デジハリ講義人工知能第四回「社会と人工知能」 Society and AI

人工知能（４）
人工知能と社会
三宅陽一郎
三宅陽一郎@miyayou
2018.1.10
@デジタルハリウッド
https://www.facebook.com/youichiro.miyake
http://www.slideshare.net/youichiromiyake
y.m.4160@gmail.com

この３００年の技術の動向
時間
規模
産業革命
情報革命
ネット革命
知能革命
機械化・自動化（オートメーション化）
電子情報化
オンライン化
知能化
第二次産業革命
電動化
1750 1860 1960 1990 Now…
現代は「知能化」の時代に
入りつつある。

人工知能と社会
ロボット
世代
人口
人工知能
少子高齢化社会
ロボットと人工知能で
少子高齢化社会を支える

エンジニアリングとしての人工知能の
二つのアプローチ
人工知能を作る
(キャラクターAI、ロボット…)
既にあるものを知能化する
(家電、電車、ポスター、なんでも…)

知能化
• 工場 → （知能化） → オートスケジューリング
• 配送 → （知能化） → 自動分配・自動配送
• 車 → （知能化） → 自動走行・ＩＴＳ
• 家電 → （知能化） → コミュニケーション家電（ルンバなど）
• インターネット → （知能化） → Web.4.0 (GoogleのDeep Learning など)
• TV → （知能化） → キーワード・趣向による自動録画
• 注文サービス → （知能化） → 自動受付・自動サービス
社会の隅々にまで、知的機能がインプリメント（実装）される。

知能化
• 工場 → （知能化） → オートスケジューリング
• 配送 → （知能化） → 自動分配・自動配送
• 車 → （知能化） → 自動走行・ＩＴＳ
• 家電 → （知能化） → コミュニケーション家電（ルンバなど）
• インターネット → （知能化） → Web.4.0 (GoogleのDeep Learning など)
• TV → （知能化） → キーワード・趣向による自動録画
• 注文サービス → （知能化） → 自動受付・自動サービス
知能化

知能化
知能化現実世界
（～1995）
現実世界
2.0
（2015～）

エンジニアリングとしての人工知能の
二つのアプローチ
人工知能を作る
(キャラクターAI、ロボット…)
既にあるものを知能化する
(家電、電車、ポスター、なんでも…)
いきなり、人工知能を作ることは難しい。
まずは「知能化」を考えてみましょう。

http://static.flickr.com/5051/5525304279_65012a492c_s.jpg
？
http://flopdesign.com/download/Human_S/pages/B50.html
？

人工
知能
人はどのように人工知能を使っているか？
情報の海を母体として、人工知能が育っている。
＝情報の海を母体として人工知能が生まれる
人間
情報の海

）
人工
知能
人間
記号の海
言葉の海
情報の海

）
人工
知能
人間
記号の海
言葉の海
意味の海
概念の海
情報の海

情報の海
（ネットワーク）
ネット空間の人工知能
人間
検索エンジンがあるおかげで、かろうじて人間は情報の世界を渡ることができる。
検索エンジン
（Googleなど）

IT技術による新しい現実空間のサービス（新規）
ネット空間
現実空間
クラウド/人工知能
インターネット
進出・
浸食
ロボット
実空間
センシング
ドローン
IoT
現在起こっていること～ネット空間から現実空間への回帰
ゲーム空間
人工知能
https://www.ingress.com

情報空間の拡大
～人工知能の舞台が広がる
• やがて街全体を制御する人工知能が出現する。
http://www.s-hoshino.com

人工知能のさまざまな応用

データの海が人工知能を育てる
• Amazon（協調フィルタリング）
• IBMワトソン
• IBM Watson in みずほ銀行
• AlphaGO
• ソニー「デジタルアナウンサー」
• Nvidia「自動運転」
• 医療用診断データベース

人
人
工
知
能
「人」の代わりに人工知能

人
人
工
知
能
「人」の間に人工知能
人

人
人
工
知
能
「人」の間に人工知能
人
いつ空いている？えーと…

人
人
工
知
能
「人」の間に人工知能。たとえば予定を自動調整してくれる。
人
予定表予定表
来週の月曜日の
夜どうですか？

Ａｍａｚｏｎ「協調フィルタリング」
ユーザデータ群
（たとえば販売サイト）
A B C ?
評価 5 1 4
A,B,C という映画を購入した人に、
次にどの映画を推薦するべきか？
A B C M
評価 4 2 5 5
同じ購入履歴で、同じような評価をしている
人が高く評価している映画を探して来る。
推薦

人
人工
知能
「人」の間に人工知能。たとえば予定を自動調整してくれる。
人
予定表予定表
来週の月曜日の
夜どうですか？

IBM Watson in みずほ銀行
• オペレーターが顧客の要望を復唱する。
• 言葉に変換
• 自動的に関連するマニュアルを表示する
https://www.change-makers.jp/business/10573
要件クライ
アントさん
IBM
ワトソン
オペレーター
バックアップ

IBM Watson in 東京大学医学部
• 論文を学習させる。
• 論文を積み上げると富士山ぐらいになりそうな勢
い。＝人間では無理。
• 症状を入れると、論文のリストが出て来る。
症状患者さん
IBM
ワトソン
お医者
さんバックアップ

IBM Watson in 保険会社
• 保険会社の判例を学習させる。
• 一人前になるのに数年かかる。
• かつてはベテランが教えていた。
• タブレットからIBMワトソンがアドバイス
事故
内容
クライアン
トさん
IBM
ワトソン
新人
バックアップ

IBM ワトソン
ネット上のあらゆるWiki
百科事典データベース
など
りんご赤い 90%
甘い 70%
青森 55%
フランス 40%
果物 32%
…
しぶい 7%
IBMワトソンは、文章の中の語の相関を学習する。
その学習データを用いて、インプットされた語と、
相関の強い言葉をリストアップする。

IBM ワトソン
IBMワトソンは、
社内の暗黙知を吸収し蓄積する。

ソニー「デジタルアナウンサー」
• ニュース原稿を流し込む
• エージェント（ＡＩ）が身振り
をまじえて読み上げる。
ソニー、CGキャラがニュースを自動で読み上げる“デジタルアナウンサー”--渋谷で実験
http://japan.cnet.com/news/service/35087113/

AlphaGO
膨大な棋譜のデータ
（人間では多過ぎて
読めない）
この棋譜を
そっくり打てる
ように学習する
自己対戦して
棋譜を貯める
この棋譜を
そっくり打てる
ように学習する
AlphaGO

Deep Q-Learning
Volodymyr Mnih, Koray Kavukcuoglu, David Silver, Alex Graves,
Ioannis Antonoglou, Daan Wierstra, Martin Riedmiller (DeepMind Technologies)
Playing Atari with Deep Reinforcement Learning
http://www.cs.toronto.edu/~vmnih/docs/dqn.pdf
画面を入力
操作はあらかじめ教える
スコアによる強化学習

二つの人工知能
IF (s_collison==true)
register_all(s_star);
assign_edge();
assign_vertex();
mix_all();
シンボルによる人工知能
（記号主義）
ニューラルネットによる人工知能
（コネクショニズム）
IBM ワトソン
など
AlphaGo
など
http://www.nature.com/nature/journal/v518/n7540/full/nature14236.html

学習過程解析
Volodymyr Mnih, Koray Kavukcuoglu, David Silver, Alex Graves,
Ioannis Antonoglou, Daan Wierstra, Martin Riedmiller (DeepMind Technologies)
Playing Atari with Deep Reinforcement Learning
http://www.cs.toronto.edu/~vmnih/docs/dqn.pdf

• Pπ ロールアウトポリシー（ロールアウトで討つ手を決める。
Pπ（a|s） sという状態でaを討つ確率）
• Pσ Supervised Learning Network プロの討つ手からその
手を討つ確率を決める。Pσ（a|s）sという状態でaを討つ確
率。
• Pρ 強化学習ネットワーク。Pρ（学習済み）に初期化。
• Vθ(s’) 局面の状態 S’ を見たときに、勝敗の確率を予測
する関数。つまり、勝つか、負けるかを返します。
Mastering the game of Go with deep neural networks and tree search
https://deepmind.com/research/alphago/

Mastering the game of Go with deep neural networks and tree search
https://deepmind.com/research/alphago/

あから２０１０
激指 YSS
合議
Bonanza
GPS
将棋
あから2010合議サーバログを可視化してみた（A Successful Failure）
http://blog.livedoor.jp/lunarmodule7/archives/1121781.html

Nvidia「自動運転」
• 専用のグラフィックボードを
開発
• 市場へ向けて投入
• 高速道路用など用途別。
http://www.nvidia.co.jp/object/drive-px-jp.html

http://www.nvidia.co.jp/object/drive-automotive-technology-jp.html

• 人間には扱えないような大きなデータから、
• 人間では気づかない特徴を学習している。
学習する人工知能から学ぶこと
• さらに人間の解釈を通過することなく、
• 直接サービスやアクションを展開する
（当然アマゾンの開発者は我々に何を推薦してい
るか知らない）

ユーザー
データ
AI

まとめ
• 人工知能は、オートメーションの新しい姿。
• 人間に近い領域までオートメーションする。
• だから人間には脅威を感じる。
• だからそれは、「社会インフラ」の新しい形で
もある。

• 人間には扱えないような大きなデータから、
• 人間では気づかない特徴を学習している。
• さらに人間の解釈を通過することなく、
• 直接サービスやアクションを展開する
（当然アマゾンの開発者は我々に何を推薦して
いるか知らない）

人工知能は
電気、ガス、インターネットのように
社会インフラとなる。

情報空間の拡大
～人工知能の舞台が広がる
http://www.s-hoshino.com
ビックデータ
インフラ
としてのAI

職業は人工知能でなくなるか？
• 自分の職業の内容を細かくリストアップしてみましょう。
• その中の何割かが人工知能で置き換わるか、考えるか、
専門家に聞いてみよう。
• 全くなくなるのではなく、部分的に置き換わる。
• つまり発想を逆にして、人工知能といかに共存するか、そ
の共存の仕方を模索する時代に来た。

• 朝起きる。
• 電車に乗る。
• メイルをチェック。
• 必要な事項など返信。
• 会社に着く。
• メイルをチェック。予定をチェック。
• 要件を検討し内容を返す。
• 朝ミーティング。
• それぞれの要件を確認。
• 技術的な設計文書を書く。
• 相談する。プログラムして貰う。/ プログラムを書く。
• 出来ると社内に持っていく。
• 説得する。論争になる。
• つかれる。
• 食堂でたそがれながら、コーヒーを飲む。
• 机に返る。相談が来る。
• 技術的な解決策を示す。
• でも心配になってもう一度危機に来る。
• 人間関係の相談を受ける。

• 朝起きる。
• つかれる。
自分の仕事に何割かが人工知能に置き換わる。

• 朝起きる。
• つかれる。
＝これからは人間と人工知能が協調する時代

• 朝起きる。
• つかれる。
＝人工知能とペアを組んで強いチームが勝つ

• 朝起きる。
• つかれる。
＝人工知能とペアを組んで強いチームが勝つ
＝人間とペアを組むことを前提に人工知能を開発
するべき
＝単独の人工知能ではなく

単独の人工知
能
人間とペアを
組む人工知能
社会
インフラ
パーソナ
ル・サービ
ス
人間の心
人と人の間
/モバイル
システム
/ビックデー
タ

人工知能は二種類ある。
社会インフラとなる人工知能。
個人をアシストする人工知能。
二つともこれからのビジネス。

第三章人工知能の各種事例

第四章人工知能の発展の方向

自然知能と人工知能
人間
＝自然知能
機械
＝人工知能

人間の精神、機械の精神
意識
前意識
無意識
外部から
の情報
意識
前意識
無意識
外部から
の情報
言語・非言語境界面
知覚の境界面
人工知能は、人間の知能を機械に移したもの。

西欧的知能感
神
人間
人工
知能
垂直的知能感
人間に似ていれば
似ているほど良い。
＝ Human-like AI
命令言語

東洋的知能感
神
人間
人工
知能
鹿
ゾウリ
ムシ
初音
ミク
AIBO たま
ごっち
水平的知能感
すべてに神が宿る
（「八百万の神」世界観）
話者言語

AI とキャラクターは相性が良い

一つの体験
経験２
さまざまな現実
人間は一つの体験をさまざまな経験に変形しながら学習していく
メタファー
知能とメタファー
図３９

一つの知的機能
経験２
さまざまな現実
人工知能はたくさんの体験から一つの知的機能を学習する
知能とメタファー
図３９
抽出

人間の言語空間
人工知能の
言語空間

会話ってなんだろう？
http://gahag.net/001633-animal-set/

言語とは世界の分割である

言語とは世界の分割である
分割

• 世界を人間は生態（身体）によって分割する
• 人工知能はその分割を模倣する
• 人工知能の学習＝統計的学習
• 細やかなニュアンスは失われる

人間の言語空間（細かい）
人工知能の
言語空間
（荒い）

• 西欧型の人工知能は、知能＝言語である、
という信念がある。（欧州語族・英語）
• 「話し言葉＜書き言葉」
• 日本語の研究は、欧米の言語研究の枠に
従っている。

プレイヤー・プロフィールデータ
- ステータス
- 体力
- 魔法力
- 装備
-- 右手武器
-- 左手武器
-- 防具
-- 指輪
- レベル
- 職業
- 覚えている魔法リスト
- 経路
- 最後に訪れた街
- 最後に訪れたダンジョン
-- 滞在時間
-- 受けた総ダメージ
-- 魔法使用料
-- 消費したアイテムリスト
-- 倒したモンスターのリスト
-- 戦闘不能にされたモンスター
- 最後に話した人物
- 徒歩距離
- これまでに訪れて来た街のリスト
- 物語
- 最後の話した人物
- 物語の進行度
- 探しているアイテム
- これまで聞いたキーワードのリスト
プレイヤー・プロフィールデータ
- [名前] ファウスト
- ステータス
- [体力] 256
- [魔法力] 137
- [装備]
-- [右手武器] 星光剣
-- [左手武器] 鉄こんぼう
-- [防具] 月の盾
-- [指輪] レッドリング
- [レベル] 31
- [職業] 戦士
- [覚えている魔法リスト] ファイラルウオラルデポイゾ
- 経路
- [最後に訪れた街] ケルム
- [最後に訪れたダンジョン] 北のほこらの洞窟
-- [滞在時間] 4時間33分
-- [受けた総ダメージ] 17324
-- [魔法使用量] 384
-- [消費したアイテムリスト] 薬草 10 魔法石 34 毒気薬 7
-- [倒したモンスターのリスト] ザッコ― ボムラスニコラム大狼
-- [戦闘不能にされたモンスター] 大狼
- [徒歩距離] 1783km
- [これまでに訪れて来た街のリスト] グリエラートナミルウロ
- 物語
- [最後の話した人物] カイル
- [物語の進行度] 73%
- [探しているアイテム] ふしぎの杖
- [これまで聞いたキーワードのリスト] 霧の山脈白銀の搭
自動抽出

人工知能がブームになるとき
時間
規模
1960 1990 2000
第一次AIブーム第二次AIブーム第三次AIブーム
1970 1980 2010
シンボルによる人工知能は
堅実に進化する

IF (s_collison==true)
register_all(s_star);
assign_edge();
assign_vertex();
mix_all();
（シンボリズム））
IBM ワトソン
など
AlphaGo
など

IBM ワトソン（学習→知識→応用）
ネット上のあらゆるWiki
百科事典データベース
など
りんご赤い 90%
甘い 70%
青森 55%
フランス 40%
果物 32%
…
しぶい 7%
IBMワトソンは、文章の中の語の相関を学習する。
その学習データを用いて、インプットされた語と、
相関の強い言葉をリストアップする＝知識ベース
音声やニュアンスは削ぎ落されている / 文脈が削ぎ落されている

医学的知識
モデル
化
数学的モデル
ニューロン
人工ニューロン
ニューラルネットワー
ク
（人工ニューロンを
つなげたもの）
貯まった電気（電位）
発信シグナル
図１７

ある層の限定した領域を次の層に向けて足し合わせて
集約する＝折り畳み（コンボリューション）
その時にちょっとづつずらしながら折り畳みを行う。

ディープ
ラーニング
データ
（数
値）
たくさんのデータから、データの中にある
規則＝内部関係性を学習する
表現
（数値）

時間
規模
1960 1990 2000
1970 1980 2010
ニューラルネットによる人工知能は、
浮き沈みが激しい。

時間
規模
1960 1990 2000
1970 1980 2010
ニューラルネットによる人工知能は、浮き沈みが激しい。
＝しかし、人工知能がブームになる時は、
必ず改良されたニューラルネットワークが現れる。

この３００年の技術の動向
社会
機械レイヤー
情報処理レイヤー
人工知能レイヤー

2 第１次AIブーム
時間
規模
情報革命
ネット革
命
知能革命
電子情報化
オンライン化
知能化
1960 1990 2000
1970 1980 2010

2 第一次ＡＩブーム（1960年代）
• コンピューターは大型のものしかない。
• 人工知能という分野自体が誕生したばかり。
• ニューラルネットという新しい分野のブーム。
１９世紀後半
人間の脳は
ニューロンという
もので出来てい
るらしい
２０世紀前半
ニューロンの
電気的性質が
解明される
（ホジキン博士、
ハクスレー博
士）
1950年代に
ニューラルネット
発明
1963年に
ホジキン＝ハク
スレー方程式が
ノーベル賞

2 第一次ＡＩブーム（1960年代）
もし A ならば B
もし B ならば C
よって、
もし A ならば C
（記号主義）
推論ベースニューラルネット
誕生

3 第二次ＡＩブーム（1980年代）
• パソコンが普及して行く。
• ルールを集めて知能を作ろう。
• 逆伝播法によるニューラルネットのブーム。
パソコンが
世の中で
普及して行く
知識主義
＝
たくさんの知
識を人工知能
に
与えて推論
すれば知能が
できる
インターネッ
トもなく、知識
が足りない。
推論も専門
的な機能の
み。

3 第二次ＡＩブーム（1980年代）
IF （A） then B
IF （C） then D
IF （E） then F
IF （G） then H
IF （ I ） then J
（記号主義）
ルールベース
新しい学習法＝
逆伝搬法

0 0 0
【逆伝播法】
ここが１になるように、
結合の強さを、
さかのぼって変えて行く。
Ａのときは（１、０，０）
Ｂのときは（０，１，０）
Ｃのときは（０，０，１）

4 第三次ＡＩブーム（2010年代）
• インターネットが普及して行く。
• インターネットで蓄積されたデータを学習させて
知能を作ろう。
• 改善されたニューラルネットのブーム。
インターネッ
トが世の中で
普及して行く
データ
学習主義
＝
たくさんのデー
タを人工知能
に学習させる
現在、進行中

4 第三次ＡＩブーム（2010年代）
（記号主義）
データベース
新しい学習法＝
ディープラーニン
グ
データベース
検索エンジン
キーワード検索結果
検索
人
次の章
で
説明
します

インターネットによる
膨大なデータ
時間
規模
1960 1990 2000
1970 1980 2010
ルールベー
ス
誤差
逆伝播法
データベー
ス
ディープ
ラーニング
推論ベー
ス
ニューラル
ネット誕生
小型・中型
コンピュータの普及
大型コンピュータ
専門家のみのブーム
図２２

ディープラーニング
大量の画像
教師信号
りんごもも

シロアリ
をつまむ
観察され
た構造
行動の
構造
行動の
対象物
シ
ロ
ア
リ
階層0
シロアリ
を棒で釣る
階層1
シ
ロ
ア
リ
棒
ヤシの種を台
石に載せてハ
ンマーで叩く
階層2
ヤ
シ
の
種
台
石
ハ
ン
マ
｜
台石の下に別の台石
をかませてその上に
ヤシの種をのせてハ
ンマーで叩く
階層3
ヤ
シ
の
種
台
石
ハ
ン
マ
｜
台
石
図３松沢哲郎「チンパンジーの心」(岩波書店、2000) より
言語構造＝世界の理解の仕方
文脈

ペットボトルノート
ノートパソコン
机
左にある
右にある
奥にある奥にある
上にある上にある
イス
下にある
足が四本ある
平板がある
背もたれがある
木でできている
シンボルと世界
関係性

魔法
回復・補助魔法攻撃魔法時間魔法
蘇生
魔法
回復
魔法
状態変
化魔法
水系
魔法
水系
魔法
雷系
魔法
リ
ア
ラ
イ
ブ
ケ
ホ
イ
ル
ゲ
ケ
ホ
イ
ル
デ
ポ
イ
ゾ
フ
ァ
イ
ラ
ル
ウ
オ
ラ
ル
サ
ン
ダ
ル
ク
ロ
ノ
リ
ア
ス
ト
ッ
プ
ゲ
フ
ァ
イ
ラ
ル
24 6 12 7 9 4 8 5 20 12
消費魔法力

ディープ
ラーニング
データ
（数
値）
データの関係性
表現
（数値）

ディープ
ラーニング
言葉
（数
値）
データの関係性
表現
（数値）

言葉
言葉
言葉言葉
（数値ベクトル）

ケホイル
ゲケホイル
サンダル
マサンダル
魔法
進化
ケホイル
ゲケホイル
サンダル
マサンダル
魔法
進化
W_00
W_10
W_01
W_11
W_50
W_51
W_41
W_40
W_31
W_30
W_20
W_21
Skip-gram アーキテクチャ

ケホイル
ゲケホイル
サンダル
マサンダル
進化
進化
W_X
W_Y
（ゲケホイル）ー（ケホイル）＋（サンダル）＝（マサンダル）
（ゲケホイル）ー（ケホイル）＝（マサンダル）ー（サンダル）＝（進化）

• 言葉の上にすべてが表現されていると考える（欧米
流）
• 構築的アプローチ
• 言葉の上に現れないものがある（日本流）
• 言外の意味＝空白に意味を込める
• 流れ（コンテキスト）さえあれば、そこに流れ込む

表面的意味
＝言葉に現れている
深い意味
＝言葉に現れていない

唯識論世界は識から成り立つとする理論。
眼識
耳識
鼻識
舌識
身識
意識
阿頼耶識
（一切種子識）
末那識
感覚
（五識）
思考
自我執着心
根本心
表層心
深層心
言葉なしで対象を直接
に把握する。それぞれ
固有の対象を持つ。
五識と共に働いて感覚を
鮮明にする。五識の後に
言葉を用いて対象を概念的
に把握する
常に阿頼耶識を対象として
「我」と執する。
眼識ないし末那識を生じる。
身体を生じて生理的に維持している。
自然をつくり出し、それを維持し続けている。
一切を生じる種子を有する。
（横山紘一「唯識の思想」、講談社学術文庫、P.60 ）
この阿頼耶識から認識が立ち上がるプロセスを実装
できないか？それは現象学の志向性に通じる。

Do you like the simulation game ? 98
du
do
d
u
y
yo
l
li
ry
ck
k
ky
th
z
ze
Sy
Si
zi
mu
m
uu
le
ra
ti
sy
on
an
a
g
Ju
zy
m
fu
do 76
dyu 34
li 63
k 87
ck34 z 34
th 94
sym 74
zi 64 la 65
ra
71
sim 88
ty 23
te 93
ti 73
an 43
on 53
gu 33
gy 34
ge 74
mu 94
a
c
d
e do 88
you 86
Yaucht 76
like 62
luck 78
Zym 54
the 83
simulation 88
civilization 31
far 94
gam 54
simulation game 94
h Do you 89
you like 77
you luck 89
far civilization 78
the simulation 71
game 87
civilization game 94
jam 31
g

けものをのけものにしない
日本語で難易度の高い例文（考えてみよう）

けものをのけものにしない
日本語で難易度の高い例文（考えてみよう）
コンピュータが内容を理解するためには、意味ある文章にするためには、
AIで良く使われる形態素解析という行為が必要です。
人間で言うと品詞分解です。

生起コスト
「けものをのけものにしない」の形態素解析の例
けもの
を
のけもの
に
けもの
のけもの
しないけの
にし
し
ない
もの
28
名詞：毛
44
名詞：物
48
名詞：獣
57
助詞：を
8
名詞：獣
57
のけもの
助詞：の
27
名詞：のけもの 77
動詞：のけ
17
名詞：物
37
名詞：野
27
名詞：毛
31
名詞：藻
67
助詞：の
8
助詞：に
7
名詞：竹刀
97
名詞：西
22
動詞：する変形
11
助動詞：ない
5
10
10
51
71
11
11
27 27 20
35
15
9
32
17
17
17
32 45
23
13
5
17
連接コスト
品詞
推定

ローブ1
ローブ2
ニューロン

意思決定ローブ
コンセプトローブ
（640ニューロン）
認識ローブ
注意
刺激源名詞
動詞いろいろ Drives
知能を構成するローブの構成

キャラクター文化人工知能技術
西洋の文化と人工知能

キャラクター文化人工知能技術
キャラクター・エージェント指向
日本のキャラクター文化と人工知能
図３８

デジハリ講義人工知能第四回「社会と人工知能」 Society and AI

Empfohlen

Empfohlen

Weitere ähnliche Inhalte

Was ist angesagt?

Was ist angesagt? (20)

Ähnlich wie デジハリ講義人工知能第四回「社会と人工知能」 Society and AI

Ähnlich wie デジハリ講義人工知能第四回「社会と人工知能」 Society and AI (20)

Mehr von Youichiro Miyake

Mehr von Youichiro Miyake (20)