2016年、Google DeepMind社から恐ろしい論文が出された、AlphaGoその名を冠した囲碁プログラムが既存の囲碁ソフトに勝率99%を叩き出したのだ。AlphaGoは強化学習とDeep Learningを組み合わせた囲碁プログラムで、その年に最強の囲碁棋士の一人である李世ドルさんに4勝1負で勝利した。その後も進歩を続けて今のAlphaGoの強さは人類が体感できるレベルを超えるほど強くなったと予想される。 2017年も終わりのころ、Google DeepMind社からまた途方もない論文が発表された。囲碁とほぼ同じ手法で最強レベルのチェスや将棋プログラムを超えたということだった。実際のところ正確に超えたのかどうかちょっとだけ疑問もあるのだが、まず前提として彼らの新手法が途方もない成果をあげたこと素直に祝福したい。彼らは自分たちのプログラムをAlpha Zeroと名付けた。 コンピュ
【2月24日 カーリング女子3位決定戦 日本対イギリス】 イギリスが有利な後攻で始まった試合は、両チームとも一歩も譲らず、第8エンドまで後攻が1点を取り合う形で進んだ。第9エンド、LS北見の日本はイギリスのミスから1点スチールに成功。そして、第10エンド。イギリスが勝ちを狙って2点を取りにいくラストショットが失敗しLS北見が1点をスチール、5−3で勝利し、カーリングで初めて日本がオリンピックメダルを獲得した。 ゲームが動き出した第8エンドから第10エンドのラストショットを中心に、山本研究室のカーリング戦略AI「じりつくん」が分析した。 残り3エンドで1点差負けの状況で、「じりつくん」はLS北見の勝率を44%と見積もりました。序盤から中盤のように1点ずつを取り合う形で進むと同点で最終エンドを終え、LS北見が不利な先攻でエクストラエンドを戦わなくてはならず、仮に第8エンドでLS北見が得点しても
複雑なゲームの場合は人間が実際に打った棋譜などを膨大な量用意することになりますが、今回は○×ゲームという簡単なお題を使った練習なので、筆者が予め最善手を打った場合のデータを作成しておきました。 モデルの詳細 盤面のデータをニューラルネットに入力する際には、×は「-1」、○は「+1」、空いている場合は0として扱うことにします。○×ゲームの盤面は 9マスなので、ニューラルネットの最初の層のノード数は 9 個になります。 そして、全結合のネットワークを経て最終的には、×が勝つ確率・○が勝つ確率・引き分けの確率の3つの数値が出力されるというモデルです。 図3 学習モデルの概要 TensorFlow を使った実装 本稿で使用するサンプルコードのうち、TensorFlow で記述された学習用コード train.py の重要な部分について簡単に解説をしておきましょう。 TensorFlow にはニューラ
Google、機械学習による画像認識分類システムを欺ける敵対的物理ステッカーを提案した論文を発表。ステッカーは印刷可能でシーンに依存しない 2018-01-04 Googleの研究者らは、Deep learningによる画像認識分類システムを欺ける敵対的ステッカーを提案した論文を発表しました。 Adversarial Patch 著者:Tom B. Brown、Dandelion Mané、Aurko Roy、Martín Abadi、Justin Gilmer (上図では97%の信頼度でバナナと分類しているが、ステッカーを置いた下図では99%の信頼度でトースターと分類している様子) テーブル上のバナナは、VGG16ニューラルネットワークによってバナナとして正しく分類されますが、隣にサイケデリックなステッカーを置くと、バナナのことはすっかり忘れトースターとして分類されます。このように、ステ
AlphaGo Zeroが自己学習のみで過去最強になったというニュースが出たのでその元論文を読み、要約をしました。 まず感想を述べると、過去数千年にわたって蓄積してきた知識をAIが数時間で発見することに対する気持ち良さがありました。人間などクソ食らえと思っておりますので、こう言うニュースはとてもスッキリします。そして人間の発見していない打ち筋の発見にも感動しました。これこそがAIの真髄だと信じています。人間が見えていないものをAIが見つける、僕もいつかそんなことをしてみたいと思いながら生きています。 あともう一つ重要だと思ったのは、とてもネットワーク構造および学習過程が簡素化されたことです。マシンパワーも過去に比べて非常に少なく済み、個人でもすぐに再現実験ができそうなくらいです。AIが強くなることと、構造および学習のsimplerが同時に達成できていることが本質的だと思います。 一応、下記
「日本初」のゲームAI専業企業・モリカトロンが登場。創業者の森川幸人さんは、この20年間「ゲームAIのニーズは全然なかった」と振り返る。なぜ、いまゲームAIが必要なのか。 ゲームキャラクターとプレイヤー同士の自然な会話、敵の強さやイベント発生をコントロール――そんなゲームAI(人工知能)を提供する新会社モリカトロン(東京都新宿区)が8月16日に設立された。ゲームAIの専業企業は日本初という。 創業者はゲームクリエイターの森川幸人さん。AIを活用したプレイステーション向けゲーム「がんばれ森川君2号」(1997年発売)をはじめ、20年以上にわたりゲームAIの研究開発に取り組んできた第一人者だ。 森川さんは新会社で「まずはゲームにどうAIを使えばいいのか、お手伝いするところから始める」という。ゲームデザイナーのアイデアを基に、AIのモデルを提案したり、開発したりと、他社のゲーム会社をサポートする
人工知能(AI)の開発者が研究開発に当たって留意すべき原則「AI開発ガイドライン(仮称)」の素案を策定するため総務省が設置した産官学会議から、AIスタートアップのPreferred Networks(PFN)が離脱していたことが明らかになった。 Preferred Networksは深層学習(ディープラーニング)開発のスタートアップ企業で、深層学習フレームワーク「Chainer」の開発元としても知られる。 総務省 情報通信政策研究所は、同ガイドライン素案策定のための産官学会議「AIネットワーク社会推進会議」を主催している。2016年12月には、素案策定に向けた論点整理を公開した。 この素案は、日本政府がOECD(経済協力開発機構)などに提案することを目的に策定するもので、「日本の法制度に直接反映させることを想定したものではない」(同研究所)という。 だがこの方針に対し、2017年1月まで同
独ハノーバー(Hannover)で開催された情報技術見本市「CeBIT」の「ドイツ人工知能研究センター(German Research Center for Artificial Intelligence)」のブースで展示された人工知能搭載アンドロイド「AILA」と握手する来場者(2013年3月5日撮影、資料写真)。(c)AFP/CARSTEN KOALL 【12月3日 AFP】人工知能の開発は人類の終わりを意味するかもしれない、と英理論物理学者のスティーブン・ホーキング(Stephen Hawking)博士が警告した。 ホーキング博士は、2日に放送された英国放送協会(BBC)のインタビューで、人工知能技術は急速に発展して人類を追い越す可能性があると語った。まるでSF映画「ターミネーター(Terminator)」で描かれたようなシナリオだ。 「われわれがすでに手にしている原始的な人工知能は
これから前回の「線形回帰」を確率化した「ベイズ線形回帰」に進んでいく予定ですが、今回はその中で大活躍する「ベイズ確率」です(編注)。「ベイズ確率」は本連載の第2回で一度登場していますが、そのときは名前の紹介だけでした。 まずは「ベイズ確率」とは何で、なぜそれを使うのか、というところから見ていきましょう。 編注 本来であればベータ分布を実践する回をお届けする予定でしたが、諸事情により、理論編のお話を先に進めさせていただきます。引き続き、ご愛読いただければ幸いです。 「確率」を求める 高校で確率の授業を受けたことがある人であれば、一度くらいは次のようなことを思ったことはありませんか? 「コインを投げたら表が出る確率は1/2とか、サイコロを振ったらそれぞれの目が出る確率が1/6とかよく言うけど、どうやってそれを確かめるの?」 「確率1/6といっても、6回振って各目が1回ずつ出たりしないし、
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
処理を実行中です
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く