～いまのAIの勢いはどこから？ ディープラーニングからChaTGPTまでのカンタンな解説～

最近のAI発展の経緯と、そこからChatGPTの登場までをまとめてみました。

だいぶわかりやすくまとめたつもりですが、、どうでしょうか？

実際に講演させていただく際などには、さらにわかりやすく解説できると思います＾＾。

※　ChatGPTにイメージを描いてもらいました。

●第3次AIブームとディープラーニングの発展

第3次AIブームは主にディープラーニングの登場が寄与しています。

ディープラーニングの登場により、これまで達成できなかった精度での分析が可能になりました。

●ディープラーニングの「深さ」

ディープラーニングの「Deep」、つまり「深い」という部分が重要です。

従来の人工知能は“Aが来たらX、Bが来たらY”というように、単純な回答回路を使っていました。しかし、ディープラーニングでは問題と回答の間にいくつもの層を介在させることで、“Aが来たら○○で、▽▽で■■で、、、だからX”というように、精緻な分析が可能になりました。

連立方程式を例に考えてみましょう。

"Y = a1X1 + b"と比較して"Y = a1X1 + a2X2 + b"、"Y = a1X1 + a2X2 + ... + anXn + b"と項目が増えることでYの算出は複雑になりますが、より精密な予測が可能になります。

DLでは、このnの数が数億、数兆という規模で演算可能になったのです。

この分析方法はもともと我々の神経回路に似ており、早くから注目されていましたが、当時はコンピューターの計算能力が高くなく、実現は困難でした。最近になって、ようやくわれわれの脳みそを忠実にまねできるようになってきた、という感じでしょうか。

～AIの種類：空間と時間に分けて考える～

さて

DLには大きく分けて空間を扱うタイプ（画像処理）と時間を扱うタイプ（音声や音楽、文章処理）があります。

●空間を扱うタイプ（画像処理）

最初に注目されたのはCNN（畳み込みニューラルネットワーク）でした。CNNは画像の特徴を畳み込み演算を使って抽出し、空間の特徴を圧縮して分析します。これにより、画像内の物体が何であるか（例：犬やカップケーキ）を高い精度で判別します。

2010年代前半にGoogleが開発したAIが猫を識別した「Googleの猫」もCNNを使用しています。

※空間系の生成AIにはCNN以外にGAN（生成的敵対ネットワーク）やDiffusion Models（拡散モデル）などがあります。最近の画像生成AIであるDALL-EやStable Diffusion、Midjourneyも拡散モデルの一例です。

●時間を扱うタイプ（音声や言語処理）

CNNが画像などの空間を扱うのに対し、RNN（リカレントニューラルネットワーク）やTransformerといったAIは、音声や文章といった、時間的な系列情報を処理します。

初期のRNNにはいくつかモデルがありましたが、RNNを効果的に働かせるために“attention”という補助機能が発明されました。

そして、このattentionを補助ではなく主体的に活用する画期的なAIとしてTransformerが登場しました。

従来のRNNが過去の単語などの時系列情報に依存していたのに対し、Transformerは意味づけの重み（attention）を用いて解析を行います。これにより、文脈をより深く理解し、複雑な関係を捉えることができます。

(この、RNNとTransformerの違いも結構面白いので、改めて別個に解説してみたい笑)

Transformerの具体例としては、BERTやGPTがあり、これらは自然言語処理の分野で広く使用されています。BERTの”T”もGPTの”T”も、Transformerのことです。

そしてこのGPTをチャット形式にして誰でも使いやすくしたのが、、そう、ChatGPTなんですね～。

※誤解を避けるための補足

なお、CNNは画像、RNNやTransformerは系列情報「しか」扱えないのか？というとそうではありません。例えば、Vision TransformerというTransformer系のAIは精度の高い画像認識能力を持つものとして有名です。しかし、ここでは簡便な理解のため、CNNは画像、RNNやTransformerは言語や音声と理解していただくのが良いのではないか、と考えました。