AIモデルをブラックボックス化しない「バイラテラルAI」とは？

図2　バイラテラルAIのモデル作成のイメージ（出典：慶應義塾大学の資料）

（1）設計意図を入力する

　例えば人の腕に付けたロボットアームから収集した情報で理想的な動作を教え込んだり、評価関数を設計、入力したり、既知のモデルを入力したりして、どのような結果を得るためのモデル設計なのかを入力する。

　また演算のための要素（四則演算、微分積分、フィルター、比例、非線形の関数など）のセットを入力する。どのようなモデル表現要素、関数、アルゴリズムを使用するかを決めるのは人間で、ここに人間の知識や経験、技能が生かされる（図2 ）。

（2）コンピュータ（AI）が設計意図に基づき最適な演算結果を導出

　コンピュータが大規模、高速演算力を生かして、上記設計意図に基づく最適な演算結果を導出する（図2 ）。

（3）演算結果を評価して、必要に応じた設計意図を入力する

　導出された演算結果を人間が解釈し、必要に応じて新たに設計意図を入力する（図2）。例えば最適な結果が出力されても、期待したものよりも精度が低いと人間（熟練技術者など）が評価したら、演算要素を新しく追加するなどして設計意図入力をやり直す。

　人からAIへ、AIから人へと（1）〜（3）の作業を繰り返していくと、徐々に簡素なモデルから高精度なモデルへとAIが成長していく。また、入力した設計意図に従って最適化した結果をその都度人間側でも知ることができ、新しい気付きが生まれる。

　設計意図に問題があると気付いたら、別の要素を新しい設計意図として盛り込んだり以前の要素を削除したりしながら、何度も繰り返して最適化できる。これが、人とAIとの対話であり、協働することの意味だ。このようなAIモデルの作成（階層的抽象化）を行うことにより、熟練技術者などの属人的なノウハウやスキルをモデルにうまく取り込むことができる。

　またディープラーニングでは学習が進みすぎると、ノイズが増えて望む結果が得られなくなる「過学習」が問題になるが、バイラテラルAIの学習過程では人間がその都度結果を判断するため、過学習の心配がないことも特徴の一つだ。

　そして重要なポイントは、人間が設計意図として入力する関数や演算要素、アルゴリズムなどは、全て物理的な意味が明確になっているため、それを利用したAIモデルも演算結果の物理的意味が明白になること。つまり数式で表現できるようになるるわけだ。

　数式で表現したモデルなら、ノウハウデータベースやスキルデータベースとして蓄積可能になる。ひいては熟練技術者のノウハウやスキルを幅広く、また世代を越えて共有可能になり、将来的なロボットや産業機械の作業領域の拡大、人材の育成、訓練、技術継承などへの活用が期待できる。もちろん、物理的に説明できる結果が出ることで、クリティカルな制御応用シーンであっても安心して適用できるものになる可能性が高い。

AIモデルは具体的にどう使えるのか？

　ある適用例を見てみよう。図3のようにロボットアームで物をつかむときに影響を及ぼす要因には、速度に伴うクーロン摩擦と粘性摩擦、加速度に依存し質量にも関わる要因、重力に依存する要因などさまざまなものがある。

　AIモデルの作成過程でそれらの要因の中から支配的な影響を与えているものを割り出した上で、影響の大きなものを格付けしてそれぞれを数式化し、その影響を取り除くように動作のパラメータを調整することも可能だ。その機能を持つ「外乱補償器」をロボットアーム制御システムに加えれば、周囲の環境変化にも影響されない精密な精度での制御が可能になる。

図3　バイラテラルAIのモデル適用例（出典：慶應義塾大学の資料）

バイラテラルAIの応用領域は？

　バイラテラルAIは現在、桂氏の研究室と東京自働機械製作所とが協働し、システムに適用されようとしているところだ。上述のような、非線形性の強い摩擦現象のモデリングをはじめ、熱システム、生産ラインのばらつきなどの課題に適用して効果を検証している状況にある。

　例えば、ばらつき解消の例として、東京自働機械製作所の事業の一つである包装機械に応用したコーヒー粉末の袋詰めの最適化事例がある。

　粉末は温度や湿度に影響されやすく、500グラムなど一定量の袋詰めをしようとしてもぴったりとはいかず、表示重量を下回ってはいけないので常にいくらか余分な分量の粉末を袋詰めしていたという。

　バイラテラルAIを利用すると、非線形な粉末のふるまいをフィードバックして包装機械を適切に制御することで、決められた量に近い分量での袋詰めが可能になった。従来は熟練の担当者だけができた包装機械の調整が、バイラテラルAIによって未経験の人でもできるようになったという。

　製造、生産現場では、さまざまな種類のばらつきの問題が起きている。その問題解消がAIによって可能になるだけでなく、その理由もきちんと説明できるとしたら、マネジメント層にも広くAI活用への理解が得らえ、さらに大きな改善に結びつく可能性がある。

　桂氏はさらに、「生産現場の省人化＝無人化工場」も視野に入れ、リモートメンテナンスやリモートモニタリングと組み合わせたAI活用を考えているところだ。また東京女子医科大と共同して、四肢に障害のある人のリハビリ目的にロボットアームを利用し、機能回復の支援にもチャレンジしている。目標は作業療法士の動作をモデル化し、さまざまなリハビリに活用することだ。「医療、介護、スポーツ、芸術などさまざまな分野において効率的に、遠隔でトレーニングを行うための支援サービスを提供することも可能だ」と桂氏は言う。

　図4に見るように、バイラテラルAIはモデルの成り立ちが説明可能であるだけでなく、抽象化されたノウハウやスキルのデータベース化ができるところが、一般的なAIに比べて優れている。人の仕事を機械が代替するにとどまらず、人とAIとの対話を通じて双方が成長できるのが大きな特徴だ。また技術継承や、ノウハウ継承は特に製造業では重要なニーズだ。次世代の人材を育成することにも貢献できそうだ。

図4　バイラテラルAIと一般的なAIとの違い（出典：慶應義塾大学の資料）

　桂氏は、「バイラテラルAIを基盤とした遠隔認知、遠隔操作技術によって、ものづくりの分野における『現場』『現物』『現実』の三現主義を守りながらリモート化を実現し、生産現場の時間的、空間的、属人的制約の緩和をもたらし、ものづくりの『どこでも、いつでも、誰でも』化を実現することを可能にします。このフレームワークをアフターコロナや、少子高齢化時代の製造業を支えるための新たなものづくりの技術基盤として普及させることで、ニューノーマル社会における技術革新につながればと思います」と抱負を語った。