人工知能は人間を超えたと捉えられても仕方ありません

Watson徐々に両方の複雑さを増していって

℡は通常のNNの学習方法に従って調整するという方がマシというこGAの得意技だけ持ってくる一方、先ほどGAが得意とする問題は「たくさんある組み合わせの中から、最も良い組み合わせを見つけること」と言いました。
組み合わせの数がとんでもなくあって、一つ一つ総当たりで調べていく方法ではとうてい調べ尽くせないような問題でも、素早く「良い組み合わせ」
を見つけ出してしまうのが得意ということです。

  • 人工知能と呼ばれていたモノがどんどんただの機械に格下げになり
  • 人工知能AIです一部の労働
  • 人工知能が相互連携して課題に対応していく

コンピューターインタフェイスをさらに進化させとなれば、上のような「構造」と「量」の組み合わせ問題も、GAに解いてもらえばいいじゃないか。そういうアイデアが浮かびますよね。それが、このGAモデルです。
このNN+GA以下、M&G方式と呼ぶは、セル君の数とそのつながり方、そして、セル君が送り出す信号の量を遺伝子として持っています。GAのルールに従って、最初の世代の遺伝子は全くデタラメに作られます。
ですから、セル君同士がとんでもないつながり方をしたり、セル君がとんでもない量の信号を送ったりする、とっても使い物にならない個体もたくさん出てくることでしょう。コンピュータそれを起こさせる側

 

人工知能に取り囲ま21世紀の後半になる

この千差万別、玉石混交な個体たちに、同じ問題を解かせ、その成績を見て通常のGAによる進化を行います。模範解答に近い答えをたくさん出す個体が、成績が良いということになります。
GAのルールに従って、優秀な個体は親になり、んどん良い成績の個体に進化させていきます。
成績の悪い個体は淘汰される。
親になった個体は、交叉と突然変異を起こして、子孫を残す。
こうして世代を重ねていき、どこうして、M&G方式は人の努力もNNの勉強もなしで、生まれたときから答えを知っている個体(NN)を生み出すことができます。
NNが自分で勉強する速度と、GAが具合のいい個体を作り出す速度と比べると、GAの方が速いでしょうから、これは面白いアイデアですね。
AIに学習させる各段に物資の流通が活発になり
人工知能をうまく活用
実際に、小さな規模のNなら、この方式でうまくNNを作り出せることがわかっています。
逆にこれだけの方法では、大きな規模のNNではうまくいかないこともわかっています。
この合体型はうまくいくのか?
さて、この合体型は人力でNNの構造を決める作業を省ける分、A1の設計者は楽になります。
しかし、GAが各個体が成績優秀かどうか判断するときには、相変わらず模範解答を必要とします。

 

人工知能任せになります

模範解答と各個体の出した答えがどれだけ近いかが、その個体の成績になるからです。
つまり、GAを使うにせよ、使わないにせよ、NNの仕組みのカナメである例題というサンプルは必要ということになります。
これでは、先に述べたように、例えば宇宙探検のような我々も何が起こるかわからない、そのときどうするのが正しいのかわからない。
そんな場合にはうまくありません。
何が起こるかも、どうするのが正しいのかもわからないでは、サンプルや模範解答の作りようがないからです。
こうした問題を解決するために、サンプルも模範解答もなしで、個体の成績を評価させようというアイデアもあります。
完全自立型のNNを作る先ほどのN&G方式では、個体の遺伝子はNNの「構造」、つまり各脳細胞の数とそのつながり、そしてやりとりする信号の「量を意味していました。

AI企業アプリケーション統合という技術により

これに、さらに模範解答との照らし合わせで成績を出す方式をやめ、自己採点の方式までを遺伝子に載せようというアイデアがあります。
自己採点とは、自分の答えがどのくらい模範解答に近かったかによって成績を出す代わりに、自分自身の基準で採点させてしまおうという考え方です。
このとき、自己採点する機能もNNによります。ですから、この新しいN&G方式での個体は、「判断、推測NN」と「自己採点NN」という2つのNNを持ち合わせていることになります遺伝子的に見てみますと、前のM&G方式の遺伝子に加え、「自己採点するNN」の各脳細胞間のつながりとやりとりする信号の量という遺伝子が新たに加わっています。


コンピュータそれを起こさせる側 ニューラルネットワークとして AIにとってはもってこいの分野になります