講演資料


講義資料スライドの表紙

講義資料スライドの表紙です。スライド画像、または下の要約文中の青いページ番号リンクをクリックすると、別のタブで無駄なノイズのない、純粋なPDFビューア画面が起動し、指定されたページへ直接ジャンプして快適に閲覧できます。

全体概要

本セミナー「人間の思考、機械の思考」は、「機械は人間のように考えることが可能か？」という根本的な問いを軸に、IT技術者が知るべき「知能研究」の全体像を俯瞰する講義です [p.4]。

この問いに対して講師・丸山不二夫は、現状では「人間のように考える」機械は存在しないと認めつつも、「部分的に知的な振る舞いを行う機械」はすでに実現しており、近い将来のITシーンを根本から変えると主張します [p.4]。講義の視座は、コンピュータサイエンスの枠に閉じず、生物学・脳科学・言語学・認知科学・大規模分散システムまで広がります [p.5]。

技術史的な位置づけとして本講義が強調するのは、二つの大きな断絶です。一つは生物の進化と機械の発明のアプローチの違いであり、鳥の真似をして空を飛べなかった人間が飛行機を発明したように、「知能」においても生物と機械は異なる経路を辿る可能性があるという洞察です [p.32], [p.33]。もう一つは、2010年前後を境とする大規模データ処理の「第一世代（バッチ処理・量的蓄積）」から「第二世代（リアルタイム処理・グラフ構造・質的知識）」への転換であり、Google Knowledge Graph、Facebook Graph Search、Microsoft Satoriという三大プラットフォームの競争がこの転換を象徴しています [p.159], [p.160]。

探求の核心にあるのは「データの力」と「アルゴリズムの限界」の緊張関係です。Andrew Ngの「勝つのは最良のアルゴリズムを持つ者ではなく、最も多くのデータを持つ者だ」という言葉 [p.2] が示すように、統計的・データ駆動的アプローチが機械学習・翻訳・検索を席巻しています。しかし一方で、人間の言語能力を有限の経験から無限の文生成能力として捉えるChomsky的合理論 [p.125] との対立が根底に流れており、「データで言語は解けるか」という問いは未解決のまま講義全体を貫いています。そして、ニューラルネットワーク・Deep Learningの台頭、脳研究プロジェクト群、知識グラフ技術、IBM Watsonの質問応答システムへの展開を経て、「ネットの知性」とも呼ぶべきものが萌芽しつつあるという展望で講義は締めくくられます [p.5], [p.164]。

講義のロードマップ

■ Part 1: 「賢い」機械たちの登場

  • この部の核心:

現在すでに実用化されている「部分的に賢い」機械の事例を具体的に示すことで、抽象的な「知能論」を地に足のついた問題として提示します。インターフェースの進化（キーボード→タッチ→音声）が、知能を持つ機械との対話の中心になるという未来像も描かれます [p.26]。

  • 論理展開:
  • ナビゲーション、音声質問応答、自動翻訳、Google Nowによる先読み回答など、知的機械の具体的な登場場面を提示 [p.11], [p.12], [p.13], [p.14]
  • 顔認証・画像認識（Clarifai等）の実用化 [p.15], [p.16]
  • Google自動運転車をはじめ各社（ベンツ・Audi・トヨタ・日産・ホンダ）の自動運転の取り組み [p.22], [p.23], [p.24]
  • 音声入力が人間と「知能をもったマシン」のインターフェースの中心になるという展望 [p.26]

■ Part 2: 生物と人間と機械の進化

  • この部の核心:

知能を論じる前提として、生物・人間・機械それぞれが「問題解決」においていかに異なるアプローチを取るかを整理します。進化が作り上げた生物の知能（感覚・知覚・運動・コミュニケーション）と、人間が発明した機械の知能は、根本的に異なる可能性が高いとされます [p.32], [p.33]。

  • 論理展開:
  • 生物の知能は感覚・知覚・記憶・認知・運動・コミュニケーション能力の複合体 [p.35]
  • 視覚はカンブリア紀（5億年以上前）に大きく進化し、機械学習の最も基本的なモデルとなっている [p.37]
  • 多くの生物が共通の眼の遺伝子Pax-6を持つことをゲーリングが発見 [p.39]
  • 人間の知能の飛躍的発展は30万年前の言語能力獲得に始まり、文字・印刷・メディア・コンピュータ・インターネットへと連鎖 [p.42]

■ Part 3: 人間の脳へのアプローチ

  • この部の核心:

機械知能の理想モデルとしての人間の脳を研究する国際的プロジェクト群を俯瞰します。ニューロンとシナプスという生物学的基盤の圧倒的な複雑さを確認しつつ、ボトムアップ（ニューロンのシミュレーション）とトップダウン（認知科学的リバースエンジニアリング）の対立という脳研究の根本的な方法論的緊張が示されます [p.76]。

  • 論理展開:
  • 大脳新皮質には100億ニューロン・60兆シナプスが存在し、最高集積チップのトランジスタ数（71億）を大幅に超える [p.58]
  • Blue Brain Project（Henry Markram）：スクラッチから脳を構築することで理解を目指す [p.64]
  • EU Human Brain Project（12億ユーロ・10年間）：未来のニューロサイエンス・コンピューティング・医療を三本柱とする [p.70], [p.72], [p.73], [p.74]
  • NIH Human Connectome ProjectおよびUS BRAIN Initiative（12年・4,500億円）が神経回路図の作成と動的モニタリングを目指す [p.77], [p.80], [p.81], [p.82], [p.83]
  • EU HBPへの公開質問状：「鳥の羽をすべてシミュレーションしても飛行は解明できない」という批判に象徴されるボトムアップ vs トップダウンの対立 [p.75], [p.76]

■ Part 4: ニューラル・ネットワークのアプローチ

  • この部の核心:

脳全体のシミュレーションではなく、神経回路網をモデルとしたNeural Network（NN）とDeep Learningが、視覚・聴覚分野でほぼ独壇場の成果を上げています。特にAndrew NgとGoogleの協働による大規模教師なし学習実験が、ラベルなし画像から「人間の顔」を自発的に検出するという驚異的な結果を示した点が中心的なブレイクスルーです [p.102], [p.103], [p.106]。

  • 論理展開:
  • NNが実現できるタスク：二値分類・複数ラベル付与・教師なし特徴学習（UFL）・手書き文字認識・がん細胞判定 [p.88], [p.92], [p.97], [p.98], [p.100]
  • Andrew Ng・Jeff DeanらがGPU 16,000コア・1,000台マシンで1,000万画像を3日間訓練し、ラベルなしで顔検出を実現（「Googleの猫」） [p.103], [p.104], [p.107]
  • GPUを用いた2万ドルのDIY NNによるコモディティ化 [p.108]
  • IBMのSyNAPSEチップとDARPA SyNAPSE Programによるハードウェア進化 [p.109], [p.111]
  • 量子コンピュータへの応用が最も活発な分野の一つとなっている [p.112]

■ Part 5: 言語能力へのアプローチ

  • この部の核心:

言語能力へのアプローチをめぐり、「合理論（生得的普遍文法）」対「経験論（データの力）」という根本的な対立軸が鮮明に描かれます。Chomskyの生成文法、遺伝子FOXP2の発見、Googleの統計的機械翻訳、Deep Learningによる文生成が並置され、「言語の本質はデータで解けるか」という問いが未解決のまま提示されます [p.153]。

  • 論理展開:
  • Chomsky：有限の語から無限の文を生成する言語のRecursion性と、生得的「普遍文法・言語獲得装置」の存在 [p.125], [p.126]
  • Simon FisherによるFOXP2遺伝子の発見：は虫類・鳥類にも存在し、約30万年前にヒトで変異 [p.129], [p.131], [p.132]
  • Googleの「データの力」：スペル訂正・統計的機械翻訳においてデータ量の増大が精度向上をもたらす [p.134], [p.138], [p.139], [p.145]
  • Ilya Sutskeverが5億文字テキストでRecurrent Neural Netsを訓練し、英文らしい（ただし意味は不明瞭な）文章を自動生成 [p.150], [p.151], [p.152]

■ Part 6: 大規模システムと検索の変化

  • この部の核心:

2000年代の「バッチ処理・量的蓄積」から2010年代の「リアルタイム処理・グラフ構造・知識検索」への転換を軸に、Google・Facebook・Microsoftの三社が「文字列検索」から「知識グラフ探索」へと競争の舞台を移した経緯を整理します。検索における「リンクを返す」から「答えを返す」への質的転換が核心です [p.159], [p.160], [p.161]。

  • 論理展開:
  • 2010年Google Caffeine投入・Pregel発表がリアルタイム化とグラフ処理の起点 [p.158], [p.172]
  • Google Knowledge Graph（2012年5月）：「正しい物事を見つける・最良の要約を得る・さらに深く広く」 [p.161]
  • Facebook Graph Search（2013年1月）：リンクでなく「一つの答え」を返す設計 [p.162]
  • Microsoft Satori/Bing Snapshot（2013年3月）：「検索は現実世界の反映」 [p.163]
  • 広告ビジネスの動機（モバイル・個人への最適広告配信）が知識グラフ競争をドライブしている [p.171]

■ Part 7: 機械とネットワークに「知識」を持たせる試み

  • この部の核心:

Google Knowledge Graph（Freebase）、Semantic Web/HTML5 Microdata、Facebook Open Graph、Google Now、IBM Watsonという具体的な実装技術を通じて、機械が「知識」を獲得・表現・推論する仕組みの現状と限界を示します。いずれも極めてプリミティブな段階であり、言語能力自体の理解こそが次の飛躍に不可欠であるという結論で締めくくられます [p.196], [p.210]。

  • 論理展開:
  • FreebaseのTopic・Type・Property・Domain・IDという知識グラフの基本構造（1.9億トリプル、N-Triples RDF形式） [p.176], [p.193]
  • HTML5 Microdataによる機械可読なタグ付け：人間が読める情報を機械に抽出させる試み [p.198], [p.200]
  • Facebook Open Graph：ランダムなリンクから人々の関係の構造化へ（Zuckerberg 2010年） [p.203]
  • Google Now（Schema.org）：フライト・ホテル予約情報をJSON-LDで構造化し先読み提示 [p.216], [p.222]
  • IBM Watson：自然言語質問の構文解析→仮説生成→証拠スコアリング→統合ランキングという4ステップの質問応答パイプライン [p.235], [p.236], [p.238], [p.240], [p.241]