人工知能はどのようにして学習プロセスについて学ぶことができるのか？

人工知能をさらに進歩させるために、新しい飛躍を遂げる必要があります。著者Jun Wuは、Forbesの記事「Can Artificial Intelligence Learn To Learn?」で、「人工知能は『学習することを学ぶ』必要があります」と述べています。では、具体的に何を意味するのでしょうか。

Wu氏は次のように説明しています。「人間は、どのような状況や周囲にもかかわらず、学習する能力を持っています。」 人間は学習プロセスを適応させることができます。人工知能も同様の柔軟性を持つためには、Artificial General Intelligenceが必要です。つまり、Meta-Learning、つまり学習プロセスについて学ぶ必要があります。

人間と人工知能の学習プロセスには、特に一つの大きな違いがあります。人間の学習能力は限られている一方で、人工知能は計算能力などの多くのリソースを持っています。人間の脳力には限界があり、学習する時間も限られています。しかし、人工知能は「人間の脳が使用するよりも多くのデータから学習し、膨大な量のデータを処理するために、巨大な計算能力が必要です。」

Wu氏は次のように説明しています。「人工知能のタスクの複雑さが増加すると、計算能力も指数関数的に増加します。」 つまり、計算能力のコストが低くても、「指数関数的な増加は、望ましいシナリオではありません。」 これが現在、人工知能が「特定の目的の学習者」である理由です。学習プロセスをより効率的にするためです。

しかし、人工知能が「学習することを学ぶ」ことを始めると、データの複雑さが増加することから「データから推論する」ことを始めました。指数関数的な計算能力の増加を避けるために、より効率的な学習パスを開発し、人工知能はそのパスを覚える必要がありました。

問題は、研究者や技術者が人工知能にマルチタスクの問題を与え始めたときにさらに複雑になりました。そうするには、人工知能は「独立したデータセットを並列に評価し、データ間の関係を推論する」必要があります。人工知能は、一つのタスクを実行しながら、他の状況でも適用できる知識を更新する必要があります。タスクは相互に関連しているため、「タスクの評価は、ネットワーク全体で実行される」必要があります。

Googleは、MultiModelというモデルを開発しました。これは、8つの異なるタスクを同時に実行できる人工知能システムです。MultiModelは「画像内のオブジェクトを検出し、キャプションを提供し、音声認識し、4つの言語ペア間で翻訳し、文法的構成解析を実行する」ことができます。

Googleの成果は大きな飛躍ですが、人工知能はさらに進歩する必要があります。一般的な学習者になるには、メタ推論とメタ学習をさらに発展させる必要があります。Wu氏は次のように説明しています。「メタ推論は、認知リソースの効率的な使用に焦点を当てています。メタ学習は、人間が独自の能力を持っており、限られた認知リソースと限られたデータから効率的に学習する能力に焦点を当てています。」

現在、人間の認知と人工知能の学習方法のギャップを埋める研究が行われています。内部状態の認識、記憶の正確さ、信頼性などの違いについてです。

これらすべてのことから、「人工知能が一般的な学習者になるためには、人間の学習方法と人工知能が人間の学習方法を模倣する方法について、広範な研究が必要です。新しい状況に適応する能力、限られたリソースで戦略的な決定を下す能力など、人工知能研究者が克服しなければならない数多くの課題があります。」