一端にすぎません。ディープ ニューラル ネットワークは人工知能に驚きをもたらしますが、革命をもたらすものではありません。百度や他の企業による本格的な「クラッキング」は、ビジネスの成功に何の役にも立たないかもしれない。何千もの GPU があれば、Andrew Ng は Baidu に驚くべき人工知能製品をもたらすことができるかもしれないが、紙幣を印刷する Putian Group の収益性を再現するのは難しいだろう。人工知能は胎児から赤ちゃんへの変化を終えたばかりだが、人間としてこの世に誕生するまでには数え切れないほどの苦難を乗り越えなければならない。

しかし、著者は、大手企業が人工知能の導入を急ぐ「非常識な」行動について不満を言うつもりはない。代わりに、この本では、人工知能を驚異的なものにしたニューラル ネットワーク テクノロジと、実際のビジネス環境で人工知能が直面する実際的な課題について、詳細かつ分かりやすく分析しています。柯潔とAlphaGoの対局を観戦する前に、皆さんでウォーミングアップして、人間と機械の戦いを科学的かつ客観的に見てみましょう。

ニューラルネットワークがなぜ人気があるのでしょうか?

ニューラル ネットワークは新しいものではありません。AlphaGo がこれほど優れたものになる前は、ニューラル ネットワークはさまざまな人工知能アルゴリズムの 1 つの分野に過ぎませんでした。ニューラル ネットワークのアルゴリズムの多くは長年にわたって存在しており、突然魔法のように現れたわけではありません。最近注目を集め始めている主な理由は、利用可能なコンピューティング能力 (CPU、GPU、AI 固有のコンピューティング ユニット) の急速な発展により、大規模な行列乗算演算のテスト、検証、反復が容易になったためです。

しかし、ディープマインドが囲碁をプレイする AI 向けにニューラル ネットワークを最適化したことは実に驚くべきことであり、ディープマインドは同じ技術を他の分野にも応用できると確信しています。その結果、真実を知らない人々は、明日には人工知能が登場して人間に取って代わると本気で思っているのです。大手インターネット企業もこの状況を利用し、すぐに人工知能ビジネスを開始した。

著者はDeepmindのニューラルネットワークアルゴリズムの汎用性に疑問を抱いてはいないが、異なる分野からトレーニングデータを取得することは、現実的には未だ解決できない問題である。さらに、特定の分野のデータの複雑さを考えると、人間の寿命の許容範囲内でトレーニングを完了できるのはおそらく量子コンピューティングだけでしょう。

ニューラルネットワークはチューリングのパズルを解く鍵のようなもの

[[186153]]

ニューラル ネットワークには 2 つの大きな利点があります。1 つは、アプリケーション内でリアルタイム処理を実行する代わりに、アプリケーション前のトレーニングに比較的長い時間を要することです。代わりに、トレーニング データの処理の複雑さが、プリセット ロジックの処理の複雑さと交換されます。そして、AlphaGo により、ニューラル ネットワークこそが完全なチューリング テストを解く鍵なのではないかと人々が信じるようになりました。

マクロ的な目標としては、ニューラル ネットワークは実際の生物学的思考をシミュレートすることで人工的な思考を直接実現することを望んでいます。人工ニューラル ネットワークは、人間の脳が特定のタスクや機能を実行する方法をモデル化した適応型マシンです。これは、単純な処理要素で構成された大規模な並列分散プロセッサです。自然には経験を蓄積し、それを利用できるようにする性質があります。ニューラル ネットワークは、次の 2 つの点で人間と似ています。1. ニューラル ネットワークが獲得する知識は、外部環境から学習されます。2. 相互接続されたニューロンの接続強度、つまりシナプスの重みは、獲得した知識を保存するために使用されます。

現実の世界には、あらかじめ設定されたロジックでは解決できない問題が数多くあります。手書き認識などのように問題が予測できない場合、または処理中の問題が要件を変更する傾向がある場合、または処理中のタスクが正確な解決策ではなく満足のいく解決策のみを必要とする場合、これらの状況は人間の脳のファジー論理処理にとっては問題ではありませんが、コンピュータ プログラムにとっては難しい問題です。ニューラル ネットワークには参照用の大量の経験的データがあり、またはタスク自体が最適なソリューションを完成させるのに十分な経験的データを生成できます。タスクが 100% 正確に完了することを保証するものではありませんが、人間の脳のように経験的に最適な解決策を提供できます。人間の思考を模倣するという観点から見ると、人工知能はすべての機械学習アルゴリズムの中で最も普遍的であり、チューリングテストに合格する可能性が最も高い方法である可能性があります。

ニューラルネットワークはすべてを解決するのか？ それは神経質ですね。

しかし多くの場合、ニューラル ネットワークは人工知能にとって最適なソリューションではありません。あらゆる問題を解決するためにニューラルネットワークを使用するのは狂気の沙汰です。ここに例を示します - 基本的な数字の認識。

[[186154]]

ニューラル ネットワーク、基本的な決定木、ベクター マシンのいずれであっても、最も基本的なアルゴリズム選択原則によって問題を解決できます。多くの製品プロセスでは、一般的な再帰ニューラル ネットワーク アルゴリズムが使用されていますが、単純なプリセット ロジック、ベイズ アルゴリズム、およびベクター マシンで良好な結果が得られる場合は、本末転倒になることはありません。ディープニューラルネットワークは将来、人工知能の問題を解決するための一般的なアルゴリズムになる可能性がありますが、ニューラルネットワークに必要な大量のデータの準備と整理にも時間がかかります。他の機械学習アルゴリズムと比較すると、ニューラル ネットワークは、使用時に高速な計算を行うために、適用前に大量のデータ精製時間とトレーニング時間を交換するようなものです。

さまざまなアルゴリズムのパフォーマンスを比較すると、ニューラル ネットワークは最適なソリューションではありません。データソース: (人工知能、スチュアート・ラッセル)

ここでは、一般的に使用される機械学習アルゴリズムをいくつか紹介しますが、詳細に説明するのは退屈すぎるでしょう。区間理論分布に基づく: クラスター分析とパターン認識、人工ニューラル ネットワーク、決定木、パーセプトロン、サポート ベクター マシン、アンサンブル学習 AdaBoost、次元削減とメトリック学習、クラスタリング、ベイズ分類器。

条件付き確率の構築に基づく：回帰分析と統計的分類、ガウス過程回帰、線形判別分析、最近傍法、ラジアル基底関数カーネル。

確率的グラフィカルモデルに基づく：ベイジアンネットワークとマルコフランダムフィールドを含む

近似推論手法: マルコフ連鎖、モンテカルロ法 (AlphaGo もこのアルゴリズムを使用)、変分法。

AI 科学者はなぜこれほど多くの方法を考案したのでしょうか?実際、答えは非常に簡単です。すべてのシナリオで完璧な解決策を達成できる単一の方法は存在しません。ニューラル ネットワークの普及は、人工知能が将来完全に単一の方向に進むことを意味するものではありません。他の方法で補完されたニューラル ネットワークの方が賢明な選択かもしれません。

人工知能の収益化問題

[[186155]]

アンドリュー・ン氏は2014年に百度に採用され、百度は人工知能の時代に突入した。百度はグーグルを模倣してきたと言えるが、人工知能に関しては、百度はまさにグーグル・ブレインの中核人物を盗用したのだ。アンドリュー・ン氏は百度での3年間で約20本の論文を発表し、そのそれぞれが百度の既存の製品ラインに統合されたり、新興企業の設立に利用されたりした。アンドリュー・ン氏が百度に復帰後に開発した初の医療相談ロボットから、最近発売された音声認識開発プラットフォームのWake-up Phase II製品まで、百度の人工知能分野における進歩は誰の目にも明らかだ。Deepmindほど画期的ではないものの、百度も業界のリーダーとなっている。

現在、AlphaGoの助けを借りて、さまざまな人工知能企業が雨後の筍のように出現しています。さまざまなビッグデータ企業がAIの先駆者へと変貌を遂げただけでなく、データマイニングを基盤とするメディア企業である今日頭条でさえ、自らを人工知能企業であると宣言している。外から見ると、人工知能は宝島のように見え、何千人もの人々が島にある宝物を掘り出すために一枚板の橋を渡ろうと急いでいます。しかし、すべての人工知能企業が直面している最大の問題は、どうやって収益を上げるかということです。現実に戻ってみると、この島には金も銀もなく、まともな石さえないようです。

Baidu を例に挙げましょう。Andrew Ng 氏は人工知能業界の画像認識分野の権威とみなされています。しかし、彼は製品を商品化することに成功したことはありません。スタンフォード大学の教授だった頃は、大学からのサポートを受けていました。Google Brain 在籍中は、もちろん広告主からのサポートを受けており、収益化のプレッシャーはまったくありませんでした。 Baidu に来てから、製品化のペースは確かに加速しましたが、それはサポートされるペースに過ぎません。例えば、2015年に発売された百度の医療相談ロボットは、プロモーションで何の問題もなかった。医療相談と薬の販売という百度のロジックに基づいて、良い見通しがあったはずだった。しかし、昨年の魏澤喜事件は、医療暴力による収益化という百度のロジックを完全に打ち砕いた。その結果、医療部門は百度の医療頭脳となり、医療相談ロボット製品は役に立たない製品となってしまった。もちろん、Baidu の音声製品の中には、技術的なレベルでは依然として良好な toB の見通しを持つものもありますが、Baidu の規模や人工知能への投資と比較すると、この見通しが金儲けにつながる可能性は低いでしょう。

李開復同志は、AI起業家の中核は人工知能科学者だが、彼らの周りには収益化を理解している人々の集団も必要だとうまく言い表した。この作業自体は非常に困難です。なぜなら、まったく異なる考え方、異なる価値観を持ち、毎日互いに争っている 2 つのグループの人々をまとめなければならないからです。現時点では、少なくとも中国では、さまざまな有名大学から教授を引き抜くのがスタイルです。彼らの中には基本的にプログラミングができない人もおり、論文のコードはすべて学生によって実装されています。人工知能を収益化するのは困難であり、さらに、失敗したら学校に戻って教える人々のグループもいるとしたら、収益化は夢物語のように思えます。

人工知能の到来は止められず、資本の参入により人工知能の実装はさらに加速するでしょう。しかし、風が強く吹くと着陸は容易ではありません。人工知能の夜明けはそう遠くないが、その道のりは長く、暗闇は果てしなく続く。どうやって破るの？コードを書いて最適化を行ってください。すべては依然として製品に関することです。

著者について: Liu Binghan 氏は、人工知能のスタートアップ企業 EditorAI の CEO です。著者は、謙遜しながらも、自らを「人工知能の分野で最高の作家であり、作家の中で人工知能を最も理解している人物」と呼んでいます。

声明：この記事は、著者がNetEase Smart Studioに許可した独占記事です。転載する場合は、出典「Smart Bacteria」と著者を明記し、記事の冒頭にこの記事へのリンクを記載してください。違反者は責任を問われます。