AIアルゴリズムは冷蔵庫に収まるほど小型化している

人工知能は驚異的な進歩を遂げてきましたが、そこに到達するには途方もない量のデータと計算能力が必要になることがよくあります。現在、一部のAI研究者は、この技術を可能な限り効率的にすることに注力しています。

先週、研究者たちは、強力なAIビジョンアルゴリズムを、バッテリーで数ヶ月動作可能なシンプルで低消費電力のコンピュータチップに詰め込むことが可能であることを実証しました。この技術は、画像認識や音声認識といったより高度なAI機能を、家電製品やウェアラブルデバイス、医療機器、産業用センサーなどに導入することを可能にするでしょう。また、クラウドへのデータ送信の必要性を減らすことで、データのプライバシーとセキュリティの確保にも役立つでしょう。

「この結果は私たちにとって非常に刺激的です」と、このプロジェクトを率いるMITのソン・ハン助教授は述べています。この研究は今のところ実験室での実験ですが、「すぐに実世界のデバイスに移行できるでしょう」とハン助教授は述べています。

マイクロコントローラは、自動車のエンジン、電動工具、テレビのリモコン、医療用インプラントなど、数十億もの製品に搭載されている、比較的シンプルで低コスト、低消費電力のコンピュータチップです。

記事画像

超スマートなアルゴリズムがすべての仕事をこなせるわけではありませんが、これまで以上に速く学習し、医療診断から広告の提供まであらゆることを行っています。

研究者たちは、脳内のニューロンの結合と発火を大まかに模倣した大規模なニューラルネットワークプログラムであるディープラーニングアルゴリズムを、本質的に簡素化する方法を考案しました。過去10年間、ディープラーニングはAIの飛躍的な進歩を推進し、現在のAIブームの基盤となっています。

ディープラーニングのアルゴリズムは通常、ネットワークをより効率的に学習・実行するために必要な並列計算を分割する専用のコンピュータチップ上で実行されます。GPT-3と呼ばれる言語モデルは、与えられた指示に応じて説得力のある言語を生成できますが、この学習には最先端のAIチップを355年間フル稼働させるのと同等の計算量が必要でした。こうした用途により、ディープラーニングに適したGPUチップの売上が急増し、スマートフォンなどのガジェット向けにAI専用チップも増加しています。

新しい研究アプローチは2つの部分から成ります。まず、研究者たちはアルゴリズムを用いてニューラルネットワークのアーキテクチャを探索し、マイクロコントローラの計算制約に適合するものを探します。もう1つの部分は、ネットワークを実行するためのコンパクトでメモリ効率の高いソフトウェアライブラリです。このライブラリはネットワークアーキテクチャと連携して設計されており、冗長性を排除し、マイクロコントローラのメモリ不足に対応しています。「私たちの仕事は、干し草の山から針を探すようなものです」とハン氏は言います。

研究者たちは、画像内の1,000種類の物体を70%の精度で識別できるコンピュータービジョンアルゴリズムを開発しました。これまでの最高の低消費電力アルゴリズムは、精度が約54%にとどまっていました。また、既存の手法と比較して、必要なメモリは21%削減され、レイテンシは67%削減されました。研究チームは、音声フィード内の特定の「ウェイクワード」を検知するディープラーニングアルゴリズムでも同様の性能を示しました。ハン氏は、使用する手法を改良することで、さらなる性能向上が可能になると述べています。

トランプをする人間とロボットのシルエット

「これは確かに非常に印象的です」と、リソース制約のある機械学習に取り組んでいるアリゾナ州立大学の准教授、ジェスン・ソ氏は言う。

「商用アプリケーションとしては、スマートグラスや、物体検出を継続的に実行する拡張現実（AR）デバイスなどが考えられます」とセオ氏は語る。「そして、クラウドに接続することなくデバイス上で音声認識を行うエッジデバイスも考えられます。」

MIT-IBM Watson AI研究グループの研究者であり、この研究チームの一員であるジョン・コーン氏によると、IBMの顧客の中にはこの技術の利用に関心を持つ人もいるという。コーン氏によると、明らかな用途の一つは、産業機械の故障を予測するためのセンサーだろうという。現在、これらのセンサーは、より強力なシステム上で遠隔的に計算を行うために、無線ネットワークで接続する必要がある。

もう一つの重要な応用分野は医療機器である可能性があります。ハン氏は、MITの同僚と共同で、機械学習を用いて血圧を継続的にモニタリングするデバイスの開発に着手したと述べています。

WIREDのその他の素晴らしい記事