進化のハブ – 人工知能の多様性が最新の成果で示される

人工知能のイノベーションは、ほぼすべてのセクターにわたってビジネスの未来を形作っています。ヘルスケア、製造、金融、教育、エンターテイメント、法務からメディア、カスタマーサービス、交通など、事実上、主要な産業はAIの影響を受けていないものはほとんどありません。

2023年のIBM調査によると、企業規模のビジネスの42%がすでにAIを業務に統合しています。他の40%は自社での導入を検討しています。

AIには生産性を変革し、ひいては経済のGDP潜在力を高める可能性があるため、これは理にかなっています。

PWCの推計によると、AIは今 decade の終わりまでに世界経済に15.7兆ドルの貢献が見込まれます。総経済利益の45%は、手頃さ、魅力、品揃え、パーソナライズの向上といったAI主導の製品強化からもたらされ、消費者需要を刺激します。一方、AIによる生産性向上に起因するGDPへの6.6兆ドルのブーストは、PWCによれば地域経済で期待されています。

AIは急速に破壊的イノベーションと競争優位性の主要な源となっており、ほぼすべての産業を前進させる中心的ハブとして機能しています。この巨大な可能性と多様性は、最近の技術活用による進展で見ることができます。

熱特性の予測

AIの興味深い応用の一つは、材料の熱特性を予測することです。これにより、エンジニアは高速なマイクロエレクトロニクスデバイスや、廃熱を削減しながらより効率的なエネルギー変換システムを設計できるようになります。

構造と特性の関係を理解することは、特定の特性を持つ材料を設計する際に重要です。すでにこの分野では機械学習手法で大きな進展が見られますが、モデルの汎化性や特性予測に関しては課題が残っています。

そこで、最新の研究では仮想ノードグラフニューラルネットワーク（VGNN）が提示され、これらの課題に取り組んでいます。仮想ノードモデルにおいて、研究者は原子座標だけからΓ-フォノンスペクトルと完全なフォノン分散予測を実現しました。ML原子間ポテンシャルと組み合わせることで、チームは精度を保ちつつはるかに高い効率を達成しました。

フォノンバンド構造を迅速かつ正確に計算できる能力は重要です。世界で生産されるエネルギーの約70%が実際には廃熱として失われています。科学者が絶縁体や半導体を通る熱の移動を予測できれば、より効率的な発電システムを設計できるでしょう。

このすべての問題は、材料の熱特性をモデル化することが非常に困難である点です。これはフォノン、すなわち振動エネルギーの量子が原因です。

これらの亜原子粒子は熱を運び、材料の熱特性の一部はフォノン分散関係、すなわちフォノンのエネルギーと結晶構造中の運動量との関係に依存します。これをシステム設計に組み込むのは難しいだけでなく、取得自体も大きな課題です。

核科学・工学の准教授であるシニア著者Mingda Liによれば：

「フォノンは熱損失の原因ですが、その特性を取得することは計算的にも実験的にも極めて困難です。」

熱を運ぶフォノンは極めて広い周波数帯域を持つため、予測が非常に難しいのです。さらに、これらの粒子はさまざまな速度で移動・相互作用します。

研究者は何年もMLを用いてフォノン分散関係の推定に取り組んできましたが、モデルは多数の高精度計算を必要とするため行き詰まります。

「もし100台のCPUと数週間があれば、1つの材料のフォノン分散関係を計算できるでしょう。コミュニティ全体がより効率的な方法を求めています。」

– 共同リード著者 Ryotaro Okabe、化学大学院生

フォノン分散関係の高精度計算に使用されるMLモデルはグラフニューラルネットワーク（GNN）と呼ばれます。これらのネットワークは材料の原子構造を結晶グラフに変換します。

結晶グラフはエッジで接続された複数のノードで構成されます。ノードは原子を表し、エッジは原子間の結合を表します。

GNNは電気分極や磁化などの計算でうまく機能していますが、非常に高次元なフォノン分散関係を正確に予測する柔軟性には欠けています。

固定されたグラフ構造でフォノンの運動量空間をモデル化しても、フォノンは異なる軸で原子周りを移動するため機能しません。したがって、柔軟性が必要であり、研究者は仮想ノードを導入してこれを実現しました。

グラフノードは通常原子を表しますが、チームは「グラフノードは何でもよく、仮想ノードは多くの高次元量を予測するために使用できる非常に汎用的なアプローチです」という考えに至りました。

固定された結晶構造に柔軟な仮想ノードを追加することで、チームは仮想ノードグラフニューラルネットワーク（VGNN）という新しいフレームワークを作り出しました。VGNNの出力サイズを可変にすることで、固定結晶構造に制約されなくなります。

しかし、これらの仮想ノードは実ノードからのメッセージのみを受け取ることができます。そのため、計算中に実ノードと共に更新されますが、モデルの精度には影響しません。

共同リード著者Abhijatmedhi Chotrattanapituk（電気工学・コンピュータサイエンスの大学院生）が説明したように、実ノードは仮想ノードの存在を認識していません。彼は次のように述べました：

「この手法はコーディング上非常に効率的です。GNNに数個のノードを追加すればよいのです。」

仮想ノードがフォノンを表すことで、VGNNモデルはフォノン分散関係の予測時に多くの複雑な計算を行う必要がなくなり、GNNよりも効率的です。

MITらの研究者が開発した新しいAMLフレームワークは、従来の非AIベース手法に比べてフォノン分散関係の予測が最大100万倍速く、他のAIベース手法と比較しても1000倍速く、精度は同等かそれ以上であることが判明しました。

材料の比熱容量を予測する際、研究者はこのモデルがやや高精度であることを確認しました。場合によっては予測誤差が2桁低減しています。

研究者によれば、このモデルは個人用コンピュータで数千の材料のフォノン分散関係を数秒で推定でき、特定の熱特性を持つ材料の探索が可能になります。また、合金系のフォノン分散関係計算にも利用でき、従来モデルでは特に困難とされていました。

マイクロエレクトロニクスでは、熱管理が高速化の大きな課題ですが、この新手法は極めて有用で、より効率的なマイクロエレクトロニクスの開発に貢献します。また、エネルギー生成システムの設計にも役立ち、出力と効率の向上が期待されます。

研究者は新モデルの3つのバージョンを提案しており、いずれも材料の原子座標から直接フォノンを推定できますが、複雑さが増しています。

以下の2社は、材料の熱特性予測におけるこのAI関連開発から恩恵を受けることができます：

#1. Intel

主要なマイクロプロセッサメーカーであるIntel (INTC ) にとって、熱管理は極めて重要です。高度なAIモデルにより、熱放散が改善された高速かつ効率的なプロセッサの設計が可能となり、製品性能と寿命が向上し、Intelの競争力が高まります。

#2. NVIDIA

データセンター、ゲーム、AIアプリケーションで使用されるNVIDIA (NVDA ) の高性能GPUにとって、効率的な熱管理は不可欠です。高度なAIモデルにより、より優れた冷却ソリューションが実現し、製品性能と信頼性が向上します。これにより、エネルギー効率の高いAIシステムの設計が可能となり、NVIDIAの市場ポジションが強化されます。

公平性の確保

別の論文では、AIを用いて希少資源配分に構造化ランダム性を導入することで公平性を向上させました。これにより、機械学習ベースのモデル予測が固有の不確実性に対処しつつ、効率性を損なわないようになります。

過去1年で、ChatGPTなどの生成AIの人気が高まり、技術はビジネスの不可欠な要素となっています。組織は福祉給付などの希少資源を配分するために機械学習モデルを活用するケースが増えており、履歴書のスクリーニングから面接候補者の選定、さらには人工呼吸器や臓器といった命を救う医療資源の限られた供給を生存率に基づいて患者に割り当てるまで多岐にわたります。

AIモデルを使用する際には、バイアスを削減して公平な予測を実現することが目指されます。これは、生成されたスコアのキャリブレーションやモデルの特徴量を調整して意思決定を行うといった手法でしばしば達成されます。

従来、アルゴリズムは公平であると考えられてきましたが、ノースイースタン大学とMITの研究者による新しい論文では、機械学習で公平性を達成するにはしばしばランダム化が必要であると主張しています。分析によれば、モデルの意思決定が不確実性を伴う場合、ランダム化は特に有益です。また、同一グループが継続的に否定的な決定を受ける場合、公平性向上のためにランダム化が必要です。

研究者はモデルの意思決定に特定のランダム化を導入するフレームワークを提示しました。この手法は個々の状況に合わせて調整でき、精度や有効性を損なうことなく公平性を向上させます。

「たとえ公平な予測ができたとしても、スコアやランキングだけでこれらの希少資源や機会の社会的配分を決定すべきでしょうか？規模が拡大し、ますます多くの機会がこれらのアルゴリズムによって決定されるにつれ、スコアに内在する不確実性が増幅され得ます。我々は公平性には何らかのランダム化が必要になる可能性があることを示しています。」

– 主著者 Shomik Jain、IDSSの大学院生

この新しい研究は、以前の論文に基づいて構築されており、スケールで決定論的システムを使用することの害を調査し、機械学習モデルが決定的に資源を配分することで既存の不平等を拡大し、バイアスを強化することを発見しました。LIDSの主任研究者であるシニア著者Ashia Wilsonによれば：

「ランダム化は統計学において非常に有用な概念であり、システム的にも個人的にも公平性の要求を満たすことができました。」

ランダム化が公平性を向上させるタイミングを探るため、最新の論文は哲学者John Broomeのロッタリー価値の概念を採用し、希少資源設定においてすべての主張にチャンスを与える必要性を論じました。Jainは次のように述べました：

「人々がこれらの希少資源に対して異なる権利を持つことを認めるならば、公平性は個々のすべての権利を尊重することを要求します。常に権利が強い人に資源を与えるだけでは公平でしょうか？」

強い権利を持つ者が常に資源を得る決定的な配分は、システム的な排除や不正の蓄積を引き起こす可能性があります。機械学習モデルも誤りを犯すことがあり、決定的アプローチを使用するとそれが繰り返されます。

論文は、ランダム化がこれらの問題を克服できると指摘しています。ただし、すべての決定を同程度にランダム化すべきではありません。不確実性が高い決定ほど、より多くのランダム化が必要です。

例えば、腎臓移植の配分は寿命予測を伴い、非常に不確実です。5年差の患者が二人いる場合、測定はさらに困難になります。Wilsonは次のように述べました：

「我々はその不確実性のレベルを活用して、ランダム化を調整したいと考えています。」

異なる条件で必要なランダム化の程度を決定するため、研究者は統計的な不確実性定量化手法を用いて、校正されたランダム化がモデルの有効性や実用性に大きな影響を与えることなく、より公平な結果を生み出すことを示しました。

「全体的な有用性と、希少資源を受け取る個人の権利を尊重することの間にはバランスが必要ですが、ほとんどの場合、トレードオフは比較的小さいです。」

– Wilson

ランダム化は大学入学などの公平性向上に非常に有益ですが、研究は刑事司法のように、決定をランダム化すると個人に害を及ぼす可能性がある状況も指摘しています。

今後、研究者は他のユースケースを調査し、価格や競争といった他の要因に対するランダム化の影響を検証し、MLモデルのロバスト性向上に活用することを計画しています。ここでは、この開発から大きな恩恵を受ける可能性のある2社を見てみましょう：

#1. UnitedHealth Group 

UnitedHealth (UNH ) Group Inc.は、AIモデルに構造化ランダム性を組み込むことで、患者ケア管理と資源配分の公平性を向上させ、バイアスを低減し、治療への公平なアクセスを確保します。これは、UnitedHealthが高品質で手頃な医療提供にコミットしていることと合致します。

同社は2024年第2四半期の売上が989億ドルで、前年同期比60億ドル増加したと報告しました。

#2. Pfizer 

Pfizer Inc. (PFE ) は、AIに構造化ランダム性を導入することで、臨床試験における患者選択や実験的治療の配分を公平にし、健康格差の是正とより広範な人口への利益を支援します。

売上面では、Pfizerは2023年に585億ドルの年間売上を報告しました。

パーソナライズド言語学習システム

AIのもう一つの興味深い応用は、パーソナライズされた絵本を生成し、子供の言語学習を支援することです。生成AIと家庭用IoT技術を組み合わせた最新の研究は、子供が音声とコミュニケーションをより効果的に処理できるよう、効果的でカスタマイズされた方法を提供することを目指しています。

子供の言語発達は、認知的・学術的成長に大きく影響するため、極めて重要です。子供の全体的な社会的発達における役割を考えると、言語の進捗は定期的に評価され、適時の言語介入が提供される必要があります。

従来は、標準化された語彙リストや事前に作成された教材を用いた一律のアプローチが採用されてきました。これは、子供が環境と相互作用しながら言語を学び、さまざまな環境で育つために語彙曝露に差が生じるという事実を無視しています。

この従来のアプローチの欠点を克服するため、研究チームは各子供の独自の環境に合わせた革新的な教育システムを開発しました。

このパーソナライズド言語学習システムは「Open Sesame? Open Salami! (OSOS)」と呼ばれます。スピーチパソロジー理論と実務的専門知識を組み合わせ、子供の言語発達の変動を個別の重み付けと柔軟な語彙選択基準で対応します。

生成AIと広範なセンシングにより駆動されるOSOSは、子供の言語環境をプロファイルし、個別にカスタマイズされた優先語を抽出し、それらの語を自然に組み込んだカスタム絵本を作成します。主に3つのモジュールで構成されています：

1. パーソナライズド言語プロファイラ
2. ターゲット語彙抽出器
3. パーソナライズド介入支援生成器

プロファイラは家庭に導入され、家庭用電化製品やスマートスピーカーに組み込まれて音声サンプルを収集します。録音の開始・停止は保護者が制御します。

この目的のために、家庭用IoTデバイスが子供の日常環境と言語曝露を捕捉・監視するために使用されました。その後、スピーカー分離技術で異なる話者を識別・分離し、形態素解析で言語の最小意味単位を評価することで、子供の語彙が検査されました。

エクストラクタは発話を分析し、子供に推奨できる選択可能な優先語リストを抽出します。各語は、スピーチパソロジーに関連する重要要因に基づくスコア計算により分析されます。

一方、ジェネレータは介入手段として絵本を提供します。これは一般的な臨床実践であり、子供の日常に組み込まれています。チームはGPT-4やStable Diffusionなどの先進的生成AI技術を用いて、各子供のターゲット語彙をシームレスに統合したカスタマイズブックを作成しました。

チームは4週間にわたり9家族でパーソナライズド言語学習システムをテストし、日常環境での適用性と子供たちがターゲット語彙を習得したことを効果的に示しました。

「我々の目標は、AIを活用して、個々のレベルとニーズに合わせたカスタマイズガイドを作成することです。」

– 主著者 Jungeun Lee（POSTECH）

以下の2社は、AI駆動のパーソナライズド言語学習システムから恩恵を受けることができます：

#1. Amazon

Amazon (AMZN ) は広範なAIとIoTの能力を持ち、Alexaなどのスマートホームデバイスにパーソナライズド言語学習システムを統合できます。これにより、保護者はAlexaを使って子供の言語発達をリアルタイムで捕捉・分析し、個別の学習体験を提供できます。

2023年、Amazonの総売上は12%増の5,750億ドルとなり、北米、国際部門、AWSが大きく貢献しました。

北米売上は12%増の3,530億ドル、国際売上は11%増の1,310億ドル、AWS売上は13%増の910億ドルとなりました。営業利益は2022年の122億ドルから2023年には369億ドルへ急増し、フリーキャッシュフローは2022年のマイナス116億ドルから2023年にはプラス368億ドルに転換しました。

#2. Alphabet Inc. (Google)

GoogleはGoogle HomeやNestデバイスを活用してパーソナライズド言語学習システムを展開できます。GoogleのAI専門知識を利用し、これらのデバイスはカスタマイズされた学習コンテンツを提供し、言語発達を追跡することで、子供の効果的な言語介入を支援します。

2023年、Alphabet Inc. (GOOG ) の総売上は3,074億ドルに増加し、2022年の2,828億ドルから伸びました。Google Services（検索やYouTube広告を含む）は2,725億ドル、Google Cloudは311億ドルを生み出しました。営業利益は843億ドルに上昇し、Google Cloudは2022年の19億ドルの赤字を逆転し、2023年には17億ドルの黒字となりました。総資産は4,024億ドルに達し、うち現金は1,109億ドルです。

結論

これらの最新成果からも分かるように、AIは子供の言語発達支援から、より効率的なエネルギー変換システムや高性能マイクロエレクトロニクスデバイスの設計に至るまで、多様なユースケースを持ちます。このことは、AIの多様性がいかに強力であるかを示しています。

AIは大量のデータ処理、反復作業の効率的実行、データからの学習、時間経過とともに改善する能力を備えており、イノベーションを促進し、効率と生産性を向上させ、コストを削減し、意思決定を強化する幅広い産業にとって真に破壊的な力となっています。この背景のもと、AIは現在の推定をはるかに超える可能性を秘めており、産業を変革し、ひいては私たちの生活を変えるでしょう。

人工知能への投資についてすべて学ぶにはこちらをクリックしてください。