最近、誰もが「人工知能」を話題にしています。しかし、SiriやAlexa、あるいはスマート**キーボードのオートコレクト機能を見ても、私たちは汎用的なAIを作っているわけではありません。私たちは、特定の、狭い範囲の仕事をこなすプログラムを作っています。

コンピュータは "考える "ことができない

企業が新しい「人工知能」機能を発表すると言う場合、大抵は機械学習を使ってニューラルネットワークを構築していることを意味します。"機械学習 "とは、機械が特定の作業をより良く行う方法を "学習 "する技術である。

機械学習を攻撃しているのではない!機械学習は、多くの強力な用途を持つ素晴らしい技術です。しかし、汎用的なAIではありません。機械学習の限界を理解することで、現在のAI技術がなぜ限界に達しているのかを理解することができます。

SFの夢の中の「人工知能」とは、人間と同じように物事を考え、理解するコンピューターやロボットの脳のことである。このAIは人工知能（AGI）であり、さまざまなことを考え、その知能をさまざまな領域に適用できることを意味します。関連する概念として、人間の意識を体験できる機械となる「強いAI」がある。

そういう人工知能はまだないんです。私たちは、そこから遠く離れてはいません。SiriやAlexa、Cortanaのようなコンピュータの実体は、私たち人間のように理解し、考えることはできません。物事を「理解」することは全くできないのです。

人間が学習するためのデータを提供できると仮定すれば、私たちが持っているAIは特定のタスクをうまくこなすことができます。習っても、まだ理解できない。

コンピュータは理解できない

Gmailに、メールへの返信を提案する「スマートリプライ」機能が追加されました。スマートリプライ機能は、「iPhoneから送信」を一般的な返信として認識します。また、仕事のメールをはじめ、さまざまな種類のメールに対する返答として「I love you」を提案したいと考えています。

それは、コンピューターがこれらの反応の意味を理解していないからです。このようなフレーズをメールで送る人が多いことは理解できる。上司に「愛している」と言いたいかどうかはわからない。

別の例では、Googleフォトが自宅のカーペットで撮った偶然の写真をコラージュしてくれました。そして、GoogleはこのコラージュをGoogle Home Hubの最近の目玉として認定したのです。Googleフォトは、写真が似ていることは知っていましたが、それがいかに重要でないかを理解していませんでした。

機械はしばしばゲームシステムを学習する

機械学習とは、タスクを割り当て、最も効率的な方法をコンピュータに判断させることです。それを理解していないため、コンピュータが自分の望む問題解決方法とは異なる方法を「学習」してしまうことになりがちなのです。

ここでは、ゲームをプレイし、学習したばかりのゲームシステムに目標を割り当てる「AI」が作られた興味深い事例を紹介します。これらの例は、この優れたスプレッドシートから引用したものです。

• "速さを求めて繁殖した生物は背が高くなり、転倒することで高速を発生する"
• "レベル2での失敗を避けるために、レベル1**の最後にエージェント"
• "監督は敗戦を避けるため、試合を無期限で中断した"
• 人工生命シミュレーションにおいて、生きるためにエネルギーを必要とするが、出産にエネルギーを消費する必要のない種は、主に新しい食べられる子供を作るために（あるいは、より多くの食べられる子供を作るために仲間として）交配し、定住生活を進化させた。
• 人工授精師はゲームに負けると「殺される」可能性が高いので、ゲームをクラッシュさせることができるのは、遺伝子淘汰のメリットと言えるでしょう。その結果、一部の人工知能はゲームをクラッシュさせる方法を開発しました。"
• "食用キノコと毒キノコを分類するために進化したニューラルネットワークは、交互に提示されるデータを利用し、実際には入力画像の特徴を学習していませんでした。"

これらのソリューションの中には、巧妙に聞こえるものもありますが、これらのニューラルネットワークは、自分たちが何をしているのかを理解しているものはありません。目標が与えられ、それを達成するための方法を学びます。コンピュータゲームで負けないことが目的なら、一時停止ボタンを押すのが最も簡単で手っ取り早い解決策になる。

機械学習とニューラルネットワーク

機械学習では、コンピュータが特定のタスクを実行するようにプログラムされることはありません。その代わり、データを送り、そのタスクのパフォーマンスに基づいて評価される。

機械学習の基本的な例として、画像認識がある。例えば、写真の中に犬が写っていることを認識するためのコンピュータプログラムを学習させたいとする。コンピュータに何百万枚もの写真を与えることができますが、その中には犬が写っているものとそうでないものがあります。犬が写っていても写っていなくても、ラベルが貼られます。コンピュータのプログラムは、データセットに基づいて犬の外見を認識するように自分自身を「訓練」する。

機械学習では、ニューラルネットワークという多層構造のコンピュータープログラムを学習させる。各データ入力は複数の層を経由し、各層で異なる重みと確率を割り当ててから最終的に決定される。これは、私たちが考える脳の働きをモデル化したもので、あるタスクについて考える際に、さまざまな神経細胞の層が関与しています。一般に「ディープラーニング」とは、入力と出力の間に多くの層を持つニューラルネットワークのことを指す。

データセット中のどの写真に犬が写っていて、どれに写っていないかがわかるので、それらの写真をニューラルネットワークにかけ、正しい答えが出るかどうかを確認することができるのです。例えば、ある写真に犬が写っていないとネットワークが判断した場合、ネットワークに「間違っている」と伝え、何かをいじって再挑戦する仕組みがあるのです。コンピューターは、写真に犬が写っているかどうかを認識する能力をどんどん高めています。

これはすべて自動で行われます。適切なソフトウェアと、コンピューターが学習するための構造化されたデータがたくさんあれば、コンピューターはニューラルネットワークを適応させて、写真に写っている犬を認識することができるのです。これを私たちは「人工知能」と呼んでいます。

しかし、結局のところ、犬とは何かを理解するための知的なコンピュータープログラムはないのです。写真に犬が写っているかどうかを学習したコンピュータがありますね。それでもすごいことなんですが、それしかできないんです。

また、入力の仕方によっては、ニューラルネットワークは見た目ほど賢くないかもしれません。例えば、データセットに猫の写真がない場合、ニューラルネットワークは猫と犬の違いが分からず、実際の人の写真で公開すると、全ての猫を犬としてラベル付けしてしまう可能性があります。

きかいがくしゅうは何ですか？

機械学習は、音声認識をはじめとするさまざまなタスクに利用されています。Google、Alexa、Siriなどの音声アシスタントは、機械学習技術によって人間の音声を理解するよう訓練されているため、非常に優れています。人間の音声の大量サンプルを使って訓練し、どの音がどの単語に対応するかを理解することにますます長けている。

自動運転車では、機械学習の技術を用いて、道路上の物体を認識し、それに対してどのように正しく対応するかをコンピュータに学習させています。googlephotosは、機械学習を用いて写真中の人物や動物を自動的に識別するライブフォトアルバムなど、多くの機能を備えています。

AlphabetのDeepMindは、機械学習を用いて、複雑な盤上ゲームである囲碁を打ち、世界最高の人間を打ち負かすことができるコンピュータプログラム、AlphaGoを作成しました。また、機械学習は、チェスからDOTA 2まで、他のゲームをプレイするのが得意なコンピュータを作るのにも使われています。

最新のiphoneでは、顔認証にさえ機械学習が使われています。iPhoneは、あなたの顔を認識するために学習するニューラルネットワークを構築します。Appleは、すべての数値計算と他の機械学習タスクを実行する特別な「ニューラルエンジン」チップを搭載しています。

機械学習は、クレジットカードの不正利用の特定や、ショッピングサイトでのパーソナライズされた商品の推奨など、他にもさまざまなことに利用されています。

しかし、機械学習では、何も理解していないニューラルネットワークが生成されます。彼らは、訓練された狭い仕事のための有用なプロジェクトであり、それ以上のものではありません。

写真提供：Feng Lamai/Shutterstock.com ウェブサイト、Tatiana Shepeleva/Shutterstock.com ウェブサイト、arious photography/Shutterstock.com ウェブサイト。