SFでよく使われる概念に、シンギュラリティ（技術的特異点）があります。これは、テクノロジーと人工知能が爆発的に加速し、世界を書き換える瞬間を指します。この現象の起こり方を説明する優れた説明の一つとして、スコットランドのSF作家チャールズ・ストロスが挙げているのは、「人間と同等のAIが急速に自力で事実上の神格へと昇華する、急激な離陸を促すシンギュラリティ」です。
言い換えると、AIが自己改善（「ブーストストラップ」）能力、あるいはより賢い別のAIを構築できる能力を持つ場合、その次のバージョンも同様の能力を持つようになり、まもなく指数関数的な成長が実現する。理論的には、これは人間の知能を急速に超えるシステム、そしてストロスの小説に出てくるような、人間の脳を食べ始めるコンピューターにつながる可能性がある。
生涯学習
この新しい技術は「AutoML」と呼ばれ、機械学習システム（ML）を用いて他の機械学習システムの速度向上や効率化を図るものです。本質的には、他のプログラムに特定のスキルを教えるのではなく、学習方法を教えるプログラムです（いわばアルゴリズムのリベラルアーツカレッジです）。
AutoMLはGoogle Brain部門（Googleのもう一つのAIプロジェクトであるDeepMindとは別物です）が開発した技術です。DeepMindは新しいタスクや状況に適応できる汎用AIに重点を置いているのに対し、Google Brainは、特定のタスクに特化し、卓越したパフォーマンスを発揮するディープラーニングに重点を置いています。
Googleによると、AutoMLは既に音声認識と画像認識用のニューラルネットワークの設計に活用されています。（豆知識：これら2つのタスクを実行するネットワークは通常、ほぼ同じです。画像は通常、ピクセル内の繰り返しパターンを調べることで分析され、音声は音を時間経過に伴う周波数のグラフに変換し、同じ方法で分析されます。）AutoMLによって設計された画像認識アルゴリズムは人間が設計したものと同等の性能を備えており、音声認識アルゴリズムは2017年2月時点で「以前の最先端モデルよりも0.09%向上し、1.05倍高速」でした。
AI を使用した機械学習システムの構築は 2016 年以来注目されている研究分野であり、Google、カリフォルニア大学バークレー校、OpenAI、MIT の研究者は、新しいニューラル アーキテクチャのセットアップとテストに必要な時間を短縮するために取り組んできました。
Tom's Hardware の最高のニュースと詳細なレビューをあなたの受信箱に直接お届けします。
Googleの計画はAIの終末をもたらすことではなく、機械学習の研究や製品に関心を持つ企業の参入障壁を下げることです。GoogleのAutoMLソフトウェアは、「自動化」や「自己強化」というよりも、「自己組織化」あるいは「自己最適化」（バークレー校の研究者が同様のアルゴリズムに用いた用語）と言った方が適切かもしれません。
いいえ、それはジャコウネコです
従来の機械学習には主に2つのアプローチがあります。コンピューターに数千個のラベル付きデータ（例えば、猫の写真と猫ではない写真）を入力し、最終的に「猫」と「猫ではない」を区別するシステムを構築します。このシステムは独自のものであり、必ずしもその仕組みを正確に理解できるとは限りませんが、最終的にはトラ猫を確実に識別できるようになります。
もう一つの方法は、コンピューターをより柔軟な問題、例えば効率的な歩行方法や仮想迷路からの脱出方法などを解くように訓練する方法です。コンピューターには、動作に必要なパラメータと失敗条件が与えられます。そして、コンピューターは実験を開始します。最初はランダムに動作しますが、失敗を除外していくにつれて、解法を絞り込んでいきます。これらの方法を組み合わせることで、AlphaGoはボードゲームの遊び方を学習しました。
自動機械学習は、抽象化のもう1つのレイヤーにすぎません。何千枚もの猫の写真を調べて猫の識別方法を学習するのではなく、アルゴリズムは猫の識別を学習するための最も効率的なシステムを構築しようとします。
これにはいくつかの大きな利点があります。まず、ディープラーニングシステムは分析する入力に合わせて調整する必要があることです。機械学習システムは時間の経過とともに進化しますが、設計が不十分なアルゴリズムは、適切に設計されたアルゴリズムほど高速または正確にならない可能性があり、最適化されたアルゴリズムを設計するのは困難です。直感で作業していると断言するプログラマーもいますが、どのような方法を用いるにせよ、アルゴリズムの調整と改良には時間と専門知識が必要です。また、適切に設計されたアルゴリズムはトレーニングが速く、タスクに習熟するまでの時間と入力が少なくて済む場合があります。
地平線に雲
ご想像のとおり、ニューラルネットを用いて他のニューラルネットのセットを作成しテストするプロセスは、時間と計算量の面で非常にコストがかかります。AutoMLが設計した画像認識アルゴリズムと音声認識アルゴリズムを作成するために、Googleは800基のGPUからなるクラスターに数週間かけて反復処理と数値計算を実行させたと報じられています。
これはおそらくノートパソコンで使えるツールではないでしょうが、Google Cloudのセールスポイントになるかもしれません。AutoMLへのアクセスと、AIに関する深い知識がなくても機械学習システムを構築・改良できる能力は、Googleが長らく後れを取ってきたAWSクラウドサービスであるAmazonに対して、Googleが優位に立つためのツールとなる可能性があります。
AutoML や類似のツールは、機械学習をさまざまな科学者が利用できるようにするための鍵となり、AI を新しい研究分野に導入するのに役立つ可能性があります。
ただし、それがまず私たちの脳を食べなければの話だが。
クリス・ショットは、Tom's Hardware USのアソシエイト寄稿ライターです。バーチャルリアリティを専門に、ニュースや特集記事を執筆しています。
