AI・機械学習の最大の学会であるInternational Conference on Machine Learning(ICML)が開催され、ワークショップでは研究テーマごとに最新技法が議論された。今年はAIのブラックボックスを解明する技法の研究が進み、フェイクイメージが生成されるメカニズムが見えてきた。

出典: Bolei Zhou et al.

Explainable AI

AIはブラックボックスでアルゴリズムの判定ロジックが分からないという問題を抱えている。AIが判定理由を説明する機能は「Explainable AI」と呼ばれ重要な研究テーマとなっている。イメージ判定の分野で研究が進み、AIは判定理由をヒートマップで示す。(下の写真左側：AIは写真を歯磨きをしているシーンと判定したが、その根拠をヒートマップで示している。歯ブラシとそれを持つ手から歯磨きと判定した。右側：木を切っているシーンではチェーンソーと人間の頭部が決め手となった。)

出典: Bolei Zhou et al.

Extending Explainable AI

今年のテーマはこれを拡張した技法の研究で「Extending Explainable AI(XXAI)」と呼ばれる。ワークショップでExtending Explainable AIの研究成果が発表され、Chinese University of Hong KongのBolei Zhou助教授が、GAN(Generative Adversarial Networks)がフェイクイメージを生成する仕組みについて講演した。

GANとは

GANとは二つのAIが競い合ってフェイクイメージを生成する技法を指す。作画AI(Generator)がフェイクイメージを生成し、これを判定AI(Discriminator)が真偽を判定する。作画AIの技量が上がると、完璧なフェイクイメージを生成し、判定AIは騙され、これを本物と認定する。今では高解像度のフェイクイメージが生成され、本物との見分けはつかない(下の写真、BigGANという手法で生成された高精度イメージ)。

出典: Andrew Brocket al.

GANがフェイクイメージを生成する仕組み

GANはGeneratorが生成したイメージをDiscriminatorが真偽を判定し精度を上げるが、この研究ではGeneratorに着目し、入力データをイメージに変換するプロセスを解明した。GANは入力されたデータ(ランダムな値)を各ノードで処理して最終イメージを生成するが、各ノードはイメージ生成で特定の役割を担っている。

(下の写真、GANのGenerator(左側のネットワーク)のノードは役割が決まっている。黄色のノードは雲を生成する。青色のノードは草を、肌色のノードはドアを生成する。生成されたイメージ(右側：generated image)は教会の周りに草木が茂り背後には空が見える写真となる。)

出典: Bolei Zhou

入力データとイメージの関係

今年は、上述の研究をもう一歩進め、入力データがイメージ生成にどのように関わっているかを解析した。入力データはランダムなベクトルで構成されLatent Spaceと呼ばれる。つまり、教育済みのGANにランダムな数字を入力すると寝室などを描き出す(先頭の写真)。ここで、入力する数字を変えると、寝室の内容が変わる。(先頭の写真上段：寝室を見る視点が変わる。下段：寝室のランプの輝度が変わる)。

データの役割を見つけ出す手法

入力データの数字を変えることで寝室のランプの輝度が増し部屋が明るくなるが、どのデータがこれに関与しているかは、生成されたイメージを分類することで特定する(下の写真)。具体的には、イメージフィルター(attribute classifier、F()の部分)で生成したイメージを区分けし、更に、イメージフィルターを入力データ(Latent Space Zの部分)で教育することで、どのデータがイメージ特性に寄与しているかが分かる。

出典: Bolei Zhou et al.

InterFace GAN

この仕組みを人の顔に適用すると入力データを操作することで顔の特性を変えることができる。この手法はInterFaceGANと呼ばれ、入力データの意味(Latent Space Semantic)を理解して、データを操作し、顔写真を編集することができる。Latent Space Semanticは年齢、メガネの着装、性別、顔の向き、表情などの意味を持ち、これらのデータを編集することで、顔写真を編集できる。(下の写真：左端の人物が、年を取り、メガネをかけ、性別を転換し、顔の向きを変えたケース。)　

出典: Bolei Zhou et al.

GANのメカニズムの解明が進む

今年のメインテーマは説明責任のあるAIの拡張版Extending Explainable AIで、イメージ判定(Convolutional Neural Networks)だけでなく、ランダムフォレスト(Random Forrest)や強化学習(Reinforcement Learning)やGANなどに対象が拡張された。上述の事例がGANのケースでアルゴリズムがイメージを生成するメカニズムが分かってきた。これにより、データを操作するだけでイメージを編集できGANの応用分野が広がってきた。

食品産業はデジタルトランスフォーメーションを進め、先端技術を応用して食品の生成を始めた。ついに、牛乳を使わないアイスクリームが登場した(下の写真)。これは合成生物学の手法で生成したアイスクリームで、動物性たんぱく質を含まない健康食品として注目されている。実際に、食べてみると、本物のアイスクリームの味がして、次世代の食が生活に入ってきたことを感じた。

出典: Perfect Day

Perfect Dayという新興企業

これを開発したのはEmeryville(カリフォルニア州)に拠点を置く新興企業Perfect Dayで、牛乳を使わないで、植物性の糖を発酵させてたんぱく質を生成する手法を取る。コメに麹を加えて発酵させ日本酒を醸造するように、アイスクリームの元となる牛乳を“醸造”する。このアイスクリームはビーガンアイスクリーム(Vegan Ice Cream)に区分され、菜食主義の人も食べることができる健康食品として人気が高まっている。

アイスクリーム専門店

Perfect Dayはアイスクリーム専門店Smitten Ice Creamで売られている(下の写真)。数多くの種類のアイスクリームが売られているが、Perfect Dayは四つのフレーバーを提供している。

出典: VentureClef

実際に食べてみると

その中で、イチゴアイスクリーム(Fresh Strawberry、下の写真)を食べたが、本物のアイスクリームの味がしてとても美味しかった。ミルク独特のしつこさはなく、さっぱりとした味で、むしろ本物より美味しいかもしれない。多くのビーガンアイスクリームを食べたが、Perfect Dayの完成度は高く、本物に一番近いアイスクリームである。

出典: VentureClef

健康食品としてPR

Smitten Ice CreamはPerfect Dayを健康食品と位置付けプロモーションを展開している。店舗の説明によると、Perfect Dayは動物性たんぱく質(animal milk protein)を含んでいない食品と説明している。また、乳糖(lactose)やコレステロール(cholesterol)やホルモン(hormone)も含んでおらず、健康な食品であることをアピールしている。

たんぱく質を生成する手法

このアイスクリームは牛乳のたんぱく質を発酵のプロセスで生成する。発酵プロセスでは麹のような微生物(microflora)が必要になるが、これを遺伝子編集の手法で生成する。人工的に生成した微生物を植物性の糖(plant sugar)に加えて発酵させ、牛乳を構成するたんぱく質(wheyとcasein)を生成する。生成されたたんぱく質は植物由来であることから「flora-made dairy protein」と呼ばれる。

出典: VentureClef

牛乳を使わない理由

Perfect Dayはアイスクリームの他に、牛乳を使わないチーズやヨーグルトを開発している。Perfect Dayが牛乳を使わないで食品を生成する理由は地球温暖化問題と関係する。乳牛を生育するためには、大量の飼料や水を必要とし、地球環境に大きな負荷をかける。また、牛が排出するガスは地球温暖化の原因となる。食肉や牛乳を畜産の方式で提供する方式は事業として成立しなくなり、合成生物学の手法でたんぱく質を生成する方式が注目されている。

多くのビーガンアイスクリームが売られているが

既に、数多くのビーガンアイスクリームが販売されているが、これらは大豆や麦やナッツのたんぱく質を抽出して作られている。食べてみると植物性たんぱく質の味がして、それ程美味しいとは感じない。あるブランドは麦から抽出したたんぱく質を使っているが、アイスクリームの味はするが、かすかに日本の豆腐の味がして、この手法の限界を感じる。

食生活が充実

これに対してPerfect Dayは牛乳のたんぱく質そのものを合成生物学の手法で生成するので、食べると本物のアイスクリームの味と見分けはつかない。今までは健康に留意してアイスクリームを食べることを控えていたが、Perfect Dayの登場で再び美味しいアイスクリームを食べることができ、食生活が充実した(上の写真)。

コロナがデジタルトランスフォーメーションを加速しているが、レストランもデジタル化を進めている。デジタルなレストランはGhost Kitchenと呼ばれ、店舗を持たない配送専門の飲食店となる。Ghost Kitchenはキッチンだけの施設で、注文を受けた料理を調理し、消費者宅まで配送する。DoorDashは仮想レストラン「DoorDash Kitchens」をシリコンバレーにオープンし営業を開始した(下の写真)。

出典: VentureClef

オンデマンドの出前サービス

DoorDashはサンフランシスコに拠点を多く新興企業で、レストラン出前サービスで急成長している。コロナの感染拡大でレストランは営業自粛を求められ、事業存続の危機に瀕している。多くのレストランは生き延びるため、DoorDashなどのオンデマンド配送サービスを利用し、宅配に特化した事業モデルにシフトしている。

DoorDash Kitchens

DoorDashは新たな試みとして仮想レストランの事業を始めた。これが「DoorDash Kitchens」で、シェフや事業者向けに調理場を提供する。シェフは店舗を持つ必要はなく、DoorDash Kitchensを借りて、簡単にレストランを運営できる。DoorDash Kitchensはダイニングスペースはなく、出前と受け取り専用のレストランとなる。

実際に使ってみると

実際にDoorDash Kitchensを使ってみたが、美味しい料理を短時間で受け取ることができ、とても便利だと感じた。専用アプリでレストランを選択し、そこで料理を注文し、それをDoorDash Kitchensで受け取る手順となる。ここでThe Italian Homemade Companyというレストランでパスタを注文し(下の写真、左側)、指定された時間にDoorDash Kitchensに出向き、料理を受け取った(下の写真、中央)。

出典: VentureClef

店舗で料理を受け取る

DoorDash Kitchensに到着すると、店舗は人目を引くデザインで、入り口にはDasher(宅配スタッフ)たちが出前の順番を待っていた(先頭の写真)。店舗内部にはダイニングスペースはなく、調理された料理がパッケージされ、棚に置かれていた(下の写真、左側)。棚の裏側がキッチンになっており、複数のレストランが入店し、ここで注文を受けた料理を調理する(下の写真、右側)。

出典: VentureClef / DoorDash

シンプルで美味しい料理

ここでラビオリ(Ravioli)とニョッキ(Gnocchi)とフェットゥチーネ(Fettuccine)を注文したが(下の写真)、ベーシックなイタリアンで美味しかった。レストランでは手の込んだ料理が出るが、DoorDash Kitchensではシンプルで美味しい料理をキッチンで量産する仕組みとなる。ここには複数のレストランが入っており、イタリア料理の他にハラール料理やタイ料理など６店舗が入居している。

出典: VentureClef

事業戦略

DoorDash Kitchensはレストランのターンキーソリューションで、シェフはレストランを開設することなく簡単に事業を開始できる。また、DoorDashが調理した料理を宅配するので、シェフは調理に専念できる。DoorDash Kitchensがレストランというプラットフォームを提供し、シェフはここで仮想レストランを運営する。ちょうどクラウドの上でシェフというアプリが動く形態で、クラウド・レストランとも呼ばれる。コロナの感染が広がる中、DoorDash Kitchensのようなクラウド・レストランに注目が集まっている。

出典: VentureClef

アウトドアダイニング

レストランはデジタル化を進めるとともに、ダイニングスペースをオープン化する試みを始めた(上の写真)。マウンテンビュー市は通りを歩行者天国とし、レストランはここにソーシャルディスタンスを保ってテーブルを配置している。屋内の閉じた空間では感染の危険性が高く、オープンスペースで安全なダイニングを提供する。コロナ感染が急増しているので出向くのをためらうが、営業時間にはテーブルはほぼ満席で、レストランの新モデルとして注目されている。

Tesla CEOのElon Muskは中国・上海で開催されたAIイベントで、完全自動運転車を今年末までにリリースすることをビデオメッセージで表明した。これは「Full Self-Driving」と呼ばれ、レベル５の自動運転機能で、ドライバーの介在無しにクルマが自律的に走行する。また、これを支えるAIについて、基本機能は問題ないが、まだ解決すべき課題があることも明らかにした。

出典: Tesla

自動運転車の方式

自動運転技術は完成度が上がり、無人走行の試験が進んでいるが、クルマはどこでも走れるわけではない。自動運転車は事前に定められた域内だけで運行できる設計で、域外では自動走行できない。これに対しTeslaは、AIが人間のドライバーのように視覚(カメラ)の映像だけでハンドルを操作し、初めての街でも自律的に走行できる。これを支えているのが高度なAIでその構造と課題が明らかになった。

Waymoのアプローチ

Waymoなど多くの自動運転車はLidar(レーザーセンサー)とカメラを組み合わせて周囲の状況を把握する。更に、走行前にその地域の詳細なマップ(Base Map)を作成しておき、クルマはこれに沿って自動走行する。マップは仮想レールともいわれ、クルマは事前に定められたコースを忠実に走行する。

Teslaのアプローチ

これに対して、Teslaはカメラだけで自動運転機能を実現する極めて先進的なアプローチを取る。また、詳細マップは不要で、AIが人間のドライバーのように、初めての街でも運転できる。つまり、メーカーはクルマを販売するだけで、詳細マップの開発や更新は不要となり、事業規模を制約なしに拡大(Scalability)できる。Teslaは自動運転車事業を成功させるためにはこのアプローチしかないと主張する。

Teslaの自動運転技術

Teslaは「Autopilot」と「Full Self-Driving」の二種類の自動運転機能を提供している。Autopilotは運転支援機能で、ドライバーに代わりソフトウェアがクルマを制御する。クルマは周囲の車両の速度に合わせて走行し、車線を認識しレーンをキープする。Autopilotは限定的な自動運転機能で、ドライバーは両手をステアリングに添えておく必要がある。Autopilotはすべての車両に搭載されている。

Full Self-Driving

Full Self-Drivingは高度な自動運転機能で、高速道路や市街地を自動で走行する。高速道路では、入り口から出口まで自動走行し(Navigate on Autopilot)、車線変更も自動で行う(Auto Lane Change)。また、自動で駐車する機能や、駐車場からドライバーのところに自動で移動する機能もある(Smart Summon)。更に、市街地においては信号を認識し、自動で走行する。これは「Autosteer on City Streets」と呼ばれ、完全自動運転車の中核機能となる(下の写真)。この機能は2020年末までにリリースされる予定で、これでレベル５の完全自動運転車が完成する。

出典: Tesla

完全自動運転車がデビュー

市販されているクルマはFull Self-Drivingに必要なセンサーやプロセッサ(FSD Computer)を搭載しており、ソフトウェアのアップデートで完全自動運転車となる。クルマを購入する際にFull Self-Drivingを選択するとこの機能を使え、価格は8,000ドルに設定されている。Full Self-Drivingのリリース時期は当初の予定から遅れたが、ついに年内に製品が登場する見込みが濃厚となった。他社が苦戦する中でTeslaが先行して完全自動運転車を市場に投入することになる。

【技術情報：Full Self-Drivingの仕組みと課題】

システム全体の構造

Teslaは自動運転システムについて明らかにしており(下の写真、左側)、AIのアルゴリズム教育から実行までを統合して実行する。市販車両はカメラで路上のオブジェクトを撮影するが、これらはデータベース「Data」に集約される。これを使ってアルゴリズムを教育(「Dojo Cluster」と「PyTorch Distributed Training」)し、その結果を検証「Evaluation」する。教育されたアルゴリズムはオンボードコンピュータ「FSD Computer」に実装されクルマを制御する。これに加えもう一つのAIがこの背後で稼働し、密かに自動運転の訓練を積んでいる(Shadow Mode)。

出典: Tesla

ニューラルネットワークの構造

ニューラルネットワークは「HydraNet」と呼ばれ、カメラが撮影した映像を解析する。HydraNetは共通機能「Shared Backbone」に特定機能を搭載した構造となる(上の写真、右側)。共通機能はイメージ判定ネットワーク(ResNet 50)で構成され、ここでオブジェクトの種別を判定する。この情報を元に、特定機能がオブジェクト判定(Objects)や信号機の読み取り(Traffic Lights)などを行う。共通機能に複数の特定機能が首のようについており、その形が妖怪ヒドラに似ていることから、HydraNetと呼ばれる。

ニューラルネットワークの機能

HydraNetは道路周辺のオブジェクトを認識し、信号機や車線などを把握する。クルマはこの情報を元にレーンをキープし、赤信号で停止する。HydraNetは単体で使われるだけでなく、複数のネットワークを組み合わせ、複雑なタスクを実行する。例えば、二つのカメラが撮影した映像を二つのHydraNetで処理し、それを重ね合わせてオブジェクトを３Dで把握する(下の写真)。この他に、複数のHydraNetで道路のレイアウトを把握することもできる。

出典: Tesla

AI専用プロセッサ

TeslaはAI処理専用プロセッサ「FSD Computer」(下の写真、左側)を独自で開発し、これをクルマに搭載し、AIを高速で処理する。このボードは二つのチップ「FSD Chip」を搭載し、チップにはAI処理装置「NPU」を積んでいる。クルマに搭載されているAIの数は多く、これらを処理するためには高性能AIプロセッサーが必要になる。クルマで48のニューラルネットワークが稼働し、1,000種類の判定結果(Tensor)を出力する。高速で走行するクルマはリアルタイムでこれらのAIを実行することが必須要件となる。

出典: Tesla

クルマがオブジェクトを認識

クルマに搭載されたHydraNetは走行中にカメラが撮影した映像から、そこに映っているオブジェクトを判定する(下の写真、左側)。クルマや歩行者などの他に、道路の車線や道路標識などを把握する。このケースは一時停止標識「Stop」を検知した状況で、HydraNetが正しく道路標識を認識できるかがクルマの安全性に結び付く。

出典: Tesla

アルゴリズム教育

このため、HydraNetは写真に写っている市街地の様々なオブジェクトを使って教育される。市販のクルマは搭載しているカメラで走行中に車線や道路標識や歩行者など数多くのオブジェクトを撮影し、これらの映像はTeslaのクラウドに送信される。Teslaは、写真に写っているオブジェクトの名称を付加し(上の写真、右側)、これを教育データとして使う。市販車両が撮影した大量の映像が教育データとして使われ、ドライバーはAI教育に寄与していることになる。

Data Engine

アルゴリズム教育では如何に多種類のデータを揃えるかでAIの認識精度が決まる。例えば、一時停止標識の見え方は様々で、街路樹に隠れて見えにくいケースや、夜間の暗がりで判別しにくいものがある(下の写真、左側)。Teslaは収集した映像の中から、異なるケースのオブジェクトを見つけ出すAI「Data Engine」を開発した。Data Engineは路上で起こりえる様々なケースを見つけ出し、アルゴリズムの判定精度を向上させる。

出典: Tesla

データのロングテール

つまり、HydraNetの教育ではロングテールのデータを如何に大量に収集できるかで判定精度が決まる。クルマは走行中に考えられない事象に出くわす。トラックの荷台から椅子が落ち、クルマで犬を散歩させているシーン(上の写真、右側)に遭遇する。Data Engineはこれら非日常的なシーンを見つけ出し、これらのデータでアルゴリズムを教育すると、めったに起こらない事象にも対応できるAIが完成する。TeslaによるとAI開発の難しさはアルゴリズムではなく、これらロングテールのデータを揃えることにあるとしている。

Software 2.0

クルマのソフトウェアはAIとコーディングの部分で構成される。初期のソフトウェア(Software 1.0)はAIの判定結果を人間がC++でコーディングしてオブジェクトの意味を判断していた。最新のソフトウェア(Software 2.0)では、AIが独自でオブジェクトの意図を把握する。今ではソフトウェアに占めるAIの部分が大きくなり、入力から出力までプログラムの介在なく、AIが処理を担う方向に進んでいる。(下の写真、割り込みを検知する事例：Software 1.0ではルールをコーディングしてこれを検知(左側)、Software 2.0ではAIが事例を学習してこれを検知(右側)。)

出典: Tesla

Bird’s Eye View Network

クルマが走行中に走行経路を予測するために専用のAI「Bird’s Eye View Network」が開発された。これは複数のカメラの映像(下の写真、上段)を繋ぎ合わせ、車線や道路の端や移動オブジェクトを把握し(下の写真、下段：青色が車線で赤色が道路の端を示す)、安全に走れるルートを算出する。クルマはこの解析データを元に走行する車線を決め、このネットワークが自動走行のブレインとなる。

出典: Tesla

自動運転技術の最後の壁

Bird’s Eye View Networkの精度が自動走行できる範囲を決める。実社会には上の事例のようにシンプルな交差点だけでなく、複雑な交差点が多数存在する。人間でもうまく運転できない場所は多く、走行経路をニューラルネットワークが如何に正確に予測できるかがカギとなる。こがTeslaの自動運転技術開発の大きな壁となり、これを乗り越えないと完全自動運転車は完成しない。AIがカメラだけで道路の形状を認識、走行経路を算定できるのか、学術研究のテーマとしても大きな意味を持っている。このため、Teslaは大学に呼びかけ、共同研究を通じブレークスルーを目指している。

Lidar対カメラ

自動運転車のアーキテクチャは二つに分かれ、WaymoのようにLidarを使う方式と、Teslaのようにカメラを使う方式になる。前者が主流でクルマはLidarとカメラを併用して自動走行を実現する。一方、Teslaは独自の道を歩み、カメラだけでこれを実現する。ハードウェアの助けを借りないでソフトウェアでこれを実現するもので、AIの開発成果が成否を握る。この方式が成功すると、製造コストは劇的に下がり、自動運転車が幅広く普及することとなる。Teslaはハイリスク・ハイリターンなルートを進んでいる。