Fei-Fei Li氏が語るAIの本質 ― 視覚から始まった知能の物語と、AIが決してアクセスできない領域
「AIのゴッドマザー」として知られるスタンフォード大学教授Fei-Fei Li氏が、神経科学者Andrew Huberman氏のポッドキャスト「Huberman Lab」に出演し、視覚科学の視点からAIの成り立ちを解説するとともに、AIが本質的にアクセスできない人間の領域、そして教育・医療分野での可能性と限界について語った。同氏は、コンピュータビジョンの黎明期から現代AIの基盤となったImageNetプロジェクトを主導し、現在は、スタンフォード大学の人間中心AI研究所(HAI)所長を務めながら、新会社World Labsで「空間知能」という新領域に挑んでいる。本稿ではその対談内容を整理する。
1. 「視覚」が知能の礎である理由
1-1. 生物進化の視点:5億4000万年前の"最初の光"
Li氏は、視覚が知能の礎である理由を、進化と計算機科学という2つの並行する視点から説明した。約5億4000万年前、三葉虫などの単純な海洋生物が初めて光を感知する能力を獲得したことが、動物の急速な種分化を促す進化的な力になったという。それまでほとんど感覚器官を持たなかった動物たちにとって、外界を感知する能力の獲得は、自らと外界との関係性そのものを一変させた。化石研究によれば、この「最初の光」からわずか1000万年後には、いわゆる「カンブリア爆発」と呼ばれる動物の急速な種分化が起きているという。人間の大脳皮質の活動のうち約半分は視覚機能に関わっているとされ、子どもの発達においても、言語を獲得するより先に視覚が発達することが知られている。
1-2. 計算機科学の視点:ニューラルネットワークの起源
視覚は、現代AIの成立においても重要な役割を果たしてきたとLi氏は説明する。ニューラルネットワークのアルゴリズムは、1950年代に計算機科学者たちによって研究が始まったが、同じ時期、神経科学者のHubel氏とWiesel氏が哺乳類の脳内で視覚細胞が階層構造をなし、情報を段階的に処理していることを発見していた。網膜から光を取り込み、最終的に「目の前に何らかの形がある」と認識するに至るこの神経のアーキテクチャこそが、ニューラルネットワークのアルゴリズムに着想を与えたのだという。現在のニューラルネットワークは、数千億から1兆規模のパラメータで動作しており、哺乳類の脳の記録から得られた知見とは複雑さの点で大きくかけ離れているが、その起源はおよそ半世紀前まで遡ると同氏は説明した。
2. 「データ不足」という発見からImageNetへ
Li氏自身の研究者としてのキャリアは、視覚科学からのもう一つの重要な貢献、すなわち「ビッグデータ」の重要性の発見に深く関わっている。2006年、プリンストン大学の若手教員だった同氏は、当時研究されていた様々なアルゴリズム(ニューラルネットワークだけでなく、ベイズ法やサポートベクターマシンなど)が、いずれも少ないデータしか与えられていないことに気づいた。そこで認知神経科学、特に視覚研究の文献を調べたところ、人間は6歳までに数万種類もの物体カテゴリーを学習できることが分かったという。この気づきから、AIの停滞の大きな要因はアルゴリズムそのものではなく、データの不足にあるとの仮説にたどり着き、当時他の研究者の多くがアルゴリズムの改良に注力する中、Li氏のチームはデータの構築に舵を切った。こうして生まれたのが、1500万枚の画像からなる、AI分野で初めてのインターネット規模のデータセット「ImageNet」だ。マイクロフォンやカップ、椅子といった日常的な物体をマシンに認識させることを目的としていたという。
2-1. 2012年:3つの要素が収束した瞬間
ImageNetの取り組みは、ニューラルネットワークのアルゴリズムの進化、そして、GPUによる計算能力の向上という2つの潮流と収束し、2012年に現代AIを定義づける転換点を生み出した。Li氏の研究室は2010年からImageNetを用いたコンピュータビジョンの公開コンテストを主催しており、1000種類の物体カテゴリー、100万枚超の画像からなるテストデータセットを用いて、画像に写る主要な物体を当てさせる課題を設定していた。後にスタンフォードの大学院生によって計測された人間の正答率における誤り率は約4%だったという。2012年、ニューラルネットワークを用いたアルゴリズム(AlexNet)が登場し、それまでのアルゴリズムの誤り率を一気に引き下げたことで、研究コミュニティ全体がこれを大きな転換点と認識した。もっとも、その時点でもまだ人間の精度には及ばず、実際にアルゴリズムが人間を上回るまでには、そこからさらに3年、2015〜2016年ごろまでかかったという。
3. 人間とAIの認識能力を分けたもの
Li氏は、こうした精度の向上が、その後音声認識や自然言語処理などAIの他の分野にも波及していったと説明した。研究者らは、鯨の鳴き声の分析にも機械学習を応用するようになったという。2016〜2017年ごろに発表された「Transformer」論文は、画像認識分野で成果を上げてきたAlexNetのようなアルゴリズムよりもさらに強力であることが示され、次の大きな進歩を牽引したのは自然言語処理分野だった。ニューラルネットワーク・大量データ・GPUという同じ「レシピ」に基づきながらも、そこからChatGPTの瞬間に至るまでには、2017年から2022年までさらに約5年を要したという。
対話の中で、Huberman氏は、子どもが「猫」という概念を、後ろ姿や本棚の陰から見えるしっぽだけからでも推測できるようになる「文脈学習」の仕組みについて質問した。Li氏は、この種の推論は現在のAIにおいても、Gemini や GPT のような大規模モデルが学習した膨大なパターンによって、似たような状況が入力された際にそれに近い判断を導き出す仕組みで実現されていると説明した。ただし、人間の子どもがわずか数匹の猫を見ただけでこの能力を獲得するのに対し、AIは膨大な量のデータを必要とする点で、両者の学習経路は本質的に異なるとし、この違いはまだ十分に解明されていない謎の一つだと述べた。
4. 動画生成のブレークスルー:Soraが開いた扉
「猫が走る様子を、具体的な動作の指示なしにAIに再現させる」という能力がいつ実現したかという問いに対し、Li氏は、2024年1月のSora公開を挙げた。2023年ごろから複数の研究チームが動画データを学習に組み込み始めたことが契機になったという。もっとも同氏は、この進化も本質的には「データ」の延長線上にあると強調した。AIは猫の脚の筋肉構造を理解しているわけではなく、インターネット上に存在する膨大な猫の動画から、もっともらしい動きのパターンを学習しているに過ぎないという。これは、多くの人間が猫の筋肉の動き方を正確には知らないながらも、日常的に猫の動きを見慣れているために、もっともらしい動きの感覚を持っているのと似た構造だと説明した。
5. AIにアクセスできない領域:創造性と感情の"未収集データ"
対談の中でも特に踏み込んだ議論となったのが、AIが本質的にアクセスできない人間の内面についてだ。Li氏は、インターネットとは、「マルチモーダルな形で記録された、人類の行動の最大のコレクション」であると位置づけた。テキスト、画像、動画、音楽といったあらゆる形式で人間の言語・行動・表現が蓄積されているからこそ、AIはパターンを認識し合成できるのだという。
しかし、たとえば、ピカソがある特定の作品にたどり着いた際の、個人的で深遠な創造的洞察そのものは、一度も言語化・記録化されておらず、したがってインターネット上にも存在しない。神経科学者であっても、その思考がどの脳領域から生じたのかを特定できないほど、それは高度に個人化されたものだとLi氏は説明する。記録・アップロードされていない以上、AIはそれを学習しようがなく、これこそが人間が今なお独自性を保っている領域だという。
5-1. AlphaGoの「第37手」が示すもの
一方で、Li氏は、AIにも一定の創造性があることは認めるべきだとし、AlphaGoの「第37手」を例に挙げた。囲碁は数学的な目的とルールが明確なゲームであり、AIが人間の棋士が思いつかなかった手を打てたのは、より大きな計算資源とより多くの手を記憶する能力によるものだと説明した。これを「創造性」と呼ぶことはできるが、それは特殊な種類の創造性であることを認識する必要があるという。ある著名な数学者との対話を紹介し、その数学者は、AIが既知の解法を用いて未解決の数学の問題を解く手助けをしてくれる可能性には前向きだったものの、まだ発明されていない全く新しい手法を要する問題をAIが解けるかどうかは分からないと語っていたという。Li氏自身は、人間とAIが協働するハイブリッドな形でこそ、こうした未解決の問題に取り組めるのではないかとの見立てを示した。
6. AIは人間の主体性を奪うためではなく、高めるためにある
Li氏は、AIを「人類に取って代わるもの」として語る風潮を強く懸念していると述べた。むしろAIは人間性を「高め、拡張する」ものとして捉えるべきだという。神経科学者・教育者としての経験から、人間にとって最も重要なものの一つが「主体性(エージェンシー)」であり、それはモチベーションと尊厳に直結すると強調した。AIは人間の主体性を支援する道具であるべきで、それを奪うものであってはならず、AI業界を率いる立場の人々が「この技術が人々から主体性を奪う」といった語り方をすべきではないとの考えを示した。
7. 公共的な対話のあり方:恐怖でも楽天論でもなく
Li氏は、AIを巡る公共の議論が、極端な悲観論(ドゥーマリズム)と極端な楽観論(ユートピア主義)の両極に振れがちである現状を憂慮していると述べた。1990年代初頭、遺伝子検査が「怖くて受けたくない」という不安の対象だった時代との類似性を指摘し、より多くの情報を得ることを望む人もいれば、望まない人もいるとし、その選択の自由は尊重されるべきだが、同時に十分な公教育とコミュニケーションを通じて、利点と欠点の両方を分かりやすく伝える必要があると強調した。
8. 医療・科学発見におけるAIの可能性と限界
8-1. ルールが定まった領域と、まだ解明されていない領域
Li氏は、AIが科学的発見や医療分野に与える影響について、大きな期待を示した。ただし、AIが力を発揮しやすいのは、ルールが明確に定まった領域だと指摘する。医学の多くの分野は観察・仮説検証といった科学的方法論に基づいており、インターネット上にその「ルール」が蓄積されているため、大規模言語モデルはこうした医療情報を効果的に扱えるという。一方で、生物学のルール自体が今なお解明され続けている分野もあるとし、例として、活動電位の形状が変化しうることを示し、教科書的な「全か無かの法則」を揺るがした論文の例を挙げた。こうした未解明の領域では、AIの活用にも慎重さが求められるとした。
8-2. 手術支援ロボットの事例
Li氏は、自身の父親が受けた肝臓手術がダヴィンチ手術支援ロボットによって行われた経験も紹介した。執刀医に、あらゆる肝臓手術のデータを集めればAIによる自動手術が可能になるかを尋ねたところ、明確な答えは得られなかったという。肝臓は血管が非常に複雑で個人差が大きい臓器であり、世界中の肝臓手術データを集めても、アルゴリズムの学習に十分な量には届かない可能性があるという。この事例は、パターンが十分に蓄積されていない領域では、AI単独ではなく人間との協働がより優れた結果をもたらすことを示しているとLi氏は説明した。なお、同氏の父親の手術は腹腔鏡技術のおかげで通常の手術より出血量が10分の1程度に抑えられ、無事成功したという。
Huberman氏も、めまいと低血圧の症状を、専門医(耳鼻咽喉科医)でさえ誤診した経験を、AIが正確に見分けてくれたという自身のエピソードを紹介した。こうした事例は、すでに数多く報告・蓄積されているパターンについては、AIが医療へのアクセスが限られる人々にとって有用なツールになりうることを示している。
9. 「深い直観」と「浅い文脈」― AIが持ちえないもの
Li氏は、「直観」という概念についても、2つの異なる層に分けて考える必要があると説明した。一つは「文脈」に基づく比較的浅い直観で、たとえばAIに自分の職業や背景を伝えることで回答が変化するような仕組みは、すでに言語化・データ化されている情報を扱っているに過ぎないという。もう一つは、なぜそう感じるのか本人にも説明できない、より深い直観だ。これは匂いやホルモン、気分の組み合わせによって生じるようなもので、そもそも言語や画像として表現・記録できないため、AIはおろか他の人間にすら伝達しようがなく、したがってAIがアクセスする方法は現時点で存在しないと説明した。
同様に、AIが示す「モチベーション」や「緊急性」も、実際には異なる目的関数やトークン制限の設定に過ぎず、AIが「すみません、お加減が悪いのですね」と応じるのは、そうした状況でそう返答すべきだというパターンを学習した結果であって、友人が同じ言葉をかける際に伴う共感や、痛みの記憶に基づく感情とは本質的に異なるとLi氏は強調した。人間を動かす多くの内的な状態は、今日のAIには存在しないという事実を、正確に伝えていく必要があるとした。
10. AI開発を巡る社会的合意形成の必要性
Li氏は、AI開発における倫理的・社会的な枠組みの必要性についても言及した。生物学研究における実験規制(改変された狂犬病ウイルスをショウジョウバエに導入する実験が認められない例)になぞらえ、AIについても専門職としての規範、大学のIRB(倫理審査委員会)のような業界ルール、そして法規制という複数のレイヤーでの合意形成が必要だと述べた。一部の企業や個人だけがAIの未来を決定づけることには強い懸念を示し、市場の力学と社会規範・教育・倫理はそれぞれ異なる論理で動くため、複数の利害関係者が共に議論すべき課題だと強調した。同氏は、2018年、ChatGPTが存在するより前にGoogleを離れてスタンフォード大学に戻り、人間中心AI研究所(HAI)を設立した経緯にも触れている。
11. ロボティクスの次のフロンティア
Li氏は、AIの次のフロンティアは言語を超えた領域、すなわち「身体性を持つAI(エンボディドAI)」にあると述べた。人類の進化においても、言語によるコミュニケーションが確立する前に5億年という長い期間があったことを踏まえれば、これは自然な流れだという。具体例として、高齢の両親の介護をしながら実感している人手不足の問題(通訳を含む家事支援)、カリフォルニア州で頻発する山火事への対応で人間を危険にさらすリスク、そして、深刻な看護師不足を挙げ、ロボットがこうした領域で人間を支援できる可能性に強い期待を示した。
12. Li氏が創業したWorld Labs:空間知能という新分野
Li氏が2024年初頭に共同創業した会社World Labsは、「空間知能」の実現を目指している。言語技術の進歩は目覚ましいものの、それだけでは知能の全体像を捉えきれないとの問題意識から、クリエイター・ロボット訓練・建築設計などに活用できる3D・4Dの世界を生成する基盤モデルの構築に取り組んでいるという。現実世界の画像を取り込むだけでなく、文章やスケッチから利用者の想像上の世界を生成する点も特徴だとしている。同社はまだ若い企業で、多くの博士号取得者が在籍する研究主導の組織から、製品開発の段階へと移行しつつある段階だという。
13. 映画・創作産業とAI
対談では、脚本から映像を生成するAI技術が急速に進化し、短編作品やほぼ長編に近い作品がすでにAIによって制作されている例も紹介された。もっとも、Li氏は、ストーリーテリングの核心にある、作り手固有の感情・技法・世界の見方・カメラワーク・キャラクター造形といった要素は、依然として人間に深く根ざしたものだと強調した。ハリウッドでは、AIが脚本家・俳優・映像制作者の仕事を奪うのではないかという懸念が現実に存在するとしつつ、技術者と物語の作り手との対話が今この瞬間にこそ重要だと述べ、自身の共同創業者がBen Affleck氏と映画制作におけるAI活用について意見交換した経験にも触れた。
14. 最も忘れられている当事者:教師と保護者
対談の最後に、Li氏は、AIを巡る議論において最も見過ごされているのが教師と保護者だと訴えた。政策立案者や技術者、投資家は皆それぞれの意見を持っているが、教師や保護者の声が届けられる機会は少ないという。2022年11月にChatGPTが公開された際、Li氏が真っ先に取った行動は、自分の子どもが通う小学校の校長にメールを送り、生徒と教師向けにゲスト講義をさせてほしいと申し出ることだったという。シリコンバレーのどの投資家も大企業も、ChatGPT登場時に真っ先に「近所の教師たちはどうなるのか」を考えなかったと同氏は指摘した。
Li氏は、若い世代の好奇心には楽観的な見方を示す一方、AIによって人間の主体性やモチベーションが受動的なコンテンツ消費(ドゥームスクロールなど)によって奪われることへの懸念と、不正利用への懸念からAIツールへのアクセス自体を否定してしまうことへの懸念という、2つの相反するリスクを指摘した。教師や保護者を適切に支援し、正しい情報と選択肢を提供することこそが、次世代の子どもたちを支える鍵になるとの考えを示した。
