AIのフロンティアを切り拓く：ImageNetから世界モデルへ、Fei-Fei Li博士が語る空間的知能への挑戦
人工知能（AI）は、私たちの想像をはるかに超えるスピードで進化を遂げています。特に近年、生成AIの登場により、その進化の速度は加速する一方です。しかし、この目覚ましい進歩の背景には、数々の困難な課題を粘り強く解決し、AI研究の礎を築いてきた先駆者たちの存在があります。
スタンフォード大学のヒューマン・センタードAI研究所の共同所長であり、World Labsの共同創業者兼CEOを務めるFei-Fei Li博士は、まさにその先駆者の一人です。AIの分野では「ゴッドマザー」とも称される彼女は、AIの「見る」能力を飛躍的に向上させた画期的なプロジェクト「ImageNet」を2009年に立ち上げ、今日のディープラーニング革命の基礎を築きました。
今回、Y CombinatorのAI Startup Schoolに登壇したLi博士は、自身のキャリアを振り返りながら、ImageNet誕生の秘話、ディープラーニングの台頭、そして現在World Labsで取り組む「世界モデル」と「空間的知能」という、AIの最も困難なフロンティアへの挑戦について語りました。本記事では、Li博士の深い洞察と具体的な経験を通じて、AIが辿ってきた道のりと、未来に向けた挑戦の重要性を解き明かします。
ImageNetの誕生：AI冬の時代を乗り越えるデータ革命
2000年代後半のAI研究の状況
2000年代後半、AI、特に機械学習やコンピュータビジョンの分野は、現在とは大きく異なる状況にありました。Li博士がImageNetの構想を始めた18年前、そして実際にプロジェクトを立ち上げた2009年当時、AI研究者たちは深刻な課題に直面していました。
「データはほとんどありませんでした。コンピュータビジョンにおけるアルゴリズムは機能せず、産業界も存在しませんでした。一般の人々にとって『AI』という言葉自体が存在しないも同然だったのです。」とLi博士は語ります。
当時のコンピュータビジョン分野では、特定のタスクを解決するための個別のアルゴリズムが開発されていましたが、それらのアルゴリズムが汎用的に機能することは稀でした。また、機械学習モデルを訓練するための大規模なデータセットはほとんど存在せず、研究者は限られたデータでしか実験を行うことができませんでした。このような状況は、AI研究の進展を大きく妨げ、「AIの冬」とも呼ばれる低迷期を生み出していました。
Fei-Fei Li博士のビジョン：機械に「見させる」ことへの執着
しかし、そのような困難な時代の中にも、Li博士のような研究者たちはAIの可能性を信じ、その実現を夢見ていました。「私たちはAIの夢を抱いていました。機械に考えさせ、働かせたいと心から願っていたのです。」とLi博士は語ります。
特にLi博士が執着したのは、機械が「見る」能力を持つことでした。彼女にとって、視覚的知能は人間や動物の知能の礎であり、世界を理解し、世界で行動するための不可欠な要素でした。単に視覚情報を「認識する」だけでなく、その背後にある意味や文脈を「理解する」ことこそが、真の知能であると考えていたのです。
直面した問題：汎化能力の壁
Li博士は、機械学習アルゴリズムを開発する中で、常に一つの問題に悩まされていました。それが「汎化（generalization）」の問題です。汎化とは、特定のデータで学習したモデルが、未知のデータに対しても適切に機能する能力を指します。これは機械学習の根幹をなす数学的基盤であり、究極の目標でもあります。
しかし、当時のアルゴリズムでは、この汎化が非常に困難でした。Li博士は、機械学習モデルが真に汎化するためには、大量かつ多様なデータが必要であるという直感を持っていました。しかし、前述の通り、そのデータが決定的に不足していたのです。
解決策：世界最大の視覚タクソノミー「ImageNet」の構築
「データがありませんでした。だから私たちは考えました。『よし、インターネットに行こう。10億枚の画像をダウンロードして、世界全体の視覚的なタクソノミー（分類体系）を構築しよう』と。」
Li博士と彼女の学生たちは、この大胆な賭けに出ました。彼らは、インターネット上に散在する数百万枚の画像を収集し、WordNetという既存の言語リソース（名詞を階層構造で分類したもの）と連携させることで、画像にラベルを付与する作業に着手しました。これが、後にディープラーニング革命の象徴となるImageNetデータセットです。
ImageNetは、数百万枚の画像と、それぞれに付与された多数のカテゴリーラベルからなる、当時としては前例のない規模のデータセットでした。このデータセットは、機械学習アルゴリズムの訓練と評価のためのベンチマークとして提供され、AI研究コミュニティにデータ駆動型アプローチへのパラダイムシフトを促しました。
深層学習の夜明け：AlexNetと計算能力の融合
ImageNetチャレンジの開始
ImageNetの公開後、Li博士のチームは毎年「ImageNet Large Scale Visual Recognition Challenge (ILSVRC)」を開催し、世界中の研究者や開発者にImageNetデータセットを使った画像認識コンテストへの参加を呼びかけました。このチャレンジの目的は、与えられた画像データセットで学習したアルゴリズムが、どれだけ正確に新しい画像を分類できるかを競うものでした。
最初の数年間は、アルゴリズムの性能は30%程度の誤認識率に留まり、画期的な進歩は見られませんでした。しかし、Li博士のチームはデータ駆動型アプローチの可能性を信じ、オープンソース化とチャレンジの継続を通じて、コミュニティ全体の協力を促し続けました。
2012年の転換点：AlexNetの衝撃
そして2012年、AIの歴史を大きく変える瞬間が訪れます。ジェフリー・ヒントン教授が率いるチーム「SuperVision」（後にAlexNetとして知られるようになる）がILSVRCに参加し、従来のアルゴリズムを大きく上回る圧倒的な性能を叩き出したのです。彼らのモデルは、誤認識率を劇的に改善し、AI研究コミュニティに大きな衝撃を与えました。
AlexNetが使用したのは、畳み込みニューラルネットワーク（Convolutional Neural Network, CNN）という、1980年代にはすでに提案されていた古いアルゴリズムでした。しかし、AlexNetは単に古いアルゴリズムを再利用しただけではありませんでした。彼らは、当時としては画期的な2つのGPUを並列に用いることで、大規模な計算能力を確保し、巨大なImageNetデータセットを効率的に訓練することに成功しました。
Li博士は、この瞬間を「データ、GPU、ニューラルネットワークの3つの要素が初めて結びついた瞬間」と表現します。ImageNetが提供した「データ」、GPUが提供した「計算能力」、そしてAlexNetが示した「畳み込みニューラルネットワーク」という「アルゴリズム」が融合したことで、ディープラーニングの可能性が爆発的に開花したのです。この出来事は、その後のAI研究の方向性を決定づけ、今日のAIブームの直接的な引き金となりました。
オブジェクトからシーン、そして世界へ：次なるフロンティア
Image Captioningとシーン理解への挑戦
ImageNetとAlexNetの成功により、AIは個々のオブジェクトを認識する能力において飛躍的な進歩を遂げました。しかし、Li博士の夢はそこで終わりませんでした。彼女が真に実現したいと考えていたのは、人間のように「シーン全体」を理解し、その背後にある物語を語れるAIでした。
Li博士は、スタンフォード大学の教え子であるAndre Karpathyらと共に、Image Captioning（画像の説明文生成）の研究に着手します。これは、画像の内容を自然言語で記述するAIの能力を問うものでした。2015年頃、Li博士のチームは他の研究グループと共に、この分野で画期的な成果を立て続けに発表しました。
Image Captioningの実現は、Li博士にとって、AIの進化における「人生の目標」の一つでした。「私は卒業論文を書いた時、いつかシーンの物語を語るアルゴリズムを作れたら成功だと自分に言い聞かせました。」と彼女は語ります。
生成AIの台頭：テキストから画像生成への進化
Image Captioningの研究が進む中、AIの能力はさらに拡大しました。テキストから画像を生成する、いわゆる「生成AI」の登場です。Li博士はかつて、テキストから画像を生成するという「逆の問題」を冗談半分に話していたと言います。しかし、2022年11月にChatGPTが公開されると、その強力な生成能力は世界中を驚かせ、Li博士がかつて想像すらできなかったレベルで、テキストから高品質な画像を生成することが可能になりました。
この数年間のAIの進化は目覚ましく、Li博士自身も「信じられないほどの成長」を実感していると言います。
現在の研究課題：世界モデルと空間的知能の重要性
そして今、Li博士がWorld Labsで取り組んでいるのは、平面的なピクセルや言語の壁を超え、真に3Dの「世界」を理解する「世界モデル」と「空間的知能（Spatial Intelligence）」の構築です。
Li博士は、汎用人工知能（AGI）は「空間的知能」なしには完成しないという強い信念を持っています。空間的知能とは、3D世界を理解し、その中で行動し、推論し、相互作用する能力を指します。これは、単に「見る」だけでなく、世界に働きかけ、その結果を予測し、行動計画を立てるために不可欠な知能です。
なぜ「空間的知能」はこれほど難しいのか？
しかし、空間的知能の実現は、AIにとって極めて困難な課題です。Li博士は、その理由を大きく3つ挙げます。
3D構造理解の根本的課題：
- 現実世界は3次元ですが、カメラや人間の網膜は3次元の世界を2次元の画像として投影します。3Dから2Dへのこの投影は、数学的に情報を圧縮するプロセスであり、逆方向（2D画像から3D世界を再構築）は「不良設定問題（ill-posed problem）」と呼ばれ、解が一つに定まらない本質的な難しさを含んでいます。
- 人間や動物は、両眼視差や運動視差、過去の経験など、複数の感覚や知識を統合することでこの問題を解決しています。AIも同様のアプローチが必要ですが、その実現は容易ではありません。
言語知能との比較：進化の歴史と複雑性の違い：
- 言語は人間が作り出したものであり、自然界には存在しない「純粋に生成的（purely generative）」な信号です。言語はコミュニケーション、推論、抽象化のための強力なツールであり、その発達には数百万年という長い進化の歴史を要しました。
- 一方、視覚知能はさらに古い起源を持ちます。例えば、最初の三葉虫が水中で視覚を発達させたのは5億4000万年前のことです。Li博士は、視覚は言語よりも「コンビナトリアルに（組み合わせ的に）難しい問題」であると指摘します。なぜなら、3D世界を理解し、その中で行動するためには、膨大な数の可能性を考慮し、複雑な相互作用をモデル化する必要があるからです。
データの不足：
- 大規模言語モデル（LLM）が驚異的な性能を発揮できたのは、インターネット上に存在する膨大なテキストデータ（言語データ）にアクセスできたことが大きな要因です。
- しかし、空間的知能を学習するためのデータは、言語データのように豊富には存在しません。3D構造や物理法則、相互作用に関するアノテーション付きのデータセットは限られています。「インターネット上に空間的知能のデータはどこにありますか？ それはすべて私たちの頭の中にあります。」とLi博士は語ります。
人間中心のAI：技術進歩の倫理的指針と未来への道
技術者としての責任：人間中心のAIの創造
Li博士は、AIの発展において、技術者が果たすべき責任の重要性を強調します。「人類は常にテクノロジーを進歩させるでしょう。しかし、私たちは人間性を失うことはできません。」という彼女の言葉は、AI開発における倫理的指針の重要性を強く示しています。
Li博士は、技術が人間中心であることの重要性を説き、スタンフォード大学に「人間中心のAI研究所（Stanford Institute for Human-Centered AI）」を設立しました。彼女の目標は、AIが単なるツールではなく、人類を助け、人間性を高める存在となることです。
Fei-Fei Li博士のキャリアから学ぶ起業家精神
Li博士のキャリアは、起業家精神の模範でもあります。彼女は自らを「起業家」と称し、困難な問題に挑み続ける喜びを語ります。「過去に何を成し遂げたか忘れてください。他人があなたをどう思うか忘れてください。ただひたすら頑張って作り続けなさい。それが私のコンフォートゾーンです。」
これは、若手起業家たちへの力強いメッセージです。過去の成功に安住せず、他人の評価に惑わされず、自身の情熱と信念に基づいて、ひたすら価値あるものを創造し続けることの重要性を説いています。Li博士自身も、プリンストン大学の助教授時代にImageNetの構想を始め、Google CloudのAI/MLチーフサイエンティストとして産業界での経験を積み、そして今、再びWorld Labsというスタートアップで新たな挑戦をしています。彼女の歩みは、絶えず変化するAIのフロンティアで「ゼロからイチ」を生み出し続ける、真のフロンティアスピリットを示しています。
若手研究者へのメッセージ：未来を拓くのは「好奇心」
AIの未来を担う若手研究者や起業家に向けて、Li博士は熱いメッセージを送ります。「皆さんは私の半分、あるいは3分の1の年齢です。非常に才能に恵まれています。恐れることなく、ただやりなさい。」
彼女は、学術界の役割についても触れます。大規模な計算資源やデータを持つ産業界とは異なり、学術界は、産業界が短期的な利益追求で扱いにくい「北極星」のような、より根本的で長期的な科学的問いに取り組むべきだと示唆します。
また、Li博士は学際的なアプローチの重要性を強調し、自身の研究が進化論や脳科学から多くのインスピレーションを得ていることを語ります。異なる分野の知識を統合することで、AIの新たな突破口が生まれる可能性を秘めているのです。
ImageNetの成功は、オープンソース化とコンテスト形式のチャレンジを通じて、世界中の研究コミュニティが協力した結果です。Li博士は、この協力の精神と、困難な問題に粘り強く取り組むことの重要性を、未来の技術者たちに伝えています。
結論：AIの次なる進化を駆動する空間的知能
Fei-Fei Li博士が語るAIの物語は、技術の進化が単なるアルゴリズムの改善や計算能力の向上に留まらないことを示唆しています。それは、人間の知能の本質に迫り、世界を理解し、人間性を高めるAIを創造するための、壮大な旅です。
ImageNetによって「データ」という地盤が固められ、AlexNetによって「ディープラーニング」というエンジンが始動した今、Li博士とWorld Labsは「空間的知能」というAIの最終目的地とも言えるフロンティアへと踏み出しています。3D世界を理解し、行動し、推論する能力は、AGIの実現に不可欠であり、ロボット工学、メタバース、産業デザインなど、多岐にわたる分野に革命をもたらす可能性を秘めています。
この挑戦は、これまでAIが解決してきたどの問題よりも困難であるとLi博士は言います。しかし、彼女の「困難な問題に取り組むことが喜びだ」という言葉は、私たちに勇気を与えます。AIの進化は、最先端のハードウェアとソフトウェアの融合、学際的な研究、そして何よりも、未来を信じ、好奇心に突き動かされる「人」の情熱によって駆動されるのです。
Li博士の物語は、私たち一人ひとりが、自身の好奇心と情熱を信じ、恐れることなく「北極星」のような困難な問題に挑戦することの重要性を教えてくれます。AIの未来は、まだ見ぬフロンティアにあります。そのフロンティアを切り拓くのは、次世代の技術者たちであり、彼らの大胆な挑戦と人間中心のビジョンにかかっているのです。