Artificial Narrow Intelligence (ANI)

人工特化型知能（ANI）は、特化型AIまたは弱いAIとも呼ばれ、画像内の物体検出、動画の推薦、音声の文字起こしなど、1つのタスクまたは厳密に限定されたタスク群を実行するよう構築された人工知能（AI）です。ANIシステムはその領域内で人間と同等、あるいはそれを上回る性能を発揮できますが、新しいトレーニングデータと再トレーニングなしに、そのスキルを無関係な問題に応用することはできません。標準的な定義では、スパムフィルターから自動運転車を支援するコンピュータービジョンモデルまで、現在デプロイされているAIシステムはすべて特化型に分類されます。

ANI、AGI、ASIの比較#

AIは一般に、能力に応じて3つのレベルに分類されます。ANIはその最初の段階で、1つの領域において有能であり、トレーニングに使用したデータと目的によって能力が定まります。人工汎用知能（AGI）は、ほぼすべての認知タスクで人間と同等の能力を持ち、タスク固有のエンジニアリングなしに新しいタスクを学習する仮説上のシステムです。AGIはしばしば強いAIと呼ばれます。この用語は哲学者John Searleが、1980年の中国語の部屋の議論で弱いAIとともに用いたもので、当時は本当に心を持つコンピューターを意味していました。人工超知能（ASI）は、あらゆる領域で最も優れた人間を上回る仮説上のシステムであり、技術的シンギュラリティという考えの背景にあるシナリオです。

大規模言語モデル（LLM）は、特化型の分類の範囲を広げています。1つのモデルがコードを書き、翻訳し、要約し、画像についての質問に回答できます。EU AI Actは、こうしたシステムを汎用AIモデルと呼んでいます。ただし、スキルには依然としてばらつきがあります。この傾向はギザギザした知能として知られています。同じモデルがオリンピックレベルの数学を解いた後に、2つの小数のどちらが大きいかを誤って判断することもあり、トレーニングが終了すると重みの学習も停止します。

特化型AIの仕組み#

ANIシステムは、1つの目的に向けてデータでトレーニングされたモデルです。その能力は、トレーニングデータの分布と、生成可能な出力の種類という2つの要素によって制限されます。COCOデータセットの80クラスでトレーニングされた物体検出モデルには、「これは新しいものです」と伝える方法がありません。見慣れない物体を見せられると、無視するか、既知のクラスのうち最も近いものを報告します。

Ultralytics YOLO26はこの限界を明確に示しています。COCOで事前学習したモデルが認識できるのは、厳密に80クラスです。特定の機械部品など、新しい物体を教えるには、その部品のラベル付き画像を使ってファインチューニングする必要があります。その結果、モデルのクラス一覧は新しいデータセットのクラスに置き換わります。

from ultralytics import YOLO

# A COCO-pretrained detector: its whole vocabulary is fixed at training time
model = YOLO("yolo26n.pt")
print(f"Classes this model can name: {len(model.names)}")

# Every detection it returns must carry one of those labels
results = model("https://ultralytics.com/images/bus.jpg")
result = results[0]
print(result.verbose())

最初の行はモデルの語彙全体のサイズを出力し、2行目は画像内で見つかったクラスを列挙します。それぞれのクラスは同じ固定セットから選ばれます。

実際のアプリケーション#

特化型AIは、人々が日常的に使うソフトウェアの大半を支えています。

• レコメンデーションシステム： ストリーミングやショッピングのプラットフォームは、視聴履歴や購入履歴に基づいて、ユーザーごとにアイテムをランキングします。
• 音声認識： 音声アシスタントやディクテーションツールは、話された音声をテキストに変換します。
• 製造検査： ビジョンモデルは、生産ライン上の各部品について、定められた種類の欠陥がないか検査します。
• 医用画像解析： モデルは、1つの画像診断モダリティで、肺結節や糖尿病網膜症などの所見を検出します。
• 自動運転車： 自動運転システムは複数の特化型モデルを組み合わせます。それぞれのモデルが、車線のセグメンテーション、歩行者の検出、物体追跡、経路計画など、1つの役割を担います。

特化型AIの強みと限界#

ANIは、担当領域内であれば人間を上回る能力を持ち、高速で疲れ知らずです。IBMのDeep Blueは1997年に世界チェスチャンピオンのGarry Kasparovを破り、DeepMindのAlphaGoは2016年に囲碁チャンピオンのLee Sedolに4対1で勝利しました。その領域の外では、同じシステムに能力はまったくありません。また、トレーニングデータと異なる入力では性能が低下します。これはモデルのデプロイ後にはデータドリフトとして知られる問題です。特化型システムには、処理対象を理解する能力もありません。データから学習した統計的パターンを通じて、入力を出力に対応付けるだけです。チェス、将棋、囲碁を1つのアルゴリズムで学習したDeepMindのAlphaZeroでさえ、ゲームごとに別のネットワークをトレーニングしており、チェス用のネットワークで囲碁を打つことはできません。