日本IBMは5月16日、都内で「MIT-IBM Watson AI Lab」について記者会見を開催した。会見には米IBM Research Directorのダリオ・ギル氏や、マサチューセッツ工科大学(MIT) Electrical Engineering and Computer Science Professor / MIT-IBM Watson AI Lab Directorのアントニオ・トラルバ氏らが出席した。

“狭いAI”から“広いAI”へのシフト

MIT-IBM Watson AIラボは、米IBMが2017年にMITと共同で設立し、10年間にわたり総額2億4000万ドルの投資を計画しており、AIに関する長期的な産学連携の取り組み。AIの潜在能力を引き出す科学的ブレクスルーの促進を目指し、米マサチューセッツ州ケンブリッジに拠点を設け、IBMとMITとの教員・学生を含め100人の研究者を抱えている。ギル氏は「IBMの歴史の中でも過去最大の取り組みだ」と述べている。

  • 米IBM Research Directorのダリオ・ギル氏

    米IBM Research Directorのダリオ・ギル氏

同氏によると、AIは2050年に汎用的なAIが登場すると予測されているが、現在は深層学習やニューラルネットワークをはじめとした実証済みの“Narrow AI(狭いAI)”が主流となっているという。そのような状況を踏まえ、ギル氏は「今後、登場するのは“Broad AI(広いAI)”であり、これは多様なタスクやドメインに対応できるシステム、少量データでの学習を可能とし、そして信頼や説明能力を持つAIだ。狭いAIから広いAIへのシフトがラボの中心的なテーマだ」と説明する。

  • 2050年には汎用的なAIが予測されているが、まずは狭いAIから広いAIへのシフトだという

    2050年には汎用的なAIが予測されているが、まずは狭いAIから広いAIへのシフトだという

現在、Broad AIの実現に向けて、186の提案、49のプロジェクト、23の学部がかかわっている。同氏は「AIは幅広い分野に適用可能なテクノロジーだ。あらゆる学問・業種に影響を与えることから、信頼性を担保し、影響を見つつ開発する必要がある。ニューロシンボリックシステムにより、学習と推論を組み合わせて単なる深層学習よりも高みを目指す」と、語気を強める。

  • 左から狭いAI、広いAI、汎用AIの各概要

    左から狭いAI、広いAI、汎用AIの各概要

産学連携の重要性と広いAIの実現に向けた5つのポイント

MITの視点としてトラルバ氏は「IBMとの連携は重要だ。われわれのインスピレーションの源泉は人間の脳であり、学びのプロセスをAIで実現しようと試みている。現在の機械学習は、少ないデータと時間で多くを学べる脳と比較すると程遠い。例えば、赤ちゃんに読み聞かせをした場合、赤ちゃんは絵本見ながら言語も把握しようとしており、複雑な環境で学んでいる」と話す。

  • マサチューセッツ工科大学(MIT) Electrical Engineering and Computer Science Professor / MIT-IBM Watson AI Lab Directorのアントニオ・トラルバ氏

    マサチューセッツ工科大学(MIT) Electrical Engineering and Computer Science Professor / MIT-IBM Watson AI Lab Directorのアントニオ・トラルバ氏

MITにおいて、コンピューターサイエンスとAIの受講生は2000年~2006年までは横ばいだったものの、2010年を境とした機械学習の大きな変化により飛躍的に増加し、学生間では年々コンピュータサイエンスとAIへの関心は高まっているという。

  • MITの学生間でもコンピュータサイエンスとAIへの関心は高まっているという

    MITの学生間でもコンピュータサイエンスとAIへの関心は高まっているという

同氏は「コンピュータの能力やアルゴリズムが向上し、脳の動きとニュラールネットワークへの理解が深くなっており、新たなアルゴリズムの構築が可能になっていることから、このタイミングでIBMと連携している」と、産学連携の意義を強調した。

では、具体的に広いAIとはどのようなものなのか。この点についてはIBM Research / MIT-IBM AI Lab IBM Directorのデビット・コックス氏が説明した。

まず、コックス氏は「狭いAIはインパクトはあるが、限定的となっている。広いAIの先にある汎用的なAIはSFの世界であり、話としては面白いものの、これから有望で進展があるのは広いAIだ。複数のタスク・領域でマルチモーダル型であり、多様な画像や音声、構造化・非構造化データ、自然言語などを含み、クラウド、センサ、モバイルなど分散環境で分析し、業界を問わずAIの変革はビジネスにも寄与する」と、述べた。

  • IBM Research / MIT-IBM AI Lab IBM Directorのデビット・コックス氏

    IBM Research / MIT-IBM AI Lab IBM Directorのデビット・コックス氏

そして、同氏は広いAIの実現に向けて「説明性」「セキュリティ」「倫理」「少量のデータからの学習」「インフラストラクチャ」の5つが必要だと説明する。

  • 広いAIの実現に向けた5つのポイントの概要

    広いAIの実現に向けた5つのポイントの概要

説明性ではブラックボックスになるのではなく、意思決定理由の確固たる説明が必要であり、データの“相関関係”に加えて、”因果関係”も必要となる。セキュリティに関しては、人が構築したシステムはハッキングされる可能性もあり、AIが信頼されるためにはセキュリティを担保する形で堅牢性を持ち、安心して使われるべきだという。

倫理については、AIに望ましくないバイアスがかからないように倫理的な視点を持つAIからのデータが不可欠となる。少量のデータからの学習では、例えば社会問題で多くのデータがある場合や少ないデータの場合もあることから、データ量が少なくても正しい結果を導き出せるものが必要だとしている。

インフラに関しては、どのようにAIシステムが効率的に拡張性を備えられるのかは、省電力のシステムや量子AIなどの開発が必須となるほか、AIのライフサイクルに対して堅牢なプラットフォームが望ましく、エンタープライズに提供すべきだという。

「4つの柱」に分類した研究プロジェクト

現在、Labでは幅広い領域において49のプロジェクトが動いており、「AIアルゴリズム」「AIの産業応用」「AIのための物理学」「AIのもたらす豊かさの社会的共有」の4つの柱に分類している。

  • 各プロジェクトの概要

    各プロジェクトの概要

AIアルゴリズムは、機械学習と推論の能力を拡張するための高度なアルゴリズムの開発として、複雑な問題に取り組み、堅牢な継続的学習からメリットを得るような、専門的なタスクに限定されないAIシステムを新たに開発するほか、ビッグデータが利用可能な場合には活用する一方、限られたデータからも学習して人間の知性を拡張できる新しいアルゴリズムを開発する。

AIの産業応用に関しては、ヘルスケアやサイバーセキュリティなどの分野で専門家が利用する、新しいAIアプリケーションを開発し、医療データのセキュリティとプライバシー、パーソナライゼーション、画像解析、患者別の最適な治療方針などの分野で、AIの利用が検討されている。

AIのための物理学は、AIモデルの学習と導入について新しいアナログコンピューティングのアプローチを実現するようなAIハードウェア材料、デバイス、アーキテクチャに加え、量子コンピューティングと機械学習の組み合わせについて研究。後者は、AIを利用して量子デバイスの特性の調査と改善を支援するほか、機械学習アルゴリズムとそのほかのAIアプリケーションを最適化し、高速化するための量子コンピューティングの利用についても研究する。

AIのもたらす豊かさの社会的共有では、研究所において広範な人々、国、企業に対して、AIがどのように経済的・社会的なメリットをもたらすことができるかを検証。また、AIの経済的影響を研究し、AIがどのように生活を豊かにし、個々人の目標の実現を支援できるかを調査する。

機械が絵を描くことで物体を認識

このうち、トラルバ氏が携わるAIアルゴリズムのプロジェクトとして、機械が絵を描くことで物体を認識させる事例が紹介された。

これは、大量の画像を機械に与え、画像が画像たる所以を把握させ、現実的な絵を書かせるというものだ。2010年時点ではボヤけた絵しか描けなかったが、2018年には生成ネットワーク(Generator network)と識別ネットワーク(Discriminator network)の2つのネットワークから構成されるGAN(Generative Adversarial Network:敵対的生成ネットワーク)により、かなりの精度向上が図れているという。

  • 2010年時の絵

    2010年時の絵

  • 2018年時の絵。2010年と比較すると、よりリアルに近づいている

    2018年時の絵。2010年と比較すると、よりリアルに近づいている

同氏は「プロジェクトの目的は上手に絵を描けるまでに機械は何を学んでいるのか、ということだ。われわれは、ニューラルネットワークが絵を描くためには『内部表現』から学び、特定のものを描き出す、ということを見出した」と語る。

  • GANの概要

    GANの概要

そして、トラルバ氏は「例えば、リビングルームを描く場合、個別に窓、ソファなどに特化するニューラルネットワークが存在し、ネットワークの中で『コンセプト』が生成される。このコンセプトが重要であり、誰もコンセプトをネットワークに教えておらず、ネットワークの唯一のタスクはリアルに見える画像であり、窓やソファなどのコンセプトは存在しない」と続ける。

つまり、ネットワーク自身がコンセプトを発見し、このようなコンセプトはネットワークが自身の内部表現から学んでおり、表現さえ把握すれば、どのようなものでも描けるため、専門家でなくともネットワークに多少の変更を与えるだけで、ネットワーク自身が新しい絵を生成することが可能だというわけだ。

  • ネットワーク自体が内部表現から学び、コンセプトを生成するという

    ネットワーク自体が内部表現から学び、コンセプトを生成するという

最後に、コックス氏は「MITと連携し、将来的なAIに向けてさらに研究を継続していく」と、胸を張っていた。

  • 左からコックス氏、ギル氏、トラルバ氏、日本IBM 執行役員 研究開発担当の森本典繁氏

    左からコックス氏、ギル氏、トラルバ氏、日本IBM 執行役員 研究開発担当の森本典繁氏