シンギュラリティとは、AIが人間の知能を凌駕し、AI自身がAIを進化させ続け人間社会に莫大な影響を及ぼす未来の時点です。
技術的特異点とも呼ばれます。発明家のレイ・カーツワイルが2045年頃にシンギュラリティが到来すると予言したことにより注目を集めるようになりました。レイ・カーツワイルによって人間の知性は人工知能と融和すると語られていますが、AIに意思や目的はなく、あくまで人間を補助するものだという批判もあります。
クイズ
特徴量設計
特徴量設計とは、データが持つ特徴をコンピュータが理解できるように数値化することです。人工知能の歴史において、従来は人間が特徴量設計を行っていました。
これはコンビニの売上データ等であれば容易に可能ですが、画像データ等では非常に困難な作業になります。ディープラーニングの登場によって、人工知能が学習データの特徴量を自動で学習することが可能となりました。
クイズ
以下の文章を読み、空欄（ア）に最もよく当てはまる選択肢を1つ選べ。
（ア）をどのようにして行うかは機械学習上の難問であり、モデルの性能に大きく影響する。
（参考: JDLA推薦図書「人工知能は人間を超えるか」 P144 – 148」）
aaaabbbbb
aaa
- Check Answer
- ExplanationFeature Engineering（特徴量設計）は機械学習での難問の一つです。ディープラーニングでは特徴量を機械学習自身に発見させる特徴表現学習が行われます。
身体性
身体性とは、物理的な身体を持つことが認知機能に及ぼす影響、及びそれを扱った議論のことです。
物理的な身体を持ち、環境と相互作用することで様々な知覚を得ることができます。シンボルグラウンディング問題を克服したり、AIが人間のような「知能」を身に着けるためにはこの身体性が不可欠であるとされています。
クイズ
以下の文章を読み、空欄（ア）~（イ）に最もよく当てはまる選択肢を1つ選べ。
人間は体があるからこそ物事を認知したり、思考したりできるという、（ア）に基づく考えでは、人間は知覚した膨大な情報と記号を対応づけして世界を認識するとされている。これを（イ）という。
- Check Answer
- Explanation「外界と相互作用できる身体がないと、概念はとらえきれない」という考えを身体性のアプローチと言います。意味と記号を結びつけることをシンボルグラウンドと言います。身体性アプローチでは身体を通して得た感覚と記号をシンボルグラウディングして世界を認識するとされています。
（参考: G検定公式テキスト 第2版 第3章 3-1 P98-100)
（参考：G検定公式テキスト 第1版 P75-76）
シンボルグラウンディング問題
シンボルグラウンディング問題とは、AIはシンボル（記号）が実世界とどのように結びついているかを認識できないという問題です。
例えば、人間であれば「シマウマ」という単語を与えられれば実際にシマウマを見たことがなくとも縞模様のある馬ではないかといった推測を行うことができます。しかし、AIにとって「シマウマ」とはただの文字列に過ぎず人間が当たり前のように行う思考はできません。AIは物事や文脈の本質を理解していないことを示す事例として有名です。
クイズ
以下の文章を読み，空欄（ア）に最もよく当てはまる選択肢を1つ選べ．
第二次AIブームでは，どのようにして機械に知識を与えるかが大きなテーマであった．例えば，言葉同士の意味関係を定義する意味ネットワークを機械に与えることが提案されたが，必ずしも現実の概念との関連を理解できるかわからない（ア）という課題がある．
強い AI と弱いAI
強いAIとは人間のような自意識や知能を持ち高度な判断を行うことが可能なAIであり、弱いAIとは知能を持たず特定の分野の問題のみを解決することが可能なAIのことを指します。
強いAIは未だ実現しておらず、フィクションの世界にしか存在していません。弱いAIとしてはチェスに特化したディープ・ブルーのようなAIや自然言語処理に特化したSiri等が該当します。「意識」や「知能」の定義が人によって異なるため、そもそも強いAIは実現可能なのか等議論の対象となることが多い概念です。
クイズ
以下の文章を読み，空欄(ア)~(イ)の組み合わせに最もよく当てはまる選択肢を1つ選べ．
（ア）と（イ）はアメリカの哲学者ジョン・サールが作った言葉である．（ア）は，正しい入力と出力を備え，適切にプログラムされたコンピュータは，人間が心を持つのとまったく同じ意味で心を持つと立場をとる．一方，（イ）は，心を持つ必要はなく，限定された知能によって，一見知的な問題解決が行えればよいとする立場をとる．ジョン・サール自身は，（イ）は実現可能でも（ア）は実現不可能だと主張した．
チューリングテスト
チューリングテストとは、人工知能が人間のように振る舞えるかを判別するテストです。
まず、人間の審査員がコンピュータのチャット等を通じて一人の人間及び人工知能と会話をします。会話終了後に審査員がどちらが人工知能であったかを回答します。このテストを複数の審査員で行い、人間と人工知能の区別がついていなければ合格となります。2014年、ロシアの人工知能である「Eugene Goostman」が30%以上の審査員に人間であると認識され史上初めてのチューリングテストの合格者となりました。
クイズ
以下の文章を読み、空欄（ア）に最もよく当てはまる選択肢を1つ選べ。
「機械が人間的であるか」どうかを判定するためのテストとして（ア）がある。被験者には対話相手が機械か人間かは伏せられた状態で対話をしてもらう。対話後、機械と人間の区別ができなかった場合、機械は（ア）に合格したことになる。
フレーム問題
フレーム問題とは、人工知能は有限の処理能力しか持たないため、現実で起こりうる無数の出来事に対処できないという問題のことです。
例えば、人工知能を搭載したロボットに倉庫から荷物を取ってくることを命令する場合を考えます。しかし実は荷物の上に爆弾が存在し、気づかずに荷物を持ってきたロボットは爆発してしまいました。そこで副次的に思考をするロボットを開発し、同じ命令をしました。ロボットは「荷物の上の爆弾は降ろした方がいいのか？」「倉庫の天井が崩れてこないか？」「荷物の前に落とし穴がないか？」等無限に副次的な思考をし、動作を停止してしまいました。目的と無関係な事項は考えない人工知能を作ろうにも、目的と無関係な事項を洗い出す時点で無限の思考が必要になります。実は人間もこのフレーム問題を解決している訳ではなく、疑似的に解決しているように見えるだけなのです。
クイズ
以下の文章を読み、空欄（ア）に最もよく当てはまる選択肢を1つ選べ。
第2次AIブームでは人工知能の実世界への適用も進んだが、それに応じて問題点も多く指摘された。これに関して、有限の処理能力しか持たないロボットが現実世界でタスクを処理するとき､それに伴い発生するどのような出来事は思考すべきで､どのような出来事は無視するかといったことに起因する問題を指摘した(ア)が有名である。
- Check Answer
- Explanationフレーム問題は、言い換えると今しようとしていることに関係のあることがらだけを選び出すのが実は非常に難しい、ということを指します。人間の思考能力もこの問題を本質的に解決しているわけではありません。
（参考: G検定公式テキスト 第2版 第3章 3-1 P91）
（参考: G検定公式テキスト 第1版 P67 知識表現）
トイ・プロブレム
トイ・プロブレムとは迷路やオセロといったルールと目的が完全に定まっているような問題のことです。
1950年代に発生した第一次AIブームでは、当時のAIがトイ・プロブレムのような簡単な問題しか解けず、現実世界の複雑な問題に対して無力であることが明らかになりました。そして、次第に第一次AIブームは終焉しました。このような経緯からトイ・プロブレムは「AIはおもちゃのような問題しか解けない」という意味で用いられることもあります。
クイズ
第一次ＡＩブームは特定の問題に対しては有用でも複雑な現実社会の課題を解くことはできないことが判明し終息した．迷路，オセロ，チェス，将棋，これらのルールが決まりきっている問題に関して，何と呼ばれるか最も適切な選択肢を１つ選べ．
特徴表現学習
特徴表現学習とは、本来人の手で見つけ出すのが難しい特徴量を機械学習自身に発見させるアプローチです。
また、この「特徴表現学習」を行う機械学習アルゴリズムの１つをディープラーニング（深層学習）といいます。
クイズ
以下の文章を読み、空欄（ア）に最もよく当てはまる選択肢を1つ選べ。
（ア）をどのようにして行うかは機械学習上の難問であり、モデルの性能に大きく影響する。
（参考: JDLA推薦図書「人工知能は人間を超えるか」 P144 – 148」）
aaaabbbbb
aaa
- Check Answer
- ExplanationFeature Engineering（特徴量設計）は機械学習での難問の一つです。ディープラーニングでは特徴量を機械学習自身に発見させる特徴表現学習が行われます。
統計学的機械翻訳
ここ20年でのインターネットウェブページの爆発的増加は自然言語処理を利用したウェブページ上の文字を扱う研究を加速し、その結果自然言語処理と呼ばれる分野の研究が急速に進展しました。
クイズ
以下の文章を読み、空欄（ア）に最もよく当てはまる選択肢を1つ選べ。
機械翻訳研究当初、生成される訳は間違いを多く含み、現実世界での使用に耐えうるものではなかった。翻訳に登録されたルールでは対応不可能な文章にも適用可能な手法として、1990年代以降、大量の対訳データ「コーパス」を統計モデルで学習させ、ルールの重要度を推定する(ア)と呼ばれる手法が用いられた。