写経のすすめ

確実に文章力は上がる。

と思う。


...


More
[PR]
# by cwhihyou | 2018-01-19 10:48 | Comments(0)

いきましょうかね。


...


More
[PR]
# by cwhihyou | 2018-01-14 11:26 | Comments(0)

写経効果は如実。
再び快適に書けるようになった。


...


More
[PR]
# by cwhihyou | 2018-01-14 10:40 | Comments(0)

①本記事は非常に視聴率が高いため定期的に再掲している
②初出は2016年11月26日
③本記事は下記の「More」をクリックすると閲覧できる
④新着記事は本記事の下に配置
.
.
.



More
[PR]
# by cwhihyou | 2018-01-10 08:56 | Comments(14)

写経

はあ。


...

パナソニック、ネット接続なくても車で「アレクサ」 アマゾンのAI搭載

パナソニックは8日、米アマゾン・ドット・コムの会話型人工知能(AI)「アレクサ」を搭載した車載向け情報提供・娯楽システムを発表した。AIが車に内蔵され、ネット環境がない状態でも話しかけるだけで道案内などができる。ネットへの接続が不安定な運転中でも声で簡単に操作できるようにし、利便性を高める。

「アレクサ今の天気は?」「今はオフラインです」

「じゃあアレクサ温度を変えて」「温度を変更しました」

米ラスベガスで9日から開かれる世界最大の家電見本市「CES」の開催を前に開かれた記者会見で新たなシステムを公開した。ネット接続がなくても社内の画面に話しかけると、社内温度の変更、音楽再生、道案内を起動するなどの操作ができる。

パナソニック米子会社のトム・ゲッパード社長は「ネットにつながっていなくても音声で様々な操作ができるのは革命的だ」と自信をのぞかせた。ネットにつながる環境ではより機能が充実する。帰宅途中に家の暖房や電気をつけたり、ドアの鍵の閉め忘れも確認できたり、車と家も境界線なくつながる。

同日、米グーグルのAI「グーグルアシスタント」に対応した車載システムも発表した。既存のシステムに最新のアンドロイドの基本ソフト(OS)を搭載し、話しかけると道の混雑具合や近くの店を教えるなどより快適な運転を支援する。

パナソニックは車載事業を成長戦略の柱に据えており、売り上げの増加をけん引しつつある。音声認識AIで大きな存在感を放つアマゾンとグーグルとも手を組み、さらなる拡大を目指す狙いだ。

独自の競争力に評価 時価総額の増加額ランキング NEXT1000

日本経済のけん引役と期待される中堅上場企業「NEXT1000」を対象に2017年の1年間でならした平均時価総額の増加額をランキングしたところ、高い市場競争力や技術開発力を持つ企業が上位に並んだ。ネットを活用した事業モデルで業績を伸ばす企業や、医療分野で有望な新薬候補を持つ企業が目立つ。急ピッチでの利益成長や、将来の収益力拡大への期待が投資家を引き付けている

1位 ペプチドリーム 新薬候補探し、短期間で

開発開始から市場に出るまでの確率が、2万から3万分の1といわれる医薬品開発。東京大学発のバイオベンチャー、ペプチドリームはその常識を変えるかもしれない。赤字が当たり前ともいわれるバイオベンチャーの中で、異例の7期連続の黒字を確保した。着実に実績を重ねる安定性が、株式市場から高く評価されている。

ペプチドリームの武器は「特殊ペプチド」を人工的に量産する創薬の技術だ。特殊ペプチドとはアミノ酸を結合して作るたんぱく質の一種。様々な特殊ペプチドを作り、その中から病気に作用するものを探索するといった手法で新薬の候補となるペプチドを見つけ出す。通常、数年はかかる候補物質探しが「23カ月でできる」(ペプチドリームの窪田規一会長)という。

その技術に対する評価を示すのが、ペプチドリームが共同研究開発の契約を結んだ企業群だ。米ブリストル・マイヤーズスクイブ、英グラクソ・スミスクライン、第一三共――。国内外の大手製薬会社がずらりと並ぶ。11月には独バイエルとの開発契約を結び、提携する企業は18社になった。

ペプチドリームは提携した企業の要望に応じ、特定の疾患に効果がありそうな新薬候補物質を作成し、提供する。提携先は候補物質の絞り込みや臨床試験など研究を進めて新薬の開発を進める。開発が順調に進むと、マイルストーン(一時金)収入がもたらされる。

さらに新薬開発に成功し、市場で販売されれば売上高の数%のロイヤルティー収入が入る。特殊ペプチドによる創薬開発の技術を製薬会社にライセンス供与もしている。この場合も提供先の研究開発の進捗に応じた一時金がある。

収入を得る時期やその金額は契約による異なる。4月初旬に米系製薬大手のヤンセンファーマと結んだ共同研究契約は、ロイヤルティーとは別に最大1260億円もの成功報酬が支払われる。将来の収益拡大への期待から、発表の翌営業日の株価は19%も上昇した。

候補物質を提供した後は原価がかからないため、一時金収入のほとんどは利益になる。20176月期の営業利益率は51%。提携先の拡大により過去3年で売上高は約6倍、税引き利益は約13倍になった。時価総額が売上高の約100倍にもなるのは成長スピードが評価されているためだ。

特殊ペプチドを活用した医薬品は従来の化学合成薬と比べ研究の歴史が浅い。画期的な新薬が生まれる期待がある一方で、販売された事例はない。現在、最も実用化が近いのはブリストルと共同で研究する、がん治療薬とみられる。ペプチドリームの窪田会長は「226月期までには市場に投入したい」と話している。

トヨタ、サービス業向け自動走行EV 5社と実証実験 移動・物流・物販でアマゾンや滴滴などと、20年代前半

トヨタ自動車は8日、移動や物販、物流などの多様なサービスに使える電気自動車(EV)のコンセプト車を発表した。全長47メートルの自動運転車で、米アマゾン・ドット・コムや中国ライドシェア最大手の滴滴出行、マツダなど5社と共同で2020年代前半に米国で実証実験を始める。車両供給だけでなく、安全な制御や保険、決済、メンテナンスなどサービス事業の創出を目指す。

「これまでの車やトラックの概念を超え、消費者への新しいモビリティサービスの価値を拡大する」。世界最大の家電見本市「CES」が9日、米ラスベガスで開幕するのに先駆け、豊田章男社長が会見で明らかにした。披露したのは全長4.8メートルのEVe-Palette(イー・パレット)コンセプト」。エリア限定で完全自動運転ができる「レベル4」の技術を搭載する想定。まず20年の東京五輪で大会関係者の移動で実験する。

会見で公開した映像ではイー・パレットの車が24時間稼働し、移動型の店舗になったり、物を運んだり、通勤のシェアリングカーになったりした。多様な使い道を実現するため提携済みの米ウーバーテクノロジーズ、マツダのほか、新たな提携先のアマゾン、ピザハット、滴滴出行の計5社と車の仕様を開発する。

全長が異なる3種類のタイプを用意し、ライドシェア向け、ホテル向け、店舗向けの設備を搭載できるようにする計画だ。実用化の時期は未定だが、20年代前半に実証実験に、普及に向けたビジネスモデルの確立を目指す。

EVのほか、中距離向けにはマツダの新技術を生かし「レンジエクステンダー」と呼ばれる発電専用エンジンを積んだプラグインハイブリッド車(PHV)の供給も検討する。ウーバーや滴滴はそれぞれ自動運転技術を開発しているが、トヨタはイー・パレットの車両制御のインターフェースを開示し、協業企業がそれぞれの自動運転技術を活用できるようにする。

初めてCESの会見に登壇し、豊田社長自らがビジョンを語った背景には従来のビジネスモデルに依存することへの懸念がある。トヨタは17年のグループ全体の世界販売台数が16年比2%増の1035万台となり、3年ぶりに過去最高を更新した。だが13年以降は横ばい傾向で「車が保有から利用にシフトする中で、生産規模をどんどん増やす時代ではない」(トヨタ幹部)。自動車業界ではコネクテッドカー(つながる車)、自動運転、カーシェアリング、電動化の英語の頭文字を組み合わせた「CACE」と呼ぶ変革が起きている。

新たな技術を生かした使い道を提案できなければ、顧客との接点やデータは米グーグルやシェアリング企業などに偏る。イー・パレットは車両供給だけでなく、保険や決済、ソフトウエアの更新、サーバセキュリティーなどの基盤を提供し「顧客との接点を確保し、総合リースサービスとしての収益を確保する」(トヨタ幹部)狙いがある。

トヨタの173月期の連結売上高は約276000億円で、このうち9割強を自動車事業が占めた。残りは金融事業や住宅、通信事業の収益だが、車両や部品の製造が大半を占めて「サービス事業の創出が大事」(友山茂樹副社長)という。

欧州勢やIT(情報技術)企業はソフトウエアを使う感覚で、車両や電車、バスなど複数の移動手段を組み合わせるサービス「Maas(マース)」で具体的な取り組みを始めている。独ダイムラーは08年から始めたカーシェアリングで、欧米を中心に世界約30都市で、14000台以上の車を運用する。17年秋には都市部で自動運転のEVによるカーシェアリング事業への準備を表明し、グループ全体で1700万人のシェアリングの会員を抱える。車や鉄道、バスなど複数の移動サービスとして組み合わせる企業も買収した。

ソフトバンクは滴滴出行、グラブ、インドのオラ、ウーバーなどの世界各地のライドシェア大手に次々と出資。人や物の移動に関わるデータを得て、新しいサービスを創業する競争は激しさを増す。

PwCコンサルティングは30年までに移動距離の最大37%はカーシェアリングや自動運転車、相乗りサービスなど新しい移動手段が占めると予測する。マースの市場規模は米国、欧州、中国の3地域で30年までに15000億ドルに達し、年間成長率は24%に上ると推定する。

トヨタはイー・パレットで異業種との協業を広げて、人や物の移動サービスの基盤を構築したい考えだ。だが協業相手も競争相手も、経営判断や実証実験の早いIT(情報技術)、ベンチャー企業が増える。基盤の利用が広がるかどうかは「競争相手やルールが大きく変わる。スピードとオープンさが大事」(豊田社長)という言葉の実行力にかかっている。

「命の格差」なくせ 41CEOの指名 AIと世界 踏み出す人々(1

世界2位の製薬会社ノバルティス(スイス)でこの2月、41歳の最高経営責任者(CEO)が誕生する。現在は開発部門の責任者を務めるバサント・ナラシンハン。「人工知能(AI)で医薬品の恩恵を受ける新しい患者を見つけられる」と言い、AIで製薬会社の経営を変えることを使命の一つと位置づける

ナラシンハンは米ハーバード大学大学院で医師資格を取得後、エイズや結核で苦しむ患者のため途上国で働いた。その経験から「革新的な薬が世界を救う」と信じ2005年にノバルティスに入った。途上国を中心に世界では5歳前の子どもが年間590万人死亡する。ルーツを持つインドでも医療が受けられない国民が苦しむ。

薬の開発コストは上昇する一方だ。ガンなど難病向けの新薬の開発には10年以上の時間と1000億円以上が必要になる。薬価は時に数千万円に高騰し、各国の財政をも揺るがす。

どうすれば薬を世界中に行き渡らせられるのか。開発の最前線を知るナラシンハンは、AIの活用こそが突破口になると見る。

ノバルティスは年間500件もの臨床試験を実施するが、そこで得るデータのうち7割は分析されていなかった。既に200人のデータサイエンティストを確保し、AIを使い臨床試験に最適な患者を選び試験のコストや質を予想するシステムの開発を急ぐ。

AIはあらゆる産業のあり方を変える力を持ち始めた。それを脅威と捉えるのではなく、ナラシンハンのように経営ツールとしてAIを使いこなそうとする新世代の経営者が台頭している。

「保険業界は人間の知識や経験に頼ってきた。顧客を深く理解できるAIが一変させるだろう」。中国初のネット専業損害保険会社、衆安在線財産保険の最高執行責任者(COO)、許煒(38)は言う。

アリババ集団や騰訊腔股(テンセント)などが出資する衆安は創業4年で80億件以上の契約を獲得し、中国を代表するフィンテック企業の一社となった。

許は保険業界では門外漢だ。約8年にわたって米グーグルで広告サービスなどの責任者として働いた。データとAIで新たな価値を生む過程を最前線で見てきただけに、「独自のソースや積み上げた80億件の契約から得られるデータが最大の強み」と言う。歩数や血糖値などをきめ細かく保険金に反映させるなど新たな保険の姿を追求する。

衆安は経営も徹底的に効率化している。顧客からの問い合わせの97%はAI技術を活用した「チャットボット」が答える。「顧客がまだ人間と話したがっているかもしれない。だが中国の新しい世代は問題を効率的に解決できるAIを受け入れていくだろう」。許はAIが生む新たな価値が人々の意識を変えていくと信じる。

期待と恐怖が交差するAI。正面から向き合い、世界を変えようと前へ踏み出す人々を追う。

2017年世界を席巻 AIはなぜ急に賢くなったのか いまさら聞けない注目テック用語

2017年、人類は2つの知的なゲームで人工知能(AI)に「勝利宣言」をされている。米グーグルのグループ企業である英ディープマインドが開発した「アルファ碁」は、16年末から17年にかけてインターネットの囲碁サービスに匿名で参加し、プロを含む相手を次々と撃破。175月には現時点で世界最強とされる中国のプロ棋士、柯(か)潔(けつ)九段にも3番勝負で3連勝と完勝。「人間と対局するのはこれを最後にする」と語り、事実上の勝利宣言を下した。

ほぼ時を同じくして将棋でも、現役最高峰の佐藤天彦名人との3番勝負に山本一成氏が開発した「PONANZA(ポナンザ)」が連勝で完勝。主催するドワンゴの川上量生会長は「現状の人間とコンピューターが同じルールで真剣勝負するというスタイルは、役割を果たしたと感じた」と説明し、コンピューターと将棋のプロが戦う「電王戦」は今回で終了した。

どちらも「強化学習」という手法を用いて、過去の対極に縛られずに経験を積み重ねることにより、名人を超える最強の棋士を生み出している。

ディープマインドは1018日に「アルファ碁ゼロ」を発表。アルファ碁は人間の対局データを学習に取り入れていたが、アルファ碁ゼロは当初囲碁のルールのみを覚え、強化学習のみで強くなった。3日間で500万回の対戦をして学習した結果、アルファ碁に100戦全勝を果たしたという。

さらに12月にはアルファ碁ゼロのアプローチをより一般化させて、将棋やチェスにも対応できるよう改良した「アルファゼロ」を発表した。

一見するとAIは急に賢くなり、名人を超えるまでに知性を身につけたように見える。しかしその実態は、地道な研究の継続により発展してきたのだ。過去のAI研究を踏まえながら解説しよう。

■基本の枠組みは「探索」と「評価」

現在は「3度目」のAIブームと言われている。AI研究の端緒から、コンピューターに囲碁や将棋のような知的なゲームを実施させようというアプローチは存在した。195060年代にはチェッカーやチェスを実行するプログラムが作られた。

その基本的なアプローチは、探索と評価である。つまり、「次にどのような手があるか」を探索し、それを繰り返してゲームの先を「読む」。最適な手をお互いに打っていった結果、勝利を得られる手を完全に探索できれば理想的だが、組み合わせの数が多くなりすぎてとてもではないが探索しきれない。

(着手可能な手が多数あるゲームの場合、探索すべき状態の数は手が進むごとに指数関数的に増大していく。場合の数の増え方は爆発的だ。このため当分は全検索は実現できない)

例えばチェスの手数の組み合わせは10120乗、将棋は10220乗、囲碁は10360乗といわれている。こうした複雑なゲームを完全解析するのは現在の技術でも不可能だ。仮に1秒間に1憶手を解析できるスーパーコンピューターでも、全部の組み合わせを解析するには、チェスですら宇宙が誕生してからの時間をかけても追いつかない。

そこで用いられるのが盤面の「評価」である。盤面の途中の状態をどちらがどれだけ優勢かを数値で表すことにより、「よい」とされる手を決める。最初期のAIでは、この評価をいかに精緻にするかが競われていた。

しかしこの方法には明らかな限界がある。そのゲームを実行するプログラムの強さは、プログラムを作成する人の技量や知識によって決まるからだ。例えて言えば、プロの将棋棋士が作らない限り、プロ並みの強さの将棋プログラムは作れないということである。

さらに初期AIブームのころにはそのレベルにすら届かなかった。コンピューターの性能が貧弱であり、十分な深い「読み」を実現できなかったためだ。

■ルールベースでは「人知」を超えない

2AIブームのときには、こうした「その道の専門家がプログラムを作らなければならない」という課題への対応として、専門家の知識をデータとして表現する「知識ベース」というアプローチが採られた。

要するに専門家の「知識を盛り込む」方法を大きく変えたわけだ。実はコンピューターのプログラムは、すべからく作者が盛り込んだ「知識」を再現したものだといえる。第1AIブームのときはプログラムに知識を盛り込んでいたが、第2AIブームではデータに知識を盛り込んだのだ。

具体的には「AならばB」「BならばC」というデータで、対象とする領域についての知識を定義する。個々の定義を「ルール」と呼ぶので、全体をまとめたものを「ルールベース」とも呼んだ。

(旧来のAIは、知識をデータとして表現して実現した。「もしAならがBが成り立つ」とうい条件を記述していくのが基本。一定の成果が得られた結果、第2AIブームが巻き起こった)

これを処理するのが推論エンジンの役目だ。例えば先ほどの2つのルールがある場合、「AならばC」という結論を3段論法により引き出す。こうして構築したルールベースを推論エンジンに実行させれば、専門家のような判断が下せるようになるわけだ。データはプログラムに比べると変更しやすく、実行時に変更が可能だ。このため状況に応じて柔軟な動作ができ、より人間に近い処理ができると考えられた。

2AIブームではこのようなシステムを「エキスパートシステム」と呼んだ。その有用性を最初に示した、スタンフォード大学の「マイシン」は症例診断AIの一つである。利用者が症状を「はい/いいえ」で答えると、原因となる細菌名や推奨する薬をそれなりに適切に回答できるシステムだった。

しかしこのやり方はあまりうまくいかなかった。理由は2つある。

まず、専門家の知識を抽出することの難しさだ。専門家と同等の判断をコンピューターが下せるようになるには、専門家が無意識のうちに取り入れているさまざまな条件も、ルールとして記述しなければならない。

例えば「歩く」という動作を考えてみよう。歩行時には多数の関節を連動させて膝や足首、股関節などを動かし、重心を移動している。しかし歩行時にこうした動作を意識することはない。ロボットに二足歩行させようとすると、こうした関節の動きを細かく記述していかなければならない。

専門家の判断基準も同様。当人が意識していない知識や状況、無意識のうちに回避している操作など、言語で表現しづらい知識は少なくないのだ。

もう一つの課題が、決してその方法では人間を超えることはできない点である。仮に専門家が非常にすべての作業に対して意識的に整理していて、無意識に取り入れる条件がなかったとしても、その専門家を超えることはできない。どう頑張っても「劣化コピー」しかできないという限界があるわけだ。

■機械学習が勃興

知識ベース的なアプローチが熱狂的に受け入れられ、失敗に終わった結果、「AI」という言葉時代が忌避されるようになった。いわゆる「AIの冬」である。その間も技術的にはもちろん進化を続けていた。

例えば1990年代に米IBMが開発したチェス専用コンピューター「ディープ・ブルー」は、当時のチェス世界王者だったガルリ・カスパロフ氏に勝利した。このとき使われていたのは、比較的旧来型のアプローチであり、性能によって力業でもたらした勝利だった。

またソフトウエア的にも新しい技術が開発された。なかでも機械学習は個別に着実な成果を上げて、いろいろなシステムに使われるようになった。機械学習とは、与えられたデータを自動的に分類したり、識別したりするのに使われる。

ある意味で一番普及している機械学習システムは、ウイルス対策ソフトなどに使われている迷惑メールの検知システムだろう。これは「ベイズ統計」に基づいて自己学習するソフトウエアである。ユーザーが指定した迷惑メールに似たメールと識別し、自動的に迷惑メールフォルダーに格納してくれる。

機械学習は、一定量以上のデータがあることが前提になる。こうした話を聞くと、最近よく聞く深層学習(ディープラーニング)と機械学習は似ている、と感じる読者も多いのではないだろうか。実はその感覚は正しい。深層学習は機械学習の一種なのである。

深層学習の技術自体は新しくない。第2AIブームの時期に流行した「ニューラルネットワーク」と基本的には変わらない。ニューラルネットワークは脳の構造を模した技術で、個々の脳のニューロンが動作するモデルに基づいている。このニューロンを層状に結合したものがニューラルネットワークだ。

(脳のニューロンは、複数の入力から得られた刺激に対し、条件が合えば何らかの出力を出す。これを模してモデル化した。出力値と学習値の差分から、重みの値をそれぞれ修正して学習する。複数のニューロンが接続して網目状のネットワークを構成したものがニューラルネットワークだ)

だが当時は十分な量のデータも集まらず、コンピューターの性能が低いため学習が難しかった。またネットワークの階層を重ねて、複雑にすると学習結果が途中で途切れて上位の層に伝達しない問題もあった。結果として複雑な応用にはあまり用いられず、ルールベースのAIとともに産業応用の分野から姿を消していった。

AIの冬と呼ばれている時期も、機械学習は幅広く使われていた。別言すればAIは機械学習と名を変えて進化を続けていたのである。深層学習という名前で一気にニューラルネットワーク技術が復権したのも、地道な研究が続いていたからだ。

■教師あり学習と教師なし学習

機械学習の手法は大きく「教師あり学習」と「教師なし学習」に分類される。

わかりやすいのは「教師あり学習」の方だろう。この学習モデルでは、状態を表すデータと、その結果(教師データ)のペアを用意する。この組み合わせにより、特定の状態における正しい振る舞い方を学習していく。一方の「教師なし学習」は、データを自動的に区分けしていく。何となく近そうなデータを一群のデータとして取り扱う「クラスタリング」などが可能だ。

これら2つの学習方法は、人間の学習や行動から考えると理解しやすいだろう。例えば学校の授業や参考書を使った学習は、教師あり学習である。どちらも「正しい」とされる

結果が事前に提示されているからだ。こうした正しいデータを与えてやれば、過去とは少し違っていても似たものに対して正しい判断を下せる、というのが教師あり機械学習である。

今度は鬼ごっこの逃げ方や、サッカーのプレーの選択を考えてみよう。こうした状況が流動的ななかでの判断には、セオリーのようなものはありつつも「正解」はない。セオリーは教師あり学習で教えることができるが、最終的な判断については成功や失敗を重ねていくうちに、どうすればよいかを自分で探っている。こうした正解がないことを学習するのが教師なし学習だ。

■深層学習は過去に「正解」がある前提

一口に「AI」というと、実は利用されている技術は多岐にわたる。そうしたなかで、欧米では事実上AI=深層学習となっている。深層学習は教師あり学習の一種である。つまり状況とそれに対する正解となるデータの組を事前に用意して学習させる。

例えば深層学習が有名になるきっかけとなった、「mnist」というデータベースに基づく文字認識の例を見てみよう。Mnistは人間が書いた文字の画像データと、それがどの文字に対応するのかという正解のデータ群である。深層学習の教師データとしてこれを使うと、高い精度で手書き文字を認識できることがわかった。

3層以上の層があるニューラルネットワークによる学習を「深層学習」と呼ぶ。特に注目されるようになったのは文字認識精度の向上。「畳み込み層」と呼ぶ、画像の特徴を抽出する層を使うことで精度が上がった。また従来は層を重ねると学習結果の伝達が難しくなったが、その課題も解消できるようになり実用化し始めた)

つまり深層学習に基づくAIは、事前に正解を与えられる問題でないと学習できない。逆に言えば人間が「正解」とわかる問題でないと、学習させられないのだ。これでは「人間を超える」ような学習はおぼつかない。

半面、熟達した人間がどのような推論結果を経たうえでこういう「結論」に至ったか、明快に言語化できていなくてもその熟達者の「模倣」は可能だ。言葉は悪いが、かなり優れた「熟達者の劣化コピー」を実現することは、深層学習で可能なのだ。例えばコールセンターの一次応答者としてAIが使われるのもこういった処理が可能だからだ。

ポナンザの作者である山本氏は、ポナンザの強さを「作者にも説明できない」と自著に記している。

■人知を超える手法としての強化学習

ではポナンザやアルファ碁はどうやって名人を超える棋士になれたのか。そこに使われているのは「強化学習」という学習方法だ。強化学習は教師なし学習の一種である。

強化学習は基本的に時間などによって状態が変化する「場」によって、どのような行動を取るかを選択する。その結果として状態が変化していく。ある程度進んだところで得られた状態に応じて「報酬」が得られる。例えばゲームの点数などが報酬として使われる。先ほどの囲碁や将棋における評価関数も、報酬として使える。この報酬を最大化するように、取るべき行動を選択して変えていくのが、強化学習の基本的な考え方だ。

(強化学習は「正解」を与えなくても学習できる点がポイントだ。動作を選択する「エージェント」が、環境から得られる報酬に応じて自律的に学習する)

簡単に言えば「こうやったらどうだ」「ああやったらどうだ」というのを試して、よさそうな結果をフィードバックして、学習結果を「強化」していくというのが強化学習というわけだ。

前述のかくれんぼやサッカーのプレー選択は、一種の強化学習だと考えられる。例えばドリブルによる正面突破を選んだ結果、相手のディフェンダーに阻まれるか抜けるか、抜けたとしてもセンタリングまでつなげられたかどうかなどによって報酬は変わる。実はフリーの選手がいてパスを選択した方がよかった場合など、後からビデオで見直して初めて学習できる場合もある。

この強化学習の効果を知らしめたのは、やはりディープマインドだった。ディープマインドは米アタリ社のテレビゲーム「アタリ2600」のゲーム49種類を深層強化学習(DQN)という手法で学習させた結果、半数を超える29本のゲームにおいてプロゲーマーを上回るスコアを出せたと152月に発表した。

強化学習が人知を超える源泉となるのは、機械同士の勝負を通じて大量の局面を学習できるからだ。その結果、名人にも思いつかないような手が生み出される。例えば電王戦第1局で、ポナンザと対戦した佐藤天彦名人はポナンザが指した第一手を見て頭を抱えた。人間同士の対極であれば「あり得ない」として無視してきたような手だったからだ。アルファ碁がイ・セドル九段と対戦したとき、解説のプロ棋士が「これはアルファ碁の失着」とした手が、後でものすごく効果的だった。これも人間が「ない」として切り捨ててきた手をコンピューターが見つけた結果だといえるだろう。

半面、そのためには大量の学習が必要となる。例えばポナンザは1兆程度の局面を調べているはずだという。また強化学習は効率が悪い。理論上はゼロから強化学習を始めても名人を超えるプログラムに成長できるが、そのためには大量の時間が必要だ。現実問題として効率のよい教師あり学習である程度鍛えたうえで、人間が想定していない状況にも対処できるよう強化学習を使うという2段階が効率的だろう。

ただアルファ碁ゼロの登場は、そうした人間の知見を使わず、機械学習だけでも十分な学習が可能であり、それを実現できるほどコンピューターの性能が向上していることを意味している。実際、最新のアルファゼロはわずか数時間で現在最強とされるソフトを超える強さを手に入れられたという。

■ウソを見破るAIの研究も進む

将棋や囲碁は、すべての情報が盤面に提示されている。情報量に関して、対局者の条件は完全に互角だ。こうしたゲームは「完全情報ゼロ和ゲーム」と呼ばれる。だからこそ知性の基準としてよく使われてきたのだが、すべての情報が与えられるのはコンピューターと人間の関係で言えば、忘れることがないコンピューターに有利な面がある。

これに対し、手を隠し、ウソやブラフを交えてプレーするゲームも少なくない。そこで次のフロンティアとして考えられている一つが「人狼(じんろう)知能」だ。人狼知能を研究する「人狼知能プロジェクト」は2015年に発足し、178月に第3回大会が実施された。

人狼知能とは、「人狼ゲーム」を勝ち抜けるAIプログラムである。人狼ゲームは参加者が人狼や村人、狩人、司祭などの役割を与えられ、その役割に応じて対話を進めて人狼を特定するゲーム。人狼は最後まで見破られなければ勝ちとなる。

つまりここで研究されているのはウソをついたり見破ったりするAIである。例えば激高するあまりにサポートに対して高圧的になり、針小棒大な話にしてしまうユーザーに対応する場合などに使えるかもしれない。AIの応用範囲を広げるという意味で、新たな応用として注目されよう。

■さらにその先にある「全能AI

Iが将棋や囲碁の名人に勝ったことによって、「AIが人間を超えた」というのは早計に過ぎる。もともと、単純な計算速度では人間はコンピューターにかなわなかったし、単純に走る速度でいえば人間は自動車に勝てるはずもない。個々の場面場面を取り出して「人間を超える」のは難しくないわけだ。

シンギュラリティ(技術的特異点)で言われる「人間を超える」には、「全能AI」と言われるような、総合的な判断が下せて、しかも人間以上の精度が出せる必要がある。

多くの研究者は、「まだそこまでの道筋はできていない」という。というのも、超えるべき技術的な課題が満載だからだ。いわゆるシンギュラリティの議論も、あくまでもムーアの法則などの進展からハードウエア的な機能として超えることが可能という話であり、それをどうやって実現するかについては議論されていない。

例えば現在人間ができて、コンピューターにはできないことに、プログラムの作成がある。定型的な処理について、プログラムを自動生成するツールはいくらでもあるが、例えばアルファ碁を生成するプログラムは存在しない。

そのためディープマインドはモデル自体を多数生成し、そこから適切なモデルを強化学習で生き残らせるというアプローチを研究したりしている。ただこの方式でもまだ問題がある。強化学習をするための報酬(評価関数)の定義は天下りで人間が組み込んでいる。

また「課題を発見」する能力も現在のコンピューターには備わっていない。人間は現状に対する不満があるから、それをいかに改善するかを考え、そこに向かって努力する。与えられた条件で動作するコンピューターには、そうした現状を改革するという意欲はない。

もしかしたらそれを生み出すのは「本能」なのかもしれない。生存欲求とか遺伝子を残したい欲求や、もっとシンプルな快・不快などの要素から生まれている可能性はある。ただそうした要素を単純に取り入れただけでは、人間の手による生命シミュレーションにすぎず、なかなか応用が利く「人工知能」にはならない可能性がある。

英、EU離脱で750の協定見直し 企業戦略に影響も 航空・原子力など

英国の欧州連合(EU)離脱交渉は今年から通商協議などに入る。英国はEUとの自由貿易協定(FTA)締結などを目指すが、他にも離脱に伴って見直しが要る条約や協定は750に上る。今はEUの一員としてEU名義で結んでいる米国など第三国との取り決めを、英国名義で交わし直さねばならない。見通しの結果は英国内外の企業戦略を大きく左右する。

20171218日、ロンドン首相官邸。ハモンド財務相、ジョンソン外相ら主要官僚だけを集めた通称「離脱戦争内閣」が開かれた。単一市場・関税同盟から出る一方、EU域内でモノやお金を自由に動かす恩恵は保つ「特別な関係」を求める方針を確認した。

EUとのFTA締結は通商協議の柱だ。ただ、FTAがカバーするのはモノ・サービス取引の一部にすぎない。対応が遅れれば、内外の企業活動に甚大な影響を及ぼす分野は他にたくさんある。

「離脱後の方針を早急に示してくれ」。12月上旬、渡英した米連邦航空局(FAA)のウエルタ長官はグレイリング英運輸相に詰め寄った。英国はいまは欧州航空安全機関(EASA)に加盟し、EUを通じて米国とも2国間の航空協定がある。

離脱後の手当てをせずにEASAを抜ければ、英航空会社はEU域内のみならず大西洋路線も運航できなくなる。米側は安全基準を含む米英間の新協定を早急に結び直すよう迫った。

原子力発電も危機の種をはらむ。「欧州原子力共同体(ユーラトム)脱退は英の原子力業界に深刻な影響を及ぼす」。昨年末、英議会委員会は報告書で警鐘を鳴らした。EU離脱後の方針を手当てせずにユーラトムを抜ければ、英原子力事業者はEU域外国の事業者と核燃料などのやり取りができなくなる。

英国が現在計画中の原発新設は、全ての案件で日立製作所などの外資が関わっている。ユーラトム脱退後は、日本など各国と2国間協定を結び直さないと、計画続行を含めて英のエネルギー政策が根っこから揺らぐ。

「明確な離脱計画を数カ月で見せてほしい」。米フォード・モーター、トヨタ自動車などの幹部は昨年11月、メイ首相に訴えた。各社が気をもむのはEUとの関税同盟を結んでいるトルコとの英国のFTA交渉の行方だ。フォードはEU域内から集めた部品をトルコで組み立て、完成車を英国で売る。トルコとの完全ゼロが崩れると、欧州全域での生産・流通網の見直しを迫られる。同様の事例はフォードにとどまらない。

金融や医療、漁業――。FTAがカバーしない分野など英国が見直すべき第三国との国際間協定は750に及ぶ。膨大な実務交渉を前に「人材確保だけで一苦労だ」(英官庁関係者)。

英国との貿易交渉を担うEU関係者は「英側の交渉部隊は専門外の人材も目立つ」とため息をつく。EUが示した交渉の猶予期間は「最長で20年末まで」(バルニエ主席交渉官)で、実務交渉に限れば期限の秋まで10カ月しかない。英官庁街は冬休みも返上するなどして交渉実務を急ぐが人材と時間の不足は明らかだ。

過半数割れに陥っている与党保守党は「代わりがいない」(党幹部)として、メイ氏を続投させる方針だ。だが離脱条件決定には議会承認が必要で、国内の合意形成は容易でない。猶予期間を費やしても交渉がまとまらなければ、「無秩序離脱」の断崖が待ち受ける。

「巨大な単一市場の実現が21世紀の英競争力を左右する」。1988年、自由経済を信奉した故サッチャー首相はこう演説し、単一市場創設に力を注いだ。それから30年。英国は自ら描いた統合からの退場といういばらの道を歩み始めた。



[PR]
# by cwhihyou | 2018-01-09 11:27 | Comments(0)
クラウドワークスを使ってライターの仕事をやっています