AIの定義
AIを便利な道具として使いこなしていくためには、その特徴の理解が前提になるだろう。それは最大限の利得を享受するためであり、加えてリスクを最小限に抑えることにもつながる。リスクを明確にして、その低減策を同時に検討するべきだからだ。
では、AI とは何なのか。通常の場合、定義を考えるのではないだろうか。しかし筆者自身も「AIとは何？」と素朴に質問されると、答えには窮するのが現実である。
実は、AI に関しては明確な定義が存在しない。正確に言うと、多くの学者が定義はしているが、それぞれバラバラの定義であり、定まっていない。それはそうだろう。形を変え、新たな概念を生み出しながら進化している歴史の過程にあるのだから。
では、専門家の述べる定義をいくつか紹介しよう。まず、東京大学・京都大学に所属する研究者の定義をみてみる。
・「知能を持つメカ」ないしは「心を持つメカ」である。
・自然に我々がペットや人に接触するような、情動と冗談に満ちた相互作用を、物理法則に関係なく、あるいは逆らって、人工的につくり出せるシステムを、人工知能と定義する。
・人間の頭脳活動を極限までシミュレートするシステムである。人工的につくる新しい知能の世界である。
どうだろう、理解できただろうか。そのほかには、下記のような定義もある。
・究極には人間と区別が付かない人工的な知能のこと。
・人の知的な振る舞いを模倣・支援・超越するための構成的システム。
踏み込んだ表現もあれば、現実性を重んじる表現もある。
そして、筆者が聞いて、これは良いと思ったのが次だ。
まさしく言い得て妙。人間の知能を人工的に創造することを目指すのだから、元々の人間の知能、脳の働き、生命とはの答えが明確にならない限り、最終的な定義はできないというのが正しいかもしれない。
法的規制なども議論され始めているが、無理に定義すると、それから外れるモノが発生し、その対処が問題になるだろう。現実的には、概念的に陥らず、その時点で実現可能な限定的で狭い範囲で小さく規定し、徐々に範囲を広げていく以外にないだろう。
AIテクノロジー面から実像へのアプローチ
定義が定まっていないといってしまえば、得体が知れないモノになってしまう。それでは議論が進まないので、テクノロジー面での特徴に少しだけ触れていきたい。
AIは結局、大量のデータを取り込み、そのデータを分析しながら学習し、知識として蓄えながら、求められた課題に対して、蓄積した知識をもとに回答を生成するモノと考えていいだろう。
「なんだ、定義できているではないか」とおっしゃる方がいるかもしれないが、これでは定義に成り得ない。なぜなら、これだけでは外形に過ぎず、通常のシステムでも似て非なるものは構築できるからだ。サラッと書いている「学習」の中身など、アルゴリズムを語らなければ、その実像は見えてこない。
では、このアルゴリズムの代表的なものを紹介しよう。それは「ニューラルネットワーク」「遺伝的アルゴリズム」「エキスパートシステム」の3種類だ。
まずは「ニューラルネットワーク」についてだが、名の通り脳の構造であるニューロンの構造を人工的に摸したものであり、学習のアルゴリズムの一つである。単純に構造を述べると、入力層が入力を受け、隠れ層を経由して出力層に至り出力される。
一つ一つは単純な仕組みであるが、多層に組み合わさることで複雑な処理を可能にする。この隠れ層を複数層に重ねることでディープラーニング（深層学習）という従来の機械学習では困難な複雑処理も行えるようになった。
次に「遺伝的アルゴリズム」だ。遺伝と表現するゆえんは、生物の進化、ダーウィンの進化論にもとづくからである。
進化論によると、環境に適応した優秀な個体が子孫を残し、適応できなかった劣等種は淘汰される。また突然変異を起こし、優秀な個体になることもある。この手法で膨大な組み合わせの中から、ベストな答えを進化論における優秀な個体と同様にして導き出すのである。
最後に「エキスパートシステム」である。これは専門分野の知識を持ち専門家と同様に推論や判断ができるシステムであり、専門家と同等の問題解決が可能になる。
専門家が持つ専門的な知識やルールなどを収集した「知識ベース」をもとに「推論エンジン」と呼ばれる仕組みが推論を実行することで、専門家と同様の結論を導き出すことができるのだ。
テクノロジーに少しだけ触れたが、興味のある方は、たくさん書物が発刊されているので、いくつか読まれることを推奨する。本来であれば機械学習の具体的な内容など理解すべき事項は山ほどあり、AI専門家でもない筆者ごときが述べるより、正確で深い理解が得られるはずなので、テクノロジーに関してはここで留める。
AI利活用の分野
ここからは、具体的にどのような分野にどのように利用されようとしているのか、利活用面から特徴を述べていく。
最初に、画像認識。
画像データの特徴点を抽出し、パターンを検出することでさまざまな認識をする利用法。空港の監視カメラ画像をブラックリスト画像と照合し検出する安全管理システムや、ネットの顔画像から本人と紐づけしたり、顔写真にさまざまな加工を自動で加えたりするお遊びなど、利用範囲は広い。
最近では、顔画像から感情の起伏なども推定できるようだ。松岡圭祐氏のベストセラー「千里眼シリーズ」の主人公岬美由紀のように、相手の表情やしぐさから心理を読み取り、うそ発見器などに利活用できる日がくるかもしれない。
また、工業面では、品質検査で製品の欠点を画像から判別する仕組みとして実用が広がっている。
次に音声認識や物体認識。
画像と同様、音声に関しても、言語として認識する精度が格段に向上しており、周辺物体も各種センサーを介して状況を把握する精度が向上している。ほかにもにおいや味も含めて、人間の五感を相当なレベルで手に入れているといってもよいだろう。
そして、認識した情報を元に、適切なアウトプットを生成することができる。それは膨大なデータから類推し前述のアルゴリズムにより生成されるのだが、大きな特徴としてその答えの生成事由をロジカルに説明はできない。
つまり、答えは出すが、その答えの論理的背景の説明はなされない。事実上ブラックボックス化され、答えの品質を担保できないと考えるべきなのだ。
そのような出力をするアプリケーションとしては、相当前から実用化されているWebのレコメンデーション機能や最近巷で話題のチャットボットもその一種だろう。開発競争の激しい自動車の自動運転技術も、周辺情報を読み取り、識別して、選択した結果をハンドルやアクセルにアウトプットする技術を使っている。
しかし、当然のことだが、上記の利活用が可能なのは、学習できる膨大な情報量があることが大前提である。情報量が少なければ十分な学習結果が蓄えられず、生成結果も不確かなものになる。ゼロから何かを生み出すものではなく、あくまで膨大な情報量を高速に処理して得られるものである。従って、まったく新しいモノを創造することはできない。
このように考えていくと、少しずつ、どのような点を注意し、どのように使うのが有効なのか、人間との役割分担はどうなるのかが見えてくるだろう。次回以降でその点について検討していきたい。
