バックナンバー
当年の月ごとコラム
コラム本文
Coexistence of Artificial intelligence (AI) with academia: a perspective（2024.01）
2023.01.09 Editor W. M.
AI is not a new concept, with the field in academia perhaps originally starting in the mid-1950s. In the decades since, however, AI has moved from the confines of universities and research institutes to the mainstream, and permeates all areas of society. Cycles of groundbreaking research and massive technological evolution have begun to blur the lines between human and machine intelligence. On the one hand, the possibilities for AI to improve many facets of our work and social lives are endless. On the other, AI taps into an age-old human condition: the fear of things that are unknown, or seemingly outside our control. In this column series, we highlight how AI is being used in the academic field, and discuss some of the key issues that researchers—and the wider public—face as we learn to coexist with AI. Before we begin, a question for the readership: how do you know a human has written this introduction?
日本語訳は次へ↓
学術界における人工知能との共存と今後の展望
「人工知能（AI）」という概念が世の中に登場したのは何年も前のことで、学術界では1950年代半ばから取り上げられてきたのではないでしょうか。しかし、学術界で注目を浴び始めてからの数十年間で、AIは大学や研究機関という閉ざされた環境だけでなく、人々の生活のあらゆる場面に取り入れられるようになりました。画期的な研究や目覚ましい技術改革を経た今、人間と機械の知能の境界線は曖昧になり始めています。確かに、AIは仕事の効率や日常生活の利便性を高めるうえで、無限の可能性を秘めています。その一方で、AIは未知の存在であり、制御不能にも見えることから、人間が本能的に恐怖を抱く対象でもあります。今回のコラムシリーズでは、学術界におけるAI活用の現状を紹介しながら、AIとの共存を目指すにあたり、研究者だけでなく一般市民も直面している主な課題を論じます。では、本題に入る前に質問です。「この序章を書いたのは人間だとどうしてわかるのですか？」
Humanities and social sciences（2024.02）
2023.02.02 Editor W. M.
As well as reaching into the future, AI is helping nations rediscover their past. From the cursive kuzushiji texts of Japan to the artistic Fraktur script of Germany, there is a wealth of information and knowledge that to date has been accessible to only a few scholars. AI is now increasing accessibility by recognizing language characters in millions of documents and transcribing it into modern language that can reach a much broader audience. A specific case is kuzushiji, a cursive form of Japanese that is understood by less than 1 in 10,000 of the native Japanese population. A combination of machine and deep learning has empowered computers to first recognize the ancient kuzushiji characters and then convert them into contemporary Japanese. Such work would take hundreds of years for human scholars to complete. The utility of AI in this and similar cases is clear, and few would argue that AI was harmful in this context. However, the automated transcription of texts can pose challenges in the academic sphere. For example, what happens if the majority of original texts portray only one perspective of the society in which they were originally written? Would this lead to a biased perception of that society? Also, who retains ownership of the transcribed data, and how will the transcribed data be used? Academics have a responsibility to ensure that community leaders are fully aware of the scope and aims of their studies, as well as the final destination of the processed data.
日本語訳は次へ↓
人文・社会科学
AI技術は将来を見据えるだけでなく、各国において過去の再発見にも役立っている。日本の「くずし字」からドイツの芸術的なフラクトゥールのような字体に至るまで、これまでは一部の学者しか解読できなかった情報や知識が数多く存在する。現在、AIは文書に含まれる何百万もの文字を認識し、より多くの読者が馴染む現代語へと書き換えて読解のハードルを下げることに貢献している。具体的な例としては、「くずし字」がある。「くずし字」は、日本語を母国語とする1万人に1人以下の割合でしか理解できない、日本語の草書体である。機械学習とディープラーニングを組み合わせることで、古典的な「くずし字」をコンピュータ上でまず認識し、それを日本の現代語に変換することができるようになったが、このような作業は、学者でも膨大な年月を要するだろう。こういった事例や類似した事例でのAIの有用性は明らかであり、この文脈においては有害性を主張する人はほとんどいないだろう。しかし、AIで文書を自動的に書き換えることは、学術的な領域において課題となる可能性がある。例えば、原典の記述の大部分が、当時の社会を一部しか反映していないとしたらどうだろう。当時の社会に対する偏見につながりはしないだろうか。また、書き換えられた文書は誰に所有権があり、どのように利用されるのだろうか。学者には、研究範囲や目的、A Iで処理したデータの最終的な行き先について、コミュニティリーダーが十分理解していることを確認する責任がある。
Natural sciences (Biology)（2024.03）
2023.03.14 Editor W. M.
The Italian polymath Galileo Galilei famously put forward the concept that ‘Mathematics is the language of nature’. How fitting, then, that we should now be using mathematics in the form of AI to understand and interpret natural processes. The sheer complexity of biological processes–––from the molecular and cellular level right up to entire ecosystems––seems a tailor-made challenge for AI to solve. However, AI models need to be trained before they can be set to task. This training requires generation of vast datasets, which in turn is facilitated by advances in technology and experimental methods. Perhaps the most well-known application of AI in the biology field is the use of DeepMind’s AlphaFold suite of programs to predict the structure of proteins. Usually, this requires time- and labor-intensive wetlab experiments such as X-ray crystallography and cryo-electron microscopy. Crystallography remains the gold standard for determination of protein structure. However, AlphaFold can provide an excellent prediction for an average-sized protein in just 15-20 seconds, whereas the lab-based approaches take days. At the other end of the biological scale, AI may help us to conserve precious ecosystems and protect endangered species. For example, the non-profit organization, Imazon, developed the Previsia AI platform to help predict where deforestation of the Amazonian rainforest is most likely to occur. Previsia looks for new roads springing up in the jungle, and then correlates their appearance with multiple other geographical, demographic and environmental parameters. Combined with historical records of deforestation, this allows Previsia to score the likelihood of deforestation in a particular area. In another example, Rainforest Connection have harnessed Arbimon, an ‘acoustic AI’ platform that allows organizations and researchers to listen to the all the sounds within a given ecosystem at scale and over time. This facilitates the identification of novel species, and the tracking of their behavior and response to changing environmental conditions (including those with a negative impact, such as deforestation and poaching). If such approaches can be combined with real-time responses from local and national governments to mitigate the environmental threats, we can look to the future of the natural world with a healthy optimism.
日本語訳は次へ↓
自然科学（生物学）
「自然は数学の言葉を使って書かれている」、イタリアの博学者であるガリレオ・ガリレイがこの概念を提唱したのは有名な話である。そうであるならば、ばAIで数学を自然現象の理解や解釈に利用することはいかにもふさわしい。分子・細胞レベルから生態系全体に至るまで、生物学的プロセスは非常に複雑であるため、AIが解決すべき課題としてはうってつけなのではないだろうか。ただし、AIモデルにこういった課題を課すためには、事前にAIモデルをトレーニングしておく必要がある。トレーニングには膨大なデータセットの作成が必要とされるが、テクノロジーや実験手法の発展によって容易となってきた。生物学分野でもっともよく知られているAIの応用例は、おそらくDeepMind社が開発した、タンパク質の構造を予測するための一連のAlphaFoldプログラムの利用であろう。通常、タンパク質の構造決定には、X線結晶構造解析やクライオ電子顕微鏡など、時間と労力を要するウェットラボの実験が必要である。依然として、結晶学はタンパク質の構造を決定するためのゴールドスタンダードであり、通常、こういった手法では平均的な大きさのタンパク質の構造決定に数日単位の時間を要する。しかしながら、AlphaFoldであれば、わずか15〜20秒で優れた予測結果を得られるのである。他方の生態系規模の話でいうと、貴重な生態系の保全や絶滅危惧種の保護にAIが役立つ可能性がある。たとえば、非営利団体であるImazonは、アマゾン熱帯雨林の伐採が最も起こりそうな場所を予測するために、Previsia AI platformを開発した。Previsiaは、ジャングルの中の新しい道路を探索し、地理的、人口統計的、環境的といった複数のパラメーターを関連付け、森林伐採の過去の記録と組み合わせることで、特定の地域における森林伐採の可能性をスコア化することができる。また別の事例として、Rainforest Connectionは、ある生態系内のすべての音を大規模かつ長期的にわたり、組織や学者が聞くことができる音響AIプラットフォームであるArbimonを活用している。これにより新種生物の同定や、環境条件の変化（森林伐採や密猟など悪影響を及ぼすものを含む）に対する生物の行動や反応の追跡が容易となる。こういったアプローチと、環境上の脅威の軽減を目的とした、地方自治体や国によるリアルタイムの対応を組み合わせることができれば、自然界の未来を健全な楽観主義的に見据えることができるのではないだろうか。