【図解】コレ１枚でわかる人工知能の歴史

【図解】コレ１枚で分かる汎用目的技術（GPT）

歴史を振り返れば、経済発展の原動力となり社会構造の変化に新しい技術の登場は大きな役割を果たしてきました。しかし、全ての技術が等しく同様の役割を果たしたわけではありません。

様々な分野で広く適用可能な技術が、その役割を果たしてきました。このような技術は「汎用目的技術（GPT：General Purpose Technology）」と呼ばれています。

いずれにしろ、世の中の変化をGPTとその応用技術として捉え、その変化を捉えてゆくと、この先にどのような未来が拡がっているかを予測することができるかもしれません。

そして、そんなGPTにビジネスの軸足をのせておけば、様々なビジネス分野への応用が利くこともまた事実です。そんな視点からこれからの事業領域を考えて見るのもひとつの方法かもしれません。

【図解】コレ１枚で分かるルールベースと機械学習

人工知能研究の歴史をたどれば、「ルールベース」と「機械学習」という大きな２つのアプローチがあったことが分かります。

【【図解】コレ１枚でわかる「弱いAI」と「強いAI」

機械は人が操作するか、手順を教えてその通り動かすものでした。しかし、「人工知能（AI: Artificial Intelligence）」は、自ら学習し、状況を把握し、推論して判断できる能力を機械に与えます。

人工知能には、「人間のような知的処理の実現」と「人間と同等の知能の実現」の２つのアプローチがあります。

前者は「弱いAI」とも呼ばれ、人間の脳で行う処理のしくみにかかわらず、結果として人間が行う知的処理ができるようになることを目指します。例えば、馬のように走りたいからといって、馬をつくるのではなく、自動車を作ろうという考え方です。

これに対して、後者は、知能そのものをもつ機械を作る取り組みで、「強いAI」とも呼ばれ、脳科学や神経科学の研究成果を取り入れながら、人間の脳機能と同等の汎用的な知的処理ができるようになることを目指します。

現状では、前者の実用化が先んじていますが、後者の研究も急速に進んでおり、両者ともに、実用レベルでの適用範囲が拡大するものと期待されています。

【図解】コレ１枚で分かる人工知能・機械学習・ディープラーニングの関係

「人間の知能は機械で人工的に再現できる」

そんな研究者の理想から 「人工知能」という言葉が生まれたのは1956年のことです。その後、半世紀以上にわたり研究が続けられてきました。この間、迷路やパズル、チェスや将棋といったゲームをうまく解くところから始まり、人間が持つ知識を辞書やルールとしてコンピューターに登録し、専門家のような回答を導こうとする研究が行われてきました。

しかし、人間が辞書やルールを作るわけですから、世の中の全ての事象を登録することなどできません。そのため狭い限られた分野では成果を上げることはできましたが、様々な分野で広く応用が利く「人間の知能」にはほど遠いもので、大きな成果をあげることはありませんでした。

その後、特定の業務や分野でのデータを解析し、その結果から分類や区別、判断や予測を行うための規則性やルールを見つけ出す手法「機械学習」が登場します。「機械学習」の考え方は以前からありました。しかし、コンピューター性能が不十分であり、その能力を発揮するには至らなかったのですが、コンピューター性能の向上と手法の進化と共に、その能力を高めてゆきます。

 【図解】コレ１枚でわかる統計確率的機械学習とディープラーニング

人工知能を支える中核的な技術に「機械学習」があります。機械学習とは、大量の学習データを機械に読み込ませ、分類や判断と言った推論のためのルールを機械に作らせようという仕組みです。そのプロセスは、大きく「学習」と「推論」の２つに分けることができます。

人間が教えなくても森羅万象の中からパターンを見つけ、世界を分類整理する

ディープラーニングが注目されるのは、まさにこの点にあります。

データを分析し、その中に潜む規則性、すなわち「パターン」を見つけ出すことが機械学習のやろうとしていることです。それを使って、ものごとを分類整理し、推論や判断をおこなうための基準やルールを見つけ出そうというわけです。

これまでの機械学習は、このパターンを見つけるために、どのような特徴に基づいてパターンを見つけ出せばいいのかといった着目点、すなわち「特徴量」を予め人間が決めていました。しかし、ディープラーニングには、その必要がありません。データを分析することで特徴量を自ら見つけ出すことができるのです。

例えば、ベテランの職人がものづくりをする現場を想像してください。私たちは、道具の使い方、力加減、タイミングといった目に見える道具の使い方に着目し、その匠の技に感動するでしょう。しかし、本当にそれだけでしょうか。たぶん見た目には分からない他の「何か」がもっとあるかもしれません。その職人に、その説明を求めても、たぶんうまく説明することはできないでしょう。

そんな説明できない知識のことを「暗黙知」と呼んでいます。

ディープラーニングはそんな「暗黙知」をパターンとしてデータの中から見つけ出し再現してくれるかもしれません。それをロボットに搭載すれば、匠の技を持つロボットが実現するかもしれません。他にも、

・品質検査は、素人には気付か些細な不良を確実に見つけ出す

・保守技術者は、機械の運転データから異常に気付き故障を未然に防ぐ

・警察官は、犯罪の発生場所やタイミングを長年の経験や勘で予想する

など、世の中にはうまく説明できない「暗黙知」が少なくありません。ディープラーニングは、そんな見た目には分からない、あるいは気付くことの難しいパターンを、人間が特徴量を教えなくてもデータを分析することで自ら見つけ出し、そのパターンを教えてくれるところが、画期的なところなのです。

【図解】コレ１枚でわかる機械学習モデル

機械学習の方法には、大別して「教師あり学習」、「教師なし学習」そして、「強化学習」があります。

それぞれの学習モデルについて、その性能を高めるための研究が進んでいます。ただ、それぞれに特徴があり、用途の向き不向きもあります。これらをうまく使い分け、あるいは組み合わせることで、機械学習の実用性を高めることが、すすめられています。

【図解】コレ１枚で分かる自動化から自律化への進化

ITはいま、自動化から自律化へとステージを移そうとしています。その一方で、かつて自動化によって単純労働者の雇用が奪われたように、自律化はより高度な知的労働者の雇用をも奪うのではないかとの懸念の声も聞かれます。

しかし、ITが、「自動化」から「自律化」を目指す流れに抗うことはできません。ならばこの流れとうまく付き合ってゆく方法を考え、新たなビジネスの可能性を見出してゆく必要があるでしょう。

【図解】コレ１枚で分かる人工知能の適用領域

人工知能は、人間の関与を前提とした「人間の知的作業を支援」、あるいは「人間の知的能力を拡張」といった適用領域と、人間の関与を前提としない「知的作業の自律化」の２つの方向に拡がっています。

【図解】コレ１枚で分かる「bot（ボット）」

「来週の金曜日のお昼頃に福岡に到着できる羽田からの航空券を予約して。」

「来週の金曜日というと、〇月〇日のことですね。ご希望の航空会社はありますか？」

「できればいつも使っているところで予約してみてくれないか。もし空いていなければ、他でも構わないよ。」

「以下のフライトでは如何でしょうか？」

【予約可能なフライト一覧を示す】

「それじゃあ、XXX123便を予約して。」

「承知しました。座席はどちらがいいでしょう。いつもご希望される窓側はいっぱいですから、通路側でもいいですか？」

「じゃあ、それでお願いします。できれば、前の方でね。」

「承知しました。支払いはいつものクレジットカードでいいですね。」

「いいよ。」

「予約しました。確認メールを送りましたので、ご確認下さい。」

あなたの秘書とやり取りをしている訳ではありません。FacebookやLineといったスマートフォンのメッセージ・アプリでのやり取りです。

様々なオンラインサービスを、普段使い馴れている「テキスト（文字）・メッセージ」アプリを使い、日常の対話のように利用できる仕組みが登場しています。「bot（ボット）」と呼ばれるこの仕組みは、ITと人との係わり方を大きく変えてしまうかもしれません。

これまで、秘書や受付担当者といった人間が仲介者となって、対話から相手の意図を確認し、処理していた作業をbotが代わりにやってくれます。

また、botをマルウェア（不正なことを行うソフトウェア）として、パソコンに侵入させ機密情報を搾取したり、他人のパソコンを乗っ取って第三者にサイバー攻撃をしかけたりといった用途にも使われています。

といったことを、人工知能の技術を使って実現したbotが登場しています。また、テキストではなく音声を認識させる技術を組合せ、音声による会話で様々な処理をしてくれるものもあります。

このような「進化したbot」が使われる以前からグラフィカルな操作画面（GUI：Graphical User Interface）を使って、操作を簡単に、直感的に行えるような取り組みは行われてきました。

しかし、操作の1つひとつにルールが定められているうえに、アプリごとに操作の違いがあって、必ずしもうまくいっているとは言えません。

一方、テキストや音声での対話であれば、普通に会話をするように操作や指示ができるようになります。そうなれば、ITは「難しいから使えない」や「怖いから使いたくない」と考えている人たちの壁を引き下げ、利用者の裾野は広がり、利用の頻度も高まります。

「進化したbot」はそんな「難しいIT」と「自然な人間」を仲介してくれる仕組みとして、ますます普及してゆくでしょう。

事故責任はレベル3までは運転者、レベル4は自動車になると考えられています。

一方で、ドライバーを対象とした自動車保険は必要なくなり、長距離輸送時の休憩場所や宿泊施設は、その需要を減少させてしまう可能性があります。

【図解】コレ１枚でわかる特化型人工知能と汎用型人工知能

人工知能の進化には、ここ数年目を見張るものがあります。例えば、画像認識では、画像の中に何が写っているかを識別する能力は、既に人間の能力を超える成果が示されています。その技術を使って、CTやレントゲンの映像から病巣を見つけ出す、あるいは防犯カメラに写った来店客の挙動から窃盗の可能性を察知するなどの実用例も登場しています。また、音声認識では、異なる言語同士の対話をリアルタイムで翻訳するサービスが登場しました。さらに、対話応答の分野では、AmazonのEchoやAppleのSiriのように自然な言葉で語りかけるだけでエアコンを操作する、オンラインで買い物をする、好きな音楽を再生するなどのことができるようになっています。

このように、人工知能は特定の知的作業領域において、既に人間の能力を凌駕するほどの実力を示しています。

しかし、その成果は、ここに示したような特定の知的作業を専門にこなす「特化型人工知能」です。

人間のようにひとつの脳で画像認識や音声認識、対話応答ができ、それらを組み合わせた高度な知的作業をこなせる能力はありません。また、人間の脳には自分が何ものかという「自己理解」、自分が何をしているのかが分かる「意識」、興味を持ち自らの行動を選択する「意欲」などがあるわけですが、そのような能力は未だ人工知能で実現できていません。

例えば、Googleの人工知能Alpha Goが囲碁の世界チャンピオンに勝ちましたが、Alpha Go自身が、その勝利を励みとして自らの能力を他の分野でも活かしていこうと意欲を持ち、自らに課題を課して能力を拡げ、磨いてゆこうという「意志」は持ちません。

Alpha Goは、囲碁という分野では人間を凌駕する能力を発揮した「特化型人工知能」ですが、だからといって人間の脳の機能を全て代替できるわけではないのです。

ただ、人間の脳全体の仕組みを解明し、同様の機能を持つ「汎用型人工知能」を実現しようという取り組みもすすんでいます。将来的には、意志を持ち自ら課題を発見し、自律的に能力を高めてゆく人工知能が登場するかもしれません。ただ、いまの段階では、まだまだハードルが高いのも現実と言えるでしょう。

では、そんな人工知能とどう付き合えばいいのでしょうか。

技能や経験の蓄積に依存し、パターン化しやすく定型的で、特定の領域を越えない能力

感性、協調性、創造性、好奇心、問題発見力など非定型的で、機械を何にどう使うかを決められる能力

【図解】コレ１枚で分かる知性の発達と人工知能の発展

このように人工知能の研究は、論理的思考から感覚的思考へと発展してきたと言えるでしょう。しかし、心と身体の状態と、その間の関係、つまり非物質的である心というものが、どうして物質的な肉体に影響を与えることができるのか、そしてまたその逆もいかに可能なのかは、解明されていません。また、意識や意欲なども同様に、それ自体が解明できておらず、コンピューター上で実装しようがないのです。

このように見てゆくと、人工知能研究の次のテーマは、「心身問題の解決」ということになるのでしょうか。事実、この問題に取り組む研究者たちもいますが、いまだ決定的な解決策は見出ていません。さて、これからどんな成果が出てくるのか、興味は尽きません。