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。
今週のAI誌で、研究者らは、ロボットの通信がエンドツーエンドで暗号化されている場合でも、遠隔操作ロボットの動きを攻撃者が追跡できる手法を発見した。グラスゴーのストラスクライド大学の共著者らは、この研究は、最善のサイバーセキュリティ対策を採用するだけでは自律システムへの攻撃を阻止できないことを示していると述べた。
遠隔操作（テレオペレーション）は、オペレーターが様々な環境において、1台または複数台のロボットを遠隔から操作することを可能にする技術です。Pollen Robotics、Beam、Tortoiseといったスタートアップ企業は、食料品店、病院、オフィスにおける遠隔操作ロボットの有用性を実証しました。また、爆弾処理や高放射線環境の調査といった作業向けに遠隔操作ロボットを開発している企業もあります。
しかし、新たな研究は、たとえ「安全」とされている遠隔操作であっても、監視の脆弱性という点でリスクを伴うことを示している。ストラスクライド大学の共著者らは論文の中で、ニューラルネットワークを用いて遠隔操作ロボットがどのような操作を行っているかに関する情報を推測する方法を述べている。ロボットとコントローラー間のTLSで保護されたトラフィックのサンプルを収集し、分析を行った結果、ニューラルネットワークは約60%の確率で動きを識別し、「倉庫内のワークフロー」（例：荷物の受け取り）を「高い精度」で再現できることを発見した。
グーグルとミシガン大学の研究者による新たな研究は、それほど直接的ではないものの、警鐘を鳴らすものとなっている。この研究では、AIに対する法規制が脆弱で「全国的に楽観的」な国々において、人々とAI搭載システムの関係性について調査した。この研究は、リスクモデリングAIによって信用度が判断された借り手を対象とした、インド在住の「経済的に困窮している」インスタントローン・プラットフォームの利用者を調査した。共著者によると、利用者はインスタントローンという「恩恵」に対して負債感を抱き、厳しい条件を受け入れ、機密データを過剰に共有し、高額な手数料を支払う義務を負っているという。
研究者らは、今回の研究結果は、特に金融サービスにおけるAIに関して、「アルゴリズムの説明責任」の強化の必要性を示していると主張している。「説明責任はプラットフォームとユーザーの力関係によって形作られると主張し、政策立案者に対し、アルゴリズムの説明責任を促進するために純粋に技術的なアプローチを採用することへの注意を促します」と研究者らは述べている。「むしろ、ユーザーの主体性を高め、意味のある透明性を実現し、設計者とユーザーの関係を再構築し、より広範な説明責任に向けて実務家による批判的考察を促すような、状況に応じた介入を求めます。」
オランダのドルトムント工科大学、ライン＝ヴァール大学、ライデン大学（LIACS）の科学者チームは、より地味な研究として、ゲーム「ロケットリーグ」を「解く」ことができると主張するアルゴリズムを開発しました。計算負荷の少ないゲームプレイAIの開発を目指したチームは、「シムツーシム」転送技術と呼ばれる手法を活用し、AIシステムを簡素化・簡略化した「ロケットリーグ」内でゴールキーピングやシュートといったゲーム内タスクを実行できるようにトレーニングしました。（ロケットリーグは基本的に屋内サッカーに似ていますが、人間の選手ではなく、3人1組のチームで戦う車が登場します。）
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
完璧ではなかったものの、研究者らが開発したロケットリーグのプレイシステムは、ゴールキーパーとして放たれたシュートをほぼすべてセーブすることに成功した。攻撃時には、シュートの75%を成功させ、これは立派な記録だ。
人間の動きを再現するシミュレーターも急速に進化しています。Meta社の人間の手足の追跡とシミュレーションに関する研究は、同社のARおよびVR製品への応用が明らかですが、ロボット工学や身体性AIといった分野にも広く応用できる可能性があります。今週発表された研究は、なんとマーク・ザッカーバーグ氏本人からも称賛されました。
MyoSuiteは、筋肉や骨格が物体や自分自身と相互作用する様子を3Dでシミュレートします。これは、エージェントが物体を潰したり落としたりすることなく適切に持ち、操作する方法を学習するために重要であり、仮想世界においてもリアルなグリップとインタラクションを提供します。特定のタスクでは数千倍の速度で実行され、シミュレーションによる学習プロセスを大幅に高速化します。「これらのモデルをオープンソース化し、研究者が研究の発展に活用できるようにします」とザッカーバーグ氏は述べています。そして、彼らはそれを実現しました！
こうしたシミュレーションの多くはエージェントベースまたはオブジェクトベースですが、MITのこのプロジェクトは、独立したエージェント、つまり自動運転車のシステム全体をシミュレートすることを目指しています。このアイデアは、道路上に十分な数の車が走っている場合、それらの車が連携して衝突を回避するだけでなく、アイドリングや信号待ちでの不要な停止を防ぐことができるというものです。
上のアニメーションでご覧いただけるように、V2Vプロトコルで通信する自動運転車群は、互いに徐々に減速しながらも、実際に停止するほどではない速度で走行することで、最前線以外の車両が停止するのを基本的に防ぐことができます。このようなハイパーマイリング（超高速走行）は、ガソリンやバッテリーの節約にはあまりならないように見えるかもしれませんが、数千台、あるいは数百万台の車両にスケールアップすると、確かに効果を発揮します。乗り心地も向上するかもしれません。とはいえ、すべての車両がこのように完璧な間隔で交差点に接近するのは難しいでしょう。
スイスは3Dスキャン技術を用いて、自らの姿をじっくりと見つめ直そうとしている。ライダーなどのツールを搭載した無人航空機（UAV）を用いて広大な地図を作成しているが、落とし穴がある。ドローンの動き（意図的なものも偶発的なものも含む）によってポイントマップに誤差が生じ、手動で修正しなければならないのだ。建物1つをスキャンするだけなら問題ないのに、国全体をスキャンするとなると、一体どうなってしまうのだろうか？
幸いなことに、EPFLのチームは、物体が異なる角度から複数回スキャンされたかどうかを判別し、その情報を用いてポイントマップを単一の統合メッシュに整列させることができる機械学習モデルをLIDARキャプチャスタックに直接統合しています。このニュース記事は特に分かりやすいものではありませんが、付随する論文ではより詳細に説明されています。生成されたマップの例は、上のビデオでご覧いただけます。
最後に、予想外ながらも非常に嬉しいAI関連ニュースとして、チューリッヒ大学のチームが動物の行動を追跡するアルゴリズムを開発した。これにより、動物学者は求愛ダンスの2つの例を見つけるために数週間分の映像を精査する必要がなくなる。これはチューリッヒ動物園との共同研究であり、次の点を考えると理にかなっている。「私たちの手法は、研究動物のストレス、不安、不快感などの微妙で稀な行動変化さえも認識できます」と、研究室長のメフメット・ファティ・ヤニック氏は述べている。
つまり、このツールは、飼育下の行動の学習と追跡、動物園で飼育されている動物の福祉、そしてその他の動物研究にも活用できるということです。より少ない被験動物でより多くの情報をより短時間で得ることができ、大学院生が夜遅くまでビデオファイルを調べる作業も軽減されます。まさに三方良しの状況ですね。
イラストも素敵です。
