2025年2月27日から30日までの4日間にわたり大阪で開催された人工知能学会（JSAI2025）に参加したため、その報告を行う。

今回、はじめて人工知能学会を聴講する機会を得た。本学会の発表テーマは、機械学習の数学的な計算理論や新手法の提案といった純粋な情報学の報告に留まらず、金融工学や地球科学など多様な分野への応用・実践的研究が多数を占めていた。医学・生命科学分野への応用研究についても、すべての開催日で複数のセッションが設けられており、こうした背景からか、分子生物学会などと比較して企業の研究者による発表・参加が多い傾向にあると感じた。また、AI倫理や関連法規制に関するセッションが複数設けられていたことも印象的であり、これは昨今のLLM（大規模言語モデル）の急速な普及を反映したものだろう。さらに、今年度のプログラムの特徴として万博関連企画が組まれ、Shane Gu氏の講演を含む幾つかのセッションが一般公開形式で開催された。総じて、本学会はAIが純粋な学問領域からプロダクトやサービスとしての社会実装へと急激に移行する過渡期にあることを強く印象づけるものであった。そして、その中で技術者・研究者だけでなく、多様な職種やステークホルダー間のコミュニケーションを促進することを重要な目的として掲げていると感じた。

学会一日目の報告を行う。現地到着後、はじめに「データセットとベンチマークの技術的・社会的な視点」と題したセッションを聴講した。本セッションでは、『生成AIは差別や偏見を強化するのか、それとも是正するのか？』や『「評価」の評価: 言語モデル評価における構成概念妥当性について』といった発表が行われた。前者の発表では、日本の社会状況に特化したベンチマークを構築し、生成AIの社会的リスク、特に人種や民族に関する差別的バイアスが評価された。在日コリアンやアイヌなどの専門家と協働し、各種言語モデルを評価した結果、モデルは概ね差別に対処するよう訓練されていたものの、差別の種類や問い方によっては問題を認識しきれない場合があることが判明し、AIがもたらす社会的課題が浮き彫りとなった。後者の発表では、心理測定学の理論を援用し、その妥当性を確認する実証的アプローチを提案することで、現在の自然言語処理（NLP）における評価手法のあり方が考察された。このセッションを通して、データセットやベンチマークの良し悪し自体をメタ的に評価する際、評価方法の設計に人間の判断が大きく介在するため、その過程で生じるバイアスへの批判に完全に応えることは極めて難しいと感じた。例えば、ある発表ではLLMが米国の黒人差別に関する表現には敏感な一方、日本国内の特定民族への差別表現には認識が弱いという結果が示された。これに対し、評価者である日本人研究者が日本国内の差別に鋭敏であるために生じたバイアスではないかという指摘がなされ、評価におけるバイアスの根深さを象徴する事例だと感じた。次に「機械学習」セッションを聴講した。同名のセッションは開催期間の4日間にわたり常設されており、主に機械学習手法の精度向上や計算効率化、少数データなどの制約条件に対する解決方法がテーマであった。演題『TELU: GELUやSwishの代替となる高速な活性化関数の提案』では、GELUなどの滑らかな活性化関数が超越関数の計算により低速であるという課題に対し、代数関数のみで計算可能な、より高速で滑らかな活性化関数「TELU」が提案された。この発表で特に印象的であったのは、計算の高速化を追求する上で、PyTorchのような既存のフレームワークが内部で実行する計算方法が必ずしも最適ではないため、新たに低レイヤーでの実装を行った点である。計算効率のチューニングに、いかに深い専門知識が要求されるかを学ぶことができた。医学・生命科学領域への応用を研究する限り、このような知識が直接求められることは多くないかもしれない。しかし、大規模なプロジェクトで実用的なパッケージを公開し、その分野での普及を図る上では、計算効率化が重要な課題となりうることを認識しておくべきだろう。また、演題『Task Analogiesにおけるモデル線形化の有効性の検証』では、「モデル編集」と呼ばれる、追加学習を必要としない手法の一つである「Task Analogies」の性能向上に関する発表があった。「モデル編集」という概念やその具体例である「Task Analogies」がICLR2023以降に注目されているという動向自体が初耳であり、技術動向を把握する上で大変貴重な機会となった。LLMはファインチューニングのコストと難易度が課題とされ、タスク適応の手法がIn-Context Learningなどへ移行しつつある背景を踏まえると、こうした新しい学習手法の動向には常に注視しておく必要があると感じた。

学会二日目の報告を行う。はじめに「世界モデルと知能」セッションを聴講した。このセッションは学会期間を通して開催され、その多くがAIの物理認識やロボットの学習に関連する課題であったが、その中で医療関連テーマとして『診断時の視認性強化に向けたUNetとエッジ損失を用いた医用画像の三次元再構築』といった発表もあった。次に、Google DeepmindでGeminiなどの開発に携わるシェイン・グウ氏の講演『AIの未来：研究室から実世界へ – 能動的学習が拓く次世代ブレイクスルー』を聴講した。本講演では、グウ氏自身の研究歴に沿ってAI研究の潮流の変遷と、研究で何が重要かについて語られた。冒頭、グウ氏が自身のキャリアを「僕は本当に運が良かった」と語った点が印象的であった。氏が学部生の時に所属した研究室が、後に「AIの父」と呼ばれ2024年にノーベル物理学賞を受賞したジェフリー・ヒントン氏の研究室であったことは、確かに幸運かもしれない。しかし、講演を通して強く強調されていたのは、そのような環境に身を置きつつ、将来どの研究が重要になるかを見通す「目利き」の力こそが研究者には求められる、ということであった。具体的に今後伸長が期待される分野として、言語モデルと比較し、動画と音声の分野がこれから飛躍すると明言した。その理由として、LLMのブレイクスルーにはインターネット上のテキストデータが鍵であったが、良質なテキストデータは枯渇しつつあるのに対し、動画や音声は、撮影や録音によって、個々人の能力に依存せず高品質かつ情報量の多いデータを継続的に収集できる点を挙げていた。LLM勃興期の2023年上旬には、動画生成モデルの発展は当面期待できないと主張する研究者も多かったことを思えば、これは意外な見解であった。しかし、実際に2025年5月時点で、Veoなどの実写風の優れた動画生成モデルが登場している事実は、氏の先見性を示唆している。学習手法に関しても、オフライン教師あり学習が到達できる能力は人間の80%であり、100%への到達にはオンライン教師あり学習が、そして人間を超えるにはオンライン強化学習が必要であると述べた。これらの技術の発展は、医学・生命科学のような特定領域の研究にも大きな影響を与えるため、技術の潮流には常にアンテナを張り続ける必要があると肝に銘じた。その後、セッション「基礎・理論」を聴講し、特に『2サンプル平均化データに基づく非線形回帰モデルの学習』の発表が印象に残った。ここでは、連合学習や秘密計算といったプライバシー保護の観点で注目される手法であっても、モデル学習中に生データを保持する必要がある点をセキュリティ上の問題として提起していた。そこで、生データを削除した上で複数のデータを平均化した匿名データからモデルを学習可能にするための理論構築が提案された。将来、AIを搭載したプログラム医療機器が普及するにつれて、こうしたプライバシー保護の問題はより一層重要になる可能性がある。

学会三日目の報告を行う。はじめに「機械学習」セッションにて、『大規模言語モデルにおける潜在表現の複雑性と階層性の分析』など、潜在空間の幾何学的解析に関する発表を聴講した。その後は、複数セッションにわたり開催されたプログラム「人工知能を駆使した疾患動態研究」を聴講した。『ノックダウン細胞株の遺伝子制御ネットワークを用いたグラフニューラルネットワークの転移学習と薬剤応答推定』では、GNN（グラフニューラルネットワーク）にグラフ対照学習を導入する際、既存の摂動付加方法を、生物学的背景を考慮した教師あり学習の手法へ改良することで精度向上を達成できることが示された。近年、”biologically-informed”なモデル設計が様々提案され、その有効性を慎重に評価すべきとの報告もあるが、既存のモデルや学習手法をそのまま適用するだけでなく、生物学特有の制約条件を考慮に入れることの重要性を再認識した。また、『スペクトラルクラスタリングに対する選択的推論：患者層別化への応用』では、まず医学・生命科学分野で頻繁に見られる誤った統計解析への警鐘が鳴らされた。具体的には、高次元データに対してクラスタリングを行った後、クラスター間で特徴量の有意差検定を行う際、多重検定と同様の理由からp値をそのまま解釈すべきではないという点である。その上で、理論的なp値補正法が確立されていないスペクトラルクラスタリングにおいても、モンテカルロシミュレーションを用いることで近似的に有意差を評価できることが示された。この発表は、自身の研究における統計解析の妥当性を再考する貴重な機会となるとともに、その具体的な対応方法も非常に有益であった。今後は、既に理論構築が進んでいるk-meansクラスタリングや階層的クラスタリングにおけるp値の補正方法についても学習を深めたい。

学会四日目の報告を行う。午前中は、万博関連企画『人狼知能コンテスト2025春季国内大会自然言語部門』を聴講した。このコンテストは、LLMをエージェントとして人狼ゲームを行い、勝敗だけでなく、プレイヤーとして自然な会話がなされたかという点も評価対象となる。コンテスト結果の解説とデモンストレーションが行われ、この一年でLLMの推論能力が飛躍的に向上したにもかかわらず、人間と比較して依然として性能が不十分な領域が存在することを明確に示した。Kaggleが予測モデル開発のプラットフォームとして機能しているように、本コンテストのような競技の普及は、今後のLLMの発展を力強く後押しするだろう。このコンテストの趣旨は医学と直接関係しないものの、ここで浮き彫りとなった推論能力の課題は、例えば言語情報に基づいて確定診断や除外診断を支援するモデルなど、医療分野のAGI（汎用人工知能）を将来的に検討する際にも当然問題となる。したがって、LLMの能力と限界を明らかにする優れたベンチマークやコンテストには、今後も注目していきたい。午後の演題で印象的だったのは、「AIと社会」セッションにおける『Dynamic Sparse Trainingの重み相互依存性観点からの分析』である。Dynamic Sparse Training（DST）とは、学習前や学習中にモデルの重みを刈り込む（プルーニングする）手法群の一つで、学習中に重みのマスクを動的に調整することでモデルをスパース化し、計算とデータの効率化を図る。この発表では、重み間の相関を考慮した新たな近似法を導入することで、既存手法を上回るモデルのスパース化を達成したと報告された。この種の学習手法は、希少疾患のように原理的に大規模なデータ収集が困難な領域への応用が期待される。近年、医学・生命科学分野でも基盤モデルの開発が進んでいるが、無数に存在する希少疾患へのデータ駆動型アプローチは、依然として機械学習が最も苦手とする課題の一つである。こうした課題に対し、生物学的知識をモデル構造に組み込む”biology-informed”なアプローチも提案されているが、その有効性は十分に検証されているとは言えない。ニューラルネットワークのスパース化に関する基礎研究が進展すれば、データサイズが乏しい医学・生命科学の多くの分野に大きな恩恵をもたらすだろう。以上のセッションのほか、『知能の統合と創発 – 自律化、汎用化・実世界化へ -』というセッションでは、現在主流のバックプロパゲーションとは原理の異なるヒト脳型アーキテクチャの展望が語られた。現行のニューラルネットワークに置き換わる学習パラダイムは未だ明確ではないが、LLM開発で学習データ量の限界が指摘される中、異なる構想に基づく深層学習モデルの設計は重要な研究分野である。『AIによる故人再現の可能性と課題』というセッションでは、個人の特徴を模倣するAIサービスの社会的影響と倫理・法規制について議論された。このセッションでは発表者・聴衆ともに人文社会学系の研究者が多く、本学会がAIに関連するあらゆる分野の研究者を集結させていることを象徴していた。

今回の人工知能学会への参加は、AI技術の基礎研究と応用研究の連携を考える重要な機会となった。活性化関数の改良やスパース化といった計算効率の追求、あるいはモデル編集のような新しい学習パラダイムは、一見すると医学応用とは距離があるように思える。しかし、これらは希少疾患研究における少数データ問題の解決や、大規模ゲノムデータを扱う基盤モデル開発の効率化に直結しうる重要な技術シーズである。技術開発の初期段階からこれらの視点を持つことの重要性を痛感した。急速に進展するAI技術の動向を継続的に把握し、それを医学・生命科学領域における未解決問題へといかに橋渡しできるか、深く探求していく所存である。