[[379103]]

技術革新が時代のメインテーマとなる中、 「自動運転がドライバーに代わる」「仕事の50％以上がAIに置き換わる」 「ロボットが大規模導入され、無人工場が実現する」といったニュースの見出しが、すでに皆さんの携帯電話の画面に溢れていると思います。

しかし、この専門用語の誤用により、一般の人々が「ロボット」と「人工知能」(AI) の概念を誤って混同してしまうことがよくあります。

ロボット工学は AI の一部ですか? AIはロボット工学の一部ですか?これら2つの名詞の違いは何ですか?今日の記事を通じて、これらの質問に答えていきます。

人工知能は今がチャンス

まず最初に明確にしておきたいのは、ロボットと人工知能はまったく異なるものであり、その目的も大きく異なるということです。これら 2 つの領域は、ほぼ完全に独立していると言っても過言ではありません。

人工知能 (AI) は、人間の知能が必要となるタスクを実行するためのコンピュータ プログラムの開発を専門とするコンピュータ サイエンスの分野です。 AI アルゴリズムは、学習、認識、問題解決、言語理解、論理的推論などに対処できます。

人工知能には、汎用AI（AGI）と狭義のAI（Narrow AI）の2つの主要な分類があります。人間をはるかに超える超AI（Super AI）が汎用AIと区別されることもあります。

汎用人工知能とは、チェスのプレイから店内での顧客対応、芸術作品の作成まで、さまざまなタスクを実行できる、人間と同等かそれ以上の知能を持つ総合的なシステムを指します。マスク氏のような楽観主義者は別として、ほとんどの専門家は、人間を超えるAIが登場するのは数十年先だと考えている。

現在、汎用人工知能の実現に向けた最も根本的な障害は、まず人間がいわゆる「知能」の仕組みを理解する必要があることです。しかし、これは脳科学のブレークスルーが緊急に求められる大きな問題です。

しかし、人類は狭義の人工知能の分野では相当な進歩を遂げてきました。現代世界では、狭義の AI (または弱い AI) がさまざまな方法で使用されています。これらのシステムは、次のような厳密なパラメータ内で個別のタスクを実行できます。

画像認識：最も典型的な例は公安機関の「Skynet」システムです。

自然言語処理：Apple の Siri、Alibaba の Tmall Genie、Baidu の Xiaodu などの AI アシスタントの音声認識。

情報検索、主要な検索エンジン

論理または証拠を使用した推論: 金融機関が住宅ローンの引受や詐欺の可能性の判断に使用します。

これらのタスクは、知覚、推論、コミュニケーションという 3 種類の知能に要約できることは容易にわかります。また、ほとんどの AI プログラムは、一般の人が想像する「ロボット制御」とはまったく関係がありません。

Apple の音声アシスタント Siri を例に挙げてみましょう。まず、音声認識アルゴリズムを使用して人々の質問を捉え (「認識」)、次に自然言語処理を使用して単語の文字列の意味を理解して答えを決定し (「推論」)、最後に自然言語を使用して答えを生成し、ユーザーに伝えます (「コミュニケーション」)。

[[379106]]

人工知能の歴史的進化

では、AI システムはどのようにしてここまで到達したのでしょうか?

思考する機械というアイデアは、1940 年代にアラン・チューリングと彼の同時代人が最初の複雑なコンピューターを開発して以来存在しています。

アラン・チューリング

[[379107]]

1956 年のダートマス大学会議は、AI の発展における画期的な瞬間とよく考えられています。この会議では、「人工知能の父」と呼ばれるマービン・ミンスキーの主導のもと、コンピューター科学者たちが集まり、人工知能を独立した分野として研究しました。

マービン・ミンスキー

[[379108]]

しかし、科学者たちの初期の熱意とあらゆる分野からの多額の財政的支援にもかかわらず、人工知能の初期の進歩は依然として残念なほど遅いものでした。

DARPA（国防高等研究計画局）は、機械翻訳によって対諜報能力が向上することを期待して、1960年代に大学システムに数百万ドルを投資しましたが、機械翻訳の分野で進歩が見られなかったため、その姿勢は否定的になりました。

一方、英国では、1973年にジェームズ・ライトヒルが率いる人工知能に関する政府委員会が、AI研究の分野は漸進的なペースでしか進歩しないのではないかという重大な疑問を提起した。

その結果、米国、英国、そして西側諸国全体で政府の資金が大幅に削減されました。

20 世紀を通じて、政策立案者や一般大衆の意識における人工知能の地位は増減を繰り返してきました。多くの場合、新たな開発は熱意と資金の急増を引き起こしますが、約束されたイノベーションが実現しないため、関心が急激に低下し、リソースが失われることになります。

なぜ20世紀に人工知能の進歩は遅かったのでしょうか?その理由は、研究者がソフトウェアを開発する際に採用するアプローチに関係しています。

20 世紀の AI アプリケーションのほとんどは、基本的な意思決定を導く、慎重に開発された一連の「if-then」ルールに基づいたエキスパート システムの形をとっていました。

エキスパート システムは、限定されたタスク (ATM から現金を引き出すなど) を処理するのに便利ですが、ルールに簡単にコード化できない要求を処理するのは困難です。

たとえば、人間のような物体がマネキンなのか本物の人間なのか、あるいは MRI スキャン上の暗い模様が腫瘍なのか良性組織なのかを判断するルールを記述するのは困難です。これらのタスクは、表現するのが難しい「暗黙知」に依存することがよくあります。

大きな進歩は、新しい人工知能手法が実用化されたときにのみ達成され、機械学習はこれらの「新しい手法」の最も代表的なものです。

機械学習は、ルールをゼロから作成するのではなく、既存のデータを使用してアルゴリズムを「トレーニング」することで機能します (たとえば、画像はマネキンまたは実際の人物としてラベル付けされ、MRI スキャンは悪性腫瘍または良性腫瘍としてラベル付けされます)。

[[379110]]

逆に、これらのアルゴリズムがパターンを検出するたびに、将来の入力を理解するための一般的なルールが作成され、好循環が形成されます。機械学習アルゴリズムは、不正な銀行取引の発見から、従業員の採用時に人事チームが履歴書の応募書類を審査するのを支援することまで、すでにさまざまな分野で使用されています。

過去 10 年間、機械学習は人工知能の分野をリードしてきました。しかし近年、人々の注目は機械学習のサブ分野であるディープラーニングに移っています。

ディープラーニング システムは、複数層の人工ニューラル ネットワークで構成されており、各ネットワークは画像、音声、テキスト内のさまざまなパターンを理解する役割を担っています。

最初のレイヤーは画像内のオブジェクトの輪郭などの基本的なパターンを認識し、2 番目のレイヤーはその画像内のカラー バンドを認識するために使用できます。システムがパターンをオブジェクトや単語などのさまざまなカテゴリにクラスタ化できるようになるまで、データは複数のレイヤーに送られます。キングス・カレッジ・ロンドンの研究によると、ディープラーニング技術により、MRIスキャンの生データを使用した場合の脳年齢評価の精度が2倍以上に向上したという。

上記の方法に加えて、他の重要な人工知能の方法には、教師あり学習、強化学習、転移学習などがあります。

教師あり学習:アルゴリズムは、教師あり学習または教師なし学習を通じて最初からトレーニングできます。

教師あり学習とは、アルゴリズムにラベル付きデータが与えられ、そこからパターンを抽出し、将来のデータを理解するための一般的なルールを導き出すことを意味します。ほとんどの機械学習およびディープラーニング アルゴリズムは、教師ありプロセスを使用してトレーニングされます。教師なし学習では、アルゴリズムにラベルのないデータを与え、アルゴリズム自身でパターンを発見させます。例としては、マーケティング会社が使用する人口統計セグメンテーションや、一部のサイバーセキュリティ ソフトウェアなどが挙げられます。

強化学習:一部のアルゴリズムは一度だけ作成またはトレーニングされますが、強化学習では、正のフィードバック メカニズムを使用して、使用中にアルゴリズムを継続的に調整および改善します。

短い動画やオンラインショッピングにおける推奨システムは、強化学習の一例です。消費者が商品（書籍、レコード、衣料品など）を購入するたびに、アルゴリズムは自動的に調整され、将来の推奨においてそれらのアクションが考慮されるようになります。

転移学習:転移学習とは、ゼロから始めたり、大量の生データやラベル付きデータをソースとして使用したりすることなく、ある分野で開発されたアルゴリズムを別の分野で使用できるように変更することを指します。

上記の人工知能手法は必ずしも相互に排他的ではなく、組み合わせて使用​​されることが多いことに留意する必要があります。

ロボットの世界

人工知能について話した後は、ロボットについて話しましょう。ロボット工学には、物理​​的な世界と相互作用できる物理的なロボットの設計、構築、プログラミングが含まれます。ロボット工学において人工知能が関係するのはほんの一部です。

一般的に、ロボットを構成する重要な要素は 3 つあります。

ロボットはセンサーとアクチュエータを通じて物理的な世界と相互作用します。

ロボットはプログラム可能です。

ロボットは通常、自律型または半自律型です。

したがって、トラクター、建設用掘削機、ミシンには可動部品があり、人間の作業を実行できますが、それらは常に（継続的ではないにしても）人間の監視が必要であり、ロボットではありません。

対照的に、倉庫内のピッキング・梱包機械や、患者を持ち上げて運ぶ「介護ロボット」は、部分的に自律的に作業を行うため、ロボットに分類される。

「ロボット」という言葉が初めて登場したのは、カレル・チャペックによる1921年のSF劇である。この劇は、クローン人間が奴隷として使われ、ロボットが主人を倒す社会の物語を描いている。

[[379111]]

1950 年代に世界初の産業用ロボット会社であるユニメーションが設立されるまで、ロボットはまだ SF の世界のものでした。同社は、事前にプログラムされた指示に基づいて物体を持ち上げたり配置したりできる、約2トンの画期的なロボットアームを発明しており、工場で重い物体を移動させるのに最適です。

ユニメートロボットは1961年にゼネラルモーターズでデビューし、熱いダイカスト金属部品を移動し、自動車の車体部品に溶接するために使用されました。

その後まもなく、1969年にロボット工学の先駆者であるビクター・シャインマンが、世界初の電動関節式ロボットアーム「スタンフォードアーム」を開発しました。 6 軸で動作し、従来の単軸または 2 軸マシンよりも動きの自由度が高いため、ロボット工学における画期的な進歩と見なされています。

[[379112]]

スタンフォード アームは、製造業の組立ラインを変革し、Kuka や ABB Robotics を含むいくつかの商用ロボット企業の成長を促した多関節ロボット革命の始まりを示しました。

多関節ロボットは長年にわたり、鉄鋼の溶接から自動車の組み立て、白物家電の塗装まで、幅広い機能を担ってきました。国際ロボット連盟は、現在世界には270万台の産業用ロボットが存在すると推定しています。

箱から飛び出すロボット

20 世紀の大部分において、ロボット産業は多関節ロボットアームに重点を置いていました。しかし、AI の分野の場合と同様に、2000 年代初頭から状況は変わり始めました。

2000年に発表されたホンダのASIMOロボットは、二足歩行が可能で、ジェスチャーを認識し、質問に答える機能を備えた初のヒューマノイドマシンの一つだった。

[[379113]]

3年後、複雑な配送倉庫内で商品やパレットを移動できる移動ロボットを提供するために、KIVA Systems（現Amazon Robotics）が設立されました。

2000年代初頭は、自動運転車が実験室でのテストから路上試験へと移行した時期でもありました。特に象徴的なのは、この種の賞としては初めての受賞となった 2004 年の DARPA グランド チャレンジです。自動運転車で230キロメートルのレースを完走した人には100万ドルの賞金が贈られる。

これらのロボットは機能、サイズ、環境が異なりますが、すべてに共通する点が 1 つあります。それは移動性です。 20 世紀の多関節ロボットは 1 か所に固定されていることが多かったのですが、21 世紀のロボットはすでに動いています。

推進力の 1 つは、人工知能とロボット工学の共生であり、高度なソフトウェアによって物理的な機械が予期せぬ状況や出来事に対処する能力を獲得します。たとえば、強化学習とは、ロボットが人間を模倣して学習できるようになることを意味します。さらに、クラウドにデータを保存すると、ロボットはネットワーク内の他のロボットと学習し、経験を共有できるようになります。

一方、ロボット技術の進歩はハードウェアの革新からも恩恵を受けています。センサーの改良により、ロボットは非構造化環境を移動するために必要な視覚を獲得しました。これらのセンサー機能に対応するのは、Google や Baidu の 3D ストリート ビュー マップなどの新しい 3D 画像データセットを含む、物理世界の豊富で成長を続けるデータベースです。

最後に、材料科学も急速に進歩しています。シリコンやクモの糸などの優れた素材によりロボットの外観はよりシャープになり、圧電トランジスタで作られた「ロボットの毛」は人間の皮膚と同じくらい敏感です。さらに、油圧ポンプが改良され、極めて低い摩擦と優れたレベルの制御を実現しました。

その結果、ロボットはもはや工場に限定されず、病棟、店舗、街路などさまざまな環境を動き回ることができるようになります。

さらに嬉しいのは、工場でもロボットが進化しているということです。協働ロボット（コボット）と呼ばれる最新の機械は、人間の作業員と連携して作業し、箱から部品を取り出したり、生産ラインから不良品を取り除いたり、ネジ締め、接着、溶接などの単純な作業を実行したりするように設計されている。

[[379114]]

また、再プログラムが非常に簡単なので、少量生産を行う企業にとって魅力的であり、トルクセンサーを備えているため、人間が接触しても静止したままでいることができます。 MIT と BMW が実施した調査によると、人間と協力して作業するロボットは、人間が単独で作業するロボットよりも 85% 効率が高いことがわかりました。

ロボットの発展を見ると、物理的なロボットには主に 5 つの種類があることがわかります。

移動ロボット:アームに少なくとも 3 つの回転関節がある固定ロボット。通常は産業環境で使用されます。協働ロボットは、多関節ロボットの最新版です。

移動ロボット:ある目的地から別の目的地まで商品や人を輸送できる車輪付きまたは履帯付きのロボット。自動運転車は移動ロボットの能力の頂点です。

ヒューマノイドロボット:身体的に人間に似ており、人間の能力を模倣しようとするロボット。ソフトバンクは、同社のペッパーロボットは人間の感情を認識し、それに応じて行動を調整できる初のロボットだと主張している。

義肢ロボット:身体に障害のある人や危険な職業に就く労働者など、人々に力を与えるために装着したり操作したりできるロボット。一般の人々によく知られている用語は「外骨格」です。

蛇型ロボット:複数のパーツと関節で構成され、極めて柔軟に動くことができる蛇のようなロボット。ヘビ型ロボットは、困難な地形を横断したり、狭い場所で操縦したりする能力があるため、産業検査や捜索救助任務に応用されています。

人工知能ロボット：ロボットとAIの架け橋

上記の説明から、ほとんどのロボットは「インテリジェント」ではないことがわかります。 AI を使用してロボットを制御する場合でも、AI アルゴリズムは、センサー、アクチュエータ、非 AI プログラムも含まれる大規模なロボット システムの一部にすぎません。

これまで、すべての産業用ロボットは、明らかに人工知能を必要としない一連の反復動作を実行するようにプログラムされてきました。しかし、非知能ロボットの能力は非常に限られています。

ロボットにもっと複雑なタスクを実行させたい場合は、AI アルゴリズムが必要です。

[[379115]]

たとえば、倉庫ロボットは経路探索アルゴリズムを使用して倉庫内を移動し、ドローンはバッテリー残量が少なくなると自律航法を使用して帰還し、自動運転車は AI アルゴリズムの組み合わせを使用して道路上の潜在的な危険を検出して回避するといったことが考えられます。これらはすべて AI ロボットの例です。

将来はどうなるのでしょうか?

今後数年、数十年で人工知能とロボット工学がどのように発展していくのかと聞かれたら、良い答えを出すのは難しいでしょう。ディープラーニングのアルゴリズムは行き詰まり、ヒューマノイドロボットは単なる空想で終わってしまうかもしれない。

一部の観察者は、ロボットが「知的」というより「人工的」になりつつあり、世界的な人工知能バブルが拡大していると指摘している。

しかし、コンピューティング能力、データの収集と保存、一般的なインフラストラクチャ、研究への投資が止まらない限り、これらのテクノロジーは何らかの形で発展し続けるだろうということは、ほぼ確実に言えるでしょう。その後、私たちはAI、ロボット、そしてその両者の組み合わせがもたらす社会的影響について、より警戒する必要がある。

参考文献:

[1] https://medium.com/@thersa/what-is-the-difference-between-ai-robotics-d93715b4ba7f