人工知能の登場で、自動化は恐怖に震えるべきでしょうか?

歴史は、人々に気づかれずに何度も同じ冗談を繰り返す、昔のいたずらっ子のようなものです。歴史は単なるジョークです。なぜなら、ジョークの後、人々は機械が人間を食べることはなく、機械化は依然として明るい小さな赤い花であり、自動化は震える必要がないことに気付いたからです。科学技術の進歩は食物連鎖を長くしただけであり、元々のトップはもはやトップではなく、再びその地位を見つけなければなりません。しかし、その地位は依然としてそこにあり、その絶対的な重要性は低下しておらず、むしろ高まったかもしれませんが、相対的な重要性は低下しています。パイが大きいからです。

機械化とは、人間の肉体的な力を機械に置き換えることですが、機械の操作は依然として人間に依存しています。たとえば、水ポンプを使って水を汲み上げる場合、手で運んだり肩に担いだりする必要はなくなりましたが、ポンプのオン/オフは誰かが行う必要があります。そうしないと、プールが満水で水があふれたり、池が干上がってポンプが水を空にして水を汲み上げて損害を与えたりしたら、大変なことになります。自動化の時代では、プールに水位計が追加され、池にも水位計が追加されます。プールが満水になったり、池が干上がったりすると、ポンプは自動的に停止します。プールの水位が下がり、池の水位が十分になると、ポンプが再起動します。

人工知能の時代では、監視において高度な応用が可能になるかもしれません。プールは満杯ではないかもしれないし、池には十分な水があるかもしれないが、その水は実際には今必要ではない。無駄に大量の水を汲み上げることは節水に影響し、蒸発を増加させ、ピーク時の電力消費の代償にもなり、無駄である。待ってから水を汲み上げるかどうかを決めることができる。つまり、今、水を必要としている場所がたくさんある中で、どこで優先的に水を使うか、全体の状況から見てどこで犠牲にするか、あるいは、水道料金が安いときには多く使い、水道料金が高いときには少なく使うか、総合的に判断する必要があるのです。これにより、水の使用要件をより高レベルで計画し、自動ポンプを稼働状態にするか、待機状態を維持するかを決定することができます。これは、人工知能の最も基本的なレベルと言えます。

言い換えれば、人工知能はより高度なレベルの自動化として捉えることができます。自動化を、表を見て物事を行うことに例えることができます。表には、「1」が表示されている場合は「A」を実行し、「2」が表示されている場合は「B」を実行し、表示されているものが「1」と「2」の間にある場合は、実行する必要があることも「A」と「B」の間にあるはずです。一方、人工知能は、多くの曲線を比較し、多くの条件を確認し、場合によっては、何をすべきかを決定する前に独自の秘密の公式に基づいてコスト、利点、リスクを計算する必要のある株式取引に似ています。結局のところ、一定のルールは存在しますが、これらの「ルール」ははるかに複雑です。

人工知能には多くの分野があり、現在の主流は基本的にニューラルネットワークを中心に展開されています。

ニューラル ネットワークは人間の脳の思考を模倣しており、その基本単位はニューロンです。ニューロンの数学的表現は複雑ではなく、単純に S 字型の曲線です。つまり、入力値が小さい値から大きい値に変化すると、出力値も小さい値から大きい値に変化しますが、均等に変化するのではなく、最初はゆっくり変化し、次に速く変化し、その後再びゆっくり変化します。

ニューロンの S 字カーブには、調整可能なパラメーターがいくつかあります。1 つは、S 字カーブをどれだけ小さくできるか、どれだけ大きくできるかです。2 つ目は、S 字カーブの曲率です。また、ベースライン全体を上げたり下げたりできるパラメーターもあります。 「直線化」すると、S カーブは直線の対角線に似たものになり、ニューロンのパフォーマンスは従来の連続変数のパフォーマンスに近くなります。極端にねじれた場合、S カーブはスイッチング カーブとほぼ同じになります。つまり、入力値が小から中に変化する場合、出力値は基本的に変化せず、低いレベルに留まりますが、中間点付近で急激に上昇し、中間点を通過すると、出力値は基本的に高いレベルに留まります。このとき、S カーブのパフォーマンスは、従来の不連続変数のパフォーマンスに近くなります。

S カーブは、連続変数 (温度や水位など) と離散変数 (「良い/悪い」、「オン/オフ」など) の間をシームレスに移行できるため、ニューロンは連続変数と離散イベントの両方をシミュレートできます。これは、人工知能をより「インテリジェント」にする鍵となります。

単一のニューロンは単なる楽しいおもちゃですが、複数のニューロンをネットワーク化すると、非常に複雑な現象をシミュレートできます。ニューラルネットワークが何層にも重なって非常に複雑なネットワークを形成し、それがディープラーニングであり、すでに人間にとって恐ろしいほどの知能を実証しています。

知能とは何か、人工知能と人間の知能は永遠の哲学的問いになるかもしれないが、今のところ、人工知能は人間の知能を単に繰り返すという段階をはるかに超えている。 AlphaGo がトップクラスの囲碁プレイヤーに勝利したことは画期的な出来事でした。AlphaGo 1.0 は、最初に最高の人間のチェス ゲームを使用してトレーニングされ、その後「自己学習」されました。AlphaGo 2.0 は、人間のチェス ゲームを使用せずに、完全に自己学習によってトレーニングされました。より「現実的な」レベルでは、顔認識は驚くべき精度と速度を実現しています。

しかし、これらによって自動化による仕事がなくなるわけではありません。顔認識はセンサーに基づいていますが、自動化の中核はコントローラーにあります。

自動制御には主に 2 つのアプローチがあります。1 つはパラメトリック制御、もう 1 つは非パラメトリック制御です。ノンパラメトリック制御では、制御対象プロセスの数学的モデルは必要ありません。おおよその定性的な動作を理解することだけが必要です。たとえば、「水を追加すると水位が上昇し、火を取り除くと温度が下がります」。これを逆転させることはできません。残りは、最終的に安定した満足のいくシステムをデバッグするための特定の形式の制御アルゴリズムとパラメータ調整に依存します。従来の PID はこのようなものです。パラメトリック制御は数学モデルに基づいています。数学モデルの役割は、入力が与えられたときに制御対象プロセスの応答を正確に予測し、必要な応答に基づいて必要な制御入力を逆にすることです。もちろん、モデルは完全に正確であるわけではなく、残りはフィードバックとパラメータの微調整によって「磨き」がかかります。

ノンパラメトリック制御に人工知能を使用すると、パラメータ調整がひどくなります。シンプルなシングルループ ニューラル ネットワーク コントローラーには、10 個以下のニューロンを持つ決定層と、入力層および出力層があり、簡単に 30 ～ 50 個の調整可能なパラメーターを持つため、PID のように調整することは不可能です。 PID には合計 3 つのパラメータしかありません。ほとんどの人は面倒だと感じて微分には触れず、比例と積分だけに触れます。これほど多くのパラメータを調整することは不可能です。しかし、多数のパラメータをロックすると、ニューラル ネットワークの高い可塑性が失われ、面倒な手間が省けなくなります。

AlphaGo 1.0 のような既存のデータを使用してニューラル ネットワーク コントローラーをトレーニングすることは理論的には可能です。問題は、実際にはこれほど大量の入出力の静的および動的データを持つことが不可能であるということです。もし本当にこのデータを持っているのなら、ニューラルネットワーク以外のコントローラーはすでに手元にあり、その動作は予測可能なので、なぜわざわざやる必要があるのでしょうか? 人間の操作の長期データを直接観察してもうまくいきません。それは閉ループであり、入力と出力の因果関係が崩れています。閉ループ識別と同じで、トレーニングに直接使用しても絶対にうまくいきません。

「AlphaGo 2.0」のような自己学習はどうでしょうか? それはさらに悪いです。 「AlphaGo 2.0」が自己学習するための前提は、明確なルールとゲーム空間を持つことです。さらに重要なのは、自己学習には多くの試行錯誤が必要だということです。実際の工業プロセスでは試行錯誤は不可能です。それでも人は生産するのでしょうか？ また、無制限に試行錯誤をすると、さまざまな安全上の問題が発生する可能性があります。高精度のシミュレーションシステムを使用して、大量の試行錯誤を行っても、危険や生産損失は発生しません。これは、実際にAlphaGo 2.0が行っていることです。ただし、囲碁と実際の工業工学の違いは大きすぎます。AlphaGo 2.0は、左右の手で互いに対戦でき、AlphaGo 1.0と対戦することもできます。盤上ですべてのステップが明確に表示され、結果も一目でわかります。実際の工業プロセスでは、高精度の動的シミュレーションシステムが必要であり、さまざまな不確実な状況も考慮する必要があります。このような高精度の動的シミュレーションは、業界では特殊なケースであり、入手が困難です。実際、非常に正確な動的シミュレーション モデルがあれば、遠くまで行ってニューラル ネットワーク コントローラーを開発しなくても、それ自体がモデル予測制御やその他の最新の制御方法の基礎になることができます。

これは医療における人工知能の活用と同じです。AI支援による診断は好評ですが、自己学習型AIによる治療はどうでしょうか？まずはあなたから。

ニューラル ネットワーク制御アルゴリズムの急速な発展の鍵は、統一された効果的な数学的分析フレームワークの欠如にあるのかもしれません。 PID 制御の概念は古くから存在していましたが、微分方程式の安定性の理論が開発されるまでは理論的なレベルには達していませんでした。微分方程式は数学の非常に重要な分野であり、安定性は微分方程式の別の分野です。ここから、ラプラス変換を用いた周波数領域解析が開発され、古典制御理論が確立されました。 1960 年代にカルマンは線形代数を導入し、状態空間法を確立し、制御理論は単一変数および多変数システム、さらには非線形システムにも対応する統一されたアーキテクチャを備えた現代制御理論の段階に入りました。コンピュータの発達により、かつては紙の上でしか利用できなかった制御理論が、今では工学的に実現できるようになりました。厳密な、あるいは厳密ではないが効果的な制御方法（モデル予測制御など）が雨後の筍のように次々と登場しています。しかし、それらは基本的に微分方程式の枠組みに基づいています。コンピュータ実装で使用される差分方程式も、微分方程式の離散化の結果と見なすことができます。多くの結論と方法は、マッピングを通じて移行できます。

しかし、その強力さにもかかわらず、ニューロンの S カーブは、既知の数学的手法を使用して分析および合成することが困難です。つまり、ニューラルネットワークの制御対象とコントローラのモデル構造が確立されていても、デジタルシミュレーションによる試行錯誤以外にループの性能を保証する方法はありません。意味のある指導設計原則さえも与えることができません（「古典的な制御理論では安定性を保証するために閉ループ極は左半平面にある必要があり、虚軸からの距離は収束率を表し、実軸からの距離は振動周波数を表します」など）。

デジタル シミュレーションで試行およびテストできるシナリオは常に限られており、これをシステムの安定性の基礎として使用するだけでは不十分です。テストされた限られたシナリオの間 (補間) またはシナリオ外 (外挿) でシステムがどのように反応するかは誰にもわからないため、数百回または数千回のシミュレーションで必ずしも問題が説明されるとは限りません。これは、設計計算が完了した後、デジタル シミュレーションが検証にのみ使用され、いくつかの点を検証するだけで十分な従来の制御理論 (古典的および現代的) とはまったく異なります。

この問題は、人工知能の実用化においてすでに発生しています。 「AlphaGo」（1.0 か 2.0 かはともかく）はチェスのゲームで人間には理解できない動きをしました。後から考えてみると、それは正しかったようですが、そのような動きがどのようにして行われたのかは依然として謎です。このような人工知能は、その応用において最大の障害になりつつあります。人間は理解できず信頼できない人工知能の決定を受け入れることはできず、またリアルタイム性が求められる制御分野では、人間が人工知能の決定のあらゆるステップを確認することは不可能です。人工知能の行動を厳密な数学的分析と予測ができるようになるまでは、このハードルを乗り越えることは難しいでしょう。そのため、近い将来、人工知能による意思決定の直接的な応用は限定的なものになるでしょう。

しかし、前述のインテリジェント給水スケジュールシステムが自動制御の給水ポンプに命令を出すのと同じように、自動制御層の上位の「命令層」に人工知能が使われることはほぼ避けられません。このシナリオでは、自制心に対する要求は実際には低くなるのではなく、高くなります。

モデル予測制御の時代には、多くの人が PID の将来を懸念していましたが、モデル予測制御を効果的に機能させるには、PID 層を最適な状態にさらに細かく調整する必要があることがすぐにわかりました。これはカスケード制御と同じ原理です。主回路は小さなリーダーのようなもので、二次回路はワーカーのようなものです。労働者が仕事に迅速かつ正確であり、小さなリーダーが組織化され、命令をしっかりと管理していれば、チームワークは水を得た魚のようになり、指示されたことを達成できるようになります。もし状況が逆で、若いリーダーがうるさくて仕事が怠惰な人であれば、その会社は間違いなく失敗するでしょう。

これは人工知能の時代においても依然として当てはまります。指揮レベルの人工知能は長期的な視点を持ち、あまり神経質になってはならない。一方、自己制御レベルの人工知能はより機敏かつ正確でなければならない。指揮レベルと自制レベルの間で綿密なコミュニケーションをとることが最善です。指揮レベルは次のステップの指示を出すだけでなく、予想される将来の指示も出して、自制レベルが事前に準備できるようにします。

それはカーブを車で走るようなものです。車の前方3メートル先を見て、少しずつ前進してください。安全に曲がることができますが、速度を落としてください。しかし、前方のカーブ全体を早く見ることができれば、事前に計画を立て、コーナーに進入するときに少し遅めにブレーキをかけ、途中でテールを少し振ってからコーナーから加速することができ、はるかに速くなります。しかし、そのためには事前に曲線全体を把握し、準備しておく必要があります。

このような予測制御は、一般的な PID では実現できませんが、モデル予測制御では実現できます。ただし、各種 PID は依然としてモデル予測制御の足であり、弱体化させるべきではないだけでなく、大幅に強化する必要があります。

人工知能の時代では、自動化に対して恐怖に震えるだけでなく、勇気を出して新しいスキルを身につける必要もあります。ピラミッドの頂点の地位は人工知能に奪われましたが、自動化は依然として元の位置にあり、ピラミッドが高くなっただけです。