2021 年の人工知能の最新動向を示す 15 のグラフ

2021年AIインデックスレポートは、スタンフォード大学の人間中心AI研究所と、ハーバード大学、経済協力開発機構、AIパートナーシップ、SRIインターナショナルの11人の専門家からなる運営委員会によってまとめられました。このレポートでは、arXiv の AI 研究データ、Crunchbase の資金提供データ、Black in AI や Queer in AI などのグループの調査など、大量の AI 研究データを引用しています。

このレポートでは、2021年の人工知能の最新の研究動向と進歩をまとめ、資本と政策がAI技術に与える影響、ディープラーニング、画像認識、言語認識などAIの主要なサブ分野の研究を分析しています。

人工知能の夏

人工知能研究は爆発的な成長期にあり、2019年には人工知能研究分野で12万件を超える査読済み論文が世界中で発表されました。 2000年以降、査読付き論文に占める人工知能分野の論文の割合は0.8％から2019年には3.8％に増加しました。

2. 中国は人工知能研究の分野で目覚ましい成果を上げている

中国のAI研究論文の数は、中国の研究者が初めて欧州の研究者よりも多くの査読付き論文を発表した2017年以降、増加し続けている。 2020年までに、権威ある学術誌に中国の研究者が発表した人工知能研究論文の引用率は世界をリードした。

AI指数運営委員会の共同ディレクターであるジャック・クラーク氏は、これらのデータは中国の「学術的成功の指標」であると思われるとともに、人工知能エコシステムの構築における各国の現状をある程度反映していると述べた。彼は、研究論文は一種の学術的権威の証明のようなものだと考えています。分野が学術的でないほど、業界ではより実用的である可能性があります。 「中国では学術雑誌の出版物へのアクセスに関する明確な方針があり、政府機関が研究において大きな役割を果たしている。一方、米国ではこうした研究開発のほとんどが企業内に集中している」と彼は指摘した。

3. トレーニングが速い = より優れた AI

MLPerf は、トレーニング速度とハードウェアの関係に基づいて機械学習のシステムパフォーマンスを分析し、機械学習システムのパフォーマンスを客観的にランク付けします。さまざまな画像分類システムが標準の ImageNet データベースでトレーニングされ、トレーニング時間に応じてランク付けされます。 2018 年には、最良のシステムをトレーニングするのに 6.2 分かかりましたが、2020 年には、最良のシステムをトレーニングするのに 47 秒かかりました。この進歩は、近年の機械学習専用のチップの急速な発展によるものでもあります。

このレポートでは、ハードウェアアクセラレーションが機械学習に重大な影響を及ぼすと考えています。システムのトレーニングにかかる​​数秒と数時間の違いは非常に大きく、この違いは研究者の考え方、研究者が行う研究の種類と量、そしてそれが及ぼす可能性のある研究リスクに直接影響します。

4. AIは「コーヒーを飲む」ことを理解できない？

ここ数年、人工知能は静止画像認識において急速な進歩を遂げており、コンピュータービジョンは将来的に必然的にビデオ認識の方向に発展するでしょう。研究者たちは、ビデオクリップからさまざまな活動を認識できるシステムを構築しています。これは、自動運転車や監視カメラなど、現実世界にマシンビジョンを適用する場合に、この種の認識が役立つ可能性があるためです。コンピューター ビジョンのパフォーマンスのベンチマークの 1 つは、20,000 本のビデオから約 650 時間分の映像を含む ActivityNet データセットです。示された200の日常生活活動の中で、人工知能システムは2019年と2020年の両方で「コーヒーを飲む」という活動を識別するのに苦労しました。コーヒーを飲むことは他のすべての活動の基盤となる基本的な活動であるため、これは大きな問題であると思われます。いずれにせよ、これは今後数年間注目すべき分野です。

5. 自然言語認識にはより厳しいテストが必要

自然言語処理 (NLP) の急速な発展は、過去 10 年間で学術研究のニッチな領域から広範な商業展開へと進化してきたコンピューター ビジョンの軌跡をたどっているようです。今日の NLP もディープラーニングによって推進されています。Jack Clark 氏は、NLP は大規模なデータベースでのトレーニングや特定のアプリケーション向けの微調整など、コンピューター ビジョンの取り組みから戦略を継承していると考えています。 「こうしたイノベーションが人工知能の別の分野に急速に流れ込んでいるのがわかる」と彼は語った。

ジャック・クラーク氏は、NLPシステムのパフォーマンスを測定することは難しくなってきており、学術界はより難しいAIテストシステムや指標を開発しているが、どんなシステムが開発されても、6か月以内に必ずそれを凌駕する新しいAIが登場するだろうと述べた。このグラフは、AI 言語モデルがテキストの一節に基づいて多肢選択式の質問に答える読解力テストである SQuAD の 2 つのバージョンのパフォーマンスを示しています。バージョン 2.0 では、モデルが認識して回答してはならない、回答できない質問が含まれるため、タスクがさらに難しくなります。あるモデルは最初のバージョンで人間のパフォーマンスを超えるのに 25 か月かかりましたが、別のモデルはより困難なタスクをわずか 10 か月で完了しました。

6. NLPにも人種差別は存在する

音声認識やテキスト生成などのタスク用の言語モデルは、一般的に非常に優れています。しかし、主流の成熟した商用 NLP システムでも、認知バイアスは依然として存在しています。これらの問題が解決されなければ、これらのテクノロジーの商用応用に深刻な影響を及ぼす可能性があります。

たとえば、AI システムにも人種差別の問題があります。このグラフは、より成熟したいくつかの商用音声認識プログラムのエラー率を示しています。

システムには認知バイアスがありますが、ほとんどの研究者はシステムのパフォーマンスのみに焦点を当てており、このバイアスに注意を払う人はほとんどいません。この問題は、将来、コンピュータービジョンや意思決定支援ツールなど、さまざまな形態の人工知能の開発を妨げる可能性があります。

7. AI求人市場のグローバル化

LinkedInのデータによると、2016年から2020年にかけて、ブラジル、インド、カナダ、シンガポール、南アフリカでAI関連の仕事が最も急速に成長した。これは、これらの国々が絶対的に最も多くの雇用機会を持っていることを意味するものではありません（米国と中国は依然として AI 雇用機会でトップです）が、これらの国々の人工知能への投資は、人工知能技術の発展と社会全体にプラスの影響を与えるでしょう。 LinkedInは、2020年の世界的流行がAI分野の求人には影響を及ぼさなかったことを発見した。

注目すべきは、インドと中国の人材は LinkedIn をあまり使用していないため、これらの国の人材市場の状況が LinkedIn のデータに完全に反映されていないことです。

8社のAI投資熱は「止まりたくないし、止まらない」

2015年以降、人工知能分野には多額の資金が流入し続けています。 2020年、AIへの世界の企業投資は前年比40%増の約680億ドルに急増した。

第9次起業ブームは終焉に向かっている

先ほどのグラフからわかるように、AI分野への企業投資は増加を続けていますが、その成長の裏には年々減速の傾向が見られます。このグラフは、AI スタートアップが得る資金がますます少なくなっていることを示しています。パンデミックはスタートアップの活動に影響を与えたかもしれないが、AIスタートアップの数の減少傾向は2018年に始まり、明るい面では、業界が徐々に成熟しつつある兆候であるように思われる。

10. 新型コロナウイルスの影響

AIの多くのトレンドは世界的なパンデミックの影響をほとんど受けていないが、このグラフは、2020年のAI投資がコロナウイルスへの世界的な対応で重要な役割を果たした部門に偏っていたことを示している。製薬関連企業への投資の急増は、この点をよく表している。教育技術やゲームへの投資の増加は、人々がコンピューターの前で過ごす時間が増えた2020年の流行による孤立とも直接関係しています。

11のリスク？リスクはありますか？

通信、金融サービス、自動車などの業界では、多くの企業が人工知能ツールの使用を着実に増やしています。しかし、ほとんどの企業は、この新しいテクノロジーがもたらすリスクを認識していないか、懸念していないようです。マッキンゼーは調査で、AIアプリケーションに関連するリスクに対する企業の認識を調査したが、回答者の半数以上がサイバーセキュリティのリスクのみに注目した。プライバシーや公平性など、人工知能に関連する倫理的問題は、今日の人工知能研究で最もホットなトピックの 1 つですが、これらの問題は企業から十分な注目を集めていません。

AIの博士号取得者が企業に殺到

AI 分野の学術研究は限られています。大学では学部レベルと大学院レベルで AI 関連のコースを増やし、それに応じて終身在職権を持つ教授職も増えていますが、学術界は依然として毎年増える新しい AI 博士号取得者を吸収できていません。このグラフは北米の AI 博士号取得者のみを表しており、その大半は AI 企業に就職しています。

13 AIの倫理的問題

前述のように、多くの企業は人工知能の倫理的問題に十分な注意を払っていませんが、研究者はこれについてますます懸念するようになっています。多くのグループが、AI システムの不透明な意思決定 (説明可能性の問題として知られている)、根深い偏見と差別、プライバシー侵害などの問題を研究しています。このグラフは、人工知能カンファレンスにおける倫理的問題に関連する論文の数が年々増加していることを示しており、ジャック・クラーク氏はこれを非常に喜ばしいことだと考えています。彼は、多くの学生がこれらの AI カンファレンスに出席しているため、数年後には AI 倫理に焦点を当てた実践者が多数業界に参入するだろうと指摘しました。

しかし、会議文書の増加以外に、この問題に関して業界内で大きな進展は見られません。報告書は、AI システムにおける偏見の定量的テストはまだ始まったばかりであることを強調している。ジャック・クラーク氏は「こうした評価システムは人工知能科学の新しい分野のようなものだ」と語った。

14. 多様性の問題 (1)

AI システムに組み込まれた偏見や差別に対処する 1 つの方法は、AI システムを構築するグループの多様性を確保することです。これは過激な概念ではありません。しかし、報告書は、AI分野の労働力は学界と産業界の両方で「依然として男性が主流」であると述べている。コンピュータ研究協会による年次調査によるこのグラフは、北米の AI 関連の博士課程の卒業生のうち女性が占める割合はわずか 20% 程度であることを示しています。

15. 多様性の問題（2）

同じ調査のデータは、人種/民族的アイデンティティについても同様のことを示しています。この問題は博士課程を卒業する学生の間でかなり顕著であるように思われ、女子や少数民族に焦点を当てた優れた科学、技術、工学、数学のプログラムが数多くあります。これが AI4ALL につながります。おそらく社会はこれらのグループにもっと注目し、より多くの資金を提供し、あるいは何らかの形で関与することができるでしょう。

参考リンク:

https://aiindex.stanford.edu/wp-content/uploads/2021/03/2021-AI-Index-Report_Master.pdf

https://spectrum.ieee.org/tech-talk/artificial-intelligence/machine-learning/the-state-of-ai-in-15-graphs