画像を見るAI、『距離感』を理解した新モデル登場

『Vision Transformer』って何が革新的だったAIで、『EVT』はそれの何が改良されたの？

Vision Transformerは、画像認識に「注意機構」という仕組みを持ち込んだAIです。画像を細かいパッチに分割して、どの部分に注目するべきかを自動で判断する。従来は固定的なフィルタで特徴を抽出していたのに対し、Transformerは「状況に応じて柔軟に見る対象を変える」という人間らしさを導入した。これが画像認識の精度を飛躍させました。 ただ、ここに落とし穴があった。注意機構は「全てのピクセルを平等に扱う」という前提で動いていたんです。隣同士のピクセルと、画像の反対端にあるピクセルに同じ重みで注目してしまう。 EVTはこの盲点を修正したんですよね。「近いピクセルは強く関連している」という物理的な常識を、モデルに事前に教えこむ形です。注意の重みづけに「距離減衰」という層を挿入することで、AIの判断により自然な優先順位がつくようになった。 つまりVision Transformerの柔軟性を保ちつつ、人間の目が無意識にやっている「近いものを重視する」という習性をAIに埋め込み直した改良と言えそうです。

スマートフォンの顔認証や、医療現場でのX線画像の診断って、こういうAIの精度向上で精度が上がるってこと？

顔認証やX線診断に使われるAIが直接的に恩恵を受けるかは、けっこう微妙なんですよね。 というのも、Vision Transformerのような基盤モデルの改善は、研究レベルでは「複数のタスク全体で精度が上がった」という話なんですが、実際の製品に組み込まれるには時間差がある。顔認証はもう技術が成熟していて、大手メーカーは独自の最適化を積み重ねているので、新モデルの登場だけで急に良くなるわけではありません。 ただ、X線診断の方が影響を受けやすい可能性があります。医療画像は「診断に必要な細部」と「ノイズ」の区別が難しく、AIが空間的な『つながり』を理解することで、例えば腫瘍の境界をより正確に捉えられるようになる可能性がある。医療分野では常に精度向上への需要が高いので、こうした研究が実装される速度が相対的に早いかもしれません。 結局のところ、基盤技術の進化と製品の実装には、段階があるということと言えそうです。

AIが『距離感』を理解できてなかったって、これまで誰も気づかなかったのか、それとも重要さを後付けで認識したのか？

昨日登場したこのEVTという新型は、実は「気づいていなかった」というより「後付けで重要さを再認識した」に近いのかもしれません。 Vision Transformerは、言葉を理解するAI（BERT）の仕組みを画像に応用した設計です。言語処理では単語同士の距離が大事だという発見が先にあって、それを画像に横展開した。ところが画像の場合、「隣のピクセルが重要」という原則は人間にとっては当たり前すぎて、わざわざ組み込む必要があると思われなかった節があります。 つまり、既存の畳み込みニューラルネットワーク（CNN）には、このルールが既に組み込まれていたんですよ。CNNは近傍ピクセルから順に処理するから、距離感が自動的に反映される。ところがTransformerは「すべてのピクセルを平等に比較する」という利点を狙ったから、距離という制約を外してしまった。 EVTは、その利点を保ちながら距離感を戻す、という矛盾した要求に応えた設計と言えそうです。当たり前だと思ってたものが、実は削ぎ落としちゃってた、という気づき方なのかもしれません。

つまり、AIが人間に近づく＝『部分と全体のバランス』を学ぶって、他の認識タスクでも共通の課題なの？

その通りですね。「部分と全体のバランス」は、画像認識だけに留まらない、認識系AIの根本的な課題になってます。 例えば、言語処理でも同じ構造があります。文章を読むとき、人間は「いま出てきた単語」と「ずっと前の文脈」の両方を参照しますが、AIも最初は均等に扱っていた。改善されたのは、「この単語は重要だから遠い文脈も参照する」「この単語は直近の数語だけ見ればいい」という、距離や関連性に応じた注目の仕方を学ぶようになってから。音声認識でも、医療画像の診断でも、根底にある問題は似ています。 EVTの面白さは、この普遍的な課題に、空間的な「距離」という単純で自然な枠組みを当てはめた点です。人間の感覚は「近いほど重要」という単純なルールに支配されていて、AIもそれに倣うと精度が上がるということ。つまり、認識の質を上げるということは、本質的には「何に注目するか」というフィルタリング能力を磨くことなのかもしれません。

AIが『距離感』を学んで精度が上がるなら、人間が逆に『距離を無視して見る』ときはどんな場面で役に立つんだろう？

距離を無視する見方、実は人間も日常でやってるんですよね。 例えば、一枚のポスターを見つけるとき。 背景にいっぱい物があっても、目当てのポスターを探すなら、 近い遠いの差を一度リセットして「赤い色」「文字の形」といった特徴だけで探す。 距離の情報が邪魔になるわけです。 医療画像の診断でも同じです。 X線やMRIを見るとき、医者は「この濃度パターンはがんの兆候」みたいに ピクセルの距離より、全体の配置パターンを優先することがあります。 むしろ距離に縛られると、見落としが増えることもある。 実は「どの情報を重視するか」は、何を探してるかで変わるんです。 Vision Transformerは人間の視覚に近づくことで汎用性を高めたけれど、 限られた探索タスクなら、距離を無視する単純な見方のほうが速くて正確かもしれません。 むしろ大事なのは、AIが「距離感を使う」という柔軟性を手に入れたこと。 人間のように、場面に応じて『メリハリ』と『フラット』を切り替えられる、 その切り替え能力にまで進化していくのかもしれません。