待望のAI実装はどこで行き詰まっているのでしょうか?

AIはこれまで3つの発展の波を経験してきました。最初の2つの波は当時の技術環境やその他の理由により妨げられ、最終的にはため息と後悔を残して潮流は引いてしまいました。

[[386966]]

現在、技術環境の成熟と、アルゴリズム、コンピューティング能力、データの継続的なアップグレードと改善により、AIの第3の波が再び到来しており、それは以前の2つの波よりも激しいものとなっています。

「アルファ」という名の犬が囲碁で人間に勝ち、AI がいくつかの面で人間よりも優れていることが発見されました。

人工知能は巷で話題になっており、AIが将来生活にもたらす変化は誰もが想像できるでしょう。

アルゴリズムエンジニアは企業採用の寵児となっており、大手インターネット企業はこの波で最初のチャンスを掴もうと、高額の給与を支払ってアルゴリズム人材を導入し始めている。

テクノロジー系スタートアップであれ、伝統的なスタートアップであれ、投資家からのさらなる注目を集めるためには、AI のコンセプトを外部宣伝 PPT に含める必要があります。

SF映画で見たようなシーンが、もうすぐ現実になるようです。しかし、一般の人が知らないのは、第3波のAIがまだいくつかの困難に直面しているということです。

01 AI導入は困難に直面

この波がこれまでの2つの波と異なるのは、これまでの2つの波は主に学界が参加していたのに対し、今回は学界に加えて産業界も参加している点です。この波の人々の目標は、商業化によって収益性を達成し、AIを真に販売できるようにすることです。

人々が AI を本当に受け入れるためには、AI が実用的な問題を解決できなければなりません。

そこで、AIの重要な要素について語るとき、「アルゴリズム」「計算能力」「データ」という3つの要素に加えて、「シナリオ」という要素が加わります。 AI テクノロジーは、その真の価値を実現するために、特定のシナリオに実装する必要があります。

この「シナリオ」要素こそが、AIの第3波が継続するための重要な要素であることは間違いありません。

AIコミュニティは「実装」のスローガンを叫びながら、募集して思い切った行動を取り始めました。

しかし、現実はここ2年でAIブームは冷え込み、多数のAI企業が損失を被って閉鎖し、投資熱も大幅に低下した。残りの企業も沈黙しており、生き残りに苦戦している企業もあれば、力を蓄えながらチャンスを探している企業もある。

02 原因分析

では、AI の実装がなぜ難しいのでしょうか? その理由を以下にまとめました。

1. 純粋に技術志向の企業は生き残れない可能性が高い

市場における AI 企業は、大まかに基礎型、技術型、応用型に分けられます。基礎企業は主に基盤となるソフトウェアフレームワークまたはハードウェアプラットフォームサービスを提供しており、アプリケーション企業は一般的にいくつかの業界パッケージソリューションに重点を置いています。テクノロジー企業は主にディープラーニングアルゴリズムを中核として重視し、外部システム呼び出し用の API にカプセル化してさまざまな上位レベルのアプリケーションを強化しています。

まず、このような純粋に技術志向の企業は、アルゴリズムの研究に重点を置きすぎて、ユーザー、製品、市場の研究を無視し、ユーザーのニーズをコントロールすることを放棄しています。このビジネスモデルは不完全です。

企業が論文発表やコンテストへの参加に執着し、自らが設定した条件のもとで日々進歩を遂げていることに満足してしまうと、真のニーズからどんどん遠ざかってしまいます。

あらゆる製品を作成する際の最初のステップは、保有する技術ではなく、問題とユーザーを特定することです。この「釘をハンマーで打つ」アプローチで問題が解決することはめったにありませんが、残念ながら、これが標準となっています。彼らは自らを AI と名乗っているため、問題を解決するために AI の手法を使用する必要があります。

大企業はアルゴリズムを研究しますが、アルゴリズムだけを研究しているわけではありません。 Google、Microsoft、Alibaba などの企業の成功は、一流の技術だけでなく、安定したビジネスモデルを持っていることにも起因しています。

第二に、AIアルゴリズムの障壁は簡単に破られてしまいます。最近ではアルゴリズムの更新が非常に速いため、新しいアルゴリズムがときどきオープンソース化されます。たとえば、BERT モデルはリリース後短期間で注目を集め、12 を超える NLP 分野で記録を破り、他のアルゴリズムをはるかに上回りました。

このような現象に直面しても、顧客はいつでも追い抜かれる可能性があるアルゴリズムに依然として高い料金を支払うでしょうか? 最新のオープンソースアルゴリズムを直接呼び出す方が安価で効率的ではないでしょうか?

3つ目に、AI企業はテクノロジーを理解しているがビジネスを理解しておらず、顧客はビジネスを理解しているがテクノロジーを理解していない。この2つが相互作用すると、この認知バイアスによって多くの追加学習コストが発生する。

この問題は、特に中小規模の AI 企業によく見られます。一方、一流の大企業は、独自の AI チームを持っているだけでなく、独自の独立した事業も持っています。彼らは主に自社の事業に AI を活用しています。例えば、百度の検索システム、Tik Tokのレコメンデーションシステム、淘宝網の画像検索などのアルゴリズムはすべて自社のビジネスに適用されており、継続的に試行錯誤することができます。同時に、データが絶えず供給されているため、AIの進化の影響は大きいです。

大企業にはAIが根付き、芽生え、急速に成長するための土壌が十分にありますが、中小企業にはそのような条件がないため、発展が遅くなります。

それに比べると、AI企業がビジネスに取り組むよりも、従来の企業がAIに取り組む方が信頼性が高いと言えます。ビジネスに基づいて同様のアルゴリズムを考案し、最初にそれを使用した後、ゆっくりと反復していくと、アルゴリズムはどんどん良くなっていきます。

したがって、現在最も AI の発展が早いのは、独自の独立した事業を持つ企業であるに違いありません。AI を使ってビジネスを行うよりも、元のビジネスに AI を追加する方がはるかに簡単です。このため、純粋な AI テクノロジー企業は非常に困難な立場に置かれており、その数はますます少なくなっています。

2. 実験は現実からかけ離れている

AI企業が自社の公式ウェブサイトや公式アカウントで、自社のアルゴリズムの精度が飛躍的に向上したと主張するのをよく見かけます。特定のデータセットでテストした結果、精度率は99％を超え、Microsoft、Facebookなどの世界トップクラスの企業を上回りました...などと説明されています。

しかし、そのような指標がどれほど意味があるかに関しては大きな疑問が残ります。実際の効果はともかく、答えがほぼ分かっている状態で参加者が挑戦し続け、ポイントを獲得できるような競争に、私たちはどうして納得できるのでしょうか。

最も重要なのは、これらのアルゴリズムが実際のシナリオで本当にうまく機能するかどうかです。

ご存知のとおり、実験シナリオと実際のシナリオには大きな違いがあります。実際のシナリオでは、実験シナリオよりも考慮すべき要素がはるかに多くあります。私たちは以前、LFW 顔認識データセットで 99.8% 以上の精度を達成しましたが、実際のシーンでの顔認識効果はまだ理想的ではなく、照明、角度、遮蔽、カメラ解像度などのさまざまな条件によって制限されています。アルゴリズムの精度を 1 ポイント未満向上させるために頭を悩ませるよりも、補助光を追加したりカメラを変更したりする方が現実的です。

顔認識アルゴリズムはまだ比較的成熟したアルゴリズムであり、実際のシナリオでは良好な結果を生み出すことができます。しかし、ニッチなニーズを満たすアルゴリズムは依然として多く存在し、精度はわずか 60% または 70% で、商業的な要件を満たすにはほど遠いものです。

アルゴリズムの精度に関しては、実験室環境での99.5%～99.7%ではなく、実際の環境で80%～90%を達成する方法を解決すべきです。

自社製品を宣伝するために、「人工」を「インテリジェント」と偽装する企業もあります。銀行のロボットが、人々と流暢に冗談を言ったり、愛嬌のある態度をとったりできるのは明らかですが、最も基本的な算数の問題をバックグラウンドで計算するのにも長い時間がかかります。同時通訳詐欺の事件が暴露されたことは言うまでもありません。

外の世界からの期待は一つのことですが、それを本当に信じているなら、あなたは自分自身を欺いていることになります。

3. カスタマイズ要件が多く、入出力比率が低い

難しいこともありますが、必ずしも技術的な実装の問題ではありません。

多くのスタートアップ企業は、初期の開発をプロジェクト主導にすべきか、製品主導にすべきかで混乱しています。

製品主導型の場合、市場調査や上司の決定などを通じて方向性が決まると、会社は製品開発にリソースを投資し始めます。この状況では短期的には利益は生まれず、データはどこから来るのか、ビジネスプロセスは何か、この設計は企業のニーズを満たしているか、ユーザーシナリオは何かなど、さまざまな問題を解決する必要があります。

プロジェクト主導型の場合、上司または役員は独自のチャネルを通じて 1 つか 2 つの顧客を見つけます。これらは通常、AI のニーズを持つ従来の顧客です。彼らは、AI の強化を通じてコスト削減や効率向上などの目標を達成したいと考えています。この場合、顧客は既存のビジネスに基づいてさまざまなカスタマイズされた要件を提示することがよくあります。一部の要件は、若干の変更を加えることで一般的な製品要件として使用できますが、一部の要件は、この 1 人の顧客のみにサービスを提供するために使用できます。そのため、いくつかの小さなシナリオでは、顧客がそれほど重要でない場合、AI 企業はそれを受け入れることに消極的になります。

以前、AI プロジェクトに携わっていたとき、スクラップ鉄工場で荷降ろしする際にスクラップ鉄の等級を識別したり、高所作業中に人員の目の状態を識別したり、政府庁舎でサービス要員が「ささやく」行動を識別するなど、さまざまなカスタマイズされた要件をよく受けていたことを思い出します。アルゴリズムが実装可能かどうかだけを考えれば、大きな問題はないと思われます。しかし、完全なシステムレベルのソリューションとなると、考慮すべきエンジニアリング上の問題が多く出てきます。

顧客にとって、小さなシナリオに多額の投資をする価値はなく、AI 企業にとっても、この金額にこれほど多くのリソースを投資する価値はありません。