人工知能の歴史 - チューリングテストからビッグデータまで

[[194770]]

私はずっと、人工知能がどのように提案されたのか、その背後にはどのような物語があるのか​​、そして人工知能は60年間の発展の中で何を経験してきたのか、なぜ今が人工知能の爆発点なのか、そして人工知能は将来どこに向かうのか、ということに興味を持っていました。これらの疑問を抱きながら、呉軍博士の著書「知能の時代」を読み、人工知能に対する私の理解が深まりました。この記事の主な内容もこの本から引用しています。

私たちの世代が人工知能に興味を持つようになったのは、2016年のAlphaGo対世界的に有名な囲碁プレイヤーの李世民戦からでした。対局前は各方面から大きな注目が集まり、国内メディアは急いで対局の結果を報道し、予想しました。人々は人工知能が今どれほど賢くなったのか、コンピューターが人間とどのように囲碁を打てるようになるのかに興味津々でした。結局、AlphaGoは李世民を4対1で破り、誰もが人工知能の時代が近づいているとため息をつきました。ちょうど1年後の2017年5月27日、AlphaGo 2.0バージョンが世界一の囲碁プレイヤーである柯潔を3対0で破りました。それ以来、AlphaGoに対抗できる人間は存在しませんでした。

コンピューターが人間に勝てる理由は、機械が知能を獲得する方法が人間とは異なるからです。論理的推論ではなく、ビッグデータとアルゴリズムに依存しています。 Google は、囲碁の名人同士の何十万もの対局データを活用して AlphaGo をトレーニングし、いわゆる「知能」を獲得した。コンピューティングの面では、Google は数十万台のサーバーを使用して AlphaGo チェス モデルをトレーニングし、さまざまな AlphaGo が互いに何千万ものゲームをプレイできるようにしました。 2 番目の重要な技術は、ヒューリスティック検索アルゴリズム、つまりモンテカルロ木探索アルゴリズム (英語: Monte Carlo tree search、略称: MCTS) です。これにより、検索空間を非常に限られた範囲に制限できるため、コンピューターが迅速に適切な動きを見つけることができるようになります。このことから、一見知的な問題である囲碁をプレイすることは、本質的にはビッグデータとアルゴリズムの問​​題であることがわかります。

人工知能について語るとき、コンピュータ界の伝説、アラン・チューリング博士について触れなければなりません。 1950 年、チューリングは「コンピューティング マシンと知能」と題する論文を雑誌「マインド」に発表しました。論文の中で、チューリングはコンピューターが知能を獲得する方法については語らず、複雑な問題を解決するための知的な方法も提案しなかった。彼が提案したのは、機械が知能を持っているかどうかを検証する方法だけだった。

[[194771]]

機械と人間を舞台裏に座らせ、審判が人間と機械の両方と同時に通信できるようにします。審判が通信相手が人間なのか機械なのか判断できない場合、それは機械が人間と同じ知能を持っていることを意味します。それは有名なチューリングテストです。その後、コンピュータ科学者たちは、コンピュータが次のいずれかを達成した場合、チューリングが説明した種類の知能を備えているとみなせると付け加えました。

1. 音声認識

2. 機械翻訳

3. テキストの自動要約または書き込み

4. 人間のチェスチャンピオンを倒す

5. 質問に自動的に答える

今日、コンピューターは上記のタスクを達成し、期待を上回りました。たとえば、囲碁はチェスよりも 6 ～ 8 桁優れています。もちろん、人間がここまでたどり着くまではすべて順風満帆だったわけではなく、何十年もの回り道を要しました。

人工知能の誕生: 1943年 - 1956年

1940 年代から 1950 年代にかけて、さまざまな分野 (数学、心理学、工学、経済学、政治学) の科学者グループが人工脳の作成の可能性を探求し始めました。 1956年に人工知能が学問分野として確立されました。

1956 年の夏、シャノンと若い学者のグループはダートマス大学でブレーンストーミング セミナーを開催しました。会議の主催者は、マービン・ミンスキー、ジョン・マッカーシー、そして他の2人の上級科学者、クロード・シャノンとネイサン・ロチェスター（後者はIBM所属）でした。出席者には、レイ・ソロモノフ、オリバー・セルフリッジ、トレンチャード・モア、アーサー・サミュエル、ニューウェル、サイモンが含まれ、それぞれが AI 研究の最初の 10 年間に重要な貢献を果たしました。

この会議は「ダートマス夏季人工知能研究会議」と呼ばれていますが、実際には今日私たちが数日間開催している学術会議とは異なります。第一に、報告すべき科学的研究成果はなく、第二に、会議は夏休み全体にわたって開催されたからです。実際、これは 10 人の若い学者が、人工知能、自然言語処理、ニューラル ネットワークなど、当時コンピューターがまだ解決していなかった、あるいは研究さえされていなかった問題について議論したブレーンストーミング ディスカッションでした。

会議では、ニューウェルとサイモンが「論理理論家」について議論し、マッカーシーは出席者に「人工知能」という用語をこの分野の名前として受け入れるよう説得した。 1956年のダートマス会議では人工知能の名称と使命が決定され、初期の成果と最初期の研究者グループが同時に登場したため、このイベントは人工知能誕生の象徴として広く認識されています。

[[194772]]

60年前のダートマス大学

黄金時代: 1956年 - 1974年

ダートマス会議後の数年間は偉大な発見の時代でした。この時期に開発されたプログラムは多くの人にとって魔法のようでした。コンピューターは代数の問題を解いたり、幾何学の定理を証明したり、英語を学習して使用したりすることができました。当時、ほとんどの人は、機械がそれほど「知的」であると信じることはできなかった。研究者たちは、個人的な会話や発表された論文の中で、20年以内に完全に知的な機械が登場するというかなり楽観的な見方を表明している。 ARPA（国防高等研究計画局）などの政府機関は、この新興分野に多額の資金を投資してきました。

第一世代の AI 研究者は非常に楽観的で、次のような予測を立てました。

1958 年、H.A. Simon、Allen Newell: 「10 年以内に、デジタル コンピュータがチェスの世界チャンピオンになるだろう。」 「10 年以内に、デジタル コンピュータが重要な数学の定理を発見し、証明するだろう。」

HA サイモン、1965 年: 「20 年後には、機械は人間ができるすべてのことをできるようになるでしょう。」

マービン・ミンスキー、1967 年: 「1 世代以内に...「人工知能」を作成する問題は実質的に解決されるでしょう。」

マービン・ミンスキー、1970 年:「3 年から 8 年以内に、平均的な人間と同じ知能を持つ機械が誕生するだろう。」

初期の人工知能は、従来の人工知能手法を使用して研究されていました。従来の人工知能研究とは何でしょうか? 簡単に言えば、まず人間がどのように知能を生み出すのかを理解し、次に人間の思考に従ってコンピューターに知能を生成させることです。その結果、音声認識や機械翻訳などの分野では画期的な進歩がなく、人工知能研究は停滞している。

第一次AI不況: 1974-1980

人工知能研究者がプロジェクトの難易度を十分に評価しなかったため、約束を果たせなかっただけでなく、人々の当初の楽観的な期待に大きな打撃を与えました。 1970 年代になると、AI は批判に直面し始め、研究資金は明確な目標を持つ特定のプロジェクトに移行しました。

1972 年、コーネル大学の教授であるフレッド・ジェリネック氏は、IBM で音声認識の研究をするよう依頼されました。さまざまな大学が20年以上かけてこの問題を研究してきました。主流の研究方法には2つの特徴があります。1つは、コンピューターに人間の発音と聴覚特性を可能な限りシミュレートさせること、もう1つは、人間が話した完全な文章をコンピューターに可能な限り理解させることです。前者の研究では特徴抽出と呼ばれるものがあり、後者の研究では、ルールとセマンティクスに基づいた従来の人工知能手法がほとんどです。

ジャーニックの課題は、人間の脳が情報の源であるというものです。考えることから正しい文章を見つけてそれを発音することまでがエンコードのプロセスであり、メディアを通じて耳に伝えることがデコードプロセスです。これは典型的な通信問題なので、通信方法を使用することで解決できます。この目的のために、Jarnik は 2 つのデータ モデル (マルコフ モデル) を使用して、それぞれソースとチャネルを記述しました。次に、大量の音声データをトレーニングに使用します。結局、ジャーニック氏のチームが音声認識を 70% から 90% に向上させるのに 4 年かかりました。その後、人々はこの方法を使って他の知能問題を解決しようとしましたが、データが不足していたため、結果は理想的ではありませんでした。

当時は、コンピュータのパフォーマンスのボトルネック、計算の複雑さの指数関数的な増加、データの不足などの問題により、いくつかの困難な問題にはまったく答えがないと思われていました。たとえば、当時は、今日では一般的になっているマシン ビジョン機能をプログラムが学習できるほど十分なデータベースを見つけることは不可能でした。マシンが十分なデータを吸収できないため、当然、視覚インテリジェンスの問題は生じません。

プロジェクトの停滞は、批評家につけこむ機会を与えただけでなく（1973年、英国における人工知能研究の現状に関するライトヒルの報告書では、人工知能が「壮大な目標」を達成できなかったことが完全に批判された）、プロジェクト資金の流れにも影響を及ぼした。人工知能は約6年間低迷している。

繁栄: 1980-1987

1980年代には、「エキスパートシステム」と呼ばれるAIプログラムのクラスが世界中の企業に採用され始め、「知識処理」がAI研究の主流の焦点になりました。 1981年、日本の経済産業省は第5世代コンピュータプロジェクトを支援するために8億5000万ドルを割り当てた。目標は、人間と会話し、言語を翻訳し、画像を解釈し、人間のように推論できる機械を作成することです。

日本に刺激を受けて、他の国々も次々と反応した。英国が3億5000万ポンドのアルベイプロジェクトを開始。アメリカのビジネス協会は、AIと情報技術の大規模プロジェクトに資金を提供するためにMCC（マイクロエレクトロニクスおよびコンピュータテクノロジーコーポレーション）を組織しました。 DARPA も行動を起こし、戦略コンピューティング イニシアチブを組織し、1988 年には 1984 年と比べて 3 倍の金額を AI に投資しました。人工知能は再び大きな発展をもたらしました。

[[194773]]

初期のエキスパートシステム Symbolics 3640

エキスパート システムとは、専門知識から導き出された一連の論理ルールに基づいて、特定の分野の問題に回答したり解決したりできるプログラムです。最も初期の例はエドワード・ファイゲンバウムとその学生によって開発されました。 1965 年に設計された Dendral は、分光計の読み取り値に基づいて混合物を分析することができました。 1972年に設計されたMYCINは、血液感染症を診断することができます。彼らはこのアプローチの威力を実証しています。エキスパート システムは、非常に狭い知識領域に限定されているため、常識的な問題を回避できます。また、設計がシンプルなため、プログラミングや変更が比較的簡単です。つまり、実践によってこのタイプのプログラムの実用性が証明されたのです。 AIが実用化され始めたのは今になってからです。

エキスパート システムの力は、そこに保存されている専門知識から生まれます。これは 1970 年代以降の AI 研究における新しい方向性です。パメラ・マコーダックは著書の中で、「消極的な AI 研究者は、AI が科学研究の簡素化の追求に反するとして、AI に疑問を抱き始めた。知能は、大量の分類された知識を処理するための複数の方法に基づく必要があるかもしれない」と書いている。「1970 年代の教訓は、知的な行動は知識処理と密接に関係しているということだ。特定のタスク領域に関する非常に詳細な知識も、時には必要になる」。1980 年代には、知識ベース システムと知識工学が AI 研究の主な方向となった。

1982 年、物理学者のジョン・ホップフィールドは、新しいタイプのニューラル ネットワーク (現在は「ホップフィールド ネットワーク」と呼ばれています) がまったく新しい方法で情報を学習し、処理できることを実証しました。ほぼ同じ頃（ポール・ワーボスより前）、デビッド・ルメルハートは、ニューラル ネットワークをトレーニングする方法であるバックプロパゲーション アルゴリズムを普及させました。これらの発見により、1970年代以降放棄されていたコネクショニズムが復活した。

第二次AI谷: 1987年 - 1993年

「AIの冬」という用語は、1974年に資金削減を経験した研究者によって造られました。彼らはエキスパート システムに対する熱狂に注目しており、それがすぐに失望に変わるだろうと予想しています。残念ながら、彼らの予測は現実となり、1980年代後半から1990年代初頭にかけて、AIは一連の財政問題に直面しました。

時代の変化の最も早い兆候は、1987 年に AI ハードウェアの需要が急激に減少したことでした。 Apple と IBM のデスクトップ コンピュータはパフォーマンスが向上し続け、1987 年までに Symbolics や他のメーカーの高価な Lisp マシンよりも強力になりました。古い製品は存在意義を失いました。一夜にして5億ドル規模の産業が崩壊したのです。

XCON などの当初は成功したエキスパート システムは、維持に依然としてコストがかかります。それらはアップグレードが難しく、使いにくく、脆弱（通常とは異なる入力を行うと不明な理由で失敗する）であり、以前に明らかになったさまざまな問題の犠牲になっていました。エキスパートシステムの実用性は、特定の状況に限定されます。 1980 年代後半までに、AAAS は AI への資金提供を大幅に削減しました。 DARPAの新リーダーは、AIは「次の波」ではなく、資金は成果を生み出す可能性がより高いプロジェクトに優先される傾向があると考えている。

1991年、10年前の日本人の壮大な「第五世代プロジェクト」が実現していなかったことがわかった。実際、「人々との会話を始める」などのいくつかの目標は、2010 年まで達成されませんでした。他の AI プロジェクトと同様に、期待値は実際に可能な範囲よりもはるかに高くなっています。

正しい道を歩む：1993年～2005年

50 代を迎えた今、 AI はようやく当初の目標のいくつかを達成しました。テクノロジー業界では、時には舞台裏でではありますが、効果的に使用されてきました。これらの成果の一部はコンピュータの性能向上によるものですが、その他の成果は、崇高な科学的責任感に駆り立てられた特定のテーマの継続的な追求によって得られたものです。しかし、少なくともビジネスの世界では、AI の評判は以前ほど高くありません。

1960年代に世界中の人々の想像力をかき立てた、人間レベルの知能を達成するという当初の夢が失敗した理由については、今日でも議論が続いている。さまざまな要因の複合的な力により、AI はいくつかの独立したサブフィールドに分割され、時には「人工知能」という傷ついた金看板を隠すために新しい用語が使用されることさえあります。 AIはこれまで以上に慎重になっていますが、同時により成功しています。

コンピュータの知能レベルが質的に飛躍したことを世界が初めて実感したのは、1966 年に IBM のスーパーコンピュータ Deep Blue が、世界で最も伝説的なチェス チャンピオンである人間のチェス チャンピオン Garsborough と対戦したときでした。最終的に、コンピュータは 4 対 2 のスコアで Deep Blue を破りました。この大会に関して、メディアは、ディープ・ブルーは負けたものの、チェスでコンピューターが世界チャンピオンを2ゲームで破ったのは初めてだと報じた。 1年後、改良されたディープブルーが復活し、3.5対2.5のスコアでスボロフを破った。 1997 年以来、コンピューターはチェスをプレイする技術をどんどん向上させ、その進歩は人間の想像を超えています。今では、コンピューターはボードゲームでどんな人間にも勝つことができます。

ディープ・ブルーは、コンピュータが学習できるように、実際に世界中の何百人もの国際的マスターのゲーム記録を収集しました。このようにして、ディープ・ブルーは実際にマスターたちがさまざまな状況でどのようにプレイするかを観察しました。もちろん、ディープ ブルーは、カスボローが行う可能性のある動きも考慮し、さまざまな状態の可能性を評価し、対戦相手の次の動きが盤上で及ぼす影響に基づいてこれらの可能性の推定を検証し、自分にとって最も有利な状態を見つけて、その動きを実行します。したがって、Deep Blue チームは実際に、機械知能の問題をビッグデータと大規模コンピューティングの問題に変えたのです。

[[194774]]

IBMのディープ・ブルーが世界チェスチャンピオンに勝利

ますます多くの AI 研究者が複雑な数学ツールを開発し、使用し始めています。 AI が解決する必要のある問題の多くは、すでに数学、経済学、オペレーションズ・リサーチの分野で研究テーマとなっていることが広く認識されています。数学言語を共有することで、AI が他の分野とより高いレベルで連携できるようになるだけでなく、研究結果の評価や証明も容易になります。 AIはより厳密な科学分野になりました。

1988 年に出版されたジュディア・パールの有名な本は、AI に確率論と意思決定理論を紹介しました。現在適用されている新しいツールには、ベイジアン ネットワーク、隠れマルコフ モデル、情報理論、確率モデル、古典的な最適化理論などがあります。ニューラル ネットワークや進化アルゴリズムなどの「計算知能」パラダイムの正確な数学的記述も開発されています。

ビッグデータ: 2005年～現在

ある意味、2005年はビッグデータ元年でした。ほとんどの人はデータがもたらした変化を実感できませんでしたが、ある科学的研究結果が世界中の機械翻訳に携わる人々に衝撃を与えました。つまり、機械翻訳の分野でこれまで何の技術も蓄積しておらず無名だったGoogleが、圧倒的な優位性で世界中の機械翻訳研究チームを打ち負かし、この分野のリーダーになったのです。

Google は多額の資金を投じて、当時世界最高の機械翻訳の専門家であったフランツ・オッホ博士を雇いました。 Oko はシステムをトレーニングするために数万倍ものデータを使用しました。量的変化の蓄積は質的変化につながります。当時のほとんどの研究チームは 3 グラムのモデルをトレーニングできるだけのデータしか持っていなかったのに対し、Oko は 6 グラムのモデルをトレーニングすることができました。簡単に言えば、優れたトリグラム モデルは英語の文章内の句と単文構成要素間のコロケーションを正確に構築できますが、ヘキサグラム モデルは節全体と複文構成要素間のコロケーションを構築できます。これは、これらの断片をある言語から別の言語に直接翻訳することと同等です。システムがほとんどの文を長いセグメントで文字通り翻訳する場合、その精度はフレーズ単位で翻訳するシステムよりもはるかに高くなることは想像に難くありません。

現在、画像認識や自然言語理解など、「知能」に関わる多くの研究分野では、採用されている手法がデータの量を活用できない場合、時代遅れとみなされます。

データ駆動型の手法は 1970 年代に始まり、1980 年代と 1990 年代にかけてゆっくりと、しかし着実に発展しました。 21 世紀に入り、インターネットの登場により利用可能なデータの量が飛躍的に増加し、データ駆動型手法の利点がますます明らかになり、最終的に量的変化から質的変化への飛躍が完了しました。今日では、データ量の増加により、コンピューターは人間のような知能を必要とする多くのことを実行できるようになりました。

世界中のあらゆる分野のデータが外に向かって拡大し続け、徐々に別の特徴が形成されてきました。つまり、大量のデータが交差し始め、さまざまな次元のデータが点や線からネットワークに徐々につながり、つまり、データ間の相関性が大幅に高まりました。このような背景から、ビッグデータが登場しました。

ビッグデータは考え方の変化です。世界は昔に比べてずっと大きくなっています。量的変化が質的変化をもたらしています。考え方ややり方も以前とは違ってくるはずです。これは実際に、ビッグデータの概念を理解するのに役立つ鍵です。ビッグデータが登場する前は、コンピューターは人間の知能を必要とする問題を解決するのが得意ではありませんでしたが、今日ではこれらの問題は考え方を変えることで解決できます。その核心は、知能の問題をデータの問題に変換することです。その結果、世界で新たな技術革命、つまりインテリジェント革命が始まりました。

[[194775]]