はじめに
使用AIチャット
:概要
:「弱いAI」と「強いAI」
:AIの歴史
1. ダートマス会議
:AIの構築の技術
1. ディープラーニング
2. 機械学習の内容
おわりに

はじめに

AIをこれから学びたい人（筆者も）に向けて実際にAIについてAIチャットに聞いて教えてもらったことを記事にしました。

使用AIチャット

・Microsoft copilot
・chatGPT-3.5

AIって何の略？

“AI”とは人工知能 (Artificial Intelligence) の略です。アーティフィシャル・インテリジェンスと読みます。

英語の読みをそのまま日本語に直訳すると”人工”（アーティフィシャル）と”知能”（インテリジェン）でそのままですね。

AIについて

:概要

AI（人工知能）は、人間の知能をコンピュータで実現する技術です。これには画像認識やテキストの自動生成などが含まれ、日々進化しています。AIは特定のタスクを効率化し、高度なデータ解析を可能にすることで、社会や企業に大きな影響を与えています。

AIの歴史は1956年のダートマス会議に遡り、以来、ルールベースのAI、エキスパートシステム、機械学習、ディープラーニングなど、さまざまな技術が開発されてきました。現在は、機械学習やディープラーニングを活用したAIが主流で、これらは大量のデータを解析し、複雑な問題を解決する能力を持っています2。

AIには「弱いAI」と「強いAI」があります。弱いAIは特定のタスクに特化しており、強いAIは人間のような幅広い知識と自意識を持つことを目指していますが、現在主流のAIは弱いAIです2。AIの将来性については、多くの研究が進められており、社会のさまざまな分野での応用が期待されています。

とてもわかりやすいですが何が何だかわからないですね！
とくに気になった「弱いAI」と「強いAI」について聞いてみます

:「弱いAI」と「強いAI」

弱いAI

弱いAI（特化型AI）とは、特定のタスクや機能に特化した人工知能です。例えば、音声認識、画像認識、特定のゲームでのプレイなど、限定された範囲の問題を解決することに優れています。これらは日常生活でよく見かけるAIで、スマートフォンのアシスタントやオンラインのカスタマーサービスなどに利用されています。

強いAI

一方、強いAI（汎用型AIまたはAGI）は、人間のように幅広い課題を理解し、学習し、解決する能力を持つAIを指します。強いAIは自己意識や自己学習能力、推論、問題解決能力など、人間の知能に匹敵するような総合的な能力を持つことが目標です。しかし、現在の技術ではまだ実現されていないとされています。

「弱いAI」と「強いAI」まとめ

強いAIと弱いAIの主な違いは、その機能の範囲と柔軟性にあります。弱いAIはある特定のタスクを非常に効率的にこなすことができますが、その範囲外の問題には対応できません。一方で、強いAIはさまざまな種類の問題に対応できる汎用性を持ち、より人間に近い知能を目指しています。

強いAIの実現は、多くの研究者にとって長期的な目標であり、その進化は人類に大きな影響を与えると考えられています。例えば、強いAIが実現すれば、医療、教育、科学研究など、あらゆる分野で革新的な変化をもたらす可能性があります。ただし、強いAIに関する議論には、倫理的な問題や安全性の懸念も含まれており、その開発と応用には慎重なアプローチが求められています。

弱いAIは、一つに特化できる分特定のタスクや問題に対して効率的に機能するが、既存の情報以外は対応できない事。
一方強いAIは、複合的に思考ができ与えられた情報からいろいろ組み合わせて創造する事が可能になる。
おなじAIでも最強の知識人とその要素＋想像ができるまさに自分たち人間のような思考回路のAIがあるとわかりますね！強いAIはまだ実現していないみたいですが今後実現したら、いよいよ人の存在を考えさせられる段階になりますね！
そして、もし実現した強いAIの倫理的な問題に対して今考えうる様々な問題についてどんなのがあるのか気になったので聞いてみました

現時点の強いAIの倫理的懸念点

1.プライバシーの侵害: 強いAIは膨大なデータを処理し、個人のプライバシーに関わる情報を分析する能力を持つため、プライバシーの保護が重要な課題となります。

2.公平性の欠如: AIが持つ偏見や差別を反映する可能性があり、特定の人種や性別に対する不公平な扱いを引き起こす恐れがあります。

3.透明性と説明責任の不足: AIの意思決定プロセスがブラックボックス化されることが多く、その決定根拠が不明確であるため、説明責任を果たすことが困難です。

4.人間性の喪失: AIが人間の仕事を代替することで、人間が自ら考えたり創造したりする能力を失う可能性があります。

5.責任の所在: AIによる判断が誤りを引き起こした場合、その責任を誰が負うのかが問題となります。AIの開発者、利用者、またはAI自体に責任があるのか、明確な基準が必要です。

これらの問題に対処するためには、国際的な協力や多様なステークホルダーの参加が必要であり、AI倫理に関するガイドラインや勧告が策定されています。しかし、AI倫理に関する共通の基準や規制が確立されているわけではなく、引き続き議論が必要です。

こんな世の中になってしまったら、もうこの世の終わり…と思ってしまいそうですが今のうちに議論されることで規制や監視などが徹底されて使い道などがすごく限られた必要とされているところに行きつ。筆者的にはすごく楽観的ですがこうなったらなったで他の道を模索するのが人間だと思うのでなんとか使いこなす、または住み分けされていくのだろうとも感じます。どうなるかは実現してからしかわからないですがね。
次は、Aiの歴史について聞いてみました！

:AIの歴史

ダートマス会議から現在に至るまでのAIの歴史は、多くの重要なマイルストーンを経てきました。以下は、その概要です：

1.ダートマス会議（1956年）: AIという用語が初めて使われ、AI研究の基礎が確立されました12。

2.第1次AIブーム（1960年代 – 1970年代）: エキスパートシステムの開発や、AIによる問題解決の可能性が探求されました。

3.AIの冬（1970年代後半 – 1980年代）: 過度な期待と技術的な限界により、AI研究への関心と投資が減少しました。

4.第2次AIブーム（1980年代 – 1990年代）: コンピュータの処理能力の向上とアルゴリズムの進化により、AI研究が再び活発化しました。

5.インターネットの普及（1990年代 – 2000年代）: 大量のデータが利用可能になり、機械学習が大きく進歩しました。

6.ディープラーニングの登場（2000年代 – 現在）: ニューラルネットワークの深層学習が可能になり、画像認識、自然言語処理、自動運転など、多くの分野で実用的な応用が進みました。

7.AIの民主化（2010年代 – 現在）: オープンソースのフレームワークやクラウドサービスの普及により、AI技術が一般に広く利用されるようになりました。

8.倫理と規制（2010年代 – 現在）: AIの社会的影響が大きくなるにつれて、倫理的な問題や規制の必要性が高まっています。

AIの歴史は、技術的な進歩だけでなく、社会的な影響や倫理的な問題にも関連しています。今後もAIは進化し続け、新たな挑戦と機会をもたらすことでしょう

AIの構想から68年も経っていたのですね！私がAIと言うのをちらほら聞いたのは、話題になっていた2020年くらいからだったのでビックリしました！そこから時を経て今に繋がっていると思うとすごいなと感じます。では、そのAI構想の発端となったダートマス会議について気になったので聞いてみます

ダートマス会議

ダートマス会議は、1956年にアメリカのニューハンプシャー州にあるダートマス大学で開催された、人工知能研究の歴史的な会議です。この会議で、ジョン・マッカーシー、マービン・ミンスキー、クロード・シャノン、ネイサン・ロチェスターらが中心となり、人工知能という用語が初めて使われ、学術研究分野としての人工知能が確立されました。

会議の目的は、学習や知能の他の機能を機械で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ことでした。参加者たちは、機械が言語を使う方法、抽象化と概念の形成、人間にしか解けない問題を機械で解くこと、そして機械が自分自身を改善する方法など、多岐にわたるトピックについて議論しました。

この会議は、人工知能が今日に至るまでの発展の基礎を築いたとされ、その後のAI研究に大きな影響を与えました。ダートマス会議は、AI研究の原点とも言える重要な出来事であり、その成果は現在のAI技術にも引き継がれています

この時代は、初めのコンパイラの開発（プログラミング言語を機械語に変換するプロセスを自動化ログラミング言語を機械語に変換するプロセスを自動化）やジョン・フォイ・ノイマンによるゲーム理論の研究発表などテクノロジーの発展のポイントとなる年でもあるんですね！
その構想を経て現代のAIを作る技術について聞いてみようと思います

:AIの構築の技術

機械学習: データからパターンを学習し、予測や分類を行う技術です。ディープラーニングは機械学習の一部であり、特に複雑なデータから特徴を学習するのに適しています。

ルールベースのシステム: 事前に定義されたルールに基づいて動作するAIで、エキスパートシステムなどがこれに該当します。

進化的アルゴリズム: 自然選択や遺伝的変異を模倣したアルゴリズムを用いて、問題の解を進化させる手法です。

強化学習: 試行錯誤を通じて最適な行動を学習する技術で、特にゲームやロボットの制御などに用いられます。

なんだか難しくなってきましたね。聞いたことのあるディープラーニングについて聞いてみます

ディープラーニング

ディープラーニング、または深層学習は、機械学習の一分野で、人間の脳の神経細胞ネットワークを模倣したアルゴリズム、すなわちニューラルネットワークを用いて、データから複雑なパターンや特徴を学習する技術です。ディープラーニングは特に、画像認識、音声認識、自然言語処理などの分野で優れた成果を示しています。

ディープラーニングの核となるのは、多層のニューラルネットワークです。これは入力層、隠れ層（中間層）、出力層から構成され、各層は多数のノード（ニューロン）で構成されています。データは入力層からネットワークに入り、隠れ層を通過する際に、重み付けされたノード間の接続を通じて変換され、最終的に出力層で結果が生成されます。

隠れ層は、浅い層ではより単純な特徴を、深い層ではより抽象的な特徴を捉えることができます。例えば、画像を処理する場合、初期の層ではエッジやテクスチャを検出し、より深い層ではそれらの特徴を組み合わせて物体や顔などを識別します。

ディープラーニングは、従来の機械学習手法と比較して、特徴量の手動での設計が不要であり、大量のデータから自動で特徴を学習する能力があるため、非構造化データの処理に特に有効です。このため、自動運転、医療診断、言語翻訳、ゲームプレイなど、多岐にわたる応用が可能となっています。

ディープラーニングの進歩は、コンピュータの計算能力の向上、大量のデータの利用可能性、アルゴリズムの改善によって加速されています。しかし、ディープラーニングにはまだ解決すべき課題もあり、例えば、学習に必要なデータ量が多い、モデルの解釈が難しい、過学習のリスクがあるなどが挙げられます

つまり我々人間の思考構造を真似ているのですね。機械学習についてどんな学習方法があるのか気になったので聞いてみました

機械学習の内容

機械学習は、コンピュータがデータから学習し、経験を通じて自動で改善するアルゴリズムやその研究領域を指します。人工知能（AI）の一分野として、データを解析し、パターンを発見し、予測や判断を行うことができます。

機械学習には主に以下の3つのタイプがあります：

教師あり学習: ラベル付けされた訓練データを使用して、特定の出力を予測するモデルを作成します。例えば、写真に写っている物体を識別するなどです。

教師なし学習: ラベルのないデータを使用して、データ内のパターンや構造を見つけ出します。クラスタリングや次元削減がこの例です。

強化学習: 試行錯誤を通じて最適な行動を学習します。報酬を最大化するための戦略を見つけることが目的です。

これらの学習方法は、さまざまな実世界の問題を解決するために使われています。例えば、製品の推薦システム、音声認識、自動運転車、医療診断などがあります。機械学習は、大量のデータを効率的に処理し、人間では見つけられない複雑なパターンや関係性を発見する能力を持っています

AIへの教育は、日々積み上げ、磨き上げられてできたものなんですね～。そんなAIを作り上げる為の元となるプログラミング言語についても聞いてみます

AIを作るプログラミング言語

AIを構築するために選択できるプログラミング言語はいくつかありますが、以下の6つが特に人気であり、AI開発に適しています。

1.Python: 機械学習やディープラーニングのためのライブラリが豊富で、汎用性が高いです。

2.C++: 実行速度が速く、ハードウェアリソースを効率的に活用できます。

3.Julia: 数値計算やデータ処理が得意で、高いパフォーマンスを発揮します。

4.R言語: データ分析や統計解析に特化しており、豊富なパッケージがあります。

5.JavaScript: Webアプリケーションや自然言語処理に使用されます。

6.Matlab: 科学技術計算やシミュレーションに適しています。

これらの言語は、それぞれの特性に応じて選択することができます。

pythonは聞いたことありましたがこんなにあるのは驚きです！

おわりに

以上でAIチャットにAIについて教えてもらうをやってみましたがいろいろなことを知れてとても面白かったです。プロンプトへの記入だけでここまでわかりやすく教えてくれるのは時代の進化と思えますね
ほかにも気になったこと深く知りたいことなど記入すれば教えてくれるのでぜひ読者の皆さんもお手元の端末で試してもらいたいです！！