人工知能の A to Z

人工知能が私たちの世界の大きな部分を占めるようになるにつれ、専門用語の海の中で迷子になりがちです。 しかし、今日ほど自分の位置を把握することが重要になったことはありません。

AI は今後数年間で雇用市場に大きな影響を与える見込みです (「自動化」を参照)。 それをどのように管理するかについての議論は、私たちの政治的会話において大きな役割を果たしています（参照：規制）。 そして、その最も重要な概念のいくつかは、学校では教えられていないものです (参照: 競争圧力)。

スピードに乗ろうとすると難しい場合があります。 AI 研究は複雑で、研究者自身にとっても新しい言語がたくさんあります。 しかし、私たちが気候変動やインターネットに関して学んだように、国民が危機に瀕している大きな問題に取り組めない理由はありません。 誰もが AI の議論にもっと深く参加できるように、TIME は最も一般的な用語をまとめた便利な用語集を作成しました。

まったくの初心者であっても、GPT で AGI をすでに知っている場合でも、この A to Z は、人工知能の力、可能性、そして危険性に取り組むすべての人のための公開リソースとなるように設計されています。

AGI は Artificial General Intelligence の略で、最も経済的に生産性の高いタスクを人間よりも効率的に実行できる仮想の未来テクノロジーです。 このような技術は、新たな科学的発見も発見できるかもしれないと、その支持者たちは信じている。 研究者の間では、AGI が可能であるかどうか、あるいは可能であるとしても、それがどのくらいの距離にあるのかについては意見が分かれる傾向があります。 しかし、世界をリードする 2 つの AI 研究組織である OpenAI と DeepMind は、どちらも AGI の構築に明確に取り組んでいます。 批評家の中には、AGI はマーケティング用語にすぎないと言う人もいます。 (参照: 誇大広告。)

「位置合わせの問題」は、AI における長期的な安全性に関する最も深刻な課題の 1 つです。 今日の AI は、設計者を圧倒することはできません。 しかし、いつかはそうなるかもしれないと多くの研究者は予想している。 その世界では、AI を訓練する現在の方法は、恣意的な目標の追求であろうと、あるいは私たちを犠牲にして権力を求める明確な戦略の一環であろうと、AI が人類に害を及ぼす結果となる可能性があります。 リスクを軽減するために、一部の研究者は AI を人間の価値観に「合わせる」ことに取り組んでいます。 しかし、この問題は難しく、未解決で、完全には理解されていません。 多くの批評家は、企業のインセンティブが主要な AI 研究所を AI の能力向上に集中力とコンピューティング能力を注ぐ方向に誘導しているため、この問題を解決する取り組みが後回しになっていると述べています。 (参照: 競争圧力。)

自動化とは、人間の労働が機械に置き換えられるか、機械に支援される歴史的なプロセスです。 新しいテクノロジー、あるいはその導入を担当する人々はすでに、自動車の組立ライン労働者から食料品店の店員に至るまで、多くの人間の労働者を賃金を要求しない機械に置き換えています。 OpenAIの最近の論文とゴールドマン・サックスによる調査によれば、最新世代のAIの躍進により、さらに多くのホワイトカラーが職を失う可能性があるという。 OpenAIの研究者らは、米国の労働者の5分の1近くが、日常業務の半分以上を大規模な言語モデルによって自動化できる可能性があると予測した。 ゴールドマン・サックスの研究者らは、今後10年間で世界中で3億の仕事が自動化される可能性があると予測している。 この大混乱による生産性の向上が広範な経済成長につながるか、それとも単なる富の不平等のさらなる拡大につながるかは、AIがどのように課税され、規制されるかによって決まります。 (参照: 規制。)

機械学習システムが下す決定が一貫して偏見または差別的である場合、機械学習システムは「偏っている」と表現されます。 AI で強化された量刑ソフトウェアは、たとえ同等の犯罪であっても、白人犯罪者と比較して黒人犯罪者に対してより高い懲役刑を推奨することが判明しました。 また、顔認識ソフトウェアの中には、黒い顔よりも白い顔の方がうまく機能するものもあります。 このような失敗は、システムがトレーニングされたデータが社会的不平等を反映しているために発生することがよくあります。 (参照: データ。) 現代の AI は本質的にパターン レプリケーターです。ニューラル ネットワークを通じて大量のデータを取り込み、そのデータ内のパターンを見つけることを学習します。 (参照: ニューラル ネットワーク)。 顔認識データセット内に黒人の顔よりも白人の顔の方が多い場合、または過去の量刑データが黒人の犯罪者の方が白人の犯罪者よりも長い懲役刑を宣告されていることを示している場合、機械学習システムは誤った教訓を学習し、それらの不当行為の自動化を開始する可能性があります。