Miracon_2018_12_23_public.pdf

Slide 1

Slide 1 text

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/

Slide 2

Slide 2 text

自己紹介

Slide 3

Slide 3 text

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

Slide 4

Slide 4 text

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

Slide 5

Slide 5 text

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

Slide 6

Slide 6 text

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

Slide 7

Slide 7 text

自然知能と人工知能人間＝自然知能機械＝人工知能

Slide 8

Slide 8 text

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

Slide 9

Slide 9 text

人工知能を、理解する人工知能に、人間を理解させる。

Slide 10

Slide 10 text

質問 • AIを身近に感じることはありますか？はいいいえ

Slide 11

Slide 11 text

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

Slide 12

Slide 12 text

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）

Slide 13

Slide 13 text

人工知能とは

Slide 14

Slide 14 text

自然知能と人工知能人間＝自然知能機械＝人工知能

Slide 15

Slide 15 text

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）。

Slide 16

Slide 16 text

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

Slide 17

Slide 17 text

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

Slide 18

Slide 18 text

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

Slide 19

Slide 19 text

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

Slide 20

Slide 20 text

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

Slide 21

Slide 21 text

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？

Slide 22

Slide 22 text

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。

Slide 23

Slide 23 text

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。

Slide 24

Slide 24 text

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

Slide 25

Slide 25 text

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

Slide 26

Slide 26 text

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

Slide 27

Slide 27 text

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

Slide 28

Slide 28 text

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。

Slide 29

Slide 29 text

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

Slide 30

Slide 30 text

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。

Slide 31

Slide 31 text

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

Slide 32

Slide 32 text

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

Slide 33

Slide 33 text

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

Slide 34

Slide 34 text

「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

Slide 35

Slide 35 text

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

Slide 36

Slide 36 text

ゲームAI

Slide 37

Slide 37 text

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

Slide 38

Slide 38 text

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/

Slide 39

Slide 39 text

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/

Slide 40

Slide 40 text

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。

Slide 41

Slide 41 text

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/

Slide 42

Slide 42 text

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/

Slide 43

Slide 43 text

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

Slide 44

Slide 44 text

人工知能＝知識ｘ思考

Slide 45

Slide 45 text

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%

Slide 46

Slide 46 text

原始の海で構造化＝外と内の形成外内 Energy

Slide 47

Slide 47 text

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

Slide 48

Slide 48 text

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）

Slide 49

Slide 49 text

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

Slide 50

Slide 50 text

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

Slide 51

Slide 51 text

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

Slide 52

Slide 52 text

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。

Slide 53

Slide 53 text

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。

Slide 54

Slide 54 text

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。

Slide 55

Slide 55 text

「情報と物質」から「精神と身体」へ情報物質精神・知性身体

Slide 56

Slide 56 text

精神と身体、そして進化情報物質精神・知性身体進化

Slide 57

Slide 57 text

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

Slide 58

Slide 58 text

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。

Slide 59

Slide 59 text

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

Slide 60

Slide 60 text

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

Slide 61

Slide 61 text

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

Slide 62

Slide 62 text

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

Slide 63

Slide 63 text

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

Slide 64

Slide 64 text

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

Slide 65

Slide 65 text

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

Slide 66

Slide 66 text

ルンバ（iRobot社） http://chihoko777.exblog.jp/12567471/

Slide 67

Slide 67 text

Slide 68

Slide 68 text

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

Slide 69

Slide 69 text

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。

Slide 70

Slide 70 text

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ＡＩ３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。

Slide 71

Slide 71 text

Slide 72

Slide 72 text

メタAI

Slide 73

Slide 73 text

Slide 74

Slide 74 text

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。

Slide 75

Slide 75 text

（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－

Slide 76

Slide 76 text

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

Slide 77

Slide 77 text

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

Slide 78

Slide 78 text

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

Slide 79

Slide 79 text

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。

Slide 80

Slide 80 text

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

Slide 81

Slide 81 text

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

Slide 82

Slide 82 text

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）

Slide 83

Slide 83 text

キャラクターＡＩ

Slide 84

Slide 84 text

Slide 85

Slide 85 text

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）

Slide 86

Slide 86 text

(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）

Slide 87

Slide 87 text

（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）

Slide 88

Slide 88 text

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

Slide 89

Slide 89 text

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/

Slide 90

Slide 90 text

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

Slide 91

Slide 91 text

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

Slide 92

Slide 92 text

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

Slide 93

Slide 93 text

Slide 94

Slide 94 text

Slide 95

Slide 95 text

Slide 96

Slide 96 text

人間らしいAIを作る

Slide 97

Slide 97 text

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

Slide 98

Slide 98 text

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

Slide 99

Slide 99 text

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

Slide 100

Slide 100 text

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。

Slide 101

Slide 101 text

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

Slide 102

Slide 102 text

効用(Utility)の計算の仕方 W_Hunger X_Hunger W_Hunger(-80) -80 60 W_Hunger(60)

Slide 103

Slide 103 text

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

Slide 104

Slide 104 text

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

Slide 105

Slide 105 text

人工知能を知る（作る）＝人間を知ること

Slide 106

Slide 106 text

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。

Slide 107

Slide 107 text

ナビゲーションAI

Slide 108

Slide 108 text

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

Slide 109

Slide 109 text

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

Slide 110

Slide 110 text

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

Slide 111

Slide 111 text

No content

Slide 112

Slide 112 text

「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)

Slide 113

Slide 113 text

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)

Slide 114

Slide 114 text

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。

Slide 115

Slide 115 text

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

Slide 116

Slide 116 text

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

Slide 117

Slide 117 text

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。）

Slide 118

Slide 118 text

哲学論理学数学、論理学、哲学（＝学問）数学

Slide 119

Slide 119 text

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。

Slide 120

Slide 120 text

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

Slide 121

Slide 121 text

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

Slide 122

Slide 122 text

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。

Slide 123

Slide 123 text

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。

Slide 124

Slide 124 text

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。

Slide 125

Slide 125 text

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

Slide 126

Slide 126 text

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-」

Slide 127

Slide 127 text

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

Slide 128

Slide 128 text

フレーゲの記号系 http://plato.stanford.edu/entries/frege-theorem/notes.html

Slide 129

Slide 129 text

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

Slide 130

Slide 130 text

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。

Slide 131

Slide 131 text

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）

Slide 132

Slide 132 text

（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

Slide 133

Slide 133 text

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

Slide 134

Slide 134 text

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)

Slide 135

Slide 135 text

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

Slide 136

Slide 136 text

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

Slide 137

Slide 137 text

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。

Slide 138

Slide 138 text

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

Slide 139

Slide 139 text

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）

Slide 140

Slide 140 text

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

Slide 141

Slide 141 text

Slide 142

Slide 142 text

Logic Theorist http://www.slideshare.net/umeshmeher/artificial-intelligence-34661808

Slide 143

Slide 143 text

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。

Slide 144

Slide 144 text

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。

Slide 145

Slide 145 text

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

Slide 146

Slide 146 text

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

Slide 147

Slide 147 text

人工知能の歴史を学ぶ＝哲学・数学の歴史を知る

Slide 148

Slide 148 text

人工知能と創造性

Slide 149

Slide 149 text

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 ）

Slide 150

Slide 150 text

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

Slide 151

Slide 151 text

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

Slide 152

Slide 152 text

迷路の自動的な作り方 • 穴掘り法 • 棒倒し法 • 壁伸ばし法

Slide 153

Slide 153 text

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。

Slide 154

Slide 154 text

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

Slide 155

Slide 155 text

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

Slide 156

Slide 156 text

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

Slide 157

Slide 157 text

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

Slide 158

Slide 158 text

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）

Slide 159

Slide 159 text

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

Slide 160

Slide 160 text

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

Slide 161

Slide 161 text

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

Slide 162

Slide 162 text

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。

Slide 163

Slide 163 text

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

Slide 164

Slide 164 text

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

Slide 165

Slide 165 text

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

Slide 166

Slide 166 text

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/

Slide 167

Slide 167 text

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/

Slide 168

Slide 168 text

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/

Slide 169

Slide 169 text

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

Slide 170

Slide 170 text

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

Slide 171

Slide 171 text

Gameplay Data Analysis: Asking the Right Questions Ian Thomas (Epic Games) http://www.gdcvault.com/play/1015482/Gameplay-Data-Analysis-Asking-the

Slide 172

Slide 172 text

No content

Slide 173

Slide 173 text

第九章モバイルゲームにおける人工知能

Slide 174

Slide 174 text

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

Slide 175

Slide 175 text

人工知能のさまざまな応用

Slide 176

Slide 176 text

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

Slide 177

Slide 177 text

人人工知能「人」の代わりに人工知能

Slide 178

Slide 178 text

人人工知能「人」の間に人工知能人

Slide 179

Slide 179 text

人人工知能「人」の間に人工知能人いつ空いている？えーと…

Slide 180

Slide 180 text

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？

Slide 181

Slide 181 text

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

Slide 182

Slide 182 text

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。

Slide 183

Slide 183 text

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

Slide 184

Slide 184 text

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

Slide 185

Slide 185 text

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

Slide 186

Slide 186 text

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。

Slide 187

Slide 187 text

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

Slide 188

Slide 188 text

• 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）

Slide 189

Slide 189 text

学習する人工知能から学ぶことユーザーデータ AI

Slide 190

Slide 190 text

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。

Slide 191

Slide 191 text

知能と「フレーム」

Slide 192

Slide 192 text

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

Slide 193

Slide 193 text

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

Slide 194

Slide 194 text

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。

Slide 195

Slide 195 text

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。

Slide 196

Slide 196 text

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

Slide 197

Slide 197 text

サービスと人工知能

Slide 198

Slide 198 text

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。

Slide 199

Slide 199 text

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

Slide 200

Slide 200 text

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。

Slide 201

Slide 201 text

• 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？

Slide 202

Slide 202 text

Slide 203

Slide 203 text

Slide 204

Slide 204 text

Slide 205

Slide 205 text

Slide 206

Slide 206 text

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

Slide 207

Slide 207 text

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。

Slide 208

Slide 208 text

人間にとって人工知能とは

Slide 209

Slide 209 text

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

Slide 210

Slide 210 text

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）

Slide 211

Slide 211 text

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

Slide 212

Slide 212 text

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

Slide 213

Slide 213 text

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

Slide 214

Slide 214 text

言語とは世界の分割である

Slide 215

Slide 215 text

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

Slide 216

Slide 216 text

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

Slide 217

Slide 217 text

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）

Slide 218

Slide 218 text

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。

Slide 219

Slide 219 text

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

Slide 220

Slide 220 text

人工知能は現実が苦手

Slide 221

Slide 221 text

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。