人工 知能 は 人間 を 超える か Chapter 04 (3) じんこう|ちのう||にんげん||こえる||chapter Will Artificial Intelligence Surpass Humans Chapter 04 (3) L'intelligence artificielle dépassera-t-elle l'homme ? Chapitre 04 (3) A inteligência artificial ultrapassará o ser humano Capítulo 04 (3)

日本 の この 分野 の 研究 に 多大な 影響 を 与えて いる 研究 者 だ 。 にっぽん|||ぶんや||けんきゅう||ただいな|えいきょう||あたえて||けんきゅう|もの| He is a researcher who has a great influence on research in this area of Japan. 自然 言語 処理 だけ で なく 、 データベース や プログラミング の 話 も 多くて 楽しかった のだ が 、 機械 学習 の 長い 解説 が 終わった 後 、 黒 橋 先生 は 「 ま 、 手法 は いろいろ ある んです が 、 結局 、 いい 特徴 量 を つくる の が 実は 一 番 大変で 、 人間 が やる しか ない んです けど ね 」 と さら っと 言った 。 しぜん|げんご|しょり||||でーたべーす||||はなし||おおくて|たのしかった|||きかい|がくしゅう||ながい|かいせつ||おわった|あと|くろ|きょう|せんせい|||しゅほう||||||けっきょく||とくちょう|りょう|||||じつは|ひと|ばん|たいへんで|にんげん|||||||||||いった After the long explanation of machine learning, Dr. Kurohashi said, "Well, there are many methods, but in the end, the hardest part is to create good features, and that can only be done by humans. I said it in passing.

その 言葉 に 、 私 は 頭 を 殴ら れた ような ショック を 受けた 。 |ことば||わたくし||あたま||なぐら|||しょっく||うけた The words shocked me as if I had beaten my head.

私 が ずっと 考えて きた こと を あっさり 言わ れた から だ 。 わたくし|||かんがえて|||||いわ||| It was because I was told what I had been thinking for a long time. 特徴 量 を どう つくる か が 機械 学習 に おける 本質 的な 問題 である と いう こと を 、 自分 以外 の 人 の 口 から 初めて 聞いた 。 とくちょう|りょう||||||きかい|がくしゅう|||ほんしつ|てきな|もんだい||||||じぶん|いがい||じん||くち||はじめて|きいた I heard from the other person's mouth for the first time that how to create feature quantities is an essential issue in machine learning. その後 、 その 問題 は 、 特徴 量 設計 と して 普通に 理解 さ れる ように なった 。 そのご||もんだい||とくちょう|りょう|せっけい|||ふつうに|りかい|||| Since then, the problem has come to be commonly understood as a feature design.

人間 は 特徴 量 を つかむ こと に 長 け て いる 。 にんげん||とくちょう|りょう|||||ちょう||| Humans are good at grasping features.

何 か 同じ 対象 を 見て いる と 、 自然に そこ に 内在 する 特徴 に 気づき 、 より 簡単に 理解 する こと が できる 。 なん||おなじ|たいしょう||みて|||しぜんに|||ないざい||とくちょう||きづき||かんたんに|りかい|||| If you look at the same object, you will be able to notice the features that are naturally present in it and understand it more easily. ある 道 の 先人 が 、 驚く ほど シンプルに ものごと を 語る の を 聞いた こと が ある かも しれ ない 。 |どう||せんじん||おどろく||しんぷるに|||かたる|||きいた|||||| You may have heard a pioneer on the road telling things in a surprisingly simple way. 特徴 を つかみ さえ すれば 、 複雑に 見える 事象 も 整理 さ れ 、 簡単に 理解 する こと が できる 。 とくちょう|||||ふくざつに|みえる|じしょう||せいり|||かんたんに|りかい|||| Once you grasp the characteristics, what appears to be a complex phenomenon can be organized and easily understood.

同じ こと を 人間 は 視覚 情報 でも やって いる 。 おなじ|||にんげん||しかく|じょうほう||| Humans do the same thing with visual information.

たとえば 、 ある 動物 が ゾウ か キリン か シマウマ か ネコ か を 見分ける の は 人間 に は とても 簡単だ が 、 画像 情報 から これ ら の 動物 を 判定 する の に 必要な 特徴 を 見つけ 出す の は 、 コンピュータ に は きわめて 難しかった 。 ||どうぶつ||ぞう||||しまうま||ねこ|||みわける|||にんげん||||かんたんだ||がぞう|じょうほう|||||どうぶつ||はんてい||||ひつような|とくちょう||みつけ|だす|||こんぴゅーた||||むずかしかった For example, it is very easy for a human to tell whether an animal is an elephant, giraffe, zebra, or cat, but it is very difficult for a computer to find the features necessary to determine these animals from the image information. 機械 学習 を さ せよう に も 、 この 特徴 を 適切に 出す こと が でき なければ 、 うまく 学習 でき ない のである 。 きかい|がくしゅう|||||||とくちょう||てきせつに|だす||||||がくしゅう||| Even with machine learning, if this feature cannot be properly developed, it will not be possible to learn well.

第 ３ 章 で は 、「 知識 」 を 入れれば 人工 知能 は 賢く なる が 、 どこ まで 「 知識 」 を 書いて も 書き 切れ ない と いう 問題 に ぶつかった 。 だい|しょう|||ちしき||いれれば|じんこう|ちのう||かしこく|||||ちしき||かいて||かき|きれ||||もんだい|| In Chapter 3, artificial intelligence becomes smarter if "knowledge" is included, but I ran into the problem that no matter how much "knowledge" was written, it could not be written.

また 、「 フレーム 問題 」 で は 、 タスク に よって ロボット が 使う べき 知識 を どう 定めて おけば よい の か が 決め られ なかった 。 |ふれーむ|もんだい||||||ろぼっと||つかう||ちしき|||さだめて||||||きめ|| Also, in the "frame problem", it was not possible to determine how the knowledge that the robot should use should be determined by the task. 「 シンボルグラウンディング 問題 」 で は 、 コンピュータ に とって 、 シマウマ が 「 シマシマ の ある ウマ 」 だ と 理解 でき ない こと が 問題 であった 。 |もんだい|||こんぴゅーた|||しまうま||||||||りかい|||||もんだい| Symbol Grounding Issue So, to a computer, a zebra is a "zebra with stripes. The problem was that the students could not understand that they were not the same.

一方 、 この 章 で 述べた の は 、 機械 学習 で は 、 何 を 特徴 量 と する か は 人間 が 決め ない と いけなかった と いう こと である 。 いっぽう||しょう||のべた|||きかい|がくしゅう|||なん||とくちょう|りょう|||||にんげん||きめ||||||| On the other hand, what I mentioned in this chapter is that in machine learning, a human being had to decide what to use as a feature value.

人間 が うまく 特徴 量 を 設計 すれば 機械 学習 は うまく 動き 、 そう で なければ うまく 動か ない 。 にんげん|||とくちょう|りょう||せっけい||きかい|がくしゅう|||うごき|||||うごか| If humans design features well, machine learning works well; if not, it does not.

これ ら の 問題 は 、 結局 、 同じ ひと つ の こと を 指して いる 。 |||もんだい||けっきょく|おなじ||||||さして| In the end, these issues all point to the same thing.

いま まで 人工 知能 が 実現 し なかった の は 、「 世界 から どの 特徴 に 注目 して 情報 を 取り出す べき か 」 に 関して 、 人 間の手 を 借り なければ なら なかった から だ 。 ||じんこう|ちのう||じつげん|||||せかい|||とくちょう||ちゅうもく||じょうほう||とりだす||||かんして|じん|あいのて||かり||||| Artificial intelligence has so far failed to answer the question, "What features of the world should we focus on to retrieve information? The reason is that they had to rely on other people to help them.

つまり 、 コンピュータ が 与え られた データ から 注目 す べき 特徴 を 見つけ 、 その 特徴 の 程度 を 表す 「 特徴 量 」 を 得る こと が できれば 、 機械 学習 に おける 「 特徴 量 設計 」 の 問題 は クリア できる 。 |こんぴゅーた||あたえ||でーた||ちゅうもく|||とくちょう||みつけ||とくちょう||ていど||あらわす|とくちょう|りょう||える||||きかい|がくしゅう|||とくちょう|りょう|せっけい||もんだい||くりあ| In other words, if the computer can find the feature of interest from the given data and obtain the "features" that represent the degree of the features, the problem of "feature design" in machine learning can be solved.

シンボルグラウンディング 問題 でも 、 コンピュータ が 自ら 特徴 を 見つけ 出し 、 さらに 特徴 を 用いて 表さ れる 概念 （ たとえば 「 シマシマ の ある ウマ 」） を 取り出す こと が できれば 、 あと は 記号 の 名前 （ シマウマ ） を 与えて 人間 が 結びつ ける こと で 、 コンピュータ は 記号 の 意味 を 理解 して 使う こと が できる （ お 母さん が 子ども に もの の 名前 を 教える ように ）。 |もんだい||こんぴゅーた||おのずから|とくちょう||みつけ|だし||とくちょう||もちいて|あらわさ||がいねん|||||||とりだす||||||きごう||なまえ|しまうま||あたえて|にんげん||むすびつ||||こんぴゅーた||きごう||いみ||りかい||つかう|||||かあさん||こども||||なまえ||おしえる| Even in the symbol grounding problem, the computer can find features on its own, and the concepts represented by those features (e.g., "a zebra with stripes") can be used as the basis for the symbol grounding problem. Once the symbols are extracted, the computer can understand their meanings and use them (just as a mother teaches her child the names of things) by giving the symbols names (zebras) and having the human connect them.)

フレーム 問題 でも 、 データ を もと に 現象 の 特徴 を 取り出し 、 その 特徴 を 用いた 概念 を 使って 知識 を 表現 して おけば 、 そう そう 例外 的な こと は 起こら ない はずである （＊ 注 34）。 ふれーむ|もんだい||でーた||||げんしょう||とくちょう||とりだし||とくちょう||もちいた|がいねん||つかって|ちしき||ひょうげん|||||れいがい|てきな|||おこら|||そそ Even in the frame problem, if the characteristics of the phenomenon are extracted from the data and the knowledge is expressed using the concept using the characteristics, such an exceptional thing should not occur (* Note 34).

また 「 必要な 知識 を 選び 出す の に 無限に 考えて しまう 」 なんて こと も ない 。 |ひつような|ちしき||えらび|だす|||むげんに|かんがえて||||| Also, there is no such thing as "I endlessly think about selecting the necessary knowledge."

かつて 、 言語 哲学 者 の ソシュール は 、 記号 と は 、 概念 （ シニフィエ ） と 名前 （ シニフィアン ） が 表裏 一体 と なって 結びついた もの と 考えた 。 |げんご|てつがく|もの||||きごう|||がいねん|||なまえ|||ひょうり|いったい|||むすびついた|||かんがえた Saussure, a philosopher of language, once thought that a sign was a combination of a concept (signified) and a name (signified).

シニフィエ は 記号 内容 、 シニフィアン は 記号 表現 と も いわ れる 。 ||きごう|ないよう|||きごう|ひょうげん|||| Signifie is also called the signified content, and signifiant is also called the signified expression. 図 19 に 示す ように 、 シニフィアン である ところ の 「 ネコ 」 と いう 言葉 は 別に 任意の もの で よい が 、 いったん 結びついて しまう と 、 ネコ と いう 名前 （ シニフィアン ） は 、 ネコ の 概念 （ シニフィエ ） を 表す ように 了解 さ れ 、 運用 さ れる ように なる 。 ず||しめす||||||ねこ|||ことば||べつに|にんいの||||||むすびついて|||ねこ|||なまえ|||ねこ||がいねん|||あらわす||りょうかい|||うんよう|||| As shown in Figure 19, the word "cat", which is a signifiant, can be anything else, but once connected, the name cat (signifiant) stands for the concept of a cat (signifie). It will be understood and put into operation.

コンピュータ が データ から 特徴 量 を 取り出し 、 それ を 使った 「 概念 （ シニフィエ ： 意味 さ れる もの ）」 を 獲得 した 後 に 、 そこ に 「 名前 （ シニフィアン ： 意味 する もの ）」 を 与えれば 、 シンボルグラウンディング 問題 は そもそも 発生 し ない 。 こんぴゅーた||でーた||とくちょう|りょう||とりだし|||つかった|がいねん||いみ|||||かくとく||あと||||なまえ||いみ||||あたえれば||もんだい|||はっせい|| If a computer extracts a feature from data, acquires a "concept (signified: what is meant)" using it, and then gives it a "name (signified: what is meant)", the symbol grounding problem Does not occur in the first place.

そして 、「 決め られた 状況 で の 知識 」 を 使う だけ で は なく 、 状況 に 合わせ 、 目的 に 合わせて 、 適切な 記号 を コンピュータ 自ら が つくり 出し 、 それ を 使った 知識 を 自ら 獲得 し 、 活用 する こと が できる 。 |きめ||じょうきょう|||ちしき||つかう|||||じょうきょう||あわせ|もくてき||あわせて|てきせつな|きごう||こんぴゅーた|おのずから|||だし|||つかった|ちしき||おのずから|かくとく||かつよう|||| Then, not only to use "knowledge in a fixed situation", but also to create an appropriate symbol according to the situation and purpose by the computer itself, and to acquire and utilize the knowledge using it. Can be done. これ まで 人工 知能 が さまざまな 問題 に 直面 して いた の は 、 概念 （ シニフィエ ） を 自ら 獲得 する こと が でき なかった から だ 。 ||じんこう|ちのう|||もんだい||ちょくめん|||||がいねん|||おのずから|かくとく||||||| Artificial intelligence has faced many problems in the past because it could not acquire concepts (signifiers) on its own. コンピュータ が シニフィエ を 獲得 する 端緒 が 開か れ つつ ある 。 こんぴゅーた||||かくとく||たんしょ||あか||| The beginnings for computers to acquire signifie are being opened. 次の 章 で は 、 人工 知能 の 50 年 来 の ブレークスルー である 「 ディープラーニング 」 に ついて 説明 し たい 。 つぎの|しょう|||じんこう|ちのう||とし|らい|||||||せつめい|| In the next chapter, we discuss "deep learning," a breakthrough in artificial intelligence 50 years in the making. I would like to explain about the following. 実際 に は その 数 年 前 から 活動 が 行わ れて いた 。 じっさい||||すう|とし|ぜん||かつどう||おこなわ|| In fact, activities had been underway for several years before that.

（＊ 注 29）　 もう ひと つ 「 強化 学習 」 を 加えて ３ つ と 説明 さ れる こと も ある 。 そそ||||きょうか|がくしゅう||くわえて|||せつめい||||| (*Note 29) Another term is "reinforcement learning. The three are sometimes described as "three" in addition to "one.

強化 学習 と は 、 試行 錯誤 を 通じて 環境 に 適応 する 学習 制御 の 枠組み である 。 きょうか|がくしゅう|||しこう|さくご||つうじて|かんきょう||てきおう||がくしゅう|せいぎょ||わくぐみ| Reinforcement learning is a learning control framework that adapts to the environment through trial and error. 教師 あり 学習 と 異なり 、 正しい 行動 を 明示 的に 与え られる ので は なく 、 報酬 と いう 行動 の 望まし さ を 表す 情報 を 手がかり に 学習 する 。 きょうし||がくしゅう||ことなり|ただしい|こうどう||めいじ|てきに|あたえ|||||ほうしゅう|||こうどう||のぞまし|||あらわす|じょうほう||てがかり||がくしゅう| Unlike supervised learning, learning is based on information that expresses the desirability of behavior, such as reward, rather than being explicitly given the correct behavior. 報酬 に は 遅れ が ある ため 、 行動 を 実行 した 直後 の 報酬 を 見る だけ で は 、 学習 主体 は その 行動 が 正しかった か どう か を 判断 でき ない と いう 困難 を 伴う 。 ほうしゅう|||おくれ||||こうどう||じっこう||ちょくご||ほうしゅう||みる||||がくしゅう|しゅたい|||こうどう||ただしかった|||||はんだん|||||こんなん||ともなう Due to the delay in rewards, it is difficult for the learner to determine whether the behavior was correct or not just by looking at the reward immediately after performing the action.

（＊ 注 30）　 Reuter -21578 そそ|reuter (* Note 30) Reuter -21578

（＊ 注 31）　 手法 に よって は それ 以外 の 方法 も ある 。 そそ|しゅほう|||||いがい||ほうほう|| (*Note 31) Other methods may be used depending on the method.

（＊ 注 32）　 ＩＤ ３、 Ｃ ４・５、 Ｃ ５・０ と 呼ば れる アルゴリズム が 知ら れて いる 。 そそ|ｉｄ|ｃ|ｃ||よば||||しら|| (*Note 32) Algorithms called ID 3, C 4.5, and C 5.0 are known.

（＊ 注 33）　 フィーチャーエンジニアリング の 日本 語 訳 は 固まって おら ず 、 素性 工学 、 特徴 量 工学 、 素性 設計 など と も 呼ば れる が 、 ここ で は 本書 の 用語 に あわせ 、 特徴 量 設計 と 訳す 。 そそ|||にっぽん|ご|やく||かたまって|||すじょう|こうがく|とくちょう|りょう|こうがく|すじょう|せっけい||||よば||||||ほんしょ||ようご|||とくちょう|りょう|せっけい||やくす (*Note 33) The Japanese translation of "feature engineering" has not been finalized, and it is also called "feature engineering," "feature engineering," or "feature design.

（＊ 注 34）　 そもそも 、 人間 も 本質 的に は フレーム 問題 を 解いて い ない 。 そそ||にんげん||ほんしつ|てきに||ふれーむ|もんだい||といて|| (*Note 34) In the first place, humans have not solved the frame problem in essence.

ただ 、 実質 的に 多く の 場合 に 問題 ない ような 処理 を して いる だけ であり 、 それ は 特徴 表現 学習 （ と その先 に ある 技術 ） を 使えば 、 コンピュータ に も 可能である はずだ 。 |じっしつ|てきに|おおく||ばあい||もんだい|||しょり||||||||とくちょう|ひょうげん|がくしゅう||そのさき|||ぎじゅつ||つかえば|こんぴゅーた|||かのうである| However, it is only a process that is practically unproblematic in many cases, and with feature representation learning (and beyond), it should be possible for a computer to do the same.