Upgrade to Pro — share decks privately, control downloads, hide ads and more …

Miracon_2018_12_23_public.pdf

E876ea77f9fb4d686befb6e69eec9a7e?s=47 miyayou
December 23, 2018
34

 Miracon_2018_12_23_public.pdf

人工知能の教育への応用シンポジウム「Miracon 2018」における講演資料です。

E876ea77f9fb4d686befb6e69eec9a7e?s=128

miyayou

December 23, 2018
Tweet

Transcript

  1. AI時代のコンテンツとは 日本デジタルゲーム学会理事 三宅 陽一郎 @miyayou 2018.12.23 MiRACON https://www.facebook.com/youichiro.miyake http://www.slideshare.net/youichiromiyake y.m.4160@gmail.com

    未来の教育コンテンツEXPO http://miracon.jpeca.jp/
  2. 自己紹介

  3. 経歴 京都大学(数学) 大阪大学(原子核実験物理) 東京大学 (エネルギー工学/人工知能) 高エネルギー加速器研究所(半年ぐらい。修士論文) http://www.facebook.com/youichiro.miyake

  4. My Works (2004-2017) AI for Game Titles Books

  5. 高校生向けの著書 高校生のための ゲームで考える人工知能 (ちくまプリマー新書) 新書 – 2018/3/6 三宅 陽一郎 (著),

    山本 貴光 (著) https://www.amazon.co.jp/dp/4480689982
  6. 人工知能の歴史 1956年 1986年 2016年 人工知能 発祥 日本人工知能学会 発足 現在

  7. 自然知能と人工知能 人間 =自然知能 機械 =人工知能

  8. 人間と人工知能が協調して仕事をする時代に 人間 =自然知能 機械 =人工知能

  9. 人工知能を、理解する 人工知能に、人間を理解させる。

  10. 質問 • AIを身近に感じることはありますか? はい いいえ

  11. 西欧的知能感 神 人間 人工 知能 垂直的知能感 人間に似ていれば 似ているほど良い。 = Human-like

    AI
  12. 東洋的知能感 神 人間 人工 知能 鹿 ゾウリ ムシ 初音 ミク

    AIBO たま ごっち 水平的知能感 すべてに神が宿る (「八百万の神」世界観)
  13. 人工知能とは

  14. 自然知能と人工知能 人間 =自然知能 機械 =人工知能

  15. ダートマス会議(1956年) 我々は、1956年の夏の2ヶ月間、10人の人工知能研究者 がニューハンプシャー州ハノーバーのダートマス大学に集 まることを提案する。そこで、学習のあらゆる観点や知能 の他の機能を正確に説明することで機械がそれらをシミュ レートできるようにするための基本的研究を進める。機械 が言語を使うことができるようにする方法の探究、機械上 での抽象化と概念の形成、今は人間にしか解けない問題 を機械で解くこと、機械が自分自身を改善する方法などの 探究の試みがなされるだろう。我々は、注意深く選ばれた

    科学者のグループがひと夏集まれば、それらの問題のうち いくつかで大きな進展が得られると考えている。 https://ja.wikipedia.org/wiki/%E3%83%80%E3%83%BC%E3%83%88%E3%83% 9E%E3%82%B9%E4%BC%9A%E8%AD%B0 人工知能=人間の知能を機械に写す(移す)。
  16. 身体性とインテリジェンス Gray’s anatomy 脳の中心の部位は身体とつながっている。 生理機能を司っている。 それを囲うように、辺縁体、大脳がある。 http://square.umin.ac.jp/neuroinf/brain/005.html http://www.amazon.co.jp/Grays-Anatomy-Anatomical-Clinical-Practice/dp/0443066841

  17. この300年の技術の動向 時間 規模 産業革命 情報革命 ネット革命 知能革命 機械化・自動化(オートメーション化) 電子情報化 オンライン化

    知能化 第二次産業革命 電動化 1750 1860 1960 1990 Now… 現代は「知能化」の時代に 入りつつある。 第一次AIブーム 第二次AIブーム 第三次AIブーム
  18. 人工知能ブーム 時間 規模 情報革命 ネット革命 知能革命 電子情報化 オンライン化 知能化 1960

    1990 2000 第一次AIブーム 第二次AIブーム 第三次AIブーム 1970 1980 2010
  19. 二つの人工知能 IF (s_collison==true) register_all(s_star); assign_edge(); assign_vertex(); mix_all(); シンボルによる人工知能 (記号主義) ニューラルネットによる人工知能

    (コネクショニズム) IBM ワトソン Google検索 など AlphaGo など http://www.nature.com/nature/journal/v518/n7540/full/nature14236.html
  20. 神経素子(ニューロン)とは? 入力 入力 入力 出力 入力 この中にはイオン(電解,Na+,K+) 溶液が入っていて、入力によって電圧が 高まると出力する仕組みになっています。 100mVぐらい

    ニューラルネットワーク内シグナル伝達スピード 100(m/sec) … 案外遅い http://www.brain.riken.go.jp/jp/aware/neurons.html
  21. ニューラルネットを理解しよう② 数学的原理 http://www.pri.kyoto-u.ac.jp/brain/brain/11/index-11.html 医学的知識 http://www.biwako.shiga-u.ac.jp/sensei/mnaka/ut/sozai/ai.html モデル化 数学的モデル ニューロン 人工ニューロン 入出力関係のグラフ

    入出力関係の関数(シグモイド関数) ニューラルネットワーク (ニューロンをつなげたもの) 道具はこれで全て。これで何ができるだろう?
  22. 人工知能がブームになるとき 時間 規模 1960 1990 2000 第一次AIブーム 第二次AIブーム 第三次AIブーム 1970

    1980 2010 ニューラルネットによる人工知能は、 浮き沈みが激しい。
  23. 人工知能がブームになるとき 時間 規模 1960 1990 2000 第一次AIブーム 第二次AIブーム 第三次AIブーム 1970

    1980 2010 ニューラルネットによる人工知能は、浮き沈みが激しい。 = しかし、人工知能がブームになる時は、 必ず改良されたニューラルネットワークが現れる。
  24. この300年の技術の動向 社会 機械レイヤー 情報処理レイヤー 人工知能レイヤー

  25. 2 第1次AIブーム 時間 規模 情報革命 ネット革命 知能革命 電子情報化 オンライン化 知能化

    1960 1990 2000 第一次AIブーム 第二次AIブーム 第三次AIブーム 1970 1980 2010
  26. 2 第一次AIブーム(1960年代) • コンピューターは大型のものしかない。 • 人工知能という分野自体が誕生したばかり。 • ニューラルネットという新しい分野のブーム。 19世紀後半 人間の脳は

    ニューロンという もので出来てい るらしい 20世紀前半 ニューロンの 電気的性質が 解明される (ホジキン博士、 ハクスレー博士) 1950年代に ニューラルネット 発明 1963年に ホジキン=ハク スレー方程式が ノーベル賞
  27. 2 第一次AIブーム(1960年代) もし A ならば B もし B ならば C

    よって、 もし A ならば C シンボルによる人工知能 (記号主義) ニューラルネットによる人工知能 (コネクショニズム) 推論ベース ニューラルネット 誕生
  28. 3 第二次AIブーム(1980年代) • パソコンが普及して行く。 • ルールを集めて知能を作ろう。 • 逆伝播法によるニューラルネットのブーム。 パソコンが 世の中で

    普及して行く 知識主義 = たくさんの知識 を人工知能に 与えて推論 すれば知能が できる インターネット もなく、知識 が足りない。 推論も専門的 な機能のみ。
  29. 3 第二次AIブーム(1980年代) IF (A) then B IF (C) then D

    IF (E) then F IF (G) then H IF ( I ) then J シンボルによる人工知能 (記号主義) ニューラルネットによる人工知能 (コネクショニズム) ルールベース 新しい学習法= 逆伝搬法
  30. 3 第二次AIブーム(1980年代) 0 0 0 【逆伝播法】 ここが1になるように、 結合の強さを、 さかのぼって変えて行く。

  31. 4 第三次AIブーム(2010年代) • インターネットが普及して行く。 • インターネットで蓄積されたデータを学習させて 知能を作ろう。 • 改善されたニューラルネットのブーム。 インターネット

    が世の中で 普及して行く データ 学習主義 = たくさんのデー タを人工知能 に学習させる 現在、進行中
  32. 4 第三次AIブーム(2010年代) シンボルによる人工知能 (記号主義) ニューラルネットによる人工知能 (コネクショニズム) データベース 新しい学習法= ディープラーニング データベース

    検索エンジン キーワード 検索結果 検索 人 次の章で 説明 します
  33. インターネットによる 膨大なデータ 4 第三次AIブーム(2010年代) 時間 規模 1960 1990 2000 第一次AIブーム

    第二次AIブーム 第三次AIブーム 1970 1980 2010 ルールベース 逆伝播法 データベース ディープ ラーニング 推論ベース ニューラル ネット誕生 小型・中型 コンピュータの普及 大型コンピュータ 専門家のみのブーム
  34. 「人工知能=ディープラーニング」ではない 人工知能 ニューラルネット ディープラーニング

  35. 人工知能は二種類ある。 直観型=コネクショニズム 論理型=記号主義

  36. ゲームAI

  37. フィールド 3つのAIの連携の例 ナビゲーション AI メタAI キャラクターAI 状況を監視し、キーとなる役割を 適切なタイミングでエージェントに 指示する。 自律的な判断。

    仲間同士の協調 地形を解析する 目的に応じた点を見つけ出す 目的地までのパスを計算する Support キャラクターが自律的に戦闘・協調しつつ、ナビゲーションAIが 戦術的ポイントを教え、メタAIは、全体の戦闘の流れを作る。 http://dear-croa.d.dooo.jp/download/illust.html
  38. このAIはどう作るか? プレイヤー キャラクター 岩 地面 池 例として、次のようなキャラクターのAIをどう作るか考えてみよう。 http://dear-croa.d.dooo.jp/download/illust.html http://piposozai.blog76.fc2.com/

  39. このAIはどう組むか? こういったAIをゲーム産 業では「Scripted AI」と言 います。こういったAIは ゲームデザイナーがスク リプト言語で書く場合多 いため。 プレイヤー キャラクター

    岩 地面 池 A B 、 (例) プレイヤーがAにいれば Bをうろうろする。 プレイヤーがBにいれば 近づいて攻撃する。 http://septieme-ciel.air-nifty.com/nikubanare/2007/08/post_3c38.html http://dear-croa.d.dooo.jp/download/illust.html http://piposozai.blog76.fc2.com/
  40. スクリプト Scripted AI から自律型AIへの変化 ゲームデザイナーの頭の中 ゲームデザイナーの頭の中 知識 思考 Scripted AI

    自律型 AI (Autonomous AI) 操り人形(Scripted AI)から、キャラクターが自分で考えて行動する 自律型AI(Autonomous AI)になるためには、 ゲームデザイナーが頭の中で持っている知識と思考をAIに埋め込 む必要がある。
  41. このAIはどう組むか? プレイヤー キャラクター 岩 地面 池 地形データ (Way Points) 、

    ステップ1: AIにゲームステージの 地形を認識させたい =地形のデータを与える。 AIは地形データによって、自分とプレイヤーの位置関係を知る ことができる。 http://dear-croa.d.dooo.jp/download/illust.html http://piposozai.blog76.fc2.com/
  42. このAIはどう組むか? 地形データ (Way Points) AIは地形データによって、自分とプレイヤーの位置関係を知る ことができる。(ネットワークグラフの問題に帰着) http://dear-croa.d.dooo.jp/download/illust.html http://dear-croa.d.dooo.jp/download/illust.html http://piposozai.blog76.fc2.com/

  43. 知能 思考 知識 AIを作る 人間 地形データ (Way Points) 地形デー タを用いた

    思考 オブジェク トデータ 意思決定 の思考 自分の 身体データ 身体運動 の ロジック http://piposozai.blog76.fc2.com/ 人工知能 = 知識 × 思考
  44. 人工知能 = 知識 x 思考

  45. 原始の海+光+熱+稲妻 http://us.123rf.com/400wm/400/400/anterovium/anterovium1102/anterovium110200037/8952668-light-beams-from-ocean-surface-penetrate-underwater-through-deep-blue-sea.jpg http://www.gettyimages.co.jp/detail/%E3%82%A4%E3%83%A9%E3%82%B9%E3%83%88/under-the-waves- %E3%82%B9%E3%83%88%E3%83%83%E3%82%AF%E3%82%B0%E3%83%A9%E3%83%95%E3%82%A3%E3%83%

  46. 原始の海で構造化=外と内の形成 外 内 Energy

  47. http://28275116.at.webry.info/201005/article_7.html

  48. 世界 外と内の交流=非平衡系 極めてメカニカルな次元。 内部構造を持つ。 INPUT OUTPUT 代謝機能(内部処理)

  49. 世界 外と内の交流=散逸構造 極めてメカニカルな次元。 内部構造を持つ。 INPUT OUTPUT 代謝機能

  50. テセウスの船(パラドックス) 船の老朽化した部分を、新しい木に入れ替えているうちに、 全部を入れ替えてしまった。 はたしてこの船は元の船と同一のものであろうか? http://img02.hamazo.tv/usr/j/a/g/jagr/629.jpg

  51. テセウスのパラドックス 物質的構成 = 循環する 物質によらず不変なもの 構造 情報

  52. だから、こう言える。 生物は物質的存在であると同時に、 情報的存在でもあるのだ。

  53. テセウスのパラドックス 物質 情報 情報 物質 生物は、情報的存在であり、同時に物質的な存在である。 物質は情報に存在を与え、情報は物質に構造を与える。

  54. 情報と物質 情報 物質 生物は、情報的存在であり、同時に物質的な存在である。 物質は情報に存在を与え、情報は物質に構造を与える。

  55. 「情報と物質」から「精神と身体」へ 情報 物質 精神・知性 身体

  56. 精神と身体、そして進化 情報 物質 精神・知性 身体 進化

  57. 世界 情報的・物質的循環 物質 物理的OUTPUT 代謝機能 情報 INPUT INFORMATION OUTPUT INFORMATION

    情報処理=情報代謝 (つまり思考) 生理的代謝機能 物理的INPUT
  58. 精神と身体、そして進化 情報 物質 精神・知性 身体 人工知能 人工身体 知能は生き物の情報的側面である。

  59. 環境 人工知能とは? 身体 人工知能=人工的な存在(=身体)を環境の中で活動させる 入力(センサー) 行動(アウトプット) 知能

  60. Intelligence World センサー Information Flow エフェクター Agent Architecture

  61. 知能の世界 環境世界 認識の 形成 記憶 センサー・ 身体 記憶体 情報処理過程 情報

    統合
  62. 知能の世界 環境世界 認識の 形成 記憶 意思の 決定 センサー・ 身体 意思決定

    モジュール 意思決定 モジュール 意思決定 モジュール 記憶体 情報処理過程 情報 統合
  63. 知能の世界 環境世界 認識の 形成 記憶 意思の 決定 身体 制御 エフェクター・

    身体 運動の 構成 センサー・ 身体 意思決定 モジュール 意思決定 モジュール 意思決定 モジュール 記憶体 情報処理過程 運動創出過程 身体部分 情報 統合 運動 統合
  64. 知能の世界 環境世界 認識の 形成 記憶 意思の 決定 身体 制御 エフェクター・

    身体 運動の 構成 センサー・ 身体 意思決定 モジュール 意思決定 モジュール 意思決定 モジュール 対象・ 現象 情報の流れ(インフォメーション・フロー) 影響を与える 影響を受ける
  65. サブサンプション・アーキテクチャ(ロドニー・ブルックス) INPUT OUTPUT 時間 情報抽象度 反射的に行動 少し場合ごとに対応 抽象的に思考 理論的に考える 言語化のプロセス

    = 自意識の構築化 Subsumpution Architecture 運動の実現のプロセス = 身体運動の生成
  66. ルンバ (iRobot社) http://chihoko777.exblog.jp/12567471/

  67. 知能の世界 環境世界 認識の 形成 記憶 意思の 決定 身体 制御 エフェクター・

    身体 運動の 構成 センサー・ 身体 意思決定 モジュール 意思決定 モジュール 意思決定 モジュール 記憶体 情報処理過程 運動創出過程 身体部分 情報 統合 運動 統合
  68. 3Dゲームの中のAI Halo (HALO、バンジー、2001年) デバッグ画面 The Illusion of Intelligence - Bungie.net

    Downloads http://downloads.bungie.net/presentations/gdc02_jaime_griesemer.ppt
  69. ゲーム全体の知能化 ゲーム・ソフトウェア 知能化された ゲーム・ソフトウェア ゲームも知能化の時代を迎えようとしている。 では「ゲームの知能化」とはどういうことだろうか? それを見ていこう。

  70. AIの分化 ゲームシステム メタAI キャラクターAI ナビゲーションAI 3つのAIシステムは序々に分化して独立して行った。 では、今度はナビゲーションAIについてさらに詳しく見てみよう。

  71. フィールド 3つのAIの連携の例 ナビゲーション AI メタAI キャラクターAI 状況を監視し、キーとなる役割を 適切なタイミングでエージェントに 指示する。 自律的な判断。

    仲間同士の協調 地形を解析する 目的に応じた点を見つけ出す 目的地までのパスを計算する Support キャラクターが自律的に戦闘・協調しつつ、ナビゲーションAIが 戦術的ポイントを教え、メタAIは、全体の戦闘の流れを作る。 http://dear-croa.d.dooo.jp/download/illust.html
  72. メタAI

  73. フィールド 3つのAIの連携の例 ナビゲーション AI メタAI キャラクターAI 状況を監視し、キーとなる役割を 適切なタイミングでエージェントに 指示する。 自律的な判断。

    仲間同士の協調 地形を解析する 目的に応じた点を見つけ出す 目的地までのパスを計算する Support キャラクターが自律的に戦闘・協調しつつ、ナビゲーションAIが 戦術的ポイントを教え、メタAIは、全体の戦闘の流れを作る。 http://dear-croa.d.dooo.jp/download/illust.html
  74. メタAIの歴史 1980 1990 2000 古典的メタAI 現代のメタAI キャラクターAI技術の発展 その歴史は古く、1980年代にまでさかのぼる。 その時代と現代のメタAIは、異なる点も多いので、 古典的メタAI、現代のメタAIと名づけて区別することにしよう。

  75. (例)「ゼビウス」(ナムコ、1983) 敵出現テーブル巻き戻し 敵0 敵1 敵2 敵3 敵4 敵5 『あと面白い機能なんですけれど、 ゼビウスには非常に簡単なAIが組み込まれています。

    「プレイヤーがどれくらいの腕か」というのを判断して、 出てくる敵が強くなるんです。 強いと思った相手には強い敵が出てきて、 弱いと思った相手には弱い敵が出てきます。 そういっ たプログラムが組み込まれています。 ゲームの難易度というのは「初心者には難しくて、上級者 には簡単だ」ということが、 ひとつの難易度で(調整を)やっていくと起きてしまうので、 その辺を何 とか改善したいな、ということでそういったことを始めてみたのですけれど、 お陰で割合にあまり上 手くない人でも比較的長くプレイできる、 うまい人でも最後のほうに行くまで結構ドラマチックに楽 しめる、 そういった感じになっています。』 - 遠藤雅伸(出演)、1987、「糸井重里の電視遊戯大展覧会」『遠藤雅伸ゼビウスセミナー』フジテレビ -
  76. 現代のメタAI より積極的にゲームに干渉する。 メタAI 敵配位 敵スパウニング ストーリー レベル 動的生成 ユーザー

  77. メタAI(=AI Director)によるユーザーのリラックス度に応じた敵出現度 ユーザーの緊張度 実際の敵出現数 計算によって 求められた 理想的な敵出現数 Build Up …プレイヤーの緊張度が目標値を超えるまで

    敵を出現させ続ける。 Sustain Peak … 緊張度のピークを3-5秒維持するために、 敵の数を維持する。 Peak Fade … 敵の数を最小限へ減少していく。 Relax … プレイヤーたちが安全な領域へ行くまで、30-45秒間、 敵の出現を最小限に維持する。 Michael Booth, "The AI Systems of Left 4 Dead," Artificial Intelligence and Interactive Digital Entertainment Conference at Stanford. http://www.valvesoftware.com/publications.html より具体的なアルゴリズム
  78. 安全な領域までの道のり(Flow Distance) メタAIはプレイヤー群の経路を トレースし予測する。 - どこへ来るか - どこが背面になるか - どこに向かうか

    Michael Booth, "The AI Systems of Left 4 Dead," Artificial Intelligence and Interactive Digital Entertainment Conference at Stanford. http://www.valvesoftware.com/publications.html
  79. まとめ メタAIは、ゲームの流れを動的に作るAIで、キャラクターAI、イベントなどに は命令だけを出す。これは明確に、メタAIと他のモジュールが独立した関 係にあるから可能なこと。

  80. 人がコンテンツにより添う (これまで) コンテンツ (教育) 人 (知能) 適応する

  81. コンテンツが人により添う (これから) コンテンツ (教育) 人 (知能) 適応する

  82. 同じコンテンツをたくさんの人に与える (これまで) それぞれの人にコンテンツを合わせる (人工知能)

  83. キャラクターAI

  84. フィールド 3つのAIの連携の例 ナビゲーション AI メタAI キャラクターAI 状況を監視し、キーとなる役割を 適切なタイミングでエージェントに 指示する。 自律的な判断。

    仲間同士の協調 地形を解析する 目的に応じた点を見つけ出す 目的地までのパスを計算する Support キャラクターが自律的に戦闘・協調しつつ、ナビゲーションAIが 戦術的ポイントを教え、メタAIは、全体の戦闘の流れを作る。 http://dear-croa.d.dooo.jp/download/illust.html
  85. FC SFC SS, PS PS2,GC,Xbox Xbox360, PS3, Wii DC (次世代)

    Hardware 時間軸 2005 1999 ゲームの進化と人工知能 複雑な世界の 複雑なAI ゲームも世界も、AIの身体と内面もますます複雑になる。 単純な世界の シンプルなAI (スペースインベーダー、タイトー、1978年) (アサシンクリード、ゲームロフト、2007年)
  86. (例) スペースインベーダー(1978) プレイヤーの動きに関係なく、決められた動きをする (スペースインベーダー、タイトー、1978年)

  87. (例)プリンス・オブ・ペルシャ 「プリンス・オブ・ペルシャ」など、 スプライトアニメーションを用意する必要がある場合、 必然的にこういった制御となる。 (プリンスオブペルシャ、1989年)

  88. 強化学習(例) 強化学習 (例)格闘ゲーム キック パン チ 波動 R_0 : 報酬=ダメージ

    http://piposozai.blog76.fc2.com/ http://dear-croa.d.dooo.jp/download/illust.html
  89. 強化学習 (例)格闘ゲームTaoFeng におけるキャラクター学習 Ralf Herbrich, Thore Graepel, Joaquin Quiñonero Candela

    Applied Games Group,Microsoft Research Cambridge "Forza, Halo, Xbox Live The Magic of Research in Microsoft Products" http://research.microsoft.com/en-us/projects/drivatar/ukstudentday.pptx Microsoft Research Playing Machines: Machine Learning Applications in Computer Games http://research.microsoft.com/en-us/projects/mlgames2008/ Video Games and Artificial Intelligence http://research.microsoft.com/en-us/projects/ijcaiigames/
  90. 環境 人工知能とは? 身体 人工知能=人工的な存在(=身体)を環境の中で活動させる 入力(センサー) 行動(アウトプット) 知能

  91. Intelligence World センサー Information Flow エフェクター Agent Architecture

  92. 知能の世界 環境世界 認識の 形成 記憶 センサー・ 身体 記憶体 情報処理過程 情報

    統合
  93. 知能の世界 環境世界 認識の 形成 記憶 意思の 決定 センサー・ 身体 意思決定

    モジュール 意思決定 モジュール 意思決定 モジュール 記憶体 情報処理過程 情報 統合
  94. 知能の世界 環境世界 認識の 形成 記憶 意思の 決定 身体 制御 エフェクター・

    身体 運動の 構成 センサー・ 身体 意思決定 モジュール 意思決定 モジュール 意思決定 モジュール 記憶体 情報処理過程 運動創出過程 身体部分 情報 統合 運動 統合
  95. 知能の世界 環境世界 認識の 形成 記憶 意思の 決定 身体 制御 エフェクター・

    身体 運動の 構成 センサー・ 身体 意思決定 モジュール 意思決定 モジュール 意思決定 モジュール 対象・ 現象 情報の流れ(インフォメーション・フロー) 影響を与える 影響を受ける
  96. 人間らしいAIを作る

  97. The Sims シリーズのAIの作り方 人をダイナミクス(力学系、動的な数値の仕組み )として動かす。 世界を動かす PeerAI(=キャラクターAI) を構築。 Sub Peer

    Meta Meta Peer Sub [原則] 周囲の対象に対する、あらゆる可能な行動から、 ムード(幸せ) 係数を最大化する行動を選択する。 Sims (not under direct player control) choose what to do by selecting, from all of the possible behaviors in all of the objects, the behavior that maximizes their current happiness. Will Wright, AI: A Design Perspective (AIIDE 2005) http://www.aaai.org/Papers/AIIDE/2005/AIIDE05-041.ppt Kenneth Forbus, Will Wright, “Some notes on programming objects in The Sims – Example” http://www.qrg.cs.northwestern.edu/papers/Files/Programming_Objects_in_The_Sims.pdf
  98. オブジェクトに仕込むデータ構造 Data (Class, Sate) Graphics (sprites, z- buffers) Animations (skeletal)

    Sound Effects Code (Edith) -Main (object thread) -External 1 -External 2 -External 3 パラメーター グラフィックス アニメーション サウンド メインスレッド いろいろなインタラクションの仕方 Ken Forbus, “Simulation and Modeling: Under the hood of The Sims” (NorthWerstern大学、講義資料) ※IEで見てください。 http://www.cs.northwestern.edu/%7Eforbus/c95-gd/lectures/The_Sims_Under_the_Hood_files/frame.htm Kenneth Forbus, Will Wright, “Some notes on programming objects in The Sims – Example” http://www.qrg.cs.northwestern.edu/papers/Files/Programming_Objects_in_The_Sims.pdf
  99. The Sims における「モチーフ・エンジン」 Ken Forbus, “Simulation and Modeling: Under the

    hood of The Sims” (NorthWerstern University) http://www.cs.northwestern.edu/%7Eforbus/c95-gd/lectures/The_Sims_Under_the_Hood_files/frame.htm Data - Needs - Personality - Skills - Relationships Sloppy - Neat Shy - Outgoing Serious - Playful Lazy - Active Mean - Nice Physical - Hunger - Comfort - Hygiene - Bladder Mental - Energy - Fun - Social - Room Motive Engine Cooking Mechanical Logic Body Etc. AIの人格モデル
  100. 最適(=最大効用)な行動を選択する Hunger +20 Comfort -12 Hygiene -30 Bladder -75 Energy

    +80 Fun +40 Social +10 Room - 60 Mood +18 Toilet - Urinate (+40 Bladder) - Clean (+30 Room) - Unclog (+40 Room) Mood +26 Bathtub - Take Bath (+40 Hygiene) (+30 Comfort) - Clean (+20 Room) Mood +20 [原則] 周囲の対象に対する、あらゆる可能な行動から、 総合的な効用 (=Mood) を最大化する行動を選択する。
  101. ムードの計算方法と各パラメーターのウェイトグラフ Mood = W_Hunger(X_Hunger) * X_Hunger + W_Engergy(X_Energy) * X_Energy

    + … -100 0 100 -100 0 100 -100 0 100 -100 0 100 -100 0 100 -100 0 100 -100 0 100 -100 0 100 W_Hunger W_Energy W_Comfort W_Fun W_Hygiene W_Social W_Bladder W_Room
  102. 効用(Utility)の計算の仕方 W_Hunger X_Hunger W_Hunger(-80) -80 60 W_Hunger(60)

  103. 効用(Utility)の計算の仕方 W_Hunger X_Hunger W_Hunger(-80) -80 60 W_Hunger(60) Hunger degree at

    -80 = W_Hunger(-80)*(-80) Hunger degree at 60 = W_Hunger(60)*(60) Δ = W_Hunger(60)*(60) - W_Hunger(-80)*(-80) Utility for hunger
  104. 限界効用逓減の法則 X_Hunger W_Hunger(-80) -80 60 W_Hunger(60) Δ(-80 → 60)=W_Hunger(60)*(60) -

    W_Hunger(-80)*(-80) Δ (60→90) =W_Hunger(90)*(90) - W_Hunger(60)*(60) 90 W_Hunger(90) Δ(-80 → 60) is much larger than Δ(60→90) ある程度満たされたものを満たすより、 満たされないものをある程度満たす方が大きな満足をもたらす Utility for hunger ビールは一杯目が一番おいしい
  105. 人工知能を知る(作る) =人間を知ること

  106. フィールド 3つのAIの連携の例 ナビゲーション AI メタAI キャラクターAI 状況を監視し、キーとなる役割を 適切なタイミングでエージェントに 指示する。 自律的な判断。

    仲間同士の協調 地形を解析する 目的に応じた点を見つけ出す 目的地までのパスを計算する Support エージェントが自律的に戦闘・協調しつつ、ナビゲーションAIが 戦術的ポイントを教え、メタAIは、全体の戦闘の流れを作る。
  107. ナビゲーションAI

  108. ネットワーク上のグラフ検索法 ダイクストラ法 M F L B A S O P

    D C G S V H Q X K N J R T W E I U Z Y G 5 4 6 3 7 2 3 B C 3 G D E 3 2 2 4 L 3 3 5 5 J F 出発点(S)を中心に、最も短い経路 を形成して行く。Gにたどり着いたら終。 各ノードの評価距離=出発点からの経路
  109. ネットワーク上のグラフ検索法 A*法 M F L B A S O P

    D C G S V H Q X K N J R T W E I U Z Y G 5 4 6 3 7 2 3 B C 3 3 2 2 4 3 5 5 出発点(S)を中心に、 そのノードまでの 最も短い経路を 形成して行く。 Gにたどり着いたら終了。 ゴール地点がわかっている場合、現在のノードとゴール との推定距離(ヒューリスティック距離)を想定して、 トータル距離を取り、それが最少のノードを探索して行く 各ノードの評価距離=出発点からの経路+ヒューリスティック距離 ヒューリスティック距離 (普通ユークリッド距離を取る) 3+14.2 3+13.8 G H 3 5+10.5 6+8.4
  110. パス検索とは 現在の地点から指定したポイントへの経路を、 リアルタイムで計算して導く技術。 RTS - Pathfinding A* https://www.youtube.com/watch?v=95aHGzzNCY8

  111. None
  112. 「思考の算術化」のために フレーゲ (独、1848-1925) アリストテレス (希、384-322) ラッセル (英、1872-1970) ジョージ・ブール (英、1815-1864) ヴィトゲンシュタイン

    (墺、1889-1951) クルト・ゲーデル (墺、米、1906-1978) チューリング (英、1912-1954) ライプニッツ (独、1646-1716) ユークリッド (埃、384-322) デカルト (仏、1596-1650)
  113. 近代へ 科学の起源と哲学の起源 ユークリッド (埃、アレクサンドリア、 323-283 ぐらい) アルキメデス (希、384-322) アリストテレス (希、384-322)

    巨大な形而上哲学の流れ (思惟によってたどりつく) 科学・数学の流れ ライプニッツ (独、1646-1716) デカルト (独、1596-1650)
  114. ニュートン「プリンキピア」(1687年) 自然哲学の数学的諸原理 「ニュートン力学」を総合幾何学を 用いて解説。 当時、微積分学はニュートンが作った ばかりだったので、総合幾何学を用い て解説した。 人類至上、宇宙を大規模に解き 明かした最高の書物。

  115. 世界 疑い得ない、 論理の明証によって 築かれる世界 デカルト 我 近代科学、近代合理主義。 近代の出発点を与えた(デカルトの後の人がそう基礎づけた)。 論理的明証性 http://www.iwanami.co.jp/cgi-bin/isearch?isbn=ISBN4-00-336131-8

  116. ライプニッツ(1646-1716) • 万能の天才 • ハノーファー候(ドイツ)に仕える外 交官・文官 • 欧州全体に広い人脈(ロシア皇帝か らバチカンまで) •

    ベルリンアカデミー設立 • 法律、数学(『微積分』の発見、二進 法に関する論文)、哲学(『モナド 論』)に大きな足跡を残す • デカルト批判
  117. Element Characteristics universalis Leibniz (普遍的 記号法の原理) http://www.iep.utm.edu/leib-log/ しかし、途中で終わる。 (ライプニッツはすぐに できると思っていたが、

    実は人類史上の、 とても大仕事だった。)
  118. 哲学 論理学 数学、論理学、哲学(=学問) 数学

  119. デカルトからライプニッツへ つまり数学を記号操作に還元することができる。 人間の思考一般を記号操作で表せるのではない か? (普遍記号学) ライプニッツ (独、1646-1716) デカルト (独、1596-1650) しかし、対立は数学だけではなくて、

    より深い思想的立場が違う。 我、思うゆえに我あり。疑い得ないものから出発 して、明晰な論理によって認識を広げて行くこと。 論理学まで含めて、全学問を普遍記号の原理の 元に演繹する。
  120. デカルト「近代学問の父」 「近代合理主義」 哲学 論理学 全学問 確実な推論によって 合理的推論によって

  121. デカルトの著作 1618年『音楽提要』Compendium Musicae 公刊はデカルトの死後(1650年)である。 1628年『精神指導の規則』Regulae ad directionem ingenii 未完の著作。デカルトの死後(1651年)公刊される。 1633年『世界論』Le

    Monde ガリレオと同じく地動説を事実上認める内容を含んでいた ため、実際には公刊取り止めとなる。デカルトの死後(1664年)公刊される。 1637年『みずからの理性を正しく導き、もろもろの学問において真理を探究するため の方法についての序説およびこの方法の試論(屈折光学・気象学・幾何学)』Discours de la méthode pour bien conduire sa raison, et chercher la verité dans les sciences(La Dioptrique,Les Météores,La Géométrie) 試論(屈折光学・気象学・幾何学)を除いて序説単体で読まれるときは、『方法序説』 Discours de la méthode と略す。 1641年『省察』Meditationes de prima philosophia 1644年『哲学の原理』Principia philosophiae 1648年『人間論』Traité de l'homme 公刊はデカルトの死後(1664年)である。 1649年『情念論』Les passions de l'ame https://ja.wikipedia.org/wiki/ルネ・デカルト
  122. ライプニッツ「普遍記号学」 哲学 論理学 数学 記号の操作によって 人間の思考全体を 記号操作によって、 表されるはずだ。

  123. フレーゲ(1848-1925) • 分析哲学の祖 • 人間の思考の形式化 • ゲッティンゲン大学で博士号 • イエーナ大学で殆どの時期を過ごす •

    数学と哲学の間で独自の学問を打 ち立てる • 現代数学の記号、一階述語論理は フレーゲに寄る。
  124. フレーゲ「普遍記号学」 哲学 論理学 数学 論理学の体系を 再構築する。

  125. 近代へ 科学の起源と哲学の起源 ユークリッド (埃、アレクサンドリア、 323-283 ぐらい) アルキメデス (希、384-322) アリストテレス (希、384-322)

    オルガノン (アリストテレス論理学) 科学・数学の流れ ライプニッツ (独、1646-1716) デカルト (独、1596-1650) フレーゲ (独、1848-1925) 論理学の革新 人間の思考の 記号化
  126. フレーゲ「普遍学」 「概念記法 – 算術の式言語を模造した純粋思考のための一つの式言語-」

  127. 述語論理 命題 一階述語 論理 二階述語 論理 ~は~である。 (例)メアリは女優である。女優は女性である。 メアリは女性である。 すべての~はーである。

    {∀ t | P(t) } (例)すべての人間は生まれた。 ~という ー が存在する。 {∃t | P(t) } (例) 体の白いラインが存在する。 全称量化記号 (universal quantifier) ∀ と 存在量化記号 (existential quantifier) ∃ 命題 と変数 P (t) 命題 と変数 と集合 P (t)、集合S ~という集合が存在する すべての集合について~である。 (例)任意のxについて、それは集合に属するか、属さないかである。 ∀S ∀x (x ∈ S ∨ x ∉ S) 三段論法
  128. フレーゲの記号系 http://plato.stanford.edu/entries/frege-theorem/notes.html

  129. http://slideplayer.org/slide/667932/ フレーゲの記号系 https://www.math.uwaterloo.ca/~snburris/htd ocs/scav/frege/frege.html

  130. ブール代数 • 冪等則:x ∧ x = x ∨ x =

    x 、 • 交換則:x ∧ y = y ∧ x 、x ∨ y = y ∨ x 、 • 結合則:(x ∧ y)∧ z = x ∧(y ∧ z) 、(x ∨ y)∨ z = x ∨(y ∨ z) 、 • 吸収則:(x ∧ y)∨ x =x 、(x ∨ y)∧ x = x 、 • 分配則:(x ∨ y)∧ z = (x ∧ z)∨(y ∧ z) • (x ∧ y)∨ z = (x ∨ z)∧(y ∨ z) • さらにL の特別な元 0 ,1 と単項演算 ¬ について、以下が 成り立つとき <L; ∨, ∧, ¬> を可補分配束(ブール束)と 呼ぶ。 • 補元則: x ∨ ¬x = 1, x ∧ ¬ x = 0。
  131. 論理主義 • しかし、数学は論理学の一部ではない。 • 実数(連続量)を定義できるか? • 論理から数を定義しようとする(カントール、デー デキントなど)。 • しかし、数学の体系の中には、肯定も否定もでき

    ないような命題が存在する。 • これを「ゲーデルの不完全性定理」という。 • 論文「『プリンキピア・マテマティカ』とそれに関連 する体系における形式的に決定不可能な命題 についてI」 (ゲーデル、1931年)
  132. (例)連続体仮説 • 加算無限濃度(自然数)と、連続体無限濃度 (実数)の間には、他の濃度は存在しない。 (ゲオルグ・カントール) この命題は実は否定も肯定もできない。 逆に言うと、この命題を付け加えても、付け加えなくても、 数学はそのまま成立する。(選択公理) https://ja.wikipedia.org/wiki/%E9%80%A3%E7%B6%9A%E4%BD%93%E4%BB%AE%E8%AA%AC アレフゼロ

  133. バートランド・ラッセル(英、1872-1970) • 英の数学者・哲学者・文学者 • ノーベル文学賞を受賞 • ケンブリッジ大学で教える。 • ヴィトゲンシュタインを見出す。 •

    政治的運動も展開。 • 数々の著作。 • 論理学者としてラッセルのパラドックス
  134. 分析哲学の系譜 フレーゲ (独1848-1925) ラッセル (英1872-1970) ブール (英1815-1864) ヴィトゲンシュタイン (墺、1889-1951) ゲーデル

    (墺1906-1978) ライプニッツ (独1646-1716) デカルト (仏1596-1650)
  135. 述語論理 命題 一階述語 論理 二階述語 論理 ~は~である。 (例)メアリは女優である。 すべての~はーである。 {∀

    t | P(t) } (例)すべての人間は生まれた。 ~という ー が存在する。 {∃t | P(t) } (例) 体の白いラインが存在する。 全称量化記号 (universal quantifier) ∀ と 存在量化記号 (existential quantifier) ∃ 命題 と変数 P (t) 命題 と変数 と集合 P (t)、集合S ~という集合が存在する すべての集合について~である。 (例)任意のxについて、それは集合に属するか、属さないかである。 ∀S ∀x (x ∈ S ∨ x ∉ S) 現代数学
  136. ラッセル/ホワイトヘッド 数学原理(Principia Mathematica) • 数学が論理学で記述できることを示す。 • ラッセルのパラッドクスを回避するラッセル自身の「型理論」 (type theory)が盛り込まれる。 https://archive.org/details/PrincipiaMathematicaVolumeI

  137. ヴィトゲンシュタイン(1889-1951) • オーストリアの哲学者 • 工学からその基礎に疑問を持ち、 • 数学、さらに哲学へ。 • イギリスのケンブリッジのラッセルのもとで 哲学を研究する。

    • フレーゲと交流。 • 孤高の哲学者。 • 20代で「論理哲学論考」を著して、小学校 教師に。その後、再び、大学で研究する。 「哲学論考」 • 講義を受けた聴講者が講義録をまとめる。
  138. ヒルベルト「数理論理学」 • 20世紀最大の数学者 • 「マテマティカ・プリンキピア」の成果を 数学的に細分化し、数学基礎論として 位置付けた。 • ヒルベルト/アッカーマン「数理論理学」 (1927年、オリジナルはゲッティンゲン

    大学における講義 1917-1918) • 決定問題を提起
  139. アラン・チューリング(1912-1954) • ヒルベルトの関数計算の記法を体系的 かつ有限個の記号だけを使うように変 更すれば、その計算体系で証明可能な すべての論理式を見つけることができ るような自動機械Hを構成できる。 (チューリングに論文より引用) (チャールズ・ベゾナルド「チューリングを 読む」P.344)

  140. ダートマス会議(1956年) http://www-formal.stanford.edu/jmc/history/dartmouth/dartmouth.html

  141. ダートマス会議(1956年) 我々は、1956年の夏の2ヶ月間、10人の人工知能研究者 がニューハンプシャー州ハノーバーのダートマス大学に集 まることを提案する。そこで、学習のあらゆる観点や知能 の他の機能を正確に説明することで機械がそれらをシミュ レートできるようにするための基本的研究を進める。機械 が言語を使うことができるようにする方法の探究、機械上 での抽象化と概念の形成、今は人間にしか解けない問題 を機械で解くこと、機械が自分自身を改善する方法などの 探究の試みがなされるだろう。我々は、注意深く選ばれた

    科学者のグループがひと夏集まれば、それらの問題のうち いくつかで大きな進展が得られると考えている。 https://ja.wikipedia.org/wiki/%E3%83%80%E3%83%BC%E3%83%88%E3%83% 9E%E3%82%B9%E4%BC%9A%E8%AD%B0
  142. Logic Theorist http://www.slideshare.net/umeshmeher/artificial-intelligence-34661808

  143. ジョン・マッカーシー 「適切な形式言語(おそらく述語計算の 一部)を処理するプログラムは共通の手 段となる。基本プログラムは前提から直 ちに結論を導き出す。その結論は宣言的 かもしれないし命令的かもしれない。命 令的な結論が導かれるなら、そのプログ ラムはその結論に対応した動作をする」 (1958年) •

    「ALGOL」「LISP」「Prolog」によって数理論 理学の人工知能への応用を牽引した。
  144. 論理プログラミング 人間の思考の 記号化の夢 人間の思考の 記号化の研究 人工知能における 論理思考 =述語論理プログラミング 分析哲学・言語哲学 LISP

    / PROLOG 数理論理学の成果をプログラミングに導入する。
  145. 論理プログラミング 人間の思考の 記号化の夢 人間の思考の 記号化の研究 分析哲学・言語哲学 LISP / PROLOG 数理論理学の成果をプログラミングに導入する。

    計算理論
  146. 論理プログラミング 人間の思考の 記号化の夢 人間の思考の 記号化の研究 分析哲学・言語哲学 LISP / PROLOG 数理論理学の成果をプログラミングに導入する。

    計算理論 哲学 論理学 数学 プログラミング 人工知能
  147. 人工知能の歴史を学ぶ =哲学・数学の歴史を知る

  148. 人工知能と創造性

  149. プロシージャル技術 ゲームAI技術 AI技術 プロシージャル 技術 コンテンツ自動生成技術 (PCG, Procedural Contents Generation

  150. Rogue (1980)のレベル生成法 Rect[0] Rect[0] Rect[1] Rect[0] Rect[1] Rect[2] Rect[3] http://racanhack.sourceforge.jp/rhdoc/intromaze.html

  151. Rogue (1980)のダンジョン生成法 Rect[0] Rect[0] Rect[1] Rect[0] Rect[1] Rect[2] Rect[3] このようにアセット(ゲームのデータ)をツールなどを通して製作するのではなく、

    プログラムで作ることを「プロシージャル・コンテンツ・ジェネレーション」(PCG)と言う。 http://racanhack.sourceforge.jp/rhdoc/intromaze.html
  152. 迷路の自動的な作り方 • 穴掘り法 • 棒倒し法 • 壁伸ばし法

  153. WarFrame における自動生成マップの 自動解析による自動骨格抽出 • 自動生成するだけでなく、自動生成したダンジョンを、自動解 析します。ここでは、トポロジー(形状)検出を行います。

  154. アーロンのアルゴリズム • 知識ベースの人工知能 = 閉曲線で描くことを学ぶ。 1981

  155. アーロンのアルゴリズム • 知識ベースの人工知能 (左) 学んだ知識から描く (右) 架空のものを学んだものから描く 1985 1983

  156. アーロンのアルゴリズム • 知識ベースの人工知能 前後関係を取れるようにする。 1986

  157. ブラウン運動 ロバート・ブラウン博士によって、1827年に発見された現象。 微粒が媒質(液体)の中で行う不規則な運動。 アインシュタイン博士によって、熱運動する媒質の不規則な 衝突によって引き起こされると説明された。 http://ja.wikipedia.org/wiki/%E3%83%96%E3%83%A9%E3%82%A6%E3%83%B3%E9%81%8B%E5%8B%95

  158. ブラウン運動から地形生成 ロバート・ブラウン博士によって、1827年に発見された現象。 微粒が媒質(液体)の中で行う不規則な運動。 アインシュタイン博士によって、熱運動する媒質の不規則な 衝突によって引き起こされると説明された。 http://ja.wikipedia.org/wiki/%E3%83%96%E3%83%A9%E3%82%A6%E3%83%B3%E9%81%8B%E5%8B%95 宮田一乗「プロシージャル技術の動向」(CEDEC 2008)

  159. ブラウン運動から地形生成 http://ja.wikipedia.org/wiki/%E3%83%96%E3%83%A9%E3%82%A6%E3%83%B3%E9%81%8B%E5%8B%95 https://www.youtube.com/watch?v=m4JDNzwFZFI

  160. ブラウン運動から地形生成 http://ja.wikipedia.org/wiki/%E3%83%96%E3%83%A9%E3%82%A6%E3%83%B3%E9%81%8B%E5%8B%95 http://www.kenmusgrave.com

  161. ブラウン運動から地形生成 http://ja.wikipedia.org/wiki/%E3%83%96%E3%83%A9%E3%82%A6%E3%83%B3%E9%81%8B%E5%8B%95 http://www.kenmusgrave.com

  162. NO MAN’S SKY (Hello Games, 2016) http://www.no-mans-sky.com/ 宇宙、星系、太陽系、惑星を自動生成する。

  163. FarCry2 におけるプロシージャル技術 50km四方のマップを作る オブジェクト(草木)&アニメーションデータを自動生成

  164. FarCry2 (Dunia Engine ) デモ 草原自動生成 時間システム 樹木自動生成 動的天候システム 動的天候システム

    http://www.farcry2-hq.com/downloads,18,dunia-engine-nr1.htm
  165. 第十章 データ解析・学習によるオンラインゲームのサポート 井澤 正志 株式会社gloops(グループス) データマイニングによって変わった「大熱狂!!プロ野球カード」のKey Performance Indicatorの事例研究 http://cedec.cesa.or.jp/2012/program/BM/C12_P0156.html

  166. A Brief History of Matchmaking in Heroes of the Storm

    Alex Zook, Blizzard Entertainment https://archives.nucl.ai/recording/a-brief-history-of-matchmaking-in-heroes-of-the-storm/
  167. A Brief History of Matchmaking in Heroes of the Storm

    Alex Zook, Blizzard Entertainment https://archives.nucl.ai/recording/a-brief-history-of-matchmaking-in-heroes-of-the-storm/
  168. A Brief History of Matchmaking in Heroes of the Storm

    Alex Zook, Blizzard Entertainment https://archives.nucl.ai/recording/a-brief-history-of-matchmaking-in-heroes-of-the-storm/
  169. Tom Mathews Making "Big Data" Work for 'Halo': A Case

    Study http://ai-wiki/wiki/images/d/d8/AI_Seminar_177th.pdf
  170. Tom Mathews Making "Big Data" Work for 'Halo': A Case

    Study http://ai-wiki/wiki/images/d/d8/AI_Seminar_177th.pdf
  171. Gameplay Data Analysis: Asking the Right Questions Ian Thomas (Epic

    Games) http://www.gdcvault.com/play/1015482/Gameplay-Data-Analysis-Asking-the
  172. None
  173. 第九章 モバイルゲームにおける人工知能

  174. FINAL FANTASY Record Keeper の バトル難易度調整を 機械学習で支援する AIによるゲームアプリ運用の課題解決へのアプローチ 友部博教、半田豊和(株式会社ディー・エヌ・エー) https://cedil.cesa.or.jp/cedil_sessions/view/1511

  175. 人工知能のさまざまな応用

  176. データの海が人工知能を育てる • Amazon(協調フィルタリング) • IBMワトソン • IBM Watson in みずほ銀行

    • AlphaGO • ソニー「デジタルアナウンサー」 • Nvidia「自動運転」 • 医療用診断データベース
  177. 人 人工 知能 「人」の代わりに人工知能

  178. 人 人工 知能 「人」の間に人工知能 人

  179. 人 人工 知能 「人」の間に人工知能 人 いつ空いている? えーと…

  180. 人 人工 知能 「人」の間に人工知能。たとえば予定を自動調整してくれる。 人 いつ空いている? えーと… 予定表 予定表 来週の月曜日の

    夜どうですか?
  181. Amazon「協調フィルタリング」 ユーザデータ群 (たとえば販売サイト) A B C ? 評価 5 1

    4 A,B,C という映画を購入した人に、 次にどの映画を推薦するべきか? A B C M 評価 4 2 5 5 同じ購入履歴で、同じような評価をしている 人が高く評価している映画を探して来る。 推薦
  182. IBM ワトソン ネット上のあらゆるWiki 百科事典データベース など りんご 赤い 90% 甘い 70%

    青森 55% フランス 40% 果物 32% … しぶい 7% IBMワトソンは、文章の中の語の相関を学習する。 その学習データを用いて、インプットされた語と、 相関の強い言葉をリストアップする。
  183. IBM Watson in みずほ銀行 • オペレーターが顧客の要望を復唱する。 • 言葉に変換 • 自動的に関連するマニュアルを表示する

    https://www.change-makers.jp/business/10573 要件 クライ アントさん IBM ワトソン オペレーター バックアップ
  184. IBM Watson in 東京大学医学部 • 論文を学習させる。 • 論文を積み上げると富士山ぐらいになりそうな勢 い。=人間では無理。 •

    症状を入れると、論文のリストが出て来る。 症状 患者さん IBM ワトソン お医者 さん バックアップ
  185. IBM Watson in 保険会社 • 保険会社の判例を学習させる。 • 一人前になるのに数年かかる。 • かつてはベテランが教えていた。

    • タブレットからIBMワトソンがアドバイス 事故 内容 クライアン トさん IBM ワトソン 新人 バックアップ
  186. IBM ワトソン IBMワトソンは、 社内の暗黙知を吸収し蓄積する。

  187. 二つの人工知能 IF (s_collison==true) register_all(s_star); assign_edge(); assign_vertex(); mix_all(); シンボルによる人工知能 (シンボリズム)) ニューラルネットによる人工知能

    (コネクショニズム) IBM ワトソン など AlphaGo など http://www.nature.com/nature/journal/v518/n7540/full/nature14236.html
  188. • 人間には扱えないような大きなデータから、 • 人間では気づかない特徴を学習している。 学習する人工知能 から学ぶこと • さらに人間の解釈を通過することなく、 • 直接サービスやアクションを展開する

    (当然アマゾンの開発者は我々に何を推薦してい るか知らない)
  189. 学習する人工知能 から学ぶこと ユーザー データ AI

  190. 人工知能は 電気、ガス、インターネットのように 社会インフラとなる。

  191. 知能と「フレーム」

  192. 時間(イメージ) 空間(論理) 殆どの人工知能は与えられたフレーム(問題設定)の 外に出ることはできない。 人間は柔軟にフレーム(問題設定)を創造し 変化させることができる。 フレーム問題

  193. 人間の知能の形/人工知能の形 人間(生物)の知能=総合的知能 =一つの知能がいろんなことをできる=フレームを創造・変化できる お料理できる 将棋が打てる 目的地へ行ける 何でもできる可能性を 持つ総合知性 車が運転できる 言葉を話すことができる

  194. 人間の知能の形/人工知能の知能の形 AlphaGO =囲碁しか打てない =人間より強い ナビ =目的地へのルート = とても正確 お掃除ロボット =お掃除しかできない

    = 24時間掃除 IBM ワトソン =記号の統計情報しかない =何百万行のテキストの関係を記憶 お料理ロボット =お料理しかできない =何万と言うレシピ 人工知能=専門的知能 一つのことしかできない。
  195. 人間の知能の形/人工知能の知能の形 お料理ロボット =お料理しかできない AlphaGO =囲碁しか打てない ナビ =目的地へのルート お掃除ロボット =お掃除しかできない IBM

    ワトソン =記号の統計情報しかない =何百万行のテキストの関係を記憶 人工知能=専門的知能 一つのことしかできない。一つのことがとても得意。
  196. 人工知能は自分で問題(フレーム)を 作れない。 与えられた問題の中で、人間より賢くなる。 これからの時代に必要な能力 =問題を作る能力 =人工知能を使役する能力

  197. サービスと人工知能

  198. 情報空間の拡大 ~人工知能の舞台が広がる • やがて街全体を制御する人工知能が出現する。 http://www.s-hoshino.com • その時、人工知能はアプリケーションではなく、 社会インフラとなる。新しく大きな市場。

  199. 情報空間の拡大 ~人工知能の舞台が広がる http://www.s-hoshino.com ビックデータ インフラ としてのAI

  200. 職業は人工知能でなくなるか? • 自分の職業の内容を細かくリストアップしてみましょう。 • その中の何割かが人工知能で置き換わるか、考えるか、 専門家に聞いてみよう。 • 全くなくなるのではなく、部分的に置き換わる。 • つまり発想を逆にして、人工知能といかに共存するか、そ

    の共存の仕方を模索する時代に来た。
  201. • 朝起きる。 • 電車に乗る。 • メイルをチェック。 • 必要な事項など返信。 • 会社に着く。

    • メイルをチェック。予定をチェック。 • 要件を検討し内容を返す。 • 朝ミーティング。 • それぞれの要件を確認。 • 技術的な設計文書を書く。 • 相談する。プログラムして貰う。/ プログラムを書く。 • 出来ると社内に持っていく。 • 説得する。論争になる。 • つかれる。 • 食堂でたそがれながら、コーヒーを飲む。 • 机に返る。相談が来る。 • 技術的な解決策を示す。 • でも心配になってもう一度危機に来る。 • 人間関係の相談を受ける。 職業は人工知能でなくなるか?
  202. • 朝起きる。 • 電車に乗る。 • メイルをチェック。 • 必要な事項など返信。 • 会社に着く。

    • メイルをチェック。予定をチェック。 • 要件を検討し内容を返す。 • 朝ミーティング。 • それぞれの要件を確認。 • 技術的な設計文書を書く。 • 相談する。プログラムして貰う。/ プログラムを書く。 • 出来ると社内に持っていく。 • 説得する。論争になる。 • つかれる。 • 食堂でたそがれながら、コーヒーを飲む。 • 机に返る。相談が来る。 • 技術的な解決策を示す。 • でも心配になってもう一度危機に来る。 • 人間関係の相談を受ける。 職業は人工知能でなくなるか? 自分の仕事に何割かが人工知能に置き換わる。
  203. • 朝起きる。 • 電車に乗る。 • メイルをチェック。 • 必要な事項など返信。 • 会社に着く。

    • メイルをチェック。予定をチェック。 • 要件を検討し内容を返す。 • 朝ミーティング。 • それぞれの要件を確認。 • 技術的な設計文書を書く。 • 相談する。プログラムして貰う。/ プログラムを書く。 • 出来ると社内に持っていく。 • 説得する。論争になる。 • つかれる。 • 食堂でたそがれながら、コーヒーを飲む。 • 机に返る。相談が来る。 • 技術的な解決策を示す。 • でも心配になってもう一度危機に来る。 • 人間関係の相談を受ける。 職業は人工知能でなくなるか? 自分の仕事に何割かが人工知能に置き換わる。 =これからは人間と人工知能が協調する時代
  204. • 朝起きる。 • 電車に乗る。 • メイルをチェック。 • 必要な事項など返信。 • 会社に着く。

    • メイルをチェック。予定をチェック。 • 要件を検討し内容を返す。 • 朝ミーティング。 • それぞれの要件を確認。 • 技術的な設計文書を書く。 • 相談する。プログラムして貰う。/ プログラムを書く。 • 出来ると社内に持っていく。 • 説得する。論争になる。 • つかれる。 • 食堂でたそがれながら、コーヒーを飲む。 • 机に返る。相談が来る。 • 技術的な解決策を示す。 • でも心配になってもう一度危機に来る。 • 人間関係の相談を受ける。 職業は人工知能でなくなるか? 自分の仕事に何割かが人工知能に置き換わる。 =これからは人間と人工知能が協調する時代 =人工知能とペアを組んで強いチームが勝つ
  205. • 朝起きる。 • 電車に乗る。 • メイルをチェック。 • 必要な事項など返信。 • 会社に着く。

    • メイルをチェック。予定をチェック。 • 要件を検討し内容を返す。 • 朝ミーティング。 • それぞれの要件を確認。 • 技術的な設計文書を書く。 • 相談する。プログラムして貰う。/ プログラムを書く。 • 出来ると社内に持っていく。 • 説得する。論争になる。 • つかれる。 • 食堂でたそがれながら、コーヒーを飲む。 • 机に返る。相談が来る。 • 技術的な解決策を示す。 • でも心配になってもう一度危機に来る。 • 人間関係の相談を受ける。 職業は人工知能でなくなるか? 自分の仕事に何割かが人工知能に置き換わる。 =これからは人間と人工知能が協調する時代 =人工知能とペアを組んで強いチームが勝つ = 人間とペアを組むことを前提に人工知能を開発 するべき = 単独の人工知能ではなく
  206. 単独の人工知能 人間とペアを 組む人工知能 社会 インフラ パーソナル・ サービス 人間の心 人と人の間 /モバイル

    システム /ビックデータ 二つの人工知能
  207. 人工知能は二種類ある。 社会インフラとなる人工知能。 個人をアシストする人工知能。 二つともこれからのビジネス。

  208. 人間にとって人工知能とは

  209. 西欧的知能感 神 人間 人工 知能 垂直的知能感 人間に似ていれば 似ているほど良い。 = Human-like

    AI
  210. 東洋的知能感 神 人間 人工 知能 鹿 ゾウリ ムシ 初音 ミク

    AIBO たま ごっち 水平的知能感 すべてに神が宿る (「八百万の神」世界観)
  211. 一つの体験 経験2 さまざまな現実 人間は一つの体験をさまざまな経験に変形しながら学習していく メタファー 知能とメタファー

  212. 一つの知的機能 経験2 さまざまな現実 人工知能はたくさんの体験から一つの知的機能を学習する 知能とメタファー 抽出

  213. 会話ってなんだろう? http://gahag.net/001633-animal-set/

  214. 言語とは世界の分割である

  215. シロアリ をつまむ 観察され た構造 行動の 構造 行動の 対象物 シ ロ

    アリ 階層0 シロアリ を棒で釣る 階層1 シ ロ アリ 棒 ヤシの種を台 石に載せてハ ンマーで叩く 階層2 ヤ シ の 種 台 石 ハ ン マ | 台石の下に別の台石 をかませてその上に ヤシの種をのせてハ ンマーで叩く 階層3 ヤ シ の 種 台 石 ハ ン マ | 台 石 松沢哲郎「チンパンジーの心」(岩波書店、2000) より 言語構造=世界の理解の仕方
  216. ペットボトル ノート ノートパソコン 机 左にある 右にある 奥にある 奥にある 上にある 上にある

    イス 下にある 足が四本ある 平板がある 背もたれがある 木でできている シンボルと世界
  217. けものをのけものにしない 日本語で難易度の高い例文(考えてみよう)

  218. けものをのけものにしない 日本語で難易度の高い例文(考えてみよう) コンピュータが内容を理解するためには、意味ある文章にするためには、 AIで良く使われる形態素解析という行為が必要です。 人間で言うと品詞分解です。

  219. 生起コスト 「けものをのけものにしない」の形態素解析の例 け もの を の け も の に

    け も の の け も の し な い け の に し し ない も の 28 名詞:毛 44 名詞:物 48 名詞:獣 57 助詞:を 8 名詞:獣 57 の け も の 助詞:の 27 名詞:のけもの 77 動詞:のけ 17 名詞:物 37 名詞:野 27 名詞:毛 31 名詞:藻 67 助詞:の 8 助詞:に 7 名詞:竹刀 97 名詞:西 22 動詞:する変形 11 助動詞:ない 5 10 10 51 71 11 11 27 27 20 35 15 9 32 17 17 17 32 45 23 13 5 17 連接コスト 品詞 推定
  220. 人工知能は現実が苦手

  221. 自然知能と人工知能 人間 =自然知能 機械 =人工知能 人間が人工知能を理解する。 人工知能が人間を理解する。