あなたが “AI人間 “であることを知れば、この質問がパーティーで飛び出すのに時間はかからない（足病医もこんな感じなのだろうが、パーティーの途中で外反母趾の検査を受けたり、医学博士レベルの収入があったりすることを除けば）。とはいえ、この質問には困惑させられる。
特にカクテルパーティーの音楽に合わせて答えを叫ぼうとするならばなおさらだ。”欺く “というのは、それが単純であるべきだからだ。結局のところ、それは「人工知能」の略であり、答えはその名の通りなのだ！実際、「AI」を簡潔に定義するのは本当に難しい。AIは簡潔ではないからだ。チェスよりもはるかに複雑なゲームをプレイすることから、説得力のあるアートや ビデオを生成することまで、さまざまな種類のAIが存在する。毎年何十万もの斬新なAI論文が発表されていることを考えると、AIはますます広がりを見せている。
ネットで「AIの簡単な定義とは」と検索しても、上位にヒットするのは、カクテルパーティーの一般的な質問者にとっては不満足なものばかりだろう：
「人工知能とは、機械、特にコンピュータシステムによる人間の知能プロセスのシミュレーションである。
本当に好奇心の強い人なら、「ええ、クールだけど、AIって何？
私は、人々が実際に尋ねているのは「AIは何をしているのか」、より具体的には「AmbiqのAIは何をしているのか」だと考えている。この質問の方が答えやすいし、素晴らしい質問だと思う：
「人工知能は、あいまいな現実世界の入力から 結論を導き出すのが得意なアルゴリズムの一種である。
それは素晴らしいことだ！でも、私たちの定義を少し解きほぐしてみる価値はある。
When we say “fuzzy, real-world inputs,” we’re referring to data from the real world – things like images, sounds, noises, vibrations, and even electrocardiograms. All of these are somewhat random and chaotic. For example, a picture of a cat can be almost infinitely varied (as any cat owner will proclaim!) Even if we’re talking about one particular cat, we’ll get different lighting, angles, distances, low-light noise, and other objects in the image. It is easy for a person to figure out that they’re looking at a cat (we do it almost unconsciously – people don’t have to analyze the picture, we just know), but without AI, it is extremely challenging to program a computer to do the same. The really exciting thing is that we can apply AI to things that aren’t as ‘automatic’ for us. For example, looking at a squiggle and figuring out it corresponds to the acceleration in 3 dimensions of a person jogging is hard for humans but is easier than dealing with cat pictures for an AI. Likewise, teaching a human to read an ECG takes years of very expensive education, but an AI can do it on a smartwatch.
私たちが “結論 “と言うとき、それは “これは猫の写真だ、おそらく “というような意味である。ここで “おそらく “が重要なのは、人間と同様、AIも確率を扱うからだ。AIアルゴリズムが100％確実に結論を出すことはまずない。これは、犬がマラミュートなのか、ハスキーなのか、秋田犬なのか、サモエドなのかを判断するような、現実世界の曖昧さを扱うときに便利である（これほど多くのそっくりな犬がいることを誰が知っていただろうか）。
最後に、”非常に優れている“というのは、”この種のもののために人間が作り出した最高のアルゴリズム “という意味である。例えば、コンピュータに人間の音声を理解させることは、前世紀半ばから進行中のプロジェクトであったが、AIによる音声認識が登場するまでは、それが有用なものではなかった（2000年代初頭に電子メールを口述筆記しようとした人なら誰でも知っているように）。コンピューター・ビジョン、言語翻訳、そして単純な歩数カウントは、何十年、あるいは何世紀も前から存在していた機能だが、AIが適用されると、すべてがはるかに優れたものになった。
カクテル・パーティーの会話のその時点で、私はAmbiqで行っているAIの話（非常に効率的な音声認識、心電図モニター、その他の機能など）に熱中してしまいがちで、人々は言い訳をしてバーに戻り始める。
ティーチングとディクテーション
AIがこれほど強力なのは、コンピューターにどのように指示を出すかにある。AIでは、コンピューターにルールを指示するのではなく、「教える」のだ。
伝統的なプログラミングは「ルールベース」である。この従来のアプローチは、ATM取引やオンラインショップでは非常にうまくいくが、AIが得意とするファジーなタスクには向いていない。
私たちが大好きな猫の写真を例にとってみよう。もしあなたが地球外生命体に、猫が猫であることを見分ける方法を説明しなければならないとしたら、どんなルールを使うだろうか？目の形？目と目の間の距離？鼻の形？目から鼻までの距離？ルールのリストはすぐに数千、数百万になる。何十年もの間、コンピューター科学者がこの種の問題に取り組む方法はこれだった（1940年代に初めて構想されたAIについて知らなかったからではなく、実用的なAIに必要な計算能力がなかったからだ）。
AIが必要とする計算能力とデータが実用化されると、AI開発者たちは、脳の働きを模倣した単純な統計的ルール（ニューラルネットワーク・アーキテクチャとそれを訓練するためのルール）を確立し、何百万枚、何千万枚もの猫の写真をAIに押し付けることができるようになった。巧妙なのは、それぞれの写真についてAIに結論を出させ、その結論が毎回より正確になるようにニューラルネットワークを微妙に変化させたことだ。
やがてAIのニューラルネットワークは、写真の状況がどうであれ、猫は猫であることを学習する。私たちが明確に定義しなかった何百万ものルールは？ただ、ひとつひとつを書き留める代わりに、ニューラルネットワークを構成する何千ものニューロンに取り込まれるだけなのだ。
