『天才メイカーズ』（2021年）は、現在進行中の人工知能開発競争の物語を伝えます。AIの黎明期から今日の論争に至るまで、その広大な歴史を包括的にレポートする一冊です。
この要約で学べること：人工知能の小史
1968年、映画『2001年宇宙の旅』は、独自の意思と計画を持つ邪悪なスーパーコンピューターHALを世界に紹介しました。もちろん、そんな高度なテクノロジーはSFの世界の話に過ぎない ― いや、そうでしょうか？ 現在、世界中の政府研究員、大学教授、そして夢見る起業家たちが、真の人工知能の開発をめぐって激しい競争を繰り広げています。そして、AIに近い多くの技術はすでに私たちの生活の一部となっています。
この要約では、私たちがここに至るまでの道のりと、現代のトレンドが将来どこへ向かうのかを探ります。GoogleやMicrosoft、OpenAIといった最先端企業の専門家への詳細な取材と数百回のインタビューに基づき、このAI情勢の概観は、SFが私たちの想像以上に現実に近づいていることを示しています。この要約で、以下のことがわかります。
- 目にする動画すべてを信じてはいけない理由
- 人間の脳がコンピューターより優れている点
- 一冊の本が「AIの冬」を引き起こした経緯
- 1958年7月7日。
- ワシントンD.C.の米国気象局のオフィス奥深くで、冷蔵庫ほどの大きさの巨大なコンピューターの周りに男たちが集まっている。
人工知能の初期研究は懐疑の目で見られた
- コーネル大学の若き教授フランク・ローゼンブラットが、コンピューターに一連のカードを見せる様子を、彼らはじっと見守っている。
- 各カードの片面には黒い四角が印刷されている。
- その機械は、左側にマークがあるものと右側にあるものを識別することになっている。
- 最初は、それが区別できない。
- しかし、ローゼンブラットがフラッシュカードを続けるにつれて、精度が向上していく。
- 50回の試行の後、カードの向きをほぼ完璧に識別できるようになった。
- ローゼンブラットはこの機械を「パーセプトロン」と名付けた。
- 今日では初歩的に思えるが、これは現在人工知能（AI）と呼ばれるものの初期の先駆けだった。
- しかし当時は、物珍しいだけのものと見なされていた。
- ここでのポイント：人工知能の初期研究は懐疑の目で見られた。
- 今日、ローゼンブラットのパーセプトロンとその後継機であるマークIは、ニューラルネットワークのごく初期のバージョンとして認識されている。
- ニューラルネットワークは、時に機械学習と呼ばれるプロセスを使用するコンピューターであり、現在私たちが人工知能と呼ぶものの多くを支えている。
- 最も基本的なレベルでは、大量のデータを分析し、パターンを探すことで機能する。
- ネットワークがより多くのパターンを識別するにつれて、分析アルゴリズムを洗練させ、より正確な情報を生成する。
- 1960年当時、このプロセスは遅く、多くの試行錯誤を伴った。
- マークIを訓練するために、科学者たちはA、B、Cなど一文字ずつ印刷された紙片をコンピューターに与えた。
- 一連の計算を用いて、コンピューターは見た文字を推測した。
- そして人間がその推測を正解か不正解かマークした。
- マークIは次により正確に推測できるように計算を更新した。
- ローゼンブラットのような科学者たちは、このプロセスを人間の脳のそれと比較し、各計算はニューロンのようなものだと主張した。
- 時間とともに更新・適応する多くの計算を接続することで、コンピューターは人間のように学習できるだろうと。
- ローゼンブラットはこれを「コネクショニズム」と呼んだ。
- しかし、MITのコンピューター科学者マービン・ミンスキーのような反対者もいた。
- 1969年の著書で、ミンスキーはコネクショニズムの概念を批判した。
- 機械学習はより複雑な問題を解決できる規模に拡大することは決してないと主張した。
- ミンスキーの本は非常に影響力があることが証明された。
- 1970年代から80年代前半にかけて、ニューラルネットワーク研究への関心は低下した。
- この「AIの冬」の間、ニューラルネットワーク研究に資金を提供する機関はほとんどなく、機械学習の進歩は停滞した。
- しかし完全に止まったわけではなかった。
- 少数の科学者たちはコネクショニズムを弄び続けた。次のセクションで見ていく。
- ジェフ・ヒントンは当初からアウトサイダー的存在だった。
- 1970年代初頭、彼はエディンバラ大学で博士号を取得した。
ディープラーニングがニューラルネットワークをテクノロジー界の新たな寵児にした
- それはAIの冬の真っ只中だったが、ヒントンは依然としてコネクショニスト的なアプローチを好んだ。
- 当然ながら、卒業後、職探しに苦労した。
- その後約10年間、ヒントンはアカデミアを漂流した。
- カリフォルニア大学サンディエゴ校、カーネギーメロン大学、そして最終的にトロント大学に職を得た。
- その間もずっと、彼は機械学習の理論を洗練し続けた。
- 彼は、さらに計算の層を追加する「ディープラーニング」と呼ばれるプロセスが、ニューラルネットワークの可能性を解き放つと信じていた。
- 年月を経て、彼は少数の懐疑論者を説得し、ゆっくりではあるがいくらかの進展を遂げた。
- そして2008年、彼はマイクロソフトのコンピューター科学者リー・デンと出会った。
- ここでのポイント：ディープラーニングがニューラルネットワークをテクノロジー界の新たな寵児にした。
- リー・デンとジェフ・ヒントンが最初に話したのは、ブリティッシュコロンビア州ウィスラーで開催されたAIカンファレンスNIPSでのことだった。
- 当時デンは、マイクロソフト向けに音声認識ソフトウェアを開発していた。
- ヒントンはチャンスを認識し、ディープラーニングニューラルネットワークが従来のアプローチを凌駕できると提案した。
- デンは懐疑的だったが興味をそそられ、二人は協力することにした。
- デンとヒントンは2009年の大半をワシントン州レドモンドのマイクロソフト研究所で過ごした。
- 二人は共同で、数百時間に及ぶ録音音声を機械学習モデルを使って分析するプログラムを書いた。
- そのプログラムは、通常コンピューターゲームに使われる特殊なGPU処理チップ上で動作した。
- 数週間にわたる処理の後、結果は驚くべきものだった。
- プログラムは音声ファイルを分析し、驚異的な精度で個々の単語を抽出できるようになった。
- すぐに他のテクノロジー企業も同様のプログラムを試し始めた。
- Googleの科学者ナヴディープ・ジェイトリーは、独自のディープラーニングマシンを使ってさらに良い結果を達成した。彼のプログラムのエラー率はわずか18％だった。
- これらの初期の成功は、ニューラルネットワークの潜在的な力を強く示すものだった。
- さらに研究者たちは、同じ基本概念が画像検索から自動運転車のナビゲーションまで、多様な問題の分析に応用できることに気づいた。
- 数年以内に、ディープラーニングはシリコンバレーで最もホットなテクノロジーとなった。
- 常に野心的なGoogleは、ヒントンの研究会社DNNresearchや、ロンドンを拠点とするDeepMindなど他のAIスタートアップを買収することで先頭を切った。
- しかしこれはほんの始まりに過ぎなかった。
- その後の数年間で、競争はさらに激化するばかりだった。
シリコンバレーの大企業がAI研究に巨額を投じた
- 2013年11月、クレマン・ファラベが自宅で静かな夜を過ごしていると、突然電話が鳴った。
- 友人か同僚だと思って電話に出た。
- ところが聞こえてきたのはマーク・ザッカーバーグの声だった。
- その電話は驚きだったが、完全に予想外というわけでもなかった。
- ファラベはニューヨーク大学のディープラーニング研究所の研究員だった。
- 数週間前から、Facebookの様々な社員が彼を同社に引き抜こうと試みていたのだ。
- ファラベはためらっていたが、CEO自らの勧誘に興味をそそられた。
- もちろん、ファラベだけではなかった。
- 彼の同僚の多くも同様のオファーを受けていた。
- シリコンバレーのテクノロジー大手は採用競争に突入し、各社ともAIという新興分野で業界のリーダーになろうと決意していた。
- ここでのポイント：シリコンバレーの大企業がAI研究に巨額を投じた。
- 2010年代初頭、ディープラーニングとニューラルネットワークはまだ比較的新しい技術だった。
- しかし、FacebookやApple、Googleなどの野心的なテック起業家たちは、人工知能こそ未来だと確信していた。
- AIがどのように収益を生み出すのか正確には誰もわからなかったが、各社とも最初にそれを見つけ出そうとした。
- GoogleはDeepMindを買収することで先手を打ったが、FacebookとMicrosoftもすぐ後に続き、それぞれ数百万ドルを投じてAI研究者を雇った。
- Facebookのようなソーシャルメディア企業はAIに何を見出したのか？
- 最先端のニューラルネットワークがあれば、サーバー上の膨大なデータを意味づけることでビジネスを最適化できる。
- 顔を識別したり、言語を翻訳したり、購買習慣を予測してターゲット広告を配信したりできるようになる。
- 将来的には、友人へのメッセージ送信や注文といったタスクを実行できる高度なボットを操作することさえ可能になるかもしれない。
- 要するに、サイトに命を吹き込むことができるのだ。
- Googleもまた、自社の研究に同様の壮大な計画を描いていた。
- アネリア・アンジェロバやアレックス・クリジェフスキーのようなAI専門家は、Googleストリートビューのデータを使って、実世界の都市の複雑さを機敏にナビゲートできる自動運転車を訓練することを思い描いていた。
- 別の研究者であるデミス・ハサビスは、同社の運営に不可欠な何百万台ものサーバーのエネルギー効率を向上させるニューラルネットワークを設計していた。
- メディアでは、これらのプロジェクトは先進的で世界を変える可能性があると大々的に報じられた。
- しかし誰もがそれほど楽観的だったわけではない。
- オックスフォード大学の哲学者ニック・ボストロムは、AIの進歩が容易に悪い方向へ進む可能性があると警告した。
- 超知能マシンは予測不能で、人類を危険にさらすような決定を下す可能性があると提唱した。
- しかし、そんな警告も投資の急拡大を鈍らせることはなかった。
- 囲碁をプレイしたことはあるだろうか？
ニューラルネットワークは多くの分野で人間を凌駕する可能性を秘めている
- 一見すると、白黒の石を交互に格子状の盤に置き、互いに相手を囲もうとするシンプルなゲームだ。
- しかし実際には、囲碁は信じられないほど複雑だ。
- 対局には膨大な数の潜在的な手があり、あまりに予測不能なため、2015年までは、最高の人間プレイヤーをコンピューターが打ち負かすことはありえなかった。
- その年の10月、GoogleのAIプログラム「AlphaGo」が、トップランクのプレイヤーであるファン・フイと対戦した。
- 数百万の棋譜を分析して訓練されたニューラルネットシステムAlphaGoは、止められなかった。
- 5連勝した。
- 数ヶ月後には、当時の人間のチャンピオンであるイ・セドルを破った。
- 明らかに、AIは転換点を迎えていた。
- そして科学者たちがニューラルネットワークを研究すればするほど、それらはより強力になった。
- ここでのポイント：ニューラルネットワークは多くの分野で人間を凌駕する可能性を秘めている。
- ローゼンブラットがパーセプトロンの実験を始めてから数十年で、ニューラルネットワークの能力は飛躍的に向上した。
- この信じられないほどの急伸は、二つのトレンドによって加速された。
- 一つは、コンピュータープロセッサが高速化・低廉化し続けたことだ。現代のチップは以前のモデルよりはるかに多くの計算が可能だ。
- 二つ目は、データが豊富な資源となったため、ネットワークを多種多様な情報で訓練できるようになったことだ。
- これらの発展の結果、研究者たちは機械学習の原理を様々な問題に創造的に応用できるようになった。
- 例えば、糖尿病網膜症の診断の問題を考えてみよう。
- この一般的な病気は、治療しなければ失明を引き起こす。
- しかし早期発見には通常、熟練した医師が患者の眼を注意深く診察し、小さな病変、出血、微妙な変色を調べる必要がある。
- インドのように医師が不足している国では、全員を診察するのに十分な人手が常にあるとは限らない。
- そこに登場したのが、Googleのエンジニア、ヴァルン・グルシャンと医師のリリー・ペンだ。
- 二人の科学者は協力して、糖尿病網膜症を効率的に診断する計画を考案した。
- インドのアラビンド眼科病院から提供された13万枚のデジタル眼底画像を用いて、二人は病気の微妙な警告サインを見つけるようニューラルネットを訓練した。
- データを処理した後、彼らのプログラムはどんな患者の眼でも数秒で自動分析できるようになった。
- しかも、その精度は90％で、訓練を受けた医師とほぼ同等だった。
- 同様のプロジェクトがヘルスケアの未来を一変させる可能性がある。
- ニューラルネットワークは、X線、CTスキャン、MRIなどあらゆる種類の医療データを分析し、病気や異常を効率的に発見するよう訓練できるだろう。
- やがては、人間には微かすぎて見えないパターンさえも識別できるようになるかもしれない。
より高度なAIは現実認識を歪める可能性がある
- Twitterのフィードをスクロールしているところを想像してほしい。
- いつものもの ― 短いジョーク、ターゲット広告、ポップカルチャーをめぐる激しい口論 ― が目に入る。
- すると、あなたの目を引くものに出くわす。ドナルド・トランプの動画だ。
- しかしそれは、あなたが知っているドナルド・トランプではない。
- そのトランプは流暢な北京語を話している。
- しかも、下手な吹き替えではない。口の動きは聞こえる音節と完全に同期しており、身振りもスピーチのリズムに合っている。
- しかし、何度もクリップを再生するうちに、小さな不具合や矛盾に気づく。
- 動画は偽物だが、それでも非常に説得力がある。
- 今回は騙されなかったが、AI技術が進歩すれば、将来はそれほど自信が持てなくなるかもしれない。
- ここでのポイント：より高度なAIは現実認識を歪める可能性がある。
- 2010年代初頭、機械学習研究は、コンピューターに情報内のパターンを見つけることを教えることに焦点を当てていた。
- 大規模な画像セットで訓練されたAIプログラムは、内容に基づいて写真を識別・分類するのが得意だった。
- しかし2014年、Googleの研究者イアン・グッドフェローが異なるアイデアを提案した。
- AIは全く新しい画像を生成することを学べるだろうか？
- そのためにグッドフェローは最初の「生成的敵対ネットワーク（GAN）」を設計した。
- これらは二つのニューラルネットが互いに訓練し合うことで機能する。
- 最初のネットワークが画像を生成し、もう一方が複雑なアルゴリズムを使ってその正確さを判定する。
- 二つのネットワークが何度も情報を交換するにつれて、新しい画像はますますリアルになっていく。
- 偽画像は昔から存在したが、GANによって、あらゆる人物や物のリアルなレンダリングをかつてないほど簡単に生成できるようになった。
- アーリーアダプターたちはすぐにこの技術を使って、政治家やポップスターなどの説得力のある動画を作成した。
- こうした「ディープフェイク」の中には無害な遊びもあるが、人々をポルノ画像に仕立て上げるものもあり、明らかな危険信号を発している。
- ディープフェイクだけがAI研究が直面する問題ではない。
- 批評家はまた、この分野の人種的・性別的バイアスの問題も指摘している。
- 2018年、コンピューター科学者のジョイ・ブオラムウィニは、GoogleとFacebookが設計した顔認識プログラムが、白人男性以外の顔を識別する際に性能が落ちることを示した。
- ネットワークは白人男性に偏ったデータで訓練されていたため、精度が歪められていたのだ。
- こうした発見は、AIが抑圧的になりうるという懸念を当然のこととして抱かせた。このテーマは次のセクションで探求する。
- 2017年秋、ニューヨークに拠点を置くAI研究開発スタートアップClarifaiのエンジニア8人が奇妙な任務を与えられた。
AIは政治的目的に容易に悪用されうる
- 彼らは、人物、車両、建物を識別できるニューラルネットワークを構築するよう依頼された。特に、砂漠環境での動作に優れていることが求められた。
- エンジニアたちは躊躇しながらも作業を始めたが、すぐに不穏な噂が広まった。
- チームが開発しているのは一般の顧客向けではなく、米国防総省向けだったのだ。
- 彼らの新しいニューラルネットワークはドローンをナビゲートするためのものだった。
- 知らぬ間に、彼らは政府の兵器計画の一部になっていた。
- ニュースが報じられた後、エンジニアたちはプロジェクトを辞めた。
- しかしこれは序の口だった。
- AIはますます政治の世界と絡み合っているようだった。
- ここでのポイント：AIは政治的目的に容易に悪用されうる。
- AIの成長する能力を探求したがっていたのは民間企業だけではなかった。
- 政府もまた、機械学習技術の変革の可能性にますます気づき始めていた。
- 中国では、国務院が2030年までにAIの世界的リーダーになるという野心的な計画に資金を提供した。
- 同様に、米国政府もAIシステムの開発に、しばしば軍事目的で、増え続ける資金を投じていた。
- 2017年、国防総省とGoogleは「Project Maven」と呼ばれる数百万ドル規模の新たなパートナーシップについて協議に入った。
- この契約では、GoogleのAIチームが国防総省のドローンプログラムを最適化するニューラルネットワークを開発することになっていた。
- 当然ながら、軍事支援の見通しに多くのエンジニアが不快感を覚えた。
- 3,000人以上の従業員が契約破棄を求める嘆願書に署名した。
- 最終的に同社は折れたが、Googleの役員会は将来的なパートナーシップを排除していない。
- 一方、Facebookも独自の政治的論争に巻き込まれていた。
- 2016年の選挙期間中、Cambridge Analyticaという英国のスタートアップが5,000万件のFacebookプロフィールから個人データを収集し、ドナルド・トランプのための誤解を招く選挙広告を作成するのに利用した。
- このスキャンダルは、プラットフォームのモデレーション問題を浮き彫りにした。
- あまりに多くのユーザーを抱える中で、サイトは過激なプロパガンダや「フェイクニュース」としばしば呼ばれる誤情報を含むコンテンツの温床となっていた。
- 2019年、ザッカーバーグは議会で、自社が有害なコンテンツを取り締まるためにAIを活用すると証言した。
- しかし、その解決策は完璧ではない。
- 最先端のニューラルネットワークでさえ、政治的言説のニュアンスを解析するのに苦労している。
- それだけでなく、悪意あるAIは、モデレーションされるのと同じ速さで新たな誤情報を生み出すことができる。
- 現実には、AIを善用する者は常に悪意ある行為者との軍拡競争に巻き込まれるだろう。
- 2018年5月の明るい春の日、カリフォルニア州マウンテンビューのショアライン・アンフィシアターは満員だ。
ニューラルネットワークは未だ人間のように考えたり学んだりはしない
- 観客は熱狂している。
- しかしステージ上の男はギターを振り回すロックスターではない。
- いや、それはGoogleのCEOサンダー・ピチャイで、彼は電話を手にしている。
- これはテクノロジー企業の年次カンファレンスI/Oだ。
- ピチャイはGoogleの最新イノベーション、Googleアシスタントのデモを行った。
- WaveNetと呼ばれるニューラルネット技術を使って、アシスタントはリアルな人間の声で電話をかけることができる。
- ピチャイが流したクリップでは、AIプログラムがレストランの予約を成功させていた。カフェの女性は、自分がコンピューターと話していることにさえ気づかなかった。
- AIの新たな能力はこの観客を驚かせたが、誰もが感心したわけではない。
- ここでのポイント：ニューラルネットワークは未だ人間のように考えたり学んだりはしない。
- ニューヨーク大学の心理学教授ゲイリー・マーカスは、ピチャイのデモを見てただ呆れただけだった。
- 彼は先達のマービン・ミンスキー同様、機械学習の真の可能性に懐疑的だ。
- Googleは自社のAIアシスタントが、人間とほぼ同等の会話理解力を持つと発表したが、マーカスは、実際にはそのプログラムは非常に特定的で予測可能なタスクを実行しているに過ぎないから印象的に見えるだけだと考えた。
- マーカスの議論は「生得論」と呼ばれる学派に依拠している。
- 生得論者は、人間の知性の大部分は進化によって脳に組み込まれていると信じている。
- これにより、人間の学習はニューラルネットのディープラーニングとは根本的に異なるものになる。
- 例えば、赤ちゃんの脳は非常に敏捷なので、1つか2つの例を見せられただけで動物を識別することを学べる。
- 一方、同じタスクを実行するには、ニューラルネットは何百万もの画像で訓練されなければならない。
- 生得論者にとって、この生来の能力の違いが、特に言語理解のような微妙なタスクに関して、ニューラルネットAIが期待されたほど速く進歩していない理由を説明する。
- GoogleアシスタントのAIは基本的な決まりきった会話をこなすことはできるが、平均的な人には容易なより複雑な談話に対応することは到底できない。
- AIは予約をすることはできても、ジョークを理解することはないだろう。
- もちろん、研究者たちはこの障害を克服しようと取り組んでいる。
- GoogleやOpenAIのチームは現在、「普遍言語モデリング」と呼ばれるアプローチを実験している。
- これらのシステムは、よりニュアンスに富んだ文脈特有の方法で言語を理解するようにニューラルネットを訓練し、いくらかの進歩を見せている。
- しかし、それらが素晴らしい会話相手になれるかどうかはまだわからない。
研究者たちはAIを現在の限界を越えて押し進め続けている
- Googleは地球上で最も成功している企業の一つだ。
- この単一の組織は、現代世界を動かすサービスの多くを発明し、運営している。
- また、数百億ドルという莫大な富を生み出している。
- では、Googleが二つ、三つ、あるいは50あったらと想像してみてほしい。
- AIはそれを可能にするだろうか？
- かもしれない。
- 少なくともOpenAIのチーフサイエンティスト、イリヤ・スツケバーはそう考えている。
- 科学者たちが人間の精神と同じくらい有能で創造的な人工知能を構築できれば、それは革命的なことだろう。
- 超知能コンピューターが、さらに優れたバージョンを構築し、それがさらに続く。
- 最終的に、AIは人類を想像すらできない領域へと連れて行くだろう。
- それは崇高な夢だが、現実的なのだろうか？
- シリコンバレーの最も優秀な頭脳でさえ、完全には確信していない。
- ここでのポイント：研究者たちはAIを現在の限界を越えて押し進め続けている。
- フランク・ローゼンブラットが初めてパーセプトロンを発表したとき、懐疑論者がいた。
- しかし楽観論者もいた。
- 世界中で、科学者や未来学者たちは、コンピューターがまもなく技術的能力と知的腕力において人類に匹敵するか、あるいは凌駕すると大胆な主張をした。
- カーネギーメロン大学の教授ハーバート・サイモンは、それがわずか20年で実現すると賭けた。
- 明らかに、そのような予測は完全には当たらなかった。
- しかし進歩の速度は不均一であるにもかかわらず、多くの人々は、人間のような、あるいは超人的な知能 ― 時に「人工汎用知能（AGI）」と呼ばれる ― が可能だと今でも信じている。
- 実際、彼らはそれに賭けている。
- 2018年、OpenAIはAGIの開発を同社の研究の明確な目標として定款を更新した。
- そしてその発表の直後、マイクロソフトは研究チームの野心的な目標に向けて10億ドル以上を投資することに合意した。
- AGIを達成する正確な方法はまだ明らかではないが、研究者たちはいくつかの角度からこの問題に取り組んでいる。
- Google、Nvidia、Intelなどの一部の企業は、ニューラルネットワーク専用に設計された新しい処理チップの開発に取り組んでいる。
- その狙いは、この超加速ハードウェアによって、ネットワークが現在機械学習プログラムが直面している障壁を克服するのに十分なデータを処理できるようにすることだ。
- 一方、機械学習の初期の推進者の一人であるジェフ・ヒントンは異なる道を進んでいる。
- 彼の現在の研究は「カプセルネットワーク」と呼ばれる技術に焦点を当てている。
- この実験モデルは、構造と機能において人間の脳をより忠実に模倣すると言われている。
- それでも、何か具体的なものが実を結ぶまでには何年もかかるだろう。
- その頃には、まったく新しい理論が流行しているかもしれない。
- AIにおいて、未来は常に不確かだ。
最終的なまとめ
- 人工知能技術の最近の進歩は、多くの誇大宣伝、不安、論争を生み出してきた。
- 現在AIと呼ばれているものの多くは、大量のデータを分析しパターンを特定するために一連の計算を用いるプロセスであるニューラルネットワークモデルに基づいている。
- 政府や民間企業はこの技術を磨き、画像検索の最適化やインターネット広告の配信から、病気の診断や自律航空機の操縦に至るまで、あらゆることを行っている。
- AI研究が将来どこに向かうかは不明だが、一部の人々は革命的な製品を提供し続けると賭けている。
