AIフレームワーク、計算量を3分の1に抑え、仮想タスク成功率3倍超

成均館大学のクォン・ミヘ教授率いる研究チームは、複雑な長期タスクをこなす人工知能システムの実用化に向けた二つの基礎技術を開発した。成果は事前公開版の論文として報告され、第40回ニューラル情報処理システム学会会議に採択された。研究は、計算コストの増大と安全性の課題を抱える自律型アシスタント、ロボット、自動運転の分野で応用が見込まれる。 第1の成果は、計算量を抑えながら成功率を高める「選択的批判」の仕組みである。従来の人工知能アシスタントは、作業の各段階で高性能な別のモデルに成否を確認するため、サーバー負荷が重く応答も遅くなる傾向があった。パク・ヒウォン博士課程学生が第一著者として開発した枠組みは、自ら判断の難しさを見極め、投資に見合う場合のみ外部の評価を求める。加えて、成功例を蓄積し、段階的に外部評価への依存を減らす。その結果、従来手法の約3分の1の計算資源で、複雑な仮想環境のタスク成功率を24.6%から78.3%へ高め、3倍以上の向上を達成した。 第2の成果は、偶然の成功を危険な戦略と誤認しない強化学習技術である。カン・グヒョン修士課程学生が第一著者として開発した手法は、過去データから学習する際に、環境変動の中でも安定して成功する行動を重視し、一時的な偶然で成功した不安定な行動を除く数学的手順を構築した。この技術は、外乱が大きく長期的な精密制御を要する40件超のロボット制御シミュレーションで、既存の最先端手法の多くを上回る成功率を示した。 研究チームは、学生が主導して産業環境に実装しやすい基盤技術を完成させた意義を強調した。両成果は、過剰な計算費を抑えつつ信頼性を高めることで、個人や企業に安心感を与える次世代自律人工知能の実現に寄与する見通しである。