機械学習とAIは、今やほぼあらゆる業界や企業にとって重要な技術となっていますが、その研究は膨大で、全てを読むのは容易ではありません。このコラム「Perceptron」（旧称「Deep Science」）は、特に人工知能（AI）分野に限らず、近年の最も関連性の高い発見や論文を収集し、それらがなぜ重要なのかを説明することを目的としています。
今月のAI関連ニュースでは、ペンシルベニア州立大学のエンジニアたちが、毎秒約20億枚の画像を処理・分類できるチップを開発したと発表しました。一方、カーネギーメロン大学は、予知保全におけるAIの活用拡大を目指し、米陸軍と1,050万ドルの契約を締結しました。また、カリフォルニア大学バークレー校では、科学者チームがAI研究を応用し、雪を水資源として捉えるといった気候変動問題の解決に取り組んでいます。
ペンシルベニア州立大学の研究は、AIワークロード、特に画像や画像内の物体の認識・分類に適用される従来のプロセッサの限界を克服することを目指しました。機械学習システムが画像を処理するには、まずカメラの画像センサー（実世界の画像と仮定）で画像を撮影し、センサーによって光信号から電気信号に変換し、さらにバイナリデータに変換する必要があります。こうして初めて、システムは画像を十分に「理解」し、処理、分析、分類できるようになります。
ペンシルベニア州立大学のエンジニアたちは、ポスドク研究員のファルシッド・アシュティアーニ氏、大学院生のアレクサンダー・J・ギアーズ氏、電気・システム工学准教授のフィルーズ・アフラトゥーニ氏らとともに、従来のチップベースのAI画像処理で最も時間のかかる部分を排除できるという回避策を考案した。この9.3平方ミリメートルのカスタムプロセッサは、「光ディープニューラルネットワーク」と呼ばれる技術を用いて、「対象物体」から受信した光を直接処理する。
研究者らのプロセッサは、本質的には、導波路と呼ばれる光ファイバーで相互接続された「光ニューロン」を用いて、多層構造のディープネットワークを形成します。情報は各層を通過し、各ステップが入力画像を学習済みのカテゴリーに分類するのに役立ちます。光がチップ内を伝播すると同時に計算を行い、光信号を直接読み取り処理できるため、研究者らはチップに情報を保存する必要がなく、画像分類全体を約0.5ナノ秒で実行できると主張しています。
「光信号を直接読み取る技術を開発したのは私たちが初めてではありません」とギアーズ氏は声明で述べた。「しかし、既存の技術と互換性があり、より複雑なデータにも対応できる拡張性を備えた、チップ内に完全なシステムを構築したのは私たちが初めてです。」ギアーズ氏は、この研究が写真内のテキストの自動検出、自動運転車の障害物認識、その他コンピュータービジョン関連のタスクへの応用につながると期待している。
カーネギーメロン大学のAuton Labは、異なるユースケースに焦点を当てています。それは、地上車両から発電機まであらゆるものに予知保全技術を適用することです。前述の契約の支援を受け、Auton Labのディレクターであるアルトゥール・ドゥブラウスキー氏は、デジタルツインと呼ばれる複雑な物理システムのコンピュータモデルの適用範囲を多くの分野に広げるための基礎研究を主導します。
テッククランチイベント
サンフランシスコ | 2025年10月27日～29日
デジタルツイン技術は新しいものではありません。GE、AWSなどの企業は、顧客が機械のデジタルツインをモデル化できる製品を提供しています。ロンドンに拠点を置くSenSatは、建設、鉱業、エネルギープロジェクトの拠点のデジタルツインモデルを作成しています。一方、LacunaやNexarといったスタートアップ企業は、都市全体のデジタルツインを構築しています。
しかし、デジタルツイン技術には共通の限界があり、その主なものは、不正確なデータから得られる不正確なモデリングです。他の技術と同様に、ゴミを入れればゴミしか出てこないのです。
デジタルツインの普及を阻むこうした問題やその他の障壁に対処するため、ドゥブラウスキー氏のチームは、集中治療室の臨床医など、幅広い関係者と連携し、医療分野を含む様々なシナリオを検討しています。Autonラボは、AIシステムがデータでは十分に表現されていない文脈を理解できるように、「人間の専門知識を捉える」ためのより効率的な新しい方法と、その専門知識をユーザーと共有する方法の開発を目指しています。
AIが近い将来、一部の人々に欠けていると思われるものの一つが、常識だ。DARPAは、ロボットが歩行中、何かを運ぶ中、あるいは物体を掴んでいる際に、何かがうまくいかない場合にどう対処すべきかという大まかな感覚をロボットに植え付けることを目指し、様々な研究所で複数の取り組みに資金提供を行っている。
通常、これらのモデルは非常に脆く、特定のパラメータを超えたり、予期せぬ事象が発生したりするとすぐに、ひどく機能しなくなります。しかし、「常識」を訓練することで、より柔軟になり、状況を打開する大まかな感覚を身に付けることができます。これは特に高度な概念ではなく、単に状況に対処するためのよりスマートな方法にすぎません。例えば、何かが予想パラメータから外れた場合、そのように特別に設計されていなくても、他のパラメータを調整してそれを打ち消すことができます。
これは、ロボットがあらゆることを即興でこなすようになるという意味ではありません。ただ、現状ほど簡単に、あるいは大きく失敗しなくなるというだけです。最新の研究では、「常識」に基づく訓練を加えることで、起伏のある地形での移動、荷物の移動、未知の物体の掴みやすさが向上することが示されています。
対照的に、カリフォルニア大学バークレー校の研究チームは、気候変動という一つの分野に特に焦点を当てています。コンピューターサイエンスの博士課程学生であるコロラド・リード氏とメディニ・ナラシムハン氏、そして同課程の学生であるリトウィック・グプタ氏によって最近設立されたバークレーAI研究気候イニシアチブ（BAIR）は、気候とAIの両方にとって意義のある目標を達成するために、気候専門家、政府機関、そして産業界からのパートナーを募集しています。
このイニシアチブが取り組む最初のプロジェクトの一つは、AI技術を用いて、航空機による雪の観測データと、公開されている気象データや衛星データソースの測定値を組み合わせることです。AIは、現在では多大な労力を費やさなければ不可能な雪のライフサイクルの追跡を支援し、研究者がシエラネバダ山脈の雪に含まれる水分量を推定・予測し、地域の河川流量への影響を予測することを可能にします。
BAIRの取り組みを詳述したプレスリリースでは、積雪の状態が公衆衛生と経済に影響を与えると指摘されています。世界中で約12億人が、飲料水やその他の用途で雪解け水に依存しており、シエラ山脈だけでもカリフォルニア州の人口の半分以上に水を供給しています。
BAIRの共同設立者でバークレー大学のコンピューターサイエンス教授であるトレバー・ダレル氏は、気候変動対策イニシアチブによって行われる技術や研究はすべて公開され、独占的にライセンス供与されることはないと述べた。
AI自体も気候変動の一因となっています。GPT-3やDALL-Eのようなモデルの学習には膨大な計算リソースが必要だからです。アレンAI研究所（AI2）は、これらの学習期間をいかにインテリジェントに実行すれば気候への影響を軽減できるかについて研究を行いました。これは簡単な計算ではありません。電力の供給源は常に変化しており、スーパーコンピューティングの1日中稼働のようなピーク時の電力消費を、太陽が出ていて太陽光発電が豊富な来週に分割して稼働させることはできません。
AI2 の取り組みは、さまざまな場所と時間でさまざまなモデルをトレーニングする際の炭素強度に注目するものであり、これらの重要だが大量のエネルギーを消費するプロセスのフットプリントを削減するための Green Software Foundation のより大規模なプロジェクトの一部です。
最後に、OpenAIは今週、Video PreTraining（VPT）を発表しました。これは、少量のラベル付きデータを用いてAIシステムにタスクの完了を学習させるトレーニング手法で、Minecraftでダイヤモンドツールを作成する方法などが含まれます。VPTでは、Web上で動画を検索し、請負業者にデータ（例えば、マウスとキーボードの動作がラベル付けされた2,000時間の動画）を作成させ、過去と未来の動画フレームから動作を予測するようにモデルをトレーニングします。最終段階では、Web上の元の動画に請負業者のデータでラベル付けを行い、過去のフレームのみから動作を予測するようにシステムをトレーニングします。
OpenAIはVPTのテストケースとしてMinecraftを使用しましたが、同社はこのアプローチは非常に汎用的であり、「汎用的なコンピューター利用エージェント」への一歩を踏み出したと主張しています。いずれにせよ、このモデルはオープンソースで公開されており、OpenAIが実験のために調達した請負業者のデータも公開されています。
