次のマーク・ザッカーバーグはAIになるのか？

この記事は公開アカウント「Reading Core Technique」（ID: AI_Discovery）から転載したものです。

シンギュラリティイベントや人工知能が世界を支配するという話はよく聞かれますが、あなたのコンピューターはそう遠くない将来にジェフ・ベゾスやマーク・ザッカーバーグに取って代わるのでしょうか？

[[354569]]

私はマネージャー向けのカーナビツールの開発を担当する CEO です。衛星ナビゲーションは自動運転車の基礎となっているため、最近よく「科学者はロボットに企業を経営させるだろうか？」と尋ねられます。答えは明白で、絶対にそうではない。

シンギュラリティイベント：誇大宣伝

人工知能が過去 30 年間で大きな進歩を遂げてきたのは事実です。しかし、現在のレベルが技術的特異点、つまり機械が人間の思考を再現したり、さらには超えたりできる点に到達するまでには、まだ長い道のりがあります。

本質的に、データ サイエンスという新しい用語は、広範囲にわたるデータ処理活動を指す高尚な名前であり、そのほとんどは過去に始まったものです。しかし、最近では生まれ変わり、より多くのデータを生成し、より強力な処理能力を持ち、より合理的な結果を生み出し、より安価な、より高度な技術機器に使用されています。

Evo による DHL の調査に基づいて、AI の 3 つの波が図に示されています。

データの保存と処理のコストが下がると、収集されるデータの量が増加します。これは、データの価格弾力性とも呼ばれる、非常に単純な需要と供給の法則です。価格が下がると、容量が増加します。新しいデータは、古くてサイズの小さいデータよりも価値が低くなります。これは純粋な経済学であり、その後誰かがデータを処理する必要があります。これがデータ サイエンスです。

データサイエンスは、ほとんど同じ古い科学です。エキスパート システムを覚えている人はいますか? 大いに宣伝されているにもかかわらず、エキスパート システムには今日でも深刻な技術的制限があります。

• 上位レベルのデータからのボトムアップのみ。たとえば、画像は数百万または数十億のピクセルの集合としてスキャンされ、これらは数値のベクトルです。この方法は非効率的ですが、コストが低いため、いくつかの問題では依然として使用されています。

しかし、機械学習に関しては、このアプローチは人間の労力を使用するよりもはるかに時間がかかり、コストも高くなります。 3 歳児は 2 本のバナナを続けて見るとそれが何であるかがわかりますが、自己学習に 100 万枚の画像を必要とする高価なシステムでは、信頼性は 95% しかなく、20 枚に 1 枚の画像でエラーが発生します。

• コピーされるのは機械的な部分だけで、脳内の化学的な部分は欠けています。ニューラル ネットワークは機械学習の中核をなしており、ある意味では脳の機械的な部分、つまりニューロンとニューロン間の電気信号をうまく再現しています。しかし、全体的思考、感情、トップダウン推論などの直感的思考を司る脳の化学部分についての研究はほとんど行われていません。

構造的に、この機械には多くの機能が欠けています。これが人工知能と人間の間の戦いの核心です。機械は既存のプログラムに従ってしか動作できませんが、人間は創造性を発揮することができます。人間の基本的な能力は正しい質問をすることですが、残念なことに、今日の学校では質問に答える方法を教えており、このスキルは無関係になっています。

これは心配する理由でしょうか?

ウーバー、グーグル、テスラはこれをめぐって争っている

人工知能に関する現在の議論は自動運転車の影響を受けています。 Uber、Google、Teslaが自動運転車の発売に向けて競争する中、これは危機の始まりに過ぎず、機械がすぐに企業、さらには地球全体を支配できるようになるのではないかと人々は推測している。

実際のところ、企業経営には、曖昧さに対処し、しばしば「複雑」で定量化が難しい人間の感情を解釈するためのさまざまなスキルが必要です。市場を変え、新しい目標を定義する必要が生じるような目標を定義することを、再帰性と呼びます。

再帰性とは、原因と結果の間の循環的な関係を指し、特に人間の信念構造に根ざしています。反射的な関係は双方向であり、原因と結果が相互に影響を及ぼし合いますが、この関係ではどちらも原因または結果として指定することはできません。

自動運転車は、交通状況、他の車両、歩行者などの物理的な状況を識別するために、位置や速度などの定量化可能なデータのみを必要とします。それでも、プログラマーが考慮していない「ブラックスワン イベント」は常に存在しますが、こうした緊急事態の数は限られており、最終的には計画されることになります。

構造的に言えば、自動運転とは、道路上を自律走行できる車に過ぎません。しかし、経営行動は市場のパラダイムの変化につながり、サイクル全体をやり直すために機械を最初からやり直す必要があります。

2012年、オーストラリアのメルボルンで、羊を積んだトラックが高架上で衝突し、何百頭もの羊が橋の下の高速道路に雨のように降り注いだ。人間は羊が空を飛ぶという認知的不協和を克服できるが、当惑した Uber ロボットが安っぽい SF ジョークを飛ばす立場になって考えてみると、それは理解できないことだ。

これは予想されるイベントの極端な例です。これにより、近い将来に機械が企業を乗っ取る可能性が低い理由と、競争的な経営ゲームに多くの空飛ぶ羊が存在する理由をより鮮明に理解できるかもしれない。

ロボット産業の真実

もちろん、産業革命中に多くの手作業が機械に置き換えられたのと同じように、機械は多くの管理機能を引き継ぐことができます。しかし、仕事がより創造的であり、より高度な思考を必要とするものであればあるほど、人間の手に残り、さらに発展していく可能性が高くなります。使用されるデータが増えるほど、方向性を定めるためのより強力なリーダーシップが必要になります。

人工知能と人間の相互作用は、近年自動車メーカーのフォルクスワーゲンにおける研究開発の大きなテーマとなっている。最高情報責任者のマーティン・ホフマン氏は、同社が自動運転車のチェックリストを「マシンエンタープライズ」の世界にどのように適用しているかを説明した。同社は、同社の機能プロセスで適応型アルゴリズムを使用している。

私がよりよく知っている例を挙げると、倉庫での自動再発注プロセスを想像してみてください。現在、システムによってサプライ チェーンを自動的に実行できるようになりましたが、実行戦略には依然として人間による設計が必要です。

• 在庫を増やしてコストを上げて顧客サービスを増やすのか、それとも在庫を減らして在庫切れのリスクを負うのか? 今後数週間でどのような報道がなされるのでしょうか?
• 最適なレベルは状況によって異なるため、最適なレベルというものは存在しません。意思決定を行うには、戦略的見通しの変化を日々の調整に反映させる必要があります。
• 機械はトレードオフの効率限界を決定します。特定の対象週数に対して最適なウェアハウスレベルは 1 つしかありませんが、対象週数は人間が選択する必要があります。

フォルクスワーゲンはAI制御レベルを5段階に分けました。すべてのビジネス上の決定が人間によって行われる手動の第 1 段階から、完全に自動化された第 5 段階まで、この段階では人間の入力は必要ありません。

フォルクスワーゲンの基準では、機械は通常、第 2 段階で優れています。つまり、機械は推奨を行うことができますが、最終的な決定は人間が行います。機械は人間の判断に取って代わるものではなく、携帯電話が私たちの脳を日々強化するのと同じように、人間を強化します。近い将来、人間の脳が主導権を握り続けるだろう。