酒見悠介｜ ヒトの脳に学びつつ“超省エネな人工知能”の開発を目指す研究者

人工知能、いわゆるAIの消費エネルギーを下げるための研究を行っています。最近のAIはモデルの大規模化が進んでいて、１つの予測結果や判定結果を導き出すために何度も何度も計算を行う必要があるんです。計算をたくさん行うということは、それだけ大量のエネルギー電力、もっと言うと “お金” が必要になるということです。私の研究は、そういったAIの消費エネルギーの問題を、人間の脳の知見を活用することで解決することを目指しています。

もちろんAIの種類によって大きく異なりますが、有名どころで言うと、世界トップ棋士に勝利した囲碁AIである「AlphaGo」の消費電力は30万Wと言われています。一方で、人間の脳の消費電力はわずか20Wです。つまり、AlphaGoは人間の1万5000倍のエネルギーを使っていることになります。

そうなんです。生物は常に飢餓のリスクに晒されているので、消費エネルギーを極力少なくする方向に進化してきたはずです。私の研究もまさに、脳の「高いエネルギー効率」と「高い推論能力」を、どうやって同時に実現するかに焦点を当てたものになっています。

人間の脳のように動作する脳型コンピュータを作るのです。脳型コンピュータには面白い特徴が二つあって、一つ目はアナログ回路でできている点です。もう一つは、脳の計算原理を基に動いている点です。

まず、一つ目のアナログ回路についてなんですけど、現在のコンピュータはすべてデジタル回路で作られています。デジタル回路とは情報を「0」か「1」で表現して動く回路です。一方で、アナログ回路は、情報を電圧値などの連続値を使って動く回路です。最近はデジタル化、デジタルトランスフォーメーションなど、とにかく「デジタル」が注目されていますが、実はAIの計算においては「アナログ」が最先端なのです。

デジタル回路は、情報を保存するメモリと、計算を実行するプロセッサで構成されているのですが、AIを計算するときには、AIモデルの情報をメモリからプロセッサに移動させるときに大部分のエネルギーが消費されてしまいます。これはフォン・ノイマン・ボトルネックとして知られています。

一方で、脳型コンピュータでは、AI計算をするアナログ回路が、モデルそのものであるので、余分な情報の移動はなく、エネルギー効率が飛躍的に向上するのです。

はい、さきほどのアナログ回路なんですけど、実は扱いがめちゃくちゃ難しいんです。設計通りに動かず、ノイズまみれで動作信頼性に欠けます。いままでアナログコンピュータが使われてこなかった原因がそこにあります。

一方で、脳はアナログ的な動作を完璧に実現させているんです。これは、本当に凄いことです。なので、脳の計算原理に倣えば、高い信頼性をもつ脳型コンピュータが作れると考えています。

ここが脳型コンピューティングの最も難しくて、最も面白いところなんです。実は、脳の計算原理ってほとんどわかっていないんですよね。様々な脳のモデルは打ち出されていますが、脳の理解にはまだまだ遠いのが現状です。これは、脳が複雑だということもありますが、脳の活動を測定するのがとても難しいからなんです。

ですが、単一ニューロンの動作や、小規模なネットワークの動きとかは、かなりわかってきています。よく知られているものとして、ニューロンはスパイクと呼ばれる短い電気パルスで情報のやりとりをしています。このような知識を活用することで脳型コンピュータを作っています。

そうですね。最近は、神経科学とAIの境界も不鮮明になってきているので、分野を超えたアプローチがとても重要だと感じています。

とくに強く願ったことはないのですが、子供のころから一番興味が向いていたのは自然の仕組みだったので、自然な成り行きな気がします。とはいえ、今研究者としていられているのは運が良かったからですね。企業でも研究が続けられたのは本当に幸運でした。

元々は理論物理学をやりたかったんですが、応用先がなかなか想像できない研究ではあまりモチベーションが上がらなかったのと、実際の物理現象を手で扱ってみたくなり、大学院からは実験物理学を専攻しました。博士課程を卒業した後は、また新しいことをしたくなってノープランで企業の研究所に入りました。そこで偶然、脳型コンピュータを作るニューロモルフィック・エンジニアリングという分野に出会って、今では「これは人生かけてやってもいいかな」と感じています。

体力と……という話ではないですよね (笑)。難しいですが、最近では、人との出会いを大切にしています。企業に入ったとき、物理学から離れ、一から再スタートだったのですが、そこから恩師や師匠と呼べるような方々に出会うことができて、いまの研究の形ができました。大学に移ってまだ一年ですが、共同研究が複数立ち上がったり、友人ができたりと、充実した研究生活を送ることができています。

あとは損切りですね！　うまくいかないと思ったものは早くやめて、次に行く、と言うことですね。

企業でも割と自由だったのですが、大学に移って、より自由に研究ができるようになり、毎日楽しく過ごしています。楽しいのが一番のモチベーションです。

あとは、追い詰められたときに起死回生のアイデアが浮かんだりしたときですね。早く試したい！と、はやる気持ちで、実際にそのアルゴリズムがうまく動いてくれるととても嬉しいです。やったことはないのですが、生活費を使ってガチャを回しているような感じでしょうか。

毎回うまくいくとわかっていたら、そこまで嬉しくないですよね。程よい不確定性があるが故に、成功したときに幸せな気持ちになれるんです。一喜一憂するのもいい刺激です。こういった不確実性は神経科学的にも学習に大きく関わってくると知られているので、本能的なものなんでしょうね。

AIの研究発展は異常なほど早いですし、半導体産業は政治に大きく左右されます。今までは目の前の研究で成果を出すことに集中しがちでしたが、これからは異なる分野の研究や社会にも目を向けつつ、研究の方向をダイナミックに修正していけるようになりたいです。

あと、研究の中身に関してなんですが、私のテーマは、AIの数理的な研究と、集積回路を設計する実学的な研究の両輪で進めています。特に集積回路に難しさを感じていて、教科書に載っていないノウハウが多くて一人で進めるには限界があります。そういった２つの異なる技術を繋げるのが思ったよりも大変です。

そうですね。前に、数理的に都合のいい回路を設計して、回路の専門家に見てもらったのですが、「全然ダメだよ」と言われたことがあります。なので、今は２つとも自分でやるようにしています。

去年の２月に、いい感じのアルゴリズムを思いついて２ヶ月くらい検証したんですが、いい結果が出ていたのはデータセットの特殊な性質によるもので、要はたまたまだった、ということがありました。頂いていた研究資金との関連もあって、かなり焦りました。

そうですね。その時は、すぱっと諦めて、全く新しいアイデアを思いつくことができました。失敗は強制的に他のことをしっかり考える機会になるので、いい胃の痛みだと思っています (笑)。

これまではアルゴリズム中心の研究をやってきていて、机上ではうまくいくというとこまでわかってきました。今後は、それがアナログ集積回路上でも実際にうまくいくか実証して、その結果を元にアルゴリズムを改善するというような、いい研究のサイクルを回していきたいです。