1. は じ め に
第五世代コンピュータプロジェクトが行われた 1980 年代から 90 年代前半の機械学習では，知識表現上で 学習が行われていた．古き良き人工知能（Good Old Fashioned Artificial Intelligence: GOFAI）を仮定した 学習手法であった．プロジェクトに特に関係が深かった のは，（知識表現の一種としての）論理プログラムの機 械学習手法である．そのことを考えて，本解説では，プ ログラミング言語と知識表現から説き起こして，その観 点からの機械学習を論じることにする．
2. 人工知能の発展と第五世代コンピュータ
人工知能の研究では，研究の進展に応じて，対象とな る知能が扱う対象が拡張され，それに応じて，さまざま な知能像が追求されてきた．1950 年代に研究が開始さ れたが，1960 年代には主としてパズルやゲームが対象 とされ，知能の本質は探索であるとされた．推論機構の 基礎となる融合原理（resolution principle）が提案され たのも，この頃である．1970 年代に入ると，計算機の 能力の向上も相まって，探索や推論を種々の分野に適用 することが可能となり，計算機の内部に対象分野ごとの 知識を構築することが試みられた．知識工学が体系化さ れ，知識を格納するための器となる種々の知識表現が提 案され，1980 年代には知識工学の技術を実用化するた めの企業が設立されるようになる． 計算機科学の観点では，知識表現とは従来の手続き型 の高級プログラミング言語をさらに高級化したものであ る．1980 年頃まで，計算機言語は機械語，アセンブラ， Cobol，Fortran，Algol，Pascal と高級化が進んでいた． そこで，さらなる高級化が模索されたわけである．その 一つの宣言的プログラミングでは，おのおのの場面で計 算機の動作を指定しなくても，一つの知識で複数の局面 に対応させることが可能な技術とされた．一般的な知識 を例えば述語論理などで記述することで，局面に応じた 複数の手続きを自動的に生成する．1980 年代の初めは， このような考え方に，大きな期待が寄せられた時代で あった．これは，通常のプログラミングとは明らかに異 なる．プログラミング言語は計算機の動作を指定するも のであり，知識として一意に記述されているわけではな い．プログラムの仕様は，日本語や英語などで静的に記 述され，それをもとにプログラマが人手でアドホックに プログラムとして書き下していた． この（当時の）新しい考え方によれば，正しい知識を 書き下せば，細々としたプログラミングを行う必要がな くなる．プログラミングの手間をなくすための画期的な 考え方である．対象を限定すると，この考え方がうまく いくものもある＊1．このアイディアが成功するかどうか は，正しい知識を書き下せるかどうかにかかっているの で，知識の表現方法が研究された． 当時の考え方では，知識は知能の内部に存在し，外部 世界の事物に対応付けられるとされた．外部世界に対象 物がいくつかあって，それらと一対一に対応するものを 知識として表現するとされた＊2．そこで知識表現をどん どん詳しくしていけば人間と同じように知的になってい くわけである．ところが，実際に知識表現を備えた専門 家システムを開発すると，想定した外部世界は変化し続 け，知識表現内のデータだけではなく，知識表現も常に機械学習技術から見た
第五世代コンピュータと未来
The Fifth Generation Computer Systems Project from the View Point of
Machine Learning and Its Future
沼尾 正行
大阪大学産業科学研究所Masayuki Numao Institute of Scientific and Indusrial Research, Osaka University.
numao@sanken.osaka-u.ac.jp, http://www.ai.sanken.osaka-u.ac.jp/
Keywords:
machine learning, knowledge representation, explanation-based learning, inductive logic programming, the Fifth Generation Computer Systems Project.「第五世代コンピュータと人工知能の未来」
＊1 例えば，ECML/PKDD 2013 の Declarative Data Mining の セッション [Blockeel 13] では，データマイニングの過程を宣言 的に記述し，実際に動作させる手法が発表されている． ＊2 ヴィトゲンシュタインの前期思想である論理哲学論考の世界 に近かったように思う．これに対して，当時哲学者の土屋 俊先 生が，「世界全体は，頭の中に入らないでしょう ?」と批判され ていたのを覚えている．著者には，その意味するところはすぐ にはわからず，単におちょくられているのかと思った．その後， 入門書 [池田 90, 永井 95] を読んでようやく理解できた．
改訂を続ける必要が生じ，その手間は膨大なものになっ てしまったのである． Winogradと Flores[ウィノグラード 89] は，その理由 を哲学で研究された現象学にまでさかのぼって論じた． その議論は魅力的な反面，かなり複雑なので原典を読ん でみることをお勧めする．それを圧縮して簡単に述べる と次のようになる＊3．外部世界とは客観的なものではな く，間主観的なものである．客観的な外部世界があるわ けではなく，自分に起こっている現象を人々が言語を用 いて言い当てているだけである．人々は最初はかなりば らばらなことを言っている．しかし，言葉を交わしてい る間に，だんだん辻褄が合ってきて，共通の了解が生ま れる．その結果，客観的な事柄が外部世界に存在してい るという信憑が人々の間に何となく出てくる．そこで重 要なのは，信憑が生じるだけなのであって，実際に客観 的な外部世界があるわけではないことである．そうした 信憑が広がって，社会的に定着したものが知識と呼ばれ ている．そのため，人々から主観的に見れば，外部世界 は動的に変化し続けるもので，対応する知識も個人，小 さなグループ，専門家のみに通用する信憑から，社会的 に定着した信憑まで，さまざまな段階がある．客観的と 思っていた「知識」は，実は主観的な共感の輪なのである． [西条 05] は，そうしたさまざまな信憑を許容しつつ， 人間科学を再構築することを提案しており，人工知能の 研究者にとっても興味深い．一方，従来の知識表現と専 門家システムは，さまざまな信憑を複数保持して，適切 に扱えるようにはなっておらず，結果として杓子定規で 脆いものとなった．それが当時の人工知能の限界となっ たのである． この限界を突破するには，唯一無二の知識表現を知能 の中に配置するのではなく，例えば，複数のエージェン ト間で，信憑の候補をやり取りしながら，間主観的な信 憑として動的に知識を構築する必要がある．そうした構 成を取るマルチエージェントシステムは存在しており， 個々にアドホックに作成されている．センサネットワー クはセンサ間で信憑の候補をやり取りしていると捉えて もよい．セマンティック Web では，サイト間でタグ付 き記述をやり取りしている．どちらも，プロトコルとそ の解釈には柔軟性が必要である．シンボルは，各エージェ ントが経験してきた現象に結び付いている．しかし，外 部世界に対応物（状況理論 [バーワイズ 92] でいう「錨 （anchor）」）があるというのは，信憑に過ぎない． 生物の世界では，ワトソンとクリックが DNA の二重 らせん構造を発見した当時は，DNA は生物の設計図が 入っており，それをもとに RNA がつくられて，生物が 出来上がると単純に考えられていた．しかし，今の最 先端の研究では，小さな RNA と環境のインタラクショ ンに興味が移っているようだ．そうして出来上がった RNAをもとに DNA に修正が加えられるということら しい．宣言的知識が DNA に対応するとすると，そこか ら生成される手続き的知識は，RNA に相当する．手続 き的知識から宣言的知識が修正されるメカニズムがわか ると面白い． 1980年代には知識を計算機に植え付ける方法が研究 され，第五世代コンピュータは，そのための計算機を追 究したものだった．しかし，そこには，上述のように落 とし穴があった．そもそも植え付けるべき知識は膨大で あり，大変だということがある．それを系統だって行う 方法としてオントロジーの研究が続けられている．客観 的な外部世界があるということならば，書き込む作業を ひたすら続ければよい．しかし，突き詰めて考えると， 必ずしも客観的な外部世界があるというわけではなく， 書き込もうとしても，そのときそのときの信憑に応じて， 知識は変わっていく．そうした変化に計算機が対応して いく必要がある．それを解決する手段として，機械学習 の研究が進められた．
3. 第五世代コンピュータ時代の機械学習技術
3･1 記号処理による機械学習の登場 パーセプトロンの研究以降，いったん沈静化していた 学習研究は，エキスパートシステムの隆盛により「知識」 という新しいパラダイムを得て，1980 年代前半に新し い局面に入った．それまでの学習がパラメータの調整を 主にしていたのに対して，知識表現の記述を自動生成す るというパラダイムを得て，勢い付いた． 本来，知識表現やプログラミング言語といったものは， 人が知識を記述しやすいように設計されている．それを 自動生成しようとすると，とんでもない量の計算が必 要なことがまず明らかになった．例えば，80 年代前半 にバージョンスペース法，および Algorithmic Program Debuggingによる論理プログラムの生成手法が提案され ているが，これらは実用的な対象に適用しようとすると， 探索空間が膨大になる．こうして，パラメータ学習と知 識の学習は，同じ学習でも困難さが全く異なると考えら れたのである． 3･2 説明に基づく学習 そうした中で，1980 年代後半に提案されたのが説明 に基づく学習＊4である．説明に基づく学習は，当初， 米国を中心に研究されたので，論理との関係は考察さ れず，第五世代コンピュータとの関係は薄かった．そ ＊3 これは，むしろ別の啓蒙書 [池田 90] に近い言い方である． Winogradらの議論に比べるとあまりにも短いが，著者の独断 でこうまとめた． ＊4 80 年代当時に著者自身が書いた解説 [沼尾 88] がある．それを 簡潔化したものが，人工知能学事典 [人工 05] にも収録されてい る．の後，導出原理（resolution principle）との関係が指 摘された [Kedar-Cabelli 87]．導出原理における単一 化（unification）を用いることで，説明に基づく一般化 が行えるのである．また，論理プログラムの部分評価 （partial evaluation）との関係も議論された [Harmelen
88]． 「説明」の語義を辞書で見てみると，「哲学で，ある現 象が因果関係によってある法則に従うことを推論によっ て示すこと．理論を確定したり，一般命題を立てる手続 き．（国語大辞典（新装版）小学館 1988）」となっている． 例題を説明することにより理論を確かめ，一般的な命題 を導けるというわけである．例えば，りんごの落下運動 を一度見て，ある法則で説明できたとする．それにより， その法則の正しさを確信し，惑星の運動に適用すること で，未来の位置を予測することができる． 具体的な手法としては，説明に基づく一般化 [Mitchell 86]が代表的である＊5．この手法では，次のものが与え られる． ● 目標概念 : 学習される概念の記述 ● 訓練例 : 目標概念の例 ● 領域理論 : 学習する領域についてのルールと事実． 訓練例が目標概念の例になっていることを説明する ために用いられる． ● 実行可能性規準 : 学習結果の条件部が満たすべき規 準．例えば，訓練例で用いられた述語であるなど． これらを用いて，次の二つのステップで，目標概念の概 念定義を満たす結論部をもち，実行可能性規準を満たす ような条件部をもつルールを得る． （1）説明：領域理論によって，訓練例が目標概念を満 たすことを証明する．その証明木が説明となる． （2）一般化：説明（証明）の構造が保持されるのに十 分で，実行可能性規準を満たすような条件の集合を 決定し，一般化の結果とする． 説明に基づく学習を広めるのに役立ち，その後，後で 述べる説明に基づくことによるパラドックスの議論を引 き起こすのにも，一役買った学習例として，次の自殺の 問題 [DeJong 86] がある． ● 目標概念：X が X を殺す→ X が自殺する． ● 訓練例： ジョンが落胆する． （1） ジョンが銃 1 を買う． （2） 銃 1 は銃である． （3） ● 領域理論： Aが B を嫌い，A が C を所持し， Cが武器である→ A が B を殺す． （4） Wが落胆する→ W が W を嫌う． （5） Uが V を買う→ U が V を所持する． （6） Zは銃である→ Z は武器である． （7） ● 実行可能性規準：訓練例で用いられた述語である． 領域理論により，訓練例が目標概念を満たすことを説 明すると次のようになる． ジョンが落胆し，ジョンが銃 1 を買い， 銃 1 は銃である → ジョンがジョンを嫌い， ジョンが銃 1 を所持し， 銃 1 は武器である → ジョンがジョンを殺す → ジョンが自殺する． 説明（証明）の構造が保持されるのに十分で，実行可能 性規準を満たすような条件の集合を決定する＊6． Xが落胆し，X が C を買い，C は銃である （8） → X が X を嫌い，X が C を所持し， C は武器である （9） → X が X を殺す （10） → X が自殺する． （11） これの最初（8）を左辺とし，最後（11）を右辺とした ものが，求めるルールである． Xが落胆し，X が C を買い，C は銃である → X が自殺する． （12） 3･3 説明に基づくことによるパラドックス この手法はまず過度の期待をもって受け入れられた． たった一つの例題で学習できるとは，何と便利な学習法 だろうか．次に反動が来た．上の学習例を見ると，三つ の訓練例（1）～（3）は確かに一般化されて，ルール（12） の左辺となっている．しかし，それらは訓練例から一般 化されたというよりは，元々領域理論中のルール（5）～（7） の左辺にあったものである．それらとルール（4）が組 み合わされた結果生成されたのである．説明するには知 識がいるが，知識を生成するのに知識がいるのでは，いっ たい何が学習されたのか ? これは「説明に基づくこと による逆説」と呼ばれる． 説明に基づく学習を考え出した当の米国の人工知能お よび機械学習関係の学会では，説明に基づくことによる 逆説に対して，説明に基づく学習では知識を獲得してい るのではなく，効率を改善しているのであるという見解 が大勢を占めた．その理由は次の事例に集約される．先 生が生徒に積分の公式を教え，それを使って積分の例題 を解いてみせると，センスの良い生徒なら，類題を解け るようになる．この場合，理論は積分の公式集であるが， 積分の公式というのは，使い方にノウハウがあり，やみ くもに適用してもなかなか解にたどり着けない．説明に 基づいて解の適用条件を調べれば，「効率良く」解にた ＊5 ジャーナル Machine Learning の初号を飾った論文である． 四半世紀経った現在発表されている内容に比べると，非常に散 文的かつ文学的な印象をもつ． ＊6 これを行うには，領域理論中のルールを説明に沿って単一化するが，詳しくは [沼尾 88] を参照されたい．
どり着ける．逆にいうと，積分の公式集が与えられると， 効率は悪くてもそれをやみくもに適用していくことで， 解は得られるから，この場合の学習は効率を改善してい るだけということになる． この事例は説明に基づく学習の特別な形態にはなって いるが，既存の知識をやみくもに適用すれば，必ず正し い結果が得られるという，こうした事例はむしろ少ない ように思われる．逆に特定の状況だけでしか成り立たな いような「こじつけた」説明を繰り返していくことで， より広い状況で成り立つような説明ができてくるという 場合が多そうである．そういう意味で，「効率を改善し ている」という見解は説明に基づく学習の適用範囲を非 常に狭め，周りの興味を失わせただけに終わった．実際 には，個々の内に閉じ，パラメータ学習だけしかできな かった脳に，言語による連携と思考を可能にさせたのが 説明の働きであり，今後多くの研究が必要なのにである． 実際，「説明」については，教育関係の学会では継続し て議論され続けている．説明に基づく学習により，「説明」 が注目されたものの，その後に急激に興味が失われてし まったのは，人工知能分野だけである． どうしてこのようになったのであろうか．それは，2 章で述べたように，知識は知能の内部に存在するとい う誤った信念に人工知能研究者が固執したからである． 人々は自分に起こっている現象について，最初はかなり ばらばらなことを言っている．しかし，言葉を交わして いるうちに，だんだん辻褄が合ってくる．その過程が説 明というものなのである． 人々が同じ状況を共有したとき，そのうちの一人が， 対象について，ある発声をする．名詞が最初に共有され る瞬間である．その名詞について何かを語ることにより， しだいに動詞や形容詞も共有されるようになる．その結 果，言葉により，いろいろな事象が共有されるようにな り，かなり最後の段階で，人々は因果関係を語りだす． これが説明の始まりである．説明は最初は各人がばらば らに語っているが，少数の辻褄の合うものが広がって， ルールとして社会の中で共有されるようになる．それが 知識と呼ばれるものの実態である． 説明は複数の人の間で共有される理論を確定する言語 行為である．不確かな理論を説明により確かめて，理論 として確立するのが説明に基づいて学習するということ なのである．すなわち，どんな手法で学習をしている場 合でも，既得知識に基づいて学習を積み重ねる場合には， 「説明」に相当する働きが必要である．また，知識の学 習がパラメータ学習に比べて難しいのは，全く説明がで きない場合であって，説明の候補をいくつか列挙できれ ば，それらを重み付けるだけで学習ができるから，パラ メータ学習と困難さは大して変わらない．もちろん，説 明の可能性が無数にある場合は，やはり困難になるが， そういう問題は人にはもっと難しかろう． そういうわけで，どんな手法で学習していても，説明 を併用するのが得策である．複雑怪奇な学習機構が行き 詰まっているように見えるときに，実は既存の知識で事 態が説明できてしまい，Aha! と一瞬で結果が得られる こともある． 認知科学ではなく工学的な立場からは，説明に基づく 学習のように少数の例から学習しても仕方がないという 議論もよく聞かれる．少数例なら人間が目の子で処理で きるからである．この場合対極にある手法は，多数の例 の統計的性質を調べる手法であり，データマイニングの 手法の多くがそうである．説明に基づく学習のような手 法をデータマイニングの領域にまで，スケールアップす るには，多くの例から一度に学習するのではなく，既知 の知識に学習結果を積み重ねていくような多段階学習の 実用化を考えなければなるまい．そうすれば，統計処理 を超えた真に知的な学習法が生まれるのではないか． 3･4 帰納論理プログラミング 以上のように，説明に基づく学習は，論理プログラ ミングとの親和性が高いことがわかった．そこで機械学 習と論理プログラミングの研究者が協力して，より強力 な学習手法を目指したのが，帰納論理プログラミングで ある．これは，帰納学習の手法を論理プログラミングの 観点から捉え直し，機械学習の手法を論理プログラミン グに応用しようとするものであり，ヨーロッパを中心 に活発になった．1991 年 3 月に最初の帰納論理プログ ラミングワークショップがポルトガルで，1992 年 6 月 に 2 回目が日本の第五世代コンピュータ開発拠点である 新世代コンピュータ技術開発機構（ICOT）で開かれた [Muggleton 92]．このように，第五世代プロジェクトと 関わりが深い機械学習研究の流れである． 帰納論理プログラミングの手法としては，古くは Shapiroの Model Inference System（MIS） が あ る．
MISでは，帰納推論の過程でユーザに質問を発すること によって，探索の範囲を絞っている．質問への回答に従っ てプログラムを合成する過程がプログラムの自動デバッ ギングとみなせるので，論理プログラミングの研究者の 関心を集めた．後述する FOIL の技法を応用し，与えら れた例だけに基づいてユーザへの質問をせずにデバッグ を行う手法も提案されている [Tangkitvanich 91]． 論理プログラムを実行するには導出（resolution）が 用いられるが，Muggleton と Buntine による CIGOL＊7
では，その過程を反対向きにたどる「逆導出」を帰納推 論機構として用いている．これにより，プログラムの構 成要素として適切な新しい述語を「発明」することが可 能になった．より効率的な新述語発明の手法に関しても， 精力的に研究が進められている [Kijsirikul 92, Ling 91]． 逆導出ではなく，プログラミング言語のインタプリタを 反転した「逆インタプリタ」により「帰納規則の類推」 ＊7 LOGIC を逆さに綴ると CIGOL となる．
を行う技法も提案されている [沼尾 91]． 一方，決定木の学習法として著名な Quinlan の ID3 や，それを拡張した C4.5 では，与えられた正例の集合 および負例の集合を最もよく弁別する属性を先に用い て，決定木を構成するようになっている．その際，各属 性による弁別の前後において例集合がもつ情報量の差に より，弁別の度合が決定される．この方式が Quinlan 自 身によって述語論理の学習に拡張され，FOIL システム としてインプリメントされた [Quinlan 90]．命題論理の ルールを学習する手法として，分離統治法がよく知られ ている．それを素直に述語論理に拡張した手法として， FOILは教科書の記述にもなじみやすい [元田 06]．シン プルであるだけに，確率を導入したり，サポートベクタ マシンの手法と組み合わせるなど，多くの試みの基礎に なっている [Landwehr 06]． FOILの方法により，真偽を判定するプログラムは合 成されるが，答を計算するようなプログラムは合成できな いので，それに適した手法として，決定的な項だけに仮説 空間を制限することが提案されている（GOLEM システ ム [Muggleton 90]）．これは G. D. Plotkin の相対最小汎 化（Relative Least General Generalization: RLGG）の 概念を発展させたもので，論理プログラムの多くはバッ クトラックを伴わないことから，かなり有効な手法であ ると考えられる．その後，Muggleton は，帰納論理プロ グラミングの代表的な手法として，Progol [Muggleton 95]を発表し，広く使われるようになっている．
4． 論理プログラミングとそれによる機械学習の
未来
論理型言語の機械学習について述べてきたが，この観 点では第五世代コンピュータで開発，実現された論理型 言語の機能はオーバスペックな部分や足りない部分があ る．論理プログラミングは本来は分散コンピューティン グに適しているのだが，第五世代コンピュータではホー ン節のプログラム的解釈の面が強調された結果，そのメ リットが薄められている．与えられたお題からははみ出 しているかもしれないが，このことについて述べたい． 4･1 論理プログラミング再考 論理型言語は，コワルスキー（Robert Kowalski）に よる述語論理式（ホーン節）のプログラム的解釈に基 づいて，その基本的な考え方が確立した．この解釈は 1970年代の比較的単純な計算環境にはよくマッチして いる．しかしながら，1980 年代には，LSI 技術の進歩 によりマイクロプロセッサが普及し，計算機はミニコン ピュータからワークステーション，パソコン，組込みシ ステム（Embedded system），ユビキタスコンピューティ ングへと小型分散化の一途をたどった．計算は単一の中 央処理装置ではなく，分散したネットワーク上で行われ るようになり，現在の主流はクラウドコンピューティン グである．第五世代コンピュータは研究プロジェクトと して成功した割には，成果が一般には普及しなかった． 並列化には対応したものの分散ネットワーク化された計 算環境で利点がなかったからである．手続き型言語の強 力さを取り入れるために，ホーン節のプログラム的解釈 の面が強調され，論理との対応がむしろ希薄になった． むしろ，論理に基づいているメリットが発揮しにくく なったのではないか．論理型プログラミングの誤謬とい われ，論理は抽象的なもので，論理でプログラミングを する必要はなく，論理で記述したものを通常の手続き型 言語で記述し直して，プログラミングすればよいという 人もいる．論理を高級言語として使用する考え方自体に 疑問をもつのである．従来の手続き型言語によるプログ ラミングは，分散環境ではますます困難になっているこ とは変わらない．しかし，論理型言語もプログラム的解 釈ばかりが拡大され，バックトラックを抑制する方向に 進化した．分散環境では，手続き型言語と同じような発 想で，実行を一つ一つ追いながらプログラミングしてお り，手続き型言語と対比される論理型言語の特徴は薄め られている． このように，ホーン節のプログラム的解釈に固執して いる限りは，ことさらに論理型言語でプログラミングす る必要性は少ない．むしろ，手続き型言語を補完するニッ チな手法として，論理型言語を捉え直すべきである．例 えば，本稿で述べた帰納論理プログラミングや説明に基 づく学習では，プログラム的解釈を陽に用いているわけ ではない．帰納論理プログラミングの主要なシステムは， C言語などの通常の手続き型言語で書かれている．しか し，学習のための背景知識の記述や学習されたルールの 実行には，論理型言語の機能が必要である． 4･2 推論の観点からの機械学習の未来 21世紀に入ってからの機械学習では，浅い対象を扱 う応用例を中心にサポートベクタマシンなどが成功を収 めてきている．そのコンテキストでは，論理的に深い 多段の推論を行う枠組みは，機械学習研究において分 が悪くなっていた．しかし，近年は，深層学習（deep learning）[麻生 13] の成功が注目され，多段のニューラ ルネットワークを扱うようになってきている．推論のよ うな多段の対象に対しても，再度アプローチする雰囲気 になってきたといえるのではないか．推論ベースの学習 の未来へのアプローチの一つとしては，上述の論理型言 語の弱みを解消するために，分散化された現在の計算環 境に適応した分散推論環境を整備することが考えられる． あえて荒唐無稽なことを考えるとすれば，Winograd と Flores [ウィノグラード 89] で提案されているコーディネ イタを焼き直し，現在の Facebook や twitter のような多 くの人が参加する分散した対象を論理などの形式的な記 述で直接扱うことが考えられる．これにより，2 章で述べたような間主観性を扱えるようになるかもしれない． 現在，ソーシャルネットワーク関係の研究は活発であ り，機械学習やデータマイニング系の国際会議（[Blockeel 13]など）でも，数多くのセッションが組まれている． しかし，各ノードの属性をなるべく捨象して，多量のノー ドを扱うことで，物理の理論の適用を目指すというのが， 基本的なパラダイムとなっている．現在の計算パワーの 増大を効果的に利用するのであれば，大量のノードを扱 いつつも，各ノードにもっと具体的な情報をもたせるよ うにしていくのもよい．そのほうが，人工知能研究のア イデンティティも維持されるのではないか．古き良き人 工知能は万人に客観的な知識の構築を目指した．本稿の 前半では，そのような知識がカバーできる範囲がかなり 限定されることを述べた．それであれば，ネットワーク 上に分散した（間主観的で相対的な）知識を扱おうとい うわけである．そのためのメカニズムを簡単にデッサン して，本稿の締めに代えさせていただきたい． 論理式の書換えにより推論を行うのが，論理学の基本 である．その基本に立ち返った自動推論手法として，（関 数型言語で成功を収めている）リダクションマシンが提 案されたことがある．しかし，記憶上に展開された論理 式を中央処理装置で書き換える構成だったため，効率が 上がらず，分散環境に最も適さない手法とされた．現在 の高速ネットワークには，パケットのスイッチが多数配 置され，パケットを目的地に配送している．高階の述語 論理式を規則で書き換える機構を実現するのに，分散配 置されたスイッチと状態記憶を用いることを提案する． そのうえで（メタ）規則を記述することで，各種の論理 や代数の計算が行える．専門家システムで用いられたプ ロダクションシステムと似て非なる手法であり，作業記 憶の分散配置と（メタ）規則の自動最適化の導入により， 分散システムに適した手法を目指す．従来の論理型言語 では，信頼に足る論理式を手続きとみなして，一筆書き のように実行することで，計算結果を得る．それに対し， 人々の間で泡沫のように生じては消え，共感および共有 されるシンボルを扱いたい．そのシンボルは外界と結び ついているのではなく，人々の間のコミュニケーション により共感され，常にぐらついたはかない存在である． 人の言葉を形式化したものが論理式なのであるから，論 理式を融合（ユニフィケーション）で結び付けることに より，共有され，共感されるシンボルを表すことができ る．融合結果は，手続きを一度実行する間だけ保持され るのではなく，シンボルが存在するしばらくの間は，継 続的に保持されて利用される．通信においてコネクショ ンを張ることに相当し，共感されたシンボルがコミュニ ケーションを媒介する． なお，共感（empathy）という用語は，Affective Computing [Boukricha 13]や Empathic Computig [Suarez 13] の研 究で用いられる．そこでは，形容詞などのシンボルを用 いた解析がなされているが，シンボルについて陽に考察 されていない．客観的な解析結果を得ようとすると，過 去に知識工学が経験したのと同様な落とし穴に落ちる可 能性もある．現状では，典型的な事例のみを取り上げる ことで，問題は回避されている． 以上の考え方に基づいて，一階述語論理を分散シス テムで推論する手法を提案した [Numao 99]．この論文 では，ホーン節を例題として，推論を行う手法を提案 しているが，ホーン節を手続きとみなして実行するの ではなく，論理記述を順次書き換えることにより，融合 （resolution）を行っている．したがって，（ホーン節と はならない一般的な）節の推論にもそのまま使用できる． 通常，論理記述を規則で書き換えるが，この手法では論 理記述と規則の両方が節で表され，一つのグラフで表現 される．グラフを等価変形する少数の（マイクロ）計算 規則を用意して，グラフの変形を行う．論理記述を書き 換える操作を，メモリ上に書かれた記述を書き換えるよ うにすると，並列化するには共有メモリを用意しなけれ ばならず，分散実行には適さない．このことを克服する 手法として，「1 アーク書換え」による計算機構を導入 した．この計算機構では，計算規則による書換えに対し て，中間ステップを導入して計算規則を複数の規則に分 割することにより，計算規則の条件部に一つのアークと その両端のノードのみを含むようにする．例えば，3＋2 全体を一度に簡約化して 5 を得るのではなく，まず，3 と＋から 3＋というノードをつくり，3＋と 2 を簡約化 することにより，5 を得る．一見操作は複雑化したよう に見えるが，簡約化の各ステップにおける書換えを一つ のアークに限ることができ，計算の分散化が容易になる． しかしながら，この方式はまだまだ複雑で，計算機構を ソフトウェアで記述せざるを得ない．分散化の粒度を細 かくしていくと，アークが二つのプロセッサにまたがる 頻度が増える．またがった部分の処理が手間取るため， 分散化による高速化が困難であった．以上の事情で，計 算シミュレータを開発して，小規模な計算を行っただけ にとどまっている．ホーン節よりは強力ではあるが，一 階述語論理の推論が行えるだけでは，利用範囲は限られ る．そこで，計算ノードとパケットスイッチを用いて，「1 アーク書換え」をメッセージのやり取りだけで，行うよ うにする．本手法の規則（節）は，ホーン節に限らない ので，両辺に高階述語構造が記述できる．規則中のリテ ラル Li, Riが，（引数 1, …, 引数 p）と記述されるとする． 通常，引数 1 に述語名を書くが，変数を置くことで高階 の柔軟な処理をする．規則の形式は L1, …, Lm← R1, …, Rn （13） とする．この形の規則を注意深く記述することで，各 種の論理や代数の計算が行える．この形は，専門家シ ステムで用いられたプロダクションルールの形に似て いるが，作業記憶を介さずに，リテラル間で直接融合を 行うことにより，表現のコピーを極力避ける点が異な る．例えば，自然演繹の規則を記述すれば，自然演繹が
実現できる．種々の論理による推論も，その推論規則 を記述することで行える．論理型言語ではメタインタプ リタが多用されるが，本手法では，規則の両辺に高階述 語構造が記述できることから，その利用範囲は遙かに広 くなる．メタインタプリタの利用は，解釈実行系に負担 をかけるため，動作速度が遅くなるのが普通である．一 方，David A. Turner のコンビネータによる関数型言語 の書換え系によるインタプリタには，プログラムが自 動的に最適化される性質があり，「自己最適化性（self-optimizing property）」と呼ばれている．これはメタイ ンタプリタを実現するのに適した性質で，メタ規則を解 釈実行するためのオーバヘッドを解消できる．本手法で も書換え系を用いていることから，自己最適化性をもっ ている．純粋な論理推論だけでは，実問題を解決するこ とはできず，何らかの方法で推論の制御が必要である． 規則の組合せに重みを導入し，推論を調整することが重 要である．その手法を考察し，確率プログラミング，確 率推論や機械学習の成果を導入することが必要である．
5. お わ り に
第五世代コンピュータプロジェクトと機械学習研究の 関わりについて述べた．説明に基づく学習は，プロジェ クトの最中に米国を中心に注目されたが，今ではトリビ アルな学習法と考えられている．それをあえて取り上げ させていただいたのは，その研究経過の背景に当時の知 識表現や論理プログラミング研究の弱点が潜んでおり， 未来への展開の切り口を見つけるうえで重要だと考えた からである． 現在，使われているプログラミング言語は，1980 年 代に比べて，オブジェクト指向プログラミングが普及し， 開発手法が進歩しているものの，それほど高級化してい ないように思われる．しかし，知識の間主観性を吟味し たうえで，理論化しやすい論理のような記述が，少なく とも研究レベルでは，もっと取り入れられていくべきで はないだろうか．◇ 参 考 文 献 ◇
[麻生 13] 麻生英樹：多層ニューラルネットワークによる深層表現 の学習，人工知能学会誌，Vol. 28, No. 4, pp. 649-659（2013） [Blockeel 13] Blockeel, H., Kersting, K., Nijssen, S. and Zelezný,F., eds.: Machine Learning and Knowledge Discovery in
Databases-European Conf., ECML PKDD 2013, Prague, Czech Republic, September 23-27, 2013, Proc., Part I, Vol. 8188 of Lecture Notes in Computer Science, Springer（2013）
[Boukricha 13] Boukricha, H.,Wachsmuth, I., Carminati, M. N. and Knoeferle, P.: A computational model of empathy: Empirical evaluation, ACII, pp. 1-6（2013）
[DeJong 86] DeJong, G. and Mooney, R.: Explanation-based learning: An alternative view, Machine Learning, Vol. 1, No. 2, pp. 145-176（1986）
[Harmelen 88] Harmelen, van F. and Bundy, A.: Explanation-based generalization=partial evaluation, Artificial Intelligence,
Vol. 36, No. 3, pp. 401-412（1988）
[人工 05] 人工知能学会 編：人工知能学事典，共立出版（2005） [池田 90] 池田清彦：構造主義科学論の冒険，講談社学術文庫 1332
（1990）
[Kedar-Cabelli 87] Kedar-Cabelli, S. T. and McCarty, L. T.: Explanation-based generalization as resolution theorem proving, Proc. 5th Int. Workshop on Machine Learning, pp. 383-389, University of California, Irvine, Morgan Kaufmann （1987）
[Kijsirikul 92] Kijsirikul, B., Numao, M. and Shimura, M.: Discrimination-based constructive induction of logic programs,
AAAI92, pp. 44-49, AAAI Press/The MIT Press（1992） [Landwehr 06] Landwehr, N., Passerini, A., Raedt, L. D. and
Frasconi, P.: kFOIL: learning simple relational kernels, AAAI, pp. 389-394, AAAI Press（2006）
[Ling 91] Ling, X.: Inventing necessary theoretical terms, Technical Report 302, Department of Computer Science, The University of Western Ontario（1991）
[Mitchell86] Mitchell, T. M., Keller, R. M. and Kedar-Cabelli, S. T.: Explanation-based generalization: A unifying view, Machine
Learning, Vol. 1, No. 1, pp. 47-80（1986）
[Muggleton 90] Muggleton, S. and Feng, C.: Efficient induction of logic programs, Proc. 1st Int. Workshop on Algorithmic
Learning Theory, pp. 368-381, Tokyo, Ohmsha（1990） [Muggleton 92] Muggleton, S., ed.: Inductive Logic Programming,
Academic Press, London（1992）
[Muggleton 95] Muggleton, S.: Inverse entailment and progol,
New Generation Computing, Vol. 8, pp. 245-286（1995） [Numao 99] Numao, M., Morita, S. and Karaki, K.: A learning
mechanism for logic programs using dynamically shared substructures, Machine Intelligence, Vol. 15, pp. 268-284, Oxford University Press（1999）
[Quinlan 90] Quinlan, J. R.: Learning logical definitions from relations, Machine Learning, Vol. 5, pp. 239-266（1990） [西条 05] 西条剛央：構造構成主義とは何か─次世代人間科学の原
理，北大路書房（2005）
[Suarez 13] Suarez, M. T., Numao, M., Duy, the B. and Rodrigo, M. T.: 4th Int. Workshop on Empathic Computing, a workshop
in IJCAI-13（2013）
[Tangkitvanich 91] Tangkitvanich, S. and Shimura, M.: Recovery from multiple faults in relational theory, ALT91, pp. 277-287, Tokyo, Ohmsha（1991） [ウィノグラード 89] ウィノグラード，T.，フローレス，F. 著，平賀 謙 訳：コンピュータと認知を理解する，産業図書（1989） [バーワイズ 92] バーワイズ，J.，ペリー，J.，著，土屋 俊，鈴木浩之， 白井英俊，片桐恭弘，向井国昭 訳：状況と態度，産業図書（1992） [永井 95] 永井 均：ウィトゲンシュタイン入門，ちくま新書 020， 東京（1995） [元田 06] 元田 浩，津本周作，山口高平，沼尾正行：データマイニン グの基礎，オーム社（2006） [沼尾 88] 沼尾正行：説明に基づく学習─領域固有の知識を用いた アプローチ─，人工知能学会誌，Vol. 3, No. 6, pp. 704-711（1988） [沼尾 91] 沼尾正行，志村正道：メタインタプリタによる帰納的 プログラム合成規則の学習，人工知能学会誌，Vol. 6, No. 6, pp. 920-927（1991） 2014年 2 月 3 日 受理 沼尾 正行（正会員） 1982年東京工業大学工学部電気電子工学科卒業． 1987年同大学院情報工学専攻博士課程修了．工学博 士．東京工業大学大学院情報理工学研究科計算工学 専攻助教授を経て，2003 年より大阪大学産業科学研 究所教授．1989 ～ 90 年スタンフォード大学 CSLI 客員研究員．人工知能，機械学習，関数型言語など の研究に従事．日本認知科学会，日本ソフトウェア 科学会，電子情報通信学会，AAAI，ACM 各会員．
