一つの問いから始まった分野

人工知能の歴史は、機械ではなく問いから始まります。1950年10月、イギリスの数学者アラン・チューリングは、哲学の学術誌『マインド』第59巻236号に論文『計算機械と知能』を発表しました。論文は「機械は考えることができるか」という問いで始まります。しかしチューリングは、すぐにこの問いを脇に置きます。「考える」と「機械」という言葉の意味を定義しても、答えにはたどり着きにくいと考えたからです。代わりに彼は「模倣ゲーム」を提案しました。質問者が姿の見えない相手と文字で会話し、相手が人間か機械かを当てるゲームです。機械が人間のふりに成功すれば、考えているかどうかを改めて問う必要はありません。これがチューリングの考えでした。

この論文が今も読まれているのは、答えではなく問いの形を変えたからだと筆者は考えます。チューリングは「考えているか」という内側の問題を、「人間と区別できるか」という外側の試験に置き換えました。そのおかげで、知能をめぐって果てしなく議論する代わりに、機械を作って試せるようになったのです。いま私たちは対話型AIを使って「人間みたいだ」と感じます。まさにその感覚が、75年前の論文にすでに試験の方法として書かれていたことになります。

大英博物館が所蔵するオルドヴァイ峡谷のオルドワン石器のチョッパー

※ AIで再現したイメージです・実際の現場写真ではありません

1955年夏、名前が生まれる

「人工知能」という言葉が初めて登場するのは、1955年8月31日付の提案書です。ダートマス大学のジョン・マッカーシー、ハーバード大学のマービン・ミンスキー、IBMのナサニエル・ロチェスター、ベル研究所のクロード・シャノンの4人が共同で書いた文書です。提案書は、1956年夏にニューハンプシャー州ハノーバーのダートマス大学で人工知能を研究しようと呼びかけています。期間は2か月、参加者は10人です。そして研究の出発点となる仮定を一文で記しています。学習のあらゆる側面と知能のほかのあらゆる特徴は、原理的にはきわめて正確に記述できる。したがって、機械にそれを模倣させることができる、という仮定です。提案書はさらに、機械が言語を使い、抽象や概念を作る方法を探ると書きました。今は人間にしか解けない問題を解き、自らを改良する方法も探るとしています。

この一文を読み返すと、2つのことが目に留まります。1つは野心です。言語、抽象、問題解決、自己改良という4つの目標は、70年たった今も研究の大きな柱です。もう1つは謙虚さです。提案書が使った言葉は「仮定」で、期間は「ひと夏」でした。10人が2か月間集まり、何ができるのかを探ってみようという提案だったのです。分野の名前は、そんな小さな集まりから生まれました。

ブレッチリー・パークにあるアラン・チューリングのスレート彫像

※ AIで再現したイメージです・実際の現場写真ではありません

言葉をまねた最初のプログラム

1966年1月、MITのジョセフ・ワイゼンバウムは『コミュニケーションズ・オブ・ザ・ACM』第9巻1号にELIZAの論文を発表しました。ELIZAは、MITのタイムシェアリングシステムMAC上で動くプログラムです。人が自然言語で文を打ち込むと、コンピューターが自然言語で答えました。仕組みは単純でした。入力文からキーワードを探し、「分解規則」で文を切り分けます。そして、その規則に結びついた「再構成規則」で答えを組み立てました。相手の言葉を理解するのではなく、規則に従って言葉を返す方式だったのです。

論文のタイトル自体が、人間と機械の「自然言語によるコミュニケーション」を研究するためのプログラムだと明かしています。そのため筆者は、ELIZAが残した教訓は機械の能力より人間の反応の側にあったと考えます。人は言葉が返ってくると、その向こうに心があると感じやすいものです。この傾向は60年後の今、対話型AIを使うときにもそのまま働いています。機械がどれほど賢いかとは別に、私たちはどれほどたやすく機械に心を読み込んでしまうのか。ELIZAはそれを最初に示したのです。

1997年5月、計算が記憶に勝った日

名前が生まれてから40年以上たった、1997年5月のことです。ニューヨークで、IBMのチェス・コンピューター「ディープ・ブルー」が世界チャンピオンのガルリ・カスパロフに3.5対2.5で勝ちました。IBMは、ディープ・ブルーが1秒間に2億のチェスの局面を評価できたと記録しています。人間のチャンピオンは記憶と直感で手を選びます。そのあいだに機械は、可能な手を数えきれないほど計算して比べていました。

ディープ・ブルーは「学ぶ」機械ではなく、「計算する」機械でした。ですから筆者は、この勝利を知能の勝利というより計算力の勝利と読むほうが正確だと考えます。それでも、この出来事が残したものははっきりしています。人間は長いあいだ、チェスを知性の象徴とみなしてきました。そのゲームで、決められたルールの中なら機械が人間を超えうることが、公の場で確かめられたのです。

コンピューター歴史博物館に展示されたIBMのディープ・ブルー本体

※ AIで再現したイメージです・実際の現場写真ではありません

2012年、機械が見ることを学ぶ

次の転換は、計算ではなく学習からやって来ました。2012年、トロント大学のアレックス・クリジェフスキー、イリヤ・サツケバー、ジェフリー・ヒントンは、深い畳み込みニューラルネットワークを訓練しました。使ったのは、120万枚の写真からなるImageNetのデータです。パラメーター6,000万個、ニューロン65万個のネットワークで、訓練を速めるためにGPUを使いました。このモデルの変形版は、同年のILSVRC-2012コンテストで優勝しました。上位5候補基準の誤り率は15.3%でした。2位の誤り率は26.2%でした。

数字だけ見れば10.9ポイントの差ですが、その意味はもっと大きなものでした。人間が「猫は耳がとがっている」と規則を書いてやらなくても、機械は大量の写真を見て自ら特徴を見つけ出せます。そのことが大差ではっきり示された年だったのです。今日、写真の中の顔を見つけ、医療画像を読み、自動車が歩行者を認識する技術があります。その根は、おおむねこの方式にたどり着きます。

2016年3月、ソウルの碁盤

2016年3月9日から15日まで、ソウルのフォーシーズンズホテルで、グーグル・ディープマインドの「アルファ碁」が李世乭九段と5局を打ちました。結果は4対1でアルファ碁の勝利でした。李世乭九段は3月13日の第4局で勝ち、アルファ碁はその対局で投了しました。ディープマインドは、アルファ碁が2つのニューラルネットワークを使うと説明しています。次の手を選ぶ「ポリシーネットワーク」と、どちらが勝つかを予測する「バリューネットワーク」です。アルファ碁はまず、人間の高段者の棋譜数千局から学びました。その後、以前のバージョンの自分自身と数千局を打ち、自分の失敗から学んでいきました。

アルファ碁は計算に学習を加え、人間から学んだあとは人間なしでも学びました。韓国でこの対局が特別だった理由は、結果そのものより別のところにあったと筆者は考えます。多くの人が生中継で機械の手を見守り、「機械に何ができるのか」を初めて実感したことです。そして第4局は、機械も間違えることをあわせて示しました。

2017年の設計図、2022年の対話画面

2017年6月、グーグルの研究チームは『Attention Is All You Need』という論文を公開しました。再帰構造と畳み込みをどちらも捨て、「アテンション」という仕組みだけで文を処理する「トランスフォーマー」構造を提案した論文です。英語–ドイツ語翻訳の評価では28.4 BLEUを記録し、それまでの最高結果を2 BLEU以上上回りました。また、GPU8基で3.5日訓練した単一モデルが、英語–フランス語で41.8 BLEUを出しました。この構造が、その後の言語モデルの土台になりました。

2022年11月30日、OpenAIはChatGPTを「リサーチプレビュー」として公開しました。OpenAIによると、このモデルは2022年初めに訓練を終えたGPT-3.5系列を、対話向けに調整したものです。人間のフィードバックによる強化学習(RLHF)も行ったと説明しています。同じ文章で、OpenAIは限界も記していました。もっともらしく聞こえても、誤った答えや意味をなさない答えを書くことがある。同じ質問を少し言い換えると答えが変わる。有害な指示に応じることもありうる、という内容です。この公開以降、対話型AIは研究室の外の日常的な道具になりました。

筆者は、この限界のリストこそ発表文で最も重要な部分だと考えます。道具を世に出す側が、「この道具はこんなふうに間違える」と書き残したからです。ハンマーの説明書に「釘の頭ではなく指を打つことがある」と書いておくのと同じです。使う人がその一行を読んだかどうかが、結果を分けます。

人の役に立った場面1:2億のタンパク質の形

発展の歴史がゲームと会話だけで終わっていたなら、筆者はこの文章を書かなかったでしょう。2020年、ディープマインドのデミス・ハサビスとジョン・ジャンパーは「アルファフォールド2」を発表しました。アミノ酸配列からタンパク質の3次元構造を予測するモデルです。1970年代から研究者たちが解こうと努めてきた問題でした。2021年7月、ディープマインドと欧州分子生物学研究所(EMBL-EBI)は、35万の予測構造で公開データベースを開設しました。2022年7月には、2億を超える構造に拡張しました。ゲノムが解読されたほぼすべての生物のタンパク質を網羅する規模です。構造はCC BY 4.0ライセンスで誰でも利用できます。拡張発表の時点で、190を超える国の研究者50万人以上がこのデータベースを使っていました。また1年あまりのあいだに、1,000本を超える論文がこれを引用しました。

2024年10月9日、スウェーデン王立科学アカデミーはノーベル化学賞の授与を発表しました。半分をハサビスとジャンパーに「タンパク質構造予測」で、残り半分をデイヴィッド・ベイカーに「計算によるタンパク質設計」で贈るというものです。発表文によると、アルファフォールド2は研究者が確認した約2億のタンパク質の構造を、ほぼすべて予測しました。190か国で200万人を超える人がこれを利用しています。さらに、抗生物質への耐性の理解や、プラスチックを分解する酵素の姿を描くことにも使われていると記されています。

この事例が筆者にとって特別なのは、道具が「答え」ではなく「地図」を与えたからです。タンパク質の構造がわかっても、すぐに薬ができるわけではありません。しかし50年間、1つずつ実験で明らかにしてきた形を、一度に2億も広げて見せたとします。そうすれば研究者は、どこを掘るべきかをずっと早く決められます。よい道具は、仕事を肩代わりするより、仕事の出発点を早めてくれるのです。

アルファフォールドが予測したヒトのタンパク質ZNF555の3次元構造の図

※ AIで再現したイメージです・実際の現場写真ではありません

人の役に立った場面2:専門医のいない診察室での目の検査

2018年4月11日、米国食品医薬品局(FDA)はIDx-DRというソフトウェアの販売を許可しました。糖尿病患者の網膜写真を、人工知能が分析する装置です。軽度を超える糖尿病網膜症があれば「眼科専門医に紹介」、なければ「12か月後に再検査」という2つの結果のどちらかを出します。FDAによると、これは臨床医が画像や結果を別に解釈しなくても検診の判定を出す、初めて許可された装置です。ふだん目を診ない一次診療の医師でも使えるということです。FDAが審査した臨床研究は、一次診療機関10か所で、糖尿病患者900人の網膜写真を使って行われました。装置は、軽度を超える病変がある患者の87.4%、ない患者の89.5%を正しく見分けました。

FDAの発表文には、糖尿病患者の約半数が毎年は眼科を受診していないという説明も載っています。筆者は、この道具の価値は正確さの数字よりも、その一文にあると考えます。眼科に行かない人の目を、眼科以外の場所で前もって診られるようにしたのです。同時にFDAは、使ってはならない場合も詳しく記しました。妊娠中の患者、すでに目の治療を受けた患者、ほかの網膜疾患がある患者には使わないこと。40歳と60歳では、引き続き眼科の総合検診を受けること、という内容です。道具の使い道と使ってはならない場面を、同じ文書に並べて書いていたわけです。

石器時代の石斧と今日の道具

スミソニアン国立自然史博物館の人類の起源に関する資料によると、初期人類は遅くとも260万年前から石で道具を作っていました。最も古い道具群であるオルドワン石器は、ハンマーストーン、剥離の跡が残る石核、鋭い剥片からなります。約176万年前には、ハンドアックス(握斧)が現れました。大きな剥片を打ち剥がしたあと、さらに小さな剥片を剥がして形を整えた石器です。このアシュール型の道具群は、地域によっては40万〜25万年前まで使われました。似た形の石が、100万年以上も受け継がれたことになります。

石斧はそれ自体、よいものでも悪いものでもありませんでした。同じ日の同じ石が何をしたかを決めたのは、石ではなく手でした。筆者は人工知能も、この流れの上に置いて読んでいます。1950年の問い、1955年の提案書、1966年の規則、1997年の計算、2012年の学習、2016年の自己対局、2017年の設計図と2022年の対話画面。これらはすべて、人間が手に握る新しい道具を削り出してきた過程でした。2億のタンパク質の地図と診察室での目の検査は、その道具が人間の目的に沿って使われたとき、何が起こるかを示しています。

ですから、この文章の結論は技術についての予言ではありません。使う人へのお願いです。道具は、何のために使うかによって姿を変えます。OpenAIが自ら書いた限界のリストも、FDAが書いた禁止条件も、道具の欠陥の告白ではありません。それは使用説明書です。説明書を読み、目的を決めるのは、今も人間の役目です。260万年前、石を握った手がそうだったように、いまキーボードの上にある手が、この道具で何をするかを決めるのです。

イングランド南部で見つかったアシュール型のハンドアックス

※ AIで再現したイメージです・実際の現場写真ではありません