知能のアーキテクチャから学ぶ5つの教訓
知能とは、あらゆるところを探索することではありません。どこを探索すべきでないかを知ることなのです。
多くの人は、AIとは大規模言語モデル（LLM）のことだけだと思っています。しかし、知能の核心は、不確実な状況下でシステムがいかに意思決定を行うかにあります。
知能のアーキテクチャから学ぶ5つの教訓を以下に示します：
- ヒューリスティックを活用して複雑さを軽減する BFS（幅優先探索）やDFS（深さ優先探索）のような盲目的探索アルゴリズムは、あらゆる選択肢を探索します。これは時間の無駄です。エンジンの故障時、パイロットはすべてのスイッチを片っ端から切り替えるわけではありません。燃料流量や圧力といった特定のヒントを利用します。AIにおいて、私たちはヒューリスティックを使用します。ヒューリスティックとは、経験に基づいた推測のことです。これにより、無駄な時間を費やす前に、不可能な経路を排除することができます。
- Aアルゴリズムで過去と未来のバランスを取る 貪欲法（Greedy search）はゴールだけを見ます。高速ですが、失敗することも多いです。一様コスト探索（Uniform Cost Search）は、すでに費やしたコストのみを見ます。安全ですが、低速です。Aアルゴリズムはこの両方を組み合わせます。これまでに移動したコストに、残りの推定コストを加味して判断します。このバランスが、よりスマートな意思決定を生み出します。
- 制約を通じて問題を解決する すべての問題が「経路」を見つけることではありません。ルールに従うことが求められる問題もあります。これらは制約充足問題（Constraint Satisfaction Problems）と呼ばれます。数独を思い浮かべてください。変数、許容される値、そしてルールがあります。すべてのルールを同時に満たさなければなりません。知的なシステムは、バックトラッキング（後戻り法）を用いて、無効な経路を即座に放棄します。これにより、膨大な無駄な作業を防ぐことができます。
- 期待されるパフォーマンスを目指す 合理的なエージェントは完璧を求めません。自分が知っている情報に基づき、可能な限り最善の意思決定を目指します。これを測定するために、PEASを用います： • Performance（性能）：成功をどのように測定するか • Environment（環境）：エージェントが存在する世界 • Actuators（作動装置）：エージェントがどのように行動するか • Sensors（センサー）：エージェントがどのように知覚するか
- 論理と学習を組み合わせる 記号的AI（Symbolic AI）は論理的で透明性が高いですが、脆弱です。生成AI（Generative AI）は柔軟で創造的ですが、ブラックボックスのように振る舞います。未来は、その両方を備えたシステムにあります。パターン認識にはニューラルネットワークを、論理には記号推論を使用する必要があります。
最大の教訓はこれです。知能とは、正確性を失うことなく複雑さを軽減する技術なのです。
すべてを探索するのはやめましょう。重要なものだけを探索し始めましょう。
学習コミュニティ（任意）: https://t.me/GyaanSetuAi