最近、Sinovation Venturesの会長兼CEOであるKai-Fu Lee博士とAlex Pentland教授が「AIが人間社会をどのように変えるか」について興味深い対談を行いました。ワイアード誌のシニアライター、ウィル・ナイト氏が会話の司会を務めた。

アレックス・ペントランド教授はマサチューセッツ工科大学で教鞭を執り、ビッグデータに関する世界有数の専門家の一人です。現在はMITコネクテッドサイエンス研究所の所長であり、MITメディアアートおよびサイエンスの教授でもあります。「ウェアラブルデバイスの父」、フォーブス誌による「世界で最も権威のあるビッグデータ専門家7人のうちの一人」、MITテクノロジーレビューによる「今年のトップ10ブレークスルーテクノロジー」を2度受賞などの肩書きを持っています。MITメディアラボの創設に携わり、世界で最も引用されている計算科学者の一人です。

会話の引用:

リー・カイフー：

• 「AI にとって最大のチャンスは、従来の企業との統合にあります。このような価値創造は非常に迅速で、数か月、あるいは数週間しかかかりません。」
• 「将来のブレークスルーを予測するのは難しいし、シンギュラリティや超知能に関する議論は私には楽観的すぎるように思えます。」
• 「小規模なAI企業が巨大企業と競争するためには、巨大企業の中核事業に真っ向から取り組むのではなく、巨大企業がプラットフォームの優位性を持たないニッチな分野を特定し、ターゲット業界に価値を生み出すことが私のアドバイスです。」

アレックス・ペントランド:

• 「AIは決して人間に取って代わろうとしているのではなく、むしろ多様な文化間の相互接続とチームワークを促進し、人々がよりよく交流し、互いにつながることを可能にすることを目指しています。」
• 「最も難しいのは、実際にビジネスプロセスを変更して AI を使用するように人々を説得することです。ほとんどの人は保守的だからです。」
• 「人工知能はいつか人間の能力をすべて置き換えるかもしれないが、このプロセスは非常に長く、おそらく数百年以上かかるだろう。」

李開復博士は対談の中で、AIの問題を解決しようとするときは、技術を使って技術的な問題を解決すべきだと述べた。問題をただ当局に押し付けるのではなく、規制当局との協力を求めることができる。「新しい技術は新しい問題を引き起こす。コンピューターウイルスが初めて登場したときにウイルス対策ソフトウェアが誕生したように、私たちはより高度な技術的解決策を使用するよう努めるべきだ」

ペントランド教授は、人工知能の核心は多様な文化間の相互のつながりを促進することだと考えています。エンジニアや科学者だけでなく、経済学者や政治家も関与する必要があります。 「AI冷戦を回避するために、各国は協力を促進し、TCP/IPインターネットプロトコルのような相互運用性の標準を開発する必要がある。」

彼らは、AI の開発は決して一人でできるものではなく、学際的な思考と分野を超えた協力が特に重要であると考えています。

この対話は、MIT 中国イノベーション・起業家フォーラム (MIT-CHIEF) が主催する一連のサミット対話の一部であり、「コンピューティングと未来: AI とデータ サイエンスが人間社会をどのように変えるか」がテーマとなっています。

MIT-中国イノベーション・起業家フォーラム（MIT-CHIEF）は、10年間MITで学ぶ中国人学生によって設立されました。北米の大学生が主催する最も古い中国イノベーション・起業家フォーラムです。一連のサミット対話では、一流の科学者、投資家、起業家が招かれ、技術革新と商業化が直面する課題について議論した。

パートI 基調講演

李開復氏： AIをより実用的なものにするために、すべての関係者が協力すべき

今回もMIT-CHIEFにお招きいただき、大変光栄に存じます。今回は人工知能に関する4つのポイントについてお話ししたいと思います。

最初のポイントは、私の本のテーマである人工知能の超能力です。人工知能は発明段階から応用段階に入り、応用実装の観点から見ると、AIの発展にとって最大のチャンスに直面しています。

現在、多くのテクノロジー企業が、視覚、言語、触覚などの知覚技術から自動ロボット、無人運転などに至るまで、人工知能に関する多様な取り組みを行っており、多くの分野に大きな影響を与えています。現在の AI アプリケーションにはまだ限界がありますが、将来の展望は非常に大きくなると私は予測しています。統計によると、さまざまな業界での AI 採用度は現在 5% 未満であり、AI アプリケーションの中長期的な成長曲線は非常に有望です。

2 点目は、AI が伝統的な産業に深く統合されつつあるという点であり、これは私にとって非常に喜ばしいことです。人々が人工知能についてより深く知るようになるにつれて、より多くの AI 企業が出現します。

AI にとって最大のチャンスは、従来の企業との統合にあります。Innovation Works は、金融、製造、物流、小売、ヘルスケアなどの業界の企業が AI 変革を実行できるよう支援しています。

AI投資家として、これらの業界でAIを応用する正しい方向性を見つけることができれば、数千万ドルの利益をもたらすことができると信じています。この種のビジネス価値は非常に迅速に生成され、通常は数か月、あるいは数週間で結果が現れます。

現在、伝統的な産業における人工知能の普及率はまだ1桁台であり、改善の余地がまだ大きく残されています。しかし、多くの企業にとって必要なのは、一般的な AI ソリューションではなく、高度にカスタマイズされたソリューションであるため、統合プロセス中に多くの課題や問題点に必然的に直面することになります。

3つ目に、私は若い頃に多くの科学的研究を行っており、システム1とシステム2に関する議論を目にすることができてとても嬉しく思っています。私たちは、人工知能技術がシステム1からシステム2へ、つまり認識、意思決定、最適化などの機能から知覚、認知などの高度な知能機能へとアップグレードされることを期待しています。

人工知能を人間の知能に近づけるために、さまざまな学派が取り組んでいます。ある学派は、古典的な AI コンセプトへの回帰、あるいはディープラーニング技術に基づく人間の知識を活用したまったく新しいモデル構造の再構築を提唱しています。しかし、私は別の理論を支持しています。それは、ディープラーニングの潜在能力はまだ完全に発揮されていないという理論です。

過去 60 年間の人工知能を振り返ると、最大の進歩は、計算能力とデータ量の大幅な増加によって生み出されたスケーラブルなアルゴリズムから生まれました。畳み込みニューラル ネットワーク (CNN) から有望な結果が得られ、自然言語処理用の事前トレーニング済みモデルが広く使用されるようになりました。

事前トレーニングモデルは、英語でも中国語でも、人間の言語学習モデルに似ています。これらの言語を学習した後、プログラミング、アート、化学を学ぶことができます。教師なし学習の設定では、このモデルは AlphaGo の場合のように、私たちが考えていたよりも強力です。

最後にお話ししたいのは、AI をより実用的にする方法です。

AIにはプライバシー、データセキュリティ、ガバナンス、規制など多くの問題がありますが、ここでは一つ一つ説明しません。 AI の問題を解決しようとすると、規制当局に管理を強化させることが唯一の方法だと考える人もいます。実際、より強力な技術的ソリューションの開発に取り組むこともできるのでしょうか?

コンピュータウイルスが初めて登場したときと同じように、ウイルス対策ソフトウェアが誕生し、Y2K 問題に直面したときも、技術的な解決策がすぐに見つかりました。新しいテクノロジーを開発することで DeepFake の課題に対処したり、フェデレーテッド ラーニング テクノロジーを通じてデータのプライバシーを確​​保しながらディープラーニング トレーニングのニーズを満たしたりすることができます。

技術的能力を備えたグループとして、私たちは規制当局に仕事をただ丸投げするのではなく、協力する必要があります。すべての関係者の協力により、AI の応用をより深く、より実践的に、より効率的にして、現在直面しているさまざまな問題を克服できると信じています。

アレックス・ペントランド： 「AI冷戦」を避けるために各国は相互運用可能な標準を確立すべき

私はディープラーニング技術の現状についてあまり楽観的ではありません。

最も重要な理由は、ディープラーニングには膨大なデータソースが必要なだけでなく、モデルのトレーニング結果の信頼性を確保するために、このデータが長期間にわたって一定に保たれる必要があることです。たとえば、人間の顔や言語は比較的安定したデータソースです。

しかし、ディープラーニングは急速に変化する現実世界の状況に対応できません。新型コロナウイルスの感染拡大が急激に進んだため、アマゾンは倉庫で商品が不足し、配送サービスを停止せざるを得なくなった。ディープラーニングによるこの高度に最適化されたシステムの崩壊は、急速に変化する流行状況によるものであり、これはディープラーニングの一定のデータソースの必要性と矛盾しています。

さらに、フェデレーテッドラーニングを通じてデータの循環を促進する方法についてもお話ししたいと思います。

ほとんどの企業は十分なデータを持っておらず、さまざまなデータソースを組み合わせる必要があります。こうした需要に基づいて、データを販売するのではなく、特定の用途のために貸し出す「データブローカー」などの新しいビジネスモデルが数多く登場しています。

データの流通を促進し、データのプライバシーを強化する「データブローカー」ビジネスが数多く登場しています。したがって、フェデレーテッド ラーニングなどのテクノロジーとビジネス戦略を組み合わせることで、データのコンプライアンスと所有権の課題を効果的に解決できます。

フェデレーテッド ラーニングは、ブロックチェーン テクノロジーなどのデータ アプリケーションとディープラーニングのための基本環境を提供するための新しいインフラストラクチャの構築にも依存しています。現在、世界中の多くの国が関連システムの構築を実験しています。シンガポールなどの国は、支払いと物流の問題を解決するために競合するブロックチェーンシステムを構築しました。私たちは最近、スイスがさまざまなデータの相互運用性と一貫性に関する同様の実験を実施するのを支援しました。

私たちは、できるだけ少ないデータで人工知能の目標を達成する方法をまだ研究中です。少量データとは、継続的に更新される短期的なデータを指し、これにより AI は急速に変化する状況に対応し、タイムリーな調整を行うことができます。

私たちは AI と他の基礎科学を組み合わせるつもりです。たとえば、AlphaGo はそのような組み合わせの最初の試みです。これらの方法は大量の定数データに依存せず、ディープラーニングよりも強力である可能性があります。

さらに、私たちは、異なる国間の相互運用性、支払い信頼、物流、輸送における協力を実現するための重要な前提条件である、連合学習のプロセスにおいて、異なるデータ当事者の権利と利益を保護するために AI を使用することを検討しています。

一方、暗号化されたデータにAI技術を適用する方法についても検討します。当社は大企業や政府と緊密に連携し、システム侵入に対処し、ネットワーク セキュリティを確保する方法を模索しています。

また、政府との連携についても多くの時間をかけて検討しました。政府は、ビッグデータに基づいて意思決定を行う方法を知らないことが多く、データを最適化する方法も知りません。 AI は、政府が効率性を高めるのに役立ちます。たとえば、国連は現在、持続可能な開発目標に関する多くの関連評価指標を有しており、世界経済フォーラムも加盟国向けにさまざまな標準測定基準を提供できます。

既存の多変量データベースをベースに、AI を使用して新しいデータ最適化手法を実現し、これまで定量化できなかった貧困や不平等などの指標を定量化可能な指標で評価できるようになりました。

同時に、この目標を真に達成するためには、統一された相互運用性標準を開発する必要もあります。この標準がなければ、各国は互いに信頼し合って協力することができなくなり、AI 冷戦が起こる可能性があります。

したがって、TCP/IP インターネット プロトコルが行ったように、協力を促進する方法を見つける必要があります。先ほども述べたように、シンガポール、スイス、その他の国で試行されているブロックチェーン システムは、国家間の相互運用性標準の欠如という問題を解決することが期待されます。

パートII 対話

アメリカではオンライン教育の展開はより困難です。ZOOMで講義をするだけでは不十分です。

Q1: 感染症の流行により、業界の変化が加速しています。遠隔医療やオンライン教育が盛んになり始めています。これは、AIが人類社会に与える影響の氷山の一角にすぎません。 AI応用のどの分野が最も将来性が期待できるかについてお二人にお話しいただきたいと思います。

李開復氏：確かに、この流行は社会全体に大きな影響を与えました。人々の行動習慣は大きく変化し、オンラインでの学習や仕事を受け入れる意欲が高まっています。

この新しい行動習慣により大量のデータフローが生成され、AI アプリケーションの可能性が広がります。たとえば、ビッグヘルスや遠隔医療の分野で生成されたデータは、よりスマートなモデルをトレーニングするために使用できます。同時に、新しいAI技術をゲノミクスや新薬開発の研究と組み合わせる人も増えてきており、医療健康分野におけるAIの可能性は非常に大きいと考えています。

AIと教育の融合も期待できます。一方で、教師は宿題の採点など、日常の反復的な作業に対処しやすくなり、より創造的なことに時間とエネルギーを費やし、子どもたちに質の高い教育をより丁寧に提供できるようになります。一方、AI仮想教師の漫画版を設置して授業を楽しいものにするなど、生徒の授業参加と熱意を高めることもできます。

中国では、イノベーションワークスが出資し、海外のネイティブ英語教師が中国の学生にオンラインで教えることを可能にしたVIPKIDなど、多くのオンライン教育企業がパンデミック以前から急速に発展していた。現在、中国のオンライン教育は、スポーツ、ダンス、書道などの質の高い教育コースを含む、より多くの科目に拡大しています。

それに比べると、米国におけるオンライン教育の発展はより困難となるだろう。結局のところ、ZOOM で講義を行うだけでは十分ではありません。優れたオンライン教育には優れたコンテンツが必要です。

AIの核心は、人間関係を強化し、文化の多様性に焦点を当てることです

アレックス・ペントランド：私は、李開復博士が言及した教育の事例にはあまり同意できません。

MIT が教育に AI を活用し始めたのは約 20 年前ですが、その際、コンテンツにはまったく重点が置かれていませんでした。私たちは、コンテンツを無料で一般に公開することを提唱していました。

AI は、決して人間の役割を置き換えようとしているわけではありません。私たちは、AI を人々の交流を強化し、人々がよりよく交流し、互いにつながることができるようにするために使用したいと考えています。たとえば、携帯電話の人工知能技術は、あなたに取って代わることを目的としているのではなく、最も適した仕事や適切な人材を効率的に見つけられるようにし、情報の入手や革新を容易にすることを目的としています。

データを活用することで、より大きなイノベーションを促し、リーダーシップを育むことができます。このような目的に基づいてのみ、より創造的な教育と学習を推進することができ、それは教育内容そのものに焦点を当てることよりもはるかに重要です。

カナダでは、スタートアップ企業が配管工などの一般の人々にAIを学習させるトレーニングを行っており、その教育成果は非常に良好です。彼らの教授法は、単に基礎知識を教えるのではなく、人々が対話的に考えるように促すことです。

私たちはこれまで、中国の 3,000 以上のインキュベーターを調査し、スタートアップの成功の第一の要因は文化的多様性、つまり創業チームの背景の複雑さと多様性であることを発見しました。 2つ目は、チームメンバーの専門分野の多様性、つまりメンバーが自分の強みを最大限に発揮し、チームでうまく働けるかどうかです。

1956 年にマービン・ミンスキーが「人工知能」という言葉を作り出した。しかし、人工知能に対する私たちの理解は、単に「人工的」なレベルにとどまるべきではなく、多様な文化間の相互接続やチームワークにまで拡張されるべきです。私はそれを拡張知能と呼んでいます。これも私が強調したいことです。人工知能という言葉は、ある意味偶然の産物ですが、その核心は、人と人とのつながりを強化することです。

AIの将来のブレークスルーを予測するのは難しい。シンギュラリティと超知能は楽観的すぎる

Q2: AI が今後 10 年間で大きな進歩を遂げる可能性はありますか? たとえば、GPT-3 は最近驚くべき能力を発揮しました。今後のブレイクスルーの方向性はどうなるとお考えですか？

リー・カイフー：ディープラーニングは過去 60 年間で唯一の大きな進歩でした。その後も畳み込みニューラルネットワーク（CNN）やGPT-3などの改良が重要であり、人工知能が徐々に向上していくことに私は楽観的な見方をしています。

科学者たちは、技術の進歩にもっと期待しています。しかし、今後 10 年間は基礎科学研究において大きな進歩はないのではないかと思います。しかし、モデルは比較的簡単です。大量のデータがあれば、研究室から産業アプリケーションに移行できます。CNN と GPT-3 はどちらも、モデルと大量のデータを組み合わせた結果です。

私は実用主義者です。楽観主義者ではありますが、「未来主義者」ではありません。将来のブレークスルーを予測するのは難しく、シンギュラリティに関する議論や超知能の出現の予測さえも、私には過度に楽観的に思えます。

アレックス・ペントランド：私はリー博士に同意します。物事を認識したり、音を理解したり、食べ物を見つけたりするための知覚の使用など、多くの生物学的メカニズムは説明が難しく、ディープラーニング アルゴリズムでは説明できません。しかし、ディープラーニングは科学を研究し、ルールを開発し、理論を研究し、それを実践することができます。

実用的な観点から言えば、私は連合学習に最も興味があります。医療に関して言えば、COVID-19パンデミック中に多くの病院があり、多くの実験が行われてきました。なぜこれらの実験データを組み合わせることができないのでしょうか？

データには互換性がありませんが、異なるデータ間の相関関係を調べるには良い機会でもあります。将来的には、必要なデータはますます少なくなるかもしれません。外科医や物理学者は、すでにルールを知っているので、多くのデータを必要としないかもしれません。

従来のやり方に固執せず、分野や専門分野を超えた課題に取り組む

Q3: 人工知能の主な課題は何ですか? この業界で働きたい人にとって、理解しておくべき重要なポイントは何ですか?

李開復氏：まず、全体的な状況は変化しており、新しいテクノロジーが次々と登場しており、毎年新しいことを学ぶ必要があります。

第二に、人工知能は、偏見、差別、倫理、人間の健康を危険にさらすかどうか、無人運転技術の将来など、さまざまな問題を引き起こす可能性があります。

第三に、人工知能の研究開発には、テクノロジーが社会、生活、人間の健康に与える影響についての深い理解が必要です。スタンフォード大学やMITのような大学がAI教育をさまざまな分野に広げ、研究者が早い段階で自らの責任と価値を認識できるようにしていることを、私は本当に尊敬しています。

アレックス・ペントランド:はい、友人が電気について興味深い例え話をしてくれました。電気モーターが工場の生産に初めて使われたとき、生産プロセスをどのように変えればよいかがわからなかったため、あまりうまく機能しませんでした。

AIは一部の分野では重要な役割を果たしますが、他の分野に適用する場合はプロセスを変革する必要があります。多くの場合、最も難しいのは、ほとんどの人が保守的であるため、ビジネス プロセスを変更して AI を使用するように人々を説得することです。

興味深いのは、リー博士が述べたように、MITやスタンフォード大学などの大学が実際にこの問題を真剣に受け止めていることです。

例えば、私は今朝、このテーマについてG20首脳と会話をしたのですが、この問題には分野横断的、学際的な視点から取り組む必要があるということで全員が同意しました。これはエンジニアや社会科学者だけではできません。経済学者、政治家、その他の人々が全員参加し、緊密に協力しなければなりません。

AIの応用領域がますます広がるにつれ、社会のルールを確立する力も強くなるほか、研究資金や企業投資などにもさまざまな調整が必要になります。

大企業の力は侮れないが、中小企業にも期待は持てる

Q4: AI研究には多くのリソースが消費されます。学術分野へのリソースのバランスを取るべきでしょうか？リソースの再配分とバランスは現在行われていますか？

リー・カイフー：人材面では、すでにバランス調整の兆しが見られます。

過去には、一流大学の多くの学者が給与やその他の考慮事項に基づいて企業で働くことを選択しました。最近、百度、ハイアール、バイトダンスなどの企業で働いていた優秀なAI科学者が数人、大学に戻ってきました。

しかし、GPT-3 のようなテクノロジーは、大学や中小企業にとってはまだ手の届かないところにあります。 GPT-3 の動作をサポートするコンピューターは、世界で 5 番目に強力なスーパーコンピューターです。アルゴリズムのトレーニングにはそれぞれ 460 万ドルの費用がかかります。このような強力なコンピューティング能力を利用できるのは、Tencent、Google、Microsoft レベルの企業だけです。

近年の AI スタートアップは 5 年前とはまったく異なっていることに気づきました。これらは通常、画期的な科学研究を紙の上で行うのではなく、特定の問題を解決するために AI 科学者とビジネスの才能が共同で作成します。これらの分野は、大企業によって見過ごされることが多いです。

たとえば、製造業に AI を導入するのは簡単なことではありません。工場の稼働状況を把握するには、現場を視察する必要があります。大企業は、金儲けが簡単なので、費用対効果が低く、大変で疲れる仕事をやりたがりません。これらの中小企業の努力が実を結べば、業界に革命的な影響を与えることになるでしょう。ですから、大企業の力は侮れませんが、中小企業にも期待しています。

アレックス・ペントランド：大学と企業は統合された関係を築いており、それは人材の流動性だけでなく、情報資源の共有にも反映されています。両者は総合的な協力関係にあります。

もちろん、これは絶対的なものではありません。業界には依然として機密保持の要件があります。しかし、学校の観点から言えば、私たちはより良い研究結果を皆様に遠慮なく提供し、企業と協力して標準化されたプラットフォームを形成する用意があります。

人工知能が人間に取って代わるには数百年以上かかるだろう

Q5: AIで代替できないものは何だと思いますか?

李開復氏： 1つは創造性、分析力、論理的議論能力、そして自分が何を知っていて何を知らないかを理解することです。これらは人工知能では置き換えられません。

もう一つのカテゴリーは、人間同士の共感、信頼、友情、自己認識、意識などです。

アレックス・ペントランド：人工知能はいつか人間の能力をすべて置き換えるかもしれませんが、このプロセスは非常に長く、おそらく数百年以上かかるでしょう。

AIスタートアップのアドバイスI ：小さな参入点を見つけ、大企業と正面から戦わない

Q6: リー博士は中小企業における AI の応用について言及されましたが、AI がどのように使用されているか、別の例を挙げていただけますか?

李開復氏：この質問には2つの部分があります。1つは、小規模なAI企業と巨大企業との競争です。私の提案は、巨大企業がプラットフォームの優位性を持たないニッチな分野を特定し、ターゲット業界に価値を生み出し、巨大企業の中核事業との直接的な対立を避けることです。

AI を適用したい中小規模の非 AI 企業の場合、中核となるビジネス価値に結びついた AI モデルをトレーニングするのに十分なデータがあり、変化をいとわないオープンな企業文化を持っていることを確認する必要があります。

したがって、AI を早期に適用する企業は、十分な量のデータと変化に対応できるビジネス モデルを備えているため、規模が大きくなる可能性が高くなります。例はそれぞれ異なり、すべての企業が AI を適用する必要はありません。

アレックス・ペントランド：AIの定義を緩めれば、配管工や契約労働者がデータを持ち、簡単な分析と統合を行うことで、AIが彼らの仕事を大幅に改善できるかもしれません。

これらは小さなエントリーポイントですが、シンプルな AI 分析と機械学習に基づいて、大きな可能性を生み出すことができます。

AIスタートアップアドバイスII:技術を知り、ビジネスを理解する

Q7: 最終的な提案を教えていただけますか?

李開復：私たちは、AIが生活のあらゆる側面に浸透し始めているエキサイティングな時代を迎えています。すべての学生がこの改革の波に参加できることを願っています。私たちは、テクノロジーそのものを深く掘り下げるのではなく、人工知能の商業的応用について深く理解する必要があります。

Alex Pentland:ディープラーニングや長いアルゴリズムについて真剣に考えすぎないでください。すべては、解決したい本当の問題から始まります。テクノロジーそのものにとどまらず、データの種類、形式、ルールを理解し、ビジネス プロセスにも注意を払ってください。

本論文の校正とレビューにご協力いただいた Ye Lefei、Liu Nuo、Lan Xuan、Zhang Hao、Chen Dongjie、Liu Ziang、Zhang Ziyu、Qian Linghan、Shui Yifang、Shen Yong の各氏に感謝の意を表します。