because that seems to be the key driver

(クリス・アンダーソン) 機械学習というのは いったい何なのか

around artificial intelligence.

教えていただけませんか？

How does machine learning work?

それが人工知能を巡る

Sebastian Thrun: So, artificial intelligence and machine learning

熱狂や不安の中心に あるもののようなので

is about 60 years old

いったいどんな仕組み なんでしょう？

and has not had a great day in its past until recently.

(セバスチャン･スラン) 人工知能と 機械学習は

And the reason is that today,

60年くらいの 歴史があるんですが

we have reached a scale of computing and datasets

最近まで目覚ましい結果は 出ていませんでした

that was necessary to make machines smart.

近頃になってようやく

So here's how it works:

機械を賢いものにするのに 必要な規模の

If you program a computer today, say, your phone,

計算能力やデータセットが 得られるようになったからです

then you hire software engineers

その仕組みはこうです

that write a very, very long kitchen recipe,

たとえばスマートフォンの プログラムを作ろうと思ったら

like, "If the water is too hot, turn down the temperature.

ソフトウェアエンジニアを雇って

If it's too cold, turn up the temperature."

すごく長いレシピを 書いてもらうことになります

The recipes are not just 10 lines long.

「水が熱すぎたら温度を下げる

They are millions of lines long.

冷たすぎたら温度を上げる」 みたいな感じに

A modern cell phone has 12 million lines of code.

そのレシピは10行とかではなく

A browser has five million lines of code.

何百万行にもなり得ます

And each bug in this recipe can cause your computer to crash.

今時の携帯電話には 1200万行のコードがあり

That's why a software engineer makes so much money.

ブラウザーには 500万行のコードがあります

The new thing now is that computers can find their own rules.

しかもレシピに何か欠陥があると コンピューターをクラッシュさせかねません

So instead of an expert deciphering, step by step,

だからソフトウェアエンジニアは あんなに稼いでいるんです

a rule for every contingency,

ところが 今やコンピューターが 自分でルールを見付けられるようになっています

what you do now is you give the computer examples

専門家がステップに分解し

and have it infer its own rules.

あらゆる事態に対して ルールを書く代わりに

A really good example is AlphaGo, which recently was won by Google.

コンピューターに例を示して

Normally, in game playing, you would really write down all the rules,

ルールを自分で導かせるのです

but in AlphaGo's case,

その良い例が 最近Googleが買収した 囲碁プログラムのAlphaGoです

the system looked over a million games

通常なら ゲームをさせるには あらゆるルールを記述することになりますが

and was able to infer its own rules

AlphaGoの場合

and then beat the world's residing Go champion.

何百万という対局を見て

That is exciting, because it relieves the software engineer

自分で独自にルールを導き

of the need of being super smart,

現役のチャンピオンを 下してしまったのです

and pushes the burden towards the data.

その何が嬉しいかというと

As I said, the inflection point where this has become really possible --

プログラミングの重荷が データへと押しやられ

very embarrassing, my thesis was about machine learning.

ソフトウェアエンジニアはそんなに頭が 良くなくともよくなったことです

It was completely insignificant, don't read it,

それが可能になったというのが 大きな転換点でした

because it was 20 years ago

気恥ずかしいのは 私の博士論文は機械学習でしたが

and back then, the computers were as big as a cockroach brain.

大したものじゃないので どうか読まないで

Now they are powerful enough to really emulate

20年前のことで 当時のコンピューターは

kind of specialized human thinking.

ゴキブリ並の頭しか なかったんです

And then the computers take advantage of the fact

今日では専門的な人間の思考を 模倣できるくらいに

that they can look at much more data than people can.

強力になりました

So I'd say AlphaGo looked at more than a million games.

しかもコンピューターには 人間が見られるよりも

No human expert can ever study a million games.

ずっと多くのデータを 見ることができます

Google has looked at over a hundred billion web pages.

AlphaGoは何百万という 対局を検討しますが

No person can ever study a hundred billion web pages.

人間にはそんなに沢山 検討することはできません

So as a result, the computer can find rules

Googleは千億以上の ウェブページを見ていますが

that even people can't find.

千億ページを 読める人間はいません

CA: So instead of looking ahead to, "If he does that, I will do that,"

だからコンピューターは 人間に見付けられないようなルールを

it's more saying, "Here is what looks like a winning pattern,

見付けることができるのです

here is what looks like a winning pattern."

(アンダーソン) つまり 「相手がこう来たらこうしよう」と考えるのではなく

ST: Yeah. I mean, think about how you raise children.

「こういうのが勝ちパターンのようだ」

You don't spend the first 18 years giving kids a rule for every contingency

と考えるわけですね

and set them free and they have this big program.

(スラン) ええ 子育てを考えてください

They stumble, fall, get up, they get slapped or spanked,

最初の18年間で あらゆる事態に 対するルールを教え込み

and they have a positive experience, a good grade in school,

それから世に出す わけではありません

and they figure it out on their own.

躓き 倒れ 立ち上がり はたかれ ぶたれ

That's happening with computers now,

楽しい経験をし 良い成績を取り

which makes computer programming so much easier all of a sudden.

そうやって自分で 見付けていくのです

Now we don't have to think anymore. We just give them lots of data.

それが今コンピューターにも 起きているのです

CA: And so, this has been key to the spectacular improvement

それによってプログラミングが 突如 簡単なものになります

in power of self-driving cars.

考える必要はなく ただ沢山のデータを与えれば良いのです

I think you gave me an example.

(アンダーソン) それが自動運転車の 目覚ましい進歩の

Can you explain what's happening here?

鍵というわけですね

ST: This is a drive of a self-driving car

事例をお持ち いただきましたが

that we happened to have at Udacity

ここで何が起きているのか 説明していただけますか？

and recently made into a spin-off called Voyage.

(スラン) これは自動運転車の 走行の様子で

We have used this thing called deep learning

Udacityで作り

to train a car to drive itself,

Voyageとして スピンオフしたものです

and this is driving from Mountain View, California,

自律走行できるよう

to San Francisco

ディープラーニングと呼ばれる手法で 車をトレーニングし

on El Camino Real on a rainy day,

マウンテンビューから

with bicyclists and pedestrians and 133 traffic lights.

サンフランシスコまで

And the novel thing here is,

エル・カミーノ・レアルを雨の日に

many, many moons ago, I started the Google self-driving car team.

自転車や歩行者や 133の信号がある中で走っています

And back in the day, I hired the world's best software engineers

私はずっと昔に

to find the world's best rules.

Googleで自動運転車の 開発チームを作りました

This is just trained.

当時は世界最高の ソフトウェアエンジニアを集めて

We drive this road 20 times,

世界最高のルールを 見付けようとしたものです

we put all this data into the computer brain,

ここでは単に トレーニングするだけです

and after a few hours of processing,

この道を20回走り

it comes up with behavior that often surpasses human agility.

すべてのデータを コンピューターに取り込み

So it's become really easy to program it.

数時間の処理の後

This is 100 percent autonomous, about 33 miles, an hour and a half.

人間よりも上手いくらいに 運転できるようになりました

CA: So, explain it -- on the big part of this program on the left,

だからプログラミングは すごく簡単です

you're seeing basically what the computer sees as trucks and cars

完全に自律的に 53キロを１時間半で走っています

and those dots overtaking it and so forth.

(アンダーソン) 画面左側の大きな部分が

ST: On the right side, you see the camera image, which is the main input here,

コンピューターの見ているもので

and it's used to find lanes, other cars, traffic lights.

トラックや車を表す点が 動いているわけですか

The vehicle has a radar to do distance estimation.

(スラン) 右側がカメラ映像で これが主要な入力となり

This is very commonly used in these kind of systems.

レーンや他の車や信号を 見付けるのに使っています

On the left side you see a laser diagram,

この車には距離を測るための レーダーがあります

where you see obstacles like trees and so on depicted by the laser.

このようなシステムでは よく使われているものです

But almost all the interesting work is centering on the camera image now.

左側に出ているのが レーザーによる画像で

We're really shifting over from precision sensors like radars and lasers

樹木などの障害物が 検出されています

into very cheap, commoditized sensors.

でも今では興味深いことのほとんどが カメラ映像を使って行われています

A camera costs less than eight dollars.

レーダーやレーザーといった 精密なセンサーから

CA: And that green dot on the left thing, what is that?

安価で一般的なセンサーを 使うように変わってきています

Is that anything meaningful?

カメラは８ドルもしません

ST: This is a look-ahead point for your adaptive cruise control,

(アンダーソン) 左に出ている緑の点は

so it helps us understand how to regulate velocity

どんな意味があるんですか？

based on how far the cars in front of you are.

(スラン) あれはアダプティブ・ クルーズ・コントロールの基準点で

CA: And so, you've also got an example, I think,

前の車との車間距離に応じて

of how the actual learning part takes place.

スピードを制御するためのものです

Maybe we can see that. Talk about this.

(アンダーソン) 学習の部分が どう行われるかの例も

ST: This is an example where we posed a challenge to Udacity students

お持ちいただいているので

to take what we call a self-driving car Nanodegree.

それを見ながら お話しを伺いましょう

We gave them this dataset

(スラン) これはUdacityの学生に

and said "Hey, can you guys figure out how to steer this car?"

自動運転車の「ナノ学位」を取るための 課題として出したものです

And if you look at the images,

このデータを示して

it's, even for humans, quite impossible to get the steering right.

「この車をどう運転させたものだろう？」 と聞いたんです

And we ran a competition and said, "It's a deep learning competition,

映像を見てもらうと分かりますが

AI competition,"

人間でもちゃんと運転するのが かなり難しいものです

and we gave the students 48 hours.

「さあディープラーニングのコンペだ

So if you are a software house like Google or Facebook,

AI コンペをしようよう」と言って

something like this costs you at least six months of work.

学生に48時間与えたんです

So we figured 48 hours is great.

GoogleやFacebookのような ソフトウェア企業でも

And within 48 hours, we got about 100 submissions from students,

このようなものには 最低半年はかかります

and the top four got it perfectly right.

だから48時間でできたら すごいものです

It drives better than I could drive on this imagery,

48時間で100人の学生が提出し

using deep learning.

特に上位４人のものは完璧でした

And again, it's the same methodology.

この映像に対して 私がやるよりも上手く運転するんです

It's this magical thing.

ディープラーニングを使ってです

When you give enough data to a computer now,

これも同じ手法で

and give enough time to comprehend the data,

魔法のようですが

it finds its own rules.

今やコンピューターは 十分なデータと

CA: And so that has led to the development of powerful applications

それを咀嚼するための 十分な時間があれば

in all sorts of areas.

自分でルールを 見つけ出すんです

You were talking to me the other day about cancer.

(アンダーソン) それによって あらゆる領域で

Can I show this video?

強力なアプリケーションが 開発されるようになったわけですね

ST: Yeah, absolutely, please. CA: This is cool.

先日ガンの話を していただきましたが

ST: This is kind of an insight into what's happening

あのビデオを 出しましょうか？

in a completely different domain.

(スラン) お願いします (アンダーソン) これはすごいですよ

This is augmenting, or competing --

(スラン) これはまったく異なる分野で

it's in the eye of the beholder --

得られた知見です

with people who are being paid 400,000 dollars a year,

これは高度な専門家であり

dermatologists,

年に40万ドル稼ぐ

highly trained specialists.

皮膚科医を

It takes more than a decade of training to be a good dermatologist.

見方によっては 支援するとも

What you see here is the machine learning version of it.

競合するとも 言えるものです

It's called a neural network.

優れた皮膚科医になるには 10年におよぶ修行が必要です

"Neural networks" is the technical term for these machine learning algorithms.

これは機械学習版の 皮膚科医で

They've been around since the 1980s.

ニューラルネットワークを 使っています

This one was invented in 1988 by a Facebook Fellow called Yann LeCun,

「ニューラルネットワーク」というのは こういう機械学習アルゴリズムを指す専門用語で

and it propagates data stages

1980年代頃から 研究されています

through what you could think of as the human brain.

ここに出ているのはFacebookのフェローである ヤン・ルカンが1988年に作ったもので

It's not quite the same thing, but it emulates the same thing.

人の脳のように

It goes stage after stage.

段階的にデータが 伝播するようになっています

In the very first stage, it takes the visual input and extracts edges

脳と同じわけではありませんが 模倣したものです

and rods and dots.

段階的になっています

And the next one becomes more complicated edges

最初の段階で 視覚的な入力から

and shapes like little half-moons.

へりや棒や点を抽出します

And eventually, it's able to build really complicated concepts.

次の段階で もう少し複雑なへりや形

Andrew Ng has been able to show

半月形なんかを 取り出します

that it's able to find cat faces and dog faces

最終的には非常に複雑な概念を 構成することができます

in vast amounts of images.

アンドリュー･エンは

What my student team at Stanford has shown is that

膨大な量の画像から

if you train it on 129,000 images of skin conditions,

猫の顔や犬の顔を見付けられる ようになることを示しました

including melanoma and carcinomas,

スタンフォードの 私の学生のチームは

you can do as good a job

黒色腫や癌腫を含む

as the best human dermatologists.

12万9千の皮膚疾患例で AIをトレーニングすることにより

And to convince ourselves that this is the case,

最高の皮膚科医並の仕事が

we captured an independent dataset that we presented to our network

可能になることを 示しました

and to 25 board-certified Stanford-level dermatologists,

それを検証するため

and compared those.

AIのトレーニングに使ったのとは 別のデータを

And in most cases,

AIと 25人のスタンフォードの 認定皮膚科医に診断させて

they were either on par or above the performance classification accuracy

結果を比較しました

of human dermatologists.

ほとんどのケースで

CA: You were telling me an anecdote.

AIは人間の皮膚科医に 匹敵するか

I think about this image right here.

それ以上の精度で 分類することができました

What happened here?

(アンダーソン) この画像に関する

ST: This was last Thursday. That's a moving piece.

ある逸話を伺いましたが

What we've shown before and we published in "Nature" earlier this year

どんなことが あったんでしょう？

was this idea that we show dermatologists images

(スラン) これは先週の木曜のことで 進展し続けている話なんです

and our computer program images,

今年初めにネイチャー誌で 発表したのは

and count how often they're right.

皮膚科医と コンピュータープログラムに

But all these images are past images.

画像で診断させたら

They've all been biopsied to make sure we had the correct classification.

どんな精度になるか ということでした

This one wasn't.

使った画像はすべて 過去の症例です

This one was actually done at Stanford by one of our collaborators.

生研をして正しい分類の 分かっているものです

The story goes that our collaborator,

これは違いました

who is a world-famous dermatologist, one of the three best, apparently,

協力してくれているスタンフォードの医者が 診断したものです

looked at this mole and said, "This is not skin cancer."

その協力者というのは

And then he had a second moment, where he said,

世界で３本の指に入るような 高名な皮膚科医なんですが

"Well, let me just check with the app."

この写真の痣を見て 「皮膚癌ではないな」と言いました

So he took out his iPhone and ran our piece of software,

でもそれから考え直して

our "pocket dermatologist," so to speak,

「ちょっとアプリでチェックしてみよう」と

and the iPhone said: cancer.

iPhoneを取り出し

It said melanoma.

「ポケット皮膚科医」とも言うべき 私たちのアプリで調べたところ

And then he was confused.

ガンという結果が出ました

And he decided, "OK, maybe I trust the iPhone a little bit more than myself,"

悪性黒色腫だと

and he sent it out to the lab to get it biopsied.

彼は戸惑いましたが

And it came up as an aggressive melanoma.

「まあ自分よりは iPhoneの方が幾分信頼できるしな」と

So I think this might be the first time that we actually found,

生検に回すことにしました

in the practice of using deep learning,

進行性の悪性黒色腫という結果でした

an actual person whose melanoma would have gone unclassified,

ディープラーニングがなかったら

had it not been for deep learning.

見落とされていたであろう

CA: I mean, that's incredible.

悪性黒色腫が見つかったという

It feels like there'd be an instant demand for an app like this right now,

これは最初の事例になると思います

that you might freak out a lot of people.

(アンダーソン) すごいものですね

Are you thinking of doing this, making an app that allows self-checking?

(拍手)

ST: So my in-box is flooded about cancer apps,

そのようなアプリに対しては すぐにも需要がありそうです

with heartbreaking stories of people.

多くの人が殺到するかも

I mean, some people have had 10, 15, 20 melanomas removed,

みんなが自分で診断できるアプリを 作ろうとは思っていますか？

and are scared that one might be overlooked, like this one,

(スラン) 私の受信箱を 溢れさせているのは

and also, about, I don't know,

ガンのアプリについての 胸が痛むような話が書かれたメールです

flying cars and speaker inquiries these days, I guess.

黒色腫を10個とか20個とか 取り除いたけど

My take is, we need more testing.

こういうのが見落とされてや しないかと不安なんです

I want to be very careful.

他にも 空飛ぶ車や

It's very easy to give a flashy result and impress a TED audience.

講演依頼のメールもありますが

It's much harder to put something out that's ethical.

でも もっとテストが 必要だと思っています

And if people were to use the app

すごく慎重に進めたいです

and choose not to consult the assistance of a doctor

見かけ倒しの結果で 聴衆を感心させるのは簡単ですが

because we get it wrong,

倫理的なちゃんとしたものを出すのは 大変なことです

I would feel really bad about it.

人々が私たちのアプリを使って

So we're currently doing clinical tests,

医者にかからず

and if these clinical tests commence and our data holds up,

それで間違いがあったりしたら

we might be able at some point to take this kind of technology

とても申し訳なく思います

and take it out of the Stanford clinic

今 臨床試験をやっていますが

and bring it to the entire world,

それで確証が得られれば

places where Stanford doctors never, ever set foot.

いつか このような技術を

CA: And do I hear this right,

大学病院から外の世界に出して

that it seemed like what you were saying,

スタンフォードの医者が 行けないような場所で

because you are working with this army of Udacity students,

使えるように できるかもしれません