在我看来，目前的人工智能发展，主要有赖于三大要素的互相作用。
第一个要素，就是大数据。
人工智能通过大量数据来进行学习，数据越多，就越强大。例如IBM公司在1997年开发的国际象棋程序“深蓝”，它曾在这一年的系列比赛中打败了当时的世界冠军、俄罗斯的加里·卡斯帕罗夫（Garry Kasparov）。
当时，“深蓝”搭载了100万局以上的棋谱数据，每秒钟可以计算2亿步。20年前的程序虽然还没有如今的程序这样简洁，但是利用过去的对局信息与强大的计算能力，“深蓝”以“推土机式”的战法战胜了人类。
第二个要素，是硬件的发展。
十多年前，公立函馆未来大学研究人工智能的学者松原仁教授曾说过：“硬件如果进步了，将棋软件就会自动变强。”因为，硬件的进步会使电脑的计算能力达到每秒百万步甚至亿步，软件自然也就变强了。
这个认知基于英特尔公司的创始人之一戈登·摩尔（Gordon Moore）提出的“摩尔定律”。这一定律是关于电脑发展进步的经验法则，根据这一定律，在空间不变的情况下，集成电路的密度一年半增加一倍，所以电脑的计算速度也会以指数级急速增加。
第一次听到这个说法的时候，我只是漫不经心地觉得“原来是这样”，并没有放在心上。然而最近在将棋界，电王战越来越受到人们关注。看到将棋软件的显著进步，这个说法对我来说才有了更切身的感受。
举例来说，AlphaGo在与人对弈时所使用的机器的计算能力并不是特别厉害的。然而，AlphaGo在学习阶段使用的是DeepMind的母公司谷歌的巨大计算资源，并依靠这些资源快速积累了大量的数据。
AlphaGo的胜利，要归功于能够处理庞大数据的软件和支撑了该软件运行的硬件技术。可以说，如果没有称霸世界的超大规模IT企业谷歌的支撑，就不会有AlphaGo的成功。
除了大数据和硬件的发展，还有第三个要素，那就是“软件”部分的发展，特别是深度学习（deep learning）的兴起。
听说过深度学习这个词的人恐怕不少。近来，人工智能引起了越来越多的关注，主要就是因为深度学习。
在由被称为神经式网络（neural network）的模拟人脑学习方法构成的人工智能算法中，它是最近最受瞩目的部分。人类的神经细胞通过电子信号互相传递信息，而信息传递的结合部，被称为突触。将这种由突触结合来表达知识的原理通过数学建模，就构成了神经式网络。
这其中最令我感兴趣的，是所谓的误差反向传播算法，因为这种算法通过删除回答错误的神经细胞来修正答案。
用我的理解来对这个算法打个比方：
如果每一个神经细胞都是一个人，在一起进行传话游戏。第一个人得到的信息是“猫就是长成这样的生物”，就像传话游戏一样，每一个神经细胞都向自己周围的其他神经细胞传递这个信息，这样一来，终端就会知道“猫原来是这样的啊”。
那么，如果要传一句“今天外出去新宿公干”，这句话如果只经过两三个人的传递，应该是可以准确地传达给终端的。但是，如果通过50个人来传递这句话，会得到怎样的结果呢？
从第一个人开始，在若干次的传话之后，内容很可能在不知不觉中变成了“明天去日本桥的百货店买东西”这类与最初的信息毫不相干的东西。为什么会变成这样呢？往往是因为传话的过程中出现了不可信的人，夹杂了乌七八糟的信息。
那么，要怎么解决这个问题呢？拿将棋的学习来说，在将棋学习中，最重要的并不是记住更多的东西，而是让自己舍弃多余的思考。同理，在玩传话游戏的时候，就要把这种乱传话的糊涂蛋从游戏中抽离出去。之后再重新开始游戏，就可以正确地向终端传递信息了。
具体来说就是这样的：传话过程中，如果与A相邻的B告诉A“今天要去新宿公干”，而与A相邻的C又对A说“明天要去日本桥的百货店买东西”。这时候根据“传话游戏”的结果，首先应该认为C是不可信的，降低对C的信任度。
这样重复几次之后，哪个人传的话更值得信任就很明确了。在我看来，这就是误差反向传播算法的本质。
我以前经常在将棋的书里提到，减少处理无用信息的“减法”思考，是人脑思考的特征。而深度学习中竟然含有这种“减法”思考的要素，这实在是让我觉得很有意思。
