AI が『写真から推論する』を学べる新しい仕組み

「知識グラフ」って、AI が持ってる辞書みたいなもの？それとも、ネット上の情報をまとめたデータベースみたいなもの？

知識グラフって、その両方の役割をしてる仕組みなんですよね。 AI 学習の過程で、データセットから自動抽出された事実や、ネット上のオープンな知識ベース（Wikipedia のような）を構造化して格納したもの。「犬 → 動物」「パリ → フランス」みたいな関係性を、点と線でつながったグラフに整理する。その意味では、データベースに近い。 ただ、この記事の文脈では、その知識グラフ自体が「学習可能な資産」として機能してる点が重要。従来なら、知識グラフは「既に固まった参考書」扱いで、AI が学習中に修正されにくかった。SoftReason では、画像認識の結果が知識グラフに影響を返すようになっているわけです。つまり「このデータセットを見ると、実は『犬 → ペット』という関係ももっと強いかもな」と、知識グラフ側が柔軟に更新される可能性が出てくる。 辞書か参考書か、という二者択一ではなく、「学習と共に進化する知識の集約地」と見るほうが、この技術の意味が腑に落ちるのかもしれません。

スマートフォンの写真アプリが「この写真には〇〇がいます」と判定してくれるのは、この仕組みが入ってるってことなの？

スマートフォンの写真認識が使っているのは、より単純な仕組みのことが多いと言えそうです。 今のスマホアプリが「犬がいます」と判定するのは、主に画像認識モデルの出力だけで完結しています。学習済みの認識モデルに写真を入れて、「犬である確率85%」という結果が返ってくる。そこで止まっています。 今回の研究が解いているのは、さらに先の問題。「犬がいる」という認識結果と「犬は動物である」という知識をつなぎ、「だからこの写真には動物がいる」と推論する。しかも、その推論パートが認識の質をさかのぼって改善する、という相互作用です。 スマホの現在の機能では、認識と推論がまだ分かれています。「顔を認識して、その顔が誰かは知識ベースで調べる」くらいの連携はありますが、それぞれが独立した処理。今の論文は「認識そのものを、推論と絡ませながら同時に学べる」という次元の話なので、スマホにすぐ搭載される技術ではなく、もっと先の研究段階と考えて差し支えなさそうです。

これまで AI が写真から推論するのが下手だったのって、最近になって研究者たちが「あ、別々に学ばせてたから駄目なんだ」と気付いたってこと？

ある程度は気付いていたんですが、「じゃあ実装するか」に至るまでが長かったんだと思います。 機械学習の世界では、問題を小分けにして個別に解くのが標準的なやり方でした。画像認識は得意になったし、知識グラフも精度が上がった。だから「二つの優秀なパーツを組み合わせたら、全体も優秀だろう」という期待値が高かったんですよ。実際には、その境界面で何か大事なものが落ちてたんだけど、気付きにくかった。 転機は、大規模言語モデルの台頭で「複数の能力を同じニューラルネットで一度に学ばせると強い」という経験値が広がったこと。その成功パターンを、画像と推論の組み合わせに応用しようとしたのが SoftReason なのかもしれません。つまり「昔から問題はあったけど、別の分野の技術が進むまで、試す手段がなかった」という側面もありそうです。 地味ですが、研究ってそういうことが多いんです。

『情報を両方ふんわりとした確信度で扱う』って、要するに『完全に正しい』『完全に間違い』じゃなくて『だいたい正しそう』という曖昧さを大事にするってこと？

その通りなんですよね。従来の仕組みだと、AI は各ステップで「犬である確率 95%」みたいに一度決めてしまい、その後の推論はそれを「確定」として扱ってました。でも実世界の知覚って、そんなに単純じゃない。写真がちょっと暗くて「犬か狼か微妙」な状態のまま、でも「どちらにせよ四足動物」という上位概念で推論を進めることもあります。 SoftReason が面白いのは、その曖昧さを最後まで保ったままにする点。「犬である確率 80%」という情報と「知識グラフから『犬は動物』という知識」が同じ計算空間で共存して、互いに強め合ったり修正し合ったりする。知識グラフ側が「実は犬じゃなくてタヌキだった」と気づけば、画像認識の次の学習も変わる。その逆も然り。完全な確定を求めず、「確からしさの度合い」のまま全体を流動的に学習させるイメージです。 人間も判断するとき、こんな感じですよね。100%確定してから次に進むんじゃなく、グレーゾーンを抱えたまま考えを進めて、その過程で全体が調整されていく、と言えそうです。

認識と推論が一緒に学習できるようになると、今まで AI が『見落としてた間違い』って減るの？それとも、別の種類の間違いが増えたりもするの？

見落としは確かに減るんでしょう。でも、新しい種類の間違いも絶対に出てくる気がします。 従来の仕組みでは、画像認識が失敗すると「犬を見落とす→動物がいると推論できない」という一本道の失敗でした。認識と推論が独立していたから、ある意味わかりやすい。SoftReason では両者が相互に影響し合うので、認識の確信度が低くても推論が補ってくれる場面が増えます。曖昧さを許容するようになるぶん、見落とされていた情報が拾われやすくなる。 ただし、この「ふんわりとした確信度のまま相互に影響」というのが、別の問題も生む気がします。たとえば、写真がぼやけていて「これは犬か狼かわからない」という状態で、知識グラフ側の「犬は家畜」という情報が強く働きすぎると、実は狼なのに犬だと確定してしまうかもしれない。認識と推論が一緒に学習することで、今度は「無根拠な強化」という別の種類の誤りが生まれる可能性があります。見落としから過剰推論へ、という振り子の動きなのかもしれません。