blog
AIブログ
人工知能(AI)とは?仕組みや技術、できることをわかりやすく解説
人工知能(AI)とは、人間の知能的活動をコンピュータプログラムで再現したものです。人工知能やAIという言葉は、SF作品やゲームによく登場し話題になっているため知っている人は多いのではないでしょうか。ですが、人工知能(AI)とは、という質問に対して言葉の意味を詳しく理解して答えられる人は少ないかもしれません。
現在の人工知能(AI)は様々な分野で活用・評価され、どの分野でも必要とされる技術になりつつあります。
この記事では、人工知能(AI)の基礎知識や仕組み、最新の活用例、問題を紹介します。また、開発・研究の世界の歴史や人工知能でできること・できないことも解説しますので、ぜひご覧ください。
人工知能(AI)とは
人工知能とは、人間の知能や行動をコンピュータプログラムで再現した技術や製品の総称です。英語で言うと「Artificial Intelligence」で、「AI」と略されます。通常のコンピュータと異なり、人工知能はある程度の自己判断が可能です。機械学習や画像・音声認識、推論、予測により、状況に応じて最適な行動を選択します。
なお、人工知能には、明確な定義が存在するわけではありません。先に紹介した定義は、人工知能の発展・普及を目指す「人工知能学会」の解釈にならったものです。定義があいまいなため、映画などの創作物で登場する「人間のように意志を持ち、完全自律する人工的な頭脳」のイメージを持つ人も多いのではないでしょうか。
実際、専門家・研究者によって解釈は異なり、松尾豊氏(東京大学)の著作(※1)ではさまざまな定義が紹介されています。たとえば、著作内で西田 豊明氏(福知山公立大学)は「知能を持つメカ、または心を持つメカ」と定義しています。
人工知能を扱う対象となる学問は、コンピュータサイエンスから哲学までと幅広いです。「人工知能」の言葉は、立場の違いによっても異なる意味を持つと言えます。
※1出典:松尾豊「人工知能は人間を超えるか ディープラーニングの先にあるもの」
人工知能(AI)開発・研究の歴史
現在の生活における人工知能ですが、開発の歴史は順調なものばかりではありませんでした。人工知能の歴史は、3回のAIブームと停滞期を繰り返して現代へと続いています。どのような背景でどの様にに生まれ開発されてきたのか、歴史を見ていきましょう。
第1次AIブーム(1950〜70年代):推論・探索の時代
「AI(Artificial Intelligence)」の言葉が誕生したのは、1956年に開催されたダートマス会議です。ダートマス大学のジョン・マッカーシー教授が、同会議にて命名しました。
第一次AIブームでは、1957年にはニューラル・ネットワークの元となる概念「パーセプトロン」が登場し、「推論」と「探索」に関する研究が隆盛します。この時代のコンピュータは、パズルや迷路といった簡単な問題を解けるように進化しました。
しかし、研究が進むにつれ、パーセプトロンでは簡単な問題である「トイプロブレム」しか解けない事実が判明します。実用化の壁にぶつかり、人工知能の研究は停滞期に入りました。
第2次AIブーム(1980〜90年代):エキスパートシステムの時代
下火になった人工知能ですが、1980年代に「エキスパートシステム」が誕生し再びブームが巻き起こります。おさらいすると、エキスパートシステムとはコンピュータに専門知識をインプットし、診断やアドバイスを行わせる技術です。医療診断などへの実用化を目指し、さまざまな企業で開発が行われました。
しかし、次第にエキスパートシステムの課題が明らかになっていきます。膨大な知識量を覚えさせる負担は大きく、状況に応じた柔軟な例外処理もできません。さらに、莫大な知識を蓄積するには、当時のハードウェアでは限界がありました。費用と手間のコストが成果に見合わず、第2次AIブームは下火になります。
第3AIブーム:(2000年代〜)ディープラーニングの時代
2022年現在でも続いている第3次AIブームは、2000年代に始まりました。第2次ブームですでに始まっていた「機械学習」の開発が非常に進み、第3次AIブームの火付け役となる「ディープラーニング」が2006年に登場します。
特徴量を自動抽出して、学習するディープラーニングは、認識精度技術にブレークスルーを起こしました。注目を浴びる話題となるきっかけとなったのが、コンピュータの画像認識の精度を競うコンテスト「ILSVRC 2012」です。トロント大学のディープラーニングを組み込んだ人工知能が、圧倒的に低いエラー率で優勝しました。ディープラーニングの研究が活発化し、多くの製品に実装されています。
人工知能(AI)の仕組み:重要な4つの技術
そもそも人工知能(AI)とは、どのような仕組みで成り立っているのでしょうか。人工知能を支える技術は多岐に渡りますが、ここでは主な4つの技術を紹介します。
- エキスパートシステム
- 機械学習
- ニューラル・ネットワーク
- ディープランニング(深層学習)
1つずつ、わかりやすく解説します。
(1)エキスパートシステム
エキスパートシステムとは、専門分野の知識を事前に学習し、特定の問題に対する解決策を提示するシステムです。医療や法律などの高度な知識が必要な分野の問題を、知識がない人でも解決できるようにするために設計されました。
エキスパートシステムは、知識を大量に蓄積する「知識ベース」と答えを導く「推論エンジン」の2つから成ります。エキスパートシステムは自己学習する機能を持ちません。推論エンジンで問題を解決するためには、「もしAならばBの答えを出す」といった知識ベースのルール設定が必須です。
そのため、覚えさせなくてはならないデータが膨大であったり、ハードウェアの性能に限界があったりと問題点が多くありました。現在は、機械学習やハードウェアの進展により、ECサイトなどのレコメンドシステムに活用されています。
(2)機械学習
機械学習とは、コンピュータがデータを自動で学習し、データのパターンやルールを発見する技術です。発見したパターンなどの情報をもとに、特定分野の予測・分析を行います。2022年現在の人工知能の中核を担う技術です。
機械学習の学習方法は、以下の3種類があります。
- 教師あり学習:例題と正しい答えをセットで教えて学習させる方法
- 教師なし学習:正しい答えを教えていない状態で学習させる方法
- 強化学習:コンピュータ自ら試行錯誤を重ね最適解を導く方法
これらの学習方法を組み合わせ、人工知能ごとの用途に沿った方向性へと開発します。
[関連記事]
機会学習とは何か?詳しく知りたい方はこちらの記事で詳細に解説していますので、是非ご覧ください。
>> 機械学習とは?仕組みや手法、アルゴリズムなど詳しく解説!
(3)ニューラル・ネットワーク
ニューラル・ネットワークとは、脳の神経回路の仕組みをコンピュータ上に表す数理モデルを意味します。機械学習を実行する手法の1つであり、後述のディープラーニングの基幹となる技術です。
ニューラル・ネットワークは「入力層」「中間層」「出力層」の3層で構成され、入力された情報のパターンを認識するために用いられます。「入力層」で画像や音声などの情報を受け取り、続いて「中間層」で計算を重ね、「出力層」で答えを導く仕組みです。これにより、認識した画像から「この画像は犬が写っている」といった判断を可能にしています。
また、脳の神経細胞「ニューロン」同士の情報伝達スピードは、ニューロンを接続する「シナプス」の結合が強いほど速くなります。ニューラル・ネットワークでは、この結合強度を「重み」として表現することで、情報の重要度を分別しています。
(4)ディープラーニング(深層学習)
ディープラーニングとは、機械学習の手法・アルゴリズムの1つであり、ニューラル・ネットワークを応用・発展させた技術です。日本語訳で「深層学習」とも呼ばれます。
前述の通り、ニューラル・ネットワークには計算を行う「中間層」があります。ディープラーニングは、中間層を多層構造にすることで、より複雑かつ高度な計算を可能にしたシステムです。データの特徴を数値化した「特徴量」を自動で抽出できるため、これまで行ってきた手作業による抽出は不要になりました。
ディープラーニングの登場により、人工知能の学習・識別能力は飛躍的に向上しています。産業から身近な製品まで活用されており、生活を支える欠かせない技術です。
[関連記事]
深層学習(ディープラーニング)とは何か?詳しく知りたい方はこちらの記事で詳細に解説していますので、是非ご覧ください。
>> 深層学習(ディープラーニング)とは何か?徹底解説します!
人工知能(AI)の種類
人工知能(AI)の種類は、大きく「汎用型AI」「特化型AI」の2つに分けられます。
(1)汎用型AI
汎用型AIとは、あらゆる分野の課題を処理できる人工知能です。人間は、未経験かつ学習していない状況に置かれても、これまでの経験や知識を活かして対応できます。こうした人間と同じ柔軟な対応力を持ち、あらかじめ学習している分野以外も能動的に学習できるのが汎用型AIです。
ただし、2022年時点で汎用型AIはまだ存在しません。「人間と同レベルまたはそれ以上の賢さを持つAI」はフィクションの存在であり、実用化の目処も立っていないのが現状です。
(2)特化型AI
特化型AIとは、名前の通り特定分野の問題処理が可能な人工知能です。すでに実用化されており、空想上の技術ではありません。2022年時点で実用化されている人工知能は、全て特化型AIです。
特化型AIは、限られた範囲について自動学習し、画像・音声認識などの技術によりデータに基づいた判断を行います。「特定分野しか処理できない」と聞くと、残念に思う人もいるかもしれません。
しかし、特化型AIの中には、特定領域において人間の知能を上回る性能を発揮している事例も一部あります。具体的には、気象予測や医療診断、アルゴリズムトレードによる自動株取引など、さまざまな場面でこのテクノロジーは活躍しています。
(3)強いAI・弱いAIとの違い
人工知能の分類は、異なる概念にもとづく「強いAI」と「弱いAI」による分け方も可能です。汎用型AI /特化型AIと混同されがちですが、強いAI / AIは「人間のような意識や心を持てるか」といった観点で分類されます。
強いAIとは、人間と変わらない自意識、思考能力、心を持つ人工知能です。わかりやすい例で言うと、「ドラえもん」が当てはまります。強いAIは汎用型AIの技術に加え、人間の心を備えたモノと言えます。
対する弱いAIは、人間のような自意識は持ちません。プログラムされた役割のみ実行し、人間のような柔軟な知性は持たない人工知能です。2022年時点で実用化されている人工知能は、全て弱いAIに分類されます。
2022年現在の人工知能(AI)ができること
ディープラーニングの進化により、人工知能の技術も発展しました。2022年現在の人工知能ができることは、主に次の4つです。
- データに基づく予測
- 画像認識
- 音声認識
- 自然言語処理
これらができることでどのようなメリットがあるのか、順番に説明します。
(1)データにもとづく予測(A予測)
人工知能は、データにもとづく予測(AI予測)を行えます。蓄積されたデータをもとに、「将来的な事象の発生率」や「特定の数値」を予測する技術です。人工知能の予測をビジネスに取り入れることで、個人の経験による計画策定といった属人化を防げます。また、個人ごとのスキルによる差も生まれません。
ちなみに、「未来における事象の発生率」には、機械の故障・劣化予測や、診断結果の数値による病気の発症率などの事例が挙げられます。「特定の数値」の予測は、小売業における商品の需要予測、不動産価値の予測に活用されています。
(2)画像認識
画像認識とは、画像や動画、リアルタイムでカメラに写っている内容を理解する技術です。物体の特徴量を自動学習することで、物体の識別や異常検出を行えます。
画像認識は、監視カメラの顔認識や製造ラインの不良品検知など、すでに多くの産業で実用化されている分野です。他にも、画像内の文字をテキスト化する「AI OCR」や画像検索など、さまざまなシステムへの導入が進んでいます。
(3)音声認識
音声認識とは、人間が発した音声情報をデータ化し、文字に変換する技術です。文字に変換する際は、音の特徴量と一致する文字をパターンマッチングさせ、発話と同じ正しい文章を構築します。
音声認識も画像認識と並び、すでに多くの製品やサービスに用いられています。具体的には、SiriやAlexaなどの「スマートスピーカー」が代表的な存在です。なお、音声認識は多くの場合、次の「自然言語処理」と一体となって構築されます。
(4)自然言語処理
自然言語処理とは、人間が日常的に用いる話し言葉や書き言葉などの「自然言語」を分析し、意味を抽出する技術を指します。音声認識と組み合わせる場合、「音声をテキスト化するまで」を音声認識が行い、「テキストから意味を抽出して特定の作業を行う」のが自然言語処理です。
自然言語は、機械が用いるプログラミング言語とは異なり、同じ単語でも文脈で意味が変わるあいまいな表現が多々あります。あいまいさを解析し、正しい意味で理解する技術が自然言語処理です。機械翻訳やカスタマーサービスの自動応答などに活用されています。
[関連記事]
自然言語処理とは何か?詳しく知りたい方はこちらの記事で詳細に解説していますので、是非ご覧ください。
>> 自然言語処理(NLP)とは?詳しく解説!
2022年現在の人工知能(AI)ができないこと
人工知能に関する技術は進化を続けている一方で、2022年時点では下記2つのようにできないこともあります。
- 0から1を生み出す創造作業
- 人間と同じように感情を読み取る
それぞれ解説します。
(1)0から1を生み出す創造作業
人工知能は、0から1を生み出すクリエイティブな作業ができません。ただし、創造作業ができないわけではなく、絵や小説の創作自体は可能です。中には、入力したテキストからイラストを自動生成するアプリもあり、すでに多くのユーザーに親しまれています。
しかし、これらは事前に膨大なデータを学習しており、全くの0から生み出してはいません。人間のように、「これまでにない斬新な作品」を作る創作性は備わっていないと言えます。
(2)人間と同じように感情を読み取る
人工知能は、感情を読み取る作業が苦手です。人間は言葉だけでなく、相手の表情や声のトーン、仕草から感情を汲み取れます。こうした言語外のコミュニケーションを「ノンバーバル・コミュニケーション」と呼び、人工知能が苦手とする領域です。
ただし、創造作業と同様に、感情を読み取ること自体が全くできないわけではありません。表情や音声から感情を認識する「感情認識AI」の開発が進んでおり、将来的には人工知能も「ノンバーバル・コミュニケーション」を習得する可能性があります。
人工知能(AI)を活用している分野の事例
人工知能は、高度な学習・認識技術によって多くの産業で活躍しています。ここでは、以下5つの分野における活用事例を見ていきましょう。
- 自動車
- 医療
- 製造業
- コールセンター
- 身近な製品・サービス
どのように活用されているのか、詳しく紹介します。
(1)自動車
自動車は消費者と身近な存在であり、人工知能の開発が活発な分野の1つです。自動車の生産体制の需要予測、画像認識による品質検査など、多くの場面で活用されています。中でも開発が進んでいるのが、自動運転技術です。
自動運転技術は、国土交通省によって5段階の「自動運転レベル(※2)」に分けられています。2022年現在、市販車として実用化されているのは「自動運転レベル3」までの自動車です。なお、レベル3の車の自動運転が許可されている区間は「渋滞時の高速道路」などに限られています。
今後、特定条件で完全自動運転が可能な「自動運転レベル4」や、全ての公道で完全自動運転を行える「自動運転レベル5」の実用化が期待されます。
※2出典:国土交通省「自動運転車の安全技術ガイドライン」
(2)医療
人工知能を搭載した「AI医療」も、近年開発・実用化が進んでいる分野です。中でも、画像認識を応用した「画像診断」は、多くの医療現場で活躍しています。レントゲンなどの画像から異常部分を検知することで、病気の早期発見が可能です。見落としや誤診を防げる点に加え、医師の作業効率化にも貢献しています。
自然言語処理を用いる「自動問診システム」や「カルテ解析」を活用すれば、スムーズかつ高度な病名診断も可能です。さらに、ロボットによる手術サポートや自動採血ロボットなどの開発も進んでいます。
(3)製造業
製造業は、すでに多くの現場で人工知能が導入されている分野です。主に、以下の用途で人工知能が活かされています。
- 不良品の検知:画像認識により生産ラインの不良品を識別・検知する
- 自動作業:在庫管理、梱包、仕分けなどの作業の自動化
- 需要予測:過去の実績や季節・天候要因にもとづいた需要の予測
- 予知保全:工場内の設備の故障時期を予測し、事前にメンテナンスする
このように、製造業では人工知能の画像認識や予測技術が多用されています。
(4)コールセンター
コールセンターは、主に音声認識や自然言語処理が活躍する業種です。たとえば、テキストベースで自動で応答する「チャットボット」を使うことで、コールセンターへの問い合わせを減らせます。
チャットボットは、顧客の質問に対して最適な回答を自動提示するシステムです。24時間365日稼働できるため、すぐに問い合わせたい顧客の需要にも応えられるでしょう。
また、音声認識により、顧客とオペレーターの会話の解析が可能です。人工知能は会話をリアルタイムで分析し、資料やFAQのページを自動でオペレーターに提示します。オペレーターの負担軽減のみならず、スタッフごとの対応の差をなくすことによる顧客満足度の向上にも効果的です。
(5)身近な製品・サービス
人工知能を取り入れた身近な製品・サービスは、数多く存在しています。具体例は以下をご覧ください。
- スマートスピーカー
- 掃除ロボット
- 翻訳ツール
- スマホカメラの物体認識機能
上記の中でもとりわけ多機能なのが、スマートスピーカーではないでしょうか。スマートスピーカーは人間の発話を解析し、操作指示や雑談に応えます。検索エンジンによる検索結果、家電のオン・オフ、音楽再生、メモの入力など、多彩な機能を搭載しています。人工知能は、日常生活でも活躍する大切な技術と言えるでしょう。
人工知能(AI)未来の問題
ここまで、人工知能ができることや活用例などを詳しく解説しました。人工知能は私たちの生活を支える便利な技術ですが、デメリットとも言える3つの問題を抱えています。
- 倫理課題
- 責任の所在
- シンギュラリティによる雇用消失
人工知能の未来に関わる課題について、どのような問題点があるのか紹介します。
(1)倫理問題
人工知能は有効活用される一方で、さまざまな倫理問題も存在します。たとえば、動画内の人物の顔を別人に差し替える「ディープフェイク」への悪用が有名です。技術そのものは違法ではありませんが、悪用例が多いためにディープフェイクそのものを問題視する傾向が見られます。
他には、学習データの偏りによる人種差別やプライバシー侵害などの倫理問題も挙げられます。人工知能が真価を発揮するためには、膨大なデータが必要です。身近な例でいえば、Web広告のパーソナライズ化が挙げられます。
パーソナライズ化は便利な反面、裏を返せば一企業に個人情報を収集されている状況です。特定個人の判別はできないにしろ、プライバシーの侵害と取るユーザーも存在します。こうした人工知能による情報収集は、「どこまで情報を取得していいのか」「どのように管理すべきか」といった課題が存在します。
(2)責任の所在
人工知能の責任の所在についても、議論されている課題の1つです。仮に人間が交通事故を起こした場合、責任の所在は基本的に運転手にあります。ところが人工知能を活かした完全自動運転による交通事故は、誰の責任になるのかはっきりとしていません。
実用化されている「自動運転レベル3」でさえ、自動運転中の事故の責任は「状況によって警察が判断する」や「ドライバーが負う」と解釈が分かれています。自動運転車の製造会社に責任は生じるのか、自動運転同士の事故はどうなるのかといった責任のありかは現状では不透明です。
人工知能の実用化が進めば、自動運転以外の分野でも責任問題が生じてくるでしょう。法的責任だけでなく、仕事のミスなどの身近な問題にも関わってくるかもしれません。人工知能の責任の明確化は、人工知能が発展する上で避けては通れない問題と言えます。
(3)シンギュラリティによる雇用消失
人工知能は、「シンギュラリティ(技術的特異点)」による雇用消失についても論じられます。シンギュラリティとは、簡単に言うと人工知能が人間の知性を上回る転換点です。米国のレイ・カーツワイル氏による概念で、「2045年にはシンギュラリティに到達する」と提唱していることから「2045年問題」とも言われます。
人工知能の種類でも紹介した汎用型AIなどの登場により、人間の雇用が奪われるのではないかとする「AI脅威論」は古くから存在します。一般的に、人工知能によってなくなる仕事は、事務員や受付・運転手などの職種が挙げられます。一方で人工知能によってなくならない仕事は、介護士やクリエイターと言われています。
ただし、現状では汎用型AIの実現の目処は立っていません。そのため、シンギュラリティやAI脅威論などの人工知能を危険視する議論はトーンダウンしています。
[関連記事]
>>シンギュラリティとは?詳細に解説!
まとめ
1956年に言葉が誕生して以来、人工知能は着実に変化し、進歩してきました。ニューラル・ネットワークや機械学習、ディープラーニングにより、現代の人工知能は多くのタスクを自動で行えます。人工知能の技術はさまざまな場面で活用されており、私たち一般消費者にとっても身近な存在です。今後さらに研究が進めば、より身近で必要不可欠な技術となっていくでしょう。
よろしければ弊社SNSもご覧ください!
Twitter https://twitter.com/crystal_hal3
Facebook https://www.facebook.com/クリスタルメソッド株式会社-100971778872865/
Study about AI
AIについて学ぶ
-
「Diffusion Transformers (DiTs)」とは。わかりやすく解説
「Diffusion Transformers (DiTs)」とは Diffusion Transformers (DiTs) は、画像生成における新しいアプロ...
-
3D画像での異常検知システム(3DのAI・深層学習)
3DのAI・深層学習 3Dデータとは? 写真等の一般的な2Dデータは、ピクセル(画素)の縦×横の2次元の配列です。では3Dデータはどの様に表現されるのでしょうか...
-
AI問題点を分かりやすく解説!新たな技術の課題とは?
AI(人工知能)は革新的な技術である一方で、さまざまな問題点も浮かび上がってきました。本記事では、AIの問題点についてわかりやすく解説します。 AIの急速な発展...