杉山 将 理化学研究所 革新知能統合研究センター長「人工知能研究のこれまでとこれから」
camp2022「4時間目でかなり疲れているかもしれないけど、リラックスして聴いてください。わからないことがあったら、質問してください。」そんな優しい言葉から始まった、杉山先生の講義。本日最後の講義は、杉山将先生による、「人工知能研究のこれまでとこれから」です。杉山先生は、理化学研究所・東京大学・企業の技術顧問の3つの立場で、それぞれ、研究者（主に博士研究員）・学生・エンジニアと共に仕事をされています。
AIの研究は、主に5つの柱があります。 1) AI技術の開発 2) AIを使った科学研究 3) AIによる社会的課題の解決 4) AIの倫理的・法的課題への対応 5) AI人材の育成 です。先生はご自身の研究成果として、前立腺病理画像からのがん検出、南海トラフ地震の周期予測、文章の自動評価を挙げました。先生の研究は、幅広い分野にわたっているそうです。
続いて、杉山先生のご専門について。
大量のデータ解析が行なわれる“ビッグデータの時代”である現在、データの背後にひそむ知識を学習する「機械学習」の重要性は高まりつつあります。機械学習には「教師付き学習」「教師なし学習」「強化学習」の3種類があります。
1つめの「教師付き学習」では、人間が教師となり、生徒であるコンピューターの学習を手伝います。ここでは、質問と解答のペアを有限個与えて、解答を教えていない新しい質問に対しても正しく解答できる、ということを目指します。例として、音声認識・画像理解・言語翻訳が挙げられます。この説明を受けて、塾生から、「人間が翻訳する場合に、一つの文からは複数通りの翻訳文が考えられるが、AIもニュアンスを見分けて、最適な翻訳ができるのか」という質問が出され、塾生の理解力の高さに感心しました。
2つめの「教師なし学習」では、教師はおらず、コンピューターが一人で学習をします。ゴールは、勉強した知識から有用なことを見つけ出すことです。ここでの“有用さ”は人間が教えるものです。データの山から情報を“掘り出す”ため、「データマイニング」とも呼ばれます。例として、コミュニティ発見・異常検知・画像生成が挙げられます。
3つめの「強化学習」は、「教師付き学習」と同じく教師の知識を学ぶものの、教師は答えを教えてくれず、代わりに、コンピューターが予測した解答が正しければ報酬をもらえるというものです。コンピューターは、報酬が最大になるように学習をします。例として、ゲームAIやロボット制御が挙げられます。ロボット制御の説明として、バスケットボールをゴールネットに向かって投げるロボットの動画が流され、複数回の投げる試行を経て、強化学習により、ゴールを決められるようになったことが示されました。この動画に関しても塾生から鋭い質問が挙がり、杉山先生も「大変専門的な質問です」と感心されている様子でした。
講義は、さらに専門的になっていきます。
「教師付き分類の基礎」と題して、画像認識を例に、教師付き分類の仕組みや、AIの学習は数学的な定理に基づいていること、また、「教師付き分類の最新の研究」と題して、直線で分類できない場合や、データに雑音がある場合といった、さらなる課題に関する解説が行なわれました。
最後に、まとめと今後の展望として、先生は「未来のAIは必ずしも自律知能である必要はなく、AIは人間に包括されるものであるべき」と言いました。情報科学の技術に、人間の知識、創造性、文化、倫理を融合する、ということです。先生は、「この分野は大変エキサイティングだが、人材不足が深刻なので、この講義をきっかけに将来AIの分野に1人でも来てくれると嬉しい」というメッセージを塾生たちに贈り、講義を終了しました。
本レポートの執筆者である矢吹は、細胞生物学を専門としており、AIについてはそこまで詳しくありません。しかし、細胞生物学の研究においても、細胞画像の分類や遺伝子の発現パターンの解析などで、AIが使用されている例には数多く触れています。ビッグデータの時代に研究をしている者として、AIのことをますます勉強したくなり、私の知的好奇心も、塾生たちと同様に大きく刺激されました。
（5期生 矢吹 凌一）
動画
この動画の公開は終了しました。(23.8.28)
現職
理化学研究所 革新知能統合研究センター センター長／
東京大学 大学院新領域創成科学研究科 教授
略歴
１９７４年大阪生まれ．
２００１年東京工業大学博士課程修了．同大学助手，准教授を経て，２０１４年より東京大学教授．
２０１６年より理化学研究所革新知能統合研究センターのセンター長を併任．
機械学習の基礎理論とアルゴリズム開発に従事．
研究
・非定常環境に対する機械学習技術の開発：Sugiyama, M. & Kawanabe, M. Machine Learning in Non-Stationary Environments: Introduction to Covariate Shift Adaptation, MIT Press, 2012.
・密度比推定に基づく汎用的なデータ解析技術の開発：Sugiyama, M., Suzuki, T., & Kanamori, T. Density Ratio Estimation in Machine Learning, Cambridge University Press, 2012.
・統計的強化学習技術の開発：Sugiyama, M. Statistical Reinforcement Learning: Modern Machine Learning Approaches, Chapman and Hall/CRC, 2015.
・弱教師付き学習技術の開発：Sugiyama, M., Bao, H., Ishida, T., Lu, N., Sakai, T., & Niu, G. Machine Learning from Weak Supervision: An Empirical Risk Minimization Approach, MIT Press, 2022.
受賞歴
・2007年IBMファカルティ賞
・2014年科学技術分野の文部科学大臣表彰 若手科学者賞
・2017年日本学士院学術奨励賞
・2017年日本学術振興会賞
・2019年Google AI for JapanグーグルAI重点研究賞
・2022年科学技術分野の文部科学大臣表彰 科学技術賞
・2022年FIT船井業績賞
著書等
・杉山 将.統計的機械学習：生成モデルに基づくパターン認識,オーム社, 2009.
・杉山 将.イラストで学ぶ機械学習：最小二乗法による識別モデル学習を中心に,講談社, 2013.
・井手 剛, 杉山 将.異常検知と変化検知,講談社, 2015.
・杉山 将.機械学習のための確率と統計,講談社, 2015.
