【2024年ノーベル物理学賞】「現在のAIブームの基礎」人工ニューラルネットワーク技術の軌跡を辿る

【2024年ノーベル物理学賞】人工ニューラルネットワーク技術の軌跡を辿る/Credit:They trained artificial neural networks using physics

2024年のノーベル物理学賞は、現在のAIの基礎となる「人工ニューラルネットワーク」の開発の鍵を発見したホップフィールド氏とヒントン氏に送られることになりました。

両名の発見が行われるまでしばらくの間は、「AIの冬」と呼ばれる時代であり、AIの開発が停滞していた時期でもありました。

現在のAIブームの基礎はいかにして形成されたのでしょうか？

目次

厳しい「AIの冬」の時期に密かに革命は起きていたネットワーク内の物理現象を「記憶」や「学習」と解釈するAIと脳の類似性は最新のシステムでもみられる

厳しい「AIの冬」の時期に密かに革命は起きていた

コンピューターが開発されて以降、その性能は飛躍的な進化を遂げてきました。

コンピューターは複雑な弾道計算を瞬時に行う「計算能力」だけでなく、膨大な情報を正確に記録する「記憶能力」においても人間を遥かに上回ります。

そのためコンピューターの普及が進んだ1960年代には、人間に匹敵する「人工知能（AI）」の開発は1世代以内に可能になると考えられていました。

しかし予想に反して、AIの開発は難航します。

プログラムを組むことで、コンピューターに2枚の間違い探しをさせることは可能でした。

たとえば1枚目の夕日の画像の一部を加工してカラスを紛れ込ませた2枚目の画像を用意した場合、コンピューターはプログラムに従って画像データを比較することで、すぐに違いを認識することができました。

しかしコンピューターに「夕日とは何か？」を教えることはできませんでした。

人間が膨大な時間をかけて、夕日の色のデータや太陽の位置データを含んだ高度なプログラムを作成しても、コンピューターは赤いレンガの壁の前を飛んでいる黄色いテニスボールを映した写真を「夕日」と答えてしまったのです。

人間ならば、そのような間違いは起こしません。

人間は生まれてから何度も夕日を見ることで、夕日の抽象的な概念を脳内に確立し、見たことがない夕日の画像でも、それが夕日であると判断することができます。

しかし文字を使ったプログラミングではいくら頑張っても、夕日という抽象的な概念をコンピューターに教えることはできなかったからです。

同様の壁は画像認識以外にもさまざまな分野に存在しました。

私たち人間の言語や音声、色彩感覚などの多くは、プログラミング言語に変換するのが困難だったからです。

AIの冬の時代の中に合って革命は起きていました/Credit:Canva . 川勝康弘

さらに一部の研究者たちは、現実世界の多様な学習状況に対応できるプログラムは作成不可能であるとの結論に至りました。

絵画の間違い探しのために作られたプログラムでチェスをしたり、新しい化合物を探したり、テニスを行うのは数学的に不可能としたからです。

この結論は、どんなに優秀なプログラマーが存在しても、人間のような汎用的なスキルを備えたAIをプログラミングで作り上げるのは無理であることを意味します。

人間によるプログラミングこそがコンピューターの神髄であると考えられていた時代、この結論は重いものでした。

脳の機能をコンピューターで模倣しようとする「人工ニューラルネット」開発の試みも古くは1960年代から存在していましたが、著名なプロジェクトの多くが失敗に終わってしまいました。

そのため現在のAIの盛況さ（AIの春）と比較して、1970年代中頃から2000年代初頭にかけた時期は「AIの冬」と呼ばれることもあります。

しかし中世の暗黒時代に、後の繁栄の時代の基礎が確立されたように、「AIの冬」の真っただ中にあって、密かな革命が起き始めていました。

そのきっかけは、ネットワークに含まれるエネルギーについての物理学研究でした。

ネットワーク内の物理現象を「記憶」や「学習」と解釈する

AIの冬という表現はあくまで現在のAIの盛況さからみた比較に過ぎないという人もいます。しかしどちらにしてもAIについて人々の関心が現在よりも遥かに薄れていたのは事実でしょう/Credit:Canva . 川勝康弘

ネットワークに記憶力を発見

1982年、受賞者の1人であるプリンストン大学のホップフィールド氏は、「ホップフィールドネットワーク」という興味深い仕組みを開発しました。

このホップフィールドネットワークは、ネットワーク全体にエネルギーが蓄えられているという考え方を基礎としています。

そしてこのネットワークはエネルギー状態が最小になるように進化するように設定されました。

すると、ある点と点の接続の重みを一定に固定すると、特定のいくつかのネットワークパターンを再現できることが発見されます。

またこのパターン再現は耐性があり、ニューロンに相当するネットワーク内の点の活性度レベルに改変を加えても、正しく復元されることがわかりました。

ホップフィールド氏はこのプロセスを「記憶」や「判断（最適解）」と解釈しました。

私たちの脳でも、新しい情報が入るとニューロン間の結合強度が変化し、必要な記憶が定着します。

ホップフィールド氏は、接続の重みとエネルギーの法則に従って接続が変化するネットワークに、人間の脳と同じような可能性を見出したのです。

さらに幸いなことは「AIの冬」の時期にあっても、ホップフィールド氏の革命的発想を受け入れる人物が存在したことでした。

ネットワークに学習能力を発見

1985年、もう1人の受賞者であるコンピューター科学者のヒントン氏は、ホップフィールドネットワークをさらに発展させたボルツマンマシンを開発します。

ボルツマンマシンはニューロンにあたる点部分の状態変化に確率的な振る舞いを組み込みました。

これにより、ネットワークは条件に基づき確率的にニューロンの状態を更新し、データの背後にある確率分布を学習できるようになりました。

既存のプログラムでは実行不可能だったデータのパターンや特徴を学習し、より高度な分析が行えるようになりました。

さらにボルツマンマシンの発展型では学習によって画像認識や画像分類などのより実用的な機能が実現します。

両名の発見は、ネットワーク内の物理現象をAIとして解釈するという点において、まさに物理学的なものと言えます。

また2人の発見を機に、AIの研究が徐々に加速し、現在の「AIの春」と言える状況が作られたという点も選考のポイントになったと考えられます。