16,069 文字
おはようございます。もう一度言いましょう。おはようございます。ここにお集まりいただきありがとうございます。今日はAIとそれがほぼすべての側面に与える影響について、有益で魅力的で興味深い会話ができることを願っています。MITの生活だけでなく、皆さんの生活にも関わることです。
この講演では、AIの歴史、特にMITの役割について少しお話しし、AIシステムが何をするのかを簡単に振り返り、そしてMITがどのようにAIを研究全体に組み込み、未来へと推進しているかについてお話ししたいと思います。
AIはアメリカ中どこにでもあります。テレビを見て広告を見ると、AIのスペルを知っている企業はどこも「AIをやっています」と言っています。そのほとんどは実際にやっていますが、金融、健康、交通、商業、セキュリティなど何を選んでも、AIはそこにあり、影響を与えています。
AIシステムとは何かを思い出す価値があります。コンピュータサイエンスからの標準的な定義では、「機械によって示される知性」です。環境を認識し、情報を収集し、特定の目標での成功を最大化するために行動を起こす合理的なエージェントです。これがAIの基本です。
しばしば人々は、AIは機械が人間に関連することを行うときに示されると言います。うまくいけば人間が行う良いことであり、機械が犯すミスではありません。これには問題解決とその3つのステップ、そして機械学習が含まれます。これが本質的にAIの定義です。
現代のAIシステムは、コンピュータサイエンスだけでなく、神経科学（脳内で起こること）、認知科学（私たちの思考方法）、そして数学（特に不確実性に関する推論）から情報を取り入れています。これらを使ってAIシステムを構築していきます。
少し歴史を振り返ると、いつから始まったかは議論の余地がありますが、ほとんどの人は1956年のダートマス・ワークショップを現代AIの創設と指摘するでしょう。私はその時3歳でした。ワークショップの4人の創設者または主催者のうち3人はMITの教員でした。ジョン・マッカーシー、マービン・ミンスキー、クロード・シャノンです。ロチェスターはIBMの出身でした。マッカーシーは最終的にスタンフォードでAIを創設するために去りましたが、MITは早い段階から関わっていました。
彼らが示した定義では、学習のあらゆる側面や知性の他の特徴は、機械にそれを行わせることができるほど正確に記述できると考えました。それがAI創設の動機でした。
初期の20年間、AIは基本的に探索でした。定理を証明したり、ゲームに勝ったりしたければ、ある初期位置から始めて、目標に到達するための一連のステップを実行します。目標に到達すれば素晴らしいですが、行き詰まったら引き返して次のことを試しました。空間全体を探索するか、解決策を見つけるまでこれを繰り返しました。
これがうまくスケールしないことはすぐに分かるでしょう。組み合わせ爆発に陥り、探索する必要のあるものの数が膨大になります。その結果、最初の期間では、人々は非常に小さな例を見て、考えたくないことを取り除くために多くのアドホックな仮定を作りました。それがどれだけうまく機能するかについての実際の根拠はありませんでした。
その結果、約20年間の米国やその他の地域での資金提供の後、最初のAIの冬を迎えました。つまり、これらのシステムは使用できないと見なされ、資金が枯渇したのです。1975年に自分のAI研究を始めた時、それは尊敬されていませんでした。これらの問題があり、問題をうまく処理できなかったからです。
AIの第二波は1980年代のエキスパートシステムの台頭でした。これは特定の領域に焦点を当て、演繹のための論理的ルールを作成するものでした。初期の商業的成功もありましたが、ここでの課題の一つはスケールしなかったことです。キャンベルスープのメンテナンスを行うシステムを構築しても、他の問題に適用することはできませんでした。最初からやり直す必要がありました。学習せず、一般化しませんでした。これが第二のAIの冬につながりました。
現在、私たちは第三段階にあります。この段階は、数学と神経科学からの堅実な科学的基盤を取り入れることで推進されています。数学は不確実性の下で問題について推論し、原理に基づいた解決策を見つける能力であり、神経科学は脳の働きについての知識を使って実際のシステムを構築する指針を与えてくれます。
このフェーズの初期には、いくつかの成功を見ることができました。IBMのディープブルーシステムが世界チェスチャンピオンを破ったことは、これらのシステムの力を示す指標でした。初期の商業的成功もありました。
今日、ご存知の通り、これは3つのトレンドによって推進されています：
ディープラーニング – 不確実性の下での推論に洗練された統計的手法を使用し、私たちの思考方法に関する知識によって部分的に推進されています。
データの信じられない成長 – これは現代のAIシステムを構築する上で考慮すべき問題です。十分なデータにアクセスする方法と、データの品質と偏りのなさに自信を持つ方法です。現代のAIシステムには何百万、何億ものパラメータがあり、それらのパラメータをトレーニングするには何億、何十億もの例が必要です。
コンピューティングの信じられない成長 – 標準的なコンピューティングであれ、NVIDIAやAMDなどの企業からのGPUチップであれ、コンピューティングを行う能力がこれを可能にしています。
ただし、ここから2つの相関関係が生まれます。すべての人が同じデータセットにアクセスできるわけではないので、この分野で誰が成功できるかについてのアンバランスが生じます。また、トレーニングのための電力需要など、気候への影響もあります。企業や政府は、利点とコストのバランスをどのようにとるかを考える必要があります。
今日、AIは主に機械学習です。すべてではありませんが、ほとんどはそうです。残念ながら、多くのアプリケーションケースでは、大量の数学と大量のデータを投入して、良い答えが得られたら素晴らしい、そうでなければ気に入る答えが得られるまで混ぜ続けるというのが現実です。これは満足のいく方法ではありません。
機械学習の定義は実際にAIの初期の頃に遡ります。最初の機械学習アルゴリズムはIBMの研究者アート・サミュエルによって作成されました。彼はチェッカーというシンプルなゲームをプレイすることを学ぶプログラムを書きました。それほど洗練されていませんでしたが、学習しました。彼が言ったように、それは「明示的にプログラムされることなくコンピュータに学習能力を与える研究分野」です。
従来のプログラミングでは、クライアントがプログラムに仕様を与えます。「この特定のタスクをこの入力で行い、この出力が欲しい」というものです。プログラマーがプログラムを書き、新しい入力を与えると良い答えが得られます。
機械学習では、プログラマーが機械学習プログラムを書き、「この入力にはこの答え、この入力にはこの答え」という入力と答えのペアのコレクションを取ります。そして機械は新しいプログラムを構築し、新しい入力が与えられると答えを提供します。これを使って、これが自分がやりたいことの正しいものかどうかを判断できます。
しかし、暗黙のプログラムがあることに注意してください。プログラムは作成せず、機械が作成します。疑問の一つは、それがどれだけうまくやるか、そして実際に私の目標を満たす方法でそれを行うかどうかです。また、入力データの品質がアルゴリズムの作成能力に劇的に影響するという問題もあります。スペースをカバーする本当に良い入力データを与えれば、うまくいくでしょう。スペースの要素が欠けている入力データや、多くの不正確な情報を含む入力データを与えると、問題が生じます。
簡単な例を示します。トレーニングデータのセットがあるとします。「これが猫の画像のセット、これが犬の画像のセット」と言って、猫と犬を認識するシステムを構築したいとします。各例を特徴の集合、数字の集合に変換します。この場合、鼻の形状、毛皮の色や質感、目の形状などについての数字の集合かもしれません。
そして、私はそのプロセスについて何かを推測したいと思います。ここでは通常、ニューラルネットを使用します。猫と犬の違いを捉えていると思われる異なる特徴をどのように重み付けするかについて、それらの例でシステムをトレーニングします。
そして、それが機能することを確認するために新しいデータでのみ使用します。新しい画像を与えると「それは猫だ」と言い、別の新しい画像を与えると「それは犬だ」と言います。しかし、まだ課題があります。これらは猫ですか、犬ですか、それとも非常に混乱した動物ですか？自分で判断してください。左のは犬だと思います。次のは猫だと思いますが、確信はありません。その次のものと、右端のは猫だと思います。要点は、このシステムを使用する際に考慮する必要のあるエッジケースがあることです。
これが機械学習のパラダイムであり、今日どのように使用するか、そしてそのパフォーマンスの課題についても触れたいと思います。
今日最も一般的な機械学習アルゴリズムは教師あり学習です。特徴とラベルのペアを与え、それを使用します。50年代に遡る多くのアルゴリズムがありますが、今日では私の経験ではほとんどすべてがニューラルネットの何らかのバージョンです。そして、ホットトピックは大規模言語モデルで、誰もが使いたがっているものです。
これらのシステムが行うことについてもう少し説明します。基本的にロジスティック回帰と呼ばれるものを使用します。これはトレーニングデータに基づいて新しい例にラベルを割り当てる確率を学習します。
ロジスティック回帰では、特徴値のセットがあります。現代のシステムでは、それは数万の特徴値かもしれません。システムはそれらの特徴に割り当てる重みを学習し、インスタンスが与えられると、特徴値と重みの積を取り、すべてを合計し、ロジスティック関数と呼ばれるものを適用します。
この関数は、これが実際に探しているものの例である確率を割り当てるように設計されています。そして、その確率をすばやく0または1に向かって押すように設計されています。目標は最良の重みを見つけることであり、それが学習アルゴリズムが行うことです。そして、閾値を設定して、新しいインスタンスがあるとき、その閾値を超えていればこれはインスタンスであると言い、閾値を超えていなければインスタンスではないと言います。
閾値を上げた理由は、それを考えることが実際に重要だからです。残念ながら、多くのAIシステムはそうしません。例えば、自動運転のためにシステムを構築していて、歩行者を検出しようとしている場合、閾値を設定して偽陰性をごくわずかにしたいと思います。歩行者を認識せず、災害が発生するようなことは避けたいからです。
一方、教員であり、試験を実施していて、不正行為を探している場合、偽陽性をごくわずかにしたいと思います。数人の学生に不正行為をさせるよりも、誰かを不正行為で告発する方がはるかに良いでしょう。コンテキストが閾値の設定方法に関して本当に重要であることがわかります。
ニューラルネットについて簡単に述べると、これらは神経生理学の知識、つまり脳の働き方に基づいていますが、本質的にはロジスティック分類器を設定するための重みを学習する方法です。
人工ニューラルネットは、脳で起こることの簡略化されたモデルです。入力のセット、特徴値のセットがあります。それぞれの特徴を隠れノードと呼ばれるものに接続し、重みと特徴値の積を取り、それらを合計し、関数を適用して内部ノードの出力を得ます。その関数の選択は本当に重要です。それらはすべて、追加の重みセットを持つ出力ノードに接続され、その重み付け和がロジスティック関数への入力に適用され、「はい、これは猫です」または「はい、これは犬です」または「確かではありません、混乱した例です」と言います。
初期の人工ニューラルネットは、主に計算コストとデータの不足のために、おそらく1つの隠れ層しか持っていませんでした。今日、それらは巨大になることができます。MITのスピンオフであるセンスタイム、香港を拠点とする顔認識とAI企業からの私のお気に入りの例の一つでは、彼らのシステムは人工ニューラルネットに1,000の層を持っています。より大きな例もあるかもしれませんが、基本的にこれが私たちがやりたいことです。
そして、ディープラーニングは、これを達成しようとする複雑なニューラルネットを指します。多くのバリエーションがありますが、少なくとも初期のものはコンピュータビジョンでは、ノーベル賞を受賞した2人のハーバード大学の神経科学者、デビッド・ハブルとトースタン・ウィーゼルの研究に遡ります。彼らは霊長類の皮質で、今日では人工ニューラルネットとして見られるものを行う細胞を発見しました。
現代のニューラルネットは、顔認識や文字認識などを非常にうまく行うことができます。
そして大規模言語モデル、皆さんご存知のように、これらは現在の流行です。多くの追加する価値があると思います。基本的にこれらは、言語で興味深い特性を持つディープニューラルネットだと考えています。構築している回答の中で、前の単語に基づいて次の単語を予測する方法です。
ここでのサイズに注目してください。このシステムでは、単語は12,000以上の特徴値で表されています。似た意味を持つ単語は他のものに非常に近いです。複数の意味を持つ単語は複数の表現を持ち、言語の混乱に対処できます。そして文は、各単語に対して1つの特徴ベクトルのシーケンスにすぎません。
ここでの魔法はトランスフォーマーと呼ばれるもので、それは基本的に表現として単語の1つを取り、意味を明確にする方法、代名詞と名詞を関連付けるためにコンテキストを使用する方法、単語を洗練するための他の情報を使用する方法を決定するためにシステム全体を実行して解決策を得ることができます。
ディープマインドはこれの最初のバージョンの1つを行いました。オープンAIはおそらくより良い例ですが、彼らは300億の文でシステムをトレーニングしました。300億というと、皆さんは皆、オープンAIからの収益の一部を得る権利があります。彼らはおそらくあなたのFacebookページやLinkedInページ、あるいは他のものを使用して、あなたの許可なくそのデータを収集したからです。法的な影響について心配することができますが、彼らはこれをトレーニングするために大量のデータをマイニングしました。
そして今、入力クエリが与えられると、システムは基本的にそのクエリから単語をサンプリングしてシステムを開始し、確率的に生成したい可能性のある回答を予測します。最大3,000語の長さの入力を処理できますが、これは実際に印象的です。
これを一般化したい場合、例えばチャットボットを作成したい場合、ChatGPTが生成したものや人間が行ったクエリと応答のシーケンスを入力として取り、品質の点でそれらをスケーリングまたは重み付けし、それから会話を提供するシステムを作成するためにシステムを再トレーニングします。
おそらく必要以上に長い前置きでしたが、これらが現代AIの要素であり、いくつかの強みといくつかの課題について感覚を与えたいと思います。
現代の大規模言語モデルは、すべてのこの技術に基づいて、良い答えの確率を与えることを思い出したいと思います。同じクエリを複数回実行すると、わずかに異なる答えが得られるかもしれませんし、大きく異なる答えが得られるかもしれません。それは確率だからです。
トレーニングデータにバイアスがある場合（バイアスは不正確なデータかもしれませんが、欠けているものかもしれません）、それは出力に影響します。ヘルスケアではこれは大きな問題になる可能性があります。私のような人からのデータでトレーニングされたシステムは、あなたやその他の誰かのような人からのデータに適用されたシステムとは非常に異なる可能性があります。これはデータの欠如のためです。データのバイアスは巨大です。
そして、これらのシステムは彼らの答えに常識を適用する能力を持っていません。馬鹿げた答えが出てきたら、あなたや私はそれを見て「ありえない」と言うでしょうが、システムにはその能力がありません。それはツールであり、代替品ではありません。
この例を示したいと思います。私は同僚から少し先走りをしていますが、AIシステムを使用することの例と、応答を信頼できるときを知る必要がある理由をすぐに示したいと思います。
これはMITのスローン・スクール・オブ・マネジメントからの研究で、他の人々との協力で行われたものだと思います。彼らは、覚えている限りでは500人の中間管理職、HR専門家、管理専門家を3つのグループに分けました：対照群、GPT-4にアクセスできるグループ、GPT-4とその使用方法のガイドにアクセスできるグループです。そして彼らに2つのタスクを与えました。
最初のタスクはチャットGPT-4の専門分野に非常にうまく適合するように設計されました。それは新製品の説明を考え出すことでした。結果に注目してください。GPT-4にアクセスできたグループは、専門家によって判断されると、効率と品質の両方でパフォーマンスが38％向上しました。経験やスキルが少ない下半分のグループでは、改善率は43％でした。より経験のある人にとっては、驚くことではありませんが、それでも17％の改善がありました。GPT-4にアクセスするとパフォーマンスが向上しました。GPT-4とその使用方法のガイドにアクセスできた場合、パフォーマンスはさらに向上しました。
これは素晴らしいことです。スライドの一部をブロックしていることに気づいたでしょう。なぜなら、今度はGPT-4の能力とうまく適合しないように明示的に設計された問題に取り組んでいるからです。そこでは、GPT-4を使用したグループのパフォーマンスは13％低下しました。あまり良くないですね。GPT-4とその使用ガイドを持っていたグループのパフォーマンスはさらに低下しました。なぜなら、彼らはそれを信頼したからです。「AIシステムだから良いはずだ。正しいはずだ」と考えたのです。それは良い答えではありません。
私のポイントは、これはツールであり、ユーザーとして、システムが許容できることを行っているときと、そうでないときを判断する方法を知る必要があるということです。それが課題の一つだと思います。
それにもかかわらず、AIの影響を見るのは魅力的でした。今年のノーベル物理学賞を指摘したいと思います。受賞者のうち2人はディープラーニングのパイオニアであるジェフ・ヒントンとジョン・ホップフィールドです。化学のノーベル賞はデミス・ハサビス、これも神経ネットのパイオニアです。ホップフィールドはMITでサバティカルを過ごしました。ハサビスはMITで博士研究員を完了しました。これらの人々に影響を与える少しの努力をしました。
それを念頭に置いて、今日私たちはどこにいて、MITは何をしているのでしょうか？大成功の分野がたくさんあります。私のお気に入りをいくつか挙げました。そのうちの4つの例を示しますが、AIを使用した興味深いアプリケーションがない分野はほとんどありません。これらのシステムは主にソフトウェアを中心に構築されていますが、明らかにハードウェアのブーストもあります。確かにGPUですが、これらのものを実行するための特殊なチップも開発されています。
成功事例としては、皆さんが使用している音声認識、音声翻訳などがあります。驚くほど優れたシステムであり、利用可能なものは様々です。私自身の分野はコンピュータビジョンでした。これらのシステムのいくつかは本当に印象的だと思います。今日の顔認識システムは実際に人間よりも優れたパフォーマンスを発揮します。少なくとも顔認証においては、顔認識においても優れています。
AI駆動の自動運転については注意深く言わなければなりません。テスラが取ったショートカットには賛成しませんが、自律走行を行うための印象的なシステムもいくつかあります。私にとって主要なものはモービルアイです。素晴らしい仕事をしています。
ロボット工学については、私は偏っていますが、これはMITのイベントです。これらはMITのスピンオフ企業4社です：モービルアイ（自律走行）、iRobot（ルンバを持つ家庭用ロボット）、Kiva（現在はAmazonの一部で物流を担当）、そして興味深いのはFarmWise（作物を傷つけることなく雑草を除去するAIベースのビジョンシステムを持ち、今日実用化されています）。
そして質問応答システムとしては、初期のバージョンはIBMのWatsonシステムですが、ChatGPTは質問に答えることができる種類のことの素晴らしい例です。
MITは何をしているのでしょうか？本質的に、MITはAIと機械学習を研究所全体に組み込んでいます。カリキュラムレベルで学生に教えることと、研究の両方で行っています。時間の関係上、カリキュラムレベルについては省略します。質問に答えることはできますが、私たちは学生を訓練し教える方法を変えています。今日、専攻に関係なく、すべての学生がAIについて学んでいます。
研究におけるMITの活動レベルと関心についてお伝えしたいと思います。5年前にMITスティーブン・A・シュワルツマン・カレッジ・オブ・コンピューティングを創設したとき、私たちが言ったことの一つは、コンピューテーションを研究所全体に組み込むだけでなく、50の新しい教員ポジションをMITに追加することでした。これはMITで80年間で最大の成長です。そのうち25はコンピュータサイエンスに、25はブリッジ教員としてコンピュータサイエンスと他の分野の間に配置されています。これにより、私たちが雇う教員の種類が変わるだけでなく、AIの使用方法についての考え方も変わります。
これは忙しいスライドですが、ここには過去5年間にこれらのブリッジ分野で雇用した人々の例があります。経営学では行動経済学を専門とする人、機械工学、農業管理、化学工学、新しい合成デザインなどです。そして驚くような場所もあります。音楽技術や、計算倫理学を専門とする哲学の人物（これらのシステムの倫理的使用について考える方法）も含まれています。
今学期は、計算と歴史の間に位置する人を見つけるための検索委員会を共同議長する喜びがあります。誰かを見つけるのは興味深い挑戦になりますが、興味深い人々がいます。アイデアはここでのブリッジとなる教員を持ちたいということです。
2週間前、MITは昇進のための教員のレビューを行いました。見た約60件のケースのうち、55件はAIを使用している学部の誰かが関わっていました。それが都市計画であれ、経済学であれ、哲学であれ、政治学であれ、実際に強い関心があります。
いくつかの例をお見せしましょう。私のお気に入りとは言うべきではありませんが、多くのお気に入りがあります。2人の同僚がディープラーニングシステムを構築しました。これはChatGPT以前のものですが、抗生物質耐性細菌感染症を殺す新しい薬を特定できるシステムです。化学の構造的知識が多く組み込まれていますが、その下にディープラーニングシステムもあります。
彼らの最初の試験では、システムが推奨したものに基づいて選択された分子を、25の既知の抗生物質耐性感染症でテストしました。その新しい分子は25のうち24に効果があることが示されました（効果がなかったのは1つの肺感染症でした）。それ以来、彼らは特定の抗生物質耐性細菌感染症のために非常に特異的に設計された薬を使用しています。ここに2つの例が見られます。
私の同僚が新しい薬を発見したので、薬に名前を付ける権利を得たことをお伝えせずにはいられません。彼らはこの新しい薬を「HALicin」（H-A-L-I-C-I-N）と呼ぶことを選びました。これは、ペニシリンのように薬の名前のように聞こえます。ハルはどこから来たのでしょう？それは「2001年宇宙の旅」のAIコンピュータからです。彼らはギークで恐ろしいユーモアのセンスを持っていますが、実際にそれを構築する能力を持っています。
2人目の同僚は、実はどちらの例でも同じ人ですが、彼女は乳がん生存者で、どうすればより良い検出ができるかに魅了されました。彼女はディープラーニングシステムを構築し、古いデータである回顧的データでテストしたところ、85％の精度で、放射線科医が検出する5年前に腫瘍になるであろきものの早期の兆候を発見できることを示しました。現在、それはハーバード病院でスクリーニングメカニズムとして一般的に使用されています。人間の健康に信じられない影響を与えています。
健康からの第三の例は、ディナ・カタビという同僚からのものです。彼女はワイヤレス通信の専門家です。ここにWi-Fi信号があります。私が前後に歩いているとき、その信号をわずかに乱しています。彼女のシステムは、部屋の隅にあるものでも、その乱れを検出するだけでなく、何がそれを引き起こしたかを推測します。
彼女ができることは、患者に何も付けずに患者のバイタルサインをリモートで検出することです。コロナウイルスの間、私たちはボストンを拠点とするほとんどの病院で彼女のシステムを使用したため、スタッフはICUに入る必要がありませんでした。
彼女は実際に私がどれだけうまく歩いているかを判断できます。例えば、パーキンソン病の患者であれば、彼女のシステムは医師に病気の進行状況を自動的に伝えることができます。彼女は活動を検出できます。私が魅力的だと思うのは、彼女が睡眠の乱れを検出できることです。これは、パーキンソン病のような病気の発症の信号であることが多いです。すべて完全に自動的です。
交通機関については、もちろん自律車両に広範囲に取り組んでいます。伝統的なコンポーネントに興味がありますが、特に行動予測のようなことに興味があります。前方の車両が何をするか、歩行者が何をするかをどうやって予測するのか？バンコクにいるなら、すみませんが、あなたに向かって間違った車線で飛んでいくすべてのスクーターが何をするのかをどうやって予測するのか？
それは本当にシステムへの反応をできるようにすることであり、ラストマイルの車両ルーティングのような事柄です。素晴らしい物流アプリケーションです。
大きな影響があると思われる分野は新しいものの発見です。化学工学の若い同僚が、触媒、触媒の構築のための新しいモデルを考案するAIシステムを構築しました。より効率的で、より安価で、良質の出力を生産するソリューションを考案することを目指しています。
新しい材料の設計についても、同僚たちは新しい材料の設計を提案するシステムを構築しました。私たちが特に関心を持っている領域の一つはコンクリート生産のようなものです。システムは、より低いコスト、より低い排出量で新しい混合物を考案する方法を予測します。これらは新しい材料を作り出すことです。
金融については、私の同僚がこれについて話しますが、生成AIが将来の仕事に与える経済的影響に関する研究があります。いくつかのプログラムが進行中です。ここで単純に強調したいのは、私たちの最新の2人のノーベル賞受賞者、ダロン・アセモグルとサイモン・ジョンソンの仕事で、AIについて考えるにつれて仕事に何が起こるかの経済的影響を検討しています。下の例もあります。
ここにはMITで進行中のことの例がたくさんあります。AIの研究が行われていない領域を見つけるのは難しいです。私たちの考え方は、機械学習が今や科学的発見の三本目の足だということです。良い研究者は、少なくとも科学と工学では、数学を使って何かの形式的モデルを作り、予測を行い、それから物理的に行う実験から情報を収集します。
しかし、彼らはその後、AIと機械学習を使用して計算コンポーネントを追加します。分析を行うだけでなく、シミュレーションを行い、テストすべき他のものを調べるためにもです。
そのため、私たちは今、学生と教員を「計算バイリンガル」と呼んでいます。彼らは化学工学の言語とコンピューテーションの言語の両方を話します。これらはMITが検討している範囲のものであり、将来に向けての私たちの目標は、機械学習の概念を研究所のすべての学部に組み込むことです。
これは、新しい教員、新しい種類の教員を雇用することを意味します。学科の境界を破る必要があります。そしてもちろん、私たちは課題の一つに直面する必要があります。それはデータのニーズ、データ保存のニーズ、そしてコンピューティングパワーのニーズが増加していることです。これらの問題にどのように対処するかを考える必要があり、積極的に取り組んでいます。
AIがAIについてどう考えているか… すみません、もっと良いAIシステムが必要ですね。MITがAIについてどう考えているかについて理解してもらいたいと思いました。AIへの対処の歴史だけでなく、特に将来に向けてどのように考えているかについて伝えたかったのです。
新しい発見メカニズム、新しい管理方法、新しい経済モデル、そして予想していないような場所でも、新しい都市設計の計画、政治学でのこの使用、経済学でのこの使用など、MITのあらゆる部分が今や異なる方法でAIを使用しています。
質問に移る前に、この分野で50年前に始めた者として、それがどこに行き着いたかを見るのは魅力的だったと言っておきます。次の50年がそれほど波乱万丈ではないことを願いますが、何か違うものにつながればと思います。2回のAIの冬がありましたが、今回のものは定着しそうな感じがします。私たちはそれに適応し、調整し、使用する必要があります。
【質問】人々は人工一般知能（AGI）について多く話していますが、平易な英語でそれを説明していただけますか？また、このコンセプトはビジネスにどのように適用できるのでしょうか？
【回答】最初の質問への答えは「いいえ」です。冗談です。AGIを推進している人々の目標は、私たちのように振る舞うAIシステムを構築できるかということです。それはタスク用に構築されているだけでなく、何にでも知性を適用するために構築されています。
先ほど言ったように、それを行うためには常識的推論を捉える必要があります。2歳の子供が知っていて、AIシステムが知らないようなことです。それは素晴らしい目標ですが、私の偏見を示すと、それはまだまだ遠い将来のことだと思います。
それに近づきますが、一般的なAIシステムを構築するよりも、特定の分野での成功をより早く見るだろうと思います。もしそれを持っていたら素晴らしいでしょう。なぜなら、マーケティング計画、カスタマーサービス、財務管理などをすべて行うために1つのシステムを使用できるからです。しかし、短期的には特定のアプリケーション向けの生成AIシステムを構築する可能性が高いと思います。それが何についてのものです。そう思う人もいますが、私は少し懐疑的です。しかし、間違っているかもしれません。
【質問】歴史はしばしば未来の予測因子であるため…
【回答】注意深くあるべきですが、先ほど言ったように、この波は以前の2つの波よりもはるかに実質的なものだと思います。AIの冬が2回ありましたが、なぜそう言うのかというと、この波はより堅固な科学的基盤の上に構築されています。数学の深い理解、少なくとも人々の思考方法についての私たちの知識の深い理解に基づいています。
商業的影響の面でそれを見ることができます。あなた方全員が自分の会社でこれの影響を受けていると確信しています。では、別のAIの冬はあるのでしょうか？可能性はあります。政府機関が資金提供を行わないと決定することによって影響を受ける可能性があります。昨日、ワシントンで興味深い出来事がありましたが、そこでの資金提供について何が起こるか見てみましょう。しかし、本当に近い将来にAIの冬が来るとは思いません。
そうは言っても、現在のシステムが人間の脳で起こっていると思われるものに基づいたモデルに構築されていますが、それは完璧なモデルではなく、代替案があるかもしれないことを思い出させたいと思います。
非常に簡単な例を挙げます。私の同僚のジョシュ・テネンバウムが提起した本当に良い点です。これらのシステムは印象的ですが、効果的であるためには何億もの例でトレーニングする必要があります。小さな子供がいる、または小さな子供がいたことのある方々は、2歳児のことを考えてみてください。テーブルの上にブロックの山を見せて、テーブルを叩いたら何が起こるかと尋ねることができます。合理的な精度で、彼らは何が起こるかを言うことができるでしょう。
彼らは何億もの訓練例を持っていませんが、どういうわけか非常に迅速に設定で何が起こるかを予測する方法を学びます。ですから、AIの道筋を変える代替案があるかもしれませんが、冬のケースについては、それは近い将来来ないと思いますし、少なくともそうでないことを願っています。
【質問】政治がAI規制に影響を与えるべきだと思いますか？
【回答】数日後に飛行機に乗って、米国に戻れるようにしたいので、この質問にどれだけ答えたいかは確かではありませんが、素晴らしい質問です。
次のように答えましょう。特定の「それは賢明な決断か」という質問には答えません。申し訳ありませんが、それは単に私をトラブルに巻き込むだけです。しかし、少なくとも米国の多くの企業がこの役割を果たしていると思いますし、私も思うのは、これをどのように使用するかについての規制問題を考える必要があるということです。
ガードレールが必要な場所はどこか、これを使用することに満足している場所はどこか、製品が展開される前に満たすべき基準は何かについて考える必要があります。
欧州連合を指摘したいと思います。彼らはこれについて本当に興味深い仕事をしていると思います。細部については議論の余地があるかもしれませんが、彼らはここでの規制問題をどのように考えるかについての興味深い構造を示しています。
政治がこれに影響を与えるべきかどうかは分かりませんが、政府機関は絶対にそうすべきです。ただし、企業と協力してです。米国では少なくとも私の記憶では、マイクロソフトが他の主要な米国企業のコンソーシアムを作成してリードし、異なる分野でのAIの倫理的使用のための枠組みを構築し始めました。利益を最大化するためではなく、人々を保護しながらそれらを構築するという、するべきことを確実に行うためです。
ですから、規制の構成要素に政府の役割があるべきです。政治は少し異なるので、その質問からは遠ざかっておきます。
【質問】孫正義氏はグローバルなAIが人間の知性を10,000倍上回るとよく言っていますが、これはどれほど現実的ですか？
【回答】孫氏がこれについて話すのを聞いたことがあります。興味深い質問です。
完全に一般的なAIは先ほど言ったように10年以内にはありそうにないと思いますが、特定の領域では人間のパフォーマンスを上回るAIシステムはあり得ると思います。既にいくつかの場所でそれを見ることができます。
たまたま私が好きな2つの例を挙げます。再び顔認識システムに戻りますが、それをどのように使用するかについては倫理的な問題があります。それは別の問題ですが、現代の顔認識システムの能力は人間よりも優れています。それは安全とセキュリティに本当に影響を与えようとしているものです。ここに飛んできたとき、飛行機に乗るために基本的に顔認識システムを使用していました。
個人的に印象的だと思う2つ目の例は、自律車両システムの一部です。再びモービルアイを指摘しますが、彼らは素晴らしいシステムを構築していると思います。私はバイアスがあります。それはMITのスピンオフの名前ですが、そのシステムを使用した車に実際に乗る喜びがありました。
ハンドルの後ろに人がいましたが、彼は一度もハンドルに触れませんでした。エルサレムの通りで、多くの狭い場所、多くの人々が横断していました。そのシステムが交通に合流し、ナビゲートする様子は印象的でした。ボストンでは定期的に使用するであろうクラクションをどこでも使用しませんでした。これは人間よりも優れているものの例です。
この例を使用する理由は、それが実際に適用された場合の影響を考えてみてください。交通事故死を tremendously減らすことができます。数字を忘れましたが、世界中で年間何百万人もの人が亡くなっています。そのコストも tremendously減らすことができるでしょう。
ですから、これらは「10,000倍賢い」かどうかは分かりませんが、特定の分野では確かに人間のパフォーマンスを上回り、私たちの利益になるようなものが見られるでしょう。
【質問】タイは、戦略的なインターネット経済を推進するために、あらゆる年齢の市民がAIを採用することを目指しています。このように多様な人口のために、教育、スキル開発、ツールをどのように設計し、適用するかについてのベストプラクティスと提案をお聞かせください。
【回答】素晴らしい質問です。短い答えは、これは今日の午後のセッションのトピックだと思いますが、少し長い答えとしては、これに対する一つの解決策はないと思います。
MITでの私たちの経験では、学生や教員が新しいアイデアを探索するよう奨励する方法を見つけ、資金源と接続する方法を見つけ、そして実世界のユーザーと接続する方法を見つければ、興味深いことが起こる可能性があります。
タイにとっては選択肢ですが、地元の大学だけでなく、国際的な機関とも協力して、影響を与えることができる場所を特定し、そして実際に協力するためにそれを使用することを願っています。
小さなアドバイスを一つ差し上げましょう。どんなアドバイスも大した価値はありませんが、一つ小さなアドバイスをします。MITの同僚たちは多くの協力リクエストを受けることを知っています。私たちはいつも聞く準備ができていますが、本当に興味深い協力は、マサチューセッツ州ケンブリッジには存在しない地元の設定に関するものがある場合です。それはその教員を引き付けるでしょう。彼らはそれを探索することに本当に好奇心を持っているからです。
それらが何であるかはあなたが知っているでしょう。それは特定の病気、別の方法で交通を考える機会、あるいは他の何かかもしれません。そのような機会を見つけることができる範囲で、世界中から才能を引き付けてそれに取り組むことができるでしょう。
残り22秒でありがとうございました。
コメント