機械翻訳その他の歴史年表
Historical timeline of machine translation and others, （西島 2019: 49を元に加筆）
解説：池田光穂
人工知能（AI）とは、一般的には、(1)人間の知性・知能を計算機によって作り出すこと、(2)作り出され た〈実体〉、あるいは、(3)このことに関 する学問分野や実践、さらには欲望など、を指す複雑な言葉である、といえる。しかし計算科学を専門とする人ならば、人工知能とは、連合学習 （Federated learning）を機械におこなわせることだ、と端的的に定義するだろう。俗にいう人工知能（artificial intelligence）とは、コンピュータ科学が定義する、「機械学習」＋ 「デープラーニング」＋「連合学習＝フェデレーティッド・ラーニング」の３つの様態の人工的な学習プロセスのことであり、これは有機体としての人間がおこ なっている「人間学習（human learning）」とは根本的異なっている代物である。その意味で、人間学習は、非＝人工知能学習のことであり、人工知能がシリコンチップによる無機学 習だとすれば、有機学習であるとも言える。英 語のウィキペディアはそのことを正しく定義している；"Artificial intelligence (AI) is intelligence demonstrated by machines, as opposed to the natural intelligence displayed by humans or animals."（人工知能（AI）とは、人間や動物が示す自然な知能とは異なり、機械が示す知能のことである）（→「人工知能の定義をめぐる支離滅裂さ」）
ここで言う知性・知能とは、単に計算能力だけでなく、推論や学習などの高度の知的能力（それゆえ インテリジェンスの語がつく）のことである。この知的能力の様式をもった［あるいは類似の］活動が計算機＝コンピュータにある時［あるいは、あるように思 える時］、技術者は人工知能（AI）を使っていると表現する。「コンピュータ、自然言語処理、ニューラルネットワーク、計算理論、抽象化と創造力」に関する研究領域ジャンルの登場である。ダートマス会議（Dartmouth Conference, 1956）では、１）「学習のあらゆる観点や知能の他の機能を正確に説明することで機械がそれらをシミュレートできるようにするための基本的研究」の上に 立っていて、２）機械が言語を使うことができるようにする方法の探究、３）機械上での抽象化と概念の形成、４）今は人間にしか解けない問題を機械で解くこ と、５）機械が自分自身を改善する方法などの探究の試み、などが試みられることをテーゼして表現した。ジョン・マッカーシーが主催し、マービン・ミンス キー、ネイサン・ロチェスター、クロード・シャノンらが指導的研究者として名を連ね、それ以外にも、レイ・ソロモノフ、オリバー・セルフリッジ、トレン チャード・ムーア、アーサー・サミュエル、ハーバート・サイモン、アレン・ニューウェルなどがいた。
人間の知性・知能と計算機のそれは、同じであるのか、そうでないのか。あるいは、将来可能になる のか、ならないのかという学問的議論は、人工知能論争（じんこうちのう・ろんそう, AI論争）と呼ばれており、その決着はついていない（知性・知能の定義次第で、議論は大幅に変わりうるので、永遠に決着が着かないという表現も、もう決着 はついているという表現もともに可能である）。人間と同じ能力をもつ人工知能は、汎用人工知能（Artificial general intelligence）と呼ばれる。
●機械翻訳その他の歴史年表（西島 2019: 49を元に加筆）
| 年代 |
論理主義 |
統計確率主義 |
批判的意見 |
ディプラーニング史 |
| 1943 1947 1954 1965 1968 1970-80年代前半 |
1947 ウィーバーが機械翻訳のアイディアの提唱 1950 アラン・チューリング「計算機と知能」論文 1954 IBMとジョージタウン大学による初の機械翻訳研究 1965 ファイゲンバウム（Edward Feigenbaum, 1936- ）らによるエキスパートシステムの開発 ルールベースによる機械翻訳の時代 |
1943 マカロックとピッツの共同研究 1980 以降、統計機械翻訳のアイディアが発表される 1988 IBMが単語ベースの統計機械翻訳を提唱 1990 以降、統計機械の時代 2010 年代、ニューラル機械翻訳が主流となる |
1965 ドレイファスの人工知能批判 1968 フレーム問題 1980 サールの強いAI,弱いAI,中国人の部屋の議論 1986 ウィノグラードの人工知能批判 |
1946 ENIAC 1956 ダートマス会議（） 1970「おもちゃ問題」破綻 1980 エキスパートシステム 1990 ウェブページ 2000 機械学習が本格化 2010 自動運転 2012 DLの画像認識主流化 2015 Alpha GO 人間に勝つ |
| 2005 |
シンギュラリティ伝道者カーツワイル『シンギュラリティは近い』を発刊。その内容は毀誉褒貶。荒唐無稽の部分は「AIの宗教化」ということができる。 |
2013 ヤン・ルカン「50年間にAI
は４度『死んだ』」（フォード 2015:280）。 2014 May ステーヴン・ホーキンス「インデペンデント」にAIへの警鐘をならす記事を書く。共著者に、マックス・テグマーク、フランク・ウィルチェック、スチュアー ト・ラッセル（フォード 2015:277）。 |
■人工知能研究のさまざまな手法（2019年当時の状況）
出典：浅井義之と川上 英良「データサイエンティストが描くAI研究の未来像」『医学界新聞』第3345号 2019年11月4日 http://www.igaku-shoin.co.jp/paperDetail.do?id=PA03345_01
Hype Cycle for Emerging Technologies, 2017, logicality and illogicality of
Machineslogicality and illogicality of Machines
●別の人工知能理解
| Artificial intelligence (AI) is
intelligence demonstrated by machines, as opposed to the natural
intelligence displayed by animals including humans. AI research has
been defined as the field of study of intelligent agents, which refers
to any system that perceives its environment and takes actions that
maximize its chance of achieving its goals. The term "artificial
intelligence" had previously been used to describe machines that mimic
and display "human" cognitive skills that are associated with the human
mind, such as "learning" and "problem-solving". This definition has
since been rejected by major AI researchers who now describe AI in
terms of rationality and acting rationally, which does not limit how
intelligence can be articulated. |
人工知能（AI）とは、人間を含む動物が示す自然知能に対して、機械が
示す知能のことである。AI研究は、知的エージェントの研究分野と定義されており、環境を認識し、目標達成の可能性を最大化する行動をとるあらゆるシステ
ムを指す。人工知能」という言葉は、以前は「学習」や「問題解決」など、人間の心に関連する「人間的」な認知能力を模倣し、表示する機械を指す言葉として
使われていた。その後、この定義は主要なAI研究者によって否定され、現在ではAIを合理性と合理的な行動という観点から説明しており、知能の表現方法を
限定するものではない。 |
| Machine learning (ML) is a field
of inquiry devoted to understanding and building methods that 'learn',
that is, methods that leverage data to improve performance on some set
of tasks. It is seen as a part of artificial intelligence. Machine
learning algorithms build a model based on sample data, known as
training data, in order to make predictions or decisions without being
explicitly programmed to do so. Machine learning algorithms are used in
a wide variety of applications, such as in medicine, email filtering,
speech recognition, and computer vision, where it is difficult or
unfeasible to develop conventional algorithms to perform the needed
tasks. A subset of machine learning is closely related to computational
statistics, which focuses on making predictions using computers, but
not all machine learning is statistical learning. The study of
mathematical optimization delivers methods, theory and application
domains to the field of machine learning. Data mining is a related
field of study, focusing on exploratory data analysis through
unsupervised learning. Some implementations of machine learning use
data and neural networks in a way that mimics the working of a
biological brain. In its application across business problems, machine
learning is also referred to as predictive analytics. |
機械学習（ML）は、「学習」する手法、つまりデータを活用してあるタ
スクのパフォーマンスを向上させる手法を理解し構築することに専念する研究分野である。機械学習は、人工知能の一部と考えられている。機械学習アルゴリズ
ムは、学習データと呼ばれるサンプルデータに基づいてモデルを構築し、明示的にプログラムされていなくても予測や判断を行えるようにするものである。機械
学習アルゴリズムは、医療、電子メールのフィルタリング、音声認識、コンピュータビジョンなど、必要なタスクを実行するために従来のアルゴリズムを開発す
ることが困難、または実行不可能な幅広いアプリケーションで使用されている。機械学習の一部は、コンピュータを使って予測を行うことに重点を置いた計算統計学と密接に関係しているが、すべての機械学習が統計学習というわけではない。
数理最適化の研究は、機械学習の分野に手法、理論、応用領域を提供している。また、データマイニングは、教師なし学習による探索的なデータ解析に特化した
研究分野である。機械学習の実装の中には、生物学的な脳の働きを模倣する形でデータとニューラルネットワークを使用するものもある。ビジネス上の問題に適
用される場合、機械学習は予測分析とも呼ばれる。 |
| Deep learning
(also known as deep structured learning) is part of a broader family of
machine learning methods based on artificial neural networks with
representation learning. Learning can be supervised, semi-supervised or
unsupervised. Deep-learning architectures such as deep neural networks,
deep belief networks, deep reinforcement learning, recurrent neural
networks, convolutional neural networks and Transformers have been
applied to fields including computer vision, speech recognition,
natural language processing, machine translation, bioinformatics, drug
design, medical image analysis, climate science, material inspection
and board game programs, where they have produced results comparable to
and in some cases surpassing human expert performance. Artificial
neural networks (ANNs) were inspired by information processing and
distributed communication nodes in biological systems. ANNs have
various differences from biological brains. Specifically, artificial
neural networks tend to be static and symbolic, while the biological
brain of most living organisms is dynamic (plastic) and analogue. The
adjective "deep" in deep learning refers to the use of multiple layers
in the network. Early work showed that a linear perceptron cannot be a
universal classifier, but that a network with a nonpolynomial
activation function with one hidden layer of unbounded width can. Deep
learning is a modern variation which is concerned with an unbounded
number of layers of bounded size, which permits practical application
and optimized implementation, while retaining theoretical universality
under mild conditions. In deep learning the layers are also permitted
to be heterogeneous and to deviate widely from biologically informed
connectionist models, for the sake of efficiency, trainability and
understandability, hence the "structured" part. |
ディープラーニング（深層構造学習とも呼ばれる）は、表現学習を用いた
人工ニューラルネットワークに基づく、より幅広い機械学習手法のファミリーの一部である。学習は、教師あり、半教師あり、教師なしができる。ディープ
ニューラルネットワーク、ディープビリーフネットワーク、ディープ強化学習、リカレントニューラルネットワーク、畳み込みニューラルネットワーク、トラン
スフォーマーなどの深層学習アーキテクチャは、コンピュータービジョン、音声認識、自然言語処理、機械翻訳、バイオインフォマティクス、ドラッグデザイ
ン、医療画像解析、気候科学、材料検査、ボードゲームプログラムなどの分野に応用され、人間の専門家の性能と同等であったり時にはそれを超える結果を出し
ている。人工ニューラルネットワーク（ANN）は、生体システムにおける情報処理や分散通信のノードにヒントを得て開発された。ANNは、生物の脳とは様
々な違いがある。具体的には、ほとんどの生物の生物脳が動的（可塑的）かつアナログであるのに対し、人工ニューラルネットワークは静的かつ記号的である傾
向がある。深層学習の「深い」という形容詞は、ネットワークに複数の層を使用することを意味する。初期の研究では、線形パーセプトロンは万能分類器になり
得ないが、非多項式活性化関数を持ち、幅が無限の隠れ層を1層持つネットワークは万能分類器になり得ることが示された。深層学習はその現代的なバリエー
ションで、境界のある大きさの境界のない層の数に関係し、実用的な応用と最適化された実装を可能にし、かつ穏やかな条件下で理論的な普遍性を保持するもの
である。深層学習では、効率性、訓練性、理解しやすさのために、層は異種であってもよく、生物学的情報に基づくコネクショニストモデルから大きく逸脱して
もよいことになっており、それゆえ「構造化」された部分がある。 |
| Federated learning (also known as collaborative learning) is a machine learning technique that trains an algorithm across multiple decentralized edge devices or servers holding local data samples, without exchanging them. This approach stands in contrast to traditional centralized machine learning techniques where all the local datasets are uploaded to one server, as well as to more classical decentralized approaches which often assume that local data samples are identically distributed./ Federated learning enables multiple actors to build a common, robust machine learning model without sharing data, thus allowing to address critical issues such as data privacy, data security, data access rights and access to heterogeneous data. Its applications are spread over a number of industries including defense, telecommunications, IoT, and pharmaceutics."-Federated learning. | Federated
Learning（連合＝協調学習とも呼ばれる）は、ローカルなデータサンプルを保持する複数の分散型エッジデバイスまたはサーバー間で、データサンプル
を交換することなくアルゴリズムを学習する機械学習技術である。このアプローチは、すべてのローカルデータセットが1つのサーバーにアップロードされる従
来の集中型機械学習技術や、ローカルデータサンプルが同一に分散していることを前提としたより古典的な分散型アプローチとは対照的である
／Federated
Learningにより、複数の関係者がデータを共有せずに共通の堅牢な機械学習モデルを構築できるため、データプライバシー、データセキュリティ、デー
タアクセス権、異種データへのアクセスといった重要な問題に対処することが可能になる。その応用は、防衛、通信、IoT、薬剤など多くの産業に広がってい
る。 |
●機能
音声を自動的に分析し、処理をする：サービス業
画像を判別し、処理をする：医療
将来起こり得る可能性について、予測しアドバイスする：農業
●シンギュラリティー
さて、最近の人工知能をめぐる話題沸騰の課題とは、シンギュラリティ＝技術的特異点（Technological Singularity, Singularity）の議論である。この用語は「レイ・カーツワイル（Ray Kurzweil, 1948- ） によれば、「100兆の極端に遅い結合(シナプス)しかない人間の脳の限界を、人間と機械が統合された文明によって超越する」瞬間」が訪れるという、技術 論的終末論のことである（ウィキペディア日本語「技術的特異点」「人工知能」より）。
︎シン
ギュラリティ主義▶︎シンギュラリティ批判序説▶シンギュラリティ時代における宗教︎︎▶︎シンギュ ラリティの宗教研究のための11のテーゼ▶︎︎▶︎▶︎︎▶︎▶︎︎▶︎▶︎
■脳が（従来の）コンピュータと異 なる点（カーツワイル 2007:175-180）
特異点（シンギュラリティ）論者カーツワイルによる脳がコンピュータと異なる点は以下のよう に表 される。
| 脳が（従来の）コンピュータと異 なる点（カーツワイル 2007:175-180） | 池田のコメンタリー |
| 脳の回路は遅い | |
| 脳は超並列処理ができる | |
| 脳はアナログもデジタルの現象も併用している | |
| 脳は自分自身で配線しなおす | |
| 脳の細部はほとんどランダム | |
| 脳は創発的な特性をもちいる | |
| 脳は不完全である | |
| 脳をもっている（／脳を使う）我々は矛盾している | |
| 脳は進化を利用する | |
| 脳は進化を利用する | |
| パターンが大切である | |
| 脳はホログラフィ的である | |
| 脳は深く絡み合っている | |
| 脳には、各領域をまとめるアークテクチャーがある | |
| 脳の領域の設 計は、ニューロンの設計よりも単純である |
● 反人工知能派： Ｈ・ドレ イファス、Ｊ・ワイゼンバウム（1976年以降）
「人工知能批判派やインターネット批判をする懐疑派の紋切り型の批判の典型は、ドレイ
ファス（2002）に代表されます。授業のコメントで申し上げましたが、この一派は相も変わらず「身体論」で勝負を制しようとします。彼の主張は、【身
体】＝【不確実性】＝【責任ある関与的な行為】の三位一体の一種の神学的な議論をおこないます。つまり、メルロ＝ポンティの身体と知性の不可分性で身体の
固有性やフレキシビリティさらには固有性を主張します。これは、身体を牢獄と見るプラトン（およびキリスト教）以来の西洋の哲学のベースに対する根本的な
批判を形成します。次に、責任ある関与的行為（コミットメント）をあげて、責任ある行為は、固有名ならびに具体的身体をもつ近代的な主体においてはじめて
可能になると説明します。そして、この不確実性については、私はクリアに説明するのに自信がないのですが、奇妙なことに19世紀初頭に登場する新聞により
匿名性をおびた公共／公衆の概念が登場することに対して懐疑的なキルケゴールの所説を使います。たぶん人間の身体や感情に強く関わる「絶望」などの概念を
人間らしさの根拠にしてつかいます。これらの３すくみの概念装置で、非身体的で、責任性の所在が見えてこず、また失敗を犯さない自動機械は、知性など持ち
得ないことを主張します」（出典：「イライザの父の怒り」）
● 人工知能派：
強い人工知能派：計算機が「意識」に近いものまで持ちうると主張
弱い人工知能派：AIの可能性は信じるが、強い主張には懐疑的
■派生 する問題としての心身二元論
「精神を身体から切り離して考える代表は、17世紀に活躍した近代西洋哲学の父デカルトである。彼は、一切の先入観を排し、肉体的な感覚や 肉 体の存在自体まで含めたあらゆる事象をまず疑うことが、真理に至る唯一の方法だと考えた。「我思う、ゆえに我あり」という有名な言葉は、それらを疑いにか けている間も私自身は何者かでなければ、その自分の思考を保証しえない、という彼の主張を示している［デカルト 1978］。彼は、この考える主体こそ精神であると考えた。このように、肉体から精神を切り離し精神は肉体を支配するとする彼の考え方は、心身二元論と呼 ばれる。デカルトの二元論は、精神に高い地位を与える（＝至高の精神）が、それはまた同時に卑しい肉体という容器（＝肉体という牢獄）に幽閉されている事 実を認めなければならない。これはプラトン以来の、精神の自由のジレンマ（＝精神は肉体という牢獄から解放されたいと願うが、肉体のない主体［＝精神］は 存在しえない）といわれる」（池田光穂「心と社会」『医療人類学のレッスン』）
「デカルト二元論などと訳知り顔で主張することが（一面で正しいにも関わらず）どれほど表面的な理解であり、恥知らずなことであることがよ く わかるであろう。デカルトの心身二元論の矛盾あるいはアイロニーを批判したギルバート・ライル「機械の中の幽霊」という表現は、それから300年後に発せ られることになる」（延長をもつ実体）
■シンギュラリティ思想礼賛と「到来の時期の比定」への批判（Singularity） →今後の改訂は「シンギュラリティ批判序説」「シンギュラリティ時代における宗教」 でおこないます。
|
【シンギュラリティを最初に予言したのはコン ピューティングの父フォン・ノイマンである】 シンギュラリティをレイ・カーツワイル（Ray Kurzweil, 1948- ）［別項のパラグラフ参照］で表象するのは、AI思想の歴史を考えるときに根本的に誤解（=misrepreseuntation）を引き起こす。英国の 数学者、アーヴィング・ジョン・グッド（アイ・ジェイ＝ I. Jey, "Jack"）（1916-2009）が1965年に書いた論文のなかに、「超高性能マシン」こそが人類の生き残りにかかると託宣めいた論文に書いたこと がきっかけである。実際にグッドは、2001, Space Odyssey (1968) にコンサルタントとして関わっていた。科学とSFが出会う場所が、ボブ・グッチョーネ創刊による雑誌『オムニ』（Omni, 1978-1995）である。この雑誌において、SF作家、ヴァーナー・ヴィンジが、シンギュラリティ（特異点）と、グッドがいう、計算機による知能爆発 を、こう呼んだのである。しかし、人口に膾炙した、この特異点のまえに、さらに重要なことがあることを私たちは忘れてはいけない。電子計算機（コンピュー タ）の父［＝ノイマン型コンピュータ思想の父と呼ぶべきか］、フォン・ノイマン（Neumann Jáno; John von Neumann, Margittai Neumann János Lajos, Johannes Ludwig von Neumann, 1903-1957）こそが、その用語をつかって、予言めいた発言をしていたのである。 ジョン・フォン・ノイマンは、同僚であったスタニスラウ・ウラム（Stanislaw Ulam, 1909-1984） とかつて話している時に、人類は根本的な「シンギュラリティ」に達しており、その後の人間の世は永遠に変わってしまうと予言めいて話し手いたという。 （Ulam, S., 1958. John von Neumann, Bulletin of the American Mathematical Society 64(3, Part.2):1-49.） ■"Quite aware that the criteria of
value in mathematical work
are, to some extent, purely aesthetic, he once expressed an
apprehension that the values put on abstract scientific achievement in
our present civilization might diminish: "The interests of humanity may
change, the present curiosities in science may cease, and entirely
different things may occupy the human mind in the future." One
conversation centered on the ever accelerating progress of technology
and changes in the mode of human life, which gives the appearance of
approaching some essential singularity
in the history of the race beyond which human affairs, as we know them,
could not continue" (Ulam, 1958:5). 【カーツワイル批判】 シンギュラリティ＝技術的特異点（Technological Singularity, Singularity）という用語は「レイ・カーツワイル（Ray Kurzweil, 1948- ） によれば、「100兆の極端に遅い結合(シナプス)しかない人間の脳の限界を、人間と機械が統合された文明によって超越する」瞬間」が訪れるという、技術 論的終末論のことである。カーツワイルは、この終末論を展開するにあたり、人類のテクノロジーやコンピュータチップの計算効率の進化などを博引旁証して、 仔細に検討しているために、なぜ100兆という情報のノードが脳のシナプス結合と類推されるのか、また、それよりも低次の（例えば原索動物やイカなどの人 間よりも低次の）シナプス結合の総量しかもたない動物のふるまいを完全に模倣できるのかという議論などをしておらず、あくまでもシナプス結合が思考を構成 するという「シナプス結合総計中心主義」であることがわかる。そのため、カーツワイル氏には、全地球システムのICTがシンギュラリティを超えて、全地球 システムがはたして、我々と同じように「思考」しているかどうかということについては、我々は相変わらずシナプスレベル（＝デカルトの確信レベルとしての「機械の中の幽霊」）でしか 「把握」できないというジレンマを抱えることを御存知ないわけである。さらに、人間とICT端末のハリブリッドな利用、つまりサイボーグ化により、我々は すでにシンギュラリティを超えて、すでに人間＝機械状態（ドゥルーズとガタリの用語）になっていることは「ただ、単に知らない」だけなのかもしれない。 【シンギュラリティ到来に関する相対主義的な新仮説】 計算効率が大脳のそれを凌駕する条件をシンギュラリティと呼ぶ。その時点は計 算量の進歩だけで予言されてきた。しかし人間とりわけ学生の短 絡思考化＝馬鹿化により前倒しになる点を、従来のシンギュラリティは考慮に入れなかった。ゆえにこれは理論計算上の誤りであった。以上QED |
●脳のリバースエンジニアリングとしての人工知能研究
「リバースエンジニアリング（Reverse engineeringから。直訳すれば逆行工学という意味）とは、機械を分解したり、製品の動作を観察したり、ソフトウェアの動作を解析するな どして、製品の構造を分析し、そこから製造方法や動作原理、設計図などの仕様やソースコードなどを調査することを指す」（ウィキ日本語「リバースエンジニ アリング」）
「リバース・イノベーションとは、先進国 企業が新興国や途上国に開発拠点を設け、現地のニーズを基にゼロから開発した製品や商品を先進国市場に流通・展開させる戦略を指」す。あるいは別の解説に よると「新興国市場向けに開発を行った商品を、先進国でも展開し、グローバル市場のシェアを拡大する戦略のこと……。これまでのグローカリゼーションが、 先進国で製品開発を行い、その商品をマイナーチェンジした廉価版を新興国向けに投入してきたのに対し、リバース・イノベーションでは、新興国市場に合った 商品を一から生み出す「イノベーション」を行い、その商品をリバース（逆戻り＝逆流）させ、先進国に投入する」とわかりやすい。しかし、これだけだった ら、なんで逆向きなんだとわからない向きがある。そのヒントは、ウィキペディアの英語版の解説（下記）にあった。
"Reverse innovation or trickle-up innovation is an innovation seen or used first in the developing world, before spreading to the industrialized world. The term was popularized by Dartmouth professors Vijay Govindarajan (1949- ) and Chris Trimble and GE's Jeffrey R. Immelt (1956- )" - Reverse innovation.
この用語の別名「トリクル・アップ・イノベーション （trickle-up
innovation）」である。開発経済学を学んだ人は、かつてのロストウの「低」開発国の経済の「離陸（take-off）」理論が、もはや神通力を
持たなくなり、従属理論や世界システム論などが、低」開発国の経済の全地球的搾取現象を批判した後に出てきたのが、ト
リクル・ダウン理論（trickle-down
theory）であるということはよくわかる話である。後者は、先進国のイノベーションや経済発展を通して、途上国にも、中心地の利益の雫が滴り落ちるよ
うに、発展途上国もイノベーションの恩恵を受けるだけでなく、また経済的にも潤うのだという理論である。（→「CO-Design_terms2017.html#02-131」
より）
リヴァース・イノヴェーション（イノベーション）が
興味深いのは、グローバル企業にとって、イノベーション・マネジメントは、どこで開発し、どこで生産し、また開発された商品がどのような経路で、どこでブ
レイクするのか、ということを全地球的に考えないといけないということだ。
■数かぎりない肉 体の健康がある」——ニーチェ『悦ばしき知識』（←キオスのアリストン［Aristo of Chios］）
■功利主義的心身二元論（utilitarian body-mind dualism）
デカルトの考案になるかどうかは不問にして、心
と体の二元性にもとづいて、心を身体を（ただしく）モニターするという機能に着目して、身体の異常を心が早期警戒し、健康になるように、医療者や生活上の
節制や養生を試みることで、病気の進行を遅らせたり、病気を予防したり、病気から回復することを、心が納得すれば、それは（その心をもつ）身体にとっても
win-winの関係であるとする立場である。
●人工知能は、叙述できるのか？という問題系が「人工知能のエスノグラフィー」という可能性を拓 く
人工知能は、叙述できるのか？という問題系が「人工知能のエスノグラフィー」 という可能性を拓く。エスノグラフィーは、別名「民族誌」とよばれているように、エトニーあるいは民族（ないしは民族集団）についての記述のことである。 人工知能（AI）は、はたして、個人的な人格なのか？それとも、インターネットにさまざまな人工知能（AI）がいるように、その存在は集合的社会的なもの なのか？——その場合はAIはエトニーとなるので、エスノグラフィーは理論的には一応「可能」となる。しかし、ウィキペディアの"Artificial intelligence"の定義は、以下のようになり、それは、人格にも集合的なエトニーにも該当させることが難しい「実体」ではある。"[A] rtificial intelligence (AI), sometimes called machine intelligence, is intelligence demonstrated by machines, in contrast to the natural intelligence displayed by humans. Colloquially, the term "artificial intelligence" is often used to describe machines (or computers) that mimic "cognitive" functions that humans associate with the human mind, such as "learning" and "problem solving""-rtificial intelligence. しかしその後半の説明にあるように、このマシーンは、人間的特徴である""cognitive" functions that humans associate with the human mind, such as "learning" and "problem solving""を模倣するために、個人あるいはエトニーとしても「理解（＝解釈）」可能である。
●AIディスコース生産者＆関係者たち
| Ray Kurzweil |
レイ・カーツワイル |
1948- |
シンギュラリティ＝技術的特異点
（Technological Singularity, Singularity）提唱者。自分の生身の頭脳情報をアップロードを希望。 |
| Joseph
Weizenbaum |
Ｊ・ワイゼンバウム |
1923-2008 |
|
| Ｈ・ドレ イファス |
|||
| John von Neumann, |
フォン・ノイマン |
1903-1957 |
|
| I. J. Good |
アーヴィング・ジョン・グッド |
1916-2009 |
|
| Stanislaw Ulam |
スタニスラウ・ウラム |
1909-1984 |
|
| Slavoj Žižek |
スラヴォイ・ジジェク |
1949- |
（ジジェク大全） |
| Elon Reeve Musk |
イーロン・マスク |
1971- |
（イーロン・マスクとシンギュラリティ主義の精神）イーロン・マスクはAI研究を「核 兵器より危険」とまで主張しているらしい（マーティン・フォード 2020:9） |
| Martin
Ford |
マーティン・フォード |
Martin Ford is a
futurist and author focusing on artificial intelligence and robotics,
and the impact of these technologies on the job market, economy and
society. Rise
of the Robots, 2015.（『ロボットの脅威』） |
|
| Yoshua Bengio |
ヨシュア・ベンジオ |
Univ. of Montreal【ディープラーニング／ニューラルネットワーク】 | |
| Stuart Russell |
スチュアート・Ｊ・ラッセル |
UC Berkeley |
|
| Geoffrey Hinton |
ジェフリー・ヒントン |
Univ. of Toronto
and Google 【ディープラーニング／ニューラルネットワーク】彼は、ニューラルネットワークのバックプロパゲーション(Backpropagation)、ボルツマンマシン、オートエンコーダ、ディープ・ビリーフ・ネットワークの開発者の1人であり、オートエンコーダやディープ・ビリーフ・ネットワークはディープラーニングになった。 |
|
| Nick Bostrom |
ニック・ボストロム |
Univ. of Oxford |
|
| Yann LeCun |
ヤン・ルカン |
1960- |
Facebook【ディープラーニング ／ニューラルネットワーク】 |
| Fei-Fei Li |
フェイフェイ・リー |
Stanford and
Google（→「社会の価値
観が反映された技術をつくるために：フェイフェイ・リーが語る「人間中心のAI」への道（前編）」） |
|
| Demis Hassabis |
デミス・ハサビス |
DeepMind |
|
| Andrew Ng |
アンドリュー・エン |
AI Fund |
|
| Rana el Kaliouby |
ラナ・エル・カリウビ |
Affectiva |
|
| Daniela L. Rus |
ダニエラ・ルス |
1963- |
MIT, MIT
Computer Science and Artificial Intelligence Laboratory (CSAIL) and
head of its Distributed Robotics Lab. |
| James Manyika |
ジェイムズ・マニカ |
McKinsey |
|
| Gary Marcus |
ゲアリー・マーカス |
NYU |
|
| Barbara Grosz |
バーバラ・Ｊ・グロース |
Harvard |
|
| Judea Pearl |
ジュディア・パール |
UCLA |
|
| Jeff Dean |
ジェフリー・ディーン |
Google |
|
| Daphne Koller |
ダフニー・コラー |
Stanford |
|
| David Ferrucci |
デイヴィッド・フェルッチ |
Elemental
Cognition |
|
| Rodney Brooks |
ロドニー・ブルックス |
Rethink Robotics |
|
| Cynthia Breazeal |
シンシア・ブリジール |
MIT |
|
| Josh Tenenbaum |
ジョシュア・テネンバウム |
MIT |
|
| Oren Etzioni |
オーレン・エツィオーニ |
Allen Institute
for AI |
|
| Bryan Johnson |
ブライアン・ジョンソン |
Kernel |
|
| Avram Noam Chomsky |
ノーム・チョムスキー |
1928- |
（フォード 2015:286） |
| Steven Arthur Pinker |
スティーブン・ピンカー |
1954- |
（フォード 2015:286） |
| Max Erik Tegmark |
マックス・テグマーク |
1967- |
（フォード 2015:286） |
| Gary F. Marcus |
ゲイリー・マーカス |
1970- |
（フォード 2015:286） |
| Paul Zachary Myers,
PZ Myers |
P.Z. マイヤーズ |
1957- |
（フォード 2015:287） |
| James Graham Ballard |
ジェームズ・バラッド |
1930-2009 |
（フォード 2015:288） |
| Richard Phillips
Feynman |
リチャード・ファインマン |
1918-1988 |
（フォード
2015:291）"In a lecture held by 1965 Nobel Laureate in Physics Richard
Feynman (1918–1988) on September 26th,
1985, the question of artificial general intelligence" |
| Kim Eric Drexler |
K.エリック・ドレクスラー |
1955- |
ナノテクノロジーや分子機械の命名者 （フォード 2015:292） |
| William Nelson Joy |
ビル・ジョイ |
1954- |
「なぜ未来は人間を必要としないのか」 （フォード 2015:294） |
| John Michael
Crichton |
マイケル・クライトン |
1942-2008 |
小説家。ナノボットの捕食をテーマにす る小説『プレイ：獲物』の著者（フォード 2015:295） |
| Michio Kaku |
ミチオ・カク(賀来 道雄) |
1947- |
（フォード 2015:298） |
| GPT-3 |
Elon Musk |
Generative
Pretrained Transformer 3 |
|
| Machine Learning |
機械学習 |
1959- |
データから学ぶことが可能なアルゴリズ
ムを作り出そうとするもの（フォード 2020:19）"The term machine learning was coined in
1959 by Arthur Samuel, an American IBMer and pioneer in the field of
computer gaming and artificial intelligence" |
| deep learning |
深層学習 |
人工ニューラルネットワーク。 |
|
| backpropagation |
誤差逆伝播法 |
バックプロパゲーション：機械学習において、ニューラルネットワークを学習させ
る際に用いられるアルゴリズム。 |
|
| gradient descent,
GD |
勾配降下法 |
重みを少しずつ更新して勾配が最小にな
る点を探索するアルゴリズム。確率的勾配降下法。 |
|
| 超知能 |
|||
| Recurrent Neural
Network, RNN |
リカレント・ニューラル・ネットワーク |
ニューラルネットワークを拡張して時系
列データを扱えるようにしたもの（再帰型ニューラルネットワークとも言う） |
|
| Convolutional
neural network, CNN |
畳み込みニューラルネットワーク |
機
械学習において、畳み込みニューラルネットワーク（たたみこみニューラルネットワーク: Convolutional neural network,
CNNまたはConvNet）は、順伝播型人工ディープニューラルネットワークの一種である。画像や動画認識に広く使われているモデル。 |
|
| Feedforward
neural network |
A
feedforward neural network is an artificial neural network wherein
connections between the nodes do not form a cycle.[1] As such, it is
different from its descendant: recurrent neural networks. |
||
| Boltzmann machine |
ボルツマンマシン |
ボルツマン・マシン
（Boltzmann machine）は、1985年にジェフリー・ヒントン（Geoffrey Everest
Hinton）とテリー・セジュノスキー（Terry Sejnowski）
によって開発された確率的（Stochastic
neural network）回帰結合型ニューラルネットワークの一種 |
|
| Bayesian inference |
ベイズ推論 |
ベイジアン機械学習（ベイズ機械学習） |
|
| 教師あり学習 | 注意深く構造化されたトレーニングデー タを分類またはラベルづけして学習アルゴリズム。（フォード 2020:21） | ||
| 強化学習 |
実践または試行錯誤による学習（フォー ド 2020:22） | ||
| 教師なし学習 |
周囲の環境から入ってくる構造化されて いないデータから直接学習をおこなうこと（フォード 2020:23） | ||
| Artificial general intelligence | 汎用人工知能 | 人間と同じ能力をもつ人工知能は、汎用人工知能（Artificial general intelligence）と呼ばれる。強いAIとも言われる。 | |
| Turing test |
チューリング・テスト |
ア
ラン・チューリング（1950）が提案した、ある機械が「人間的」かどうかを判定するためのテストである。その定義は、完全にマスクされた判定者が、機械
と人間との確実な区別ができなかった場合、この機械はテストに合格、すなわち「人間的」であるということに合格したことがある。これが「知的であるかかど
うか」とか「人工知能であるかどうか」とかのテストであるかどうかは、「知的」あるいは「(人工)知能」の定義、あるいは、人間が知的であるか、人間の能
力は知能であるか、といった定義に依存する。 |
|
| Marvin Minsky |
マービン・ミンスキー(1927-2016) |
人工知能研究におけるフレーム理論（Frame
）の提唱者。『2001年宇宙の旅』のアドバイザー。 |
|
| ASILOMAR AI PRINCIPLES |
アシロマの原則 |
Artificial
intelligence has already provided beneficial tools that are used every
day by people around the world. Its continued development, guided by
the following principles, will offer amazing opportunities to help and
empower people in the decades and centuries ahead.
／世界中の人々が毎日使用する役に立つツールとして、すでに人工知能は利用されています。人工知能の開発が今後以下で示す原則に基づいて行われるならば、
それは数10年さらに数世紀にわたる将来において、人々に役立ち豊かな暮らしをもたらしうるでしょう」 -
https://futureoflife.org/ai-principles-japanese/ |
|
| Automation |
オートメーション、自動化 |
︎ビルド・オートメーション (Build automation)▶︎ビジネス・プロセス・オートメーション (Business process automation)
▶︎︎ドキュメント・オートメーション(Document automation) ▶︎オフィス・オートメーション (Office
automation) ▶︎︎OLEオートメーション (OLE automation) ▶︎ロボティック・プロセス・オートメーション
(Robotic process automation) ▶︎︎サポート・オートメーション (Support automation)
▶︎テスト・オートメーション (Test automation) ▶︎︎ファクトリーオートメーション (Factory automation)
▶︎ホームオートメーション (Home automation) ▶︎ |
|
●AIは、人間のナルシズム化に影響を与えるのか？（→「スマートメディアユーザーのナルシズム化と新しい孤独の誕生」「デジタル・ネイティブ族におけるナルシズム化」）
●人工知能の倫理問題
■人工知能の理論問題
| Convolutional
neural network |
"In deep learning, a convolutional neural network (CNN, or ConvNet) is a class of deep neural networks, most commonly applied to analyzing visual imagery.[1] They are also known as shift invariant or space invariant artificial neural networks (SIANN), based on their shared-weights architecture and translation invariance characteristics.[2][3] They have applications in image and video recognition, recommender systems,[4] image classification, medical image analysis, natural language processing,[5] and financial time series.[6]" - convolutional neural network (CNN, or ConvNet) | |
| Deep learning |
Deep learning
(also known as deep structured learning) is part of a broader family of
machine learning methods based on artificial neural networks with
representation learning. Learning can be supervised, semi-supervised or
unsupervised.[1][2][3]- https://en.wikipedia.org/wiki/Deep_learning |
|
| Recurrent neural
network |
A recurrent neural network (RNN) is a class of artificial neural networks where connections between nodes form a directed graph along a temporal sequence. This allows it to exhibit temporal dynamic behavior. Derived from feedforward neural networks, RNNs can use their internal state (memory) to process variable length sequences of inputs.[1] This makes them applicable to tasks such as unsegmented, connected handwriting recognition[2] or speech recognition.[3][4] - Recurrent neural network. | |
●人工知能（AI）ビジネス基本用語集
| 解説（谷田部卓『これからのAIビジネ
ス』MdN, 2018年による） |
池田コメント |
|
| 人工知能 |
「言語の理解や推論、問題解決など知的行
動を人間にかわってコンピュータに行わせる技術」 |
これでいいのか？ |
| ディープラーニング | ||
| 機械学習 | ||
| 教師あり学習 |
機械学習の手法のひとつ。あらかじめ正解
のデータ（教師データ）を必要とする。教師データからパターンや特徴を学習させる |
|
| 教師なし学習 |
||
| 強化学習 |
||
| 自然言語処理 |
||
| ニューラルネットワーク |
||
| 生成モデル |
教師データをもとにして、そのデータと似
たような新しいデータを創り出すモデルのこと |
|
| GAN, Generative
Advisarial Network |
生成器Gと識別器Dの間の２つのディープ
ラーニングで構成されたモデルのこと |
|
| 過学習 |
機械学習において教師あり学習をおこなっ
た際に、未学習の問題に対して正しく答えをだせない状態 |
|
| スパースモデリング： |
少ない情報からデータの全体像を的確に抽
出する（どのようにして？）科学的モデリング。疎性モデリングともいう |
Sparse
approximation: "theory
deals with sparse solutions for systems of linear equations. Techniques
for finding these solutions and exploiting them in applications have
found wide use in image processing, signal processing, machine
learning, medical imaging, and more." |
| PoC: Proof of
Concept |
新しい概念や理論、原理などの実証を目的
とした実験 |
|
| フィンテック |
||
| 仮想通貨 |
||
| ブロックチェーン |
「ブロックチェーン（英語:
Blockchain）とは、分散型台帳技術、または、分散型ネットワークである。ブロックチェインとも。ビットコインの中核技術（ナカモト・サトシ＝
Satoshi Nakamotoが 開発）を原型とするデータベースである。ブ
ロックと呼ばれる順序付けられたレコードの連続的に増加するリストを持つ。各ブロックには、タイムスタンプと前のブロックへのリンクが含まれている。理論上、一度記録する
と、ブロック内のデータを遡及的に変更することはできない。ブロックチェーンデータベースは、 Peer to
Peerネットワークと分散型タイムスタンプサーバーの使用により、自律的に管理される」- Wiki,ブロックチェーン。 |
|
| IoT |
||
| HRテック: Human
Resource Technology |
||
| マーケティング・オートメーション |
||
| RPA: Robotic
Process Autometion |
||
| SDGs |
||
| Society 5.0 |
Critique of Japanese
govenment's developing concept of "Society 5.0"; |
● 人工知能 versus 人間、あるいはシャーマン（シャーマニズム）は最古の人工知能か？
「教育が圧倒的に言葉でなされている世界では、高
等教育を受けた人びとが言葉と概念以外のものに真剣な注意を払うことはほとんど不可能である」（オルダス・ハクスリー 1978:83）。「この授業（＝リンク先）は、異能の人を発掘するというテーマです。ここで言う異能の
人とは、世にいう 憑依能力や予知能力、占いの能力をもつシャーマンと
呼ばれる人 たちのことをさ
します。みなさんは世にこのような異能の人（いわゆる霊能者）が存在することを知っていますが、「頭がおかしい」「へんなカルトの教祖」のようなマイナス
のイメージしかないのではないでしょうか。しかし、実際につきあってみるとそうでもない普通の人が多いのです。《狂気という能力》はその人に常時備わって
いるものである
一方、《異能》はどうもその人の見事なコントールのもとにあります。だがしかし、そのような人は、そう簡単に見つかるものではありません。大切なことは、
まず異能の人の存在について書かれたものを読んで、どのようにして、異能の人を探すのか、《課題にもと
づく学習》法を通して考えることです」池田光穂（2018）
リンク
文献
その他の情報
++
Copyleft, CC,
Mitzub'ixi Quq Chi'j, 1997-2099
