ノーベル物理学賞の受賞
レンです。
エマです。サイエントークは、研究者とOLが科学をエンタメっぽく語るポッドキャストです。
AI使ってます?
AIですか?あんまり使ってないかも。
あ、そう?
なんかさ、ちょっとGPTとかが言われてさ、仕事でも使った方がいいみたいな感じだけど、
はじめの方とかわーって思って使ってたけど、あんま使ってないかな。もっと使った方がいいかも。
まあ、使い方むずいみたいなところもあるよね。
そう。使い方リテラシーみたいなのあるよね。
あるあるある。いい使い方をしたらめっちゃ生産性上がるけどさ、
なんかよく言われるのは、ゴミみたいな指示を出してもゴミしか出てこないみたいな。
あー、だよね。
そういうのありますよね。
僕もちょいちょい使ってますけど、今回ちょっと今年のノーベル賞の話をしたいんですけど、
はい。
今年AI大注目の年で、これいろんなニュースでもうやられてると思うんで、聞いたことあるかもしれないですけど。
えー、でもなんかさ、毎年さ、AI大注目みたいな感じじゃない?特に今年が大注目なの?
今年AIにちゃんと受賞されたのは初めてなんですよ。
あ、ノーベル賞で?
そう、ノーベル賞の歴史で。
えー、そうなんだ。
人工知能っていうものにそもそもノーベル賞が出るっていうのが今年初めてだし、
しかも物理学賞と科学賞で2個出てるの。AI関連の。
おー、あ、そうなんだ。へー。
まあ、今までの賞でもどっかでAI使ってるとかはあったかもしれないんだけど、
本当にこう、AIってものを作ったっていうジャンルに対して。
あ、それがじゃあ物理学賞かな?
そう、それが物理学賞で出て、で、まあそれを使ってタンパク質の構造を予測しますっていうAIの技術。
まあそれが科学賞のほうに出てる。
すごいね。
人工ニューラルネットワークの基礎
そう、で、こういうことは今までなかったんで、まあ割とさ、こう、情報科学みたいな分野じゃないですか。
そうだね。
だからこう、なんていうの?こう、物理学なのかこれは?みたいな言い方も。
そうだよね、なんかそういう系って何、何学なのかっていうのはあるけど、まああえて言ったら物理かなっていう感じはするけどね、確かに。
まあなんだけど、アウトプットのAIだけ見るとこれ物理なのかなって思うんだけど、ちょっとその起源を遡ると、確かにこう物理と結構密接だなっていうのがわかると思ってて。
うんうんうん。
なんで今回はこの2つの賞どっちもやるの大変なんで、まあまあとりあえず物理学賞のほう。
人工ニューラルネットワークによる機械学習を可能にする基礎的発見と発明に対して受賞しているものなんですけど。
もうね、なんか右から左にパーって抜けてったわ。
理解しようとしたけど、右から左にパーってなんか音だけ抜けてったわ。
一文字も覚えてないみたいな。
結構これ難しいですよ正直。
僕もこれ専門ど真ん中じゃないところあるんで、いろいろ読んで勉強したりしたんですけど、勉強してもこれ音だけで伝えるのは超絶むずいなと思ってて。
確かに。
だけど、なんとなくわかったようになるのが今回目標で。
はい、そうですね。
ふわっとわかるところから始まるじゃないですか、なんでも。
そうですね。
今回ちょっとノーベル物理学賞のAIの話をしてみたいなと思ってます。
OKです。
あとちょっとお便り紹介とかできてないんですけど、科学史の話も面白いんですけど、最新の研究の話も聞きたい時ありますみたいな声もちょっといただいたりしてて。
君自身そういう話もしてたよね。
最近ずっと、最近っていうかもうここ2年ぐらいずっと科学史だったけど、歴史以外のこともやりたいみたいな言ってたよね。
言ってたよね。
まあ科学史と言いつつ脱線しまくってんだけどね。
まあね。
たまには結構こうなんかニュートラルにサイエンスの話してもいいよねっていう。
そうだね。
してもいいよねっていう、まあそういうのでやりたかったんで、ポッドキャストもね。
そうですね。
あとちょっとこの時期にしてるのは、これの前の回で話してるかもしれないですけど、ちょっとポッドキャストアワードっていうショーが始まってまして、
はい。
ノーベル賞ではないんですけど、ポッドキャスト界のノーベル賞ですよこれ。
これ投票で決まるんで、今これ聞いてるあなた。
はい。
投票してくれたら僕らの未来が変わるかもしれません。
そうですね。なんか毎年さ、なんだかんだで何にも入賞とかすらしてないもんね。
そうなんだよ。これマジで声を台にしていたり、しかもなんかたまにさ受賞してますよねみたいなテンションでさ、話してくる人いるんだけど、取ってないですからねこれ。
いやー悲しいですね。
いや悲しいよね。純粋に悲しいなっていう。結構頑張ってるはずなんだけどなみたいなのもあるんで、そろそろね、今年は初めて投票システムらしいんで、
はい。
もしかしたらね、聞いてる人が協力してくれたら、もしかするかもしれないんでね。
はい。皆様の気沖一票をぜひサイエントークに入れてください。
はい。もうエマさんが言ってください、こういうの。ちょっと僕が言うのもあれなんで。
入れてください。
僕がお願いするより効果あると思うんで。
レン君もちゃんとお願いしてください。
ぜひ皆さんよろしくお願いします。
お願いします。
早速ね、話すんですけど、さっき右から左に抜けたやつもう一回言うと、人工ニューラルネットワークによる機械学習。
ニューラルってなんだっけ?
ニューラルっていうのは神経ですね。
あーはいはいはい。人工的な神経の?
ネットワーク。
あ、ネットワーク。はい。
による機械学習を可能にする基礎的な発見と発明っていうのが受賞タイトルですね。
オッケーオッケー。
やっと入りました、頭に。
人工的な神経のネットワークで機械学習する方法を編み出したんだね。
そうそうそう。で、これって本当にもうAIの基礎の基礎みたいなところで。
最初にも言ったんですけど、かなりコンピューター科学のジャンルなんですけど、ノーベル賞ができた当時っていうのがそもそもコンピューター科学みたいなもの。
そこまで発展してない。そこまでっていうか、学問自体存在してなかった時なんで。
ノーベル賞できたのはいつだっけ?
ノーベル賞できたのは、ノーベルさんがお亡くなりになったのが1896年なんで、それぐらいですね。もう1900年頭ぐらいかな。
だからコンピューターそもそもないし、あとはAIが発展していくのもコンピューターが発展していくのと平行していってるんで。
そういう意味ではようやくノーベル賞みたいな結構大きい賞でもAIみたいなジャンルがフィーチャーされて認められましたっていう。
そういう意味ではすごい記念すべき年って言われてた今年。
そうだね。ちょっと遅い感じもするけどね。ノーベル賞がAIに追いつくのに。
なんだけどね、実はねこれ受賞した人、ノーベル賞ってさ毎年誰が受賞するんだみたいな予想大会みたいなのやられてるんですけど、今回はもうめちゃくちゃ予想外だったらしくて。
そもそもAI関連がノーベル賞で取り上げられるって誰も予想してなかったってこと?
AIの元になってる人工ニューラルネットワークみたいな、そこまで遡って受賞するみたいなのは全然予想がされてなかったと。
そもそも人工ニューラルネットワークっていうのがAIの元なんだ。
そう、これも後で説明するんですけど。
そうなんだ。
で、これ受賞したのが2人で、イギリス人のジェフェリー・エバレスト・ヒントンさん。
今これトロント大学、カナダにいるんですけど。
ヒントンさんですね、1人目は。
で、この人が深層学習のゴッドファーザーと言われてる人らしくて。
深層学習っていうのはさっき言った人工神経ネットワークみたいなものを、そもそも根幹みたいなものを発明したっていう。
で、この人が受賞するみたいな予想って全然なかったらしくて。
そんな重要な発見なのに。
発見というか発明。
そもそもすごいんだけど、物理学賞とか科学賞みたいな、そういうのには当てはまらないんじゃないかって言われてたみたいなね。
なるほど。
で、もう1人がジョン・ジョセフ・ホップフィールドさん。
この人アメリカの人で。
で、この人もAIが発展するときに重要な計算方法みたいなものを作った人で、この2人が受賞してる。
で、他にもいたんだけど、結構もう亡くなってる人とかも多いんで、このジャンル。
昔からやられてるんでね。
そっか、なんか意外と最近の研究に見えて、もう亡くなってる人がいるほど古くからある研究なんだね。
そうだね、2人目のホップフィールドさんは今91歳ですね。
えー、そうなんだ。
だからね、僕らからしたらさ、AI出てきたみたいな体感さ、もうここ数年じゃないですか。
なんか10年くらい前からちょこちょこ言われ出してきたかなみたいな感じはあるけど、やっぱそれよりも前に基礎研究が長いことあったっていうことなのかな。
そうそうそう。で、ちょっとそれ遡りたいんですけど最初に。
AIの歴史と影響
はいはい。
一番最初に言った人工ニューラルネットワーク、これがまず発想として出てきているのが1940年代とか。
てかそもそもさ、その人工ニューラルネットワークっていうのはAIの元となるものなの?
なんかパッと名前だけ聞いたときにさ、なんかAIを利用した技術のうちの一つなのかなみたいな思ったんだけど、
そうじゃなくてそのAIの元となる技術っていうこと。
そうそうそう。で、AIってじゃあなんなんって感じじゃん。そもそも。
うん。
AIってなんて言います?
人工知能。
人工知能でしょ。だから脳みそと同じようなことをしてるっていうのが本当にざっくり言うとまずあるじゃないですか、AIって。
記憶のプールにまず行って、そこから答えとなるものを取り出していくみたいなことを人間と同じようにしてるっていうことですかね。
そうそうそう。それに近い。で、それをやるために僕らの脳って例えばリンゴを見たとするじゃないですか。
はい。
そしたらそれって目だったらその光の情報が目に入って、でその光の情報が電気に変換されて、でその電気の流れが脳に伝わっていくわけですよね。
はいはいはい。
で、そしたらこのリンゴはこれぐらいの大きさで赤くてとか、あとは食べたらこういう味でっていうのはそれも電気信号に変換されて脳に送られてリンゴっていうものにひも付いていくわけじゃないですか。
はいはいはい。
ってなるとリンゴっていうものに対していろんな味とか匂いとか見た目とかそういうのが脳の中でリンゴの神経回路みたいなのができるわけですよ。
なるほどね。
リンゴを見たらこの神経回路が活性化されてるなっていうのがまずそれが現象として起きるわけね。
はいはいはい。
神経細胞のネットワーク
そしたら次また別な時に別のリンゴを見た時にもこれはリンゴだなっていうので同じような神経が活性化するわけじゃない。
っていうのを繰り返していくと最初リンゴを初めて見た時はまずリンゴっていう名前ともひも付いてないしなんだこれはってなってるんだけど、
次にリンゴを見た時にこれはあの時のリンゴだなっていうので同じ経路が活性化されるんで昔の記憶が呼び起こされてこれはリンゴで美味しいものだとかそういうのを思い出すことができる。
記憶できるっていうことですよね。
一度使った経路が何回も使われることによって記憶として定着するみたいなことかな。
僕らの脳みそってそうなっててすごいわかりやすいのが何かを見た時とかに見れば見るほどやっぱ覚えていくわけですよ。
勉強とかもそうだと思う。復習したらやっぱり記憶が定着していくのってさっき言った神経細胞の接続がその部分だけどんどん強くなってると。
なんで簡単に思い出せるとか。
これってすごいよくできてるシステムでこの経路のパターンが変わったらまた別なものの記憶に使えたりもするわけなんで。
この神経細胞のネットワークがすごい複雑に噛み合ってるほどいろんなものを記憶したりとか体を動かすっていうのもそれ使えたりとか電気信号がいろんな流れ方ができるんでね。
っていうのがまずそもそも僕らの脳の神経のネットワークっていうものですよね。
これ超簡単に言ってるんだけど今。噛み砕いてね。
なんとなく理解した。
そうなんとなくこういう感じになってるっていうのはあるんですけどこれをコンピューターにしようって思った時に一緒なんですよね。
神経細胞っていうものをまず特定のノードって言うんだけどコンピューターの中に1番っていうノードがあったとしてこれが神経細胞1番ですと。
でそれをまた別なノード別な神経細胞みたいなものをまた仮想で作ってあげてでそこをつなぐと。
じゃあそのノードっていうのはなんかその情報を伝達できる何かなのね。
ノードが何かわかってない?
ノードっていうのはね分岐点みたいなもんかな。
うん。
でそれが互いに接続していくみたいな感じだよね。
じゃあ何かを受け取って何かAかBかって判断してでそれに応じて何か次のノードに渡していくみたいな?
そうそうそう。
そういう働きを持ったコンピューター上のやつ。
よく見たことあるかもしれないけど丸で書いててさその丸から2本線が出ててAの道に行くかBの道に行くかみたいな。
フローチャートみたいな?
そうそうそうフローチャートみたいなね。
それはなんかパソコンとかの中にあるの?物理的にあるって感じ?それとも概念?
いや物理的にあるっていうかそういうシステム概念に近いのかな。
概念。そういうのがあるっていうことですね。
でこのノードってやつも例えば0の信号の経路と1番の信号の経路ってできるわけなんだけど。
例えばリンゴってやつが1番っていう風な情報を持っててリンゴっていうのをいっぱい与えられると1番の経路だけどんどん強い接続になっていきますっていう。
そういうこう0か1かの重み付けみたいなのができるわけなんだよね。
この神経細胞に習って作ったAIの元になってるやつって。
でこれが結構当時新しかったことでただ01っていう分岐にするんじゃなくて
今まで0か1かで1番の方がいっぱい来てたから1番の方に行きやすくなるみたいな。
これさっきのだから記憶の神経細胞にちょっと似てる話で
リンゴっていう経路がリンゴを見れば見るほど強くなっていくように
コンピューターの中でもとあるリンゴみたいな信号が来た時に1番の方の経路の方が行きやすくなるみたいな。
これすごい概念的な話なんだけど。
そういう仕組みを作り出した?
そういう仕組みを作ったのが本当にAIの最初というか脳みその最小単位の神経細胞を作りましたみたいな話なんだよね。
これをめちゃくちゃ繋げていくとリンゴっていうものに対していろんな情報が紐づいてそれがアウトプットとして出てくるみたいな
人間の記憶にすごい近いようなことをコンピューター上でできるようになるっていうそういうイメージ。
その新しい回路の仕組みはプログラミング上でそういう新しいのを作ったっていうこと?
そうだね。こういう計算方法を作ったみたいな感じかな。
なるほど。
だから物理的に何かを作ったっていうわけではなくて、数学的にこの0番か1番かっていう分岐点のバイアスをつけていくっていう方法。
これはすごい数学的なんだけど、それを作ったっていう。
これ形式ニューロンって言われるやつなんだけど、これが本当に1943年とかの最初期のAIの元の元みたいな話。
ちょっと難しいかもしれないけど。
何年って言った今?
1943年。
43年か。
でもそんなことが43年とかそういう戦時中に行われてたんだね。
そう。めちゃくちゃ昔なんだけど。
大元がこういう感じで、結局1940年代ってコンピューターなんてもう全然なくて、初めて電子部品をベースにしたコンピューターができましたっていうのが1940年代ぐらいなんですよね。
その時期にさっき言ったようなAIの元の発想が出てるのって結構ある意味すごくて。
そうだね。それはもうさ、そのAIにしようって思って、そのやり方をその人が編み出した感じ?
そう。生物の脳の仕組みを再現したいみたいな。
すごい。
そういうのがあったらしい。だから人工ニューロンって言ってんだよね。
でも当時早すぎて、特に使い道があんまないみたいな感じだったらしい。
コンピューターも処理しきれないし、いいコンピューターまだないんで。
そうだよね。
そこからは、いまいちちょっと使えないなみたいな。
AI冬の時代って何回かあって、1960年、70年ぐらいかな。
もうAI全然発展しないみたいな時代があったと。
計算というかコンピューターの能力が上がるのを待ってるみたいな感じかな。
そうだね。ある意味そうだ。
そういう中で、このAIの冬の時代を終わらせたっていうのが今回受賞した一人。
ホップフィールドさんっていう人で。
この人ってコンピューターの分野の人じゃないんですよね、あんまり。
どの分野の人なの?
生物学と物理学を組み合わせるみたいな専門家で、
当時やってた研究が、体の中の分子では電子がどうやって移動してるかとか、
そういう研究をしてた人だよ。
全然AIとかじゃないんだよね。
その人が神経科学の学会みたいなのに出た時に、脳の構造について興味を持って、
脳の細胞のネットワークってどうなってるんだろうっていうのを後から研究し始めたと。
これ1980年ぐらい。
ここで最初に言った、もう一回AIのノードが繋がりますみたいな計算方法っていうのを、
もう一回再発明というか、改めて作り直して。
じゃあ、昔誰かが発明してたけど、それはまたあるっていうふうに発見して、さらに改良した?
もっといいものを作ったっていう感じなんだけど、
数学的なやつを全部説明できないんだけど、
ホップフィールドネットワークっていうものが、ここからこの人が作ったシステムで、
これどういうことかっていうと、
例えば、さっきもリンゴって言われたら赤いもので、丸いものでみたいな答えが出てくるのって、
いろんな選択肢がある中からそこに落ち着いてるわけじゃん、答えが。
リンゴって言った時に、青とか緑とか赤みたいな選択肢がある中で赤っていうところに最終的に落ち着いて、
それを出力してるわけじゃん。
それをうまいこと、最短距離でというか、適切だよねっていう答えを導く計算方法っていうのがいろんな方法があって、
そのうちの一つが物理計算とかでエネルギー計算ってあるんですよ。
分子の状態でどの形になった時が一番安定かなみたいな。
いろんな計算をして最終的にエネルギーの谷底に落ちるみたいなのをよく言うんだけど、
一番谷になる場所を探す計算っていうのがあって、山がいっぱいある地形にボールを落とすとするじゃないですか。
ボールってコロコロコロコロ転がって、一番低い位置を探してそこにスポッてたどり着くっていうことが起きるじゃん。
このホップフィールドネットワークってそれって言われてて、山みたいなこういろんな地形があって、
例えば赤とか緑とか青とかさっきの色で言うとね、山の地形があって、
リンゴっていうボールが来た時にリンゴの情報がいろんな過去のやつ、どれかなどれかなっていうのをコロコロ転がりながら探して、
赤いっていうので一番適切な一番低いところにスポッてはまるみたいな。
そしたら赤って答えが出るみたいな。そういうイメージ伝わるかなこれ。むずいかな。
ちょっと完全には理解しきれてないけど、イメージはわかった。
今回イメージを伝えるのが目標なんで。
これが当時全然できてなかったらしくって、これって物理学の計算なんですよね。
もともと物の磁性を研究する時にこの計算法を作ったって言われてて。
磁性ってどういう感じ?
磁石。
磁石。
磁石って原子1個1個もちっちゃい磁石みたいな性質を持ってるんだけど、
それがいっぱい集まった時に全体としてどうなるのみたいな計算をするために最初これ作ったって言われてて。
それはホップさんが作ったの?
これはホップフィールドさんが作ってる。
そもそも生物学者だったけど。
物理もできたって言うよね。
生物物理学者だったもんね。
そうそう。だから物理もわかる。
それで脳のネットワークに興味持って、人工的にやりたいってなって、物理の計算式を編み出した。
それを使い方を変えると、さっき言ったリンゴみたいな情報を入れたら赤にたどり着くみたいなものにも使えるよねっていう。
物理学の応用
それでAIに応用されていくって感じ。
じゃあAIを作りたいっていうわけじゃなくて、その計算式を作ったら結果としてAIができたみたいな?
作りにはいってるんだけど、結果としてはそうだね。
もともと物理学の研究してたんだけど、今で言うAIの研究でしたっていう感じだよね。
なんかさ、山とか谷とかエネルギーの話はさ、これは例え?
だって実際にインプットして、インプットというかリンゴって何ですかって聞いて、それで赤で吸って答えるまでに、
実際にさ、赤が一番エネルギー低いとかさ、そういうエネルギーの計算みたいなして、
エネルギー一番低いところにたどり着いてるのか、それともさっきの例えなのか、そこら辺がちょっとよくわかってない。
山とか谷とかは例えなんだけど、でもやってることは結構一緒みたいな感じじゃないかな。
なんだろうね、例えでしかないんだけど、家の中でさ、ゴロゴロしててさ、一番ここ寝やすいなーみたいなとこあるじゃん。
それ一番エネルギーが低い谷の部分だと思うんだけど、俺的に。
それをさ、その家の中の一番心地いいとこ探すためにさ、いろんな場所にさ脳で考えてこう、ここがちょうどいいかなとか、いやソファーだと微妙だなとかやるわけじゃん。
なんかめっちゃ今、君が家の中ゴロゴロゴロゴロゴロ転がりながら心地いい場所を探すことを想像したらめっちゃ笑えた。
でもそういうことじゃない。で、それはさ、僕というさ、こう、知能がさ、考えていろいろ考えるっていう計算をして、いろんな場所を試していくみたいな感じだよね。
そうだね。
で、このベッドのこの位置だったら一番寝やすいわみたいなところにたどり着いて、そこで寝るみたいな。それが答えだみたいな。
っていうのって、そこに至るまでに、こう、僕はめっちゃ考えて計算して、いろいろ巡りますっていうのをやるわけよね。それが本当に計算っていう感じ。
でも一緒だと思う。
そう考えると、確かにいろんなことに応用できそうだね。
例えばさ、なんか料理とかでさ、なんか材料が3、4個ぐらいあってさ、で、それぞれの量がどういう量のバランスのときに一番おいしいかみたいな、そういうのにも使えるかもしれないし。
あー、そうだねそうだね。ある意味こう、経験則をちゃんと計算でできるようになってるみたいな感じかも。
あー、いっぱいその経験をインプットしておいて、で、この経験のときはエネルギー値どれぐらいみたいな、そういう風にしておいて、で、その中で一番エネルギー低いやつを探すっていうことか。
そうそうそうそう、そういう感じ。これ結構平和のたとえいいかもしれないな。で、今のさ、いろいろ試すっていうやり方を見つけたのがさっきのホップフィールドさんなんだけど、
で、もう一人の受賞者はその次のことをやってて、今言ったこうさ、部屋の中でいい場所いいとこ探すっていうのをさ、すべてやるのってめっちゃ大変なんですよ。
で、想像してほしいんだけど、例えばね、何にも考えずにやると、普通は絶対ありえない場所、例えば台所のキッチンの上がいいかなってそこで一回寝てみるとかさ、
テレビ台の上がいいかなみたいなさ、こうやってみるみたいなさ、こうなかなかさ、全パターンをやるの難しいわけじゃないですか、家の中でね、計算するの。
で、そういう普通はやんないよねっていうのを排除していって、計算の量を減らすみたいなのも結構このジャンル大事で、特にこうコンピューターでさ、全パターン計算するのってやっぱ大変なわけですよ。
っていうのをなくすために、例えばキッチンで寝ることはないよねみたいなね、場合分けするというかパターン化するみたいな、そういうまた次計算方法っていうのが新しく出てくる。
で、これがまたちょっとボルツマンっていうまた別の人がやってるんだけど、これも結構物理学で、空気中の分子の動きとかを計算したいですってなった時に、分子一個一個を全部計算して追うことってすごい大変なんだけど、
だけど分子一個一個じゃなくてもう少しまとまりで計算してあげるっていうのをやると、じゃあ全体の動き方とか温度とかも予測できますよねとか、そういうのができるっていうのが元々ボルツマンさんが作った計算方法みたいなのがあって。
じゃあボルツマンさんは物理学者?
ボルツマンさんは物理学者だね。
実際そのボルツマンさんは元々はAIとかコンピューターのためとかじゃなくて、実際の分子の動きとかを把握するための計算方法を研究していた人?
そうだね、本当に純粋に物理学者で温度とか圧力とかを予測するみたいな計算とかそういうのを作ってた人で、この人ねちょっと前の時代なんだよね1906年にはもうお亡くなりになってるちょっと前の世代の人なんだけど
あれその人が受賞したの?
いやこの人は受賞してない。ノーベル賞生きてる人しか受賞できないんだけど。
ボルツマンさんという人がそういう考え方をもうちょっと1900年代、1800年代ぐらいにもう作ってましたよっていう話があって、それをAIに持ち込んだっていうのがもう一人の受賞者。
ヒントンさんという人なんだよね。
どういうふうに持ち込んだんですか?
さっきのさ、もう原子一個一個計算するのは大変だよねっていうのって、こう神経経路みたいなさっきの最初に言ったさ神経のつながりみたいなもの全パターン計算するのは大変なんだけど、別になかなかこう滅多に接続されないところ部分は省略できるよねとか、省略しても全体としてはそんなに答え変わんないよねみたいなっていうシステムをこのAIのジャンルでやった人で。
どういうふうに応用したんだろう?さっきのボルツマンさんの考え方を。
応用したのは、新しい例えば犬の写真をじゃあ見せた時に過去のやつとどれぐらい似てるかなみたいので、これが犬かどうかっていうのをyesかnoか判断するっていうのをまず作りたいとした時に、単純に比較するのがそれまでのAIだった。
だからめっちゃ犬っぽい猫みたいなのを見せると犬って判断しちゃうみたいなことが起きちゃうんだけど。
そうじゃなくて、新しいこのボルツマンマシンっていうんだけど、計算方法だと犬の画像をバーって与えられたものから犬ってこういう特徴だよねっていうのを学習できるようになったというか。
だから一個一個の例からじゃなくて全体から犬ってこういうもんだよねっていうぼんやりとした犬という概念を作り出せるわけよね。
そのぼんやりとした概念と新しく見せた画像を見て判断するんで、だからすごい犬っぽい猫は犬じゃないよねっていう似たようなものをちゃんと排除できるみたいなのがこの計算方法によってできるようになった。
僕らの脳もそうじゃないですか。犬って言われて思い浮かべる犬っていろんなやついるけど、なんとなく特徴はあるわけじゃん。
こういう耳がここにあって、色はいろんな色があるけど、だいたい犬ってこういう感じの色だよねみたいなぼんやりとした概念あると思うんですけど、それを計算によってできるようになってるっていうのがすごいところで。
その全ての犬の写真から犬の特徴をピックアップするときの計算方法みたいなのがボルツマさんの計算方法を使った?
そうそう。中身はほとんど今言ってないんだけど、どこが革新的だったかっていうとこれらしくて。
なるほどね。初めは分子の動きとか熱とか圧力とかで全然どういうふうにAIと結びつくのかっていうのは想像できなかったけど、なるほどそういうことかって今理解しました。
だから全体をぼんやり把握するみたいな感じで分子一個一個を全部追わなくても全体の温度はこれぐらいっていうのは俯瞰してわかるよねっていう話と、犬っていうのを判断するときにこの犬と似てるかなっていうのを一個一個比較するんじゃなくて、犬の写真いっぱいの情報をなんとなくふわっと理解しておけば新しく来た犬は本当に犬かどうか判断できるようになったっていう。
っていうのに応用したっていう。これも実際もっと難しいことやってるんだけど、やってることとしてはより脳に近いなっていう感じがするよね。
そうですね。
っていうのが現代のAIにつながっていく革新的だったところで、もちろんこれと並行してコンピューターももっと発展していってるし、あとは計算の方法がもっと単純化していくみたいないろんな発明はあって今の時代のAIには結びついていってるんだけど、
この二人がやった計算方法の改善とか、そういうのが全部元になってその後のAI研究がスタートしてるっていうので、今回もノーベル賞になったという感じらしいですね。
ボルツマンの計算方法
そのさ、一人目の人と二人目の人がさ、それぞれその計算方法を編み出したのはいつ頃なんだっけ?
一人目のホップフィールドさんは1980年代とかに、さっき言った山をボールが転がってアンテナのやつを探すっていう、これを見つけたのがそれぐらいで、で、もう一人のヒントンさんは1985年とかかなに改良したっていうのはそれぐらいの時代ですね。
1950年とか60年とかはAI研究があんまり盛んじゃなかった時期って言ってたじゃん。
で、その80年代ぐらいにさ、その二人が新しい計算方法とかを発明して、それ以降はもうずっとAI研究がどんどん行われてきて、今に至るっていう感じなの?
一回やっぱりコンピューターの限界が来るっていうのはあって、それが本当に1900年代の末とかが、もう一回コンピューターは追いつかないってなっちゃうんだけど、そこからヒントンさんってさっきの受賞者の一人、その人がもう一回ブレイクスルーを一応起こしてて。
それはいつ頃?
それが2000年ぐらいの話で、さっきのさボルツマンマシンって言ってた方法をさらに改良みたいなこと、ここではそんなに詳しく触れないけど、さらに改良してコンピューターが処理できる速度っていうのを上げるっていう発明をまた別でしてるんだけど、それでそこからもう一気に進んで今つながってるって感じ。
そうなんだ、じゃあそのAI側だけじゃなくてコンピューターの処理速度側についてもこのヒントンさんはすごく貢献したんだね。
そうそうそう。
すごいじゃん。
だからこのヒントンさんはAI界のゴッドファーザーらしい。
でもこれからもそういうことあんのかな、なんかAI側の技術めっちゃ高くなったけどコンピューターの処理速度的に追いつかないみたいなのでまたAIの冬が来て、それでまたコンピューターが改良してどんどんどんどん発展していってみたいな感じで発展していくのだろうか。
コンピューターの限界みたいなやつまた来るんだろうけどそれこそ次ってこれ僕の意見ですけど多分本当に原子一個一個で計算もできちゃうとか、そういうのができるようになればもう次起きたらすごいことで。
でそれが起きると多分人間の細胞の動きとかもさ予測できたりするようになったりすると思うんだよね、本当に行き着くところまで行けば。
したら結構それって究極のシミュレーションでさ、例えば人間の体っていうものを丸々計算できますってなったらさ、じゃあこういう薬を例えば入れたら体の中でこういう動きをしてっていうのを全部計算でわかるみたいな、それ結構究極な気がしてて。
あとなんだろうな、何かものを作るときにこう機械の設計とかやるときに、機械の設計はもう今できそうか、できそうかもしれないけど、今まで人間が考えて設計してきたわけだけど、全部計算で一番最適な形の機械はこういうものですっていう、全く新しい機械が生まれますとかね。
あとなんだろうね、地球丸々計算できますとかなったらさ、もう天気予報も絶対外れないとかね、例えば。
そうなるといいのかな、シミュレーションがどんどんどんどん精密になっていくんですね。
ってなるんじゃないかね、わかんない、正直もう想像できる域超える感はあるけどな、こうAIの研究、どうなっていくんだろうね。
今のAIがさ、何かどこが課題で、どこをこれから乗り越えていくのかみたいなところを、何かAIの専門家に聞きたいよね。
ああ、そう聞きたいな。
ね。
そういう回やりたいね。
確かに、AI回。
AIの、そうですね、だからここまで来ると、あと専門家に聞きたいなってなるんだよね。
そうそうそうそう、もうわかんないもんね、これからのことはね。
わかんない。
AIと物理学の関係
でも一個、次回多分ノーベル科学賞やりますけど、タンパク質をどういう形になっているのかなっていう予測するの自体もやっぱりAIが発展しないと、そもそも不可能って言われたことなんで。
そういうのクリアできちゃったりね、今してるんで。
はいはいはい。
これもね、なんかタンパク質の形予想ぐらいできそうじゃねって思っちゃうかもしれないけど、マジで無理って言われてたらしいんで。
でもそういうのできちゃうから、僕らが今計算これできないよねって思ってるやつできちゃうんだよな、多分。
とりあえず次回はじゃあタンパク質の計算方法について語るっていうことで楽しみにしておきます。
そうですね、そこにうまいこと繋がったってことで。
はい。
で、まあ今回話したのは、もう超概念的なざっくりノーベル物理学賞の話っていう感じだったんで。
うん。
まあちょっと伝わってるかわかんないですけど、なんとなくねAIの背景そういう感じなんだっていうのが伝わったらいいかなっていう。
まああの部屋でゴロゴロ転がり回ってるのしか残ってない可能性もあるけど気になかった。
いやいや、あのちゃんと学びましたよ。
計算方法の概要
とりあえずそのAIの根幹には2つのなんか計算方法があって、なんだっけ、1つは、1つなんだっけ。
ホップフィールド。
1つはホップフィールドさんで、エネルギー一番低いところに行くやつ。
そうそうそう。
で、もう1つは1個1個個別に見るんじゃなくって、なんか全体を通してその特徴みたいなの掴んで、計算を法律化するっていうやつですね。
そうですね。で、まあそれはちゃんと人間の脳のニューロンみたいなやつを模した、脳土とその接続みたいなもので動いてるという感じですね。
脳土と接続ね、はい。
それが今回のお家に持って帰るメッセージってことで。
はい、テイクホームメッセージ。
そう、テイクホームメッセージってことで。
はい。
まあそんな感じです。
はい。
感想と今後の展望
というわけで今回はノーベル物理学紹介でした。また感想とかあれば教えてください。ちょっと難しかったかもしれないですけど。
そうそう、難しかったけど、まあまあまあこういう世界もあるんだよっていうことが分かりましたね。
あの専門家の方聞いてたら補足とかぜひ送ってほしいですね。
そうですね。
これも説明してほしいとかね。
うんうんうん。
ぜひまたコメントください。
はい、お願いします。
ありがとうございました。
ありがとうございました。
