人間はコンピュータとゲームをして「深層学習」を開発する

1956 年 8 月 31 日には、有名なコンピューター科学者ジョン マッカーシーがダートマス会議で人工知能計画を提案し、AI 開発の始まりとみなされる人工知能革命の灯火を点火しました。それ以来、AI はルールベースのシステムから機械学習ベースのシステム、そして今日の深層学習ベースのシステムへと徐々に移行してきました。

これは、人間が入力したルールに依存して動作する、出現した最も初期の AI システムです。これは主な問題でもあります。ルールに依存しすぎ、ルールの変更に適応するのが難しく、アプリケーションに大きな制限があります。

この問題を解決するために、機械学習手法が登場しました。大量の履歴データや人的情報の入力により自律学習を実現し、簡単なデータやルールの変更にも対応します。

ただし、このシステムは人による情報入力に大きく依存しているため、情報入力者は一定の専門知識を持ち、情報が正確かつ包括的であることを保証する必要があります。ただし、アプリケーション シナリオが増加するにつれて、情報が正確かつ完全であることを保証することはほとんど不可能になります。

機械学習が人間の情報入力に過度に依存しているという問題を解決するために、「表現学習」とも呼ばれるディープラーニングが登場しました。

このシステムは、大量の履歴データを通じて自己学習を実現し、将来起こり得るさまざまな結果を予測し、それに対応するソリューションを開発します。これにより、機械学習が人間の情報入力に過度に依存し、人間の情報入力における高いエラー率の問題が解決されます。

AI、機械学習、ディープラーニングの関係を理解するという点では、ディープラーニングは機械学習のサブセットであり、機械学習は AI のサブセットであると考えることができます。したがって、ディープラーニングはAIシステム全体の構築にとってより重要です。

では、なぜディープラーニングでこのようなことができるのでしょうか?

その答えは、私たちがよくニューラル ネットワーク アルゴリズムと呼ぶものです。ニューラル ネットワークは、人間のニューロン組織と同様に、多くの単純な処理接続ポイントで構成されています。

入力レイヤー:データ入力。

非表示レイヤー:入力層に関連付けられた処理ノード (ニューラル ネットワークには通常 3 つ以上の隠れ層があります)。

出力層:処理された情報を出力可能なノードに変換します。

ニューラル ネットワークの動作原理は、単純なパターンから複雑なパターンまでを認識することです。ネットワークの最初の層で単純なデータ処理関数を学習し、関連する定義に基づいてノードを生成し、これらのノードがネットワークの後続の層に供給され、他のより複雑な機能が導出され、最終的にそれが完了するまでプロセス全体が続きます。出力。

1943 年、アメリカの神経科学者ウォーレン・マカロックは、数学と一種の閾値論理アルゴリズムに基づいたニューラル ネットワーク コンピューティング モデルを提案しました。これは深層学習システムの理論的基礎となりました。

しかし、ディープ ニューラル ネットワークをトレーニングするのに十分なデータが不足していることと、ディープ ニューラル ネットワークをトレーニングするために必要な計算能力が不十分であるため、この研究の発展は遅れています。福島邦彦氏が人工ニューラル ネットワークに基づく深層学習フレームワークを提案したのは 1980 年のことです。

現在、ビッグデータとクラウドコンピューティングに依存して、ディープラーニングが急速に発展しています。 2000 年から現在までに、コンピュータの計算能力は 10,000 倍に向上し、データ ストレージのコストも約 3,000 分の 1 に低下しました。さらに、インターネットの台頭、スマートフォンの普及、およびソーシャル メディアでは、ニューラル ネットワークが使用するために大量のデータが生成されています。

もちろん、いつも一緒に碁を打てるわけではないのですが、AIと囲碁ソウルの違いは何でしょうか？

実用化という点では、ディープラーニングはこれまで人間にしかできなかったことが可能になります。たとえば、人間は画像を通じて特定の物体を識別したり、翻訳を通じてさまざまな国の言語や文化を理解したりすることに優れています。現在、ディープラーニングでも同様のことが可能です。

さらに、深層学習はコンピューター ビジョンや自然言語処理でも優れたパフォーマンスを発揮します。もちろん、これらはディープラーニングのより一般的な応用分野にすぎません。将来的には、ここにいる全員に「アイアンマン」のジャービスのような執事が装備されるなど、ディープラーニングにはさらなる可能性があります。