松尾豊のレビュー一覧

まんが人物伝 アラン・チューリング AIの礎を築いた天才数学者

松尾豊 / 浅田弘幸

子供用にと思って購入して読んでみました

プログラマとして働いてたのですが、感慨深いものがありました
楽しめたし泣けたー
シナリオが芝村裕吏さんだったんだ！

人工知能は人間を超えるか

松尾豊

これまで人工知能に関する歴史や今後の人工知能の行き先について、素人にも分かりやすく、興味を持たせてくれる素晴らしい本です。

人工知能は人間を超えるか

松尾豊

生成AIの話についていけず、そもそもAIとは何だ？と思いこの本を手に取ったが…面白い！2015年の本なので生成AIは登場していないが、どんな歴史を辿ってきたのか、ディープラーニングとは何か、読む前より頭が整理されたので読んでみて本当に良かった！
現時点での松尾先生のお話も読んで(聞いて)みたい。

人工知能は人間を超えるか

松尾豊

「生成AIで世界はこう変わる」（2024）を先に読んだほうがよかったかも。この本の出版当時（2015年）は「2030年には生成AIが秘書、教育、ホワイトカラー支援へ」使用されるようになる未来を予測していたが、それがChatGPTの登場で7、8年早まった感。

--
・人間の脳内で起きていることも電気信号の伝達なんだから、人間の知能がプログラムで実現できないはずはない
・人間が知識として教えるのではなくコンピュータが自ら特徴量や概念を獲得するディープラーニングでは、コンピュータが作り出した概念は人間の持つ概念とは違うかもしれない＝コンピュータの知能

・人工知能の壁は「特徴量の獲得」だった、人が教えるのは限界、階層を増やすと教師ありインプットの影響が下層では薄まってしまって思う結果が出ない
・ノイズデータを入れてデータを増やすアプローチがブレイクスルー、わざとデータを欠落させ存在しない部分をも推測できるようにより堅固な特徴量を求めさせる
・入力層と出力層を同じにして、中間層でそれぞれの共通項「特徴量」を探させる→それと答えが合っているかをチェックさせる（教師なし）→ それを用いて更に高次の特徴量を取り出す…の繰り返し→その特徴量にラベルを与えるのは人間（教師あり）
・シンギュラリティ、ある時点で爆発的に成長が加速する

深層学習教科書 ディープラーニング G検定（ジェネラリスト）公式テキスト 第3版

一般社団法人日本ディープラーニング協会 / 山下隆義 / 猪狩宇司 / 今井翔太 / 巣籠悠輔 / 瀬谷啓介 / 徳田有美子 / 中澤敏明 / 藤本敬介 / 古川直裕 / 松尾豊 / 松嶋達也

[yoshi]

問題と解答がついてるのが有難い

各章に問題と解答がついており、復習ができるのが非常に有難い。中には難しくてよくわからないものもあったが、全体的には分かりやすく説明されてたかなという印象。

＃タメになる

ディープラーニング 学習する機械 ヤン・ルカン、人工知能を語る

ヤン・ルカン / 松尾豊 / 小川浩一

ヤン・ルカン氏の大著
以下メモ
還元主義的モデルでは対応できない複雑な集合的現象の予測は現象学的モデルであるNNが得意とする。ここでいう、還元主義的モデルとは、こういう方程式で支配されて、この環境ではこの影響をこのくらい受けるから、こうなるだろうと予測する方法。ロケットの弾道予測とか、天気予報とか。現象学的モデルは、都市の消費電力の予測とか、薬に対する反応とか、色んなデータを観測して、それらの変数に対する影響度合いを起こったこと(現象)から予測するモデル。

自己教師あり学習による世界モデルの獲得が必要

知能は教科学習のみで達成されるものではなく、自己教師あり学習、教師あり学習、教科学習の３段必要である。

「AIはブラックボックス」と言われるが、それは誤解だ。ニューラルネットは解析可能で、秘密の部分はない。確かに複雑だが、人間の判断も完全に説明できるわけではない。医者やパイロットの脳の働きを知らずとも信頼するのに、なぜAIにだけ過剰な説明を求めるのか？さらに、医薬品の作用機序が不明でも使われるように、AIも試験を経れば利用可能だ。特に金融や行政では、判断の根拠を示し、改善策を提示する仕組みを整えればよい。それが本質的な透明性だ。

人工知能は人間を超えるか

松尾豊

率直に学びが大きい本であった。
ディープラーニングによる特徴表現学習がきっかけとなって、今利用している人工知能の大きな進歩がある、といった話が興味深かった。なるほどとなった。現在多くの人が利用しているchatGPT等の生成AIも根本的なロジックは本書の内容が元になっているわけで、仕組みがわかって面白い。
長期的に代替される仕事、については自身も同じことを考えている。決断をして責任を取るということと、人と関わる、という2種が今後重要になって行くと思う。
本書の発行から10年が経ったが、ソフト面は生成AI等、本書の時点より大きく進歩している一方、ハード面の進化が追いついていないと感じた。測定機器の需要とかが今後伸びるのかなーとか思った。
本書で警鐘を鳴らしている、データを持っている組織ほど有利という状況に、現在なってしまった。。

人工知能は人間を超えるか

松尾豊

強いAI、弱いAIについて学ぶことができたし、AIの歴史についても知ることができた。概要的に知りたい方にはおすすめ！

深層学習

岩澤有祐 / 鈴木雅大 / 中山浩太郎 / 松尾豊 / 黒滝紘生 / 河野慎 / 味曽野雅史 / 保住純 / 野中尚輝 / 冨山翔司 / 角田貴大

まさしく「深層学習の教科書」。かなり読み応えがあるが、E資格ではこの本から結構出題された。
驚くべきは、記載された予見のいくつかが的中し現実になっていること。著者の先見性が冴え渡っている。

因果推論の科学 「なぜ？」の問いにどう答えるか

ジューディア・パール / ダナ・マッケンジー / 松尾豊 / 夏目大

因果推論ができるようになるのが子供の頃からというのが重要。ある日突然自由意志をもらって喜ぶのはおかしいから。これは私の敬愛する哲学者の永井均さんの例。僕たちはいつ自由意志をもらったかわからないところで自由意志を得ている。

三段のはしご。観察、行動、反事実であるが、反事実の段階で、善悪がわかっても遅い。おそらく観察段階で、単なるA.I.兵器として使われるだけだ。でも、三段のはしごに分類したことはある程度成功している。

因果ダイアグラムのように視覚化されると、たいへんわかりやすくなる。ただ実践して使えるかと言われれば首を横に振るだけだ。ただ少し図を変形することによって意味合いが変わってくるのは感慨深いものがあった。

A.I.の内容が透明になることを望んでいるようだが、そして、それは強いA.I.を目指しているのだろうが、それは全くどうでもいいことのように思われる。そのA.I.が因果推論をしないならばという条件をつけてのことだが。

どうしても最後のA.I.のところばかり集中して考えてしまう。でも、因果関係を科学の言葉に翻訳した功績は大いに認めてよいと思う。

古代の人は確率に弱かったが、因果推論には強かったと思われる。それは今の現状にも言えること。

因果推論の科学 「なぜ？」の問いにどう答えるか

ジューディア・パール / ダナ・マッケンジー / 松尾豊 / 夏目大

とても面白い本。「ですよね！そうするしかないですよね！？」という部分（因果ダイアグラムと、それが主観的にしかやりようがないという点）と「すいません、それもう少し詳しく書いてください」の部分（do演算子やバックドア基準、フロントドア基準のルール）があり、後者は別の本を読めばいいのだろうか。練習問題があるといいな。

自分がやりたいこと、知りたいことを突き詰める方法があるんだと知れてよかった。

因果推論の科学 「なぜ？」の問いにどう答えるか

ジューディア・パール / ダナ・マッケンジー / 松尾豊 / 夏目大

世界屈指の人工知能科学者が因果推論について、過去の事例や著者自身の経験・研究をもとに解説している。そもそも因果推論とはなにをすることか、人工知能の科学者がどうして因果推論について研究することになったのか、因果推論を蔑ろにしていた統計学者などの歴史、一貫して重要性を主張していた因果ダイアグラムの解説などさまざまなことが学べる。

私自身、計量経済学を中心にデータ分析を学んでいたこともあり、もともと因果推論には関心があった。本書でも述べられていたが、伝統的に？計量経済学のほとんどの教科書では因果ダイアグラムを使われることがなかった。しかし、因果ダイアグラムを駆使することで、交絡・コライダー・媒介などを明確にできることが説明されていた。このことは非常にまなびになった。あの有名なモンティ・ホール問題も因果ダイアグラムで解説されている。
データのみから情報を得るだけでは因果推論はてきない（因果のはしご一段目）。介入や反事実（因果のはしごの二段目、三段目）を扱うには、推論したい事象の分野についてよく考察できるだけの知識や経験が必要だと実感した。なお、観察データから純粋な効果（本書ではdo演算子が式にある問題）を推定できる方法も本書では解説されている（フロントドア調整など）が、これらもそれぞれの因果の向きや理屈を理解していないといけない。

本書では因果推論をうまく扱えなかったがために間違った道に進み、多くの失敗（たばこや壊血病など）をしてきたことが紹介されている。私自身、本書の内容についてまだまだ理解不足なことばかりであるが、因果推論の考え方で正しい道の方向に向いていきたいと思った。

人工知能は人間を超えるか

松尾豊

[yoshi]

人工知能入門書

この本はまさに人工知能の入門書といった感じの内容になっています。僕のようなこれから人工知能について勉強しようと思っている方、あるいはブームの傍ら興味が湧いた方が手軽に取れる一冊めの本だと思います。人工知能とは？ディープラーニングとは？技術的特異点って何？AIが人間を脅かす時代が来るってほんと？このような素人の質問に丁寧に答えてくれているので入門書として最適な一冊なのは間違いありません。

＃タメになる

スタディサプリ三賢人の学問探究ノート(1)人間を究める

松尾豊 / 長谷川眞理子 / 廣野由美子 / スタディサプリ進路

廣野由美子の本を探していたら本書に出会った。
この人は、100分DE名著のシャーロック・ホームズ　スペシャルに出演していた。で関心を持ったのだ。
京都大学から神戸大学大学院に進んだ経緯が詳しく書かれていて興味深かった。

本書は、ＹＡヤングアダルト向けの内容だ。

儲けものだったのは、松尾豊の生い立ちが読めた事だ。

またディープラーニングに関しての記載があったことだ。

ＡＩに関して漠然と何か凄いものだ。人の仕事が奪われる。
岸田首相が漠然とデジタル社会の構築とか言うけど、アバウトで言ってる本人が分かってるのか。

短い文章ではあるが、人工知能に関して分かりやすい切り口で書かれているので、一読の価値は十分にある。

知的好奇心を満たしてくれてので、⭐️４つにしてたけど、
５つにした。

人工知能は人間を超えるか

松尾豊

知識のためという点で自分のような初学者向けにおすすめできますが、それ以上に人工知能についての認識や理解を促すという点で素晴らしい内容と感じました。
少し前の情報に基づく書籍ですが、人工知能を前提とした社会や教育・学習について、自分なりに考えてみたいと思っている方に特におすすめできると思います。

人工知能は人間を超えるか

松尾豊

2014年に書かれているため、戦場におけるドローンの活用など実現化されている事もあるが、ディープラーニングについての入り口にはなっていて勉強になった。これからもう少し勉強していきたい。

東京大学のデータサイエンティスト育成講座

塚本邦尊 / 山田典一 / 大澤文孝 / 中山浩太郎 / 松尾豊

これまでBIツールを用いて見える化を試みたが、
前段の分析技法が欠落しており、空回りに終わっていた。
腰を据えて、基礎から学び直し。

人工知能は人間を超えるか

松尾豊

今までの機械学習の歴史や仕組み、これからのAIの展望が書いてある。
第一次と第二次AIブームという数十年ながら長く悲観的な歴史から第三次という成功したディープラーニングについてとてもわかりやすく書かれていた。
やはり、AIの話は研究者に喋らせるべきだと感じた。

因果推論の科学 「なぜ？」の問いにどう答えるか

ジューディア・パール / ダナ・マッケンジー / 松尾豊 / 夏目大

『自主的に薬Dを服用した患者の寿命Lの観察頻度は、数学的にはP(L|D)という式で表すことになる。これは、統計学の教科書に出てくる標準的な条件付き確率の式だ。この式が表現しているのは、患者が薬Dを服用したのを見て考慮に入れた場合の寿命Lの確率Pである。P(L|D)とP(L|do(D))ではまったく違うことに注意してほしい。見ること（観察）と行動すること（介入）は根本的に違う。そしてこの違いは、私たちが気圧計の測定値の低下を嵐が来る原因とみなさない理由の説明になる。気圧計の値が下がっているのを見て、それを考慮に入れれば、嵐の確率は上がっていると考えていいが、気圧計の値を無理に下げたとしても、嵐が来る確率に変化は起きないのだ』―『序章 「因果推論」という新しい科学／因果ダイアグラムと記号言語』

1999年に書いたテクニカルノートの冒頭に「一般に回帰法を用いたデータ処理においては、データ空間の中に潜在する関係を見い出すデータモデリングに着目した部分と、データから推定されたモデルの評価／最適化に着目した部分があり、各々に技術的な要素がある。ここではまずデータモデリングの部分について技術的要素を整理し、その後、モデルの評価／最適化に係わる技術的要素について言及する」と記してある。拙い論考ではあるが、ここでデータ解析の実務者としての自分が考えていたことは、物理学的なデータ間の関係性と統計学的な関係性とは分けて考えておかなければならない、ということであったと顧みる。如何にそれらしい関係性をデータ群から見出しても物理学的な関係性に落とし込めなければ意味はないとの戒めが当時の自分にもあったのだ。だからこそ、非線形の回帰法を利用しつつ如何に物理的な裏付けのある関係性を見い出すかということを懸命に模索していた時にこんなメモを残したのだ。その「物理的な関係」を広義に言い直してみれば「因果律」ということになる。それは、原著のタイトル「The Book of Why」の答えとしてデータを前にした者が求めたいものである。しかし、アインシュタインは一般相対性理論を展開する中で全ての事象は相対的な関係でしか著せないと言った。事象Ａに事象Ｂが先行しているように見える世界もあれば、その逆に見える世界も同時に存在し得る。だとすればＡがＢの結果であるという単純な因果律など存在しないのかという極端な話にもなるが、ヒトは自分の生きている世界観の中で因果律を求めたがる生き物だ（だからこそ都市伝説や陰謀論に引き付けられる人々も多いのだろう）。ラプラス的世界観は現代物理学では否定されているにも拘らず、人は因果律を求めその応用として未来を予想しようとする。閑話休題。

本書は、一般ビジネス書の書棚に平積みされるような本ではあるけれど、決して万人が読んですぐに得心できる類の本ではない。少なくとも、統計学的な一般素養が必要とされる。統計学的な一般素養とは、単に統計処理ソフトを使えるという意味では決してなくて、その処理で用いられている手法についての理解、データを扱う上での注意点などを理解している、という意味である。例えば、職場のパソコンに必ず入っているであろう表計算ソフトを利用して二つのデータの関係性が近似式で散布図に挿入されたのを見て係数を知れば充分という人に、この本はお勧めできない。多変量解析において独立変数の選択や次元の呪いに苦しんだことがあり、より自然な関係性を求めて非線形の関係式をモデルとして検証したいと思いつつ不用意な変数の変形によるデータの偏重を如何に避けるかということに取り組んだことのある人であれば、ひょっとすると面白く読めるかも知れない。データマイニング的な手法を扱ったことがあれば申し分ないし、ディープラーニングの理論的な側面を学んだことがある人なら正に著者が想定している読者になれるだろう。それでも統計学者ではない実務者にとってはやや意外でもある「因果律」を否定する統計学界の風習に対して、それを形而上学的な論争ではなく数学的に自明な解決を目指して理論を展開してきた著者の技法については、この本を読んだからと言って完全に理解できる訳ではない。だが、著者が何故「因果ダイアグラム」という手法に拘り、do演算子などを駆使して「左辺」と「右辺」の関係性を単純な「対比」から「因果」へ導こうしているのかの主張はよく理解できる。ただし繰り返しになるが、表計算ソフトで回帰分析をする際に、ＸとＹを入れ替えることの意味や主成分分析との違いを（つまり、観測されたデータは、観測されていないデータも含めたデータ群が形成する空間をより低い次元の空間に落とし込んだ「影」に過ぎないのだと）認識していない人には、回りくどく、そして、やや自慢話的な語りの多い本書はとても読み難い本ではあるだろう。

『科学的な問いの中でも回顧的な思考が関わるものには、「反事実」と呼ばれる因果推論に特有の、別の種類の表現が必要になる。たとえば、ジョーが薬Dを服用して、一カ月後に死亡したとする。ここで問いたいのは、果たして薬Dは彼の死の原因なのか否かということだ。この問いに答えるには、ジョーは薬を服用しようとしていたが、結局は気が変わって服用しなかった、という架空の筋書きを想像する必要がある。この場合、果たしてジョーは死なずに生きているだろうか。すでに書いたとおり、古典的な統計学はデータを要約するだけである。つまり、この問いを表現するための言語すら持っていないということだ』―『序章 「因果推論」という新しい科学／反事実的推論の重要性』

著者が断言する「データは何も教えてくれない」とは、実に刺戟的だが、昨今のディープラーニング型の人工知能信奉が蔓延る中、心に留めておくべき言葉であると思う。そんな風潮に流される若い世代の技術者に接して思い出すのは、データ解析初学者であった頃によく先達から言われた「ガーベージ・イン・ガーベージ・アウト」という言葉。何でも良いから大量のデータを読み込ませて、どうしてそうなるのかも解らない畳みこみニューラルネットワークの出した答えが見た目それらしいからと言って受け入れる風潮には自分も違和感がある。私見だが、ニューラルネットワーク的な手法がやっているのは極端に言えばデータのオーバーシュートで、幾重にも再帰的に入れ子になった多変量の多項式。そこから見い出される関係性の頑健性はそもそも考慮されていない。データには常にエラーがあり、それを理解しつつ確度の高い関係性を構築するかが本来解析者のやるべき仕事ではないのか。そんな誰に言うともなく言いたかったことを久しぶりに思い出した。

超ＡＩ入門 ディープラーニングはどこまで進化するのか

松尾豊 / NHK「人間ってナンだ？超AI入門」制作班

日進月歩の分野としては、やや古い本になってしまうのかもしれないが、昨今のAI絵やAI文章の簡単な仕組みが理解できた。わかりやすい。