「VisualなAI」の課題 (1)

 【 GPT-4Vの技術的達成と限界 】

今回と次回のセッションでは、「VisualなAI」の課題を、 二回に分けて二つの切り口から考えます。

今回扱う一つの切り口では、OpenAIの「VisualなAI」へのアプローチを技術的な側面から展開した 「CLIP論文」をベースに、 GPT-4Vの「技術的達成と限界」を考えたいと思います。

次回のセッションで扱うもう一つの切り口は、機械の視覚能力と人間の視覚能力との比較をしてみることです。そこからVisualなAIの課題を考えます。

二つ目の切り口は、「視覚能力の進化」を考えることに帰着すると僕は考えているのですが、その進化史には機械が登場します。

＜＜ GPT-4VとCLIP論文 ＞＞

GPT-4Vの技術的達成と限界を見る今回のセッションは、OpenAIの「CLIP論文」に依拠しています。

これについては、先月行ったマルレク「大規模言語モデルの展開 -- マルチモーダルへ」の
"Part 3 CLIP: Connecting text and images" を参照ください。
https://www.marulabo.net/docs/multimodal/#part-3-clip-connecting-text-and-images


【 GPT-4Vの技術的達成 】

OpenAIのAIによる画像認識技術に対する認識は、なかなかシビアなものです。そうした観点は注目に値します。

「ディープラーニングはコンピュータ・ビジョンに革命をもたらしたが、現在のアプローチにはいくつかの大きな問題がある。
典型的なビジョン・データセットは、作成に労力とコストがかかる一方で、狭い範囲の視覚概念しか教えない。標準的なビジョン・モデルは、1つのタスクと1つのタスクにしか向いておらず、新しいタスクに適応させるためには多大な労力を要する。また、ベンチマークでは優れた性能を発揮するモデルも、ストレス・テストでは失望するほど低い性能しか発揮できない。
これらは、コンピュータ・ビジョンへのディープラーニング・アプローチ全体に疑問を投げかけている。」

OpenAI は言います。「我々はこのような問題を解決することを目的としたニューラルネットワークを発表する。」それが CLIP だといいます。

「それは、インターネット上に豊富に存在する多種多様なnatural language supervisionを用いて、多種多様な画像で学習される。これは重要な変更点である。」

CLIPの達成したことは、ある意味で画期的なものでした。

CLIPの基本的なアイデアの一つは、さまざまな画像認識タスクをを訓練する大規模なデータセットを、インターネット上に大量に存在するテキストと画像のペアから構築しようということです。

「インターネット上で公開されている大量のこの形式のデータを利用し、4億の（画像とテキストの）ペアからなる新しいデータセットを作成した」

もう一つの中心的アイデア “natural language supervision” というのは、自然言語で書かれたテキストの意味を抽出して（それは、大規模言語モデルがもっとも得意とするところです）、その管理下で画像処理のタスク処理を行うということです。それは、画像の「意味」を対応するテキストが与えると考えることです。

こうしたアプローチで、CLIPは、この節の冒頭に引用した「コンピュータ・ビジョンへのディープラーニング・アプローチ全体に疑問を投げかけ」かねない問題の多くを解決したのです。


【 GPT-4Vの技術的限界 】

CLIP論文が重要なのは、単に、こうしたCLIPの達成を述べているからではありません。
CLIP論文の第6章には「限界」という章が設けられています。

「CLIPにはまだ多くの限界がある。 … ここではそれらを要約してまとめる。」

これが、興味深い情報を提供しています。そのいくつかを簡単に紹介しようと思います。詳しくは、動画なりそのpdfをご覧ください。

・必要な計算量について
「ゼロショットCLIPが全体的な最先端性能に到達するためには、約1000倍の計算量の増加が必要であると推定される。これは現在のハードウェアでは訓練不可能である。」

・学習効率の悪さ
「CLIPモデルのトレーニング中に見られるすべての画像が1秒に1枚の割合で提示された場合、32のトレーニングエポックにわたって見られる128億枚の画像を反復するのに405年かかる。」

・苦手なタスクの存在
「「CLIPのゼロショット性能は、いくつかの種類のタスクではまだかなり弱いことがわかった。 … 画像内のオブジェクトの数を数えるような、より抽象的で体系的なタスクでも苦戦する。… CLIPのゼロショット性能が偶然に近いレベルであるタスクはまだまだたくさんあると確信している.」

・訓練データに含まれないデータの認識
「CLIPは、MNISTの手書き数字では88%の精度しか達成できなかった。このことは、CLIPが深層学習モデルの脆い汎化という根本的な問題にほとんど対処していないことを示唆している。代わりにCLIPはこの問題を回避しようとし、このような大規模で多様なデータセットで学習することで、すべてのデータが効果的に分布内となることを期待している。これは素朴な仮定である。」

・画像に対してキャプションを生成できるわけではないこと
「CLIPは様々なタスクやデータセットに対して柔軟にゼロショット分類器を生成することができるが、それでもCLIPは生成されたゼロショット分類器内の概念のみから選択するという制限がある。これは、新しい出力を生成できる画像へのキャプション付けのような真に柔軟なアプローチと比較すると、大きな制限である。」

・データセットの「バイアス」の問題
「CLIPはインターネット上の画像と対になったテキストで学習される。これらの画像とテキストのペアはフィルタリングされておらず、キュレーションもされていないため、CLIPモデルは多くの社会的バイアスを学習することになる。」

等々、長くなるので以下省略しますが、様々な問題が指摘されています。
僕は OpenAIのこうした「率直さ」は好きです。あまり、がっかりさせてもいけないと思い、「 CLIPの可能性と研究課題」というセクションにまとめておきました。
「今はこうだが、そのうちChatGPTみたいに大化けするかもしれない。」といった期待があることと、弱点克服のための今後の研究課題をまとめておきました。

---------------------------------

ショートムービー「 「VisualなAI」の課題 (1) 」を公開しました。
https://youtu.be/koKo_hkTPwA?list=PLQIrJ0f9gMcONFj6CSbKdp_mdh_81VgDU

ショートムービー 「 「VisualなAI」の課題 (1) 」のpdf資料https://drive.google.com/file/d/1ASSHVma7BXhoXfXYRd6ToPHHYaerpxVS/view?usp=sharing

blog : 「 GPT-4Vの技術的達成と限界 」
https://maruyama097.blogspot.com/2023/10/visualai-1.html

セミナーに向けたショートムービーの再生リスト
https://www.youtube.com/playlist?list=PLQIrJ0f9gMcONFj6CSbKdp_mdh_81VgDU

マルレク「AIの利用とインターフェースを考える」のまとめページ
https://www.marulabo.net/docs/personalai/





コメント

コメントを投稿

このブログの人気の投稿

マルレク・ネット「エントロピーと情報理論」公開しました。

イメージ
前回の秋葉原でのマルレクのネット配信が始まりました。 https://crash.academy/class/156 タイトルを「エントロピーと情報理論 -- 量子情報理論入門 -- 」に変更しました。最初の30分は、無料です。 次回のマルレク「量子コンピュータとは何か？」の導入となるコンテンツです。 講演資料は、こちらです。 https://goo.gl/CKayix  あわせて、ご利用ください。 　　　--------------------------------- 　　　マルレク・ネット　ビデオ・コンテンツ　 　　　--------------------------------- 　「エントロピーと情報理論」 　　　　 https://crash.academy/class/156 　「人工知能の歴史を振り返る」 　　　　 https://crash.academy/class/139/ 　「ニューラル・コンピューターとは何か？」 　　　　 https://crash.academy/class/101/ 　「Google ニューラル機械翻訳」 　　　　 https://crash.academy/class/76/ 　「RNNとLSTMの基礎」 　　　　 https://crash.academy/class/66/
続きを読む

初めにことばありき

旧約の「創世記」の「光よあれ」は、ビッグバンを思わせて、物理学者はちょっと萌えるかもしれないのだが、新約の「ヨハネによる福音書」には、言語学者が喜びそうなフレーズがある。 「初めに言があった。言は神と共にあった。言は神であった。」 僕が知っていたのは、「はじめにことばありき」という訳だったのだが。この口語訳での「言」は、英訳だとこうなっている。 "In the beginning was the Word, and the Word was with God, and the Word was God." 「言」= "Word" である。はじめにあったのは、Wordであって、Language ではない。だから、新しい口語訳では、普段、あまり馴染みない「言」という訳語を使ったのかも。「初めに語があった」では、なんかしまらないんだろうな。（僕は、「はじめにことばありき」というフレーズの方が好きだ。） ちなみに、「ヨハネによる福音書」は、英語では、"Gospel of John" という。「ジョンのゴスペル」である。でも、そう日本語に訳してしまうと、ジョン・レノンがバラードではなく、ゴスペルを歌っているようで、まずいんだろうな。 「ことば」・「言」・"Word" と訳されている、元々の言葉を調べてみると面白い。 キリスト教のオーソドックスな原典であるラテン語訳聖書では、この部分は、こうなる。 "In principio erat Verbum, et Verbum erat apud Deum, et Deus erat Verbum" 「イン・プリンキピオー・エラト・ウェルブム」 英訳 Word のラテン語の原語は、Verbum である。この単語、英語に直訳すれば、Verbである。「初めに、動詞があった。」　言語学の「従属性文法 (Dependency Grammar) 」理論の人たち、喜びそう。 もっとも、英語のVerbは、元々は、動詞というより広く言葉全体をさしてたらしい。そのことは、「ノンバーバル・コミュニケーション (Non-Verbal Communication) 」というのが、動詞を使わないコミュニケーション
続きを読む

人間は、善と悪との重ね合わせというモデルの失敗について

人間は善と悪との「重ね合わせ」だという前回の話は、人間の本性の複雑さを語るのには、ありうる喩えなのかもしれないが、量子の「重ね合わせ」の喩えとしては、実は、二つの点で失敗しているのだ。 一つには、複雑な善と悪との重ね合わせから情報を引き出す「簡単・粗野」な方法として、善か悪かの判断のみを下す「善悪測定器」を、便宜的に導入したのだが、これがマズイ。 複雑な量子の状態を「測定」した時に、我々は、その状態を複雑なまま見いだすことは出来ないのだ。量子が、善と悪との状態の重ね合わせだとしたら、測定によって我々が見いだすのは、必ず、善か悪か、どちらかの状態の量子を見いだす。 もしも、量子が、善悪二つの状態の重ね合わせではなく、もっと沢山の状態（例えば、100個の状態）の重ね合わせの場合でも、我々が「測定」で得られるのは、その中の、たった一つの状態である。 だから、量子の世界では、善か悪かの判断のみを下す「善悪測定器」は、決して「便宜的」なものではなく、これ以外の測定はできないという意味で、「原理的」な制約を表現しているのである。そのことが、先の喩えでは、うまく表現されていない。 量子の不思議さを、「重ね合わせ」の状態が不思議だと思っている人も多いのだが、それは違うと思う。 善と悪との重ね合わせの前回の例もそうだし、波だって、フーリエ変換だって、我々の日常に、たくさん「重ね合わせ」の現象は存在する。それは、ちっとも不思議なことではないし、表象するのも簡単である。 不思議なのは、「重ね合わせ」ではなく、量子に対する「測定」の方なのだ。それは、我々が「測定」に対してもつイメージとは、かけ離れている。量子力学の基礎の部分を構成しているのは、この不思議な「測定」の形式化・数式化なのである。（そして、それは、難しいものではない。今度の「紙と鉛筆」の演習に来て。） 二つ目の失敗も、実は、「測定」の扱いに関係している。 先の例では、丸山は、1,000回ほど「善悪測定器」にかけられ、その結果で、70% 悪人で、30% 善人 だと判定されるみたいな話をした。それが違うのである。 我々が「測定」で得られるのは、「重ね合わせ」を構成する複数の状態の中のたった一つの状態であると書いたのだが、それだけではないのだ。「測定」によって、量子の状態は、「測定」された一
続きを読む