ヤン・ルカン - AIの軌跡と未来についての考察

3,236 文字

少なくとも2つの異なる点があります。1つ目は、知性の根底にあるプロセスのより良い理解です。これは主要な科学的な問題であり、人間や動物の知性とは何かという問いだけでなく、エンジニアとしてどのように機械の中でそれを再現できるのかということです。実際、知性を理解する最良の方法は、自分自身でそれを構築することです。
機械学習技術が人工知能においてこれほど支配的になったことは、非常に満足のいくことです。これは私が博士課程を始める前から選んでいた選択肢でした。これが1つ目のポイントです。
2つ目は、この技術が世界に与える影響、人命を救う影響です。私が貢献した畳み込みニューラルネットワークなどの技術は、すべての車に使用されています。ヨーロッパで販売されるすべての車には、衝突の予測時に自動的に停止する障害物検知システムを搭載することが義務付けられており、これは人命を救い、正面衝突を40%削減しています。同様のシステムは、マンモグラフィーなどの医療画像における腫瘍の特定にも使用されており、同じように人命を救っています。非常に基礎的な研究プログラムが、社会に非常に直接的な影響を与えていることは、信じられないほど満足のいくことです。
人工知能は短期的にも長期的にも、人間の知性を置き換えるのではなく、増幅させることになります。これは15世紀の印刷技術の発明に少し似ています。印刷技術は人々が世界で何が起きているかを学び、教養を身につけることを可能にしました。これは社会を変革し、啓蒙時代、哲学、科学を可能にし、特に封建制度の崩壊と民主主義の出現をもたらしました。スイスはこれをよく知っているはずです。
人間の知性の増幅は、人々がより生産的で創造的になり、意思決定においてより合理的になれるという、同様の変革をもたらす可能性があります。もちろん、常に破滅的なシナリオを想像することはできますが、より少ない知性よりも多くの知性を持つこと、より少ない知識よりも多くの知識を持つことは、本質的に良いことです。
しかし、どのようにしてそれを実現するかの詳細について議論する必要があります。人工知能システムをより多くの人々に配布し、人工知能システムが人類の知識の受託者となるようにすること、つまり、すべての言語、文化、価値体系、関心事を理解できるようにすることです。少数の企業や国々によってシステムが管理される破滅的なシナリオもあり、それは人類の進歩や民主主義にとってはるかに有益ではないでしょう。
ノーベル賞を受賞した人々の中には、1980年代のベル研究所の元同僚であるジョン・ホップフィールドがいます。彼の論文は信じられないほど影響力がありました。そして、翌年のジェフリー・ヒントンとテレンス・セジノフスキーのボルツマンマシンに関する論文も、ノーベル賞を受賞し、非常に影響力がありました。これらの2つの論文は、ニューラルネットワークに対する科学コミュニティの関心を呼び覚としました。
ニューラルネットワークは、特に1950年代と60年代のニューラルネットワークの歴史を知っている情報科学者やエンジニアにとってはタブーとなっていました。当時の技術は壁にぶつかり、人々は徐々にこれらの技術を放棄し、日本の研究者数名を除いて、60年代末から80年代初頭まで誰もニューラルネットワークに取り組んでいませんでした。
彼らの論文は関心を再び呼び起こし、この分野を再び尊重されるものにしました。しかし、面白いことに、当時彼らが提案したモデル、いわゆるホップフィールドネットワークやボルツマンマシンは、もはやまったく使用されていません。これらは概念的には興味深いモデルでしたが、実践的なレベルでは長期的な影響はありませんでした。現在使用されているモデルは、ジェフリー・ヒントンや私も貢献した別の技術を使用しています。
タンパク質の折りたたみに関する2番目の論文は、ディープラーニングとニューラルネットワークに基づく多くの方法に報いています。ノーベル賞受賞者の一人であるデビッド・ベーカーは、当初はニューラルネットワークを使用せずに、タンパク質の折りたたみとタンパク質構造の問題に長年取り組んできました。その後、徐々に世界中の複数のグループがディープラーニングとニューラルネットワークを使用してタンパク質構造の予測に取り組むようになりました。
AlphaFoldはおそらく最も目立ち、最大で最も影響力のあるものでしたが、他にもありました。Metaとニューヨーク大学での私の共同研究者たちによるESMfoldという取り組みは、現在はスタートアップになっています。これは生物学に大きな影響を与えた何かであり、このノーベル賞は完全に値するものです。
実際、デミス・ハサビス、ジェフ・ヒントン、ジョン・ホップフィールドはAIの潜在的な危険性について懸念を表明しましたが、私はその点では彼らに同意しません。私はずっと楽観的です。確かに、あらゆる種類の破滅的なシナリオを想像することはできますが、重要なのは破滅を想像することではなく、システムが適切に使用されるようにすることです。
この意味で、私は新技術を最大限に活用する人間社会や民主主義システムの能力に、ジェフ・ヒントンのような同僚たちよりも信頼を置いています。彼は、おそらく個人的な歴史や政治的な意見のために、歴史についてやや悲観的です。しかし、私はそれよりもずっと楽観的です。とはいえ、両者ともAIの肯定的な可能性、AIによって科学の進歩が加速すること、そして適切に共有されれば人類の進歩に貢献するということについては非常に楽観的です。
学部生と修士・博士課程の学生では、私のアドバイスは異なります。学部生への私の推奨は、寿命の長い科目を学ぶことです。つまり、数学や基礎物理学です。驚くかもしれませんが、機械学習をよく理解するためには、モバイルプログラミングの講座と量子力学の講座のどちらかを選ぶなら、量子力学を選んでください。多くの数学が実際に対応しています。
統計物理学の講座を取れば、それは非常に有用になるでしょう。あるいは、線形代数、微分幾何学、最適化、数値計算、科学計算などの数学の講座も同様です。これらは時代遅れにならないものです。技術は非常に速く進化するため、技術変化に適応したい場合は、時代遅れにならない堅固な基礎を持つ必要があります。
これが私の最初の推奨です。技術を学ぶのではなく、科学を学び、基礎的な分野を学んでください。それらを応用する方法を学ぶのは、後からでも常に時間があります。それはずっと簡単です。若いうちに基礎的な技術を学ぶ方が良いです。
その後、人工知能や自然知能に興味がある場合、これらの基礎知識を身につけた後、それを様々な分野に応用することができます。情報科学かもしれませんし、工学かもしれませんし、人工知能が応用できる科学分野かもしれません。材料科学、生物学、ゲノミクス、イメージングなど、どの分野でも構いません。
材料科学は非常に有望だと思います。材料科学におけるAIの使用は、新しい材料による気候変動などの人類の大きな問題の解決を助ける可能性があります。新しいバッテリー、新しいエネルギー貯蔵方法、太陽エネルギーを使用して水素と酸素を分離する新しい触媒を開発できるかもしれません。エネルギー貯蔵の問題は非常に大きな問題です。
また、神経科学、認知科学、実験心理学などにも応用できます。科学、医学、人工知能の接点には、興味深い取り組みが多くあります。
学生への最後のアドバイスですが、人工知能はこれまで、音声認識、画像認識、画像理解・分析、自然言語処理など、AIの伝統的な分野を革新してきました。次の革新はロボティクスにあります。来る10年間はロボティクスの10年になるでしょう。したがって、ロボティクスと人工知能の交差点は、今後数年間で非常に有望です。