人工知能・機械学習の父

最近、機械学習の勉強をするために、数多くの論文を読んでいます。それぞれの論文は１０ページほどですが、必ずそのベースには過去の研究が存在し、それを理解せずには読みこなせない、という状況がしばしば生じます。そんな時には、その論文から引用されている過去の論文を読む必要がありますが、私のようにこの世界の新参者だと、さらにそこで引用されている論文を読まなければいけなくなることもしばしばあります。

けっこう手間のかかる作業ですが、ひと昔前であれば図書館に行かなければ不可能だった作業が、ネットに接続したパソコンされあれば、どこからでも、かつ効率良くできてしまうのですから、文句を言う筋合いの話ではありません。

そうやって歴史を遡りながら勉強をしていると、一連の研究の流れ、のようなものが見えて来ます。
例えば、「写真をゴッホの作品風にする手法」のベースになった論文「A Neural Algorithm of Artistic Style（２０１５年９月）」も、そのベースには、「似たようなテキスチャーを生成する手法」を提案した論文「Texture Synthesis Using Convolutional Neural Networks（２０１５年）」がベースにあり、さらにそれが活用しているのが、画像認識のために設計された VGG-19 というニューラルネトワークなのです（論文は「Very Deep Convolutional Networks for Large-Scale Image Recognition（２０１４年）」）。

そうやってどんどん遡って行くと、今の機械学習のすべてのベースになる Perceptron という仕組みを１９５８年に発表した Frank Rosenblatt という学者にたどり着きます。
Perceptron とは、m 次元の入力ベクトル x に対して、重み付けベクトル w を掛け合わせ（dot production）、それにバイアス b を加えた値が、０以上か否かで成否を判定する、とてもシンプルな計算式です。

　f(x) = (dot(w, x) + b > 0)

ベクトルを開いて書けば、

f(x1, x2, x3, ...xm) = (w1 * x1 + w2 * x2 ... + wm * xm + b > 0)

となります。ちなみに、不等号は真（１）か偽（０）を返す計算式です。

Perceptron は、重み付けさえ変更すれば、m次空間を二つに分割するすべての線形方程式を表現できるため、正しい学習データ（入力と出力）を与えることにより重み付けを適切に変更する仕組み（学習機能）さえ作れば、常に正しい答えを出す方程式を作れてしまいます。

Rosenblatt は、Perception こそが人工知能への道だと考え、"perceptron may eventually be able to learn, make decisions, and translate languages （Perceptron はいつの日か、学習し、物事を決め、言葉を翻訳するだろう）"とまで予想しています。

ここ数年間で急速に実用化がされるようになった人工知能・機械学習の仕組みが、Perception をベースに作られていることを考えると、Rosenblatt の予想は驚くほどまでに的を射ていると言えます。
その意味では、Rosenblatt こそが「機械学習の父」と呼ぶべき人物なのだと思います。

しかし、斬新的なイノベーションがしばしばその時代に人たちに理解されないのと同じく、Perceptron も同じ目にあってしまいます。

Rosenblatt が Perceptron を発表した約１０年後の１９６９年に、Marvin Minsky と Seymour Papert が、「Perceptrons」という書物の中で、「Perceptron は線形の問題しか扱えず、かといって（非線形の問題を扱うために）複数のレイヤーにすると、学習が不可能になる」と批判したことが、それまで盛んだった Perceptron 研究に大きなダメージを与えてしまったのです。

たった一冊の書物のために、Perceptron研究への予算が大きく削られることになり、機械学習の研究は、暗黒時代に突入してしまうのです。

Perceptron をベースにした機械学習の研究が再び盛んになったのは、Paul Werbos という学者が発明した backpropagation という仕組みを使えば、複数レイヤーの Perceptron に学習させることが可能だということが一般的に知られるようになった （１３年後の）１９８２年のことです。

Perceptron、backpropagation に続く三つ目のイノベーションは、Convolution Neural Network （CNN）の機械学習への応用で、これは、１９８０年代の終わりから１９９０年代のはじめに書けて、Yann LeCun 博士を中心とした研究者たちが起こしました。

この件で面白いのは、その研究が「郵便番号の自動読取装置の開発」という非常に明確なゴールのために行われた、という点です。基礎研究というと、ニーズや実用化とは程遠いところで行われているイメージがありますが、このケースでは、明確なニーズと政府の予算がイノベーションを加速したのです。

その後、機械学習はしばらく水面下で停滞しますが、これは１９７０年代の暗黒時代とは大きく異なり、当時のコンピュータの計算能力が「文字認識」以上のこと（例えば画像認識）をするにはまったくもって不十分だったからなのです。

これは、「半導体の集積率は１８か月で２日倍となる」というムーアの法則により、９０年代後半から２０００年代に書けて CPU の能力が大幅に伸びてもまだ不十分で、GPU を使った並列演算が身近なものになった２０１０年代になって、ようやく花開いたのです。

この中でも興味深いのは、人類が文字認識に取り組んでいた１９８０年代には、人手による特徴点の抽出アルゴリズムが作られながら、それが結局は CNN による機械学習に置き換えられたたのと同じく、人類が画像認識に取り組んでいた２０００年代には人手による「画像認識アルゴリズム」が作られながら、それが結局は深層学習に置き換えられるという似たようなプロセスを経たところです。

私自身、いろいろなアルゴリズムを作って生計を立ててきたソフトウェア・エンジニアとして、この「人間が作ったアルゴリズムよりも、大量のデータを使って統計的な手法で作ったアルゴリズムの方が良い結果を出す」という話は最初、直感的には理解しづらいものでした。

しかし、画像認識や音声・言語認識のような「あいまいさ」を含んだ処理の場合、人間が良いアルゴリズムを作る際にも、結局は「パラメータの調整」などの試行錯誤が必要なのは経験則として知っていました。それであれば、最初から「試行錯誤のみでアルゴリズムを作る」前提で設計し、「いかに試行錯誤の効率を良くするか」に人間の頭を使った方が良いと考えると、昨今の機械学習のアプローチはとても納得できるものになります。