インダストリー5.0には、人工一般知能が必要である理由

著者：Bas Steunebrink、NNAISENSEの共同創設者兼人工一般知能ディレクター、Eric Nivel、AGIエンジニア、Jerry Swan、研究科学者

私たちは現代の世界で自動化を当たり前のように利用しており、グローバルに展開するサプライチェーンから毎日、豊富な商品が棚に届けられることを享受しています。しかし、商品の生産と移動は、パッキング、スケジューリング、ルーティング、アセンブリラインの自動化などの多くの最適化課題を生み出します。これらの最適化課題は、現実世界とともに動的に変化し続けています。例えば、予想されるサプライルートが突然、予期せぬ状況により妨げられることがあります。スエズ運河が塞がれたり、空路が火山の噴火により変更されたり、紛争により国がアクセスできなくなったりします。法的変更、通貨の崩壊、資源の不足も、サプライ側の変数が常に変化する例です。

別の例を挙げると、時には新しいコンポーネントを機械やワークフローに組み込む必要があります（ユーザーは異なる材料や色を望む場合があります）。現在、専門家の人間の労力がシステムの変更や、機械学習の場合には追加のトレーニングと再配置が必要です。同様に、インダストリー4.0の「デジタルツイン」は、問題の説明と入力の分布がシステム設計の初期段階で一度だけ指定できるという考えに依然として大きく依存しています。

最近のパンデミックは、「ジャストインタイム」のサプライチェーン計画の脆弱性を浮き彫りにしました。業界は、柔軟性のない計画を続けることができなくなっていることが明らかになっています。現在、製造業は「ローミックスハイボリューム」（LMHV）と「ハイミックスローボリューム」（HMLV）之间で固定的な選択をしなければなりません。インダストリー5.0は、「ハイミックスハイボリューム」（HMHV）の可能性を予測しており、ワークフローを低コストで流動的な要件に合わせて再構成できるようになります。これを達成するには、「自動化の自動化」が必要であり、問題や環境が変更されたときに人間の介入やシステムのダウンタイムの必要性を排除する必要があります。これには、「コマンドに従う」システムが必要であり、変更に反応しながら、現実世界の時間制約内で割り当てられたタスクを完了する可能性を保持します。例えば、アセンブリラインロボットに次のように指示することを考えてみましょう。

「Xの組み立てをすぐに停止してください。ここにYの仕様があり、古いエフェクタと新しいエフェクタが幾つかあります。Yの組み立てを開始してください。特定の種類の欠陥や浪費を避けてください。」

最近、GPT-3のような大規模言語モデルを通じて「人工一般知能」（AGI）が間もなく到来するという話が広まっていますが、提案されているアプローチは、本当に「コマンドに従う」ことができません。つまり、オフラインの再トレーニング、検証、再配置のダウンタイムなしに、トレーニングセットの外側にあるものにタスクを割り当てることができません。

実際の知能の概念は、変化への対応と密接に結びついていることは明らかです。変化に反応しないシステムは、自律的でも知能的でもありません。これは、深層学習（DL）アプローチの確かな強みを否定するものではありません。深層学習アプローチは、明示的に指定するのが難しい問題に対するプログラムの合成手段として、大きな成功を収めてきました。

では、AIを「トレーニング、フリーズ、デプロイ」のパラダイムから、「学習を続ける」パラダイムへと進化させるために、どのようなシステム機能が必要でしょうか。例えば、製造ワークフローで不良コンポーネントを別のベンダーのものに置き換える必要があるとします。現代のAIのエンドツーエンドのブラックボックスモデリングでは、デジタルツインプロセスを再度実行する必要があります。現代のアプローチの限界に対処するために、根本的な変化が必要です。コンポーネントの変更の結果や、より一般的な反実仮想的な「もしも」のシナリオについて直接推論できるモデルが必要です。コンポーネントを特性のあるものとして分解し、必要に応じて組み合わせるには、組み合わせ可能性が必要です。

組み合わせ可能性は、現代のAIではまだ実現できていません。ここでは、組み合わせ可能性は、モジュラー性と混同されることがよくあります。モジュラー性は、コンポーネントを「接着」する能力に関係していますが、組み合わせ可能性の本質、つまり結果のワークフローの動作について推論し、特定の特性を保持することを保証する能力を捉えていません。この能力は、検証と安全性のために不可欠です。例えば、システムが「別のメーカーのエンジンを採用すると、全体の出力が増加し、他のコンポーネントは温度マージン内に留まる」と推論できる能力です。

現代のニューラルネットワークアプローチは、データからルールを学習することに優れていますが、組み合わせ的な推論が欠けています。ニューラルネットワークアーキテクチャ内で組み合わせ的な推論が生まれることを期待するのではなく、組合せ論の構成、つまり数学的組合せの研究を直接利用することができます。特に、双方向コントローラーを基本的な表現要素とする、双方向サイバネティックスのサブフィールドは、構成可能性について扱っています。双方向性は、原因から結果への予測とその逆を両方行う能力、つまり双方向の推論を可能にします。構成的な逆推論は特に重要です。なぜなら、環境からのフィードバックを、構造的表現の任意のスケールで組み込むことができるからです。これにより、少数の例から迅速に学習することができます。

あるシステムの動作が与えられた場合、タスクは、指定された動作を満たす集約制御構造を構築することです。初期に学習された構造は、後の学習のためのスケルトンとして機能します。

システムの知識が増加するにつれて、このスケルトンは、学習された組み合わせ特性で装飾されることができます。H2O分子がその構成元素とは異なる特性を持つことができるのと同様に、関連タスクは、環境からのフィードバックによってタスク固有の方法で装飾された、スケルトンコントローラ構造を共有することができます。これにより、現代のアプローチで見られるような、学習のための構造と特性の組み合わせを可能にします。構成特性について推論することは、システムが現在実行しているタスクによって、継続的に根拠付けられます。

結論として、真正に自律的なシステムを作成するために、新しいアプローチが必要であることは明らかです。変化や未知の環境に適応できるシステムが必要です。これには、学習を続ける能力と、既知のものから一般化する能力が必要です。深層学習アプローチは、世界の浅い表現しか持っておらず、高いレベルで学習プロセスによって操作することはできません。一方で、提案するAGIシステムは、より広いアーキテクチャの中で深層学習を包含し、直接推論する能力を持ちます。

システムが自身の表現についてシンボル的に推論する能力は、業界にとって大きな利点をもたらします。明示的に組み合わせ可能な表現を持つことで、システムは人間やシステム自身によって、安全性と公平性の重要な要件を満たすために監査できます。AGIの「xリスク」についての学術的な懸念はありますが、適切な焦点は、制御システムを再構成しながらこれらの重要な要件を保持するという、具体的なエンジニアリング課題、つまり私たちがインタラクティブな整列と呼ぶプロセスです。信頼性が高く、効率的な継続的な学習者であるこのような制御システムの採用のみが、インダストリー5.0によって想定される次の自律性の世代を実現することができます。