人工知能とは何か？
•
0 likes•267 views
人工知能の歴史から、人工知能を学んでみよう。ダートマス会議、検索エンジン、IBMワトソンまでの系譜を理解します。脳の構造の解明、ニューロン、ニューラルネット、そしてディープラーニングまでを理解します。
Recommended
More Related Content
What's hot
What's hot (20)
Similar to 人工知能とは何か？
Similar to 人工知能とは何か？ (20)
More from Youichiro Miyake
More from Youichiro Miyake (20)
Recently uploaded
Recently uploaded (20)
人工知能とは何か？
- 7. My Works (2004-2017) AI for Game Titles Books
- 9. 目次 • 第一章 人工知能とは？ • 第二章 なぜ今、人工知能技術が注目されているか • 第三章 人工知能の各種事例 • 第四章 人工知能の発展の方向 • 第五章 生成系ニューラルネットワーク • 第六章 ゲームAIと人工生命 • 第七章 環世界と現象学と人工知能 • 第八章 サービスと人工知能 • 第九章 人工知能と哲学 • 第十章 モバイルゲームにおける人工知能 • 第十一章 データ解析・学習によるオンラインゲームのサポート • 第十二章 人工知能と創造性 • 第十三章 人間と人工知能の比較 • 第十四章 人工知能と社会デザイン I II III
- 10. 目次 • 第一章 人工知能とは？ • 第二章 なぜ今、人工知能技術が注目されているか • 第三章 人工知能の各種事例 • 第四章 人工知能の発展の方向 • 第五章 生成系ニューラルネットワーク • 第六章 ゲームAIと人工生命 • 第七章 環世界と現象学と人工知能 • 第八章 サービスと人工知能 • 第九章 人工知能と哲学 • 第十章 モバイルゲームにおける人工知能 • 第十一章 データ解析・学習によるオンラインゲームのサポート • 第十二章 人工知能と創造性 • 第十三章 人間と人工知能の比較 • 第十四章 人工知能と社会デザイン
- 11. 第一章 人工知能とは
- 13. ダートマス会議（1956年） • ジョン・マッカーシーのいたダートマス大学で、人 工知能をテーマとして初めて開催された会議。 • Artificial Intelligence という名称もはじめてここで 用いられた。 http://www-formal.stanford.edu/jmc/history/dartmouth/dartmouth.html
- 17. 機械（マシン）
- 18. 機械（マシン） ソフトウェア
- 36. 目次 • 第一章 人工知能とは？ • 第二章 なぜ今、人工知能技術が注目されているか • 第三章 人工知能の各種事例 • 第四章 人工知能の発展の方向 • 第五章 生成系ニューラルネットワーク • 第六章 ゲームAIと人工生命 • 第七章 環世界と現象学と人工知能 • 第八章 サービスと人工知能 • 第九章 人工知能と哲学 • 第十章 モバイルゲームにおける人工知能 • 第十一章 データ解析・学習によるオンラインゲームのサポート • 第十二章 人工知能と創造性 • 第十三章 人間と人工知能の比較 • 第十四章 人工知能と社会デザイン
- 38. この３００年の技術の動向 時間 規模 産業革命 情報革命 ネット革命 知能革命 機械化・自動化（オートメーション化） 電子情報化 オンライン化 知能化 第二次産業革命 電動化 1750 1860 1960 1990 Now… 現代は「知能化」の時代に 入りつつある。 第一次AIブーム 第二次AIブーム 第三次AIブーム
- 39. この３００年の技術の動向 時間 規模 産業革命 情報革命 ネット革命 知能革命 機械化・自動化（オートメーション化） 電子情報化 オンライン化 知能化 第二次産業革命 電動化 1750 1860 1960 1990 Now… 第一次ＡＩブーム ＝ ＡＩ分野の立ち上がりのブーム（専門家の中）。研究の黎明期。 第二次ブーム ＝ パーソナルコンピューターの普及。ニューラルネットの改善。 社会にコンピューターが広がって行くとき雰囲気。 第三次ブーム ＝ ビックデータの上に学習する人工知能 第一次AIブーム 第二次AIブーム 第三次AIブーム
- 40. 人工知能がブームになるとき 時間 規模 情報革命 ネット革命 知能革命 電子情報化 オンライン化 知能化 1960 1990 2000 第一次AIブーム 第二次AIブーム 第三次AIブーム 1970 1980 2010
- 42. 神経素子（ニューロン）とは？ 入力 入力 入力 出力 入力 この中にはイオン（電解,Na+,K+） 溶液が入っていて、入力によって電圧が 高まると出力する仕組みになっています。 100mVぐらい ニューラルネットワーク内シグナル伝達スピード 100(m/sec) … 案外遅い http://www.brain.riken.go.jp/jp/aware/neurons.html
- 45. 人工知能がブームになるとき 時間 規模 1960 1990 2000 第一次AIブーム 第二次AIブーム 第三次AIブーム 1970 1980 2010 シンボルによる人工知能は 堅実に進化する
- 46. 人工知能がブームになるとき 時間 規模 1960 1990 2000 第一次AIブーム 第二次AIブーム 第三次AIブーム 1970 1980 2010 ニューラルネットによる人工知能は、 浮き沈みが激しい。
- 47. 人工知能がブームになるとき 時間 規模 1960 1990 2000 第一次AIブーム 第二次AIブーム 第三次AIブーム 1970 1980 2010 ニューラルネットによる人工知能は、浮き沈みが激しい。 ＝ しかし、人工知能がブームになる時は、 必ず改良されたニューラルネットワークが現れる。
- 49. この３００年の技術の動向 時間 規模 産業革命 情報革命 ネット革命 知能革命 機械化・自動化（オートメーション化） 電子情報化 オンライン化 知能化 第二次産業革命 電動化 1750 1860 1960 1990 Now… 現代は「知能化」の時代に 入りつつある。
- 50. 2 第１次AIブーム 時間 規模 情報革命 ネット革命 知能革命 電子情報化 オンライン化 知能化 1960 1990 2000 第一次AIブーム 第二次AIブーム 第三次AIブーム 1970 1980 2010
- 51. 2 第一次ＡＩブーム（1960年代） • コンピューターは大型のものしかない。 • 人工知能という分野自体が誕生したばかり。 • ニューラルネットという新しい分野のブーム。 １９世紀後半 人間の脳は ニューロンという もので出来てい るらしい ２０世紀前半 ニューロンの 電気的性質が 解明される （ホジキン博士、 ハクスレー博士） 1950年代に ニューラルネット 発明 1963年に ホジキン＝ハク スレー方程式が ノーベル賞
- 54. 2 第一次ＡＩブーム（1960年代） 身長 体重 年齢 健康 要運動 注意 学習データから ここの重みを 変化させます 健康 要運動 注意 新しいデータ ニューラルネット ＝ データを分類する人工知能
- 55. 2 第一次ＡＩブーム（1960年代） もし A ならば B もし B ならば C よって、 もし A ならば C シンボルによる人工知能 （記号主義） ニューラルネットによる人工知能 （コネクショニズム） 推論ベース ニューラルネット 誕生
- 56. 3 第二次ＡＩブーム（1980年代） • パソコンが普及して行く。 • ルールを集めて知能を作ろう。 • 逆伝播法によるニューラルネットのブーム。 パソコンが 世の中で 普及して行く 知識主義 ＝ たくさんの知識 を人工知能に 与えて推論 すれば知能が できる インターネット もなく、知識 が足りない。 推論も専門的 な機能のみ。
- 57. 3 第二次ＡＩブーム（1980年代） IF （A） then B IF （C） then D IF （E） then F IF （G） then H IF （ I ） then J シンボルによる人工知能 （記号主義） ニューラルネットによる人工知能 （コネクショニズム） ルールベース 新しい学習法＝ 逆伝搬法
- 58. 3 第二次ＡＩブーム（1980年代） 1 0 0 このように学習させたい
- 59. 3 第二次ＡＩブーム（1980年代） 0 1 0 このように学習させたい
- 60. 3 第二次ＡＩブーム（1980年代） 0 0 1 このように学習させたい
- 61. 3 第二次ＡＩブーム（1980年代） 0 0 0 【逆伝播法】 ここが１になるように、 結合の強さを、 さかのぼって変えて行く。
- 62. 4 第三次ＡＩブーム（2010年代） • インターネットが普及して行く。 • インターネットで蓄積されたデータを学習させて 知能を作ろう。 • 改善されたニューラルネットのブーム。 インターネット が世の中で 普及して行く データ 学習主義 ＝ たくさんのデー タを人工知能 に学習させる 現在、進行中
- 64. インターネットによる 膨大なデータ 4 第三次ＡＩブーム（2010年代） 時間 規模 1960 1990 2000 第一次AIブーム 第二次AIブーム 第三次AIブーム 1970 1980 2010 ルールベース 逆伝播法 データベース ディープ ラーニング 推論ベース ニューラル ネット誕生 小型・中型 コンピュータの普及 大型コンピュータ 専門家のみのブーム
- 66. 目次 • 第一章 人工知能とは？ • 第二章 なぜ今、人工知能技術が注目されているか • 第三章 人工知能の各種事例 • 第四章 人工知能の発展の方向 • 第五章 生成系ニューラルネットワーク • 第六章 ゲームAIと人工生命 • 第七章 環世界と現象学と人工知能 • 第八章 サービスと人工知能 • 第九章 人工知能と哲学 • 第十章 モバイルゲームにおける人工知能 • 第十一章 データ解析・学習によるオンラインゲームのサポート • 第十二章 人工知能と創造性 • 第十三章 人間と人工知能の比較 • 第十四章 人工知能と社会デザイン
- 67. 第三章 人工知能の各種事例
- 68. データの海が人工知能を育てる • Amazon（協調フィルタリング） • IBMワトソン • IBM Watson in みずほ銀行 • AlphaGO • ソニー「デジタルアナウンサー」 • Nvidia「自動運転」 • 医療用診断データベース
- 70. Ａｍａｚｏｎ「協調フィルタリング」 ユーザデータ群 （たとえば販売サイト） A B C ? 評価 5 1 4 A,B,C という映画を購入した人に、 次にどの映画を推薦するべきか？ A B C M 評価 4 2 5 5 同じ購入履歴で、同じような評価をしている 人が高く評価している映画を探して来る。 推薦
- 71. IBM ワトソン ネット上のあらゆるWiki 百科事典データベース など りんご 赤い 90% 甘い 70% 青森 55% フランス 40% 果物 32% … しぶい 7% IBMワトソンは、文章の中の語の相関を学習する。 その学習データを用いて、インプットされた語と、 相関の強い言葉をリストアップする。
- 72. IBM Watson in みずほ銀行 • オペレーターが顧客の要望を復唱する。 • 言葉に変換 • 自動的に関連するマニュアルを表示する https://www.change-makers.jp/business/10573 要件クライ アントさん IBM ワトソン オペレーター バックアップ
- 73. IBM Watson in 東京大学医学部 • 論文を学習させる。 • 論文を積み上げると富士山ぐらいになりそうな勢 い。＝人間では無理。 • 症状を入れると、論文のリストが出て来る。 症状患者さん IBM ワトソン お医者 さん バックアップ
- 74. IBM Watson in 保険会社 • 保険会社の判例を学習させる。 • 一人前になるのに数年かかる。 • かつてはベテランが教えていた。 • タブレットからIBMワトソンがアドバイス 事故 内容 クライアン トさん IBM ワトソン 新人 バックアップ
- 77. AlphaGO 膨大な棋譜のデータ （人間では多過ぎて 読めない） この棋譜を そっくり打てる ように学習する 自己対戦して 棋譜を貯める この棋譜を そっくり打てる ように学習する AlphaGO
- 78. Deep Q-Learning Volodymyr Mnih, Koray Kavukcuoglu, David Silver, Alex Graves, Ioannis Antonoglou, Daan Wierstra, Martin Riedmiller (DeepMind Technologies) Playing Atari with Deep Reinforcement Learning http://www.cs.toronto.edu/~vmnih/docs/dqn.pdf 画面を入力 操作はあらかじめ教える スコアによる強化学習
- 80. 学習過程解析 Volodymyr Mnih, Koray Kavukcuoglu, David Silver, Alex Graves, Ioannis Antonoglou, Daan Wierstra, Martin Riedmiller (DeepMind Technologies) Playing Atari with Deep Reinforcement Learning http://www.cs.toronto.edu/~vmnih/docs/dqn.pdf
- 81. • Pπ ロールアウトポリシー（ロールアウトで討つ手を決める。 Pπ（a|s） sという状態でaを討つ確率） • Pσ Supervised Learning Network プロの討つ手からその 手を討つ確率を決める。Pσ（a|s）sという状態でaを討つ確 率。 • Pρ 強化学習ネットワーク。Pρ（学習済み）に初期化。 • Vθ(s’) 局面の状態 S’ を見たときに、勝敗の確率を予測 する関数。つまり、勝つか、負けるかを返します。 Mastering the game of Go with deep neural networks and tree search http://www.nature.com/nature/journal/v529/n7587/full/nature16961.html https://deepmind.com/research/alphago/
- 82. Mastering the game of Go with deep neural networks and tree search http://www.nature.com/nature/journal/v529/n7587/full/nature16961.html https://deepmind.com/research/alphago/
- 83. あから２０１０ 激指 YSS 合議 Bonanza GPS 将棋 あから2010合議サーバログを可視化してみた（A Successful Failure） http://blog.livedoor.jp/lunarmodule7/archives/1121781.html
- 84. Nvidia「自動運転」 • 専用のグラフィックボードを 開発 • 市場へ向けて投入 • 高速道路用など用途別。 http://www.nvidia.co.jp/object/drive-px-jp.html
- 86. 学習する人工知能 から学ぶこと • 人間には扱えないような大きなデータから、 • 人間では気づかない特徴を学習している。 • さらに人間の解釈を通過することなく、 • 直接サービスやアクションを展開する （当然アマゾンの開発者は我々に何を推薦してい るか知らない）
- 88. 第三章まとめ • 人工知能は、オートメーションの新しい姿。 • 人間に近い領域までオートメーションする。 • だから人間には脅威を感じる。 • だからそれは、「社会インフラ」の新しい形で もある。
- 89. 目次 • 第一章 人工知能とは？ • 第二章 なぜ今、人工知能技術が注目されているか • 第三章 人工知能の各種事例 • 第四章 人工知能の発展の方向 • 第五章 ゲームAIと人工生命 • 第六章 環世界と現象学と人工知能 • 第七章 サービスと人工知能 • 第八章 人工知能と哲学 • 第九章 人工知能と創造性 • 未来への提言 • ディスカッションテーマ
- 90. 第四章 人工知能の発展の方向
- 91. この３００年の技術の動向 時間 規模 産業革命 情報革命 ネット革命 知能革命 機械化・自動化（オートメーション化） 電子情報化 オンライン化 知能化 第二次産業革命 電動化 1750 1860 1960 1990 Now… 現代は「知能化」の時代に 入りつつある。
- 94. 知能化 • 工場 → （知能化） → オートスケジューリング • 配送 → （知能化） → 自動分配・自動配送 • 車 → （知能化） → 自動走行・ＩＴＳ • 家電 → （知能化） → コミュニケーション家電（ルンバなど） • インターネット → （知能化） → Web.4.0 (GoogleのDeep Learning など) • TV → （知能化） → キーワード・趣向による自動録画 • 注文サービス → （知能化） → 自動受付・自動サービス 社会の隅々にまで、知的機能がインプリメント（実装）される。
- 95. 知能化 • 工場 → （知能化） → オートスケジューリング • 配送 → （知能化） → 自動分配・自動配送 • 車 → （知能化） → 自動走行・ＩＴＳ • 家電 → （知能化） → コミュニケーション家電（ルンバなど） • インターネット → （知能化） → Web.4.0 (GoogleのDeep Learning など) • TV → （知能化） → キーワード・趣向による自動録画 • 注文サービス → （知能化） → 自動受付・自動サービス 社会の隅々にまで、知的機能がインプリメント（実装）される。 知能化
- 102. 人間の知能の形/人工知能の知能の形 AlphaGO ＝囲碁しか打てない ＝人間より強い ナビ ＝目的地へのルート ＝ とても正確 お掃除ロボット ＝お掃除しかできない ＝ 24時間掃除 IBM ワトソン ＝記号の統計情報しかない ＝何百万行のテキストの関係を記憶 お料理ロボット ＝お料理しかできない ＝何万と言うレシピ 人工知能＝専門的知能 一つのことしかできない。
- 108. この３００年の技術の動向 時間 規模 産業革命 情報革命 ネット革命 知能革命 機械化・自動化（オートメーション化） 電子情報化 オンライン化 知能化 第二次産業革命 電動化 1750 1860 1960 1990 Now… 第一次、第二次ブームにはなくて、第三次ブームにあるもの。 それはインターネットをなどを介して蓄積されたデータである。 第三次ブームの人工知能は、膨大なデータを温床として学習 することで生成される。 第一次AIブーム 第二次AIブーム 第三次AIブーム
- 111. ） 人工 知能 人はどのように人工知能を使っているか？ 情報の海を母体として、人工知能が育っている。 ＝ 情報の海を母体として人工知能が生まれる 人間 記号の海 言葉の海 意味の海 概念の海 情報の海
- 114. 新しい現実空間 人工知能 クラウド 現実世界 （～1995） インターネット 人工知能による新しい空間 パソコン 現実がデジタル空間を内包していたはずが、 内包したデジタル空間が現実を変化させて行く。
- 125. 目次 • 第一章 人工知能とは？ • 第二章 なぜ今、人工知能技術が注目されているか • 第三章 人工知能の各種事例 • 第四章 人工知能の発展の方向 • 第五章 生成系ニューラルネットワーク • 第六章 ゲームAIと人工生命 • 第七章 環世界と現象学と人工知能 • 第八章 サービスと人工知能 • 第九章 人工知能と哲学 • 第十章 モバイルゲームにおける人工知能 • 第十一章 データ解析・学習によるオンラインゲームのサポート • 第十二章 人工知能と創造性 • 第十三章 人間と人工知能の比較 • 第十四章 人工知能と社会デザイン
- 126. 第五章 生成系ニューラルネットワーク
- 127. 目次 • 第一節 ニューラルネットワーク基礎 • 第二節 生成系ニューラルネットワーク • 第三節 強化学習とニューラルネットワーク
- 128. 第一節 ニューラルネットワーク基礎
- 129. 神経素子（ニューロン）とは？ 入力 入力 入力 出力 入力 この中にはイオン（電解,Na+,K+） 溶液が入っていて、入力によって電圧が 高まると出力する仕組みになっています。 100mVぐらい ニューラルネットワーク内シグナル伝達スピード 100(m/sec) … 案外遅 い http://www.brain.riken.go.jp/jp/aware/neurons.html
- 130. ニューラルネットを理解しよう② 基本原理 http://www.pri.kyoto-u.ac.jp/brain/brain/11/index-11.html 医学的知識 http://www.biwako.shiga-u.ac.jp/sensei/mnaka/ut/sozai/ai.html モデル化 数学的モデル ニューロン 人工ニューロン 入出力関係のグラフ 入出力関係の関数（シグモイド関数）
- 133. ニューラルネットを理解しよう③ 数学的原理 数学的モデル 階層型ニューラルネットワーク … 一方向にニューロンをつなげたもの 入力層 隠れ層 出力層 重み 重み 最初に定義するもの＝ウエイト（重み） 、バイアス とりあえず全ての結合を定義しておく（ニューロン間の重みを０にすれば切れる） 数値の組み が入ります 数値の組み が出ます これは３層の例だけど、 何層つなげてもよい 一旦定義してから変えることができないもの…全体の構造 変えることができるもの…ウエイト（重み）
- 134. 目次 • 第一節 ニューラルネットワーク基礎 • 第二節 生成系ニューラルネットワーク • 第三節 強化学習とニューラルネットワーク
- 135. 第二節 生成系ニューラルネットワーク
- 136. 生成系ニューラルネットワーク技術 ニューラルネットワーク GAN （一般敵対的ネット） （ディープラーニング） ニューロエヴォリューション （進化的ニューラルネット） 逆伝播法 ニューラルネットワーク
- 137. 生成系ニューラルネットワーク技術 ニューラルネットワーク GAN （一般敵対的ネット） （ディープラーニング） ニューロエヴォリューション （進化的ニューラルネット） 逆伝播法 ニューラルネットワーク
- 138. 数学的モデル 数値の組み が入ります 階層型ニューラルネットで学習とは、ある入力に対して特定の 出力（学習信号）になるようにウエイトを変化させることを言いま す。 学習信号 実際の信号 誤差信号 ① 手動で少しずつ勘を頼りに変えて行く。 まず無理 ② えらい人が考えた方法を使ってみる。 誤差伝播法 伝播する 誤差信号 伝播する 誤差信号 どうやって？ ニューラルネットを理解しよう 逆伝播法学習
- 140. ニューラルネットを理解しよう 逆伝播法学習 数学的モデル 教師信号と実際の出力の差を、ウエイトを調整する ことで、縮めて行く。 伝播する 誤差信号 伝播する 誤差信号 ニューラルネットの出力側から、誤差分を、後ろ側に分担して 負担するように、後ろのニューロンへ、そのニューロンが 詰める大きさを含んだ情報を伝播して行く。 誤差伝播法（Back Propagation Method） 信号 絵 画家: ジャスパー・フランシス・クロプシー Painter: Jasper Francis Cropsey タイトル: ポンプトン・プレインズ
- 141. 生成系ニューラルネットワーク技術 ニューラルネットワーク GAN （一般敵対的ネット） （ディープラーニング） ニューロエヴォリューション （進化的ニューラルネット） 逆伝播法 ニューラルネットワーク
- 142. ⑤ニューラルネットワークの構造が進化させる 「NEAT」の技術 Mat Buckland, Chapter 11, AI techniques for game programming, Premier Press, 2002 (実行ファイルとソースコードがCD-ROMにあります) これまでニューラルネットは、最初に構造を定義した後は変化しなかった。 動的にニューラルネットの構造を変化させる技術 Neuron Evoluation of Augmenting Topologies (NEAT)
- 144. NEAT 回路の構成を遺伝子コードで表現する。 Weight: 1.2 From: 1 To: 3 Enabled: Y Recurrent: N Innovation: 1 Weight: -3 From: 1 To: 4 Enabled: Y Recurrent: N Innovation: 6 Weight: 0.7 From: 2 To: 4 Enabled: Y Recurrent: N Innovation: 2 Weight: -2.1 From: 3 To: 4 Enabled: Y Recurrent: N Innovation: 6 Weight: 1.1 From: 3 To: 5 Enabled: N Recurrent: N Innovation: 3 Weight: 0.8 From: 4 To: 5 Enabled: Y Recurrent: N Innovation: 4 Weight: -1 From: 5 To: 3 Enabled: Y Recurrent: Y Innovation: 7 ID: 1 Type: Input ID: 2 Type: Input ID: 3 Type: hidden ID: 4 Type: hidden ID: 5 Type: Output 2 1 4 3 5 つなぎ方を定義する遺伝子 ニューロンを定義する遺伝子 入力 出力
- 145. NEAT 回路の構成を遺伝子コードで表現する。 Weight: 1.2 From: 1 To: 3 Enabled: Y Recurrent: N Innovation: 1 Weight: -3 From: 1 To: 4 Enabled: Y Recurrent: N Innovation: 6 Weight: 0.7 From: 2 To: 4 Enabled: Y Recurrent: N Innovation: 2 Weight: -2.1 From: 3 To: 4 Enabled: Y Recurrent: N Innovation: 6 Weight: 1.1 From: 3 To: 5 Enabled: N Recurrent: N Innovation: 3 Weight: 0.8 From: 4 To: 5 Enabled: Y Recurrent: N Innovation: 4 Weight: -1 From: 5 To: 3 Enabled: Y Recurrent: Y Innovation: 7 ID: 1 Type: Input ID: 2 Type: Input ID: 3 Type: hidden ID: 4 Type: hidden ID: 5 Type: Output 2 1 4 3 5 リンク（つなぎ方）を定義する遺伝子 ニューロンを定義する遺伝子 Innovation ID によってリンク、 ニューロンを全遺伝子共通の管理す る。 無効 入力 出力
- 147. NEATにおける交叉 親１ 2 1 7 3 4 1 1->4 2 2->4 3 3->4 6 3->7 7 7->4 12 1->7 1 1->4 2 2->4 3 3->4 4 2->5 5 5->4 8 5->9 9 9->4 15 3->9 親２ 2 1 3 95 4 Innovation ID 交 叉 2 1 3 95 4 4 2->5 5 5->4 8 5->9 9 9->4 15 3->9 1 1->4 2 2->4 3 3->4 子供＝新しいニューラルネットワーク
- 151. 弾幕自動生成 • Applying Evolutionary Algorithms to the Galactic Arms Race • http://aigamedev.com/open/interviews/galactic-arms-race/ https://www.youtube.com/watch?v=N8q2uOwWcFc
- 152. 生成系ニューラルネットワーク技術 ニューラルネットワーク GAN （一般敵対的ネット） （ディープラーニング） ニューロエヴォリューション （進化的ニューラルネット） 逆伝播法 ニューラルネットワーク
- 155. 生成用 ニューラル ネット 判定用 ニューラル ネット データ ベクトル 生成画像 真 ＝ 1 偽 ＝ 0
- 157. Unsupervised Representation Learning with Deep Convolutional Generative Adversarial Networks Alec Radford, Luke Metz, Soumith Chintala (Submitted on 19 Nov 2015 (v1), last revised 7 Jan 2016 (this version, v2)) https://arxiv.org/abs/1511.06434
- 158. Unsupervised Representation Learning with Deep Convolutional Generative Adversarial Networks Alec Radford, Luke Metz, Soumith Chintala (Submitted on 19 Nov 2015 (v1), last revised 7 Jan 2016 (this version, v2)) https://arxiv.org/abs/1511.06434
- 159. 目次 • 第一節 ニューラルネットワーク基礎 • 第二節 生成系ニューラルネットワーク • 第三節 強化学習とニューラルネットワーク
- 162. EA SEED - Deep Learning IMITATION LEARNING WITH CONCURRENT ACTIONS IN 3D GAMES https://www.ea.com/seed/news/seed-imitation-learning-concurrent-actions
- 163. EA SEED - Deep Learning IMITATION LEARNING WITH CONCURRENT ACTIONS IN 3D GAMES https://www.ea.com/seed/news/seed-imitation-learning-concurrent-actions
- 164. EA SEED - Deep Learning IMITATION LEARNING WITH CONCURRENT ACTIONS IN 3D GAMES https://www.ea.com/seed/news/seed-imitation-learning-concurrent-actions
- 165. EA SEED - Deep Learning IMITATION LEARNING WITH CONCURRENT ACTIONS IN 3D GAMES https://www.ea.com/seed/news/seed-imitation-learning-concurrent-actions
- 166. EA SEED - Deep Learning IMITATION LEARNING WITH CONCURRENT ACTIONS IN 3D GAMES https://www.ea.com/seed/news/seed-imitation-learning-concurrent-actions
- 167. • https://www.ea.com/seed/news/self-learning-agents-play- bf1 https://www.ea.com/seed/news/seed-imitation-learning-concurrent-actions https://www.ea.com/seed/news/self-learning-agents-play-bf1 EA SEED - Deep Learning IMITATION LEARNING WITH CONCURRENT ACTIONS IN 3D GAMES https://www.ea.com/seed/news/seed-imitation-learning-concurrent-actions
- 168. The Alchemy and Science of Machine Learning for Games (GDC 2019) https://www.gdcvault.com/play/1025653/The-Alchemy-and-Science-of
- 169. The Alchemy and Science of Machine Learning for Games (GDC 2019) https://www.gdcvault.com/play/1025653/The-Alchemy-and-Science-of
- 170. The Alchemy and Science of Machine Learning for Games (GDC 2019) https://www.gdcvault.com/play/1025653/The-Alchemy-and-Science-of
- 171. Deep Mind • https://deepmind.com/blog /capture-the-flag/ • Multi agnet learning Deep Mind: Capture the Flag: the emergence of complex cooperative agents https://deepmind.com/blog/article/capture-the-flag-science
- 172. Two Agent Cooperation by DeepMind Deep Mind: Capture the Flag: the emergence of complex cooperative agents https://deepmind.com/blog/article/capture-the-flag-science
- 173. Phase-Functioned Neural Networks for Character Control DANIEL HOLDEN, University of Edinburgh TAKU KOMURA, University of Edinburgh JUN SAITO, Method Studios http://theorangeduck.com/media/uploads/other_stuff/phasefunction.pdf
- 175. 目次 • 第一章 人工知能とは？ • 第二章 なぜ今、人工知能技術が注目されているか • 第三章 人工知能の各種事例 • 第四章 人工知能の発展の方向 • 第五章 生成系ニューラルネットワーク • 第六章 ゲームAIと人工生命 • 第七章 環世界と現象学と人工知能 • 第八章 サービスと人工知能 • 第九章 人工知能と哲学 • 第十章 モバイルゲームにおける人工知能 • 第十一章 データ解析・学習によるオンラインゲームのサポート • 第十二章 人工知能と創造性 • 第十三章 人間と人工知能の比較 • 第十四章 人工知能と社会デザイン
- 176. 第五章 ゲームAIと人工生命
- 177. 時間 知能の規模 1960 1990 2000 第一次AIブーム 第二次AIブーム 第三次AIブーム 1970 1980 2010 ルールベース 逆伝播法 データベース ディープ ラーニング 推論ベース ニューラル ネット誕生 コネクショニズム 記号主義 デジタルゲームAI 人工知能の歴史
- 182. ゲームの中の人工知能 ナビゲーションAI キャラクターAI メタAI 環世界 アフォーダン ス 群衆 エージェント アーキテクチャ 意思決定 進化 / 適応/ 学習 戦術位置解析 プロシージャル技術 適応型動的 ペーシング ゲームの外の人工知能 知識表現 ブラックボード コミュニケーション 自律型ＡＩ 世界表現 古典的 メタAI 現代的 メタAI 遺伝的アルゴリズム ニューラルネット ワーク 強化学習
- 184. レベル ナビゲーション AI メタAI キャラクター AI ゲームの流れを作る エージェントを動的に配置 レベル状況を監視 エージェントに指示 自律的な判断 仲間同士の協調 パス検索 / 位置解析 メタAI, キャラクターAIの為に レベルの認識のためのデータを準備 オブジェクト表現を管理 ナビゲーション・データの管理 Support 敵キャラクタ－ プレイヤー 頭脳として機能 情報獲得 コントロール
- 185. ユーザー体験を作る ユーザー Navigation AI が作る世界 メタAI が作る世界 エージェントAI が作る世界 「ナビゲーションAI」「メタAI」「エージェントAI」の多層的な仕組みでユーザー経験を作る。
- 189. FC SFC SS, PS PS2,GC,Xbox Xbox360, PS3, Wii DC （次世代）Hardware 時間軸20051999 ゲームの進化と人工知能 複雑な世界の 複雑なＡＩ ゲームも世界も、ＡＩの身体と内面もますます複雑になる。 単純な世界の シンプルなＡＩ （スペースインベーダー、タイトー、1978年） （アサシンクリード、ゲームロフト、2007年）
- 194. このＡＩはどう組むか？ こういったＡＩをゲーム産 業では「Scripted AI」と言 います。こういったＡＩは ゲームデザイナーがス クリプト言語で書く場合 多いため。 プレイ ヤー キャラクター 岩 地面 池 Ａ B 、 （例） プレイヤーがＡにいれば Ｂをうろうろする。 プレイヤーがＢにいれば 近づいて攻撃する。 http://septieme-ciel.air- nifty.com/nikubanare/2007/08/post_3c38.htmlhttp://dear-croa.d.dooo.jp/download/illust.html http://piposozai.blog76.fc2.com/
- 195. スクリプト Scripted AI から自律型ＡＩへの変化 ゲームデザイナーの頭の中 ゲームデザイナーの頭の中 知識 思考 Scripted AI 自律型 AI (Autonomous AI)
- 196. スクリプト Scripted AI から自律型ＡＩへの変化 ゲームデザイナーの頭の中 ゲームデザイナーの頭の中 知識 思考 Scripted AI 自律型 AI (Autonomous AI) 操り人形（Scripted AI）から、キャラクターが自分で考えて行動する 自律型ＡＩ（Autonomous AI）になるためには、 ゲームデザイナーが頭の中で持っている知識と思考をＡＩに埋め込 む必要がある。
- 200. 人工知能 ＝ 知識 ｘ 思考
- 203. 極性頭部 非極性尾部 水と仲良し 水と溶けあえない （参考）永田和宏 「生命の内と外」 （「考える人」（Vol.45））
- 204. 自己組織化
- 209. エントロピーの法則
- 218. テセウスのパラドックス 物質的構成 ＝ 循環する 物質によらず不変なもの 構造 情報
- 232. 精神と身体、そして進化 情報 物質 精神・知性 身体 人工知能 人工身体 （人工生命） 人工知能 ＝ 人間を模倣した知能の再構築 人工生命 ＝ 多様な生物を模倣、あるいは新創造した 知能・身体の生成・運動・生活シミュレーション
- 234. 精神と身体、そして進化 情報 物質 精神・知性 身体 人工知能 人工身体 （人工生命） 人工知能 ＝ 人間を模倣した知能の再構築 人工生命 ＝ 多様な生物を模倣、あるいは新創造した 知能・身体の生成・運動・生活シミュレーション
- 237. エージェント・アーキテクチャ WORLD INTELLIGENCE センサー エフェクター 認識 Knowledge Making 意志決定 Decision Making 運動 Motion Making 記憶体 Memory 情報体としての知能のカタチ 「情報の循環＝インフォメーション・フロー」 は物質の循環の情報版。 これによって知性は自己を情報的に自己組織化できる。やはり知性も散逸構造である。
- 238. レベル ナビゲーション AI メタAI キャラクター AI エージェントを動的に配置 レベル状況を監視 エージェントに指示 ゲームの流れを作る 自律的な判断 仲間同士の協調 時にチームＡＩとなる メタAI, キャラクターAIの為に レベルの認識のためのデータを準備 オブジェクト表現を管理 ナビゲーション・データの管理 パス検索 / 位置解析 Support 敵キャラクタ－ プレイヤー 頭脳として機能 情報獲得 コントロール 現代ゲームAIの仕組み http://dear-croa.d.dooo.jp/download/illust.html http://www.anne-box.com/
- 239. ３Ｄゲームの中のＡＩ Halo （ＨＡＬＯ、バンジー、2001年） デバッグ画面 The Illusion of Intelligence - Bungie.net Downloads http://downloads.bungie.net/presentations/gdc02_jaime_griesemer.ppt
- 244. キャラクターAIの３原則 • 何を感じ、 • 何を考え、 • どう体を動かすか？
- 247. 遅延反応系 INPUT OUTPUT 時間 情報抽象度 反射的に行動 少し場合ごとに対応 抽象的に思考 理論的に考える 言語化のプロセス 反応を遅延させるところに、知性の生じるチャンスがある。
- 248. サブサンプション・アーキテクチャ（ロドニー・ブルックス） INPUT OUTPUT 時間 情報抽象度 反射的に行動 少し場合ごとに対応 抽象的に思考 理論的に考える 言語化のプロセス = 自意識の構築化 Subsumpution Architecture 運動の実現のプロセス = 身体運動の生成
- 250. レベル ナビゲーション AI メタAI キャラクター AI エージェントを動的に配置 レベル状況を監視 エージェントに指示 ゲームの流れを作る 自律的な判断 仲間同士の協調 時にチームＡＩとなる メタAI, キャラクターAIの為に レベルの認識のためのデータを準備 オブジェクト表現を管理 ナビゲーション・データの管理 パス検索 / 位置解析 Support 敵キャラクタ－ プレイヤー 頭脳として機能 情報獲得 コントロール 現代ゲームAIの仕組み http://dear-croa.d.dooo.jp/download/illust.html http://www.anne-box.com/
- 251. パス検索とは 現在の地点から指定したポイントへの経路を、 リアルタイムで計算して導く技術。 RTS - Pathfinding A* https://www.youtube.com/watch?v=95aHGzzNCY8
- 252. Counter Strike (2000) : Nav Mesh The Official Counter-Strike Bot http://aigamedev.com/insider/presentation/official-counter-strike-bot/ Dragon Age : Way Point Dragon Age pathfinding program put to the test https://www.youtube.com/watch?v=l7YQ5_Nbifo
- 253. Counter Strike: Path Following (デモ) The Official Counter-Strike Bot http://aigamedev.com/insider/presentation/official-counter-strike-bot/
- 255. 強化学習 （例）格闘ゲームTaoFeng におけるキャラクター学習 Ralf Herbrich, Thore Graepel, Joaquin Quiñonero Candela Applied Games Group,Microsoft Research Cambridge "Forza, Halo, Xbox Live The Magic of Research in Microsoft Products" http://research.microsoft.com/en-us/projects/drivatar/ukstudentday.pptx Microsoft Research Playing Machines: Machine Learning Applications in Computer Games http://research.microsoft.com/en-us/projects/mlgames2008/ Video Games and Artificial Intelligence http://research.microsoft.com/en-us/projects/ijcaiigames/
- 256. F.E.A.R.のプランニング シンボルによる連鎖プランニング ターゲットＡが 死んでいる ターゲットＡが 死んでいる 攻撃 武器が装填 されている 武器が装填 されている 装填する 武器を 持っている 武器を 持っている 武器を拾う 条件なし プラナー プランニング Jeff Orkins, Three States and a Plan: The AI of FEAR http://alumni.media.mit.edu/~jorkin/gdc2006_orkin_jeff_fear.pdf
- 257. 計画を立てるＡＩ/計画を変更するＡＩ Jeff Orkins, Three States and a Plan: The AI of FEAR http://alumni.media.mit.edu/~jorkin/gdc2006_orkin_jeff_fear.pdf
- 258. CORE Layer は、Physical Laryer 、Mission Layer のうちで、 どの認識を生成するかを決定するコマンドを投げる。 CERA-CRANIUM認識モデル Arrabales, R. Ledezma, A. and Sanchis, A. "Towards the Generation of Visual Qualia in Artificial Cognitive Architectures". (2010) http://www.conscious-robots.com/raul/papers/Arrabales_BICS2010.pdf
- 261. 2K Bot Prize FPSを用いたチューリングテスト http://aigamedev.com/open/article/conscious-bot/Movie: AI と人間のプレイヤーが混在しながら戦う。 人間と一番間違われたAIが優勝。
- 264. レベル ナビゲーション AI メタAI キャラクター AI エージェントを動的に配置 レベル状況を監視 エージェントに指示 ゲームの流れを作る 自律的な判断 仲間同士の協調 時にチームＡＩとなる メタAI, キャラクターAIの為に レベルの認識のためのデータを準備 オブジェクト表現を管理 ナビゲーション・データの管理 パス検索 / 位置解析 Support 敵キャラクタ－ プレイヤー 頭脳として機能 情報獲得 コントロール 現代ゲームAIの仕組み http://dear-croa.d.dooo.jp/download/illust.html http://www.anne-box.com/
- 265. メタＡＩの歴史 1980 1990 メタＡＩというのは、ゲームそのものに埋め込まれたＡＩ。 1980 1990 2000 古典的メタAI 現代のメタＡＩ キャラクターＡＩ技術の発展
- 267. （例）「ゼビウス」（ナムコ、1983） 敵出現テーブル巻き戻し 敵0 敵１ 敵2 敵3 敵4 敵5 『あと面白い機能なんですけれど、 ゼビウスには非常に簡単なAIが組み込まれています。 「プレイヤーがどれくらいの腕か」というのを判断して、 出てくる敵が強くなるんです。 強いと思った相手には強い敵が出てきて、 弱いと思った相手には弱い敵が出てきます。 そういっ たプログラムが組み込まれています。 ゲームの難易度というのは「初心者には難しくて、上級者 には簡単だ」ということが、 ひとつの難易度で(調整を)やっていくと起きてしまうので、 その辺を何 とか改善したいな、ということでそういったことを始めてみたのですけれど、 お陰で割合にあまり上 手くない人でも比較的長くプレイできる、 うまい人でも最後のほうに行くまで結構ドラマチックに楽 しめる、 そういった感じになっています。』 － 遠藤雅伸（出演）、1987、「糸井重里の電視遊戯大展覧会」『遠藤雅伸ゼビウスセミナー』フジテレビ － ゼビウス
- 269. メタＡＩ Left 4 Dead の事例 Michael Booth, "The AI Systems of Left 4 Dead," Artificial Intelligence and Interactive Digital Entertainment Conference at Stanford. http://www.valvesoftware.com/publications.html 今回は Left 4 Dead の事例を見てみる。
- 270. 適応型動的ペーシング [基本的発想] (1) ユーザーがリラックスしている時に、ユーザーの 緊張度が一定の敷居を超えるまで敵をぶつけ 続ける。 (2) ユーザーの緊張度が一定の緊張度を超えると 敵を引き上げる。 (3) リラックスすると敵を出現し始める（(１)へ）。 Michael Booth, "The AI Systems of Left 4 Dead," Artificial Intelligence and Interactive Digital Entertainment Conference at Stanford. http://www.valvesoftware.com/publications.html
- 272. メタAI(=AI Director)によるユーザーのリラックス度に応じた敵出現度 ユーザーの緊張度 実際の敵出現数 計算によって 求められた 理想的な敵出現数 Build Up …プレイヤーの緊張度が目標値を超えるまで 敵を出現させ続ける。 Sustain Peak … 緊張度のピークを3-5秒維持するために、 敵の数を維持する。 Peak Fade … 敵の数を最小限へ減少していく。 Relax … プレイヤーたちが安全な領域へ行くまで、30-45秒間、 敵の出現を最小限に維持する。 Michael Booth, "The AI Systems of Left 4 Dead," Artificial Intelligence and Interactive Digital Entertainment Conference at Stanford. http://www.valvesoftware.com/publications.html より具体的なアルゴリズム
- 273. メタＡＩがゲームを認識する方法 キャラクター用に作成された ナビゲーションメッシュを メタＡＩがゲームの 状況を認識するために使用する。 Michael Booth, "The AI Systems of Left 4 Dead," Artificial Intelligence and Interactive Digital Entertainment Conference at Stanford. http://www.valvesoftware.com/publications.html
- 274. メタAIが作用を行う領域 Michael Booth, "The AI Systems of Left 4 Dead," Artificial Intelligence and Interactive Digital Entertainment Conference at Stanford. http://www.valvesoftware.com/publications.html メタＡＩが作用（敵の生成・ 消滅）を行う領域を、 AAS（= Active Area Set） と 言う。
- 275. メタAIが作用を行う領域 (AAS=Active Area Set) Michael Booth, "The AI Systems of Left 4 Dead," Artificial Intelligence and Interactive Digital Entertainment Conference at Stanford. http://www.valvesoftware.com/publications.html
- 276. メタAIが作用を行う領域 (AAS=Active Area Set) Michael Booth, "The AI Systems of Left 4 Dead," Artificial Intelligence and Interactive Digital Entertainment Conference at Stanford. http://www.valvesoftware.com/publications.html
- 277. 安全な領域までの道のり(Flow Distance) メタＡＩはプレイヤー群の経路を トレースし予測する。 - どこへ来るか - どこが背面になるか - どこに向かうか Michael Booth, "The AI Systems of Left 4 Dead," Artificial Intelligence and Interactive Digital Entertainment Conference at Stanford. http://www.valvesoftware.com/publications.html
- 278. プレイヤーからの可視領域 可視領域（プレイヤーから見えている 部屋）では、敵のスパウニング（発生） はできない。 Michael Booth, "The AI Systems of Left 4 Dead," Artificial Intelligence and Interactive Digital Entertainment Conference at Stanford. http://www.valvesoftware.com/publications.html
- 279. 敵出現領域 背後 前方 Michael Booth, "The AI Systems of Left 4 Dead," Artificial Intelligence and Interactive Digital Entertainment Conference at Stanford. http://www.valvesoftware.com/publications.html 前方と背後のプレイヤー群から見えてない部屋に、 モンスターを発生させる。