メモ
シリアル番号 |
表題 |
日付 |
1459
|
人工知能(AI)とシンギュラリティ
|
2015/03/10
|
●ジェフ・ホーキンス、サンドラ・ブレイクスリーの「考える脳 考えるコンピュータ」を読んだのはまで10年前の2005年だった。それがニューラルネットワーク
の機械学習などということが行われるようになってなんだかここで急に自動運転が実現されるようになった来た。
●酒井邦嘉の「言語の脳科学」
ではプログラムとは万能計算機の機能の一部を制約することによって機能する。これと同じようにサルの脳の一部が突然変異によって大脳皮質の一部が抑制され
たとすれば言語を操る人間の脳を理解できる。文脈依存文法の能力が発現するのだと学んだ。
●そしてセバスチャン・スンの「コ
ネクトーム」
●シンギュラリティ(技術的特異点)とはコンピュータ・テクノロジーが指数関数的に進化を遂げ続けた結果、2045年頃にその未来を人間が予測できなくな
るとする仮説のことである。人工知能が自らを規定しているプログラムを自身で改良するようになると、永続的に指数関数的な進化を遂げる。この結果、ある時
点で人間の知能を超えて、それ以降の発明などはすべて人間ではなく人工知能が担うようになる。つまり、人工知能が人間の最後の発明になるという、仮説であ
る。このシンギュラリティについて、米国のコンピューター研究者であるレイ・カーツワイル氏は、著書『The Singularity Is
Near: When Humans Transcend
Biology』中で、2045年にその特異点を迎えると予言している。私は意味を理解できる自動翻訳機が2045年頃までに可能かといわれればあるいは
とは思うが、人工知能が自らを規定しているプログラムを自身で改良するようになって、永続的に指数関数的発展を遂げるというシンギュラリティは来ないと思
う。
●1980年代に提唱した「モラベックのパラドックス」(Paradox No.055)というものがある。大人ができることよりも子供ができることの方が、コンピューターで実現
するのは難しいというものだ。コンピューターに知能テストを受けさせたりゲームをプレーさせたりするよりも、1歳児レベルの知覚と運動のスキルを与える方
がはるかに難しいか、あるいは不可能である。60〜70年代にかけて「医療診断をするAI」や「定理を証明するAI」など、専門家ができることが次々と実
現。最近ではクイズでチャンピオンに、将棋でプロ棋士に勝つAIも現れた。すごいことだが、AI研究者からすると驚くには当たらない。一方で、画像に映っ
ているものが猫か犬かを判定するような「画像認識」や、「積み木を上手に積む」といった運動スキルなど、子供でもできるようなことは何十年も、コンピュー
ターには一向にできなかった。ところが2012年、ジェフリー・ヒントン・トロント大教授らのチームは画像認識のタスクで、従来を大きく上回る精度を達
成、研究者たちをあっと言わせた。ディープラーニング(深層学習)という技術だ。画像を見分けるという、まさに「子供にでもできること」で精度が大幅に向
上した。その後、今年2月に米マイクロソフト、3月には米グーグルが、人間の画像認識の精度を超えるプログラムを開発。ついに「子供のAI」が現実のもの
になり始めた。
●グーグルはまだ研究開発の途上であるとしつつも、英国の科学専門誌『ネイチャー』で2020年には検索技術が大きく変わる可能性があることを示唆し
ている。人間の意図を理解した上で回答する「セマンティック検索」の実用化を意識しているものと考えらえる。
●2012年には、Googleの開発したグーグル・ブレインが、猫の概念を学習することに成
功している。これを「強いAI」という。対してアルゴリズムをつかったAIを「弱いAI」という。
●グーグルは「ブロック崩し」などの電子ゲームの攻略法を遊びながら自ら編み出し、人間以上の高得点を出せる人工知能(AI)を開発した。AIが取り入
れたのは、コンピューターが学習によって判断基準をつくり出し自ら賢くなる「深層学習(ディープラーニング)」と呼ぶ最先端の研究分野。人間が教えなくて
も大量のデータから精度を高めることができ、人間を上回る能力の獲得も可能だ。将来はロボットや自動運転車などの次世代技術に幅広く応用が見込める。AI
開発はグーグルのほかフェイスブック、ヤフー、IBMなど米IT(情報技術)大手が相次いで研究拠点を設けるなど先行している。日本は1980年代に国家
プロジェクトでAI開発を先導したが、応用が広がらず頓挫。2015/2/26 3:00
●米グーグル傘下の人工知能(AI)開発ベンチャー、「ディープマインド」(英国)が開発した囲碁AI「アルファ碁」はモンテカルロ木探索に
ディープニューラルネットワークを組み合わせており、自ら対局を繰り返して試行錯誤し強化学習を行った。既存の囲碁ソフト
との対戦では勝率99.8%を達成。2015年10月に欧州チャンピオンのファン・フイ氏と対戦したところ、5戦全勝した。2016/3にソウルで、世界
的なトップ棋士、李世九段との5回戦に挑み1敗4勝の成績。碁はチェスや将棋に比べて盤面が広く、局面の数は「10の360乗」に達するとされる。
天文学的な数の局面
をすべて計算し予測するのは最新のコンピューターでも不可能で、プロ棋士の能力を超えるのは早くて10年先とみられていた。米グーグルは、自社のディープ
ラーニングソフトウエアライブラリ「TensorFlow」の分散化機能を強化。AlphaGoでも、本番対局では分散処理バージョンを使った。2015
年10月に欧州のプロ棋士と勝負した際は、1202台のCPUと176台のGPU(グラフィカル・プロセシング・ユニット)で並列処理させた。自己対局に
よる強化学習でも、グーグルのIaaS(Infrastructure as a Service)「Google Cloud
Platform」が持つ大量のコンピューティング資源を活用した。コンピューターは囲碁の領域で「シンギュラリティ(技術的特異点)」に達した、と言わ
ざるを得ない。
●カナダの商用量子コンピュータメーカーであるD-Wave
Systemsは2015年9月28日(現地時間)、米Google、米航空宇宙局(NASA)、米大学宇宙研究連合(USRA)の3者が共同で運用して
いるD-Wave製量子コンピュータに関して、利用契約を7年間延長したと発表した。Googleは2013年5月にNASAなどと提携して
「Quantum Artificial Intelligence
Lab(QuAIL、量子人工知能研究所)」を設立し、シリコンバレーにある「NASA Ames Research
Center」でD-Waveの量子コンピュータ「D-Wave
Two」を運用し、性能のテストなどを行ってきた。D-Waveは、東京工業大学の西森秀稔教授と門脇正史氏が提唱した理論「量子アニーリング」に基づく
量子コンピュータだ。GoogleとNASAはこれまで、D-Waveの量子コンピュータを使って、機械学習などの
組み合わせ最適化問題の高速化が可能かどうか、検証を続けてきたという。具体的なアプリケーションとしては、Web検索や音声認識、プランニングやスケ
ジューリング、航空管制、惑星探索ロボットのアルゴリズム開発などを挙げている。D-Wave
2Xのプロセッサは超伝導現象を使用して量子計算を実行する。プロセッサはニオブ(Nb)という超伝導材料で作られており、「ジョセフソン接合」と呼ばれ
る超伝導回路を12万8000個集積して、1000個を超える量子ビットを実現した。D-Wave
Systemsはこのプロセッサを「商用の超伝導回路として最も集積度が高い」と主張している。より低い温度で稼働させることなどにより、D-Wave
2XはD-Wave Twoに比べてノイズを50%削減しているという。D-Wave
Systemsは、量子ビットを増やしたり、量子ビットのノイズを減らしたりすることによって、同社の量子コンピュータの性能が大きく向上したと主張して
いる。ここで言う性能とは、複数ある組み合わせの中から、最も条件に合う組み合わせを選び出す「組み合わせ最適化問題」を解く時間の短さのことである。D
-Waveの量子コンピュータは、組み合わせ最適化問題を解くための専用機であるからだ。
●ニューラルネットワークの処理は逐次処理のノイマン型コンピュータでは処理効率が低く、実用する際には専用プロセッサとして実装される場合が多
い。ゲーム用PCの高速画像プロセッサーなどを開発する米Nvidia(エヌビディア)は、2015年1月にラスベガスで開催された家電見本市「2015
International
CES」で最新の自動運転技術を発表、人工知能を採用した制御方式を公開した。このシステムを自動車に搭載すると、カメラで捉えたオブジェクト(物体)を
高精度で把握し、周囲の状況を理解する。ドイツAudiはこのシステムの採用を表明している。NvidiaのCEO(最高経営責任者)、Jen-Hsun
Huang(黃仁勳)氏がCESで発表したのが、自動運転開発プラットフォームの「Nvidia
Drive PX」
である。同氏は、車載センサーのトレンドとして、レーダーなどがカメラによって置き換えられていることを指摘した。複数の車載カメラを統合する方法で、運
転支援システム(ADAS:Advanced Driver Assistance Systems)や、自動運転車(Auto-Pilot
Car)開発が可能となる。同社のARM系の省電力統合型プロセッサのシリーズ「Tegra
X1」を2個搭載。並列処理、もしくは2多重に利用できる。Tegra X1は「Tegra
K1」の後継製品で、テラフロップス(毎秒1兆回の浮動小数点演算)を超える性能を有する。これは、かつてのスーパーコンピューターと同等の演算能力に相
当するため、NvidiaはTegra X1をスパコンチップ(Mobile Super Chip)と呼んでいる。Drive
PXは12台のHDカメラ(60Hz:毎秒60コマ)と接続でき、毎秒1.3ギガピクセル分のデータを処理する。自動車の前後左右や車内に搭載される、最
大12台のカメラで捉えたイメージを、同時に処理できるパワーを持っている。Drive PXは画像認識(コンピュータビジョン)に、「Deep
Neural Network」を採用した。Deep Neural
Networkとは機械学習のアルゴリズムで、脳の構造を模したネットワークでデータから高次の意味を抽出できる。Deep Neural
Networkを自動車に応用すると、単にオブジェクトを認識するだけでなく、置かれた状況を理解することができる。従来モデルでは、車種ごとにフィル
ター(Feature Detector)を開発する必要があった。しかしDeep Neural
Networkでは、システムが自動車を認識し、そのサブクラス(Passenger
CarやVanなど)を教育するだけで、分別が圧倒的に効率的になった。この事例では、40時間分のビデオを入力し、16時間の教育を施すことで、区別が
できるようになった。Deep Neural
Networkは、事前にGPU(画像処理プロセッサー)搭載のスーパーコンピューターで学習を重ねる。具体的には、大量のイメージをDeep
Neural
Networkに読み込ませ、パラメータを最適化する。読み込んだイメージが何かを教育するのであるが、実際には大量のパラメータを最適化する作業とな
る。教育されたDeep Neural Networkが出来上がると、これを車載Drive
PXに読み込ませてシステムが完成する。運転中に車載カメラから読み込んだイメージを、Drive PX上のDeep Neural
Networkに入力して、オブジェクトを分類する。Drive PXは同時に150のオブジェクトを認識できる。NvidiaはDeep
Learningの技法に「AlexNet」を利用している。AlexNetとは、カナダ・トロント大学のAlex
Krizhevskyらにより開発された方式で、「Convolutional Neural
Networks(CNN)」畳み込みニューラルネットワーク)という技法を使っている。CNNは多層ネットワークで、入力イメージから、特徴を抽出し、
オブジェクトを分類する。ニューロン(計算素子、写真の丸の部分)の数は6万5000(ロブスターの脳の半分程度)で、パラメーターの数は6000万。こ
のプロセスには大規模な演算量が必要となるため、NvidiaのGPUが威力を発揮する。ちなみに、市場には様々なDeep
Learning開発フレームワークがあるが、Nvidiaは米カリフォルニア大学バークレー校(UC
Berkeley)が開発した「Caffe」をサポートしている。NvidiaはAudiと10年にわたって共同開発を続けており、Audi上級副社長の
Ricky Hudi氏はDrive PXを採用する計画を明らかにした。既に開発を進めている画像認識システムのプラットフォームとして、Drive
PX を使う。これは超並列システムと機械学習(Machine
Learning)を応用したシステムで、Audiの自動運転車が市場に登場するのはそう遠くないとしている。実際、Audiは自動運転車「RS7」のコ
ンセプトカー「Bobby」を、ドイツのホッケンハイムレース場で試験走行し、時速200キロで走行することに成功した。自動車にドライバー
は搭乗しておらず、自律走行でレース場を駆け抜けた。ここはF1レースが開催される名門コースで、Bobbyの“スキル”はトップレーサーの技術に相当す
る、との評価を受けた。独アウディは2015年3月10日、2017年に高速道路での渋滞時を想定した自動運転車を実用化することを明らかにした。最上
級モデル「A8」の新型車に最新のレーダーやセンサーなどを搭載。時速60キロメートル以下の条件で自動的に走ったり止まったりできるようにする.。
2017年に発売予定の新型A8は(運転)支援から自動運転に移行する最初のモデルになる。自動駐車機能も加えるという。高速道路での走行に限り、自動運
転から運転手による操作に戻す際には10秒前に警告を出すようにする。(完全な)自動運転車にはもう少し時間がかかる。ロブスターの運転手に任せる気にな
るかは、実績次第。
2016/4での米NVIDIA社が開発した自動運転車「BB8」はフロントガラスの上側につけた1台のカメラで撮影した映像をもとに、
「DAVENET」と呼ぶニューラルネットワークが、レーンをキープするようにハンドルを操作する。DAVENETは8層のCNN
(Convolutional Neural
Network)で、運転に利用するカメラと車両の左右それぞれにあるカメラの合計3台のカメラの映像を入力に使い、同乗した運転手のハンドル操作を教師
信号として、教師あり学習をさせた。DAVENETは東京工業大学の「TSUBAME」など世界のスーパーコンピューターやデータセンターに次々と採用さ
れるようになった初代の「DRIVE PX」に2個搭載された「Tegra X1」のうち1個の上で動作する。「最新機種のDRIVE
PX2を使わなくても、DRIVE
PXの性能で十分以上に足りる」。宅配ピザの箱3つ分の大きさに最新のGPU「テスラP100」を8個搭載した同スパコンの性能は、1台で米インテルなど
のCPU(中央演算処理装置)を搭載した標準的なサーバー250台分に匹敵。従来のサーバーで150時間の作業が2時間で済むという。10年間で50兆円
を超える事業機会をもたらすとされる最先端技術に欠かせない黒子役となりつつある。GPUの生産は米クアルコム、アップル、英ARMホールディングスなど
の製造ラインを持たない企業(ファブレス)が顧客の半導体受託生産の世界最大手、台湾積体電路製造(TSMC)に大半を委託している。需要に追いつかず、
日本では一時、入手が困難になった。自動運転などのAIでは、半導体の巨人インテルや米アドバンスト・マイクロ・デバイス(AMD)も覇権を狙う。
●自動ブレーキの中核技術である画像認識で世界を席巻したのがイスラエルMobileye社だった。しかし2017年にはいると自動ブレーキ分野にも米NVIDIA社が採用されている。
●IT大手のDeNAとロボット開発のZMPの合弁会社のロボット・タクシー社が藤沢市の湘南大庭地区で2016//2に無人タクシーの実験を行う。片側
2車線のみ自動運転とする。2020年の実用化を目指す。兵庫県の赤穂のテストコースでも三菱電機が自動運転車のテストをしている。VOLVOの車載コンピューターにはNVIDIA社の「DRIVE PX2」を用いる。
●自動運転システム開発メーカー
AImotive/Continental/Delphi
Automotive/Drive.ai/FiveAI/Innoviz Technologies/
Mobileye/NVIDIA/Oxbotica/Preferred Networks/ Quanergy Systems/ Robert
Bosch/ Valeo/ Velodyne LiDAR/ZF Friedrichshafen/パイオニア
●地図・位置情報事業者 HERE/TomTom
●トヨタはAIの有力研究機関である米スタンフォード大学に近い米カリフォルニア州パロアルト市に「トヨタ・リサーチ・インスティテュート」を設立する。
米ボストンや東京にも拠点を開く予定だ。当面、200人の研究者を確保することを目指す。新会社の最高経営責任者(CEO)には米国防総省の国防高等研究
計画局(DARPA)でロボットコンテストの運営に携わったギル・プラット氏を招く。AI研究の第一人者である同氏の人脈や知名度を活用し、採用などを有
利に進めたい考え。プラット氏は6日、「安全、アクセシビリティー(高齢者や障害者らの利用しやすさ)、ロボットの3分野で研究に取り組む」と述べた。
●交流サイト(SNS)の米フェイスブックもAIに通じた有力研究者を招き、13年にAI研究所を設立した。50人体制で、画像解析や音声処理の研究を進
めている。シリコンバレー企業以外でも米IBMや中国の百度(バイドゥ)などが人材の確保や新興企業との連携に動く。トヨタも「競合企業と同等の処遇で雇
用する」(プラット氏)としており、人材争奪戦が一段と激しくなりそうだ。
●オルツ社はSNSなどの通信記録を人工知能に機械学習させれば人の人格や記憶をシミュレート可能かもしれないと努力している。しかしコネクトームを知らずして果た
して可能なのか?
●日本ではお上が企画した第5世代コンピュータの失敗の後遺症がおおきく、人工知能に将来はないと皆が思い込んでいる。私も昔、医薬品事業部を率いている
とき、マッキントッシュ上に構築された前向き推論や後ろ向き推論ができるエキスパートシステムを使って症状、判断基準、治療法などを組み込んだ診断システ
ムが開発できるか勉強したことがあったが、この手法はプログラマーの能力を超えることになり、無理だとすぐさとった。ニューラルネットワークがでてきて、
ようやくアルゴリズムで構築する必要はなくなったが、その神経細胞の結合の重み係数を人間が決めなくてはならず依然学者の趣味の世界だった。その後、重み
係数も進化論の手法で自動的に探すことが可能ということになると、もう学問の世界ではなく、応用を探すゆけゆけどんどんの時代にはいった。
応用するかという用途探しの時代にはいってもなにもわからない権力を握る文系経営者は無関心のまま。いっそトップマネジメントをAIに置き換える需要がでるかもしれない。
日本の失敗はアルゴリズムで人工知能ができると思い込んだ国立研究所の研究者の予算要求になにもわからない文系役人が予算を配分し、壮大な損失を生んだこ
とにある。これがトラウマとなり、だれも手をださなくなったというわけ。その失敗をみていた米国はニューラルネットワークに機械学習させるという人間が学
ぶとおなじメカニズムで機械に自分で学習させることにして成功した。以後なら試合すればするほど、相手が強いほどどこまでも学んでゆく。自律運転も同じ線
上にあるわけ。
このように日本のピラミッド構造=上からの命令で一斉に動く閉鎖的システムは戦後のキャッチアップフェーズでは大きな力を発揮できたが、新しいことへの取
り組みは日本のシステムからはでてこない。文部省が君臨している間は日本に未来はないと思っている。中国の成功も日本モデルに従って共産党指導体制だか
ら、中国も日本とおなじにじり貧となるはずとよんでいる。トヨタは文系の御曹司がトップだがなぜかどこか違うのかもしれない。
Rev. January 18, 2017