コンピューターは自ら学習する能力をますます高め、現在では一部の画像認識タスクで人間を上回っています。EnliticのCEO、ジェレミー・ハワード氏は、医療分野でこうした能力を活用する方法を探っています。氏は1990年代、ニューラルネットワークとビッグデータの手法をいち早く採用しました。データサイエンスのコンテストを開催するプラットフォーム、Kaggleの社長兼チーフサイエンティストとして、「ディープラーニング」と呼ばれるアルゴリズム手法の台頭を目の当たりにしました。2012年、トロント大学のジェフリー・ヒントン氏が率いるチームは、Merckが主催した自動創薬コンテストでディープラーニングを用いて優勝し、世界の注目を集めました。驚くべきことに、チームの誰一人として、医薬品や分子化学に関する専門知識を持っていませんでした。ハワード氏がLook aheadに、ディープラーニングが産業経済にもたらす影響と、こうした恩恵を実現するうえで将来直面すると見込む課題について語ります。
センサーネットワークやインターネットを通じて収集したデータに基づく予測アルゴリズムを用いた新たな展開により、グローバル・バリューチェーン（GVC）をさらに最適化できます。将来、ロボットや3Dプリンティングによって、熟練労働や大量生産についての考え方が変わり、GVCが地域的なバリューチェーンへと再編される可能性があります。
ディープラーニングを初めて知ったのはいつですか？
実は20年以上にわたって注目してきました。ご存じかもしれませんが、ディープラーニングとは、層を増やしたニューラルネットワークの進化形にすぎません。1990年代前半から半ばにかけて、私はニューラルネットワークを使っていました。当時はコンサルティング業界にいて、マーケティング施策のターゲティング改善で大きな成果を上げました。2012年に起きたのは、ディープニューラルネットワークが初めて、従来は人間にしかできなかったこと、特に画像の内容を理解することにおいて、優れた能力を発揮し始めたということです。画像認識はかなりニッチな用途に聞こえるかもしれませんが、考えてみれば実際には極めて重要です。それまでコンピューターは目が見えませんでした。今では、写真に写った物体を認識する精度も速度も、人間を大きく上回っています。
ディープラーニングは、産業経済におけるどのような問題を効果的に解決できますか？
画像を理解する能力が大きな意味を持つ分野は、特に3つあります。1つ目は衛星画像で、農業、情報分析、地図作成などに使われます。ディープラーニングによって、今ではその多くを自動化できます。
2つ目は、さらに期待が高まるロボティクスです。自動運転車や、食品を自動調理できる機械のようなものが、すでに実現可能になっています。ロボットに視覚を与えることで、まったく新たな巨大分野が開かれるでしょう。
3つ目は医療です。何を見ているのかを理解することは、病気の診断と治療に不可欠です。応用例には、放射線医学（X線やMRIを使って体内を見る）、病理学（顕微鏡で組織を見る）、皮膚科学（皮膚の画像を見る）があります。
人間が、たとえばMRIで何が起きているかを正確に把握できるようになるには、十分な数の例を見るまで、文字どおり何十年もかかります。一方、コンピューターは5,000万件のMRIを調べ、あらゆる人のあらゆる段階で現れるあらゆる種類の病気を理解できます。そのため、どの専門領域でも、最高の放射線科医に匹敵する能力を発揮できます。
これにより、医師だけでなく、中国の遠隔地の省にいる看護師でさえ、医療画像で何が起きているかを深く理解できるようになります。医療は全般として、ほぼ10兆ドル規模――そのうち米国は3兆ドル――で、おそらく世界最大の産業です。ディープラーニングを使ってこのように医療データを理解できるようになったことは、世界を根本から変えるでしょう。
医療は全般として、ほぼ10兆ドル規模――そのうち米国は3兆ドル――で、おそらく世界最大の産業です。ディープラーニングを使ってこのように医療データを理解できるようになったことは、世界を根本から変えるでしょう。
挙げられた分野のうち、ディープラーニングの影響を最も受けるのはどれだと思いますか？
長期的には、ロボティクスが最も大きな影響をもたらす分野になると思います。視覚を備えた機器は、世界の雇用のうち、人間の視覚に依存する大きな割合に影響を与えます。長期的には、ロボティクスは世界中の誰もに、毎日、常に影響を及ぼすと思います。
医療はそれに僅差で続く分野です。ディープラーニングを使ってゲノム、画像、検査結果を理解し、医師の質問に答えることができます。これにより、医師が望んでいるような意思決定支援ツールを実現できます。
ロボティクスを調べたとき、尊敬していた多くの人々がこの分野で研究し、急速に進歩していました。しかし医療では、こうした進歩が見られません。もちろんWatsonはありますが、あれは本来、 Jeopardyで勝つために設計されたものです。医療に強くなるよう設計されたことはありません。そのため、画像診断のようなものには対応できず、こうした大きな不足を埋めるのに苦労してきました。
長期的には、ロボティクスが最も大きな影響をもたらす分野になると思います。視覚を備えた機器は、世界の雇用のうち、人間の視覚に依存する大きな割合に影響を与えます。長期的には、ロボティクスは世界中の誰もに、毎日、常に影響を及ぼすと思います。
世界で扱うデータのうち、時間に基づき連続的に生成されるものがますます増えています。ディープラーニングは、これまで主に、猫の画像100万枚のような大量の静的データに使われてきました。時間に基づくデータやリアルタイムデータにも応用できるのでしょうか？
実際、そうしたデータの処理は特に得意です。これまで主に画像処理に使われてきたのは、歴史的な偶然によるものです。2012年に、画像認識でディープラーニングを使ったコンテスト優勝がありました。その結果、コンピュータービジョンの研究者の多くが、研究対象をディープラーニングに切り替えました。言語や時間ベースの信号にも、同じように有用です。こうしたモデルは、新しいデータポイントを提示するたびに、それが更新モデルに非常に速く組み込まれるように訓練されます。
課題は、ディープラーニングを十分に理解したうえで、これまで適用されていなかった分野に応用できる技術者が、あまりいなかったことです。20年間、これに取り組む大学の研究室は世界に5つしかありませんでした。今では、その5つの研究室は非常に有名です［編集注：5つの研究室は、トロント大学、モントリオール大学、ニューヨーク大学、スタンフォード大学、オックスフォード大学］。そこを出た人は皆、Google、Facebook、または一流大学に採用されます。2012年以降に拡大したプログラムから、最初の博士課程の学生が修了するまでの時間さえ、まだ経っていません。こうしたツールを新しい分野に応用するための技術的な人材は、まだ十分に確保できていません。産業界には、これらの技術を発展させる大きな機会があります。これはインターネットの黎明期を思い起こさせます。ディープラーニングも、今まさにその段階にあります。
人間と機械の学習方法にはどのような違いがありますか？ディープラーニングの手法には、把握されている特有の弱点がありますか？
人間と機械の違いは、猫を検出するモジュールを作れば、すべての機械にそれを学習させる必要がないことです。機械同士でこれらのネットワークをダウンロードできますが、脳から脳へ知識をダウンロードすることはできません。これは、ディープラーニングを用いる機械の大きな利点であり、「転移学習」と呼んでいます。
ディープラーニングに欠けている本質的な要素は2つあります。1つ目はごく単純で、より良いデータアクセスが必要です。医療では、新しい病気を認識するようモデルを訓練する方法よりも、病気の例が十分に含まれるデータセットをまとめる作業に、最も多くの時間がかかります。データは実際に世の中に存在しますが、相互接続されていない何千もの病院ネットワークに分散しています。医療データのプライバシーを守るために作られた法律は、データを集約してニューラルネットワークを訓練すれば何百万人もの命を救える可能性を想定していませんでした。私たちは、何百万人もの命を救う機会を失うというコストを抱えています。Enliticで私たちが取り組んでいるのは、大規模な病院ネットワークと直接連携し、研究契約を通じてデータにアクセスして、命を救うネットワークを構築することです。
欠けている2つ目の要素は技術的なもので、論理的に考える能力です。ディープラーニングは物事を非常にうまく認識できます。優れた類推マシンのようなものです。しかし、特定の画像の中にある予期しないものを理解するために、論理を使うことはできません。人間の脳は、世界の仕組みや物事のつながりという文脈を理解しているため、推測することに非常に長けています。現在、ディープラーニングシステムには、そうした文脈的理解がありません。
Singularity Universityで教えており、特にディープラーニングを「指数関数的に進歩するテクノロジー」として教えているそうですね。ディープラーニングが指数関数的に成長するには、どの資源が無制限である必要がありますか？
とても良い質問です。ディープラーニングは、真に指数関数的なテクノロジーとしては初めてのものになる可能性があると、実は考えています。
ほとんどのテクノロジーは指数関数的ではありません。指数関数的に見える形で始まるものも多いのですが、必ず何らかの資源制約に突き当たり、成長はS字型の曲線となって、やがて上限に漸近します。たとえば産業革命の蒸気機関は、初めは指数関数的に成長しましたが、しばらくするとエネルギー投入の大半が置き換えられ、成長は止まりました。
ディープラーニングには、十分な計算能力と学習データがあれば、モデル化可能なものは何でもモデル化できるという数学的証明があります。物理的なエンジンではなく、知的なエンジンなのです。
これに必要なものは、エネルギーとデータです。宇宙には明らかに無限のデータがあります。エネルギーは無限ではありませんが、かなりの量があります。私たちが活用できるエネルギー量が、計算能力の限界となるまでには、まだ長い時間がかかるでしょう。計算方法がますます改善されれば、計算はより効率的になっていきます。
ディープラーニングでは、ネットワークに層を追加すると、モデル化できるものが超線形的に増えていきます。より大きなネットワークから得られるリターンは増加します。こうしたシステムの知的能力は、私たちをますます急速に超えていきます。その後、はるかに多くのエネルギーを、より効率的に活用して、さらに優れたディープラーニングネットワークを作れるようになります。
実際、今ではディープラーニングネットワークを構築するためのディープラーニングネットワークがあります。そして実際に、それらが生み出すネットワークは、人間が作ったものよりはるかに優れています。
…ディープラーニングは、真に指数関数的なテクノロジーとしては初めてのものになる可能性があります。
非常に多くのデータを用いる学習アルゴリズムを使って、中国語を独学していると伺いました。ご自身の脳でのこの個人的な学習経験は、ディープラーニングの イン・シリコでの学習に関する考え方に、どのような影響を与えたのでしょうか。
私が中国語を学んだ理由は、実は中国語に関心があったからではありません。機械学習の能力向上に活かせるよう、人間の学習についてもっと知りたかったのです。6年ほど前、かなり長期間にわたる学習プロジェクトに取り組むことにしました。英語話者にとって最も習得が難しい2つの言語のうちの1つであることから、中国語を選びました。もう1つはアラビア語です。人間の学習理論を3か月かけて学び、その後さらに3か月かけて、学んだことを実装するソフトウェアを書き、それから中国語の学習を始めました。結果として、幸いなことに、私は中国語がとても好きになりました。
人間の学習理論の本質は、記憶術や文脈などを使い、すでに学んだことを活用して別のことを学べるようにすることで、脳内のつながりを増やす力にあります。この理論は、先ほど話した転移学習への理解に影響を与えました。私にとって、今のディープラーニングで最もわくわくする研究は、ネットワーク間で知識を転移し、特定のことだけでなく新しいことについても、ネットワークが継続的に性能を高めていく能力です。
この記事は、 GE Look Aheadとの協力のもと掲載されています。掲載は、世界経済フォーラムが見解を支持することを意味するものではありません。
アジェンダの最新情報を受け取るには、 週刊ニュースレターにご登録ください。
著者：アンソニー・ウィング・コスナーはGE Look Aheadの寄稿者です。
ニューヨークの5番街を横断するのを待ちながら、携帯電話を使う女性。REUTERS/Lucas Jackson。
