計算知能は、人工知能の一分野であり、学習、進化、またはファジィ推論を通じて問題を解決する適応的で自己組織化するシステムの設計と研究を扱う。明示的な規則と論理に依存する古典的な記号的人工知能とは異なり、計算知能は、ニューラルネットワーク、進化的アルゴリズム、ファジィ論理などの生物学的または物理的プロセスに触発されたメカニズムを重視する。この分野は1990年代初頭に独立した研究領域として出現し、IEEEが1991年にニューラルネットワーク評議会を設立し、後に2001年にIEEE計算知能学会と改名された。
この用語は、研究者がニューラルネットワーク、ファジィシステム、進化的計算の研究を共通の枠組みの下で統合しようとしたことで広まった。これら三つの柱は、堅牢性、適応性、そして不確実性や不完全な情報を扱う能力に焦点を当てている点で共通する。計算知能の手法は、問題構造に関する事前知識を必要とせず、データから学習したり、解空間を反復的に探索したりするため、伝統的なアルゴリズム的アプローチとしばしば対比される。
中核的パラダイム
最初の主要なパラダイムは人工ニューラルネットワークであり、生物学的脳の構造に触発された計算モデルである。これらのネットワークは、重み付き接続を通じて情報を処理する相互接続されたノード（ニューロン）で構成される。トレーニングは、バーナード・ウィドローらによって1960年代に普及し、1980年代に洗練されたバックプロパゲーションなどのアルゴリズムを使用してこれらの重みを調整する。現代の深層学習は機械学習のサブフィールドであり、多層ニューラルネットワークに依存し、画像認識、自然言語処理、ゲームプレイの進歩を推進してきた。
第二のパラダイムは進化的計算であり、遺伝的アルゴリズム、進化的戦略、遺伝的プログラミングを含む。これらの手法は、候補解の集団を維持し、突然変異や交叉などの演算子を適用し、適応度関数に基づいて生存者を選択することで、自然選択を模倣する。1960年代から1970年代にかけてのジョン・ホランドやインゴ・レヒェンベルクなどの研究者による先駆的な研究が基盤を築き、その後、この分野は工学、金融、物流における最適化問題に応用されてきた。
第三のパラダイムはファジィ論理であり、1965年にロトフィ・ザデーによって導入された。ファジィシステムは、0と1の間の部分的な真理値を許すメンバーシップ関数を使用し、不正確または曖昧なデータを用いた推論を可能にする。これらは、家庭用電化製品や産業プロセスなどの制御システムで広く使用され、滑らかで人間らしい意思決定を提供する。
機械学習および深層学習との関係
計算知能は機械学習と大きく重複するが、両者は同義ではない。機械学習は、経験によって改善するアルゴリズムに焦点を当て、しばしば統計的手法を使用する。対照的に、計算知能は生物学的または物理的に触発されたメカニズムをより重視し、非勾配ベースの最適化を含むことが多い。深層学習は、多層ニューラルネットワークを使用する機械学習のサブセットであり、ハードウェアの進歩と大規模データセットの利用可能性に牽引されて、2010年代以降、計算知能内で支配的な力となっている。
深層学習における主要な革新には、ヤコブ・ウシュコレイト、ルカシュ・カイザー、ニキ・パルマーなどの研究者による2017年の論文「Attention Is All You Need」で導入されたTransformerアーキテクチャが含まれる。Transformerは、マルチヘッドアテンションと位置エンコーディングに依存してシーケンスを処理し、OpenAI、Anthropic、Google DeepMindなどの組織によって作成された大規模言語モデルの開発を可能にした。これらのモデルは自然言語処理と生成AIを変革したが、計算知能技術の一部に過ぎない。
応用と影響
計算知能の手法は多様な産業で展開されている。ロボット工学では、Waymoとテスラ・オートパイロットが自動運転車の知覚と意思決定にニューラルネットワークを使用している。医療分野では、インテュイティブ・サージカルが手術ロボットに機械学習を統合し、Commureが臨床ワークフローにAIを適用している。金融機関はポートフォリオ最適化とリスク評価に進化的アルゴリズムを使用している。Amazon Web ServicesとMicrosoft Azureは、AWS Trainiumチップなどの専用ハードウェアを含む計算知能技術に依存するクラウドベースのAIサービスを提供している。
ハードウェア分野では、AMD、Intel、NVIDIA、Qualcommなどの企業が、ニューラルネットワークの推論とトレーニングに最適化されたプロセッサを設計している。TSMCはこれらのアプリケーション向けの高度なチップを製造し、GroqとSambaNovaは専用アクセラレータを開発している。MIT CSAIL、スタンフォードAIラボ、バークレーAIリサーチなどの研究機関が基礎的な研究に貢献し、ノキア・ベル研究所とゼロックスPARCは初期のAIとコンピューティングにおいて歴史的な重要性を持つ。
課題と将来の方向性
成功にもかかわらず、計算知能はいくつかの課題に直面している。ニューラルネットワークはしばしば不透明であり、解釈可能性とバイアスに関する懸念につながる。メラニー・ミッチェルやジョシュア・テネンバウムなどの研究者は、より堅牢で人間らしい学習メカニズムを提唱している。アレクサンダー・マドリーは敵対的堅牢性を研究し、アニマ・アナンドクマールはスケーラブルで効率的なアルゴリズムに取り組んでいる。この分野はまた、エネルギー消費にも悩まされており、ニューロモルフィックコンピューティングやモデルプルーニング技術への関心を促している。
将来の方向性には、ブレンダン・レイクとラファエル・カルボによって探求されている、ニューラルネットワークと記号的推論を組み合わせたハイブリッドシステムが含まれる。D-Waveなどの量子コンピューティング企業は、進化的アルゴリズムを強化する可能性のある量子に触発された最適化を調査している。計算知能が進化し続けるにつれて、その手法はスマートフォンからクラウドサービスまで、日常の技術にさらに統合される可能性が高い。
関連項目
- 人工知能
- 機械学習
- ニューラルネットワーク
- 進化的アルゴリズム（リストにはないが関連）
参考文献
- IEEE計算知能学会の歴史
- Zadeh, L. (1965). Fuzzy sets. Information and Control.
- Vaswani, A. et al. (2017). Attention Is All You Need.