人工知能を実現するには

人工知能を実現するには 公立小松大学 藤田 一寿 Ver. 20251210

人工知能とは

人工知能とは • 人工知能とは「人間が知能を使ってすること」ができる機械もしくはそれを実現するための技 術 • 人間の知的営みをコンピュータに行わせるための技術（IT用語辞典バイナリ） • 学習・推論・判断といった人間の知能を持つ機能を備えたコンピュータシステム（大辞林第三 版） • 人間や動物が可能な知的作業ができるコンピュータを作ることに関する事柄 (Artificial Intelligence for Games) • 人（研究者）によって人工知能の捉え方が違う． • 知能の定義が出来ないから，人工知能も定義できないという考え方もある． (平成28年度情報通信白書) • そもそも知能が何を意味するか，知的営みがどの程度の知的な行動を意味するかが曖昧である． そのため，人工知能という用語も曖昧になる． • この講義では一般的な認識に近い赤字の解釈をしておく．

人工知能とは • 人工知能に関連する用語 • 特化型人工知能 • ある問題に対し特化した人工知能 • 例：画像認識，音声認識，画像生成など • 汎用人工知能 (Artificial general intelligence : AGI) • 人間レベルの知能 • 2022年から人工知能はAGIに着実に近づきつつある • 人工超知能（Artificial Super Intelligence: ASI） • 人間の知的能力を超えた人工知能 • 特化型人工知能では人の能力を超えたものがある

AGIの定義 • そもそも人レベルの人工知能とは何なのだろうか？ • AGIの明確な定義は無く、皆好きなように使っているのが現状である。

Google DeepMindによるAGIのレベル 特化型人工知能 計算機ソフトはNo AIらしい 汎用人工知能 2023年における対話型人工知能 は汎用人工知能で，スキルを持た ない者と同等か幾らか良い程度の 能力はあるらししい． 2023年では，まだこのレベルの人工 知能は登場していない．Googleの Gemini Ultraはこのレベルに達したの だろうか？ 2024年でここに位置する人工知能は あるのだろうか？もしくは，すでに多 くのマルチモーダル人工知能は達して いるのかもしれない． 2025年にリリースされたGPT5.1や Gemini3は果たしてここに入るのか？ 画像生成人工知能 囲碁人工知能 ゲーム人工知能（ゲーム 以外にも適用できる） (Morris, et al. 2023)

AGIの定量化 • HendrycksらはA Definition of AGIにて、AIの次の能力を数値化することで、 AIのAGIの達成度合いを定量化することを提案している（Hendricks et al., 2025）。 • 一般知識 (K) • 読解力と文章力 (RW) • 数学的能力 (M) • 即興推論 (R) • ワーキングメモリ (WM) • 長期記憶保持 (MS) • 長期記憶想起（MR） • 視覚処理（V） • 聴覚処理（A） • 速度（S）

AGIの定量化とそのための能力指標 • 一般知識 (K) • 常識、文化、科学、社会科学、歴史を含む、世界に関する事実の幅広い理解。 • 読解力と文章力 (RW) • 基本的な解読から複雑な理解、構成、使用に至るまで、書き言葉の消費と発信における熟 達度。 • 数学的能力 (M) • 算術、代数、幾何学、確率、微積分学にわたる数学的知識とスキルの深さ。 • 即興推論 (R) • 演繹と帰納法によって検証される、既習のスキーマにのみ依存することなく、新しい問題 を解決するための柔軟な注意制御。 • ワーキングメモリ (WM) • テキスト、聴覚、視覚といった様々な情報様式において、能動的な注意をもって情報を維 持し、操作する能力。

AGIの定量化とそのための能力指標 • 長期記憶保持 (MS) • 新しい情報（連想情報、意味情報、逐語情報）を継続的に学習する能力。 • 長期記憶想起（MR） • 記憶された知識にアクセスする際の流暢さと正確さ。作話（幻覚）を回避するため の重要な能力も含まれます。 • 視覚処理（V） • 視覚情報を知覚、分析、推論、生成、そしてスキャンする能力。 • 聴覚処理（A） • 音声、リズム、音楽などの聴覚刺激を識別、認識し、創造的に扱う能力。 • 速度（S） • 単純な認知課題を迅速に遂行する能力。知覚速度、反応時間、そして処理の流暢さ を含みます。

ChatGPTのAGIレベル

電卓も人工知能では？ • 電卓による計算も人間の知的活動を機械がやっていると言えるが，なぜ電卓は 人工知能と呼ばれないのか？ As soon as it works, no one calls it AI any more. John McCarthy (https://cacm.acm.org/blogs/blog-cacm/138907-john-mccarthy/fulltext)

人工知能を実現するには

人工知能 • 人工知能とは • 人工知能とは「人間が知能を使ってすること」ができる機械もしくはそれを実現する ための技術 • どのように人工知能を実現するのか どうすれば人間のように知 的になれますか？ 機械

中国語の部屋

中国語の部屋 • 次のような思考実験を中国語の部屋という． • 中国語を理解できない人を小部屋にいれ，中国語のあらゆる返答が書かれた辞書を 持たせる． • 部屋に中国語の質問を書いた紙を入れると，中の人が辞書をひいて適切な返答を紙 に書き返す． 小部屋 中国語の質問が書 かれた紙 中の人は中国語は 分からないが，辞 書をひいて適切な 返答を探す． 中国語の返答が書 かれた紙

中国語の部屋 • 箱の中の人は中国語を分かっていないのに適切に返答できる． • チューリングテストでは小部屋の中の人が中国語を理解しているかどうか分からないだろう． • つまり，小部屋の中に人が入っているか機械が入っているか分からない． • また，箱の中で答えている機械に知能がなくても，知性的な返答が出来る． 中の人は中国語は 分からないが，辞 書をひいて適切な 返答を探す． 中国語の質問が 書かれた紙 中国語の返答が 書かれた紙 チューリングテストとは アラン・チューリングが提案した 機械が人間的であるかどうか判定 するテスト 外から見て，中の人（機械）が中国語 を理解しているかどうか分からない． • 中国語の部屋に対する私見 • 中身が何であれ，適切な返答ができるなら，それで良いのではないか． • 適切な返答が書かれた辞書を作ること，もしくは作る方法を考える事が重要ではないか． • 適切な返答ができる仕組みを考えることが重要ではないか．

人工知能の目的

中国語の部屋を別の視点で見る • 中国語の部屋は外部から見れば，その部屋は適切な返答をするため知的に動い ているように見える． • 逆に言えば，部屋を知的に見せるためには，部屋が適切な返答をすれば良い． 入力 中国語の質問が書かれ た紙 出力 中国語の返答が書かれ た紙 中国語の部屋を実現するには，部屋の中の機械が適 切な返答をすれば良い．

人工知能技術の開発の目標とは 人工知能開発の目標は入力に対し適切な出力をする 機械（箱）を作ること． 入力 中国語の質問が書かれ た紙 出力 中国語の返答が書かれ た紙 中国語の部屋を実現するには，部屋の中の機械が適 切な返答をすれば良い． 人工知能は，入力に対し適切な出力をする関数と言える．人工知能を作るとは，その関数を作ることであ る．人間の応答を関数で表現できれば，その関数を使った人工知能は人そのものと言えるかも知れない．

人工知能の実現方法

人工知能の実現方法 • 人工知能を実現するには，入力に対し適切な出力を出す仕組みを機械に組み込 めば良い． • 大雑把な実現方法 1. 機械に問題を確実に解く方法を組み込む． 2. 機械に知識とそれを使った条件分岐処理を組み込む． 3. 機械に入力と出力の規則性を学習する仕組みを組み込み，得られた規則性に従っ て判断させる．

人工知能の実現方法1 機械に問題を解く方法を組み込む この手法を人工知能と呼ぶかは議論があるだろうが，外から見て知的に見えればどんな手法でも人工知能に 見えるという考えからすると，この手法も人工知能と呼んでも良いのではないか．

機械に問題の解き方を組み込む • 機械に問題の解き方を教えれば，機械は答えを導ける． 例：最大値を求める． 入力 2 6 1 8 5 7 9 8 4 出力 最大値を探 して 9 解き方 最大値を求める方法を機械に事前に入力し ておく． 機械はその方法に従って最大値を探す． 最大値を求める方法 1. 1番目の数値をaに保存する． 2. i=2 3. i番目の数値がaより大きければ，a にその数値を保存する． 4. i=i+1 5. iが入力の数値の個数以下なら3に， 大きければ終了する．

機械に問題の解き方を組み込む • マルバツゲームを考えてみよう． • ○とXを交互に3x3のマスに埋めていき3つ並べたほうが勝ち． • この場合，起こりうるすべての手(盤面)を探し出せば必勝の手が見つかる． • 何か問題を解くとき，考えられる解を評価し条件に合うものを探すことを探索 といい，このために用いられるアルゴリズムを探索アルゴリズムという． • 探索を組み込んだ機械は，ゲームをプレイすることができる．

マルバツゲームにおける探索の例 現在の状態 マルが選べる盤面 バツが選べる盤面 起こりうる盤面の一覧．起こりうる盤面を木構造で書いたものをゲーム木という．

マルバツゲームにおける探索の例 現在の状態 マルが選べる盤面 バツが選べる盤面 引き分け 勝ち 引き分け 勝ち ゲーム木をたどることを木探索という． 引き分け 引き分け

マルバツゲームにおける探索の例 現在の状態 マルが選べる盤 面 バツが選べる盤 面 引き分け 勝ち 引き分け 勝ち 引き分け ゲーム木から各プレーヤーが最善手を選べば引き分けになることが分かる． 勝つ可能性があるのは右の手以外だということも分かる． 引き分け

問題の解く手法の例 • 検索する • リニアサーチ • バイナリサーチ • 探す • バックトラック法 • 幅優先探索 • 並び替える（ソート） • バブルソート • クイックソート • 動的計画法

機械に問題の解き方を組み込む方法の問題 • 解き方が分かっている問題は限られる． • 問題や解く方法によっては答えが出るまでに時間がかかることがある． • 例えば探索により正解を探す方法では，選択肢が多いと探索時間が多くかかってしま う． • 例：ボードゲーム • ゲームで起こりうる盤面の数（state-space complexity） • マルバツゲーム：103 • オセロ： 1028 1盤面の処理に1秒かかるとしたら約16分処理時間がかかる． 1盤面の処理に1秒かかるとしたら約1020 年処理時間がかかる． • チェス： 1044 1盤面の処理に1秒かかるとしたら約1036 年処理時間がかかる． • 将棋： 1071 1盤面の処理に1秒かかるとしたら約1063 年処理時間がかかる． • 囲碁： 10170 1盤面の処理に1秒かかるとしたら約10162 年処理時間がかかる． • 効率的な方法（良いアルゴリズム）を考えることが重要である．

人工知能の実現方法2 機械に知識とそれを使った条件分 岐処理を組み込む この人工知能は，人間が作成した条件分岐のルールに従い判断する．このため，これに当たる人工知 能は，ルールベースシステムもしくはルールベース人工知能に分類されるだろう．

知識と簡単な条件分岐で問題を解く • 例えば，人の抱える問題に対し，機械が簡単な質問をする．その質問に対し人 が「はい」か「いいえ」で答えていくと，機械が問題を解いてくれる． 90点以上ですか はい Sです いいえ 成績を知 りたい． 80点以上ですか はい Aです いいえ 80点以上で すか？ はい 70点以上ですか 質問と 答え Bです いいえ 60点以上ですか 成績は Aです． はい いいえ Dです はい Cです

知識と簡単な条件分岐で問題を解く • 機械にお湯を沸かさせたい． • お湯を沸かすには • スイッチが入った場合，水を熱する． • 水の温度が100度になると，水を熱するのをやめる． • 機械がこの条件に沿って行動すればお湯をわかせる（かもしれない）． ボタンが 押された 電流を流 そう 100度に なった 電流を止 めよう 湯の沸 かし方

知識と簡単な条件分岐で問題を解く • 機械に風邪かどうか判断させたい． 熱はあるか 喉は痛いか • 風邪の条件とは • 熱はあるか ． • のどが痛いかどうか． • 咳は出るか． いいえ いいえ 質問と 答え • 鼻水が出るかどうか． • 筋肉痛があるか． 注：ここの風邪の条件はあくまでも条件分岐の例として上げたもので す．この条件で実際の風邪の判断ができるわけではありません． 風邪では ない • これらの条件を機械が患者に聞き，条件の当てはまり具合で風邪かどうか判断 することができる（かもしれない）．

知識と簡単な条件分岐で問題を解く • 図の条件分岐を機械に組み込めば，熱中症の処置も機械が答えてくれるかもし れない． 呼びかけに答え るか． 水分を地力で取 れるか はい いいえ 質問と 対処法 医療機関へ行っ てください． (https://www.wbgt.env.go.jp/img/heatillness_ch ecksheet.png)

知識と簡単な条件分岐で問題を解く 疲れやすい？ はい 質問と 答え 食事を食べるの は楽しい？ 右のような質問をすることで，食事の改善方法を提示 できるかもしれない． 農林水産省，あなたの食育 https://www.maff.go.jp/j/syokuiku/minna_navi/check/chart2.html

• https://www.maff.go.jp/j/syokuiku/minna_navi/check/chart2.html

例：エキスパートシステム • ある分野の専門家の持つ知識をデータ化し、専門家のように推論や判断ができ るようにするコンピュータシステム（IT用語辞典） 成績を知り たい． 80点以上です か？ 知識 ベース はい 成績は Aです． ユーザイン タフェース 推論エ ンジン エキスパート

例：エキスパートシステム • エキスパートが専門知識を知識ベースに登録する． • If-Thenルール，つまり条件と結論の形で知識を表現する． • 推論エンジンが知識ベースの情報を用いて結論を導く． 成績を知り たい． 80点以上で すか？ 知識ベー ス はい 成績は Aです． ユーザインタ フェース 推論エ ンジン エキスパート

問題 • こんな単純な条件分岐でなんでも判断できるか？ • 必要な知識と条件がはっきりしているのなら上手くいくだろう． • 成績判定 • 簡単な問い合わせの対応 • 電気ポットなどの比較的単純な機械の制御 • 条件分岐（知識ベース）を作るのが難しい，もしくは面倒くさい． • 必要な知識，条件を網羅できないかもしれない．

人工知能の実現方法3 機械に入力と出力の規則性を学習 する仕組みを組み込み，得られた 規則性に従って判断させる

規則性を学習させ，それに従って判断させる • 機械はデータの規則性を学習し，学習した規則性に従い判断する． 入力 0, 1, 2, 3, 4 出力（答え） 5, 6, 7, 8, 9 規則性を 学習する 人間は機械に，画像とそれに対 応する出力を与える． 機械は入力と出力の関係の規則 性を自動で学習し，それを保存 する． 学習データ 入力 出力 学習した 規則性 学習した規則性を用い判断する． 0, 1, 2, 3, 4 5, 6, 7, 8, 9

規則性を学習させ，それに従って判断させる 学習 直線1本のときは「1」 と答えればよいのか． 入力 出力（答え） 1 規則性を 学習する 直線1本だから「1」だ な． 推論 入力 出力 学習した 規則性 学習した規則性を用い判断する 1

機械学習 • 機械にデータを入力し，その規則性を見つけさせる（覚えさせる）ことを学習 という． • 機械に学習させる仕組みを取り扱う学術分野のことを機械学習という． • 機械学習の説明は別の資料で行う． • 現在の人工知能でよく使われる人工ニューラルネットワークや強化学習は機械学習に 属する． • 機械学習の手法は，正しい答えが必ず得られる保証がないものが多い． • 機械学習は過去の学習（記憶）に基づき，それらしい解を得る手法である． • 間違える可能性がある．

現在の主要な人工知能のための機械学習技術 • ニューラルネットワーク • 識別：データを分ける • 多層パーセプトロン，畳み込みニューラルネットワーク，Vision Transformerなど • 生成：データを作る • GAN，Diffusion model, Transformerなど • 強化学習＋ニューラルネットワーク • ゲームのプレイやロボット制御 • AlphaZero，DQNなど 強化学習は問題と条件によっては正しい答え を見つけられる． ニューラルネットワークの場合，訓練に使っ たデータをすべて正解でき，ニューラルネッ トワークに与えられるデータが訓練データに 限られる場合は間違えないといえるだろう． • 言語モデルの調整 これらの手法は正しい答えが得られる保証はないと思って いたほうが良い．

人工知能の実現方法の分類

人工知能の実現方法の分類は難しい • 先は3つの人工知能の実現方法を考えた． • しかし，人工知能の手法を3つに明確に分けるのは難しい． • 次に，答えの正確さや，その導出方法の違いで手法を分けてみる．

人工知能の実現方法の特徴 • 必ず正しい答えが得られる方法 • 人間が正しいと思う出力が出ることが保証されている． • ソートや探索アルゴリズムがこれに当たる． • 出力を得られる方法を見つける必要がある．その方法で問題を現実的な時間で解けなければならない． • ある条件やある範囲内で正しい答えが得られる方法 • 正しく答えられる条件が決まっている．または，答えの誤差があらかじめ分かっている． • 数値計算や近似的手法，ルールベースの手法，機械学習の一部がこれに当たる． • 出力を得られる方法を見つける必要がある．その方法で問題を現実的な時間で解けなければならない． • たまたま問題の正しい答えが得られるかもしれない方法 • 正しいと思う答えが出るかも知れないし出ないかも知れない． まあまあの答えは出るだろう． • 発見的手法がこれにあたる．ただし，数理解析により正しい解が出る条件や解の誤差の範囲が計算できれば「あ る条件や範囲内で問題の正しい答えが出る方法」になる． • 出力を得られる方法を見つける必要がある．その方法で問題を現実的な時間で解けなければならない． • 問いと答えの間の関係を学習により見出し，それに基づき答えを出す手法 • 多くの場合，見出した関係が正しい保証は無い． • 機械学習がこれに当たる． • 学習方法を見つける必要がある． 明確に分けるのは困難．目安と思っておこう．

なぜ間違った答えを出すかもしれない方法が存在するのか？ • 正しい答えを確実に得る方法はあるが現実的な時間で得られない． • 例：囲碁などのボードゲーム • 人間が正しいと思う答えを確実に得られる方法・手順が分からない． • 多くの問題がこれに当てはまる．この場合，いい加減（良い加減）に解くことにな る． • 答えを定義することが難しい． 文章の場合は，一部の単語を抜き，それを予測する穴埋め問題にして答えを 作ることもできる．絵は，人が描いた絵が答えだと考えることもできる． • 例：文章，絵，曲 • このような場合は正しい答えを求める方法を使うことができない．

注意 • 正しい問題を得られる方法が既知で，その方法を用い現実的なコスト（時間な ど）で問題が解けるのならば，それを使うべき． • 最大値を求めるために大規模言語モデルを使用することは出来るかもしれないが誰 も使わない． • 精度が同程度ならより簡単な手法の方が良い． • より簡単な手法のほうが速いし，制御しやすい． • K-nearest neighbor法や線形回帰で十分な性能が出るなら深層ニューラルネットワ ークを使う必要は一切ない．

まとめ

まとめ • 人工知能とは「人間が知能を使ってすること」ができる機械もしくはそれを実 現するための技術である． • AGIはあと数年で達成するかもしれない． • 人工知能を実現する手法はたくさんある． • 今の人工知能にはニューラルネットワークがよく使われる． • しかし，ニューラルネットワークは必ず正しい答えを出す手法ではない． • つまり，今の人工知能は間違えるかもしれない． • 問題によっては必ず正しい答えを出す手法がある． • 現実的な時間で答えを出せないと使えない． • 逆に，現実的な時間で正しい答えを出せるなら，必ず正しい答えを出す手法を使い べき． • 精度が同じなら簡単な手法の方が良い．