Max Versace、NeuralaのCEO兼共同創設者 – インタビュー・シリーズ

マッシミリアーノ・ヴェルサーチェ博士は、Neuralaの共同創設者兼CEOであり、同社のビジョナリーでもある。脳インスパイアド・コンピューティングとディープ・ネットワークに関する先駆的な研究を行った後、自律ロボティクスの世界を引き続きインスパイアし、リードしている。テッドX、NASA、ペンタゴン、GTC、InterDrone、国立研究所、空軍研究所、HP、iRobot、サムスン、LG、Qualcomm、エリクソン、BAEシステムズ、AIワールド、 三菱、ABB、アクセンチュアを含む数多くのイベントや会場で講演を行っている。

あなたは最初に心理学を学び、後に神経科学に転向しました。 当時の理由は何でしたか？

転向は自然なものでした。心理学は「トレーニング・コイン」の一側面を提供しました – 心理現象の研究。ただし、思考や行動を機械的に引き起こすものに興味がある場合、思考を司る器官の研究に必ず行き着き、神経科学の研究に至ります。

人間の脳をAIシステムで模倣したいと思ったのはいつからですか？

次のステップ、神経科学からAIへの道は、よりトリッキーです。神経科学は、神経系の解剖学と生理学の詳細な研究であり、脳がどのようにして行動を生み出すかを研究するものです。もう一つの、より深い理解を得るための補足的な道は、これらを合成バージョンで構築することです。私はよく使うアナロジーがあります。エンジンがどのように機能するかを理解するには、シリンダーとラジエーターを外して、シリンダーとラジエーターがエンジンの機能に重要であると結論付けることができます。エンジンをより深く理解する別の方法は、エンジンを一から構築することです。つまり、合成的（人工的な）バージョンを構築することによって、知能を研究することです。

あなたが取り組んだ初期のディープ・ラーニング・プロジェクトについて教えてください。

2009年、DARPAのために、私たちは、ヒューレット・パッカードが設計した高度なチップを使用して、自律ロボット用の「全脳エミュレーション」を構築しました。要するに、私たちのタスクは、脳と、小型ロボットに実装可能なフォーム・ファクタで、小型ロボットの重要な自律的および学習行動をエミュレートすることでした。

Neuralaの創設ストーリーを共有してください。

Neuralaとしての会社は、2006年に、GPU（グラフィック・プロセッシング・ユニット）を使用したディープ・ラーニングに関する特許の仕事を包含するために始まりました。今日ではこれは些細なことのように思われるかもしれませんが、当時、GPUはAIには使用されていませんでした。私たちは、グラフィック・カードの各ピクセルが、画面上のシーンをレンダリングするのではなく、ニューロンを処理するために使用できるという概念を提案しました。GPUの並列性により、私たちの脳の並列性を商業的に実現可能な範囲で模倣することができ、学習と実行の速度を私たちのアルゴリズムで実現することができました。世界が私たちも既に信じていたAIの現実に「追いつく」まで、数年待たなければなりませんでした。2013年、私たちは会社をステルスモードから出て、ボストンのテック・スターズ・プログラムに参加しました。その後、私たちは数人の従業員を雇用し、民間資本を調達しました。ただし、重要なデプロイメントを最初に獲得し、カメラ、スマートフォン、ドローン、ロボットを含む5600万台のデバイスに私たちのAIを搭載することは、2017年まででした。

Neuralaの初期プロジェクトの1つは、NASAの火星ローバーに取り組むことでした。プロジェクトのハイライトについて教えてください。

NASAには、非常に具体的な問題がありました。彼らは、将来の無人ミッションを推進する技術を探していたのです。ここで、自律システム（例：ローバー）は、地球のミッション・コントロールのステップ・バイ・ステップの指示に依存しないものでした。通信の遅延により、このコントロールは不可能です。映画「ザ・マーティアン」で、マット・デイモンと地球の間のコミュニケーションがどれほど不自由だったかを覚えておくといいです。私たちの解決策は、各ローバーに独自の「脳」を与えることでした。NASAは、すでにDARPAと協力してこれらの小型「ミニ・ブレイン」を構築する専門家として私たちを見ていたので、私たちにローバーに小型のディープ・ラーニング・システムを搭載し、ロボットが動作中に新しいもの（例：岩、水の兆候など）を学習し、未探索惑星の有意義な地図を作成できるようにしました。課題は巨大でしたが、成果も同様でした。ディープ・ラーニング・テクノロジーは、非常に小さな処理能力で動作し、たとえば画像などの単一のデータで学習することができました。これは、当時（そして今でも）ディープ・ラーニングが達成できたことの範囲を超えています。

NeuralaはLifelong-DNNを設計しました。Lifelong-DNNは通常のDNNとどのように異なり、どのような利点がありますか？

上記のNASAのユースケースのために設計されたLifelong DNNは、その名前の通り、全生涯にわたって学習できます。これは、従来のディープ・ニューラル・ネットワーク（DNN）とは異なります。DNNは、トレーニングを受けるか、推論（つまり、分類）を実行することができます。L-DNNでは、人間と同様に、学習と分類の違いはありません。私たちが何かを見たとき、常にそれを「分類」します（これは椅子です）と同時に、それについて学習します（これは新しい椅子です。以前見たことがありません。今、私はそれについて少し mehrことを知っています）。DNNとは異なり、L-DNNは常に学習し、世界について私たちが知っていることと、新しい情報が提示されたときにそれを理解しています。例えば、私の子供のひとりが私をからかって私の椅子をピンクに塗ったとします。私はすぐにそれを認識できるでしょう。L-DNNは、私の椅子が黒であることを学習してきたので、私の知覚と私の記憶が一致しないとき、L-DNNは異常シグナルを生成します。これは、Neuralaの製品でさまざまな方法で使用されています（以下参照）。

Brain Builderカスタム・ビジョンAIについて説明し、ロボティクス・アプリケーションをより迅速に、簡単に、かつ費用効果の高いものにする方法を教えてください。

L-DNNは自然に世界について学習し、もし何かが学習した標準から逸脱したり異常だったりする場合にそれを理解できるため、Neuralaの製品であるBrain BuilderとVIA（Visual Inspection Automation）は、たとえば「良い製品」のわずか数枚の画像を使用して、視覚検査タスクを迅速に設定できます。例えば、生産環境では、20枚の「良いボトル」の画像を使用して、Visual Quality Inspection「ミニ・ブレイン」を作成できます。これは、ボトル（例：破損したキャップのあるボトル）が「悪い」ボトルであるかどうかを認識できます。L-DNNを使用すると、これは非常に簡単に、迅速に、またシンプルなCPUで実行できます。これは、10年以上にわたるNASAの技術を活用したものです。

以前のインタビューで、あなたは、起業家が「少し不可能」なビジネスを始めることを目指すべきだと述べていました。Neuralaを最初に立ち上げたとき、少し不可能だと思いませんでしたか？

私は友人であり同僚であるアナトリーが、私が「ある日、私たちの技術は携帯電話で動作する」と言ったとき、エスプレッソを吐き出すのを見ているのを覚えています。ありそうもない話のように思えたのですが、必要なのはそれを想像し、努力することだけだったのです。今日では、数百万台の携帯電話で動作しています。私たちは、数千の人工的な目が工業用マシンやプロセスを検知し、以前は考えられなかった品質とコントロールのレベルを提供できる世界を想像しています。誰もがエスプレッソを飲みながらこれを読んでいないことを願います。

素晴らしいインタビュー、ありがとうございます。Neuralaは明らかに私たちが注目すべき会社です。詳しく知りたい読者は、Neuralaを訪問してください。