Name: デジタルと物理の世界をつなぐAI｜アニマ・アナンドクマール｜TED (AI That Connects the Digital and Physical Worlds | Anima Anandkumar | TED)
Uploaded: 2024-07-26T00:59:37.000Z
Duration: 9 min 54 s

関係詞節（制限と非制限）

I grew up with parents who are engineers.

私はエンジニアの両親のもとで育った。

They were among the first to bring computerized manufacturing to my hometown in India.

彼らは、私の故郷であるインドにコンピューターによる製造業をもたらした最初の企業のひとつだ。

上級受動態

Growing up as a young girl, I remember being fascinated how these computer programs didn't just reside within a computer, but touched the physical world and produced these beautiful and precise metal parts.

幼い少女だった私は、これらのコンピュータ・プログラムがコンピュータの中だけに存在するのではなく、物理的な世界に触れ、美しく精密な金属部品を作り出すことに魅了されたことを覚えている。

I've learned a great deal about the power of technology.

私はテクノロジーの力について多くを学んだ。

Over the last two decades, as I pursued AI research, this memory continued to inspire me to connect the physical and digital worlds together.

この20年間、AIの研究を進める中で、この記憶は物理的な世界とデジタルの世界を結びつけるインスピレーションを私に与え続けた。

I am working on AI that transforms the way we do science and engineering.

私は科学と工学のやり方を変えるAIに取り組んでいます。

Scientific research and engineering design currently involves a lot of trial and error.

科学研究や工学設計には現在、多くの試行錯誤がある。

Many long hours are spent in the lab doing experiments.

多くの長い時間が実験室で費やされる。

So it's not just the great ideas that propel science forward.

科学を前進させるのは、素晴らしいアイデアだけではない。

You need these experiments to validate findings and spark new ideas.

発見を検証し、新しいアイデアを閃くためには、こうした実験が必要なのだ。

言語モデルはどのように役立つのか？

What if I ask Chad Chippity to come up with a better design of an aircraft wing or a drone that flies under turbulent winds?

もし私がチャド・チッピティに、乱気流下で飛ぶ飛行機の翼やドローンのより良いデザインを考えてほしいと頼んだらどうなるだろうか？

何かを示唆しているかもしれない。

しかし、これが良いものだとどうしてわかるのか？

Language models hallucinate because they have no physical grounding.

言語モデルが幻覚を見るのは、物理的な根拠がないからだ。

While language models may help generate new ideas, they cannot attack the hard part of science, which is simulating the necessary physics to replace the lab experiments.

言語モデルは新しいアイデアを生み出すのに役立つかもしれないが、科学の難しい部分、つまり実験に代わる必要な物理学のシミュレーションを攻撃することはできない。

In order to model scientific and physical phenomena, text alone is not sufficient.

科学的・物理的現象をモデル化するためには、テキストだけでは不十分だ。

To get to AI with universal physical understanding, we need to train it on the data of the world we observe.

普遍的な物理的理解を持つAIを実現するためには、私たちが観察している世界のデータでAIを訓練する必要がある。

And not just that, also its hidden details.

それだけでなく、その隠された詳細も。

From the intricacies of quantum chemistry that happen at the smallest level, to molecules and proteins that influence how all biological processes work, to ocean currents and clouds that happen at planetary scales and beyond, we need AI that can capture this whole range of physical phenomena.

最小レベルで起こる量子化学の複雑さから、あらゆる生物学的プロセスの仕組みに影響を与える分子やタンパク質、惑星スケールで起こる海流や雲、そしてそれ以上に至るまで、この物理現象全体を捉えることができるAIが必要なのだ。

We need AI that can really zoom into the fine details in order to simulate these phenomena accurately.

このような現象を正確にシミュレートするためには、細部にまでズームインできるAIが必要なのだ。

To capture the cloud movements and predict how clouds move and change in our atmosphere, we need to be able to zoom into the fine details of the turbulent fluid flow.

雲の動きをとらえ、大気の中で雲がどのように動き、どのように変化するかを予測するには、乱流の細部までズームアップできる必要がある。

Standard deep learning uses a fixed number of pixels.

標準的なディープラーニングでは、固定数のピクセルを使用する。

So if you zoom in, it gets blurry, and not all the details are captured.

そのため、拡大するとぼやけてしまい、細部まで写らない。

We invented an AI technology called neural operators that represents the data as continuous functions or shapes and allows us to zoom in indefinitely to any resolution or scale.

私たちはニューラル・オペレーターと呼ばれるAI技術を発明し、データを連続的な関数や図形として表現することで、どんな解像度やスケールにも無限にズームインできるようにした。

Neural operators allow us to train on data at multiple scales or resolutions.

ニューラル・オペレーターを使えば、複数のスケールや解像度のデータで学習することができる。

And also allows us to incorporate the knowledge of mathematical equations to fill in the finer details when only limited-resolution data is available.

また、限られた解像度のデータしか利用できない場合にも、数式の知識を取り入れることで、より細かなディテールを埋めることができる。

Such learning at multiple scales is essential for scientific understanding.

このような複数のスケールでの学習は、科学的理解に不可欠である。

そしてニューラル・オペレーターがこれを可能にする。

With neural operators, we can simulate physical phenomena such as fluid dynamics as much as a million times faster than traditional simulations.

ニューラル・オペレーターを使えば、流体力学のような物理現象を、従来のシミュレーションよりも100万倍も速くシミュレートできる。

Last year, we used neural operators to invent a better medical catheter.

昨年、私たちはニューラル・オペレーターを使ってより優れた医療用カテーテルを発明した。

A medical catheter is a tube that draws fluids out of the human body.

医療用カテーテルは、人体から体液を取り出すためのチューブである。

Unfortunately, the bacteria tend to swim upstream against the fluid flow and infect the human.

残念ながら、細菌は体液の流れに逆らって上流に泳ぎ、ヒトに感染する傾向がある。

In fact, annually, there's more than half a million cases of such health-care-related infections.

実際、このような医療関連感染症は年間50万件以上発生している。

そして、これが主な原因のひとつである。

Last year, we used neural operators to change the inside of the catheter from smooth to ridged.

昨年、私たちは神経オペレーターを使って、カテーテルの内側を滑らかなものから隆起したものに変えた。

With ridges, now we have vortices created as the fluid flows.

リッジがあると、流体が流れるときに渦が発生する。

And we can hope to stop the bacteria from swimming upstream because of these vortices.

そして、この渦のおかげでバクテリアが上流に泳いでいくのを食い止めることができるのだ。

But to get this correct, we need the shape of the ridges to be exactly right.

しかし、これを正確にするためには、畝の形状を正確にする必要がある。

In the past, this would have been done by trial and error.

以前であれば、これは試行錯誤によって行われていただろう。

Design a version of the catheter, build it out, take it to the lab, observe a hypothesis if something went wrong, rinse and repeat and redesign again.

カテーテルのバージョンを設計し、それを作り上げ、ラボに持って行き、何か問題があれば仮説を観察し、すすぎ、繰り返し、また設計し直す。

But instead, we taught AI the behavior of the fluid flow inside the tube.

しかしその代わりに、私たちはAIにチューブ内の流体の流れの挙動を教えた。

And with it, our neural operator model was able to directly propose an optimized design.

そしてそれを使って、私たちのニューラル・オペレーター・モデルは最適化された設計を直接提案することができた。

We 3D-printed the design only once to verify that it worked.

私たちは、このデザインがうまく機能するかどうかを確認するために、一度だけ3Dプリントを行った。

In the video, you're seeing our catheter being tested in the lab.

ビデオでは、ラボでテストされている私たちのカテーテルをご覧いただけます。

The bacteria are not able to swim upstream, are instead being pushed out with the fluid flow.

バクテリアは上流に泳ぐことができず、流体の流れに押し流される。

In fact, we measured the reduction in bacterial contamination by more than 100-fold.

実際、細菌汚染は100倍以上減少した。

So in this case, the neural operators were specialized to understand fluid flow in a tube.

つまりこの場合、神経演算子はチューブ内の流体の流れを理解するために特化されたのだ。

What other applications can AI tackle and help us solve such pressing problems?

このような差し迫った問題を解決するために、AIは他にどのようなアプリケーションに取り組むことができるのだろうか？

Can deep learning beat numerical weather models?

ディープラーニングは数値気象モデルに勝てるのか？

A group of leading weather scientists asked this question in February 2021 in a Royal Society publication.

2021年2月、英国王立協会が発表した論文で、一流の気象科学者たちがこの疑問を投げかけた。

They felt that AI was still in its infancy and that a number of fundamental breakthroughs would be needed for AI to become competitive with traditional weather models.

彼らは、AIはまだ黎明期にあり、AIが従来の気象モデルと競争できるようになるには、多くの根本的なブレークスルーが必要だと考えていた。

And that would take years or even decades.

それには何年も何十年もかかる。

Exactly a year later, we released ForecastNet.

それからちょうど1年後、私たちはフォーキャストネットをリリースした。

Using neural operators, we built the first fully AI-based weather model that is high-resolution and is tens of thousands of times faster than traditional weather models.

ニューラル・オペレーターを使用し、高解像度で従来の気象モデルの数万倍高速な、初の完全AIベースの気象モデルを構築した。

What used to take a big supercomputer can now run on a gaming PC that you may have at home.

かつては大きなスーパーコンピューターが必要だったものが、今では家にあるようなゲーミングPCで実行できる。

This model is also running at the European Center for Medium-Range Weather Forecasting, one of the premier weather agencies of the world.

このモデルは、世界有数の気象機関である欧州中距離天気予報センターでも稼働している。

And our AI model is not just tens of thousands of times faster than traditional models.

また、私たちのAIモデルは、従来のモデルよりも数万倍速いだけではない。

多くの場合、その方が正確だ。

Hurricane Lee hit the coast of Nova Scotia, Canada.

ハリケーン・リーがカナダのノバスコシア州沿岸を襲った。

A full 10 days earlier, our ForecastNet model correctly predicted that the hurricane would make landfall.

その丸10日前に、私たちのフォーキャストネット・モデルは、ハリケーンが上陸すると正しく予測していた。

But the traditional weather model predicted the hurricane would skip the coast.

しかし、従来の気象モデルでは、ハリケーンは海岸を飛び越えると予測されていた。

Only five days later, on September 11, did the traditional weather model correct its forecast to predict landfall.

それからわずか5日後の9月11日、従来の気象モデルは予報を修正し、上陸を予測した。

Extreme weather events such as Hurricane Lee will only increase further unless we take action on climate change.

ハリケーン・リーのような異常気象は、気候変動への対策を講じない限り、さらに増加するだろう。

Such as finding new, clean sources of energy.

新しいクリーンなエネルギー源の発見などだ。

But unfortunately, there are still big challenges with it.

しかし残念なことに、これにはまだ大きな課題がある。

The fusion reactor heats up the plasma to extremely high temperatures to get fusion started.

核融合炉は、核融合を起こすためにプラズマを超高温に加熱する。

And sometimes, this hot plasma can escape confinement and can damage the reactor.

そして時には、この高温プラズマが閉じ込めから漏れて原子炉を損傷することもある。

We train neural operators to simulate and predict the evolution of plasma inside the reactor.

私たちは、原子炉内のプラズマの進化をシミュレートし予測するために、ニューラル・オペレータを訓練します。

And with it, we can use this to predict disruptions before they occur and take corrective action in the real world.

そしてそれを使って、混乱が起こる前にそれを予測し、現実の世界で是正措置を取ることができる。

We are enabling the possibility of nuclear fusion becoming a reality.

私たちは核融合の可能性を現実のものにしている。

So neural operators and AI broadly are enabling us to tackle hard scientific challenges, such as climate change and nuclear fusion.

つまり、ニューラル・オペレーターとAIは、気候変動や核融合といった難しい科学的課題に取り組むことを可能にしているのだ。

私にとっては、これは始まりに過ぎない。

So far, these AI models are limited to the narrow domains they're trained on.

これまでのところ、これらのAIモデルは訓練された狭い領域に限られている。

What if you had an AI model that could solve all and any scientific problem, from designing better drones, aircrafts, rockets, and even better drugs and medical devices?

より優れたドローン、航空機、ロケット、さらにはより優れた医薬品や医療機器の設計に至るまで、あらゆる科学的問題を解決できるAIモデルがあるとしたらどうだろう？

Such an AI model would greatly benefit humanity.

このようなAIモデルは人類に大きな利益をもたらすだろう。

これが私たちが取り組んでいることだ。

We are building a generalist AI model with emergent capabilities that can simulate any physical phenomena and generate novel designs that were previously out of reach.

私たちは、あらゆる物理現象をシミュレートし、以前は手の届かなかった斬新なデザインを生み出すことができる、創発的な能力を備えた汎用のAIモデルを構築しています。

This is how we scale up neural operators to enable general intelligence with universal physical understanding.

こうしてニューラル・オペレーターの規模を拡大し、普遍的な物理的理解を持つ一般知能を実現するのだ。