人工知能：定義、種類、用途、そしてジレンマ

ホーム»人工知能：定義、種類、用途、そして課題

人工知能（AI）は、私たちがほとんど気づかないうちに日常生活に浸透してきました。携帯電話、自動車、ストリーミングプラットフォーム、医療診断、チャットボットなど、これらはすべて、学習、推論、言語理解など、これまで人間特有の能力とされてきたものを機械が模倣できるようにする一連の技術のおかげで機能しています。

AIについて語る時、私たちは単一の魔法のような技術を指しているのではなく、アルゴリズム、数理モデル、ハードウェア、データといった幅広い概念を包括する包括的な概念として捉えています。この包括的な概念の中には、深層ニューラルネットワーク、記号エキスパートシステム、自律型ロボット、対話型アシスタント、そしてテキスト、画像、音楽、コードをゼロから生成できる生成モデルなど、多様なものが含まれています。

人工知能とはいったい何でしょうか?

ユネスコは、科学知識と技術の倫理に関する世界委員会（COMEST）を通じて、2019年にAIを、知覚、学習、推論、問題解決、言語的相互作用、さらには独創的な作品の創造など、人間の知能の機能を模倣できる機械を扱う分野であると定義した。

日常会話では、「人工知能」という言葉は、多かれ少なかれ複雑な問題に直面した際に、知覚、学習、推論、意思決定といった人間の認知プロセスを模倣するあらゆるシステムを指すのに使われることが多い。アンドレアス・カプランやマイケル・ヘンラインといった一部の研究者は、システムが外部データを正しく解釈し、そこから学習し、学習した内容を活用して柔軟に適応することで特定の目標を達成する能力に焦点を当てている。

技術の進歩に伴い、かつてAIと考えられていた多くのツールはもはや「インテリジェント」とは見なされなくなり、単なる一般的なソフトウェアとみなされるようになった。その代表例が光学文字認識（OCR）である。今日では標準的な機能のように思えるが、数十年前は人工知能研究の最先端を行くものだった。

本質的に、AIとは、特定の機械やプログラムがアルゴリズムを使用し、データから学習し、その学習結果を意思決定に適用する能力であり、人間のそれとよく似ていると理解できる。この観点からすると、記号的手法（明示的なルールに基づくもの）と、現代のAIを支配する数値的・統計的手法の両方が、この枠組みに当てはまる。

竹谷氏のような一部の研究者は、これを、推論と観察可能な行動を基本として、典型的な人間の活動を実行できる計算モデルを研究するコンピュータ科学の一分野として直接的に位置づけている。

人工知能システムの種類

この分野で最も影響力のある二人、スチュアート・J・ラッセルとピーター・ノーヴィグは、システムの動作と、思考と行動のどちらに重点を置いているかに基づいて、システムを4つの主要なファミリーに区別する、広く使用されている分類法を提案しています。

• 人間のように考えるシステムこれらは人間の思考プロセスを模倣しようとします。例えば、生物学的脳に着想を得た多くのニューラルネットワークや、人間の問題解決、意思決定、学習方法を模倣しようとするモデルが含まれます。
• 人間のように行動するシステム彼らは、観察可能な行動において人間に似せることに重点を置いています。ヒューマノイドロボットや多くの会話エージェントは、自然で人間的なインタラクションを実現することを目指しているため、このカテゴリーに分類されます。
• 合理的に考えるシステム彼らは、それが実際の人間の思考に似ているかどうかに関わらず、推論の論理性と内部の一貫性を重視します。古典的なルールベースのエキスパートシステムは、このアプローチの典型的な例です。
• 合理的に行動するシステムこれらはいわゆる合理的エージェントであり、与えられた状況と利用可能な情報に基づいて、特定の効用または利益の概念を最大化するアクションを任意の時点で選択するように設計されています。

もう一つの非常に一般的な分類法は、AIをその範囲と能力に基づいて区別するものです。今日主流となっているのは、いわゆる狭義のAI、あるいは弱いAIです。これは、特定のタスク（コンテンツの推薦、顔認識、テキスト翻訳、自動車の運転など）を非常に高いレベルでこなすように設計されたシステムですが、その範囲を超えることはありません。

その対極にあるのが、仮説上の汎用人工知能、あるいは強力な人工知能である。これは、現在人間や動物が担うと考えられているあらゆる知的作業を実行でき、自律的に学習し、全く異なる状況にも適応できる機械だ。さらに、ほぼすべての関連分野において人間の認知能力をはるかに凌駕する超知能AIについての憶測もある。

AIの流派：記号型と計算型

歴史的に見ると、人工知能には通常2つの主要なアプローチ、あるいは「学派」が存在する。一方には、従来型または記号型人工知能（演繹型とも呼ばれる）があり、これは記号、論理規則、オントロジー、構造化された確率を通して知識を明示的に表現することに強みがある。

こうした流れの中で、例えば、事例ベース推論（既に解決済みの事例との類似点を探すことで現在の問題を解決する）、ルールベースエキスパートシステム、不確実性を確率でモデル化するベイジアンネットワーク、あるいは論理とルールによって制御される自律的な行動に基づくアプローチなどが見られる。

対照的に、計算知能（あるいは準記号的、帰納的知能）は、経験的データから学習し、内部パラメータを段階的に調整するモデルに依存している。ニューラルネットワーク、進化アルゴリズム、深層学習、群知能技術などがこのアプローチに含まれる。

計算知能は二つの目的を追求している。一つは、自然システムや人工システムにおける知的な振る舞いを可能にする原理を理解することであり、もう一つは、その理解を具体的な手順に落とし込み、ある程度の自律性と適応性を備えたシステムを設計することである。

機械学習とディープラーニング

現代のAIの中核を成すのは機械学習であり、これは経験を積むことで性能を向上させるアルゴリズムを研究するものです。問題を解決する手順を段階的にプログラミングするのではなく、モデルは事例を用いて訓練され、関連するパターンを自ら発見するようになります。

機械学習においては、通常、教師あり学習（データにラベルが付けられており、システムがそのラベルを予測するように学習する）、教師なし学習（事前のラベルなしに、グループ分けなどの構造や規則性を探す）、そして半教師あり学習や強化学習といった中間的なアプローチが区別される。

教師あり学習は、分類（スパムメールか非スパムメールか、顧客が購読解除するかどうかなど、どのカテゴリに属する​​かを判断すること）と回帰（連続的な数値を予測すること）の両方に使用されます。一方、教師なし学習は、事前の人的介入なしに、顧客セグメントの発見、次元削減、異常の検出を可能にします。

特に強力なサブセットの一つが、多数の層を積み重ねた人工ニューラルネットワークに基づくディープラーニングです。これらのネットワークは、生データから高レベルの表現を自動的に抽出できるため、画像、音声、動画、自由記述テキストなどの複雑な情報に対して非常に効果的であり、オンライン画像の品質向上といったタスクを可能にします。

こうした先進技術のおかげで、つい最近までSFの世界の話のように思われていたようなアプリケーションが次々と実用化されている。例えば、信頼性の高い音声認識、高性能なコンピュータビジョン、数十もの言語間での妥当な機械翻訳、そして言語規則を手動でプログラミングすることなく一貫性のある段落を生成する言語モデルなどが挙げられる。

生成AI、プロンプト、マルチモーダルモデル

近年最も注目を集めている分野の一つが、生成型人工知能です。このタイプのシステムは、大規模なデータセット（テキスト、画像、コード、音声など）の統計的構造を学習し、元のデータと全く同じではないものの、類似した特徴やパターンを持つ新しいコンテンツを生成することができます。

最もよく知られている例は、GPT-3、GPT-4、Gemini、Claude などの大規模言語モデル (LLM) です。これらを使用すると、単純なテキスト指示から会話、文書の作成、情報の要約、コードの生成、複雑な質問への回答などを行うことができます。

この指示はプロンプトと呼ばれ、モデルがどのようなタスクをどのような口調や形式で実行すべきかを理解できるように、指示、質問、または一連のガイドラインとして与えられます。結果の質は、プロンプトの質、コンテキストの定義の明確さ、そして要求の明確さに大きく左右されます。

Stable Diffusion、Midjourney、DALL-Eといった画像生成ツールでも同様のことが起こっており、自然言語による説明から超リアルなイラストや写真を生成したり、写真を絵に変換するツールさえ登場している。今日、生成AIはテキストや画像にとどまらず、ますますリアルなレベルの動画、音楽、合成音声、効果音なども生成できるようになっている。

最先端のモデルは既にマルチモーダルであり、異なるソース（テキスト、画像、音声、動画）からデータを受信して​​組み合わせることで、状況をより深く理解し、より豊かな応答を生成できる。このアプローチは、私たちが複数の感覚を同時に用いて世界を認識する方法に着想を得ている。

AIの分野と高度な変種

能力レベル（狭義、汎用、超知能）による区別に加えて、特定の分野を説明するために、文献ではいくつかの用語が考案されている。説明可能なAI（XAI）は、モデルが特定の予測や決定に至った理由を人々が理解できるように設計された手法とツールを包含する。

並行して、友好的AIについての議論も行われている。これは、人類に有益かつ安全な影響を与えることに明確に焦点を当てた、強力なAIの理論的な形態であり、特に、高速で能力を拡張できる再帰的な自己改善システムについて検討されている。

量子AIは、量子アルゴリズムを活用して、特に機械学習や最適化といった一般的な人工知能タスクを高速化することを目指す学際的な分野です。いくつかの研究では、特定の重要な処理において、性能が2乗的に向上することが示されています。

強力な人工知能（SAI）とその実現可能性に関する議論も勢いを増している。数十年以内に実現可能だと考える人もいれば、もっと長い時間がかかると考える人もいる。また、人間の一般的な知能と真に同等になることは決して達成されないだろうと考える人もいる。

最初のオートマタから巨大模型まで

「人工知能」という用語は1955年から1956年にかけて正式に造語されましたが、この分野の根底にある考え方はそれよりもずっと以前に遡ります。アリストテレスのような哲学者たちは既に、合理的な結論に至るための論理的な規則について考察しており、数世紀にわたり、自動人形や機械装置は当時としては驚くべき振る舞いを見せる能力を持っているように見えました。

20世紀には、主要な基礎的マイルストーンが数多く達成された。アラン・チューリングは、有名な万能機械を考案し、機械が人間の目から見て知能を持つとみなせるかどうかを評価するための有名な「チューリングテスト」を提唱した。さらに遡ると、エイダ・ラブレスは、機械が単純な数値計算以上のことができると直感的に感じ取っていた。

1956年、ジョン・マッカーシーは有名なダートマス会議を主導し、そこで「人工知能」という用語が確立され、その後の10年間に向けて非常に楽観的な目標が設定された。しかし、これらの目標は完全には実現されず、いわゆる「AIの冬」と呼ばれる、失望と資金削減の時期につながった。

その後の数十年間には、エキスパートシステム（ドメイン知識に基づいて推論できるシステム）、知覚機能を備えた最初の移動ロボット、LISPやPROLOGなどのAI指向のプログラミング言語、パーセプトロンなどの初期のニューラルネットワークモデルといった進歩が見られ、その後、ミンスキーやパパートなどの批判を受けてこれらのネットワークが盛衰を繰り返した。

80年代から90年代にかけて、ニューラルネットワークはバックプロパゲーションアルゴリズムのおかげで再び注目を集め、1990年代にはディープブルーがチェスでガルリ・カスパロフに勝利するなど、数々の画期的な出来事が起こりました。2010年以降、ビッグデータとコンピューティング能力の向上に伴い、ディープラーニングは爆発的に発展し、画像認識、音声認識、自然言語処理の分野で目覚ましい成果を上げました。

人工知能の現在の応用

今日、AIは経済、医療、工学、運輸、通信、防衛など、多岐にわたる分野で日常的に利用されている。多くのビデオゲームにも、非人間型の敵の難易度や行動を制御するためにAIコンポーネントが組み込まれている。

ビジネス環境において、AIは反復的で面倒な作業（請求書処理、在庫管理、文書分類など）の自動化を支援すると同時に、肉眼では捉えにくいパターンを検出する高度な分析と予測モデルを通じて戦略的な意思決定を促進します。

医療分野では、アルゴリズムは画像診断、早期疾患発見、個別化治療の設計、慢性疾患患者のモニタリングなどに役立つ。金融分野では、不正検出システム、信用リスク評価、不審取引のリアルタイム監視などを可能にする。

エンドユーザーに直接見えるアプリケーションもあります。例えば、携帯電話のデジタルアシスタント、スマートスピーカー、自動翻訳機、コンテンツ推薦プラットフォーム、スパムフィルター、ナビゲーションおよび運転支援システム、会議やメールを要約する生産性向上ツール、写真の品質を向上させるアプリなどです。

職場においては、AIのみに基づいたプラットフォームも登場しており、大量の応募を自動化したり、ユーザーによる絶え間ない手動介入なしに複数の求人に履歴書を同時送信することで、求職活動を簡素化したりすることが可能になっている。

自然言語処理と知覚

自然言語処理（NLP）は、機械が人間の言語を読み、解釈し、生成できるようにすることを目的としています。その最も分かりやすい応用例としては、自動質問応答システム、大量のテキストからの情報抽出、意見マイニング、言語間の翻訳などが挙げられます。

従来のアプローチは、単語の出現頻度、文法規則、そして比較的単純な統計的手法に大きく依存していた。今日では、トランスフォーマーアーキテクチャに基づく言語モデルが自然言語処理を新たなレベルへと引き上げ、長くて一貫性のあるテキストの生成や、文の非常に豊かな意味表現の獲得を可能にしている。

同時に、機械知覚とは、人工システムがカメラ、マイクロフォン、LiDAR、レーダー、超音波、触覚センサー、あるいは無線周波数信号といったセンサーからのデータを解釈する能力を指します。コンピュータビジョンは、物体検出とセグメンテーション、顔認識、姿勢推定、そしてシーン全体の理解といった課題に取り組みます。

これらのシステムは、感覚情報に内在する曖昧性に対処する必要があります。例えば、画像内の同じピクセルパターンが、カメラからの距離によって大きく異なるサイズの物体に対応する場合があり、アルゴリズムは、どの解釈が最も妥当であるかを判断するために、妥当な世界モデルに頼らなければなりません。

教育と公共政策におけるAI

教育は、AIが最も大きな変革の可能性を秘めている分野の一つであると同時に、最も多くのリスクと活発な議論が交わされている分野でもある。AIは、コンテンツのパーソナライズ、評価の支援、教材の作成、そして適応型インターフェースを通じた特別なニーズを持つ生徒への支援などに活用されている。

ユネスコ、OECD、欧州委員会、ユニセフ、世界経済フォーラムなどの組織は、教室におけるAIの利用が倫理的、透明性があり、公平で、プライバシーを尊重したものとなるよう、勧告を策定している。これらの組織は、AIは教師を補完するものであり、人間の創造性や判断力を代替するものではないことを強調している。

近年、アルゴリズムの透明性、生徒データの保護、差別禁止、教師と教育機関の責任、教師向けの特別な研修の必要性、これらのテクノロジーの実際の影響の継続的な評価などの原則を確立する教育規制の提案が出てきました。

利点としては、よりダイナミックな授業、学習障害の早期発見、インクルージョンの支援などが挙げられる。一方、リスクとしては、データの偏り、生徒と教師双方への過度な依存の危険性、読み書き能力や口頭でのコミュニケーション能力の低下、自動アシスタントの過剰使用による自主的な研究への関心の低下などが挙げられる。

並行して、多くの政府や国際機関が、国家的なAI戦略や規制枠組みを策定している。例えば、欧州連合で提案されているAI法案は、高リスクシステムの利用に関する規則を調和させ、セキュリティ、透明性、データガバナンスに関する義務を定めることを目的としている。

AIをめぐる倫理、リスク、社会的議論

AIの大規模な導入は、雇用、プライバシー、セキュリティ、機会均等、さらには権利と責任の概念といった分野に深刻な影響を与えています。そのため、人工知能の倫理を専門とする分野が発展し、ロボット倫理（人間とロボットの関係）や機械倫理（人間に対するシステムの振る舞い）といった下位分野も生まれています。

繰り返し懸念されるのは、技術的失業、つまり認知作業の自動化によって多くの専門家が不要になるという懸念である。産業オートメーションにおける過去の経験から、このプロセスは、積極的な研修や給付金の再分配政策を伴わなければ、大きな緊張を生み出す可能性があることが示されている。

AIの悪用の可能性についても懸念されている。例えば、偽情報キャンペーンや政治的操作、超リアルな偽コンテンツ（未成年者の実写真から捏造されたヌード写真や、偽の状況にある著名人の画像など）の生成、あるいは人間の直接的な監視なしに攻撃の意思決定を行う自律型兵器の開発などが挙げられる。

スティーブン・ホーキング博士をはじめとする著名人、起業家、技術専門家らは、人間の価値観と相容れない高度なAIがもたらす存亡の危機について警鐘を鳴らしてきた。2023年には、研究者、大手企業の幹部、そして社会の識者らが署名した複数の公開書簡が発表され、高度なAIモデルの開発を一時停止し、より厳格な国際規制枠組みを構築するよう求めた。

プライバシーの分野では、機械学習システムは膨大な量のデータを必要とするため、多くの人が容認できないと考える大規模な収集と監視行為につながっています。匿名化、差分プライバシー、連合学習といったアプローチは、これらのリスクを軽減するために検討されていますが、議論は依然として活発です。

知的財産、著作権、AI作品

生成型AIの台頭は、知的財産権に関して深刻な懸念を引き起こしている。一方では、多くのモデルが著作権者との明確な合意なしに著作権で保護された作品で学習されており、一部の国では「フェアユース」などの原則に依拠している。他方では、生成されたコンテンツの著作者は誰なのか、つまりユーザーなのか、モデルを学習させた企業なのか、それともシステム自体なのかという疑問が生じる。

世界知的所有権機関（WIPO）などの組織はこれらの問題について徹底的な分析を開始しているが、現時点では明確な合意は得られていない。AIによって生成された作品が、伝統的な法的意味における「精神の創造物」とみなせる範囲、そして、高度なシステムに対して何らかの限定的な法的地位を認め、経済活動に関連する税務上または民事上の責任を負わせることが妥当かどうかについて議論が交わされている。

AI企業が彼らの作品を許可なくビジネスモデルの学習に利用したとして、作家やアーティストから訴訟が相次いでいる。同時に、クリエイティブコミュニティの一部は、AIが人々の芸術的・知的活動による生計の能力を完全に奪うことのないよう、安全策の導入を求めている。

検討されている解決策は、新たなライセンスや報酬契約から、合成コンテンツに関する特定の規制枠組みまで多岐にわたる。一方で、著作権の範囲を無差別に拡大したり、無理やり広げたりすることでAIのあらゆる問題を解決しようとすると、著作権が保護しようとしていたイノベーションそのものが危険にさらされるという警告も発せられている。

人工知能は、わずか数十年で学術的な期待から、経済、文化、政治、そして日常生活に直接的な影響を与える遍在的な技術へと進化を遂げました。その基盤、応用、限界、そしてリスクを理解することは、その利点を最大限に活用する上で不可欠です。同時に、この強力なツールが人々のために役立つように、強固な倫理的・法的枠組みが必要であることを常に念頭に置く必要があります。