【ITニュース解説】The story of how machines went from mimicking humans to creating ideas of their own.

機械が人間を模倣する段階から、自らアイデアを生み出す段階へと進化してきた背景には、人工知能（AI）技術の目覚ましい発展がある。かつてはSFの世界の話だった、機械が詩を書いたり、病気を診断したり、人間のように会話したりする能力は、今や現実のものとなっている。この記事では、機械がいかにしてそのような能力を獲得し、どのように動作しているのか、そしてその進化の過程で生じるリスクと、それをどう克服すべきかについて解説する。

人工知能の歴史は、大きく四つの段階で語られる。1956年に概念が提唱された「人工知能（AI）」は、人間の脳を模倣し、様々な可能性を予測する機械の能力を指す。次に、1997年には「機械学習」が登場した。これは、構造化されたデータから手作業で特徴を抽出し、それを処理する技術である。さらに進化を遂げ、2017年には「ディープラーニング」が誕生した。これは、非構造化された膨大なデータセットを処理し、無限の可能性を探り、有望な選択肢を提案できるようになった。そして、2021年に登場したのが「生成AI」である。これは、ChatGPTやBardのように、創造的なコンテンツを自ら生成する能力を持つ。

生成AIの根幹をなすのが、大規模言語モデル（LLM）という技術である。LLMは、ウェブサイト、マニュアル、ウィキペディアなどの膨大なデータセットで訓練されたディープラーニングアルゴリズムだ。大量かつ複雑な計算を高速に処理するために、GPU（Graphics Processing Unit）という特殊なハードウェアが用いられる。

LLMは、人間の脳の神経細胞のつながりを模した「ニューラルネットワーク」を基盤としている。このネットワークは複数の層から構成され、各層が情報を伝達しながら、より適切な意思決定へと導く。主要なニューラルネットワークの形態にはいくつかの種類がある。

まず、「リカレントニューラルネットワーク（RNN）」がある。これは、入力が順番に与えられ、それが前回の出力と組み合わされて処理ロジックを通り、次の出力を生成する仕組みだ。言語モデリングや音声認識など、逐次的な情報が重要な場面で活用され、AlexaやGoogle検索の音声検索機能などに使われている。

次に、「畳み込みニューラルネットワーク（CNN）」は、パターンやエッジを検出する「畳み込み層」、重要な特徴を保持する「プーリング層」、そして事前に訓練されたカテゴリに基づいて分類を行う「全結合層」で構成される。顔認識やテキスト分類など、局所的なパターンが重要な用途で利用される。空港での顔認証システムなどに活用されている。

「敵対的生成ネットワーク（GAN）」は、Generator（生成器）とDiscriminator（識別器）という二つのネットワークが競い合うことで学習する。Generatorは偽の画像を生成し、Discriminatorはそれを本物の画像と比較して、偽物か本物かを判定する。この結果がGeneratorとDiscriminatorの両方にフィードバックされ、互いに性能を高め合うことで、よりリアルなコンテンツ生成が可能になる。

「変分オートエンコーダー（VAE）」は、Encoder（エンコーダー）が入力データポイントを圧縮し、確率分布に従う「潜在空間」にマッピングする。そこからランダムにいくつかのポイントが選ばれ、Decoder（デコーダー）によって元の形に近いデータとして再構築される。

そして、生成モデルの多くで利用されるのが「トランスフォーマーニューラルネットワーク」である。これは、入力層、隠れ層、出力層で構成される。入力は埋め込み層、フィードフォワード層、自己アテンション層などを含む一連の隠れ層を通過し、出力を生成する。トランスフォーマーは、長距離の依存関係と文脈理解が不可欠な要約、翻訳、質問応答などで活用される。

トランスフォーマーは、大きくエンコーダーとデコーダーの二つの部分から構成される。エンコーダーは複数の層からなり、文脈の長距離の依存関係を捉えることで、入力の文脈を抽出する。デコーダーは、エンコーダーが抽出した文脈に基づき、具体的な出力を生成する。

例えば、GPT（Generative Pre-trained Transformer）が次に続く単語を予測する場合、まず入力文の各単語を「ベクトル」に変換する。ベクトルはデータの多次元表現であり、各要素がその次元での大きさを表す。意味が似ている単語のベクトルは、地図上で近い場所に住む隣人のように、互いに近くに配置される。次に、「位置エンコーディング」が適用され、単語の元の並び順が保持される。その後、ベクトルは「アテンションブロック」を通過する。ここでは、文脈内の各単語に対し、次にくる単語を予測する上でどれだけ重要かを示す「重み」が追加される。さらに「フィードフォワード層」を通過することで、より広範な文脈が考慮される。このプロセスが繰り返され、最終的に次に続く可能性のある全ての単語の確率を示すベクトルが出力される。

生成AIは私たちの生活を便利にしているが、いくつかの課題も抱えている。生成AIは人間のデータで学習するため、そのデータに含まれる偏見（バイアス）を取り込んでしまう可能性がある。これが社会的な不平等につながる恐れがある。また、もっともらしいが事実ではない情報を生成する「ハルシネーション」と呼ばれる現象や、常に正確な情報を提供するとは限らないという問題もある。さらに、一度に処理できる情報の量（コンテキストサイズ）には限界があり、プライバシーに関する懸念も存在する。機密性の高い企業データや個人のプライバシー情報、知的財産が意図せず入力されたり、出力によって開示されたりした場合、重大な問題を引き起こす可能性がある。

これらのリスクを軽減するためには、いくつかの対策が不可欠である。まず、機械に学習させるデータは、著作権や機密性を十分に考慮して選定する必要がある。次に、生成されたコンテンツが本物であることを証明するため、ウォーターマーク（透かし）を付与するなどの対策も考えられる。サイバーセキュリティ攻撃を防ぐためには、リスクコンプライアンスを遵守したシステム設計が求められる。また、モデルが常に最新の情報を反映し、偏見が少なくなるよう、定期的に最新のデータセットで再学習させることも重要である。

生成AIの物語はまだ始まったばかりであり、その進化は続くだろう。私たち人間がこの技術をいかに責任を持って導いていくかが問われている。