ベクトル検索とセマンティック検索は何が違うの？ 特徴やメリット、デメリットを解説
2024.11.27
Contents
お役立ちコンテンツ
人工知能（AI）は人々の身近にある技術ですが、近年はAIからさらに発展したAGIやASIなどに注目が集まっています。AGIとASIは今はまだ存在していませんが、柔軟性や自己進化などの観点から人々の生活を豊かにする作用が期待されています。ただし、いくつかのリスクや課題もはらんでいるため注意が必要です。
そのため、AGIやASIの導入を検討する場合は、両者のメリット・デメリットや従来のAIとの違いをきちんと理解しておくことが大切です。
本記事ではAGIやASIの基礎知識とそれぞれの違い、メリット・デメリットに加え、従来のAIとの違いやAGIとASIの展望について解説します。
目次
AGIの基本的な知識と従来のAIとの違いについて説明します。
AGIとは、Artificial General Intelligenceの頭文字を取った略称で、日本語では人工汎用知能を指す言葉です。人間のような知能を持ち、さまざまなタスクをこなしたり、問題を解決したりする能力を有しています。
具体的な特徴として、以下3つの要素が挙げられます。
特に注目すべきは1の要素です。AGIはさまざまな分野の専門知識を有しているため、ある特定の領域だけでなく、幅広いタスク・問題への対応が可能とされています。この能力により、AGIは人間のようなマルチタスクに対応し、業務効率化などへの貢献が期待されています。
2つ目の自己進化とは、既存のデータを活用するだけでなく、新たに手に入れたデータや情報を基に自ら学習する能力のことです。自己進化を続けることで、人の感情を理解したり、状況に応じた対応を行ったりできる可能性があります。
学習は自動で行われるため、人の介在なしでもどんどん進歩し続けられるところが大きな特徴です。
3つ目は、過去の経験やデータなどを参考に情報を分析し、最適解を導く能力のことです。解が既存のデータベース内に存在せずとも、これまで培ってきた経験や情報を生かし、AGI自らの判断・意思決定による処理や提案を行います。この能力を有効活用すれば、人の手を借りなくても、自己で解を発見し、未知の問題に対応できるようになるといわれています。
このように、人間に近い思考回路を有し、マルチタスクの実行や人の感情の理解・把握などを可能にしたAGIの登場により、AIは強いAIと弱いAIの2つに区分されるようになりました。ただし、AGIの開発および実用化の目途は立っていないのが実情です。
なお、AGIは強いAIに該当し、後述する弱いAI、つまり従来のAIとは明確に区別されています。
AGIも広義ではAIに含まれるため、AGIが誕生する前に用いられていた従来のAI（狭義のAI）は、Narrow AIまたは弱いAIと呼ばれています。
従来のAIはある特定の目的やタスクを解決、あるいはこなすために設計され、特定の能力に秀でているところが特徴です。例えば、画像認識や音声認識、自然言語処理、ある特定のドメインに特化したAIアプリなどがこれに該当します。
従来のAIは特定の領域・分野においては優れた問題解決能力を有していますが、領域・分野外の問題やタスクに対する処理能力は持ち合わせていません。そのため、汎用性が非常に低く、マルチタスクをこなせないところが長年の課題とされてきました。
また、従来のAIにも学習能力は備わっていますが、AGIのように自ら判断し、決定する能力はありません。当然、人の感情を理解することもできないため、状況に合わせた臨機応変な対応や、未知の提案を行うことは不可能です。
従来のAIには以上のような問題や課題があったことから、今後はAGIのように、さらなる発展を遂げたAIの開発・活用に注目が集まっています。
能力面の具体的な違いについては、後述します。
AGIと、狭義の意味での従来型AIは、能力面で複数の違いがあります。
ここではAGIと従来のAIの主な違いを4つに分けて解説します。
従来のAIは、画像認識や音声認識、自然言語処理など、特定の領域において優れた能力を発揮する一方、複数のタスクには対応できないという欠点がありました。
一方、AGIはあるタスクで学習した知識を、異なる種類のタスクに応用する転移学習が可能です。その分汎用性が高く、さまざまな種類のタスクをこなしたり、状況に適した処理を行ったりすることができます。
従来のAIが採用しているのは、あらかじめプログラミングされた大量のデータからルールやパターン（アルゴリズム）を学習する手法です。データを与えれば与えるほどAIは新たなルールやパターンを学習していきますが、そこから新たな発想を生み出したり、状況に合わせた適切な判断を下したりすることはできません。あくまでアルゴリズムにのっとった提案や判断を行うのが特徴です。
一方のAGIは、与えられたデータだけでなく、人間のように過去の経験から学んでいく学習能力を有しています。データとして得た新たな情報や知識、経験などを基に、その時々の状況に適した提案をしたり、判断を下したりすることが可能です。
従来のAIはあらかじめ設計されたプログラムに沿ってタスクを実行します。従って、プログラムやアルゴリズムにないアプローチを行うことはできません。
一方、AGIは既に持ち合わせている知識やスキルを応用し、自律的に学習・成長できる能力を有しています。この能力を駆使することで、未知の問題や状況にも対応できる柔軟性を発揮します。
従来のAIは特定の範囲内でタスクを実行するのみで、自己の能力を進化・発展させる能力は持ち合わせていません。
一方のAGIは、さまざまな経験から新たな情報やデータを取り入れて自己の能力を高める自己進化を行うところが大きな特徴です。自己進化を続ければ、論理的推理や学習、認識、言語理解、創造性といった分野で、より複雑かつ高度な処理が可能となります。
AGIが実用化されると、多くのメリットを期待できる一方、いくつかのリスクや課題が浮上します。
ここではAGIのメリット・デメリットについて解説します。
AGIが実用化されると、以下のような働きが期待できます。
現代日本の生産年齢人口は年々減少傾向にあり、2065年には全体のおよそ5割程度まで低下するというのが政府の試算です（※）。
既に多くの企業がAIを導入し、労働力不足の解消に努めています。ただし、特定の分野にのみ特化した従来AIでは、今以上に労働力不足が深刻になる将来、対応できなくなるかもしれません。
汎用性の高いAGIであれば、転移学習によって異なるタスクをこなせるようになるため、さらなる労働生産性の向上を期待できます。
※参考：内閣府.「人口減少と少子高齢化」P1.https://www.cao.go.jp/zei-cho/content/2zen2kai1-2.pdf ,（参照2024-10-21）.
従来のAIは、既存の情報・データに基づくアプローチの提案や解決策の提示を得意としていますが、自身で学び、進化していく能力はないため、新たなアイデアを創出することはできません。
人間のような思考回路を持つAGIなら、膨大な学習データやこれまで培ってきた経験を基に、全く新しいアイデアを創出することが可能です。
AGIの創造性を上手に活用すれば、これまで思いつかなかった斬新なアイデアや画期的なサービス、新しいテクノロジーの誕生を期待することができます。
AGIは、転移学習によるマルチタスク能力に長けているため、さまざまな要素が絡んだ複雑な問題の解決策を見出す手段になり得るといわれています。
例えば、経済危機や気候変動といった大規模な問題は複数の要因で構成されているため、特定の知識・情報を有しているだけでは有用な解決策を提示できないかもしれません。
しかし、マルチタスク能力に長けたAGIなら、幅広い知識・情報を学習し、あらゆる角度から問題を検討・分析して具体的な解の候補を提示してくれるので、問題解決に至るより良いプロセスが見つかる可能性があります。
人の持つ資質や能力には個人差があるため、画一的な学習・指導では学習面に格差が生まれたり、せっかくの能力を埋もれさせたりする原因になります。
人と同じようなコミュニケーション能力と、相手の感情を理解する能力、優れた分析力などを備えているAGIを教育分野に導入すれば、個々に適した学習計画の提案や、得意・苦手分野の洗い出しなどが行えるでしょう。
その結果、教育や指導の質が向上し、基礎知識の習得をスムーズ化できるのはもちろん、これまで見逃されていた個人の能力・スキルの発見につながる可能性があります。
医療分野へのAI導入が進んでいますが、特定の分野にのみ特化した従来AIでは、画像診断や自然言語処理技術によるカルテの解析、レセプトの自動作成など、あくまで医療従事者の補助的な役割にとどまっていました。
しかし、より高度な知識・能力を有するAGIであれば、患者の特性や症状などから適した治療法を提案したり、患者から得られる膨大なデータを多角的に分析して疾患の早期発見や早期治療につなげたりする働きが期待できます。
AGIは人々の生活や社会に大きなメリットをもたらす一方、以下のような倫理的な課題やリスクもはらんでいます。
AGIは人間のような思考力や知能を有しており、人の手を借りず、自身で意思決定・判断を下すことが可能です。しかし、生まれたものが必ずしも人間に良い影響をもたらすものとは限らず、場合によっては人々や社会に害をなす可能性があります。
制御不能を防ぐための対策として、設計段階で人の倫理観や価値観を植え付けたり、AGIを監視する体制を導入したりする方法が考えられますが、意図しない行動を完全に防ぐのは困難とされています。
人と同程度の知能や能力を備えたAGIは、さまざまな産業において労働者の代替となり得ます。
その結果、人の雇用機会が失われ、失業者があふれるリスクが指摘されています。
AGIに限らず、従来AIでも取り沙汰されているのがプライバシーの問題です。AIの学習には膨大なデータが不可欠ですが、その中には個人のデータも含まれており、プライバシーの侵害が危惧されています。
AGIの場合、従来のAIよりもさらに多くのデータを収集する必要があるため、プライバシー侵害がより問題視されるでしょう。
企業などがAGIを導入する場合、意思決定プロセスの透明性を確保したり、説明責任を果たしたりするための体制を整えなければなりません。体制が不十分なままAGIを導入すると、AGIがなぜそのような行動を取ったのか理解できず、万一のことがあった場合に説明責任を果たせなくなってしまいます。
AGIの透明性の確保および説明責任を果たす体制を整えるには、AIに関する技術者だけでなく、法律家や政策立案者、倫理学者など、さまざまな専門家と議論を交わし、協力する必要があります。
AGIと並んで次世代のAIとして注目されているASIの定義や、AGIとの関係性を解説します。
ASIとは、Artificial Superintelligenceの頭文字を取った略称で、日本語では人工超知能を指す言葉です。前述したAGIをさらに進歩させたAIの一種で、その能力は人の知能を超えるレベルになるといわれています。
ここでいう能力とは、自我意識や創造力、論理的思考力などさまざまです。人にはなし得ない全く新しい解決策の提案や、科学的な発見、技術の革新、社会問題の解決などを期待できます。
そのため、ASIの開発・導入が進めば、個々の生活はもちろん、社会の構造や人の在り方といった根源的なものまで変化や変革をもたらすのではないかと考えられています。ただ、現代ではAGIの開発および実用化の目途は立っていません。当然、より高度なASIの開発・実用化には長い年月がかかるとされています。
具体的には、以下6つの要素の発展・進歩が、ASIの実用化に不可欠とされています。
大規模な言語モデルとデータセットとは、ASIが世界のことを学習し、理解を深めるために必要な要素です。中でも大規模言語モデルの自然言語処理は、ASIと人間が自然な会話をする際の支援に欠かせません。
マルチセンソリーAIとは、ASIがテキストや画像、オーディオ、ビデオといった複数のタイプのデータを処理し、タスクを実行したり、意思決定を行ったりするために必要な要素です。
似た言葉にユニモーダルAIがありますが、テキストや画像など単一のデータ型のみの処理に特化したユニモーダルAIに対し、マルチセンソリーAIはマルチタイプのデータ入力を処理できるところが特徴です。
ニューラルネットワークとは、人の脳の働きをまねしてデータを処理するようコンピューターに指導するAIの手法を指します。ニューラルネットワークはAGIでも必要とされる要素ですが、ASIは人の脳を超える働きを期待されるAIです。従って、より複雑かつ高度なニューラルネットワークが必要になるといわれています。
ニューロモルフィックコンピューティングとは、人の脳の働きに着想を得て作られたモデルを使用するコンピューティング技術のことです。この技術を活用すれば、従来のコンピューターが苦手としている膨大な並列処理や学習、適応に優れたシステムを構築できるとされています。
ニューラルネットワーク同様、ニューロモルフィックコンピューティングの進歩も、人の脳を超える能力が求められるASIの実現には欠かせないものです。
進化的計算とは、生物の進化のメカニズムを模倣し、コンピューターの最適化の問題を解く手法のことです。システムを生物のように進化させることで、目的とする仕様や性能を実現することが可能といわれています。
進化的計算を繰り返し、都度改善することでより複雑なシステムを設計して、最適化できるため、ASIには進化的計算が不可欠です。
AI生成プログラミングとは、特定のプログラミング言語で書かれたソースコードを自動生成することです。自然言語処理などさまざまなAIのアルゴリズムを用いると、人が書いた自然言語の説明や指示を行ったり、実行可能なコードを生成することが可能となります。
AI生成プログラミングを活用すれば、人間の手を介入せずともコードを生成できるようになります。
AGIとASIは共に強いAIに分類されます。しかし、ASIはAGIを実用化し、学習を重ねて進歩した先に到達する可能性があるものとされています。従って、ASIを実現するには、AGIの実用化が前提条件です。
AGIからASIへ発展するまでの過程は、専門家の間でも数多く議論されていますが、自己進化するアルゴリズムの発達や、機械間のコラボレーションの高度化などが、ASIに至る重要な要素になると考えられています。
長い年月が必要とされる一方、予期せぬブレークスルーによって、急速に到達する可能性も指摘されています。
ただ、AGIの実用化にすら至っていない現在では、いずれのシナリオも未知数です。実際にAGIが実用化されてみないと、どのようなルートでASIにつながっていくか、誰にも予測できないというのが実状のようです。
AGIをさらに発展させた先に到達するASIは未知の可能性を秘めており、実用化された場合には多数のメリットをもたらすといわれています。
一方で、AGI同様かそれ以上のリスクや課題をはらんでいることから、実用化までには多くの障害があるとも指摘されています。
ここではASIのメリットとデメリットを見ていきましょう。
ASIが実用化されると、AGI実用化によって期待できるメリットに加え、以下のような利点があります。
ASIは人を超える知能を有するAIであることから、分野を問わず、あらゆる産業で革命的な変化をもたらすといわれています。医療分野を例に挙げると、新たな治療法の確立や新薬の開発、画期的な診断による疾患の早期発見などです。
同じく科学技術分野でも、新たな理論や実験方法の発見により、斬新な技術革新が起こると考えられています。
人智を超える能力を有するASIなら、人が思いも寄らないアプローチ方法で、大規模かつ複雑な社会問題を解決できる可能性があります。
同じ問題に取り組む場合、人の手では途方もない時間がかかりますが、ASIなら迅速に処理できるため、手間と時間の短縮にもつながります。
ASIには以下のような潜在的なリスクと課題があり、実用化までにはさまざまな障壁を乗り越えなければならないとされています。
ASIを実現するには、より複雑なニューラルネットワークおよびニューロモルフィックコンピューティングの確立や、大規模な言語モデルとデータセットの進化、倫理的AIの組み込みなど、多くの技術的問題を解決しなければなりません。
現時点ではAGIの実現すら難しい段階なので、ASIが実用化されるには長い年月と膨大な研究開発費が必要になるでしょう。
シンギュラリティとは、AIが人智と同等もしくは超越した時点のことです。
人の知識や能力の範囲内にとどまるAIなら制御は容易ですが、人間の知能を超えたASIがどのような行動を取るのかを予想するのは困難といわれています。
場合によっては人間にとって不利な結果をもたらすリスクをはらんでいることから、予測不能な事態が発生したときにどう対処すべきかが大きな課題となっています。
AIにおけるブラックボックスとは、AIがどのようなプロセスをたどってその結論に至ったのか、あるいは判断を下したのかが分からない状態のことです。
従来のAIにおいても、複雑なアルゴリズムではどのような内部処理が行われたのか、開発者や利用者が理解できないケースが多々報告されています。ASIの場合、従来のAIよりもさらに複雑かつ高度な処理が行われるため、ブラックボックスが起こりやすくなる可能性があります。
どのような分野においても、重要な意思決定や判断を行う場合、結果だけでなく「なぜそのような結論に至ったのか」を理解し、必要に応じて説明責任を果たさなければなりません。ASIの導入によってブラックボックスが加速すると、根拠が分からないまま意思決定を行ってしまい、後に大きなトラブルや問題に発展する恐れがあります。
現在、日本だけでなく世界中の国や地域がAGIおよびASIの実現に向けた研究を行っています。
ここでは一例として、世界で行われているAGI開発に向けた取り組みや開発状況の例を3つご紹介します。
GPT-3とは、人にとって有益なAIの発展を目的として設立されたOpenAIが2020年7月に発表した高性能言語モデルです。2018年に発表されたGPT、その翌年に出たGPT-2に次ぐ言語モデルで、Webサイトから収集した膨大なテキストデータに対して、前処理を行ったデータセットを用いた学習を行う仕組みになっています。
このデータセットに、1,750億個ものパラメータを持つ自己回帰型言語モデルを学習させることで、従来にない大規模な言語モデルの作成に成功しました。
GPT-3は人が作成したものと見分けが付かないほどの高度な文章生成能力を有しており、AGIの特徴の一つである人間と変わらないコミュニケーション能力の確立に役立つといわれています。
Human Brain Projectは、人の脳のコンピューターモデル構築を目的として設立された国際的なプロジェクトです。
AGIの開発には、ニューラルネットワークや、ニューロモルフィック・コンピューティングなどの発展が不可欠であるため、Human Brain Projectによる人の脳のコンピューターモデルの構築はAGIやASIの開発への寄与が期待されていました。
残念ながら当初予想していたような結果は得られなかったようですが、研究の過程で開発されたシミュレーションやデジタル実験のためのデータベースは今後のAGI、ASI開発において有意義なものだったと評価されているようです。
Amazon SageMakerとは、AWS（Amazon Web Services）が提供する機械学習サービスです。機械学習を実施する際に必要なトレーニングデータの前処理や、作成・機械学習モデルの構築、学習モデルのデプロイなどを行う機能が備わっています。
AGIの開発において、モデルの構築やトレーニングへの活用が期待されています。
AGIとその先にあるASIは、従来型のAIとは異なり、人と同じくらいかそれ以上の知能を有する次世代のAIです。AGIやASIが実用化されれば、現代社会が抱えるさまざまな問題の解決に貢献するといわれています。
現時点では技術的な問題や倫理的な課題により、どちらも開発・実用化には至っていませんが、将来的には人々の暮らしやビジネスに普及される可能性があります。来たるべき将来に備え、今から社内DX化を推進し、AIを活用した業務基盤を準備してみてはいかがでしょうか。
amie AIチャットボットは生成AIを一部組み込みながら、質問に対して社内のドキュメントをピックアップして提示するAIチャットボットです。回答は既存のドキュメントやWebサイトを基に、AIが学習したものからピックアップされるため、既存のデータを活用して運用することができます。
利用者側にとっても、一度質問すると検索機能のように複数の回答候補が出てくる仕様になっているので扱いやすく、初見でも手軽に利用できるという利点があります。
また、学習したファイルはサムネイル化して表示されるので、視覚的にも判断しやすいことなど、利便性に長けた機能が複数搭載されているのもamieの魅力です。回答は学習したファイルや検索したURLの中からそのまま回答として提示するため、情報の正確性が高く、ユーザーの悩みをスピーディに解決する手助けを行います。
「社内DX化をスムーズに進めたい」「AIを導入したチャットボットを使いたい」などのニーズがある場合は、ぜひamieの導入をご検討ください。
