未来は人間か機械のどちらか一方だけによって作られるのではなく、両者が協力することによって作られます。人間の脳の働きをモデルにした技術は、すでに人々の能力を増強しており、社会がこうした高性能な機械に慣れるにつれて、その影響力はさらに高まるでしょう。
テクノロジーの楽観論者は、人間の生産性と生活の質が向上する世界を思い描いてきました。人工知能システムが生活の退屈な作業や事務作業を肩代わりすることで、すべての人々が恩恵を受けるのです。一方、悲観論者は、こうした進歩が失業や生活の混乱という大きな代償を伴う可能性があると警告してきました。さらに、恐怖を煽る人々は、AIがやがて人間を時代遅れの存在にしてしまうのではないかと懸念しています。
しかし、人間は未来を想像するのがあまり得意ではありません。ユートピアも終末論も、実現する可能性は低いでしょう。私の新著「The Deep Learning Revolution」では、この急速に発展している科学技術分野の過去、現在、そして未来を解説することを目指しました。私の結論は、AIはあなたをより賢くするが、その方法はあなたを驚かせるものになるだろう、ということです。
パターンの認識
ディープラーニングは、AIの中で最も大きな進歩を遂げている分野です。その進歩は、複雑な問題の解決にあります。たとえば、画像内の物体の識別、複数の話者による音声認識、人が話したり書いたりする通りの文章処理などです。また、ディープラーニングは、センサー、医療機器、科学機器から生成される、ますます大規模になるデータセット内のパターンを識別する上でも有用であることが示されています。
このアプローチの目標は、コンピューターが世界の複雑さを表現し、過去の経験から一般化する方法を見つけることです。たとえ次に起こることが以前に起きたこととまったく同じでなくてもです。人が、これまで一度も見たことのない特定の動物を実際には猫だと見分けられるように、ディープラーニングのアルゴリズムは、いわゆる「猫らしさ」の要素を識別し、新しい猫の画像からそれらの特徴を抽出することができます。
ディープラーニングの手法は、人間の脳を動かしているのと同じ原理に基づいています。たとえば、脳は多様な種類の大量のデータを、多くの処理単位で同時に処理します。ニューロンは互いに多くの結合を持っており、その結合は使用頻度に応じて強くなったり弱くなったりします。これにより、感覚入力と概念的な出力の間に関連性が形成されます。
最も成功しているディープラーニングのネットワークは、1960年代に行われた視覚皮質(私たちが見るために使用する脳の一部)の構造に関する研究と、1980年代に考案された学習アルゴリズムに基づいています。当時のコンピューターは、現実世界の問題を解決するにはまだ十分な速度がありませんでした。しかし現在では、それが可能になっています。
さらに、学習ネットワークは互いに重ね合わされてきており、視覚皮質に見られる階層構造により近い形の結合網を生み出しています。これは、収束の一環として進んでいるもので、その収束は人工知能と生物学的知能の間で起きています。
現実生活におけるディープラーニング
ディープラーニングはすでに人間の能力を高めています。ウェブを検索するためにGoogleのサービスを使ったり、そのアプリを使って言語間の翻訳をしたり、音声をテキストに変換したりする場合、テクノロジーによってあなたはより賢く、より効果的になっています。最近、中国を訪れた際、友人がAndroidの携帯電話に英語で話しかけたところ、それがタクシーの運転手のために中国語の音声に翻訳されました。まさに「スタートレック」の万能翻訳機のようでした。
実際のリアルタイム翻訳機器のテスト。
これらをはじめ、多くの他のシステムがすでに稼働しており、あなたがそれを意識していなくても、日常生活を支えています。たとえば、ディープラーニングは、X線画像や皮膚病変の写真の読影を引き受け始めており、がんの検出に役立っています。近いうちに、かかりつけの医師も、今日では最高の専門家にしか見つけられない問題を発見できるようになるでしょう。
機械が関与していることを知っていても、実際に行っている複雑な処理を理解できないことがあるかもしれません。Amazonのアレクサの背後には、大量のあなたの要求を認識するディープラーニングネットワークがあり、データを精査して質問に答え、あなたに代わって行動を起こしています。
学習の高度化
ディープラーニングは、パターン認識の問題を解決する上で非常に効果的ですが、それを超えるには他の脳のシステムが必要です。動物は行動に対して報酬を与えられると、将来、同様の行動をとる可能性が高くなります。脳の大脳基底核にあるドーパミンニューロンは、予想された報酬と実際に得られた報酬の差を伝えており、報酬予測誤差と呼ばれるものです。これは、将来の報酬を予測する脳内の結合の強さを変化させるために使われています。
強化学習と呼ばれるこのアプローチをディープラーニングと組み合わせることで、コンピューターは予期しない可能性を識別する力を得ることができます。パターンを認識し、それに対して報酬が得られる方法で反応することで、機械は人間の創造性と呼べるようなものに近い振る舞いを取るかもしれません。この組み合わせのアプローチは、DeepMindがAlphaGoと呼ばれるプログラムを開発する際に用いたものであり、このプログラムは2016年にグランドマスターのイ・セドルを破り、翌年には世界の囲碁チャンピオンである柯潔を破りました。
ゲームは、絶えず変化する不確実性に満ちた現実世界ほど複雑ではありません。カリフォルニア大学サンディエゴ校のMassimo Vergassolaと私は最近、強化学習を使って、グライダーに乱気流の上昇気流の中で鳥のように舞い上がる方法を教えるフィールド実験を行いました。実際の鳥にセンサーを取り付けて、鳥が同じ手がかりを使い、同じように反応するかどうかを検証することもできます。
こうした成功にもかかわらず、研究者はディープラーニングがこれらの問題をどのように解決するのかをまだ完全には理解していません。もちろん、脳がそれらをどのように解決しているのかも私たちにはわかっていません。
脳の内部の仕組みは依然として捉えどころがないかもしれませんが、研究者がディープラーニングの理論を構築するのは時間の問題にすぎません。異なるのは、コンピューターを研究する場合、研究者はネットワーク内のすべての結合と活動パターンにアクセスできる点です。研究の進展は速く、arXivには毎日研究論文が掲載されています。今年12月にはモントリオールで開催されるNeural Information Processing Systems conferenceにおいて、驚くべき進歩が大いに期待されています。同会議では、8,000枚のチケットが11分で完売し、9,000人の希望登録者がキャンセル待ちリストに残されました。
コンピューターが人間の一般的な知能を獲得するまでには、まだ長い道のりがあります。現在最大のディープラーニングネットワークは、米粒ほどの大きさの人間の神経皮質の一部と同程度の能力しか持っていません。また、私たちは脳がより大きな脳領域間の相互作用をどのように動的に組織化しているのかも、まだ解明できていません。
自然界はすでにそのレベルの統合を実現しており、人体のあらゆる機能を制御し、深遠な問題を思索し、複雑な課題を遂行できる大規模な脳システムを生み出しています。最終的には、自律システムも同じように複雑になり、地球上に存在する無数の生命体の仲間入りをするかもしれません。
