ぼっち論文サーベイメモ2 Advent Calendar 2024

State of AI Report 2024: Introduction

Last updated at 2024-12-10Posted at 2024-12-10

AIの進化と影響:
AI技術は急速に進化しており、さまざまな分野での応用が拡大しています。特に、生成AIや大規模言語モデル（LLM）の発展が注目されています。これにより、AIが人間の作業を補完し、効率を向上させる可能性が高まっています。
研究と産業の交差点:
AIの研究は、産業界との連携が強化されており、実用的なアプリケーションが増加しています。企業はAIを活用して新しい製品やサービスを開発し、競争力を高めています。
倫理と安全性の課題:
AIの進展に伴い、倫理的な問題や安全性の懸念も浮上しています。特に、AIの決定が人間社会に与える影響や、バイアスの問題、プライバシーの保護などが重要なテーマとして取り上げられています。
未来の展望:
今後のAIの発展においては、技術的な進歩だけでなく、社会的な受容や規制の整備も重要です。AIが持つ潜在能力を最大限に引き出すためには、これらの要素がバランスよく進められる必要があります。
レポートの構成:
このレポートは、AIの研究、産業、政策、安全性、予測などのさまざまな側面を網羅しており、各セクションで最新の情報と分析が提供されることが示されています。

人工知能 (AI):
AIは、知的な機械を作成することを目指す科学と工学の多分野にわたる領域です。AIは、データを処理し、学習し、意思決定を行う能力を持つシステムを指します。

人工一般知能 (AGI):
AGIは、将来的に人間の認知能力を全ての経済的に価値のあるタスクにおいて超えることができる機械を指します。これは、特定のタスクに特化したAIとは異なり、幅広い知識と能力を持つことを意味します。

AIエージェント:
AIエージェントは、環境内で行動を取ることができるAIシステムを指します。例えば、特定のタスクを達成するために、利用可能なツールの中からどれを使用するかを決定する大規模言語モデル（LLM）が該当します。

AI安全性:
AI安全性は、将来のAIシステムが人類に対して引き起こす可能性のあるリスク（軽微なものから壊滅的なものまで）を研究し、軽減することを目的とした分野です。AIの進化に伴い、これらのリスクを管理することが重要視されています。

深層学習 (DL):
DLは、脳内のニューロンがデータの複雑なパターンを認識する方法に触発されたAIのアプローチです。「深層」という用語は、今日のモデルにおける多層のニューロンを指し、データの豊かな表現を学習することで性能向上を図ります。

拡散 (Diffusion):
拡散は、人工的に破損した信号を反復的にデノイズして新しい高品質の出力を生成するアルゴリズムです。最近では、画像生成やタンパク質設計の最前線で使用されています。

生成AI:
生成AIは、テキスト、画像、音声、3Dアセットなどの新しいコンテンツを「プロンプト」に基づいて生成することができるAIシステムのファミリーを指します。

グラフィックス処理ユニット (GPU):
GPUは、大量の計算を並行して実行することを可能にする半導体処理ユニットです。歴史的にはコンピュータグラフィックスのレンダリングに必要でしたが、2012年以降は深層学習モデルのトレーニングにも適応されています。

大規模言語モデル (LLM):
LLMは、大量のテキストデータを基にトレーニングされた言語モデルであり、自然言語の生成や理解を行う能力を持っています。これらのモデルは、文脈を理解し、関連する情報を生成するために、トランスフォーマーアーキテクチャを使用することが一般的です。

機械学習 (Machine Learning, ML):
機械学習は、AIの一分野であり、データから学習し、明示的なプログラミングなしに予測や判断を行う能力を持つアルゴリズムを開発することを目的としています。MLは、データを用いてモデルをトレーニングし、そのモデルが新しいデータに対しても適切に機能するようにします。

自然言語処理 (Natural Language Processing, NLP):
自然言語処理は、コンピュータが人間の言語を理解し、生成する能力を持つ技術です。NLPは、テキストの解析、感情分析、機械翻訳など、さまざまなアプリケーションに利用されます。

強化学習 (Reinforcement Learning):
強化学習は、エージェントが環境内で行動を選択し、その結果に基づいて報酬を受け取ることで学習する手法です。エージェントは、報酬を最大化するための最適な行動戦略を学びます。このアプローチは、ゲームプレイやロボティクスなどの分野で広く利用されています。

自己教師あり学習 (Self-supervised Learning, SSL):
自己教師あり学習は、ラベル付けされたデータを必要とせず、未ラベルのデータから学習する手法です。データを自動的に変換して人工的なラベルを生成し、そのラベルを用いてモデルをトレーニングします。例えば、文中の単語をマスクして、その単語を予測するタスクがSSLの一例です。

モデル (Model):
モデルは、特定のタスクを実行するためにトレーニングされた機械学習アルゴリズムを指します。モデルは、データを入力として受け取り、予測や分類を行います。

トランスフォーマー (Transformer):
トランスフォーマーは、自然言語処理（NLP）や他のタスクにおいて広く使用される深層学習モデルのアーキテクチャです。自己注意機構を利用して、入力データの異なる部分間の関係を効率的に学習します。これにより、文脈を考慮した情報処理が可能になります。