ブログ作家およびプログラマーで、 Machine Learning と Deep Learning のトピックを専門としています。Danielは、AIの力を社会のために利用する手助けを他者に与えることを希望しています。
スタンフォード大学の Human-Centered Artificial Intelligence Institute は最近、2021 AI インデックス報告書を発表しました。この報告書では、2020 年のトレンドをまとめ、2021 年以降の予測を行っています。AI 業界はアメリカではやや縮小したものの、世界では拡大を続け、政府や大学が AI プロジェクトや教育に投資を続けています。Covid-19 パンデミックによって引き起こされた大きな混乱にもかかわらず、AI は 2020 年を通じて成長トレンドを維持しました。予想通り、AI のヘルスケア業界での使用は、Covid-19 のワクチンや治療に関する研究時間とともに増加しました。驚くことに、米国では AI 職の成長が停滞し、世界では AI 職の機会が増加しました。ここでは、AI インデックス報告書で説明されている最も重要なトレンドを紹介します。AI 投資の増加 –...
アメリカ国防総省の先端技術研究機関であるDARPA（Defense Advanced Research Projects Agency）は、コンピュータビジョン技術の向上と「第3波」のAI研究の開始を目的としたプロジェクトを開始しました。この第3波のAI研究は、第1波と第2波のAI技術の限界を解決し、画像認識アルゴリズムの改善を目指しています。DARPAは、アメリカ軍の主要な先端研究機関であり、コンピュータネットワークやAIシステムなどの多くの現代技術の開発に重要な役割を果たしてきました。DARPAは最近、研究者を募集するアナウンスメントを発表し、「第3波」AI理論と応用の開発に参加する機会について言及しました。このアナウンスメントでは、DARPAのPixel Intelligent Processing（IP2）システムの開発にも触れられています。IP2は、画像/ビデオ認識システムの信頼性、使いやすさ、精度の向上を目的としています。特に、エッジコンピューティングのインスタンスでは、計算リソースが不足しているため、IP2は重要な役割を果たします。IP2は、エッジコンピューティングデバイスでのAIシステムの展開を制限する2つの問題を解決することを目的としています。1つの問題は、精度を維持しながらも、低重量、低消費電力、低遅延のAIアルゴリズムの開発です。もう1つの問題は、データの複雑さの軽減です。データセットの複雑さを減らすほど、分析に必要な処理能力も減ります。DARPAの研究者は、ニューラルネットワークを使用して個々のピクセルを処理することで、画像データセットの複雑さを減らすことを目指しています。この技術により、データセットの次元性が減り、画像/ビデオのスパース性が増加します。これらの技術により、バックエンドでデータを処理することができますが、モデルの精度を犠牲にしません。次元性の減少により、AIシステムは画像/ビデオから最も関連のある情報を抽出して、予測を行う再帰型ニューラルネットワークモデルに提供できます。再帰型ニューラルネットワーク自体も、消費電力を減らすために簡素化されています。DARPAの担当者によると、NextGovの引用によると、「データストリームを直ちにスパースな特徴表現に変換することで、複雑さの軽減された[ニューラルネットワーク]は、高い精度でトレーニングされ、全体的な計算操作を10倍削減します。」IP2プロジェクトでは、パフォーマーが最先端の精度を示す必要がありますが、同時に、AIアルゴリズムの処理エネルギー遅延を20倍削減する必要があります。たとえば、IP2は、カリフォルニア大学バークレー校のBDD100Kデータセットで、最先端の結果を提供できなければなりません。このデータセットは、自己運転車のトレーニングに使用される大規模なデータセットであり、画像分類タスクに加えて、遮蔽、天候、地理的、環境条件の多様性が含まれています。DARPAは、コンピュータビジョンアルゴリズムとシステムの第3波に取り組みながらも、航空機の制御の自動化にも取り組んでいます。最近、AI制御のF-16戦闘機を相手にした一連のシミュレートテストを実施しました。これらのテストは、軍の戦闘機にAIを統合する大規模なミッションの第1段階でした。第1段階の終了は、シミュレーションから実世界のフライトへの移行に焦点を当てており、DARPAは2021年後半に実飛行テストの準備をしています。
MITの研究者は、薬剤発見のスピードを上げるために、薬剤の分子結合親和性を評価するために使用される計算のスピードを上げる、新しいAI駆動型の技術を開発しました。薬剤は、設計されたタスクを実行するために、タンパク質に結合する能力を持っている必要があります。薬剤のタンパク質結合能力の評価は、薬剤発見とスクリーニングプロセスの重要な部分であり、機械学習技術を使用すると、この重要な薬剤属性の評価に費やされる時間を短縮することができます。新しい薬剤評価技術を開発したMITの研究チームは、この技術をDeepBARと呼んでいます。DeepBARは、機械学習アルゴリズムと伝統的な化学計算を組み合わせたものです。DeepBARは、与えられた候補薬剤とそのターゲットタンパク質の結合ポテンシャルを計算します。この新しい分析技術は、従来の方法に比べて、薬剤の結合能力の推定を大幅に高速化します。薬剤の結合ポテンシャルは、結合自由エネルギーと呼ばれる指標で量化されます。結合自由エネルギーが小さいほど、薬剤の結合能力が高いことを示します。結合自由エネルギーが低いほど、薬剤は他の分子と競合して、タンパク質の正常な機能を妨げることができます。薬剤候補の結合自由エネルギーとその有効性の間には、高い相関関係があります。しかし、結合自由エネルギーを測定することは非常に難しいことがあります。結合自由エネルギーを測定するための2つの典型的な方法があります。1つの方法は、結合自由エネルギーの正確な量を計算することです。もう1つの方法は、結合自由エネルギーの量を推定することです。推定は、正確な測定よりも計算コストが低いですが、精度のトレードオフが発生します。DeepBAR方法は、正確な測定方法よりも計算コストが大幅に低いですが、高い精度の結合エネルギー推定を提供します。DeepBARは、ベネット受容率と呼ばれるアルゴリズムを使用します。これは、結合自由エネルギーを計算するために通常使用されるアルゴリズムです。ベネット受容率には、2つの基準/エンドポイント状態と複数の中間状態（部分結合状態）が必要です。DeepBARアプローチは、ベネット受容率と機械学習フレームワークおよび深層生成モデルを使用して、結合エネルギーを推定するために必要な計算数を削減しようとします。機械学習モデルは、各エンドポイントの参照状態を生成し、これらのエンドポイントは実際のエンドポイントに十分に近いため、ベネット受容率を展開できます。MITの研究チームによって設計された深層生成モデルは、コンピュータービジョンテクニックに基づいています。基本的に、DeepBARは、分析するすべての分子構造を画像として扱い、その「画像」の特徴を分析して学習します。研究チームは、コンピュータービジョンアルゴリズムが通常2D画像で動作するため、3D構造の分析を可能にするために、アルゴリズムにわずかな変更を加える必要がありました。初期テストでは、DeepBARは、従来の方法に比べて、結合自由エネルギーを約50倍高速に計算することができました。まだモデルを改良する必要があるため、より複雑な実験データに対して検証する必要があります。MITの研究チームは、最近のコンピューターサイエンスの進歩を使用して、DeepBARのモデルを改良し、大きなタンパク質に対する結合自由エネルギーの計算能力を高めることを目指しています。DeepBARは、薬剤発見のパイプラインの効率を向上させるためにAIを適用する最初の試みではありません。多くの他の研究プロジェクトも、薬剤発見のパイプラインの自動化と効率化にAIを使用しています。ただし、これらの戦略の有効性を制限する自然なボトルネックがあるかもしれません。デレク・ロウは最近、ScienceMag.orgのブログで論じたように、薬剤発見のスピードを上げることを目標とすると、「正しい問題に取り組む」ことが重要です。薬剤の臨床的有効性と安全性の評価には、かなりの時間がかかり、AIを使用して臨床的失敗率を削減することは難しいです。最終的に、AI方法が薬剤発見に節約できる時間には、下限があるかもしれません。少なくとも、AIが臨床評価プロセスに有意に統合されるまでです。ただし、改善は改善であり、DeepBARのような研究が行われるほど、科学者は薬剤発見のパイプラインの他の領域でAIを使用する方法を検討する時間が増えることになります。
ブラジルの核エネルギー農業センター（CENA）とルイス・デ・ケイロス農業大学（ESALQ）の研究者チームは、AIを活用した種子品質分析方法を開発し、農業種子の品質を判断するために必要な時間を大幅に短縮しました。Phys.orgによると、研究チームは、光ベースのイメージング技術を使用して種子の画像を収集しました。研究チームが使用した技術には、多スペクトルイメージングとクロロフィルフルオレッセンスが含まれます。研究チームは、実験モデルとしてニンジンとトマトを選択し、さまざまなバリアントを異なる国で異なる条件下で生産しました。選択した種子は、アメリカとブラジルで生産された商用トマト品種、およびイタリア、チリ、ブラジルで生産された商用ニンジン品種でした。これらの作物の需要は世界中で高まっていますが、これらの作物の種子を収集することは難しい場合があります。ニンジンとトマトの両方の成熟プロセスは一様ではなく、種子生産も非同期です。つまり、トマトとニンジンから抽出された種子ロットには、成熟した種子と未成熟な種子が含まれている可能性があります。成熟した種子と未成熟な種子を目で区別することは簡単ではありませんが、コンピュータビジョンシステムを使用するとこのプロセスを簡素化できます。従来、種子は発芽テストと活力テストのいずれかで評価されます。発芽テストでは種子を蒔き、発芽させ、活力テストでは種子がストレスに反応する方法を評価します。これらのテストの結果を得るには2週間以上かかる場合があります。つまり、マシンラーニング技術は従来の種子分析技術よりもはるかに高速です。トレーニング画像を収集した後、研究者はランダムフォレスト分類器を使用して種子の画像を自動的に解釈しました。この光学イメージングシステムには、従来の方法よりも多くの利点があります。例えば、光学イメージング技術は、バッチ全体の種子ではなく、小さなサンプルにのみ適用できます。また、コンピュータビジョンテクニックは非侵襲的であるため、分析対象の製品を破壊しません。研究者が使用した種子品質分析方法の1つは、クロロフィルフルオレッセンスでした。研究チームが開発したアルゴリズムは、種子内のクロロフィルの存在を利用しました。クロロフィルは種子が発達するために必要なエネルギーを供給し、種子にまだ大量の残留クロロフィルがある場合、種子は完全に成熟していないことを示します。この残留クロロフィルは、多スペクトルイメージングによって検出できます。赤色の光がクロロフィルを励起し、特殊な装置がそのフルオレッセンスを電気信号に変換します。多スペクトルイメージングでは、LEDを使用して光スペクトル上のさまざまな点で光を発生させます。研究者は発生した光を19つの異なる波長に分割し、種子品質をこれらの異なる波長の反射率に基づいて評価しました。次に、従来の種子分析方法で得られた結果と比較しました。研究者は、近赤外線がニンジンの種子の評価に最も適しているのに対し、UV光がトマトの種子の評価に最も適していることを発見しました。種子には、特定の波長の光を吸収し、残りの光を反射するタンパク質、糖類、脂質が含まれています。多スペクトルカメラを使用して反射光を捉え、結果として得られる画像データを使用して、 捕捉された画像全体の中で種子を見つけます。種子が特定の栄養素を含むほど、その栄養素に対応する波長の光が吸収されます。アルゴリズムのシリーズを使用して、種子を局在化するために最も適した波長を特定します。このプロセスは、研究対象の種子の化学組成に関する情報を提供し、その品質を推測することができます。研究チームは、種子品質を記述するクラスを作成するために、化学計測（chemometrics）と呼ばれる材料を分類するために使用される数学的および統計的モデルを使用しました。最後に、研究者はマシンラーニングモデルを使用して、作成したchemometricsモデルを評価しました。トマトの種子の場合、品質分類の精度は86％から95％の範囲でした。ニンジンの種子の場合、精度は88％から97％の範囲でした。クロロフィルフルオレッセンス技術と多スペクトルイメージング技術は、従来の種子品質評価方法よりもはるかに信頼性が高く、高速でした。この方法が信頼性が高いことが証明されれば、世界中の栽培者に高品質の種子を提供する可能性があります。
イスラエルのスタートアップ企業DataGenは、最近、1億8500万ドルを調達し、AI企業向けの合成データを生成するプラットフォームの開発を進めています。すべてのAI企業が直面する核心的な課題は、AIモデルをトレーニングするために必要なデータを収集することです。高品質のトレーニングデータの需要は非常に高く、AI企業向けのデータ提供サービスが発展しています。AIおよびAI関連企業は、必要なデータを入手するための新しい方法を常に探しています。データを生成する1つの方法は、単にデータを生成または作成することです。フォーチュン誌によると、DataGenは、特に画像および動画データの合成データを生成するために、独自の機械学習モデルを使用しています。同社が生成したデータは、顧客が自社のAIモデルをトレーニングするために使用しています。DataGenのCEO兼創設者であるOfir Chakonによると、同社はわずか数時間でクライアント企業向けの完全な合成データセットを生成できます。これは、通常、数週間または数ヶ月かかるデータの準備に比べて、はるかに短い時間です。合成データが企業に魅力的である理由は、準備のスピードだけではありません。合成データには、実際のデータと同様のプライバシーに関する懸念がないからです。データのプライバシーを保護する法律が制定されるにつれ、合成トレーニングデータの魅力は増しています。テクノロジー分析会社であるガートナーの1つの推定によると、2023年までに、世界人口の約65%が何らかの種類のデータプライバシー法によって保護されることになります。合成データは実際のデータに基づいていないものの、依然として偏見を含む可能性があります。合成データモデルによって生成されるデータには、元のトレーニングデータと同じパターンが含まれるため、データセットが偏っていると、新しく生成されたデータにも同じ偏見が存在します。DataGenは、生成されたデータの偏見を軽減するための戦略を持ちます。合成データの偏見を軽減する1つの方法は、比較的まれなイベントの発生率を増やすことです。つまり、データセット内の1つのクラスが欠けている場合、その発生率をより均等なものに引き上げることができます。まれなイベントの発生率を増やすというテクニックは、潜在的に危険なシナリオを含むデータセットを作成する場合に特に重要です。例えば、自動運転車をトレーニングするためのデータセットを作成する場合、車は道路に開いたシンクホールに確実に反応する必要があります。しかし、これらのイベントは非常にまれで、トレーニングデータを取得するのが難しいことがあります。そのため、これらのまれなイベントのトレーニングデータは、しばしば生成する必要があります。チャコンは、フォーチュン誌に次のように語った。「私たちの顧客は、データを作成する際に使用するすべてのパラメータを完全に制御できます。現実世界での意味は、デプロイ後に、さまざまなドメイン、さまざまな民族、さまざまな地理的場所、または想像できる環境でうまく機能することを保証できるということです。」DataGenは、ジェネレーティブ・アドバーサリアル・ネットワーク（GAN）を使用して、屋内環境や人間の認識など、現実世界のアイテムやイベントのリアルなシミュレーションを生成しています。チャコンは、同社が屋内環境や人間の認識に関連するものなら、ほぼすべてのものをリアルな例として生成できることを説明しています。例えば、DataGenが生成した画像データセットには、倉庫のロジスティクス向けのロボットアームのトレーニングに使用されるオブジェクトの例が含まれる可能性があります。生成された画像は、実物と見分けがつかないほどリアルです。DataGenのソフトウェアは、視覚的なメッシュワークと物理シミュレーションシステムを組み合わせて、3Dオブジェクトを生成できます。DataGenの投資家には、Nvidia のAI研究部門のディレクターやマックス・プランク・インスティテュート・フォー・インテリジェント・システムズなどの、高い評価を受けた個人や企業が含まれています。また、KaggleのCEOであるアンソニー・ゴールドブルームも投資家の一人です。
スマートフォンは、MITの研究者によって開発されたAIモデルのおかげで、すぐにフォトリアルな3Dホログラムを生成できるようになるかもしれない。MITチームによって開発されたAIシステムは、入力画像からホログラムを生成するための最適な方法を決定する。 MITの研究者は最近、フォトリアルな3Dホログラムを生成できるAIモデルを設計した。 この技術は、VRとARヘッドセットに応用できる可能性があり、ホログラムはスマートフォンによって生成できる。 従来の3DとVRディスプレイとは異なり、ホログラフィックディスプレイは、眼精疲労を引き起こすことなく、人々によって見ることができる。 ホログラフィックメディアの作成における大きな障害は、実際にホログラムを生成するために必要なデータを処理することである。 すべてのホログラムは、ホログラムの「深さ」を作成するために大量のデータで構成されている。 これにより、ホログラムの生成には大量の計算能力が必要になる。 MITチームは、深層畳み込みニューラルネットワークをこの問題に適用し、入力画像に基づいてホログラムを迅速に生成できるネットワークを作成した。 ホログラムを生成するための従来のアプローチは、ホログラムのチャンクを生成し、物理シミュレーションを使用してチャンクを結合してオブジェクトまたは画像の完全な表現を生成するものである。 これは、ホログラムを生成するための従来のアプローチと異なる。 従来の方法では、画像をスライスに分割し、ルックアップテーブルを使用してホログラムのチャンクを結合する。 ルックアップテーブルは、ホログラムのチャンクの境界を示す。 ホログラムのチャンクの境界をルックアップテーブルで定義するプロセスは、時間がかかり、処理能力が必要である。 IEEE Spectrumによると、MITチームは、ホログラムを生成するための別の方法を設計した。 深層学習ネットワークの力を利用して、画像をチャンクに分割し、チャンクをホログラムに再構成できる。 この新しい方法は、畳み込みニューラルネットワークが画像を分析し、画像を離散的なチャンクに分割する能力を利用する。 この新しい画像分析とチャンク化の方法は、システムが実行する必要がある操作の総数を大幅に削減する。 AIを用いたホログラフィックジェネレータを設計するために、研究チームは約4000のコンピューターゲネレートされた画像で構成されるデータベースを構築し始めた。 これらの画像のそれぞれに、対応する3Dホログラムが割り当てられた。 畳み込みニューラルネットワークは、このデータセットでトレーニングされ、画像とホログラムの関係を学び、ホログラムを生成するための最適な方法を学んだ。 システムが未知のデータと深さ情報を提供されると、新しいホログラムをデータから生成できる。 深さ情報は、LiDARセンサーまたはマルチカメラディスプレイを使用して提供され、コンピューターゲネレートされた画像としてレンダリングされる。 一部の新しいiPhoneには、これらのコンポーネントが含まれているため、正しい種類のディスプレイに接続すると、ホログラムを生成できる可能性がある。 新しいAI駆動のホログラムシステムは、従来の方法よりもはるかに少ないメモリが必要である。 システムは、約620キロバイトのメモリを使用して、1秒あたり60フレームのフルカラーで1920...
MITの研究チームは、AIが間違った予測を行ったり、間違った行動をとったりする可能性のある「アドバーサリアル」なエクサンプルに対処するために、ディープラーニング・アルゴリズムを開発しました。MITチームが設計したアルゴリズムは、AIシステムが混乱したデータ・ポイントに直面したときでも、精度を維持し、間違った行動を避けるのに役立ちます。AIシステムは、イベントの入力特性を分析して、イベントに応じた行動を決定します。自律走行車を操縦するAIは、車のカメラから得られたデータを分析して、適切な行動を決定しなければなりません。しかし、AIが分析する画像データが実世界の正確な表現ではない可能性があります。カメラ・システムの故障により、画像のいくつかのピクセルが変更される可能性があり、AIが誤った結論を導き出す可能性があります。「アドバーサリアル・インプット」は、AIシステムのための視覚的な錯覚です。これらは、AIを混乱させる入力データです。アドバーサリアル・インプットは、AIが間違った行動をとることを目的として作成できます。たとえば、コンピュータ・ビジョン・システムのために、猫の画像をわずかに変更して、AIがそれをコンピュータ・モニターとして誤って分類することができます。MITの研究チームは、AIが入力データについて一定の「懐疑心」を維持できるようにすることで、アドバーサリアル・エクサンプルに対して耐性を持つアルゴリズムを設計しました。MITの研究者たちは、彼らのアプローチを「Certified Adversarial Robustness for Deep Reinforcement Learning」と呼びました。これは、CARRLと略称されます。CARRLは、強化学習・ネットワークと伝統的なディープ・ニューラル・ネットワークの両方を組み合わせたものです。強化学習では、モデルを「報酬」で訓練し、目標に近づくにつれて報酬を増やします。強化学習モデルは、Deep Q-Network (DQN) を訓練するために使用されます。DQNは、伝統的なニューラル・ネットワークのように機能しますが、入力値を報酬のレベルと関連付けることもできます。CARRLは、入力データのさまざまな可能な値をモデル化することで機能します。たとえば、AIが画像内のドットの位置を追跡しようとしている場合、AIはドットの位置がアドバーサリアルな影響を受けた結果である可能性を考慮し、ドットが存在する可能性のある領域を考慮します。ネットワークは、ドットの位置の最悪のシナリオに基づいて決定を下し、最悪のシナリオで最高の報酬を生み出す行動を選択します。アドバーサリアル・エクサンプルに対して耐性を持つための従来の方法は、入力画像のわずかに変更されたバージョンをAIネットワークに通して、同じ決定が常に下されるかどうかを確認することです。画像の変更が結果に大きな影響を与えない場合、ネットワークがアドバーサリアル・エクサンプルに対して耐性を持っている可能性は高いです。しかし、このアプローチは、迅速な決定が必要なシナリオでは実行可能な戦略ではありません。なぜなら、このテスト方法は時間がかかり、計算コストがかかるからです。したがって、MITのチームは、最悪のシナリオに基づいて決定を下すことができるニューラル・ネットワークを作成することを目指しました。MITの研究者たちは、AIがポン・ゲームをプレイすることで彼らのアルゴリズムをテストしました。彼らは、アドバーサリアル・エクサンプルを含むために、ボールが実際よりもわずかに下に表示された画像をAIに与えました。アドバーサリアル・エクサンプルの影響が増加するにつれて、従来の修正技術は失敗し始めましたが、CARRLは比較してより多くのゲームに勝つことができました。CARRLは、衝突回避タスクでもテストされました。タスクは、2つのエージェントが衝突せずに位置を交換することを目指す仮想環境で行われました。研究チームは、最初のエージェントの2番目のエージェントに対する認識を変更し、CARRLは不確実性の高い条件でさえも、最初のエージェントを2番目のエージェントの周りを回避することができました。ただし、CARRLは最終的に目的地を完全に避けるほど過度に慎重になりました。MIT航空宇宙工学科のポスドクであるマイケル・エベレット氏は、この研究がロボットが予測不可能な状況に対処する能力に影響を与える可能性があると説明しています。エベレット氏は、MITニュースのインタビューで次のように述べています。「人々は、ロボットのセンサーを遮るためにロボットの前で立ったり、ロボットと交流したりすることがありますが、必ずしも良い意図で行われるわけではありません。ロボットは、人々が何をするかを予測し、避けることができるようにするにはどうすればよいのでしょうか。どのようなアドバーサリアル・モデルに対して防御するのでしょうか。私たちは、これについてどうすればよいのかを考えています。」
ヘルシンキ大学の研究者チームは、脳コンピュータインターフェース（BCI）を着用した個人が魅力的だと感じる特徴に基づいて、魅力的な顔の画像を生成するように設計されたAIを作成しました。AIは、BCIによって収集されたデータに基づいて顔の特徴を生成します。研究チームは、ヘルシンキ大学のコンピュータサイエンティストと心理学者で構成されていました。ヘルシンキの研究チームは、脳波測定（EEG）を使用して、さまざまな人が魅力的だと感じる顔の特徴を決定しました。EEG信号は顔の特徴と相関し、次にデータは生成対抗ネットワーク（GAN）に提供されました。GANは、多様な人々が魅力的だと感じる顔の特徴に基づいて訓練され、完全に新しい顔を生成することができました。研究者は、30人の参加者に、顔の画像が表示されたスクリーンを前に座ってもらいました。これらの顔は、20万枚以上の有名人の画像で訓練されたAIによって生成されました。参加者は、さまざまな顔を表示する際の脳活動を記録するために、電極が付いたEEGキャップを着用しました。EEGは、参加者が魅力的だと感じる顔に対する反応を記録することができました。EEGによって測定されたデータは、GANに提供され、GANはEEG信号を顔の魅力に基づいて解釈しました。GANは、このデータに基づいて新しい顔を生成することができました。研究チームは、2回目の実験を実施しました。新しく生成された顔は、最初の表示セッションに参加した同じボランティアに表示されました。参加者は、顔の魅力に基づいて顔のランキングを行うように求められました。研究結果を分析した結果、研究者は、参加者が生成された画像を約80%の割合で魅力的だと評価したことを発見しました。これは、元の画像が約20%の割合で魅力的だと評価されたこととは対照的です。研究の標本サイズはかなり小さかったため、方法がより大きな集団にテストされた場合にどれほど堅牢であるかは不明です。ただし、結果は興味深く、行動や嗜好が不明確なように見えるものが、特定のAI技術によってどのように量化できるかを示す別の例です。ヘルシンキ大学の心理学および言語病理学科のシニアリサーチャーであるマイケル・スパペは、この研究は、心理的特性を、脳が刺激に反応する方法に関する情報を使用して示すことができることを示していることを説明しました。スパペは、EurekaAlertを通じて次のように説明しました。“この研究は、人工ニューラルネットワークを脳の反応に接続することで、個人の嗜好に合った画像を生成できることを示しています。魅力という、刺激の心理的特性を評価することに成功したことは、特に重要です。コンピュータビジョンは、これまでに、画像を客観的なパターンに基づいて分類することに非常に成功しています。脳の反応を組み込むことで、心理的特性、たとえば個人の好みに基づいて画像を検出および生成できることを示しています。”研究者は、この研究は、コンピュータが主観的な嗜好を理解する方法に影響を与える可能性があると主張しています。AIソリューションと脳コンピュータインターフェースは、複雑な心理現象を理解するために一緒に使用できます。スパペによると、魅力の解釈に使用される一般的な戦術が他の認知機能にも当てはまる場合、偏見や固定観念の形式を特定するために同様のシステムを開発できる可能性があります。
MITを拠点とする研究者チームは、神経ネットワークに他のタイプの脳細胞に基づいた構造を組み合わせることで、神経ネットワークの性能を強化することを目指しています。研究チームは、神経ネットワークにアストロサイトに基づいた構造を統合し、神経ネットワークが時間の経過に伴って信号を処理する方法を変更できるようにすることを目指しています。ディープニューラルネットワークは、人間の脳の神経ネットワークにインスパイアされています。強化学習アルゴリズムは、時間の経過に伴って成功と失敗から学習し、チェスや囲碁などの複雑な課題をマスターすることができます。しかし、ディープニューラルネットワークは、人間が直面する一般的な問題に遭遇すると苦労します。現在のドメインまたは環境で獲得していない一般的な知識を必要とする状況は、ディープニューラルネットワークにとって難しい課題です。MITのピコワー研究所によると、研究チームは、アストロサイト細胞に基づいた構造を神経ネットワークに追加することで、ディープニューラルネットワークをより強固で、多様で、信頼性の高いものにすることを目指しています。MITのニューロサイエンスのニュートン教授であるMriganak Surによると、神経細胞への重点が他の重要な役割を果たす脳細胞を無視することにつながっています。Surは、現在の最先端のディープニューラルネットワークでも、環境の要因や時間の経過に伴う変化を考慮して学習することが難しいと説明しています。そうした状況では、神経ネットワークは、時間の経過に伴って成功した戦略を追跡すること、探索と利用のトレードオフをバランスさせること、学習したことを別の状況で適用することが苦労します。Surによると、最近の証拠は、アストロサイトが上記のタスクを実行するために脳を可能にする上で重要な役割を果たしていることを示唆しています。アストロサイトは、神経細胞と並行して動作する並行ネットワークとして機能する能力があります。アストロサイトを神経ネットワークに導入することで、AIは長時間スケールで収集された情報を統合し、似た状況を認識し、学習した能力を再利用し、神経細胞間のシナプス接続を調節することができます。アストロサイトは、脳の前頭葉で神経細胞をシナリオの探索に導き、線条体の細胞を状況の利用に導きます。これらはすべて、化学的な神経調節因子を介して管理されています。Surによると、最近の証拠は、アストロサイトが上記のタスクを実行するために脳を可能にする上で重要な役割を果たしていることを示唆しています。アストロサイトは、神経細胞と並行して動作する並行ネットワークとして機能する能力があります。アストロサイトを神経ネットワークに導入することで、AIは長時間スケールで収集された情報を統合し、似た状況を認識し、学習した能力を再利用し、神経細胞間のシナプス接続を調節することができます。アストロサイトは、脳の前頭葉で神経細胞をシナリオの探索に導き、線条体の細胞を状況の利用に導きます。これらはすべて、化学的な神経調節因子を介して管理されています。研究チームは、さまざまな実験を通じて、アストロサイトがディープニューラルネットワークをどのように強化できるかを調査します。実験結果は、研究チームが持っている理論を洗練するために使用されます。研究者は、人間とマウスの両方でシンプルな実験からデータを収集し、脳領域、アストロサイト、神経調節因子の変化がパフォーマンスに与える影響を監視します。最後に、Alfonso AraqueとSurは、マウスを観察して、アストロサイトがどのように学習するかを確認します。彼らはまた、アストロサイトを操作して、強化学習のプロセスにどのような影響が及ぶかを確認します。研究チームによると、彼らのグラントでは:「アストロサイト、神経細胞、神経調節因子の相互作用が、脳が報酬学習を自然に実行し、最先端の強化学習システムに関連する多くの問題を克服できるようにする計算能力の源である」と仮説しています。
AI研究者は、バッテリーに使用される材料の抽出に関連する環境への影響を軽減するために、AIモデルを開発中です。マイニング探査スタートアップのKoboldは、バッテリーの作成に使用される材料を地中で検出できるAIモデルを開発しています。一方、IBMの研究チームは、バッテリーの作成に使用される代替材料を決定するためにAIアルゴリズムを使用しています。バッテリーを作成する材料の需要は、電気で動作する物体が増えるにつれて増加しています。この需要を満たすために、より多くのマイニングが必要になり、研究者はこれらの資源抽出作業の環境への影響を軽減する方法を探しています。AIは、現在の方法を改善したり、より持続可能な方法に置き換えたりする可能性があります。IEEE Spectrumによると、KoBold Metalsの新しいAIプロジェクトは、オーレの抽出が比較的少ない被害を与える地域でオーレの堆積を検出することを目的としています。Koboldは、開発中のAIモデルが、侵入性が高く、高価な鉱物探査ミッションの必要性を大幅に減らすことができると説明しています。これらのミッションでは、希少な材料を見つけるために多くの探査とスキャンが必要です。KoBoldによると、容易にアクセスできる材料のほとんどはすでに発見されており、新しい鉱物堆積は現在のエネルギーシステムを変えるために必要です。KoBoldは、スタンフォード大学の地球資源予測センターと協力して、特定の鉱物を含む可能性のある地域を推奨するAIエージェントを開発しています。スタートアップは、リチウム、コバルト、ニッケルなどの鉱物の堆積を含む地域を推奨するAIを望んでいます。スタンフォード大学の地質科学教授であるJef Caersは、AIの概念は、地質学者が複数のサイトを評価し、意思決定プロセスを迅速化するのに役立つというものであると説明しています。Caersによると、AIモデルは、自律走行車のように動作し、周囲の環境から収集されたデータに基づいて行動します。社会が化石燃料駆動の車からバッテリー駆動の車への移行を進めるにつれて、全体的な温室効果ガス排出量を削減するために、より多くのバッテリー容量が必要になります。Nature誌に掲載された論文によると、2050年までに世界には20億台の電気自動車が存在し、約12テラワット時の年間バッテリー容量が必要になる可能性があります。これは、現在の米国の容量の約10倍です。KoboldのAI駆動の鉱物発見アプローチは、さまざまなソースからのポテンシャルのあるマイニングサイトに関する情報を格納するデータプラットフォームによってサポートされています。土壌サンプル、ボーリングレポート、衛星画像が収集され、AIモデルが高濃度のオーレ堆積の場所について予測を行うための特徴として使用されます。AIモデルは、人間の分析よりもはるかに速く、どのサイトを採掘するべきかについて正確な予測を行うことが期待されています。Koboldがバッテリー用の鉱物を探すAIモデルを設計している一方、IBMの研究者は、リチウムやコバルトなどの一般的なバッテリー材料の代替材料を見つけようとしています。IBMの研究者は、現在のリチウムイオンバッテリーを上回る溶媒を見つけるためにAIモデルを使用しています。このIBMのAIプロジェクトは、現在存在し、利用可能な材料に焦点を当てていますが、別のIBMプロジェクトは、一般的なバッテリー材料に代わる新しい分子を合成することを目的としています。IBMの研究チームは、既存の材料の分子構造、融点、粘度、その他の特性を理解するために生成モデルを使用しました。これらの特性に基づいて生成モデルをトレーニングすることで、研究者は同等の特性を持つ分子を生成できます。IBMはすでに、AIシステムを使用して新しい分子を設計し、写真酸生成器と命名しました。これらの写真酸生成器は、エンジニアがより環境に優しい材料と技術を使用してコンピュータチップを開発するのを支援できます。IBMの研究チームは、バッテリーテクノロジーにも同様のことを行おうとしています。
パシフィック・ノースウエスト・ナショナル研究所（PNNL）の研究者は、核兵器の不拡散と国家安全保障のために、AIを説明可能なものにすることを目指しています。AIモデルが核セキュリティに関わる決定を下す際に、その決定の根拠が透明性を持つようにすることが目標です。説明可能なAIモデルへの注目は、機械学習の「ブラックボックス」問題を解決するために、以前より強まっています。AIモデルは、決定を下す責任者がその根拠を理解していない場合でも、複雑な決定を下すことがよくあります。決定が下される状況の危険性やカタストロフの可能性が高い場合、決定の根拠が透明性を持つことが重要です。果物の画像を分類するような単純なタスクの場合、分類の根拠を理解する必要はないかもしれませんが、核兵器や核物質の生産に関わる場合、AIが使用される根拠を明らかにすることが重要です。PNNLの科学者は、新しい技術を使用してAIを説明可能にすることを目指しています。これらの研究者は、エネルギー省の国立核セキュリティ局（NNSA）の核兵器の不拡散と研究開発事務局（DNN R&D）と協力しています。DNN R&Dは、核物質の生産、核兵器の開発、核兵器の爆発を監視および検出するための米国の能力を監督する責任があります。核兵器の不拡散に関わる問題は非常にリスクが高いため、AIシステムがどのように結論に達するかを理解することが重要です。エンジェル・シェフィールドは、DNN R&Dのシニア・プログラム・マネージャーです。シェフィールドによると、新しい技術を従来の科学技術やフレームワークに組み込むことは難しいことがありますが、システムとのやり取りをより効果的に行う新しい方法を設計することで、AIをこれらのシステムに組み込むプロセスを容易にすることができます。シェフィールドは、研究者がこれらの高度な技術がどのように機能するかを理解できるツールを作成するべきだと主張しています。核爆発や核兵器の開発に関するデータは希少であるため、説明可能なAIはより重要です。この分野でのAIモデルのトレーニングは、データが限られているため、モデルが信頼性を欠く可能性があります。したがって、モデルが決定を下す際のプロセスを検査することが重要です。マーク・グレイブスは、PNNLの研究者です。グレイブスによると、核兵器の不拡散のリスクは、AIシステムがなぜ特定の答えを選択したかを説明できるシステムを必要とします。グレイブスは、EurekaAlertを通じて次のように説明しています。「AIシステムが核兵器の存在について誤った確率を示した場合、それはまったく別の問題です。したがって、私たちのシステムは、人間がAIの結論を確認し、データの希少性によって生じるAIトレーニングのギャップを自らの専門知識を使用して修正できるように、説明を提供する必要があります。」シェフィールドによると、PNNLには、この問題を解決するために2つの強みがあります。まず、PNNLにはAI分野での豊富な経験があります。さらに、チームには核物質や核兵器に関するドメイン知識があります。PNNLチームは、プルトニウムの処理や核兵器の開発に特有の信号などの問題を理解しています。AIの経験、国家安全保障の経験、核ドメインの知識の組み合わせにより、PNNLは核国家安全保障とAIの問題に対処するために独自に適しています。
Uber の AI 研究所の研究チームは最近、システムを開発しました。クラシックなアタリービデオゲームで、人間のプレイヤーや他の AI システムを上回る AI アルゴリズムです。研究者们が開発した AI システムは、過去に成功した戦略を記憶し、新しい戦略を過去の成功に基づいて作成することができます。研究チームは、開発したアルゴリズムが言語処理やロボティクスなどの他の技術分野に応用できる可能性があると考えています。ビデオゲームをプレイできる AI システムを作成するための一般的な方法は、強化学習アルゴリズムを使用することです。強化学習アルゴリズムは、可能な行動の範囲を探索し、各行動の後に報酬または罰を与えられます。時間の経過とともに、AI モデルはより大きな報酬につながる行動を学習し、それらの行動を実行する可能性が高くなります。ただし、強化学習モデルは、他のデータポイントと一貫性のないデータポイントに遭遇したときに困難に直面します。研究チームによると、彼らのアプローチが他の AI 研究者によって検討されなかった理由は、戦略が通常の「内発的動機」アプローチと異なるためです。内発的動機アプローチの問題は、モデルが潜在的に報酬のある領域を「忘れる」可能性があることです。この現象は「脱落」と呼ばれます。結果として、モデルは予期せぬデータに遭遇したときに、まだ探索する必要のある領域を忘れる可能性があります。TechXploreによると、研究チームは、予期せぬデータに応じて柔軟に反応できる学習モデルを作成しようとしました。研究者们は、過去のモデルが問題を解決しようとしたときに取ったすべての行動を記憶できるアルゴリズムを導入することで、この問題を解決しました。AI モデルは、データポイントが一貫性のないものに遭遇したときに、そのメモリーマップを確認します。モデルは、どの戦略が成功し、どれが失敗したかを識別し、戦略を適切に選択します。ビデオゲームをプレイするとき、モデルはゲームのスクリーンショットを収集し、ログを作成します。画像は類似性に基づいてグループ化され、モデルが参照できる明確な時点が形成されます。アルゴリズムは、ログに記録された画像を使用して、興味深い時点に戻り、そこから探索を続けることができます。モデルが負けていることを発見したとき、スクリーンショットに戻って別の戦略を試みます。BBCによると、ゲームをプレイする AI エージェントが危険なシナリオに遭遇する問題もあります。エージェントが致命的なハザードに遭遇した場合、さらに探索する必要のある領域に戻ることができなくなります。これは「脱線」と呼ばれる問題です。AI モデルは、別のプロセスを使用して脱線問題を処理します。研究チームは、モデルを 55 のアタリーゲームでプレイさせました。これらのゲームは、AI モデルのパフォーマンスをベンチマークするために一般的に使用されますが、研究者们はモデルに追加のルールを導入しました。モデルは、可能な限り高いスコアを達成するだけでなく、毎回さらに高いスコアを達成するように指示されました。モデルのパフォーマンスの結果を分析した研究者们は、モデルの AI システムが他の AI システムよりも約...
オラクルによる新しい調査によると、ロボットは人間よりも金融決定において信頼されることが分かった。オラクルの回答者の2/3以上が、ロボットの方が人間よりも金融管理において信頼できるという回答をしている。多くの人々が直面している金融的不確実性の中で、人々はAIとロボットに対する考え方を変えている。消費者とビジネスリーダーは、金融管理と複雑な金融決定を支援するためにAIとロボットを利用することが増えている。オラクルの調査によると、回答者の67%がロボットの方が人間よりも金融決定において信頼できるという回答をしている。特にビジネスリーダーは、ロボットの方が人間よりも金融決定において信頼できるという回答をしている。ビジネスリーダーの77%がロボットの方が財務チームよりも信頼できるという回答をしており、約73%がロボットの方が自分自身よりも信頼できるという回答をしている。これは、53%の消費者がロボットの方が自分自身よりも金融管理において信頼できるという回答をしており、63%の消費者がロボットの方が個人の金融アドバイザーよりも信頼できるという回答をしていることと比較される。ロボットとAIデバイスは、より合理的で正確なエージェントとみなされる可能性がある。これは、AIデバイスが私たちが直面している金融的ストレスと不安を軽減するのに役立つという希望を反映している可能性がある。オラクルによると、約87%の消費者が金融に関する何らかの不安や恐怖を経験しており、約41%の人が夜に眠ることができないほど金融状況に関する心配をしている。パンデミックの影響を受けても、金融分野におけるAIとロボットへの注目はすでに進行していた。次の10年で、財務専門家の役割は大きく変化する可能性がある。ビジネスリーダーは、AIとロボットが企業の財務を変革することを期待しており、85%のビジネスリーダーが自動化システムの支援を金融タスクにおいて求めている。AIとロボットは、確かに人々の金融管理能力を向上させ、時間を節約することができる。しかし、AIにどれだけの信頼を置くべきかは、まだ解決されていない問題である。ロボットやAIに対する信頼を影響する要因は、完全にはわかっていないため、倫理的に機能するAIシステムを設計することは難しい。最近の調査によると、ロボットの外見が人々の態度に影響を与えることが分かった。人間に似た外見のロボットは、非倫理的な行為を行った場合に厳しく判断されることが多く、人間に似ていない外見のロボットは同じ行為を行った場合に比較的軽く判断されることが多い。ロボットの外見は、人々の態度に影響を与える可能性がある。別の最近の調査によると、AIアプリケーションは、人々を非倫理的な行為に駆り立てる可能性があることが分かった。金融決定は人々の幸福に大きな影響を与えることがあるため、人間に金融アドバイスを提供したり代わりに行動したりするAIやロボットは、倫理的に行動することが重要である。
研究者の一団は最近、説明可能なニューラルネットワークを作成しました。このネットワークは、生物学者が人間のゲノムのコードを支配する謎の規則を発見するのを助けることを目的としています。研究チームは、タンパク質と DNA の相互作用の地図に基づいてニューラルネットワークをトレーニングしました。これにより、AI は、特定の DNA シーケンスが特定の遺伝子を調節する方法を発見することができます。研究者はまた、モデルを説明可能なものにしました。つまり、モデルがどのように結論に達したかを分析し、シーケンス モチーフが遺伝子を調節する方法を決定することができます。生物学における大きな謎の 1 つは、ゲノムの規制コードです。DNA は 4 つの核酸塩基、つまりアデニン、グアニン、チミン、シトシンで構成されていることがわかっています。しかし、これらの塩基がどのようにして遺伝子の活動を調節するかはわかっていません。4 つの核酸塩基は、タンパク質を構築するための指示を符号化しますが、遺伝子がどのようにして発現されるかも制御します (つまり、生物の中でタンパク質をどのようにして作るか)。特定の塩基の組み合わせと配置は、DNA の特定の部分に結合する規制コードのセクションを作成しますが、これらの組み合わせが何であるかは不明です。コンピュータ科学者と生物学者の間で構成される研究チームは、この謎を解決するために説明可能なニューラルネットワークを作成することを目指しました。研究チームは「ベースペアネットワーク (Base Pair Network)」または「BPNet」と呼ばれるニューラルネットワークを作成しました。BPNet によって生成される予測モデルは、規制コードを特定するために解釈できます。これは、転写因子と呼ばれるタンパク質が DNA シーケンスにどのように結合するかを予測することで実現されました。研究者は、転写因子と DNA がどのように結合するかを決定するために、さまざまな実験と包括的なコンピュータ モデリングを行いました。個々の核酸塩基のレベルまで詳細な地図を作成しました。詳細な転写因子と DNA の表現により、研究者は、重要な...
研究者チームは最近、AIの潜在的な汚職と人々を非倫理的な決定に導く可能性を調査しました。研究者は、OpenAIのGPT-2モデルに基づくシステムとのやり取りが、人々を非倫理的な決定に導く可能性があるかどうかを調査しました。人々は、AIシステムからのアドバイスの出典がAIシステムであることを知っている場合でも、非倫理的な決定を下す可能性があります。AIシステムは、人々の生活に影響を与えることが多くなっています。AIシステムは、映画の推薦から恋愛相手を推薦するまで、人々の決定に影響を与えています。AIが人々の生活に与える影響が増大しているため、AIが人々を非倫理的な決定に導く可能性について考えることが重要です。特に、AIモデルが常に高度化していることを考えると、より重要です。社会科学者とデータ科学者は、AIモデルが有害な誤情報やデマを広めるために使用される可能性があることを心配しています。ミドルバリー国際研究大学院のテロリズム、極端主義、対テロリズム研究センター（CTEC）の研究者による最近の論文では、OpenAIのGPT-3モデルが、人々を「暴力的な極右過激主義のイデオロギーと行動」に導く影響力のあるテキストを生成するために使用できることが示されています。マックス・プランク研究所、 アムステルダム大学、ケルン大学、オットー・ベイスハイム経営大学院の研究者チームによる研究では、AIが人々の決定に与える影響を調査しました。研究者は、AIが人々を非倫理的な選択に導く可能性があるかどうかを調べるために、OpenAIのGPT-2モデルに基づくシステムを使用しました。 VentureBeatによると、論文の著者は、GPT2ベースのモデルを「不正促進」および「誠実さ促進」アドバイスの両方を生成するようにトレーニングしました。データは、400人以上の参加者からの貢献でトレーニングされ、後に研究チームは、1500人以上の人々をAIモデルとやり取りするように募集しました。研究参加者は、モデルからのアドバイスを受け取り、それに基づいてタスクを実行するよう求められました。研究参加者は、サイコロを振るゲームでペアになりました。最初の参加者はサイコロを振って結果を報告し、2人目の参加者は最初の参加者のサイコロの結果を知らされ、自分もサイコロを振って結果を報告しました。2人目の参加者は、サイコロを秘密に振って結果を報告する責任があり、結果を嘘にする機会がありました。サイコロの結果が一致した場合、2人の参加者は報酬を得ました。サイコロの結果が高かった場合、報酬も高くなりました。結果が一致しなかった場合、参加者は報酬を得られませんでした。研究参加者は、ランダムに2つのグループに分けられました。一方のグループは、誠実さを促進するアドバイスを読む機会があり、もう一方のグループは、不正を促進するアドバイスを読みました。アドバイスの断片は、人間とAIの両方によって書かれました。参加者は、アドバイスの出典についての知識レベルに応じてグループ分けされました。参加者は、アドバイスの出典がAIシステムか人間かを知る可能性が50%でした。参加者の半分は、アドバイスの出典がAIか人間かを知っていたのに対し、もう半分は出典について知らされませんでした。2人目のグループの参加者は、アドバイスの出典を正しく推測した場合にボーナス報酬を得ることができました。研究では、AI生成のアドバイスが人の好みと一致する場合、人々はそのアドバイスに従うことが示されました。研究者によると、参加者の好みと実際の行動には、しばしば相違があり、アルゴリズムが人間の行動に与える影響を考慮することが重要であると述べています。研究チームは、AIモデルを倫理的に展開する方法を考える際に、AIが人々の行動に与える影響をテストする必要性を強調しています。また、AIが悪意のある人物によって他人を腐敗させるために使用される可能性があるため、AI倫理学者や研究者はその可能性に備えるべきだと警告しています。研究チームは次のように述べています。「AIは、人々をより倫理的に行動させる力になる可能性があります。しかし、研究結果は、AIのアドバイスが誠実さを高めることに失敗していることを示しています。AIアドバイザーは、不誠実さの道徳的責任を転嫁するための代理人として機能する可能性があります。また、アルゴリズムの存在についての透明性は、潜在的な損害を軽減するのに十分ではないと考えられます。」
