Help us understand the problem. What is going on with this article?

「人工知能は人間を超えるか ディープラーニングの先にあるもの」松尾豊, 角川出版, 2015を読む

「人工知能は人間を超えるのか ディープラーニングの先にあるもの」角川EPUB選書 松尾豊
41awNvZKJNL._SX354_BO1,204,203,200_.jpg
https://www.amazon.co.jp//dp/4040800206/

Youtube

『人工知能は人間を超えるか ディープラーニングの先にあるもの』松尾豊東京大学准教授セッション
https://www.youtube.com/watch?v=lqywEafvq_Q
『人工知能は人間を超えるか ディープラーニングの先にあるもの』松尾豊東京大学准教授セッション

書籍の感想(Youtubeの感想は別途)

人工知能急上昇(boom)がなぜ起き、なぜ冬が来たかについて、研究者を守るため突っ込んでいないのが悲しい。

1)急上昇(boom)が起きると論文が通りやすくなり、論文を通したい人、研究費が取りたい人が群がる。
 研究量が爆発するため、審査に回る人が足りず、事実上無審査となる。誰もが増大する研究費の恩恵にあずかってしまう。

2) 応用例が人気があり、意味のない適用でも通ってしまう。
急上昇(boom)の方法を取らずに、他の方法を取っても実現することを、あえて急上昇(boom)の方法で説明する。

3) 無意味な情報が爆発するため、徐々に無駄なことをしていることに気がつく人が増える。冬を迎える。

この仕組みを詳細に説明しないと、現在起きている深層学習、量子計算機の急上昇のうち、初めから無駄撃ちとわかっている事項なのか、やむを得ない実験なのかの違いの見分け方を知ることができない。

どんな実験も、誰もやってない限り、やる意味はある。
やった結果のまとめ方が、次のようなものであれば駄目なやつと思うとよい。

1) 量を増やしていくことが大事
2) 誤差を小さくしていくことが大事
3)

それでは、やむを得ない実験であるかを判断する基準はなんだろう。

1) 論理科学、物理科学、生命科学、社会科学の2つ以上の視点での成果を明確に切り分けている。ある視点で駄目でも、他に転用できる可能性を常に追求している。
2) 本質的な問題か、応用的な問題かの均衡に気を使い、何かは解決しようとしている。
3) 他の方法で実現した場合との利害得失を見積もり、それぞれの短期的、中期的、長期的な展望を示している。

人工知能、機械学習、深層学習を人間が人間を支配する道具として使った場合に、防ぐ方法があるかどうかを示していない。賢い人ならわかるでは、賢くない人は賢い人に支配されても仕方がないという論調とどう違うのかがわからなかった。

はじめに

注1  特徴表現学習

序章

米長邦雄 p.75 「われ敗れたり」

セルゲイ・ブリン

星野新一

ジェフリー・ヒントン

ヤン・ルカン

アンドリュー・エン

山川宏

川上量生

アンドリュー・マカフィー 機械との競争

映画 トランセンデンス

映画 her/世界でひとつの彼女

映画 イミテーションゲーム/エニグマと天才数学者の秘密

映画 2001年宇宙の旅

映画 ターミネーター、ターミネーター4

レイ・カーツワイル

スティーブ・ホーキング

イーロン・マスク

ビルゲイツ

注2 認知コンピューティング

IBM

注3

One third of jobs in the UK at risk from automation, Deloitte, 2014

注4

Fray, Carl Benedikt and Michael A. Osborne, The future of employment how susceptible are jobs to computerisation? Sept 17, 2013

注5

エリック・ブリニョルフソン 機械との競争 日経BP
51Ou8uR9rfL._SX341_BO1,204,203,200_.jpg
https://www.amazon.co.jp/dp/4822249212/

注6

Stephen Hawking warns artificial intelligence could end mankind, BBC interview, 2014.12
http://www.bbc.com/news/technology-30290540

第1章

アラン・チューリング

ロジャー・ベンローズ
皇帝の新しい心

ヒューバート・ドレイフェス
コンピュータには何ができないか

中島英之

西田豊明

スチュワードラッセル
エージェントアプローチ

注7 人間原理

注8

ロジャー・ベンローズ
皇帝の新しい心

注9

ヒューバート・ドレイフェス
コンピュータには何ができないか

注10

甘粕俊一

注11

ブライアン・クリスチャン
機械より人間らしくなれるか

注12

日本ロボット学会
人工知能学会

注13

マービン・ミンスキー

注14

スチュワードラッセル
エージェントアプローチ

第2章 「推論」と「探索」の時代 第1次AIブーム

第1次AIブーム 1960
第2次AIブーム 1980
第3次AIブーム 2010

ジョン・マッカーシー
マービン・ミンスキー
アレン・ニューウェル
ハーバート・サイモン

STRIPS: Stanford Research Institute Problem Solver

テイリー・ウィノグラード

HCI: human computer interface

佐藤慎一

注15

機械学習・特徴表現学習

注16

松原仁

注17

米長邦雄 p.75 「われ敗れたり」

注18

パーセプトロン

第三章「知識」を入れると賢くなる 第2次AIブーム

p.87
Siri
MYCIN

p.88
pseudomonas, 緑膿菌

p.89
エドワード・ファインゲンバウム

DENDRA

p.91

ダグラス・レナート 

cycプロジェクト

p.93

溝口理一

is-a, part-of

小川清 is-a, has-a, use-a
誘導語の対称性を利用し一人HAZOPを組み合わせた効率的な安全分析作業 想定外をなくすためのHAZOPのすすめ
https://www.ipa.go.jp/files/000005325.pdf

p.97

LOD: linked open data

武田英明

山口高平

p.98

Question Answering:質問応答

p.103

ダニエル・デネット

p.105

スティーブン・ハルナッド

注19

CALO

注20

溝口理一郎 オントロジー工学, オーム社, 2005

注21

ヘビーウェイト・オントロジー、ライトウェイト・オントロジー

注22

IBM

注23

ロボカップ

注24

一階述語論理

注25

シマウマ、ウマ:zebra= string+horse

注26

第五世代コンピュータ, 人工知能学会誌 人工知能, 2014年3月号

注27

冬の時代 海外1987, 日本 1995

第4章「機械学習」の静かな広がり 第3次AIブーム1

p.114
機械学習 machine learning

p.115
統計的自然言語処理
statistical natural language processing

p.121
最近傍法 nearest neighbor

Naive Bayes

p.125
Support vector machine

Neural network

p.128
MNIST

p.131
誤差逆伝播法 back propagation

p.135
Feature engineering

p.137
黒橋禎夫

p.139
ソシュール

注28

SIGKDD Knowledge Discovery in Data, ACM

注29

強化学習

注30

Reuter-21578

注31

p.120
線をひく

注32

ID3, C4.5, C5.0

注33

素性工学、特徴量工学、素性設計、特徴量設計

注34

特徴量表現学習

第5章 静寂を破る「ディープラーニング」第3次AIブーム2

p.144
ILSVRC, Imagenet Large Scale Visual Recognition Challenge

Super Vision
p.146
ジェフリー・ヒントン
p.147
表現学習 representation learning

p.151
ジェフ・ホーキンス 考える脳 考えるコンピュータ

p.167
福島邦彦

野田五十樹

山川宏

注35

p.147
事前知識

注36

特徴表現学習 feature representation learning
representation, represent, re-present,

注37

vanishing gradient problem 消滅する勾配問題
p.149 誤差逆伝播

注38

情報圧縮器
restricted boatsman machine, BBM
人工知能学会 人工知能 2013年5月号ー2014年7月号

注39

p.151
ジェフ・ホーキンス 考える脳 考えるコンピュータ ランダムハウス講談社, 2005年

注40

地理的まとまり。
日本海側、太平洋側
p155

注41

p.156
細くくびれている必要性はない

注42

p.158
主成分、第二主成分、第三主成分

注43

p.162
Quoc V. Le, Marc Aurelio Ranzato, Rajat Monga, Matthieu Devin, Greg Corrado, Kai Chen, Jeffrey Dean. Andrew Y. Ng, BUilding high-level features using large scale unsupervised learning , ICMI, 2012

注44

p.171
GPU
Coates Adam, et. la. Deep learning with COTS HPC systems, Proceedings of the 30th international Conference on Machine Learning 2013

第6章 人口知能は人間を超えるのか ディープラーニングの先にあるもの

p.189
punctual 時間に正確だ
p.193
ノーム・チョムスキー
p.199
リチャード・ドーキンス

p.200
ジェラルド・エーデルマン

p.201
スティーブ・ホーキング
p.202
イーロン・マスク
レイ・カーツワイル

注45

p180
カーネル法 SVM

注46

p181
LSTM long short term memory

注47

p.185

注48

p.190
諏訪正樹

注49

p.199
利己的な遺伝子 -増補新装版-リチャード・ドーキンス
https://www.amazon.co.jp/dp/4314010037/

p.200
脳は空より広いか 「私」という現象を考える, ジェラルド M.エーデルマン, 草思社, 2006
https://www.amazon.co.jp/dp/4794215452/

終章 変わりゆく世界 産業・社会への影響と戦略

p.228
トマ・ピケティ 21世紀の資本

注51

p.228
機械との競争 エリック・ブリニョルフソン, 日経BP, 2013
https://www.amazon.co.jp/dp/4822249212/

注52

21世紀の資本 トマ・ピケティ, みすず書房, 2014
https://www.amazon.co.jp/dp/4622078767/

注53

p.230
Carl Benedikt Frey† and Michael A. Osborne‡
The future of employment how susceptible are jobs to computerization?, Sept 17, 2013
https://www.oxfordmartin.ox.ac.uk/downloads/academic/The_Future_of_Employment.pdf

注54

p.233
掘り浩一

注55

p.234 The Current State of Machine Intelligence
http://www.bloomberg.com/company/2014-12-11/current-state-machine-intelligence/

注56

p.244
眼の誕生 カンブリア紀大進化の謎を解く-アンドリュー・パーカー, 思想社, 2006
https://www.amazon.co.jp/dp/4794214782/

Reference on Qiita

人工知能は人間を超えるかを読んだまとめ
https://qiita.com/yuta_ichi/items/993c258d6005cc107a8f

ディープラーニングのことが何となくわかった(読後メモ:人工知能は人間を超えるか)
https://qiita.com/kakeijin/items/21088c9ddc8d750e1042

JDLAのG検定に向けて、「人工知能は人間を超えるか」をまとめてみた
https://qiita.com/masamasa/items/eae9ab25c4cdf89374a3

このエントリーをはてなブックマークに追加
https://b.hatena.ne.jp/guide/bbutton

Why do not you register as a user and use Qiita more conveniently?
  1. We will deliver articles that match you
    By following users and tags, you can catch up information on technical fields that you are interested in as a whole
  2. you can read useful information later efficiently
    By "stocking" the articles you like, you can search right away
Comments
Sign up for free and join this conversation.
If you already have a Qiita account
Why do not you register as a user and use Qiita more conveniently?
You need to log in to use this function. Qiita can be used more conveniently after logging in.
You seem to be reading articles frequently this month. Qiita can be used more conveniently after logging in.
  1. We will deliver articles that match you
    By following users and tags, you can catch up information on technical fields that you are interested in as a whole
  2. you can read useful information later efficiently
    By "stocking" the articles you like, you can search right away