DIKWピラミッド、AIはどのレベルまで登ったのでしょうか?

DIKW ピラミッドについては聞いたことがないかもしれませんが、この塔の軽蔑の念は感じたことがあるはずです。

あるゲームキャスターがかつてこう予測しました。「観客は第 2 レベルしか見ず、第 1 レベルを思い浮かべたが、実際は第 5 レベルにいた」そのため、ネットユーザーたちは「この波、この波は大気圏にある」と予想外の行動を説明した。

この発言は少々ユーモラスではあるが、科学的にはある程度意味をなしている。

DIKW ピラミッドは、人間の理解、推論、解釈の階層構造であり、データ (生の事実のセット)、情報 (分析および測定可能な構造化データ)、知識 (学習には洞察力と理解が必要)、知恵 (行動の指針) で構成されています。

DIKWピラミッドの頂点に立つ者は、すべてのレベルを通過したトッププレイヤーに相当します。データを習得し、それを情報として整理し、それを知識として理解し、それを知恵に変換することによってのみ、神の助けを得て行動することができるのです。諸葛亮は機知に富んだ人物で、あらゆる技を難なく使いこなすことができました。彼は間違いなく「偉大な人格者」でした。

DIKW ピラミッドは人間に適用されますが、AI にも適用されますか?答えはイエスです。

AIにも軽蔑の連鎖があれば、データベースのAIは知識ベースのAIに確実に押しつぶされることになる。

これは、AI が知識技術であるためです。 AIは知識によって駆動されるテクノロジーです。したがって、初級人工知能から上級人工知能、汎用人工知能へと発展するプロセスは、DIKWピラミッドを登るプロセスでもあります。

近年、AI分野の多くの学術界と産業界の勢力は、「データが奇跡を起こす」ことを重視する力ずくのコンピューティングから「知識ピラミッド」のより高いレベルへと移行し、知識コンピューティングを推進してAIアプリケーションの将来のトレンドをリードしています。

知識ベースの AI への移行は重要な段階にあると言えます。 AI はすでにあなたや私の生活のあらゆる側面に影響を与えているので、AI が DIKW ピラミッドを登っていくにつれてどのような変化をもたらすのかについて話し合う必要があります。

振り子の帰還：合理主義のルネッサンス

知識を機械知能に適用することは新しいことではありません。人類は前世紀の初めから知識コンピューティングを探求し始め、それを仕事や生活に広く応用してきました。

AIが誕生した瞬間から、合理主義と経験主義という2つの主要な思想流派が互いに補完し合いながら成長と衰退を繰り返してきました。彼らに共通するのは、機械知能はまず知識を持たなければならず、知識こそが知能の核心であると信じていることです。彼らの違いは、理解と知識の獲得方法の違いにあります。

これら 2 つの学派の発展により、知識と AI の組み合わせが 2 つの形で現れました。

1 つは、人間が知識を提供し、機械が計算を担当する合理主義的な組み合わせです。

合理主義では、人間の知性は生まれつきのものであり、遺伝的に受け継がれるものだと信じています。機械知能を実現するためには、人間の脳の動作メカニズムを理解し、その知識をまとめ、人間が機械に何をすべきかを指示する必要があります。

典型的なアプリケーションはエキスパート システムです。

人間の専門家が知識を要約し、コンピューターはエキスパート システムの知識ベースに基づいて学習します。このアプローチは非常に解釈しやすいです。 1968 年に世界初のエキスパート システムである化学エキスパート システム DENDRAL の開発に成功して以来、単一の分野を対象として専門家を模倣して推論と分析を実行する初期のエキスパート システムが普及し、工業、農業、医療、気象、輸送、軍事などの多くの産業コンピューティング シナリオで広く使用されています。

しかし、専門機械は特定の領域でしか機能せず、構築コストも非常に高くなります。さらに、専門家の認知能力の限界により、人間が知識を見つけられなかったり、表現できなかったりすると、機械がそれを学習する可能性はさらに低くなります。

そのため、1990年代から現在にかけて、AIと知識を組み合わせる別のモード、つまり経験主義が主流になりました。

分類器は人間によって手動で構築され、開発者は事前に答えを知る必要はありません。機械は、人間の専門家が説明できず、理解はできても言葉で表現することができない知識に依存しません。独自の動作メカニズムに従ってデータから知識をマイニングし、大規模なデータを通じてモデルパラメータをトレーニングすることで、人間を超える知能を発揮します。

最も代表的なものはディープラーニングです。

Google Brain は、強力なデータ、コンピューティング能力、ニューラル ネットワークを活用し、「猫」という言葉を知らなくても、人間の助けを借りずにトレーニングを通じてデータを知識に変換できます。何百万枚もの写真を見た後、猫が毛むくじゃらの（ここでは多くの形容詞は省略します）生き物であることを理解して、猫の基本的な特徴を自ら抽出し、大量の写真の中から猫をうまく識別することができます。

AIは膨大なデータに基づいて、関連する知識を真に理解して習得しているわけではなく、つまり「結果は知っているが理由は知らない」ため、人間の専門家を本当に置き換えることは不可能ですが、複雑なパターン認識の問題をより単純なパターン認識の問題に分解し、特定のタスクでは人間よりも優れた効率的なパフォーマンスを発揮し、大きな進歩を遂げています。ディープラーニングは、経験主義の頂点であり、AI の第 3 波を推進する中核とも考えられています。

しかし、データベース AI と知識ベース AI には本質的な違いがあります。有名なモラベックのパラドックスは長い間この問題を指摘してきました。機械は人間のように暗黙の知識を思考や行動に統合して高度な知能を形成することができないため、論理においては巨人でありながら常識においては矮小な存在となっている。彼らは囲碁などの難しい問題では人間を上回ることができますが、非常に単純な認知問題では、彼らのパフォーマンスは実際には4歳または5歳の人間の子供のパフォーマンスよりも劣っています。

解決策の 1 つは、合理主義が主張するもので、機械が知識を理解し、実際の人間のように考えることができるようにすることです。

チャーチルが『振り子は大きく揺れすぎた』で予測したように、AI は経験主義から大きく逸脱しており、将来的にはより早く合理主義に戻ることになるだろう。合理主義の復活のペースが来ています。

業界の呼びかけ：デジタル化の波と知識の光

おそらくあなたは、経験主義と合理主義は単に学問の世界における学派間の論争であり、一般の人々や産業界とは何の関係もないと考えているかもしれません。

実際、産業インテリジェンスの波の中で、知識ベースの AI を求める業界や組織が増えています。その理由は次のとおりです。

モデル設計フェーズでは、知識に基づく理解が必要です。

AI が研究室や象牙の塔から数千もの産業に進出し、物理的世界や生物界と統合し始めていることは周知の事実です。ただし、これらのフィールドのデータは完全に 1 と 0 で構成されているわけではありません。

例えば、AIがタンパク質の構造を予測する場合、それぞれのタンパク質は単なる画像データではなく、その背後に特定の意味を持っています。さまざまな分子が互いにどのように関連し、どのように相互作用し、どのような原理でそれらが結合されるかをサポートする生物学的論理と知識システムのセットが存在します。薬学の知識が不足しており、純粋にデータ主導のアプローチを使用してモデルを設計すると、作成したモデルが効果的でない可能性があります。

したがって、AI モデルを本当に産業界で役立てるためには、実際の作業の仕組みモデルや専門知識などを組み合わせ、AI が理解・処理・分析できる数学言語に変換する必要があります。

モデルのトレーニング段階では、知識ベースのデータが必要です。

産業用 AI では、データ内に大量の情報、つまり表現されていない、または表現できない知識が存在することが多く、それが専門家の経験や師弟の継承という形で反映されることがよくあります。より効果的な産業モデルをトレーニングするには、大量の完全なデータだけでなく、データ間の知識関係を正確に記述して、データからより有用な知識を抽出できる能力も必要です。

私たちが日常生活で遭遇する推奨アルゴリズムを考えてみましょう。従来の推奨アルゴリズムは、ユーザーが好むものを推奨するため、情報の繭に陥りやすくなります。国内の研究チームは、食品栄養科学の知識グラフと推奨アルゴリズムを組み合わせ、クリック数、興味の好み、身体データなどのユーザーフィードバックデータと健康知識を組み合わせて組み合わせて推奨を行っています。

知識ベースのデータは、人間の本質をより深く理解する高品質のアルゴリズムを作成するのに役立ちます。前述の推奨システムを例に挙げてみましょう。常にユーザーのニーズに応えるアルゴリズムと比較して、味の好みと健康管理の要件の両方を満たすオプションを提供します。もう一度想像してみてください。AI が食品配達ドライバーの行動データと人々の常識的知識を組み合わせることができれば、配達時間の無限の短縮によって生じる内部ジレンマを解決できるかもしれません。

モデル実装フェーズでは、知識に基づく信頼が必要です。

AI モデルの実用化は、その信頼性、つまり、その結果が人々に信頼されるかどうかに大きく依存します。ディープラーニングは説明可能性の問題によって制限されており、医学などの専門分野では人間の専門家ほど信頼されていません。 2 番目は信頼性、つまり妨害を受けてもうまく機能できるかどうか、つまり堅牢性の問題を解決できるかどうかです。

中国科学院の院士であり、清華大学人工知能研究所所長である張北教授は、産業応用のための人工知能は、豊富なデータまたは知識、完全な情報、決定論的な情報、静的な環境、特定の分野または単一のタスクという5つの条件を満たさなければならないと提唱した。これら 5 つの条件のうち 1 つでも満たされない場合、AI の産業化を実現することは非常に困難になります。

このジレンマを変えるアイデアの 1 つは、AI システムが知識を理解し、常識的な推論を学習できるようにし、モデルの信頼性と信頼性を高める知識コンピューティングです。

以前、Google は検索エンジンの結果の信頼性と説得力を高めるために、NLP と学習用のナレッジグラフを組み合わせていました。検索者が「XX は中国で働いていた」と記載されている記事を見つけ、この情報がナレッジベースと統合され、XX が北京にオフィスを構える中国貿易協議会で働いていたことが示されれば、「XX は中国で働いていた」の信頼性は大幅に向上します。

同様に、自動運転システムが、例えば「前方に大型トラックが視界を遮っているので、突然誰かが来てぶつかるかもしれないので注意が必要」といった、走行上の常識を大規模なテキスト情報から抽出して学習すれば、常識的な知識の理解によって、自動運転の安全性に対する人々の信頼は間違いなく大幅に高まるだろう。

モデル適用段階では知識ベースのコンピューティングが必要です。

現在の産業インテリジェンスにおける大きなボトルネックとなっているのは、計算能力のコストが高いことです。大規模なディープニューラルネットワークシステムでは、複雑なタスクを処理するために大量のコンピューティングリソースが必要です。マサチューセッツ大学の研究によると、いくつかの一般的な大規模 AI モデルのトレーニング プロセスでは、626,000 ポンドを超える二酸化炭素が排出されることになります。これは、平均的な自動車のライフサイクル排出量のほぼ 5 倍に相当します。

簡単に言えば、人間は考えるとき（これも一種の知識計算です）に非常にエネルギー効率が良いのです。心理学者のカーネマンは「ファスト＆スロー」の中で、人間の脳はシステム 2 を通じてよりゆっくりとした合理的思考を実行するか、内部化された知識に基づくシステム 1 を使用して筋肉の記憶に似た無意識の高速計算を実行することができ、脳はごくわずかなエネルギーしか消費しない、と提唱しました。

将来的には、脳領域を活性化するのと同じように、知識ベースの AI モデルを作成することが、産業インテリジェンスの持続可能な発展を確保するためのグリーンコンピューティングの重要な方法になるでしょう。

業界の知識と AI コンピューティングの組み合わせは、理論上は技術の発展において避けられない段階であるだけでなく、実際に業界の AI に欠かせないステップであることは容易に理解できます。

AI は実用的な技術として、業界の知識を真に受け入れて統合し、コンピューティングと知識を新しい時代の生産性に変換して初めて、技術の長期的な価値を凝縮し、人工知能の第 3 の波を推進することができます。

困難な登り：データ層から知識層までにはいくつのステップがあるのでしょうか?

適用条件を考慮せずに技術の見通しを語るのは単なる空論に過ぎません。知識ベースの AI にも前提条件が必要です。少なくともいくつかの特性が必要です:

1. 知識表現の正確さ。

AIが知識を理解し、それを活用して複雑な現実世界の問題を解決するためには、まずその内容を数学的な言語に変換し、AIが解決できるデータに基づくパスに変換する必要があります。

しかし、AI システムで表現する必要がある知識の種類は多く、それらを包括的かつ正確に表現することは容易ではありません。

その中には、表現しやすい宣言的知識や、何かを実行する方法に関する手続き的知識などがあります。また、ある分野の専門家の経験に基づいてまとめられた経験的知識など、必ずしも完全に正しいとは限らない、記述が容易でない知識もあります。そして、分子間の相互作用など、人間が現在十分に理解していない概念的な関係を表す構造的知識です。

知識表現の正確さは、機械が人間と同じくらい知的になれるかどうかに直接影響します。

2. 知識推論の多様性。

推論能力、特に創造的思考は、人間と他の種との最大の違いです。ナレッジコンピューティングの中核となる能力は推論能力であり、既存の表現構造に基づいて対応する新しい知識を生成し、業界に創造的な洞察を提供します。

人間がさまざまなタスクを完了するために必要な知識を保存する巨大な知識ベースを確立するというシナリオを想像することは完全に可能です。 AI は、特定のシナリオや特定のデータ セットごとに特別にトレーニングする必要がなくなりました。それは、ある事例から別の事例へと推論を導き出し、推論と分析を簡単に完了し、現実世界のさまざまな複雑なタスクに対処できる、真に知的な人間のようになることができます。

3. 知識獲得の自動化。

常識データベースの構築は簡単な作業ではなく、「AI のマンハッタン計画」とも呼ばれています。特に、情報爆発によってもたらされた膨大な量のデータでは、情報を知識に変換する作業を機械が引き受けることが求められています。知識獲得の効率を向上させるために、自動化は困難な課題となっています。

自動化された方法を使用して新しい知識を獲得すると、AI 知識システムの反復が高速化され、モデルの自動更新が実現し、業界の知識グラフの構築時間が短縮されます。

4. 知識応用における高い効率。

業界によって知識の蓄積、応用、管理方法が大きく異なるため、企業が独自のパーソナライズされたツールセットを構築することは現実的ではありません。したがって、ナレッジコンピューティングを業界で実装するには、ナレッジマイニングの効率を向上させるために、ナレッジ検索、高性能クエリ、視覚分析などの機能を提供する一連の標準化されたツールも必要です。

新たに出現した技術の方向性として、将来を見据えたプラットフォームベースの技術企業や組織がインフラストラクチャを構築し、さまざまな業界や企業に機能インターフェースを公開することが求められています。

データと情報は世界を説明し、知識と知恵は世界を理解します。この観点から見ると、DIKW ピラミッドの ​​AI のレベルが高くなるほど、その能力は強力になり、強力な人工知能に近づきます。この登りの道は容易ではありませんが、AIの産業化と産業のAIを実現する唯一の方法です。

最後に、AI がピラミッドの頂点に達し、真の知恵を獲得すると、AI が地球上で最も賢いオブジェクトになるかどうかはわからなくなります。言い換えれば、人類は依然として最高の知恵のレベルにあるのでしょうか?

エリオットは詩の中でこう書いています。「知識の中で失ってしまった知恵はどこにあるのか？ / 情報の中で失ってしまった知識はどこにあるのか？」

昔々、知恵は人間に特有のものであり、人間は地球上で最も知的な生き物であるとされていました。デジタル時代において、多くの人々は知識を獲得したり積極的に考えたりすることがますます少なくなり、断片化されたデータと情報の広大な海にますます浸かっています。

おそらく、AI がピラミッドの頂点に登っていくのを目撃するにつれ、人間がピラミッドの底辺に滑り落ちていくのを警戒し続けることのほうが重要になるのでしょう。