AIってなに? AIの「本質」を理解すれば恐ろしさがわかる【解説】【人工知能】【ディープラーニング】

Summary

このスクリプトは、最近注目されるAIの歴史とメカニズムについて説明しています。AIの定義と計算機、特にアラン・チューリングの貢献について触れ、人工知能の開発と3つのAIブームを追跡します。また、機械学習とニューラルネットワークの概念を紹介し、AIがデータから関数を学習し、それを用いて変換を行う仕組みを解説します。最終的に、AIの可能性とその仕組みを理解し、開発競争の重要性について述べています。

Takeaways

• 📈 AIの関心は最近急上昇し、様々なメディアで注目されています。
• 🌐 ChatGPTのような言語AIの登場が、AIに興味を持たせるきっかけとなりました。
• 🤖 AIという言葉は抽象的ですが、多くの人がその仕組みを説明できないかもしれません。
• 🧠 AIの基礎は、計算機のの発展とアラン・チューリングの研究にあります。
• 📚 チューリングマシンの理論的証明から、実用的なコンピュータの開発へ進みました。
• 💡 AIの概念が生まれたのは、1956年のダートマス大学の会議で最初使用されました。
• 🌊 AIには3つのブーム期があり、現在は第3回目のAIブームにあります。
• 📈 初期のAIは単純な対話システム但从第2回AIブームでは推論が可能なシステムが登場しました。
• 🧠 機械学習の登場により、AIは自ら学習し、より高度なタスクを遂行できるようになりました。
• 🔍 AIの学習は、入力データと出力データの関係性を学ぶことから、関数を求める作業とみなされます。
• 🌟 万能近似定理により、ニューラルネットワークは任意の連続関数を近似することができることが証明されています。

Q & A

最近のAIの注目度はどのように変化したのですか？

最近、AIに対する注目度が一気に高まっています。ChatGPTという言語AIが登場し、メディアでは様々な情報や意見が議論されています。

AIの歴史はいつから始まったとされていますか？

AIの歴史は、人類が約10万年前に生まれた時からとされています。紀元前7万年頃の遺跡からは、人類が数の概念を持っている証拠が見つかっています。

コンピュータの基礎概念を提唱した人物は誰ですか？

コンピュータの基礎概念を提唱した人物はアラン・チューリングです。1936年に発表された「チューリングマシン」の論文で、プログラムを動かすコンピューターが理論的に実現可能であることが証明されました。

チューリングテストとは何ですか？

チューリングテストは、機械が思考していると判別できるかどうかのテストです。人間と機械を文字だけで対話させて、相手が人間なのか機械なのかが判別できなければ、それは機械が思考していると言っていいという考え方です。

人工知能という言葉が初めて使用されたのはどこの会議で、いつですか？

人工知能という言葉が初めて使用されたのは、1956年にアメリカのダートマス大学で開催された会議です。

AIの3回のブームは何年代に起こりましたか？

AIの3回のブームは、第1次AIブームが1950年代後半から60年代、第2次AIブームが1980年代、第3次AIブームが2000年代から現在に至るまでとされています。

機械学習とは何ですか？

機械学習は、AIが自分で学習することができるようにする技術です。AIに必要な教材を与え、それをもとにAI自身が読み込んで学習します。これにより、AIは人間から直接指導される必要がなくなり、より効率的に学習することができます。

線形回帰とは何ですか？

線形回帰は、データから最もよく表現できる直線を求めるための手法です。データの関係性を表す直線の方程式を求め、その直線の傾きと切片を求めることによって、データの性質を理解することができます。

人工ニューロンとは何ですか？

人工ニューロンは、人間の脳のニューロンの機能を単純化して数式に表したものです。ニューロンは樹状突起から情報を受取り、シナプスを通して他のニューロンに伝達します。この性質を数式で表現し、人工ニューロンを作成することで、複雑な情報処理を行うことができます。

ニューラルネットワークモデルとは何ですか？

ニューラルネットワークモデルは、人工ニューロンが網目のようにつながり合う構造で構成されたものです。入力層、隠れ層、出力層という複数の層から成り立っており、データの変換関数を表現することができます。

万能近似定理とは何ですか？

万能近似定理は、中間層が一層以上のニューラルネットワークが任意の連続関数を任意の精度で近似できることが証明されている定理です。これは、ニューラルネットワークが非常に強力で汎用性の高い表現力を持っていることを示しています。

Outlines

00:00

🤖 AIとは何か？

この段落では、AI（人工知能）の概念とその歴史について説明されています。最近、AIに対する人々の関心が高まり、ChatGPTのような言語AIが登場し、メディアで様々なAIに関する情報や規制の議論が始まりました。AIという言葉は抽象的ですが、多くの人がその仕組みを説明できないという問題があります。この動画では、AIが何であるか、どのように機能するかについて深く解説する予定です。また、AIの単語が生まれるまでの歴史を辿ります。人類は約10万年前に誕生し、数学の歴史も長いです。計算という概念が生まれ、未来予知が可能となりました。計算機が発明され、1936年にアラン・チューリングが「チューリングマシン」の論文を発表しました。この後、コンピューターが理論的に可能であることが証明され、AIという概念が生まれました。

05:04

🚀 AIの発展と3回のブーム

この段落では、AIの発展と3回のブームについて説明されています。第1回AIブームでは、簡単な対話システムが登場しましたが、本格的に役立つAIはまだ登場していませんでした。第2回AIブームでは、一定の推論が可能なシステムが登場しましたが、学習を行うことができなかったため、限界がありました。第3回AIブームでは、機械学習という強力な手段が登場し、AIは自分で学習することができるようになりました。この時代のAIは、機械学習を基盤として構築されています。

10:12

📈 機械学習とデータの扱い

この段落では、機械学習とデータの扱いについて説明されています。AIがやっていることは、あるデータを別のデータに変換することです。この変換を行う関数を求めることを学習と呼び、求められた関数をAIと呼びます。ここでは、身長から体重を予測するAIの例を使用して、データを数値に変換し、その関係性を学習する方法について説明されています。身長と体重のデータから直線を引くことで、その関係性を表現し、体重を予測するAIを構築することができました。

15:16

🧠 ニューラルネットワークと人工ニューロン

この段落では、ニューラルネットワークと人工ニューロンについて説明されています。人間の脳みそは、ニューロンという細胞で構成されており、複雑な情報処理を行っています。AI研究者は、脳みその仕組みをAIの関数に応用することにしました。人工ニューロンは、樹状突起、シナプス、活性化関数など、脳細胞の機能を単純化して数式に表したものです。これらの人工ニューロンをつなげることで、ニューラルネットワークモデルが構築され、複雑なデータの表現が可能になります。

20:21

🌐 ニューラルネットワークの可能性

この段落では、ニューラルネットワークの可能性について説明されています。万能近似定理によれば、中間層があるニューラルネットワークは任意の連続関数を近似できます。これは、ニューラルネットワークが非常に強力で汎用性の高い表現力を持っていることを意味しています。AIは、多数のデータからパターンを発見し、それを表現する関数を求めることを目指しています。ニューラルネットワークは、その関数の表現方法として、人工ニューロンを用いて構築されています。

Keywords

💡AI

AIとは、人工知能の略称で、コンピュータシステムが人間の知的活動（思考、理解、判断、学習など）を模倣すること。本视频中では、AIの歴史、発展、そして現代におけるAI技術の進歩について解説している。

💡機械学習

機械学習は、AIが数据からパターンを学び、自己の性能を向上させる方法である。本视频中では、機械学習がAIの発展にどのように貢献しているかを説明し、AIが数据から学び、より正確な予測を行うことができる理由を解説している。

💡ニューラルネットワーク

ニューラルネットワークは、脳のニューロンのように機能するAIのモデルであり、複雑なデータの処理や学습を行うことができる。本视频中では、ニューラルネットワークがどのように数据のパターンを捉え、AIの性能を向上させるかを説明している。

💡チューリングテスト

チューリングテストは、コンピュータが人間に騙されることができるかどうかを判断するテストであり、AIの知能の基準となる。本视频中では、チューリングテストがAIの発展の過程で果たした役割について触れている。

💡データ

データは、AIが学びを行うための基本的な要素であり、数字やテキスト、画像などの情報を含む。本视频中では、データがAIの学習と予測能力にどのように影響を与えるかを説明している。

💡アルゴリズム

アルゴリズムは、特定の問題を解決するための一連の手続きや規則を指す。AIにおいては、アルゴリズムがどのように動作するかが重要な役割を果たし、問題解決や学習の基盤を提供する。

💡人工ニューロン

人工ニューロンは、脳のニューロンの機能を模倣したAIの基本的な構成元素であり、情報の処理や学習を行うために使用される。本视频中では、人工ニューロンがどのようにデータの処理やAIの学習に関与するかを解説している。

💡重みとバイアス

重みとバイアスは、ニューラルネットワークにおいて、データの処理や学習において重要なパラメーターであり、モデルの出力を調整するために使用される。本视频中では、重みとバイアスがAIの学習プロセスにどのように影響を与えるかを説明している。

💡万能近似定理

万能近似定理は、ニューラルネットワークが任意の連続関数を近似することができるという理論であり、AIの表現力や柔軟性を証明する重要な定理である。本视频中では、万能近似定理がAI技術の可能性を広げる役割を果たしていることを説明している。

💡Deep Learning

Deep Learningは、ニューラルネットワークをより深く構築することで、より複雑なデータパターンを学ぶ技術であり、AIの発展において重要な一歩を表す。本视频中では、Deep LearningがAI技術の進化にどのように貢献しているかを説明している。

💡AIブーム

AIブームとは、AI技術の発展が一時的に加速し、その技術に関連する投資や研究が集中する時期を指す。本视频中では、AIの歴史的な発展において3回のブームが存在し、それぞれのブームがAI技術の進歩にどのように寄与したかを解説している。

Highlights

AI技术的关注在近几个月急剧增加，特别是随着ChatGPT等语言AI的出现。

媒体开始以某种感性的方式发布关于AI的各种信息，有些甚至讨论到AI的规制和对人类可能造成的威胁。

AI这个词汇本身就比较抽象，许多人可能无法解释它的含义。

人类的历史可以看作是数学的历史，数学对于人类文明的发展至关重要。

1936年，艾伦·图灵提出了现代计算机的基础概念，即图灵机。

图灵机证明了可以执行算法的机器，即可以运行程序的计算机，在理论上是可能的。

冯·诺依曼型计算机是基于图灵机的实际实现，现代大多数计算机都是冯·诺依曼型。

计算机作为计算工具，比人类用纸笔进行计算要快得多，因此成为了非常便捷的工具。

世界上第一台计算机ENIAC是为了计算大炮的弹道而由美国陆军制造的。

艾伦·图灵在1940年代就开始研究如何让机器拥有智能，提出了著名的图灵测试。

1956年，人工智能(AI)这个词汇在达特茅斯会议上首次被使用，AI的概念开始在世界范围内传播。

AI经历了三次发展热潮，目前正处于第三次AI热潮中，以机器学习为主要特征。

机器学习使得AI能够自我学习，不再需要人类逐一输入规则进行强化。

AI的学习可以看作是从输入数据到输出数据的转换过程，例如从问题文本到回答文本的转换。

通过线性回归方法，可以从数据集中学习到一个表示身长和体重关系的直线方程。

学习到的模型可以用来预测新的数据，例如根据身长预测体重。

增加更多的特征（解释变量）可以提高预测的精度，数据可以在更高维度的空间中表示。

函数的概念早在18世纪就已经形成，但是AI的出现在那个时代并没有实现，因为找到这些函数非常困难。

人类经常模仿自然界中的生物来创造新的东西，AI研究者也尝试模仿人脑的神经元结构来构建AI模型。

人工神经元是大脑神经元功能的简化和数学化，通过权重和偏置来模拟信号的传递。

通过将人工神经元相互连接，形成神经网络模型，可以构建复杂的数据处理系统。

深度神经网络通过增加层数和神经元的连接，可以处理更加复杂的数据和模式。

万能近似定理表明，具有至少一个隐藏层的神经网络可以近似任何连续函数，显示了神经网络的巨大潜力。

AI的可能性非常广泛，从文本生成到图像识别，音乐创作等，理论上任何数据转换任务都可以实现。

Transcripts

今回はAIって何?というタイトルで解説をしていきたいと思います

ここ数ヶ月、世間のAIに対する関心は一気に高まってきてますよね

一つのきっかけともいえるChatGPTという言語AIが登場し

メディアではある種センセーショナルに AIについての様々な情報を出し始め

ものによってはAIを規制しろだの 法律がどうだの このままだと人類は滅亡するだの 混乱を極めております

皆さんはAIって何?と聞かれて どう回答をしますでしょうか

AIという言葉自体が若干抽象的ですが それをさておいたとしても 説明できないという方は多いのではないでしょうか

ということでこの動画では AIについて騒ぐ前に

まずAIって一体何なのか どういう仕組みなのかについて ちょっとだけ深めに解説していきたいと思います

今後ChatGPTなどの仕組みについても解説したいと思うので チャンネル登録お願いします

まずはこのAIという単語が生まれるまでの歴史を見ていきましょう

我々人類ホモサピエンスは大体10万年くらい前に生まれたということらしいんですが

紀元前7万年頃の遺跡から 既に人類が数の概念を持っていたという証拠が見つかっているらしいです

そう考えると人類の歴史というのは 数学の歴史ということもできます

その後長い歴史の中で数という概念から 計算という概念が生まれました

計算ができるということは 未来予知ができるといっても過言ではありません

「あとどれくらい食料を取ってくればいいのか」 「あとどれくらい歩けば仲間のところに行けるのか」

「あとどれくらい立てば日が沈むのか」 これらは計算をすれば予測することができます

結果を目の当たりにする前に結果がわかるわけです つまり未来予知です

人間が人間的な生活ができるのは 数学のおかげといっても過言ではないわけです

そんな便利な数学をより便利な道具として使うために 計算機という道具が生み出されていくことになります

1936年に天才数学者アラン・チューリングが 現代のコンピュータの基礎概念となる論文を発表しました

数学的なアルゴリズムを実行することができる 機械についての論文で「チューリングマシン」と呼ばれています

アルゴリズムを実行できる機械 つまりプログラムを動かすコンピューターが

理論的に実現可能であるということが ここで証明されました

ただしあくまでこの段階では概念の段階です

まだそんなマシンが本当に作れるのかどうか そんなことは分かりませんでした

その後こちらも天才数学者であるジョン・フォン・ノイマンによって チューリングマシンが実際に作り出されました

これはノイマン型コンピューターと呼ばれていて 今現在世界に出回っているコンピューター

ほぼ全て WindowsパソコンやMacBook iPhoneに至るまで 全てがノイマン型コンピューターです

コンピューターつまり計算機は人間が紙と鉛筆を使って計算するよりも

圧倒的な速さで計算をすることができるので

とても便利な道具として広まっていくことになります

世界最初のコンピューターとされるENIACは アメリカ陸軍によって大砲の弾道計算をするために生み出されています

このようにもっぱら数学的な計算を解くためだけの機械として 生み出されたコンピューターでしたが

コンピューターの基礎を作った当事者であるチューリングは

1940年代には機械に知性を持たせられるかということについて研究をしてました

ただしそもそも知性とは何か 心とは何か 思考するとはどういうことなのかという

哲学的な問いには答えが出ていなかったので 思考とは何かというのは一旦置いておいて

人間と人間もしくは機械のどちらかを文字だけで対話させて 相手が人間なのか機械なのかが判別できなければ

それは機械が思考していると言っていいだろうとするチューリングテストを考案しています

その後1956年にアメリカのダートマス大学で開催された会議の中で

機械が持つ知性を表す言葉として

人工知能”Artificial intelligence”という単語が初めて使用され AIという概念が世界に浸透していくことになります

ちなみにちょっと話がそれますが コンピューターそしてAIの基礎概念を作り上げた天才数学者

アラン・チューリングの伝記映画がベネディクト・カンバーバッチ主演で

「イミテーションゲーム」というタイトルで 公開されておりますので興味があれば見てみてください

アラン・チューリングは第2次世界大戦中ドイツ軍が作った 暗号装置エニグマを解読したことでも有名で

この映画ではエニグマを中心に変わり者と呼ばれた チューリングの人生を描いた素晴らしい映画です

概要欄にリンクを貼っておきます

1956年にAIという単語が生まれてから様々な試みがされてきました 実はAIはこれまでに3回ブームが訪れているとされていて

1950年代後半から60年代が第1次AIブーム 1980年代が第2次AIブーム

2000年代から現在に至るまでが第3次AIブームとされています

第1次AIブームではごくごく簡単な対話システムが

第2次AIブームでは人間が登録したルールをもとにある程度の推論を行うことができる

システムなどが登場しましたが本当の意味で役に立つAIはまだ登場しませんでした

またどちらのAIも大きな欠点を抱えていました

学習を行うことができなかったんです

AIに対して人間のプログラマーがルールを一つ一つ入力していくという手作業を行って

AIを強化していくことしかできませんでした

それには限界があります

またルールとして登録されていないことには 一切対応ができないので使いづらく柔軟性にかけたものでした

ちょっと語弊があるかもしれないですがわかりやすく言うと

AIが学生 人間がその学生につきっきりで指導する 家庭教師のような関係と言ってもいいかもしれません

たとえAIが疲れ知らずで知識を無限に吸収するとしても教える側の人間の方に限界があります

そして2000年代に入り第3次AIブームと 呼ばれる現代になって

機械学習と呼ばれる強力な手段が 台頭しました

今AIという言葉が指すものはほぼ全てが機械学習です

機械学習という方法のおかげで

AIは自分で学習することができるようになりました

こちらもAIを学生と例えるなら 人間はつきっきりで指導する必要はなく

必要な教材を AIに渡してそれをもとに AI側で読み込んで学習してもらうというイメージです

人間がつきっきりでいる必要がなくなったので AIの能力を最大限生かして学習を行えるようになりました

では 学習って何でしょうか人間であるあなたは今まで学習したことがありますか

AIでいうところの学習とはどういうことなのでしょうか

AIがやっていることを超ざっくりとした図にするとこういうことになります

人間がAIに解いてほしい情報を数値データとして用意し

AIが処理そして結果の数値データが得られるというものです これはどんなAIだってそうです

今流行りのチャットGPTなど会話をするようなものであれば

質問文のテキストが入力データ その回答テキストが出力データになりますし

文章を元にお絵かきをするというものであれば 入力データは文章出力データは画像データということです

あるデータをあるデータに変換する変換装置 それがAIだと言っていいでしょう

では最もシンプルな機械学習AIを実際に作ってみることにしましょう

今回作るAIは身長から体重を予測するAIです

つまりとある人の身長を入力したら体重がどのくらいなのかを出力するというAIです

そのようなAIを作るためにはまず AIに対して身長と体重の関係を学習してもらう必要があります

ではまず学習の教材になる情報を用意しましょう 100人分の身長体重のデータを用意しました

とりあえずこのデータをAIに学習してもらうための教材ということにしましょう

この情報をグラフにするとこんな感じになります 横軸が身長縦軸が体重です

このデータを眺めるとわかると思いますが身長と体重には何らかの関係性がありそうですよね

この関係を表すような直線が一本引けそうな気がしませんか

こんな感じの直線が引けそうです

この直線くらいなら人間の目分量というか だいたいこんな感じと適当に引くこともできそうなんですが

計算によって最もこのデータとの誤差が少ない

つまり最もこのデータを表現することができる直線の式を求めることができます

実はこのようなデータの集まりからそれを最もよく表現できるような直線を引くこと

これをAIの世界では学習と呼んでいます

つまりこれでAIが完成しました

それだけのことなのと思うかもしれませんが基本はこれです 直線を表す方程式は

y=ax+b だと学校で習ったことがある方は多いかと思います

つまり傾きと切片が分かれば書くことができるので 学習というのは傾きと切片を求めることということもできます

この図で描いている直線は線形回帰というやり方で求めたものです

傾きのことを重み 切片のことをバイアスとも呼ぶので方程式は

y= wx +b と書くこともあります さて今回の例では計算の結果から y =1.16 x -132.26という直線が求められました

この直線が AI です

さて出来上がった AIに働いてもらいましょう

では身長を170センチの人の体重がどのくらいなのか

AI に予測してもらいます

x に170を入れます y=64.94となります つまり64.94キログラムが AI による予測結果です

やっていることは小学校レベルの計算なので拍子抜けするかもしれないですが

ちゃんと 身長から体重を予測する AI ができています

もちろんここで作った AIはあまりにもシンプルなので 大して役に立つようなものではありません

そもそも体重という要素身長という一つの要素だけで予測しようとしているのは無理が

ありますよねもっといろいろな要素が関係してくるはずです 先ほどの話でいう予測したいもの

つまり体重は目的変数と呼び目的変数を説明するためのもの

つまり身長は説明変数と呼びますさっきの例だと目的変数一つに対して説明変数が

一つなので二次元空間でデータを示すことができてそのデータの性質を表す

一次元の直線を引くことができました説明変数の数を増やせば予測精度が上がる

ということがイメージできそうです 例えばウエストサイズとか性別とか年齢とか体脂肪率とかの情報があれば予測の精度は

上がることがイメージできますよね 説明変数を加えていくとデータの次元が上がっていきます

例えば説明変数にウエストサイズという要素を加えるとこのデータは

三次元空間に表すことができデータの性質を表す二次元の平面を引くことができます

説明変数をさらにさらに増やすとデータは多次元の超空間で示すことができ

そのデータの性質を表す超平面を引くことができます 別に求めるものは直線や平面など線形なものである必要はありません

非線形なものを求めることもできます あるデータをあるデータに変換するものを関数と呼んでいます

y =f(x) という表記はどこかで見たことがある人も多いかと思いますが この関数 f を求める作業を AI の世界では学習と呼んでいます

で求められた関数 f を AI と呼んでいます若干話がややこしくなってきましたが

本質的には先ほどの二次元平面に直線を引くことと変わっていません

先ほど AI がやっていることはあるデータをあるデータに変換することであり 学習とはその変換を行う関数を求めることだとお話ししました

こうまとめると話はシンプルなんですが実際問題その関数をどうやって見つけるのかと

その関数はどういう数式になるのかそこが難しいわけです

関数の考え方なんか1700年代ぐらいにはもう出来上がっていました

じゃあなんで1700年代に

AIが登場しなかったのかといえばその関数を求めるのが難しすぎたからです

ちょっとだけ話が変わりますが人間が何かものづくりをするときに 自然界にいる生き物を参考にすることがよくあります

蜂の巣の六角形が並んだような構造は

軽い上に強度が高いという優れた性質を持っていることがわかったのでそれを真似した

ハニカム構造というのがいろんなところで使われていたりしますし

マジックテープの構造は服にくっついている

こんな実の構造をもとにしたと言われています

新幹線の先端の構造はカワセミのくちばしの構造をもとに設計されていたりします

生き物というのはある意味地球に生命が誕生してから30億年くらい時間をかけて設計された

成果物ですので人間がちょこっと時間をかけて考えたものよりもよっぽど

洗練されたものに仕上がっています 関数に関してもそれは同じでした地球上で最も高度な計算ができるもの

それは人の脳みそです人の脳はニューロンという細胞が大量に集まって出来上がっています

ニューロンは特殊な構造をしており

樹状突起というたくさん伸びた手のようなものから情報を受け取り

軸索という長いところを通って軸索の末端で別のニューロンにまた情報を渡します

別のニューロンとつながっている部分をシナプスと呼び

ニューロンからニューロンへの信号伝達の効率はニューロンごとにバラバラです

人間の脳は1000億個ものニューロンでできていると言われており

ニューロン同士の接続パターンやシナプスの微妙な状態変化によって

ものを考えたり記憶したりという能力が実現されていると言われています

一つ一つは単純な機能しか持っていないニューロンですがそれらが多数集まることで

驚くほど複雑な情報処理ができるわけです

ということでこのニューロンを関数にしてしまおうという考え方

人工ニューロンが生まれました

脳みそは地球の長い歴史が生み出した驚くほど複雑な情報処理をする装置です

AI の研究者はそんな脳みその仕組みをAIの関数に応用することにしました

ニューロンはたくさん伸びている樹状突起から情報を受け取りそれをシナプスを通して

他のニューロンに伝達します伝達にはシナプスごとにバリエーションがあります

そんなニューロンの性質を数式で単純化して表すことにしました

これを人工ニューロンと呼びます

ネーミングはそのまんまですよね

左側の多数の丸はまさに樹状突起 情報を受け取る場所です

そしてその情報が集められて処理され右側の丸に送られます

これはまさにシナプスです

この四角で表している処理の部分をもう少し細かくするとこんな感じです

樹状突起から受け取った情報はそれぞれにバリエーションを持たせるために 重みとなる係数 w をかけて加え

バイアス項 b を加えたものを活性化関数φ を通すことで信号の流れ方を再現します

この図では入力データは x 1から x3までの3つありますが

別にいくらでもあってよくて m 項あったとするとこのようになります

非常にややこしい数式のように見えますが

樹状突起の本数が1本 つまり m イコール1だと考えると数式はこうなります

だいぶシンプルですよね

活性化関数ファイは信号を出すか出さないか決める関数なので

次のようなイメージで簡略化できます 活性化関数はいろんな種類がありますが最もメジャーな

ReLUという関数を考えたとするとこのようになります どうでしょうか 結構シンプルな構造ですよね

今後人工ニューロンの図の四角の部分を省略してこの

ように書き表しますこんな感じで脳細胞である ニューロンを単純化して数式にすることができました

ここからはこの人工ニューロンをつなげていくことをイメージしましょう

脳みそを作り上げている細胞ニューロンの機能を単純化して数式にしたもの 人工ニューロンと呼ぶというところまでお話ししました

ではこの人工ニューロン同士をつなげていくことをイメージします

ある入力データを別々の2つの人工ニューロンに入力するの図にするとこういう感じになります

この図では x 1から x 3という3つの数値を2つの人工ニューロンに入力し それぞれ y 1 y 2という出力結果を得るという図です

そしてさらにその出力データを

別の人工ニューロンの入力データにする形でつなぎ合わせるとこういう感じになります

ある人工ニューロンの結果を別の人工ニューロンに入れて出てきた結果が

y 1というようなイメージですよねまあやってることとしては 関数の中に関数を入れているようなイメージ

数学でいうところの合成関数を図に

したようなものです

このようにニューロンが網目のようにつながり合うようにして構成したもの

ニューラルネットワークモデルと呼びます

ちなみに一番左の部分が入力データを表しているので入力層

一番右が最終的な出力データを表しているので

出力層と呼ばれその間にいるのは中間層 もしくは隠れ層と呼ばれます

それぞれの層に何個ニューロンを用意するかは好きに決められ

ます 一般化して書くとこんな感じですね

こうなると確かに網目のようなネットワークになっている

ように見えます

さらにこの中間層をさらに増やし ニューロンのつながりをどんどん深くしていったものも考えることができこれを

ディープニューラルネットワークと呼びます 層の構造を深くしていくことによってニューラルネットワークはより複雑性を増します

もう一度同じことを言いますがこのニューラルネットワークは

入力層に入ってきた あるデータを出力層であるデータに変換する関数ですこの関数はたくさんの

重みやバイアスというパラメータでできておりそのパラメータを見つけることを学習と 言います

これまでで AI のうちの一つ機械学習というのは多数のデータからあるパターンを見つける

すなわちそのデータを表現できる関数を求めることだとお話ししてきました

その関数の表現方法として人間の神経細胞からヒントを得た ニューラルネットワークというものがあるということでした

このニューラルネットワークはどれほどの

ポテンシャルを秘めているかを示すものの一つに 万能近似定理というものがあります この万能近似定理では

中間層一層以上のニューラルネットワークは任意の連続関数を任意の精度で近似できる

ということが証明されています言い方を変えるとどんな関数であってもそれを表現する

ニューラルネットワークモデルを作ることが理論的に可能だということなんですね

さらに砕けて言うとどんな関数でもニューラルネットワークで再現できるということになります

つまり例えて言うのであれば命令文を打ち込むだけでプロのような小説を書いたり 絵を書いたり音楽を作ったり

映画を作ったりまたは画像を入力するだけでその内容を

言い当てたりより良いものを作ったりそれを動画にしたり

プロフィールを入れるだけで性格や寿命年収を予測したり

脳波を入力するだけで何を

想像しているかを具体化したりという

あるデータを入力すればあるデータを出力する という関数はどんなものでも実現可能であるということを意味しています

ただし有限で現実的な次元数で実現できるのかとかそれらのパラメーターを求める 現実的な手段があるのかというのは別問題です

あくまでこれはニューラルネットワークが極めて強力で汎用性の高い 表現力を持っているということを裏付ける定理というようなイメージです

でも逆に言うとこの定理が裏付けになっているからこそ

皆がニューラルネットワークの 可能性を信じしのぎを削って AI の開発競争をしているとも言えます

ということで AI が何をやっているのかということをざっくりと解説してみました

この動画を見る前と見た後で AI に対する見方の解像度がだいぶ変わった方もいるん

じゃないかなと思っています

AI に可能性を感じている人も逆によく思ってないという人も まずは AI の仕組みを理解することが大事だと思うので

この動画を作成しました

どうでしょうかコメントなどで意見とか感想とか いろいろいただけると嬉しいです

AI って何かねインパクトがある単語なのでちょっとね単語

だけ一人歩きしているような雰囲気なんですよね というふうに思うのであえてね今回はインパクトを重視しないような感じで作ってみました

次回はニューラルネットワークとディープラーニングについてさらにお話ししていきたいと 思いますこのチャンネルでは映画の解説

考察レビューや映像技術の解説ガジェットレビューと自作 pc の話などをしていきますので登録お願いします それでは次回でお会いしましょう

ご視聴ありがとうございました