[論文レビュー] Physical Artificial Intelligence: The Concept Expansion of Next-Generation Artificial Intelligence

Yingbo Li, Yucong Duan+6 more|arXiv (Cornell University)|May 13, 2021

Anomaly Detection Techniques and Applications参考文献 25被引用数 5

ひとこと要約

本論文は、デジタル信号処理を越えて統合的・分散的物理システムを含む次世代のAIとしての物理的人工知能（PAI）を提唱する。PAIの意味的理解を構造化するためにDIKWと知識グラフを活用する一方で、物理的展開に伴い顕在化するセキュリティ、バイアス、社会的受容性といったガバナンス課題に対処する。

ABSTRACT

Artificial Intelligence has been a growth catalyst to our society and is cosidered across all idustries as a fundamental technology. However, its development has been limited to the signal processing domain that relies on the generated and collected data from other sensors. In recent research, concepts of Digital Artificial Intelligence and Physicial Artifical Intelligence have emerged and this can be considered a big step in the theoretical development of Artifical Intelligence. In this paper we explore the concept of Physicial Artifical Intelligence and propose two subdomains: Integrated Physicial Artifical Intelligence and Distributed Physicial Artifical Intelligence. The paper will also examine the trend and governance of Physicial Artifical Intelligence.

研究の動機と目的

• デジタルAIを超えた理論的・実践的限界を克服するため、物理的人工知能（PAI）を次世代AIの重要な進化として概念化すること。
• PAIフレームワークを拡張し、統合PAI（ロボットなど共存システム）と分散PAI（IoTネットワークなど分散システム）の2つのサブドメインを導入すること。
• 物理的展開に伴い顕在化するセキュリティ、データバイアス、プライバシー、社会的受容性といったガバナンス課題を、複雑で現実世界に即した展開環境において解決すること。
• DIKW（データ・情報・知識・知恵）と知識グラフを、PAIの多様なデータを組織し、推論する基盤フレームワークとして提案すること。
• PAIを将来の産業的・社会的応用の基盤的技術として位置づけ、デジタル信号処理を超えたAIの進化を促進すること。

提案手法

• AIをデジタルAI（信号処理）と物理的AI（現実世界との相互作用）に分類し、PAIはさらに統合PAI（共存システム、例：ロボット）と分散PAI（分散システム、例：IoT）に分類する。
• DIKW階層を、生のセンサデータから実行可能な知恵に至るPAIのデータフローを構造化する概念的フレームワークとして導入する。
• 知識グラフを、マルチソース・マルチレイヤーのPAIデータ間の意味的関係をモデル化するメカニズムとして提案する。
• 物理的展開に起因するセキュリティ、偽造データ（例：ディープフェイク）、プライバシー、アルゴリズムバイアスの4つの次元からPAIのガバナンス課題を分析する。
• Cannikin法則を用い、材料工学、機械工学、バイオテクノロジーなど分野間の相互依存性がPAI開発におけるシステム的ボトルネックを形成することを強調する。
• PAIのガバナンス課題をデジタルAIのそれと比較し、物理的普遍性とリアルタイム相互作用に起因する複雑性の増大を強調する。

実験結果

リサーチクエスチョン

• RQ1 物理的人工知能（PAI）は、従来のデジタルAIを超えて、統合的・分散的物理システムを含む形でどのように概念的に拡張可能か？
• RQ2 DIKWフレームワークと知識グラフは、PAIシステム内での情報フローの構造化と強化にどのような役割を果たすか？
• RQ3 PAIは、セキュリティ、データ真正性、プライバシーの面でデジタルAIと比較して、どのような独自のガバナンス課題を抱えているか？
• RQ4 分野横断的依存関係（例：材料科学、生物学）はPAI開発をどのように制限し、Cannikin法則の影響は何か？
• RQ5 AIシステムの物理的展開は、監視、バイアス、職業の喪失といった社会的懸念をどのように顕在化させるか？

主な発見

• PAIは、デジタル信号処理を越えて、ロボットなどの統合PAIやIoTネットワークなどの分散PAIを含むAIの必然的進化と提唱される。
• DIKWフレームワークは、PAIデータの意味的構造化を可能にし、生のセンサデータから実行可能な知恵への変換を可能にすると同時に、メタデータの関係を保持する。
• 知識グラフは、PAIシステムにおける複雑で多層的なデータを組織化する実用的技術的解決策として特定され、解釈可能性と推論能力の向上に寄与する。
• PAIは、デジタルAIに比べて顕著に拡大されたガバナンス課題を抱える。具体的には、データセキュリティリスク、ディープフェイクによる操作、プライバリ侵害、埋め込まれたアルゴリズムバイアスが含まれる。
• Cannikin法則は、PAI開発におけるシステム的リスクを示しており、コンピュータサイエンスなどの分野の進歩が、材料科学などの遅れやすい分野の進捗に制限を受けることを示している。
• 課題が存在するが、PAIは農業、エネルギー、ロボット分野における将来の産業的応用の基盤的技術として位置づけられ、広範な社会的・経済的影響を持つ。