一般社団法人 次世代社会システム研究開発機構
https://www.x-sophia.com/
e白書シリーズ/ビジネスレポート オンラインショップ
ja
Color Me Shop!pro
-
https://www.x-sophia.com/?pid=177428071
次世代NLP(自然言語処理)と大規模言語モデル(LLM)白書 2023年版
PDF版
[出版日]
2023年10月16日
[ページ数]
A4判/約1,180ページ
(※ バインダー製本とPDF版では編集上の違いによりページ数が若干異なります。)
[発行<調査・編集>]
監修・発行: 一般社団法人 次世代社会システム研究開発機構
[レポート内...
[出版日]
2023年10月16日
[ページ数]
A4判/約1,180ページ
(※ バインダー製本とPDF版では編集上の違いによりページ数が若干異なります。)
[発行<調査・編集>]
監修・発行: 一般社団法人 次世代社会システム研究開発機構
[レポート内容]
■概要■
本白書は、次世代の自然言語処理(NLP)と大規模言語モデル、AIアシスタント、AIチャットボット、自然言語処理の生成を効率化・高速化する言語モデリング、多言語LLM、視覚言語モデル、生成系AIとの対話を支援する各種自然言語処理モデルに係る諸テーマを網羅的・重点的にとりあげ、その全容と実践的な課題を提示している。
人間はお互いに言語でコミュニケーションをとることで成立し、これはあらゆる活動を支えている。従って自然言語処理技術(NLP)を活用したAIによるコミュニケーションは、人工知能がより人間に近づき、人間社会にとけ込んでいく上で必ず解決しなければならないテーマであり、最も大きな課題でもある。
すでに多くの大手 IT 企業が音声認識/デジタルアシスタント(チャットボット)/スマートスピーカーの開発に注力しており、今後、家庭向けAIアシスタント以外に、自動車、医療、金融、小売、顧客対応サービス、教育、流通、運送などの幅広い業界で、多様なソフトウェア/プラットフォームに統合されながら、広範に活用されることが予測されている。
今後、AIの実用の場を大きく広げていく過程において、自然言語処理技術(NLP)は、教育分野、メンタルケア、公共サービスなど、コミュニケーションが重要な要素となる分野における軸となり、さらなる高度なコミュニケーションを実現する上で鍵となる技術として期待されている。
AI/ディープラーニングやコグニティブシステムの成果が音声認識/デジタルアシスタント(チャットボット)/スマートスピーカーに取り入れられ、ほぼ実用レベルに達しつつある流れのなかで、コネクテッドホームはじめIoT指向のフレームワークにおいても、音声認識/AIアシスタントが中核的な存在として位置づけられている。
一方、大規模言語モデル(LLM)は、自然言語処理(NLP)において大きな進歩を遂げている。大規模言語モデルは、入力された自然言語の内容を予測するために開発されている。言語モデリングの課題だけでなく、これらのモデルの使用は自然言語のパフォーマンスを向上させている。LLMを利用したアプローチは、情報抽出、質問応答、要約などの医療タスクで効果を発揮している。
大規模言語モデルの成果は、トランスフォーマーモデルというアーキテクチャとプロンプトエンジニアリングというフレームワークに起因している。トランスフォーマー・モデルはニューラルネットワーク・アーキテクチャの一種で、自然言語処理(NLP)の分野で大きな人気を博し、革命をもたらした。
また、プロンプトは、LLMを搭載した技術で使用される自然言語の指示である。タスクの仕様、予測が遵守すべきルール、そしてオプションとしてタスクの入力と出力のサンプルが、すべてこの命令セットに含まれている。そして、プロンプトエンジニアリングとは、AI、特に大規模言語モデル(LLM)モデルが望ましい出力をするようにプロンプトを設計し、最適化することである。
自然言語処理の代表的なアプリケーションであるチャットボットは、非常に高いレベルで、自然言語理解(NLU)、自然言語生成(NLG)のエンジンにガイダンスするプロンプトエンジニアリングによってユーザーのクエリ(自然言語)に適応させ、正しいコンテキストやレスポンスを得る機会を最大化している。
こうした観点に立ち、本白書では。大規模言語モデル(LLM)を利用した機械学習モデル・自然言語処理AI、自然言語クエリを処理するLLM、LLMによる自然言語処理アプリケーション、自然言語処理の生成を効率化・高速化する言語モデリング、多言語LLM、視覚言語モデル、生成系AIとの対話を支援するビジュアルファウンデーションモデルなどのテーマを重点的に取り上げている。
その他、自然言語処理(NLP)とLLMに関連する以下のテーマを取り上げて解説している。
● 自然言語処理モデルの事前学習とT5(Text-To-Text Transfer Transformer)
● ChatGPTの推論・対話機能をNLPアプリケーションに活用する方法
● 文脈内学習を持つLLM・AIフレームワーク
● 対話型解決エージェントで大規模言語モデル補完を強化するAIフレームワーク
● コードドキュメントの取得による自然言語によるコード生成
● 転移学習を利用した機械学習モデル・自然言語処理AI
● 推論と演技を相乗させるためのAIモデル
● 有害・不快なコンテンツを生成させない安全ルールを備えたLLM
● ユーザーフィードバックに基づくリアルタイムに近いモデル更新
● 高品質なラベル付きデータを必要とする自然言語処理アプリケーション
● ゼロショットChatGPT分類
● マルチモーダル大規模言語モデル
● 生成系AIとの対話を支援するビジュアルファウンデーションモデル
● 生成を3倍高速化する信頼性適応言語モデリング
● 多言語LLMのオープンソース化
● 自然言語クエリを処理するLLM APIとAIフレームワーク
● モバイルUIで会話型インタラクションを可能にするLLM
● 自然言語で携帯端末を操作するための学習データセット
● 視覚言語モデルとその応用可能性
● 自然言語処理とLLMの課題
※ なお、「次世代NLP(自然言語処理)と大規模言語モデル(LLM)」というテーマは、複眼的、立体的な視点で解明し、アプローチすることで、より精確で深みのある理解が得られるものである。当団体でもそうしたコンセプトで本白書を編纂している。
そのため、以下の白書(ほぼ当団体よりほぼ同時期に発刊)がそれぞれ独立して編纂されながらも、4巻セットとしてシリーズ編成されている。まとめて全4巻を購入された場合、特別に半額の価格設定で提供している。
■ 生成AI白書 2023年版
(A4判/約3,200ページ)
https://www.x-sophia.com/?pid=177427870
■ 大規模言語モデル(LLM)白書 2023年版
(A4判/約1,400ページ)
https://www.x-sophia.com/?pid=177427957
■ 機械学習/ディープラーニング(DL)/生成AI・大規模言語モデルと機械学習・DL白書 2023年版
(A4判/約1,340ページ)
https://www.x-sophia.com/?pid=177428005
※※ 各白書とも、英語版について近刊を予定している。
■内容編成(目次)■
序
第1章 自然言語処理(NLP)とNLP市場の展望
1-1 自然言語処理(NLP)の活用分野とその市場展望
[1] 人工知能(AI)研究の発展と自然言語処理(NLP)
[2] 世界の企業向け NLP ソリューション市場の展望
1-2 「自然言語」、「テキスト」、「音声」、「言語モデル/生成AI」というビッグデータがもたらすビッグチャンス
1-3 各業界における NLP の活用状況
[1] 各業界における NLP を用いたテキスト分析の活用
[2] 各業界における音声認識/スピーチ分析の活用
1-4 自然言語処理開発を取り巻く世界と日本の動き
[1] 概況・近況
[2] 産業構造への影響
第2章 地域別政策・振興策/国際基準策定/指針整備動向
2-1 国際統一基準/条約策定/規制緩和を巡る動向
[1] 条約制定
[2] ガイドライン/指針策定
[3] 日本政府 人工知能研究開発の国際統一基準提言
2-2 国・地域別政策・振興策
[1] 米国
[2] イギリス
[3] ドイツ
[4] イスラエル
2-3 産業競争力の成長戦略とAI/自然言語処理の位置づけ(日本)
[1] 概説
[2] 経済成長の新たなけん引役としてのAI/自然言語処理
[3] 総合科学技術・イノベーション会議
[4] 人工知能技術戦略会議
[5] 文部科学省、経済産業省、総務省3省連携
[6] 自由民主党政策提言
第3章 自然言語処理/大規模言語モデルに関連した経済効果、予測、市場動向統計
3-1 グローバル市場
[1] 概況・近況
[2] BBC Research(米国調査会社)の報告書
[3] Strategy Analyticsの調査報告書
3-2 バーチャルアシスタント/AIアシスタントの世界市場
3-3 AI活用による産業構造への影響試算
3-4 大規模言語モデルの進展予測
3-5 自然言語処理/大規模言語モデルの拡大・発展が社会に与える影響/インパクト
3-6 活発化する産学連携体制による自然言語処理/大規模言語モデルの取り組み
第4章 自然言語処理/大規模言語モデル領域を対象とした各種調査研究レポート
4-1 AIの意識調査
4-2 AIの導入・実態調査
4-3 AI進化が社会・産業に与える影響
4-4 ガートナー 「エンタープライズ・アプリケーション分野におけるチャットボット活用」
4-5 Pew Research Center's Internet & American Life Project
4-7 vocalize.ai 「スマートスピーカーの聞き取り性能調査」
4-8 Walker Sands Communications 「2018 Future of Retail Study」
4-9 スマートサウンドラボ(SSL) 「スマートフォンの音声アシスタントの利用調査」
4-10 GranView 「グローバルでのチャットボットビジネスおよび市場調査」
第5章 産業界における自然言語処理/大規模言語モデル/AIアシスタントの活用動向
5-1 金融
5-2 各種メディア
5-3 流通、運送、小売
5-4 その他
第6章 自然言語処理技術/自然言語処理サービス 参入企業動向
6-1 NLP を活用した AI の技術開発に取り組む企業
[1] Google(Alphabet)
[2] Microsoft
[3] Apple
[4] IBM
[5] Amazon
[6] Facebook
他
6-2 ベンチャー企業の取組み
[1] Next IT 社
[2] Quantified Communications 社
他
第7章 学際領域としての自然言語処理/コグニティブコンピューティング[1]
7-1 学際領域としての自然言語処理/コグニティブコンピューティング 概説
[1] 人工知能と自然言語処理 概説
[2] 目的特化型人工知能と汎用人工知能
[3] 予測システム/予測モデリング/自動推論システム
[4] 脳・神経ネットワークのモデル化とニューラルネットワーク
[5] 脳・神経ネットワークのモデル化/ニューラルネットワーク 事例検証
7-2 自然言語処理の発展・拡張
[1] 概況
[2] 自然言語理解
[3] 人間の言語理解と推論
7-3 データ解析から意思決定の全過程に係る言語解析エンジン
7-4 リカレント・ニューラル・ネットワーク(RNN)と自然言語処理
[1] 概説
[2] RNNのライブラリ
[3] Google/スタンフオード大学
7-5 ヒューマンオーグメンテーション(人間拡張学)と自然言語処理
7-6 人間の感情を検知する AI /自然言語処理の先端研究究
[1] 概況・近況
[2] MIT 無線(RF)信号で感情を検知するデバイス「EQ-Radio」
[3] 富士通 「Human Centric AI Zinrai(ジンライ)」
[4] 声で感情を分析し、空間を演出する「空間ロボット」
[5] Affectiva 「感情AI技術」
7-7 能動的コミュニケーションシステムとAI/自然言語処理
7-8 制御された自然言語(Controlled Natural Language
7-9 包括的なテキスト前処理 NLP(自然言語処理)
7-10 深層言語処理
7-11 意味分解(自然言語処理)
第8章 学際領域としての自然言語処理/コグニティブコンピューティング[2]
8-1 意思決定支援・質問応答システム/自然言語生成
8-2 自然言語処理技術を用いた応用事例
8-3 自然言語処理を行う対話ロボット/コミュニケーション・ロボット
8-4 ディープラーニングを活用したテキスト分類処理
8-5 ビジネス・インテリジェンスと音声・言語処理
8-6 頭脳直結テキスト入力システム
8-7 次世代エキスパートシステム
第9章 学際領域としての自然言語処理/コグニティブコンピューティング[3]
9-1 ライトウエイト・オントロジーとコグニティブシステム
9-3 ディープラーニングとコグニティブシステム(Watson)の関係(関係強化)
9-4 ゲーミフィケーションと自然言語処理
9-5 仮想エージェントを活用した人間的能力・知識の一般化
9-6 エデュテインメントと自然言語処理
9-7 インフォテインメントと自然言語処理
第10章 自然言語処理関連の大規模言語モデル(LLM)およびフレームワーク[1]
10-1 概説
[1] 概要
[2] 自然言語処理とLLMの結合
[3] ChatGPTと自然言語理解(NLU)・自然言語生成(NLG)
10-2 自然言語処理モデルの事前学習とT5(Text-To-Text Transfer Transformer)
10-3 ChatGPTの推論・対話機能をNLPアプリケーションに活用する方法
10-4 文脈内学習を持つLLM・AIフレームワーク
[1] 概説
[1] Microsoft/UT Austin研究グループ 新しいモデルアーキテクチャ 「Prompt Diffusion」
10-5 対話型解決エージェントで大規模言語モデル補完を強化するAIフレームワーク 「DERA」
[1] 概説
[2] 対話型解決エージェントで大規模言語モデル補完を強化するAIフレームワーク 「DERA」
10-6 CMU研究グループ 「コードドキュメントの取得による自然言語によるコード生成アプローチ:DocPrompting」
10-7 GLaM(エキスパート混合による言語モデルの効率的スケーリング)
10-8 PaLM(パスウェイ言語モデル)/Palm2
[1] 概説
[2] 新しいPalm2大規模言語モデルを可能にしたデータの改善とスケーリングの洞察
10-9 「転移学習」を利用した機械学習モデル・自然言語処理AI
[1] 概説
[2] Google 「新たな自然言語処理AI:T5」
10-10 推論と演技を相乗させるためのAIモデル
[1] 概説
[2] プリンストン大学/Google AI 「ReAct」
10-11 検閲に対応し、有害・不快なコンテンツを生成させない安全ルールを備えたLLM
[1] 概説
[2] スタンフォード大学研究グループ 検閲対応/有害・不快コンテンツを生成させない安全ルールを備えたLLM 「FreedomGPT」
10-12 レコメンデーション技術とLLM
[1] 概説
[2] ユーザーフィードバックに基づくリアルタイムに近いモデル更新
[3] Bytedance 「Monolith」
10-13 高品質なラベル付きデータを必要とする自然言語処理アプリケーション
[1] 概説
[2] チューリッヒ大学研究グループ 「MTurkアノテーションを上回る性能を見せたゼロショットChatGPT分類」
第11章 自然言語処理関連の大規模言語モデル(LLM)およびフレームワーク[2]
11-1 インコンテキスト学習を行うことができるマルチモーダル大規模言語モデル
[1] 概説
[2] Microsoft Research 「インコンテキスト学習を行うことができるマルチモーダル大規模言語モデル:Kosmos-1」
11-2 生成系AIとの対話を支援するビジュアルファウンデーションモデル
[1] 概説
[2] Microsoft Research 「ChatGPTとの対話を支援するビジュアルファウンデーションモデル:Visual ChatGPT」
11-3 生成を3倍高速化する信頼性適応言語モデリング
[1] 概説
[2] Google AI 「LLMによるテキスト生成を3倍高速化する信頼性適応言語モデリング:Confident Adaptive Language Modeling(CALM)」
11-4 世論測定の言語モデル
[1] 概説
[2] MIT/ハーバード大学 「メディアダイエットで学習した世論測定の言語モデルを発表」
11-5 脚本を生成する映画オーサリングツール
[1] 概説
[2] Deepmind 「脚本を生成する映画オーサリングツール:Dramatron」
11-6 Meta 「4000言語の話し言葉を理解する多言語LLM「MMS」のオープンソース化」
11-7 Google 新たな自然言語処理モデル「ALBERT」(BERTのアップグレード)
11-8 Microsoft/NVIDIA 「MT-NLG」MT-NLG(DeepSpeedとMegatronを搭載したメガトロン・チューリング自然言語生成モデル)」
11-9 多言語LLM
[1] 概説
[2] チューリッヒ大学 「多言語言語モデル「SwissBERT」を開発」
[3] Phoenix
11-10 スタンフォード大学 「自然言語クエリを処理するLLM APIのためのAIフレームワーク」
11-12 モバイルUIで会話型インタラクションを可能にするLLM
11-13 自然言語で携帯端末を操作するための学習データセット
11-14 自然言語処理システムの仕組みを変える検索拡張世代(RAG)
[1] 概説
[2] 大規模言語モデルにおけるいくつかの重要な課題に対処するRAG
[3] RAGシステムの潜在的なビジネスアプリケーションと影響
[4] 効率的なRAGパイプラインの実装
[5] RAGライブラリとフレームワーク
11-15 視覚言語モデルとその応用可能性
[1] 概説
[2] カリフォルニア大学バークレー校 視覚言語モデルの言語埋め込みのNeRFへの組み込み 「LERF(Language Embedded Radiance Fields)」
11-16 自然言語処理とLLMの課題
[1] 人工幻覚(AIによる真実ではない確信的な応答問題)
他
第12章 音声合成モデルと生成系AI・LLM
12-1 概説
12-2 マイクロソフト 「人の声で多様な音声編集タスクを処理できるモデル:SpeechX」」
12-3 Google AI 「最先端の音声モデルファミリ:Universal Speech Model (USM)」
12-4 CMU研究グループ 「多様な音声を扱う人間のような音声合成トレーニングのためのAIシステム」
12-5 Suno 「音声合成AIボイスクローンモデル:Bark」
12-6 自然言語を迅速に音声に変換するTTS(Text-To-Speech)システム
[1] 概説
[2] マイクロソフト 「クロスリンガルなニューラルコーデック言語モデル:VALL-E X」
第13章 AIアシスタントおよびチャットボットと生成系AI・LLM
13-1オープンソースチャットボット
[1] 概説
[2] LLaMA-13Bをベースにしたオープンソースチャットボット 「Vicuna」
13-2 GPT-Turbo-3.5アシスタントスタイル生成の言語モデル 「GPT4All」
[1] 概説
[2] GPT-Turbo-3.5アシスタントスタイル生成の言語モデル 「GPT4All」
13-3 自動テキスト配信、チャットボット、言語翻訳、コンテンツ制作の開発・作成モデルの訓練および微調整 「xTuring」
[1] 概説
[2] ストキャスティック 自動テキスト配信、チャットボット、言語翻訳、コンテンツ制作の開発・作成モデルの訓練および微調整: 「xTuring」
13-4 ナレッジソースやツールの活用によるボット構築プロセスの全体的な効果向上
[1] Microsoft 「ローコード開発環境「Power Platform」に新機能追加」
[2] 自然言語入力によるChatGPT連携アプリ作成ツール「MetaGPT」
13-5 生成系AIスタイルのAIボット
[1] スタンフォード大学ビッグモデルセンター 「ChatGLM(中国人ユーザー向けに特別に設計されたチャットロボット)」
[2] バイドゥ 「ChatGPT風AIボットの一般提供」
13-6 会話型チャットインターフェースの構築
[1] LangChainによる会話型チャットインターフェースの構築
13-7 コールセンターにおける自然言語処理システム導入
[1] SBI生命 「Amazon Kendraの自然言語処理と機械学習をコールセンターに導入」
13-8 AIアシスタント(スマートスピーカー)/チャットボット主要ベンダー/主要製品・サービス(海外) [1]
[1] 概況
[2] Amazon.com 「Amazon Echo」/「Alexa (a.k.a. Echo)」
[3] Amazon 「Amazon Alexa」
[4] Amazon 「Alexaに生成AIを導入」
[5] Amazon 「Amazon Tap」
[6] Amazon 「Amazon Echo Dot」
[7] Amazon Lex
[8] Amazon 液晶付きスマートスピーカー「Echo Spot」
[9] Google 「Googleアシスタント」
[10] Google 「Google Now」
[11] Google 「Google Home」/「Google Home Mini」
[12] Google 「Google Duplex」
[13] Apple 「Siri」
[14] Apple 「homepod」
[15] Microsoft 「Cortana」/「Invoke」
[16] Microsoft 「Office 365」/「Dynamics 365」
[17] Microsoft Technology and Research/Bing 「Tay」
[18] Facebook 「M」
[19] Samsung Electronics 「Bixby」/「Bixby Voice」
[20] Samsung Electronics 「Viv」
[21] SK Telecom 「NUGU」
[22] Baidu/Raven Tech 「Duer」
[23] BOSE 「QuietComfort 35 II」
[24] Harman Kardon 「Invoke」
13-9 AIアシスタント(スマートスピーカー)/チャットボット主要ベンダー/主要製品・サービス(海外) [2]
[1] GoButler 「GoButler」
[2] Andy Rubin 「Essential Home」
[3] Julie 「Julie Desk」
[4] Maluuba 「Maluuba」
[5] Yandex 「Alice」
[6] BlackBerry Limited 「BlackBerry Assistant」
[7] 導入事例
13-10 AIアシスタント/チャットボット主要ベンダー/主要製品(国内)
[1] ソニー 「LF-S50G」
[2] ソニー 両耳装着型スマートイヤホン「Xperia Ear Duo」
[3] LINE 「Clova WAVE」
[4] パナソニック 「GA10」
[5] 凸版印刷/TIS 「AISonar」
[6] NTTレゾナント/goo
[7] オンキヨー 「G3」/「AIスマートオートモーティブ」
第14章 AI/機械学習/ディープラーニングと自然言語処理の連携[1]
14-1 学際領域としての機械学習/ディープラーニング 概説
[1] 教師あり学習と教師なし学習
[2] 機械学習とデータマイニング
14-2 ニューラルネットワーク(NN)と自然言語処理
[1] 畳み込みニューラルネットワーク
[2] 再帰型ニューラルネットワーク
14-3 機械学習による引用文献/関連研究支援プラグイン
14-4 ディープラーニングと音声認識
14-5 AIの進化による「音声認識」の新たな用途
14-6 自然言語の入力を解析するAIプラットホーム
14-7 ビッグデータ解析と機械学習
[1] 人工知能の進化に必要不可欠なビッグデータベースの学習機能
[2] 異種混合学習技術
[3] 機械学習分析向けクラウドサービス/機械学習エンジンAPIサービス
14-8 「多様性」を用いた自然言語処理の弱点「言い換え」の解決
[1] 概説
[2] Google 「言葉の順序や構造の理解(言い換え)用に新たにデータセットを公開」
第15章 AI/機械学習/ディープラーニングと自然言語処理の連携[2]
15-1 次世代人工知能と脳研究
[1] 次世代人工知能の流れで進む脳機能の解明
[2] 脳(ゆらぎ)情報のデコーディングを活用した次世代人工知能
15-2 AI搭載システムによる事故発生時の法的責任に関する課題
15-3 次世代ディープラーニングの現状と可能性
15-4 メディア業界での機械学習活用事例
15-5 ディープラーニングのビジネス利用と課題点
15-6 参入企業動向
[1] Google
[2] Intel
第16章 生成系AI・LLMとドキュメントインテリジェンス/組織におけるコンテンツ利用
16-1 自然言語処理と機械学習によるドキュメントインテリジェンス
[1] アドビ、「Adobe Experience Manager」でAIを活用した新しい生成型サービスを公開
[2] アドビ 「エンタープライズ向けFirefly」/「AIでクリエイティビティを加速させるAdobe Expressの導入」
16-2 生成系AIによるドキュメント・インサイト・ウェアハウス
[1] 概要
[2] マイクロソフト 「Azure OpenAI Documents Search App - Document Insight Warehouse」
[3] Anthropic ChatGPT対抗AIチャットボット「Claude」(5時間以上かけて読む資料を1分以内で理解)
第17章 ナレッジベース/知識表現と推論のためのフレームワーク
17-1 ナレッジベース
17-2 評価ベースシステム(Valuation-based system
17-3 知識表現と推論
17-4 ナレッジモデリング
17-5 ダイナミック・ナレッジ・リポジトリ
17-6 ナレッジマネジメント
17-7 パーソナル・ナレッジ・マネジメント
第18章 AIデータプラットフォームWatson/WatsonX[1]
18-1 AIデータプラットフォームWatson概説
18-2 AIデータプラットフォームWatsonに見る人工知能の進化と人間の未来
18-3 クラウド経由で提供するWatson関連サービス
18-4 Watsonを使った文書の自動要約システム
18-5 Watsonを使った問い合わせ業務/コールセンター支援システム
18-6 Watsonを使ったFacebookメッセンジャー向けボット
18-7 Watsonを活用した新しいアプリケーションやサービスを展開するためのパートナープログラム
第19章 AIデータプラットフォームWatson/WatsonX[2]
19-1 Watsonを結合した血糖値管理アプリケーション
19-2 Watsonを用いたヘルスケアサービス
19-3 Watsonを活用した電子カルテ解析ソリューション
19-4 Watsonを使った「発症事前予測アプリ(システム)」
195 Watsonによるゲノム情報解釈/全ゲノムのシーケンス
19-6 Watsonを使った創薬・新薬開発
19-7 クラウド経由で提供するWatson関連サービス
第20章 AIデータプラットフォームWatson/WatsonX向けAPI
20-1 Watson向けAPI 概説
20-2 IBM Watson Developer Cloud
20-3 IBM Watson向け各種API
[1] IBM Watson AlchemyLanguage
[2] IBM Watson Concept Insights
[3] IBM Watson Dialog
[4] IBM Watson Language Translation
[5] IBM Watson Natural Language Classifier
[6] IBM Watson Personality Insights
[7] IBM Watson Relationship Extraction
[8] IBM Watson Retrieve and Rank
[9] IBM Watson Tone Analyzer
[10] IBM Watson AlchemyData News
第21章 先進医療機器・医療ITとAI/自然言語処理活用[1]
21-1 医療におけるIT活用/自然言語処理活用
[1] 医療情報の公共性と個人情報保護
[2] 法整備課題
21-2 医療ナレッジベースシステムとしての電子カルテ
[1] 概況・これまでの経過
[2] データウェアハウス/BIとの統合
[3] 診療情報Webサービスと電子カルテの連携
[4] 特定治療に特化した電子カルテ
21-3 電子カルテの課題・今後の展望
21-4 IoTデバイスとWatsonを結合した血糖値管理アプリケーション
21-5 生体データのIoT化と発症の事前予測
21-6 AIを使った症状のメカニズム解明
21-7 メドトロニック社:Watsonを使った血糖値分析アプリケーション
21-8 ディープラーニングがもたらす医療画像認識技術の顕著な発展
21-9 NLPモデルによるメッセージ分類
第22章 先進医療機器・医療ITとAI/自然言語処理活用[2]
22-1 AI搭載・AI活用型医療(データヘルス)の推進施策
22-2 エビデンスに基づくAI活用型医療とクリニカルパス
22-3 AI活用による最適治療システム
22-4 AIによるデータ解析と臨床診断の可能性
22-5 本格化する第4次医療革命「Medicine 4.0」に向けた動き
22-6 メンタルヘルスの定量化を実現するAI
22-7 ゲノム・オミックス医療を支える医療ビッグデータ
22-8 ディジーズ・マネジメント
第23章 音声認識・音声生成と自然言語処理の発展
23-1 音声認識概説
23-2 音声認識+自然言語処理 概説
23-3 AIアシスタントとスマートマシン/自律型ロボット
23-4 コネクテッドホーム向け音声認識の市場・参入企業動向
23-5 米国企業の市場・参入企業動向
[1] 概説
[2] スマートハウス/スマートホームにおける音声認識技術導入・活用
[3] コネクテッドホーム向け音声認識の市場・参入企業動向
23-6 AIスピーカーとコネクテッドホーム/HA機器の結合・連携
23-7 家庭用自律行動ロボットと次世代コネクテッドホーム
23-8 音声アシスタントとウエアラブル/AR(拡張現実)の結合・連携
23-9 位置情報/屋内測位技術と音声アシスタントの組み合わせ技術
23-10 MFi認証とスマートハウス/スマートホーム
23-11 音声のクローン作成と合成
[1] ElevenLabs 「生成音声AIのバージョン2公開」
第24章 自動翻訳/通訳デバイスと生成系AI・LLM
24-1 概説
24-2 Facebook 「90言語以上の機械翻訳を加速させるためのツールキット:LASER」
24-3 Google RNNやCNNをしのぐレベルの自動翻訳を実現するニューラルネットワークアーキテクチャ「Transformer」
24-4 参入企業/主要製品動向
[1] Google 「Google Translate on Pixel」
[2] Google AI 「翻訳したテキストと音声を同時に生成する大規模言語モデル:AudioPaLM」
[3] Travis 「Travis the Translator」
[4] ソースネクスト 「POCKETALK」。
[4] Meta 「文章と音声を翻訳するオールインワン多言語マルチモーダルAI翻訳・書き起こしモデル「SeamlessM4T」
第25章 自然言語処理/チャットボットの設計・製造体制/関連開発プラットフォーム
25-1 チャットインターフェースの効率化
25-2 SoC(System on Chip)の採用状況
25-3 Bluetoothオーディオ用SoCプラットフォーム「CSRA68100」
25-4 スタートアップ支援向けプログラム
25-5 機械学習による音声認識アルゴリズムと多言語モデルの構築
25-6 Meta 「4000以上の音声言語認識に対応するSpeech-to-Text、Text-to-Speechモデル:MMS」
25-7強化学習とNLP技術を用いたチャットボット開発
25-8 バーチャルヒューマンなチャットボット
25-9 生成系AIによるAIチャットボット設定、応対、改善業務の完全自動化
25-10 自然言語会話システムアプリ開発向けプラットフォーム
[1] Google 「Actions on Google」
[2] Google 「API.ai」
[3] Google 「Cloud Natural Language API」
[4] Apple 「SiriKit」
[5] Apple 「Siri SDK」
[7] Amazon 「Alexa Skills Kit(ASK)」
[8] Amazon 「Amazon AI」
[9] Viv 「Viv」
[10] Matrix Labs 「VOICE RECOGNITION」
[11] アイリッジ スマートスピーカー向けアプリの開発プラットフォーム「NOID」
第26章 コンテンツマーケティングにおける自然言語処理活用
26-1 概説
26-2 コンテンツマーケティング導入におけるNLPの機能
26-3 センチメント分析
[1] 概要
[2] 顧客の洞察
[3] ソーシャルリスニング
[4] ブランドの評判管理
[5] 競合分析
[6] コンテンツの最適化
26-4 パーソナライズされたコンテンツ
[1] ユーザーのプロファイリング
[2] コンテンツ分析
[3] レコメンデーション・エンジン
[4] パーソナライズされたコンテンツ配信
[5] A/Bテストと最適化
26-5 コンテンツマーケティングにおけるチャットボット、バーチャルアシスタントの活用
[1] 概要
[2] 顧客エンゲージメント
[3] コンテンツの発見と推奨
[4] リードの創出と適格性確認
26-6 ライティングと編集
[1] 概要
[2] キーワード調査と最適化
[3] コンテンツ生成
[4] 文法とスタイルのチェック
26-7 競合分析
[1] 概要
[2] トピックとキーワードの分析
[3] コンテンツの推奨
[4] コンテンツパフォーマンスの比較
第27章 オントロジー工学の発展と自然言語処理/AIアシスタント
27-1 概説
27-2 オントロジーを用いた自然言語推論
27-3 オントロジーを利用した知識の共有/再利用
27-4 汎用オントロジーの応用と自然言語処理
27-5 デバイスオントロジーと特許文書の意味理解システムへの応用
第28章 次世代Webと自然言語処理
28-1 次世代Webと自然言語処理 概説
28-2 次世代ウェブと外部技術との統合・融合
[1] コンテクストアウェアネスの発展
[2] メタデータスキーマ
[3] ソーシャル・サーチの可能性
[4] セマンティックWebと次世代ウェブの合流
[5] ウェブにおけるオントロジーの導入
[6] メタデータ構造化によるコンテクスト検索
28-3 次世代Web/タグ・オントロジーの発展
28-4 ナラトロジーによるタグ・オントロジー
28-5 次世代Webが巻き起こす次世代ICTイノベーション
[1] ガートナー「What’s Next with Web2.0 and Consumerization?」
[2] 創造的データ・マイニングと次世代ウェブ
[3] 次世代ウェブという次元を超えて
28-6 「アウェアネス」と次世代Web
28-7 エクスペリエンス・エコノミー/シェアリング・エコノミーと次世代Web
28-8 エクスペリエンスとエンゲージメント(絆)
28-9 セマンティックWebと次世代Web合流
26-10 セマンティック検索システム/セマンティック埋め込みモデル
第29章 ソーシャルメディアと自然言語処理/AIアシスタント
29-1 ソーシャルメディアのあるべき姿
29-2 集団的知性・合意形成
29-3 ソーシャル・アグリゲーション
第30章 RPAとAI/音声認識技術
30-1 サービス志向アーキテクチャ(SOA)と次世代企業情報システム
30-2 エンタープライズ・マッシュアップの定義・コンセプト
30-3 SOAとマッシュアップアプローチを統合させていくアプローチの意義
30-4 エンタープライズ・サーチが到達した技法・活用水準
30-5 エンタープライズ・サーチの活用方法
30-6 エンタープライズ・サーチ製品および製品の課題
30-7 エンタープライズ・サーチとメタデータ処理
30-8 知識流通フレームワークとエンタープライズ2.0
30-9 ナレッジ・マネジメントの進化とエンタープライズ2.0
第31章 次世代ロボットと自然言語処理/AIアシスタント
31-1 概況・近況
31-2 認知発達ロボティクス
31-3 次世代サービスロボットとAI
[1] 多様化するサービスロボットとAI搭載形態
[2] マニピュレーション(サービスロボットの物体操作)
[3] ヒューマノイドとAI
[4] 各種生活支援ロボットとAI
[5] コミュニケーション/セラピーロボットとAI
[6] AIが促進するサービスロボットの空間知能化
[7] 分散型/マルチエージェント型サービスロボットとAI
第32章 次世代サービスロボットと自然言語処理
32-1 クラウドロボティクス/サービスロボットと自然言語処理
第33章 コネクテッドカー/次世代車載システムと自然言語処理
33-1 自動運転、人工知能、モビリティーサービスのシナジー
33-2 ロケーションベースのサービス(LBS)とAIアシスタント
33-3 コネクテッドカー/クルマの知能化とバーチャルアシスタント
33-4 次世代自動車と機械学習/ディープラーニング 研究開発動向
33-5 事例紹介
第34章 自動運転システムと自然言語処理
34-1 自律走行・自動運転システムとAI
34-2 次世代自動車とビッグデータ/AIの活用
34-3 自動運転×AI/自然言語処理×先端ロボット技術の結合がもたらすもの
34-4 自車位置推定技術におけるAIとビッグデータ活用
34-5 AI/自然言語処理による次世代自動車の新サービス創出
34-6 AI/自然言語処理技術の導入が生む次世代モビリティサービス
34-7 実証実験および主要メーカー別動向
第35章 車載インフォテイメントと自然言語処理
35-1 スマート・ドライビング・アシスタント機能開発と自然言語処理
[1] 概説
[2] 自動運転とスマート・ドライビング・アシスタント
35-2 AI/自然言語処理と次世代車載システムの開発
35-3 関連プラットフォーム
NX ソフトウエアシステムズ 「QNX CAR アプリケーション プラットフォーム 2.0」
第36章 フィンテック/金融工学と自然言語処理
36-1 フィンテック/金融工学と人工知能 概説
36-2 フィンテックは金融システムをどのように変えていくのか
36-3 決済手段・システムの高度化・多元化
36-4 送金(国際送金/P2P送金)
36-5 資産管理(アカウントアグリゲーション/PFM)
36-6 クラウド会計
36-7 ロボアドバイザー
第37章 ブロックチェーンと自然言語処理
37-1 ブロックチェーンと自然言語処理 概説
37-2 スマートコントラクト概説
37-3 スマートコントラクトと自然言語処理
37-4 分散自立型情報保管・検索システムに基づくFreenetプロジェクト
第38章 ブレイン・マシン・インターフェース/脳波活用機能・機器とAI
38章-1 ブレイン・マシン・インタフェース(BMI/BCI) 概説
38章-2 AIによる脳波活用機能・機器の課題
第39章 VR(仮想現実)/AR(拡張現実)と自然言語処理
39-1 VR/ARと自然言語処理 概説
39-2 参入企業動向
[1] Facebook(フェイスブック)
[2] SoftKinetic
他
第40章 主要研究所/産学連携団体/ベンチャー出資動向
40-1 大学/主要研究所動向
[1] スタンフォード人工知能研究所(スタンフォードAIラボまたは SAIL)
[2] MITコンピュータ科学・人工知能研究所
[3] カーネギーメロン大学
[4] 革新知能統合研究センター(AIP:Advanced Integrated Intelligence Platform Project Center)
[5] 産業技術総合研究所/NEC 「産総研-NEC 人工知能連携研究室」
[6] NECブレインインスパイヤードコンピューティング協働研究所(NBIC)
[7] 豊田工業大学 知能数理研究室
40-3 ベンチャーキャピタル/ベンチャーへの出資動向分析
[1] CBInsights (米国調査会社)の報告書
他
40-4 個別企業/ファンドの出資動向
[1] トヨタ自動車
他
40-5 人工知能/機械学習分野で注目を浴びるベンチャー企業(海外)
[1] DeepMind Technologies
[2] Wit.ai
[3] Enlitic
[4] Sentient Technologies
[5] MetaMind
[6] The Grid
[7] x.ai
第41章 自然言語処理関連コンソーシアム/協業・事業提携
41-1 Open Interconnect Consortium
41-2 AllSeen Alliance
41-3 欧州委員会 eCo-FEV(efficient Cooperative infrastructure for Fully Electric Vehicles)
41-4 情報処理学会 「ビッグデータ活用フォーラム」
41-5 日本特許情報機構
41-6 次世代医療ICT基盤協議会
41-7 IIJ他 「データエクスチェンジ・コンソーシアム」。
41-8 ビッグデータ・オープンデータ活用推進協議会
41-9 全脳アーキテクチャ勉強会
第42章 自然言語処理関連参入企業
42-1 主要ベンダー動向
[1] グーグル
[2] マイクロソフト
[3] IBM
[4] Amazon
[5] Meta
[6] OpenAI
[7] ゼネラル・モーターズ(GM)
[8] フォード・モーター
[9] トヨタ自動車
[10] 本田技研工業
[11] Preferred Infrastructure(PFI)
[12] 東レ
他
42-2 ベンチャーキャピタル/ベンチャーへの出資動向分析
[1] CBInsights (米国調査会社)の報告書
他
42-3 個別企業/ファンドの出資動向
[1] トヨタ自動車
他
42-4 自然言語処理で注目を浴びるベンチャー企業(海外)
[1] DeepMind Technologies
[2] Wit.ai
[3] Enlitic
[4] Sentient Technologies
[5] MetaMind
[6] The Grid
[7] x.ai
付章 分野別自然言語処理関連API一覧
docomo 発話理解
docomo 言語解析
docomo シナリオ対話
docomo トレンド記事抽出
docomo 知識Q&A
docomo 雑談対話
Jetrun センシティブ分析
Jetrun マーケティング分析
Jetrun 文集約技術
Jetrun 感情分析
Jetrun 構文解析
Jetrun 文概要分析
Jetrun カテゴリ分析
Jetrun TrueTALK
Jetrun キーワード抽出
Jetrun 関連語抽出
Jetrun キュレーション技術
Jetrun 丁寧度判定
Jetrun キーワードゆらぎ取得
Microsoft Bing Spell Check
Microsoft Linguistic Analysis
Microsoft Text Analytics
Microsoft Web Language Model
Microsoft Academic Knowledge
Microsoft Entity Linking Intelligence Service
Microsoft Knowledge Exploration Service
Repl-AI
Google Translate
goo 商品評判要約
Affectiva
LEXALYTICS Semantria
RxNlp
Studio Ousia Semantic Kernel
Linklify
Orbit Entity extraction
Orbit Language detection
Orbit Classification
Orbit Sentiment analysis
Dandelion Entity Extraction
Dandelion Text Categorization
Dandelion Sentiment Analysis
Dandelion Text Similarity
chatbots.io
Thomson Reuters Open Calais
Diffbot Analyze
Diffbot Article
Diffbot Discussion
Diffbot Image
Diffbot Product
Diffbot Video
Semantic Biomedical Tagger
Free Natural Language Processing Service
NLP Tools
MeaningCloud Topics Extraction
MeaningCloud Text Classification
MeaningCloud Sentiment Analysis
MeaningCloud Language Identification
MeaningCloud Spelling, Grammar and Style Proofreading
MeaningCloud Corporate Reputation
MeaningCloud Text Clustering
lang id
Rosette Language Identifier
Rosette Base Linguistics
Rosette Entity Extractor
Rosette Entity Resolver
Rosette Name Indexer
Rosette Name Translator
WritePath Traslation
Microsoft Translator
wit.ai
]]>
2023-10-03T14:52:09+09:00
一般社団法人 次世代社会システム研究開発機構
-
https://www.x-sophia.com/?pid=177428046
次世代NLP(自然言語処理)と大規模言語モデル(LLM)白書 2023年版
製本版
[出版日]
2023年10月16日
[ページ数]
A4判/約1,180ページ
(※ バインダー製本とPDF版では編集上の違いによりページ数が若干異なります。)
[発行<調査・編集>]
監修・発行: 一般社団法人 次世代社会システム研究開発機構
[レポート内...
[出版日]
2023年10月16日
[ページ数]
A4判/約1,180ページ
(※ バインダー製本とPDF版では編集上の違いによりページ数が若干異なります。)
[発行<調査・編集>]
監修・発行: 一般社団法人 次世代社会システム研究開発機構
[レポート内容]
■概要■
本白書は、次世代の自然言語処理(NLP)と大規模言語モデル、AIアシスタント、AIチャットボット、自然言語処理の生成を効率化・高速化する言語モデリング、多言語LLM、視覚言語モデル、生成系AIとの対話を支援する各種自然言語処理モデルに係る諸テーマを網羅的・重点的にとりあげ、その全容と実践的な課題を提示している。
人間はお互いに言語でコミュニケーションをとることで成立し、これはあらゆる活動を支えている。従って自然言語処理技術(NLP)を活用したAIによるコミュニケーションは、人工知能がより人間に近づき、人間社会にとけ込んでいく上で必ず解決しなければならないテーマであり、最も大きな課題でもある。
すでに多くの大手 IT 企業が音声認識/デジタルアシスタント(チャットボット)/スマートスピーカーの開発に注力しており、今後、家庭向けAIアシスタント以外に、自動車、医療、金融、小売、顧客対応サービス、教育、流通、運送などの幅広い業界で、多様なソフトウェア/プラットフォームに統合されながら、広範に活用されることが予測されている。
今後、AIの実用の場を大きく広げていく過程において、自然言語処理技術(NLP)は、教育分野、メンタルケア、公共サービスなど、コミュニケーションが重要な要素となる分野における軸となり、さらなる高度なコミュニケーションを実現する上で鍵となる技術として期待されている。
AI/ディープラーニングやコグニティブシステムの成果が音声認識/デジタルアシスタント(チャットボット)/スマートスピーカーに取り入れられ、ほぼ実用レベルに達しつつある流れのなかで、コネクテッドホームはじめIoT指向のフレームワークにおいても、音声認識/AIアシスタントが中核的な存在として位置づけられている。
一方、大規模言語モデル(LLM)は、自然言語処理(NLP)において大きな進歩を遂げている。大規模言語モデルは、入力された自然言語の内容を予測するために開発されている。言語モデリングの課題だけでなく、これらのモデルの使用は自然言語のパフォーマンスを向上させている。LLMを利用したアプローチは、情報抽出、質問応答、要約などの医療タスクで効果を発揮している。
大規模言語モデルの成果は、トランスフォーマーモデルというアーキテクチャとプロンプトエンジニアリングというフレームワークに起因している。トランスフォーマー・モデルはニューラルネットワーク・アーキテクチャの一種で、自然言語処理(NLP)の分野で大きな人気を博し、革命をもたらした。
また、プロンプトは、LLMを搭載した技術で使用される自然言語の指示である。タスクの仕様、予測が遵守すべきルール、そしてオプションとしてタスクの入力と出力のサンプルが、すべてこの命令セットに含まれている。そして、プロンプトエンジニアリングとは、AI、特に大規模言語モデル(LLM)モデルが望ましい出力をするようにプロンプトを設計し、最適化することである。
自然言語処理の代表的なアプリケーションであるチャットボットは、非常に高いレベルで、自然言語理解(NLU)、自然言語生成(NLG)のエンジンにガイダンスするプロンプトエンジニアリングによってユーザーのクエリ(自然言語)に適応させ、正しいコンテキストやレスポンスを得る機会を最大化している。
こうした観点に立ち、本白書では。大規模言語モデル(LLM)を利用した機械学習モデル・自然言語処理AI、自然言語クエリを処理するLLM、LLMによる自然言語処理アプリケーション、自然言語処理の生成を効率化・高速化する言語モデリング、多言語LLM、視覚言語モデル、生成系AIとの対話を支援するビジュアルファウンデーションモデルなどのテーマを重点的に取り上げている。
その他、自然言語処理(NLP)とLLMに関連する以下のテーマを取り上げて解説している。
● 自然言語処理モデルの事前学習とT5(Text-To-Text Transfer Transformer)
● ChatGPTの推論・対話機能をNLPアプリケーションに活用する方法
● 文脈内学習を持つLLM・AIフレームワーク
● 対話型解決エージェントで大規模言語モデル補完を強化するAIフレームワーク
● コードドキュメントの取得による自然言語によるコード生成
● 転移学習を利用した機械学習モデル・自然言語処理AI
● 推論と演技を相乗させるためのAIモデル
● 有害・不快なコンテンツを生成させない安全ルールを備えたLLM
● ユーザーフィードバックに基づくリアルタイムに近いモデル更新
● 高品質なラベル付きデータを必要とする自然言語処理アプリケーション
● ゼロショットChatGPT分類
● マルチモーダル大規模言語モデル
● 生成系AIとの対話を支援するビジュアルファウンデーションモデル
● 生成を3倍高速化する信頼性適応言語モデリング
● 多言語LLMのオープンソース化
● 自然言語クエリを処理するLLM APIとAIフレームワーク
● モバイルUIで会話型インタラクションを可能にするLLM
● 自然言語で携帯端末を操作するための学習データセット
● 視覚言語モデルとその応用可能性
● 自然言語処理とLLMの課題
※ なお、「次世代NLP(自然言語処理)と大規模言語モデル(LLM)」というテーマは、複眼的、立体的な視点で解明し、アプローチすることで、より精確で深みのある理解が得られるものである。当団体でもそうしたコンセプトで本白書を編纂している。
そのため、以下の白書(ほぼ当団体よりほぼ同時期に発刊)がそれぞれ独立して編纂されながらも、4巻セットとしてシリーズ編成されている。まとめて全4巻を購入された場合、特別に半額の価格設定で提供している。
■ 生成AI白書 2023年版
(A4判/約3,200ページ)
https://www.x-sophia.com/?pid=177427870
■ 大規模言語モデル(LLM)白書 2023年版
(A4判/約1,400ページ)
https://www.x-sophia.com/?pid=177427957
■ 機械学習/ディープラーニング(DL)/生成AI・大規模言語モデルと機械学習・DL白書 2023年版
(A4判/約1,340ページ)
https://www.x-sophia.com/?pid=177428005
※※ 各白書とも、英語版について近刊を予定している。
■内容編成(目次)■
序
第1章 自然言語処理(NLP)とNLP市場の展望
1-1 自然言語処理(NLP)の活用分野とその市場展望
[1] 人工知能(AI)研究の発展と自然言語処理(NLP)
[2] 世界の企業向け NLP ソリューション市場の展望
1-2 「自然言語」、「テキスト」、「音声」、「言語モデル/生成AI」というビッグデータがもたらすビッグチャンス
1-3 各業界における NLP の活用状況
[1] 各業界における NLP を用いたテキスト分析の活用
[2] 各業界における音声認識/スピーチ分析の活用
1-4 自然言語処理開発を取り巻く世界と日本の動き
[1] 概況・近況
[2] 産業構造への影響
第2章 地域別政策・振興策/国際基準策定/指針整備動向
2-1 国際統一基準/条約策定/規制緩和を巡る動向
[1] 条約制定
[2] ガイドライン/指針策定
[3] 日本政府 人工知能研究開発の国際統一基準提言
2-2 国・地域別政策・振興策
[1] 米国
[2] イギリス
[3] ドイツ
[4] イスラエル
2-3 産業競争力の成長戦略とAI/自然言語処理の位置づけ(日本)
[1] 概説
[2] 経済成長の新たなけん引役としてのAI/自然言語処理
[3] 総合科学技術・イノベーション会議
[4] 人工知能技術戦略会議
[5] 文部科学省、経済産業省、総務省3省連携
[6] 自由民主党政策提言
第3章 自然言語処理/大規模言語モデルに関連した経済効果、予測、市場動向統計
3-1 グローバル市場
[1] 概況・近況
[2] BBC Research(米国調査会社)の報告書
[3] Strategy Analyticsの調査報告書
3-2 バーチャルアシスタント/AIアシスタントの世界市場
3-3 AI活用による産業構造への影響試算
3-4 大規模言語モデルの進展予測
3-5 自然言語処理/大規模言語モデルの拡大・発展が社会に与える影響/インパクト
3-6 活発化する産学連携体制による自然言語処理/大規模言語モデルの取り組み
第4章 自然言語処理/大規模言語モデル領域を対象とした各種調査研究レポート
4-1 AIの意識調査
4-2 AIの導入・実態調査
4-3 AI進化が社会・産業に与える影響
4-4 ガートナー 「エンタープライズ・アプリケーション分野におけるチャットボット活用」
4-5 Pew Research Center's Internet & American Life Project
4-7 vocalize.ai 「スマートスピーカーの聞き取り性能調査」
4-8 Walker Sands Communications 「2018 Future of Retail Study」
4-9 スマートサウンドラボ(SSL) 「スマートフォンの音声アシスタントの利用調査」
4-10 GranView 「グローバルでのチャットボットビジネスおよび市場調査」
第5章 産業界における自然言語処理/大規模言語モデル/AIアシスタントの活用動向
5-1 金融
5-2 各種メディア
5-3 流通、運送、小売
5-4 その他
第6章 自然言語処理技術/自然言語処理サービス 参入企業動向
6-1 NLP を活用した AI の技術開発に取り組む企業
[1] Google(Alphabet)
[2] Microsoft
[3] Apple
[4] IBM
[5] Amazon
[6] Facebook
他
6-2 ベンチャー企業の取組み
[1] Next IT 社
[2] Quantified Communications 社
他
第7章 学際領域としての自然言語処理/コグニティブコンピューティング[1]
7-1 学際領域としての自然言語処理/コグニティブコンピューティング 概説
[1] 人工知能と自然言語処理 概説
[2] 目的特化型人工知能と汎用人工知能
[3] 予測システム/予測モデリング/自動推論システム
[4] 脳・神経ネットワークのモデル化とニューラルネットワーク
[5] 脳・神経ネットワークのモデル化/ニューラルネットワーク 事例検証
7-2 自然言語処理の発展・拡張
[1] 概況
[2] 自然言語理解
[3] 人間の言語理解と推論
7-3 データ解析から意思決定の全過程に係る言語解析エンジン
7-4 リカレント・ニューラル・ネットワーク(RNN)と自然言語処理
[1] 概説
[2] RNNのライブラリ
[3] Google/スタンフオード大学
7-5 ヒューマンオーグメンテーション(人間拡張学)と自然言語処理
7-6 人間の感情を検知する AI /自然言語処理の先端研究究
[1] 概況・近況
[2] MIT 無線(RF)信号で感情を検知するデバイス「EQ-Radio」
[3] 富士通 「Human Centric AI Zinrai(ジンライ)」
[4] 声で感情を分析し、空間を演出する「空間ロボット」
[5] Affectiva 「感情AI技術」
7-7 能動的コミュニケーションシステムとAI/自然言語処理
7-8 制御された自然言語(Controlled Natural Language
7-9 包括的なテキスト前処理 NLP(自然言語処理)
7-10 深層言語処理
7-11 意味分解(自然言語処理)
第8章 学際領域としての自然言語処理/コグニティブコンピューティング[2]
8-1 意思決定支援・質問応答システム/自然言語生成
8-2 自然言語処理技術を用いた応用事例
8-3 自然言語処理を行う対話ロボット/コミュニケーション・ロボット
8-4 ディープラーニングを活用したテキスト分類処理
8-5 ビジネス・インテリジェンスと音声・言語処理
8-6 頭脳直結テキスト入力システム
8-7 次世代エキスパートシステム
第9章 学際領域としての自然言語処理/コグニティブコンピューティング[3]
9-1 ライトウエイト・オントロジーとコグニティブシステム
9-3 ディープラーニングとコグニティブシステム(Watson)の関係(関係強化)
9-4 ゲーミフィケーションと自然言語処理
9-5 仮想エージェントを活用した人間的能力・知識の一般化
9-6 エデュテインメントと自然言語処理
9-7 インフォテインメントと自然言語処理
第10章 自然言語処理関連の大規模言語モデル(LLM)およびフレームワーク[1]
10-1 概説
[1] 概要
[2] 自然言語処理とLLMの結合
[3] ChatGPTと自然言語理解(NLU)・自然言語生成(NLG)
10-2 自然言語処理モデルの事前学習とT5(Text-To-Text Transfer Transformer)
10-3 ChatGPTの推論・対話機能をNLPアプリケーションに活用する方法
10-4 文脈内学習を持つLLM・AIフレームワーク
[1] 概説
[1] Microsoft/UT Austin研究グループ 新しいモデルアーキテクチャ 「Prompt Diffusion」
10-5 対話型解決エージェントで大規模言語モデル補完を強化するAIフレームワーク 「DERA」
[1] 概説
[2] 対話型解決エージェントで大規模言語モデル補完を強化するAIフレームワーク 「DERA」
10-6 CMU研究グループ 「コードドキュメントの取得による自然言語によるコード生成アプローチ:DocPrompting」
10-7 GLaM(エキスパート混合による言語モデルの効率的スケーリング)
10-8 PaLM(パスウェイ言語モデル)/Palm2
[1] 概説
[2] 新しいPalm2大規模言語モデルを可能にしたデータの改善とスケーリングの洞察
10-9 「転移学習」を利用した機械学習モデル・自然言語処理AI
[1] 概説
[2] Google 「新たな自然言語処理AI:T5」
10-10 推論と演技を相乗させるためのAIモデル
[1] 概説
[2] プリンストン大学/Google AI 「ReAct」
10-11 検閲に対応し、有害・不快なコンテンツを生成させない安全ルールを備えたLLM
[1] 概説
[2] スタンフォード大学研究グループ 検閲対応/有害・不快コンテンツを生成させない安全ルールを備えたLLM 「FreedomGPT」
10-12 レコメンデーション技術とLLM
[1] 概説
[2] ユーザーフィードバックに基づくリアルタイムに近いモデル更新
[3] Bytedance 「Monolith」
10-13 高品質なラベル付きデータを必要とする自然言語処理アプリケーション
[1] 概説
[2] チューリッヒ大学研究グループ 「MTurkアノテーションを上回る性能を見せたゼロショットChatGPT分類」
第11章 自然言語処理関連の大規模言語モデル(LLM)およびフレームワーク[2]
11-1 インコンテキスト学習を行うことができるマルチモーダル大規模言語モデル
[1] 概説
[2] Microsoft Research 「インコンテキスト学習を行うことができるマルチモーダル大規模言語モデル:Kosmos-1」
11-2 生成系AIとの対話を支援するビジュアルファウンデーションモデル
[1] 概説
[2] Microsoft Research 「ChatGPTとの対話を支援するビジュアルファウンデーションモデル:Visual ChatGPT」
11-3 生成を3倍高速化する信頼性適応言語モデリング
[1] 概説
[2] Google AI 「LLMによるテキスト生成を3倍高速化する信頼性適応言語モデリング:Confident Adaptive Language Modeling(CALM)」
11-4 世論測定の言語モデル
[1] 概説
[2] MIT/ハーバード大学 「メディアダイエットで学習した世論測定の言語モデルを発表」
11-5 脚本を生成する映画オーサリングツール
[1] 概説
[2] Deepmind 「脚本を生成する映画オーサリングツール:Dramatron」
11-6 Meta 「4000言語の話し言葉を理解する多言語LLM「MMS」のオープンソース化」
11-7 Google 新たな自然言語処理モデル「ALBERT」(BERTのアップグレード)
11-8 Microsoft/NVIDIA 「MT-NLG」MT-NLG(DeepSpeedとMegatronを搭載したメガトロン・チューリング自然言語生成モデル)」
11-9 多言語LLM
[1] 概説
[2] チューリッヒ大学 「多言語言語モデル「SwissBERT」を開発」
[3] Phoenix
11-10 スタンフォード大学 「自然言語クエリを処理するLLM APIのためのAIフレームワーク」
11-12 モバイルUIで会話型インタラクションを可能にするLLM
11-13 自然言語で携帯端末を操作するための学習データセット
11-14 自然言語処理システムの仕組みを変える検索拡張世代(RAG)
[1] 概説
[2] 大規模言語モデルにおけるいくつかの重要な課題に対処するRAG
[3] RAGシステムの潜在的なビジネスアプリケーションと影響
[4] 効率的なRAGパイプラインの実装
[5] RAGライブラリとフレームワーク
11-15 視覚言語モデルとその応用可能性
[1] 概説
[2] カリフォルニア大学バークレー校 視覚言語モデルの言語埋め込みのNeRFへの組み込み 「LERF(Language Embedded Radiance Fields)」
11-16 自然言語処理とLLMの課題
[1] 人工幻覚(AIによる真実ではない確信的な応答問題)
他
第12章 音声合成モデルと生成系AI・LLM
12-1 概説
12-2 マイクロソフト 「人の声で多様な音声編集タスクを処理できるモデル:SpeechX」」
12-3 Google AI 「最先端の音声モデルファミリ:Universal Speech Model (USM)」
12-4 CMU研究グループ 「多様な音声を扱う人間のような音声合成トレーニングのためのAIシステム」
12-5 Suno 「音声合成AIボイスクローンモデル:Bark」
12-6 自然言語を迅速に音声に変換するTTS(Text-To-Speech)システム
[1] 概説
[2] マイクロソフト 「クロスリンガルなニューラルコーデック言語モデル:VALL-E X」
第13章 AIアシスタントおよびチャットボットと生成系AI・LLM
13-1オープンソースチャットボット
[1] 概説
[2] LLaMA-13Bをベースにしたオープンソースチャットボット 「Vicuna」
13-2 GPT-Turbo-3.5アシスタントスタイル生成の言語モデル 「GPT4All」
[1] 概説
[2] GPT-Turbo-3.5アシスタントスタイル生成の言語モデル 「GPT4All」
13-3 自動テキスト配信、チャットボット、言語翻訳、コンテンツ制作の開発・作成モデルの訓練および微調整 「xTuring」
[1] 概説
[2] ストキャスティック 自動テキスト配信、チャットボット、言語翻訳、コンテンツ制作の開発・作成モデルの訓練および微調整: 「xTuring」
13-4 ナレッジソースやツールの活用によるボット構築プロセスの全体的な効果向上
[1] Microsoft 「ローコード開発環境「Power Platform」に新機能追加」
[2] 自然言語入力によるChatGPT連携アプリ作成ツール「MetaGPT」
13-5 生成系AIスタイルのAIボット
[1] スタンフォード大学ビッグモデルセンター 「ChatGLM(中国人ユーザー向けに特別に設計されたチャットロボット)」
[2] バイドゥ 「ChatGPT風AIボットの一般提供」
13-6 会話型チャットインターフェースの構築
[1] LangChainによる会話型チャットインターフェースの構築
13-7 コールセンターにおける自然言語処理システム導入
[1] SBI生命 「Amazon Kendraの自然言語処理と機械学習をコールセンターに導入」
13-8 AIアシスタント(スマートスピーカー)/チャットボット主要ベンダー/主要製品・サービス(海外) [1]
[1] 概況
[2] Amazon.com 「Amazon Echo」/「Alexa (a.k.a. Echo)」
[3] Amazon 「Amazon Alexa」
[4] Amazon 「Alexaに生成AIを導入」
[5] Amazon 「Amazon Tap」
[6] Amazon 「Amazon Echo Dot」
[7] Amazon Lex
[8] Amazon 液晶付きスマートスピーカー「Echo Spot」
[9] Google 「Googleアシスタント」
[10] Google 「Google Now」
[11] Google 「Google Home」/「Google Home Mini」
[12] Google 「Google Duplex」
[13] Apple 「Siri」
[14] Apple 「homepod」
[15] Microsoft 「Cortana」/「Invoke」
[16] Microsoft 「Office 365」/「Dynamics 365」
[17] Microsoft Technology and Research/Bing 「Tay」
[18] Facebook 「M」
[19] Samsung Electronics 「Bixby」/「Bixby Voice」
[20] Samsung Electronics 「Viv」
[21] SK Telecom 「NUGU」
[22] Baidu/Raven Tech 「Duer」
[23] BOSE 「QuietComfort 35 II」
[24] Harman Kardon 「Invoke」
13-9 AIアシスタント(スマートスピーカー)/チャットボット主要ベンダー/主要製品・サービス(海外) [2]
[1] GoButler 「GoButler」
[2] Andy Rubin 「Essential Home」
[3] Julie 「Julie Desk」
[4] Maluuba 「Maluuba」
[5] Yandex 「Alice」
[6] BlackBerry Limited 「BlackBerry Assistant」
[7] 導入事例
13-10 AIアシスタント/チャットボット主要ベンダー/主要製品(国内)
[1] ソニー 「LF-S50G」
[2] ソニー 両耳装着型スマートイヤホン「Xperia Ear Duo」
[3] LINE 「Clova WAVE」
[4] パナソニック 「GA10」
[5] 凸版印刷/TIS 「AISonar」
[6] NTTレゾナント/goo
[7] オンキヨー 「G3」/「AIスマートオートモーティブ」
第14章 AI/機械学習/ディープラーニングと自然言語処理の連携[1]
14-1 学際領域としての機械学習/ディープラーニング 概説
[1] 教師あり学習と教師なし学習
[2] 機械学習とデータマイニング
14-2 ニューラルネットワーク(NN)と自然言語処理
[1] 畳み込みニューラルネットワーク
[2] 再帰型ニューラルネットワーク
14-3 機械学習による引用文献/関連研究支援プラグイン
14-4 ディープラーニングと音声認識
14-5 AIの進化による「音声認識」の新たな用途
14-6 自然言語の入力を解析するAIプラットホーム
14-7 ビッグデータ解析と機械学習
[1] 人工知能の進化に必要不可欠なビッグデータベースの学習機能
[2] 異種混合学習技術
[3] 機械学習分析向けクラウドサービス/機械学習エンジンAPIサービス
14-8 「多様性」を用いた自然言語処理の弱点「言い換え」の解決
[1] 概説
[2] Google 「言葉の順序や構造の理解(言い換え)用に新たにデータセットを公開」
第15章 AI/機械学習/ディープラーニングと自然言語処理の連携[2]
15-1 次世代人工知能と脳研究
[1] 次世代人工知能の流れで進む脳機能の解明
[2] 脳(ゆらぎ)情報のデコーディングを活用した次世代人工知能
15-2 AI搭載システムによる事故発生時の法的責任に関する課題
15-3 次世代ディープラーニングの現状と可能性
15-4 メディア業界での機械学習活用事例
15-5 ディープラーニングのビジネス利用と課題点
15-6 参入企業動向
[1] Google
[2] Intel
第16章 生成系AI・LLMとドキュメントインテリジェンス/組織におけるコンテンツ利用
16-1 自然言語処理と機械学習によるドキュメントインテリジェンス
[1] アドビ、「Adobe Experience Manager」でAIを活用した新しい生成型サービスを公開
[2] アドビ 「エンタープライズ向けFirefly」/「AIでクリエイティビティを加速させるAdobe Expressの導入」
16-2 生成系AIによるドキュメント・インサイト・ウェアハウス
[1] 概要
[2] マイクロソフト 「Azure OpenAI Documents Search App - Document Insight Warehouse」
[3] Anthropic ChatGPT対抗AIチャットボット「Claude」(5時間以上かけて読む資料を1分以内で理解)
第17章 ナレッジベース/知識表現と推論のためのフレームワーク
17-1 ナレッジベース
17-2 評価ベースシステム(Valuation-based system
17-3 知識表現と推論
17-4 ナレッジモデリング
17-5 ダイナミック・ナレッジ・リポジトリ
17-6 ナレッジマネジメント
17-7 パーソナル・ナレッジ・マネジメント
第18章 AIデータプラットフォームWatson/WatsonX[1]
18-1 AIデータプラットフォームWatson概説
18-2 AIデータプラットフォームWatsonに見る人工知能の進化と人間の未来
18-3 クラウド経由で提供するWatson関連サービス
18-4 Watsonを使った文書の自動要約システム
18-5 Watsonを使った問い合わせ業務/コールセンター支援システム
18-6 Watsonを使ったFacebookメッセンジャー向けボット
18-7 Watsonを活用した新しいアプリケーションやサービスを展開するためのパートナープログラム
第19章 AIデータプラットフォームWatson/WatsonX[2]
19-1 Watsonを結合した血糖値管理アプリケーション
19-2 Watsonを用いたヘルスケアサービス
19-3 Watsonを活用した電子カルテ解析ソリューション
19-4 Watsonを使った「発症事前予測アプリ(システム)」
195 Watsonによるゲノム情報解釈/全ゲノムのシーケンス
19-6 Watsonを使った創薬・新薬開発
19-7 クラウド経由で提供するWatson関連サービス
第20章 AIデータプラットフォームWatson/WatsonX向けAPI
20-1 Watson向けAPI 概説
20-2 IBM Watson Developer Cloud
20-3 IBM Watson向け各種API
[1] IBM Watson AlchemyLanguage
[2] IBM Watson Concept Insights
[3] IBM Watson Dialog
[4] IBM Watson Language Translation
[5] IBM Watson Natural Language Classifier
[6] IBM Watson Personality Insights
[7] IBM Watson Relationship Extraction
[8] IBM Watson Retrieve and Rank
[9] IBM Watson Tone Analyzer
[10] IBM Watson AlchemyData News
第21章 先進医療機器・医療ITとAI/自然言語処理活用[1]
21-1 医療におけるIT活用/自然言語処理活用
[1] 医療情報の公共性と個人情報保護
[2] 法整備課題
21-2 医療ナレッジベースシステムとしての電子カルテ
[1] 概況・これまでの経過
[2] データウェアハウス/BIとの統合
[3] 診療情報Webサービスと電子カルテの連携
[4] 特定治療に特化した電子カルテ
21-3 電子カルテの課題・今後の展望
21-4 IoTデバイスとWatsonを結合した血糖値管理アプリケーション
21-5 生体データのIoT化と発症の事前予測
21-6 AIを使った症状のメカニズム解明
21-7 メドトロニック社:Watsonを使った血糖値分析アプリケーション
21-8 ディープラーニングがもたらす医療画像認識技術の顕著な発展
21-9 NLPモデルによるメッセージ分類
第22章 先進医療機器・医療ITとAI/自然言語処理活用[2]
22-1 AI搭載・AI活用型医療(データヘルス)の推進施策
22-2 エビデンスに基づくAI活用型医療とクリニカルパス
22-3 AI活用による最適治療システム
22-4 AIによるデータ解析と臨床診断の可能性
22-5 本格化する第4次医療革命「Medicine 4.0」に向けた動き
22-6 メンタルヘルスの定量化を実現するAI
22-7 ゲノム・オミックス医療を支える医療ビッグデータ
22-8 ディジーズ・マネジメント
第23章 音声認識・音声生成と自然言語処理の発展
23-1 音声認識概説
23-2 音声認識+自然言語処理 概説
23-3 AIアシスタントとスマートマシン/自律型ロボット
23-4 コネクテッドホーム向け音声認識の市場・参入企業動向
23-5 米国企業の市場・参入企業動向
[1] 概説
[2] スマートハウス/スマートホームにおける音声認識技術導入・活用
[3] コネクテッドホーム向け音声認識の市場・参入企業動向
23-6 AIスピーカーとコネクテッドホーム/HA機器の結合・連携
23-7 家庭用自律行動ロボットと次世代コネクテッドホーム
23-8 音声アシスタントとウエアラブル/AR(拡張現実)の結合・連携
23-9 位置情報/屋内測位技術と音声アシスタントの組み合わせ技術
23-10 MFi認証とスマートハウス/スマートホーム
23-11 音声のクローン作成と合成
[1] ElevenLabs 「生成音声AIのバージョン2公開」
第24章 自動翻訳/通訳デバイスと生成系AI・LLM
24-1 概説
24-2 Facebook 「90言語以上の機械翻訳を加速させるためのツールキット:LASER」
24-3 Google RNNやCNNをしのぐレベルの自動翻訳を実現するニューラルネットワークアーキテクチャ「Transformer」
24-4 参入企業/主要製品動向
[1] Google 「Google Translate on Pixel」
[2] Google AI 「翻訳したテキストと音声を同時に生成する大規模言語モデル:AudioPaLM」
[3] Travis 「Travis the Translator」
[4] ソースネクスト 「POCKETALK」。
[4] Meta 「文章と音声を翻訳するオールインワン多言語マルチモーダルAI翻訳・書き起こしモデル「SeamlessM4T」
第25章 自然言語処理/チャットボットの設計・製造体制/関連開発プラットフォーム
25-1 チャットインターフェースの効率化
25-2 SoC(System on Chip)の採用状況
25-3 Bluetoothオーディオ用SoCプラットフォーム「CSRA68100」
25-4 スタートアップ支援向けプログラム
25-5 機械学習による音声認識アルゴリズムと多言語モデルの構築
25-6 Meta 「4000以上の音声言語認識に対応するSpeech-to-Text、Text-to-Speechモデル:MMS」
25-7強化学習とNLP技術を用いたチャットボット開発
25-8 バーチャルヒューマンなチャットボット
25-9 生成系AIによるAIチャットボット設定、応対、改善業務の完全自動化
25-10 自然言語会話システムアプリ開発向けプラットフォーム
[1] Google 「Actions on Google」
[2] Google 「API.ai」
[3] Google 「Cloud Natural Language API」
[4] Apple 「SiriKit」
[5] Apple 「Siri SDK」
[7] Amazon 「Alexa Skills Kit(ASK)」
[8] Amazon 「Amazon AI」
[9] Viv 「Viv」
[10] Matrix Labs 「VOICE RECOGNITION」
[11] アイリッジ スマートスピーカー向けアプリの開発プラットフォーム「NOID」
第26章 コンテンツマーケティングにおける自然言語処理活用
26-1 概説
26-2 コンテンツマーケティング導入におけるNLPの機能
26-3 センチメント分析
[1] 概要
[2] 顧客の洞察
[3] ソーシャルリスニング
[4] ブランドの評判管理
[5] 競合分析
[6] コンテンツの最適化
26-4 パーソナライズされたコンテンツ
[1] ユーザーのプロファイリング
[2] コンテンツ分析
[3] レコメンデーション・エンジン
[4] パーソナライズされたコンテンツ配信
[5] A/Bテストと最適化
26-5 コンテンツマーケティングにおけるチャットボット、バーチャルアシスタントの活用
[1] 概要
[2] 顧客エンゲージメント
[3] コンテンツの発見と推奨
[4] リードの創出と適格性確認
26-6 ライティングと編集
[1] 概要
[2] キーワード調査と最適化
[3] コンテンツ生成
[4] 文法とスタイルのチェック
26-7 競合分析
[1] 概要
[2] トピックとキーワードの分析
[3] コンテンツの推奨
[4] コンテンツパフォーマンスの比較
第27章 オントロジー工学の発展と自然言語処理/AIアシスタント
27-1 概説
27-2 オントロジーを用いた自然言語推論
27-3 オントロジーを利用した知識の共有/再利用
27-4 汎用オントロジーの応用と自然言語処理
27-5 デバイスオントロジーと特許文書の意味理解システムへの応用
第28章 次世代Webと自然言語処理
28-1 次世代Webと自然言語処理 概説
28-2 次世代ウェブと外部技術との統合・融合
[1] コンテクストアウェアネスの発展
[2] メタデータスキーマ
[3] ソーシャル・サーチの可能性
[4] セマンティックWebと次世代ウェブの合流
[5] ウェブにおけるオントロジーの導入
[6] メタデータ構造化によるコンテクスト検索
28-3 次世代Web/タグ・オントロジーの発展
28-4 ナラトロジーによるタグ・オントロジー
28-5 次世代Webが巻き起こす次世代ICTイノベーション
[1] ガートナー「What’s Next with Web2.0 and Consumerization?」
[2] 創造的データ・マイニングと次世代ウェブ
[3] 次世代ウェブという次元を超えて
28-6 「アウェアネス」と次世代Web
28-7 エクスペリエンス・エコノミー/シェアリング・エコノミーと次世代Web
28-8 エクスペリエンスとエンゲージメント(絆)
28-9 セマンティックWebと次世代Web合流
26-10 セマンティック検索システム/セマンティック埋め込みモデル
第29章 ソーシャルメディアと自然言語処理/AIアシスタント
29-1 ソーシャルメディアのあるべき姿
29-2 集団的知性・合意形成
29-3 ソーシャル・アグリゲーション
第30章 RPAとAI/音声認識技術
30-1 サービス志向アーキテクチャ(SOA)と次世代企業情報システム
30-2 エンタープライズ・マッシュアップの定義・コンセプト
30-3 SOAとマッシュアップアプローチを統合させていくアプローチの意義
30-4 エンタープライズ・サーチが到達した技法・活用水準
30-5 エンタープライズ・サーチの活用方法
30-6 エンタープライズ・サーチ製品および製品の課題
30-7 エンタープライズ・サーチとメタデータ処理
30-8 知識流通フレームワークとエンタープライズ2.0
30-9 ナレッジ・マネジメントの進化とエンタープライズ2.0
第31章 次世代ロボットと自然言語処理/AIアシスタント
31-1 概況・近況
31-2 認知発達ロボティクス
31-3 次世代サービスロボットとAI
[1] 多様化するサービスロボットとAI搭載形態
[2] マニピュレーション(サービスロボットの物体操作)
[3] ヒューマノイドとAI
[4] 各種生活支援ロボットとAI
[5] コミュニケーション/セラピーロボットとAI
[6] AIが促進するサービスロボットの空間知能化
[7] 分散型/マルチエージェント型サービスロボットとAI
第32章 次世代サービスロボットと自然言語処理
32-1 クラウドロボティクス/サービスロボットと自然言語処理
第33章 コネクテッドカー/次世代車載システムと自然言語処理
33-1 自動運転、人工知能、モビリティーサービスのシナジー
33-2 ロケーションベースのサービス(LBS)とAIアシスタント
33-3 コネクテッドカー/クルマの知能化とバーチャルアシスタント
33-4 次世代自動車と機械学習/ディープラーニング 研究開発動向
33-5 事例紹介
第34章 自動運転システムと自然言語処理
34-1 自律走行・自動運転システムとAI
34-2 次世代自動車とビッグデータ/AIの活用
34-3 自動運転×AI/自然言語処理×先端ロボット技術の結合がもたらすもの
34-4 自車位置推定技術におけるAIとビッグデータ活用
34-5 AI/自然言語処理による次世代自動車の新サービス創出
34-6 AI/自然言語処理技術の導入が生む次世代モビリティサービス
34-7 実証実験および主要メーカー別動向
第35章 車載インフォテイメントと自然言語処理
35-1 スマート・ドライビング・アシスタント機能開発と自然言語処理
[1] 概説
[2] 自動運転とスマート・ドライビング・アシスタント
35-2 AI/自然言語処理と次世代車載システムの開発
35-3 関連プラットフォーム
NX ソフトウエアシステムズ 「QNX CAR アプリケーション プラットフォーム 2.0」
第36章 フィンテック/金融工学と自然言語処理
36-1 フィンテック/金融工学と人工知能 概説
36-2 フィンテックは金融システムをどのように変えていくのか
36-3 決済手段・システムの高度化・多元化
36-4 送金(国際送金/P2P送金)
36-5 資産管理(アカウントアグリゲーション/PFM)
36-6 クラウド会計
36-7 ロボアドバイザー
第37章 ブロックチェーンと自然言語処理
37-1 ブロックチェーンと自然言語処理 概説
37-2 スマートコントラクト概説
37-3 スマートコントラクトと自然言語処理
37-4 分散自立型情報保管・検索システムに基づくFreenetプロジェクト
第38章 ブレイン・マシン・インターフェース/脳波活用機能・機器とAI
38章-1 ブレイン・マシン・インタフェース(BMI/BCI) 概説
38章-2 AIによる脳波活用機能・機器の課題
第39章 VR(仮想現実)/AR(拡張現実)と自然言語処理
39-1 VR/ARと自然言語処理 概説
39-2 参入企業動向
[1] Facebook(フェイスブック)
[2] SoftKinetic
他
第40章 主要研究所/産学連携団体/ベンチャー出資動向
40-1 大学/主要研究所動向
[1] スタンフォード人工知能研究所(スタンフォードAIラボまたは SAIL)
[2] MITコンピュータ科学・人工知能研究所
[3] カーネギーメロン大学
[4] 革新知能統合研究センター(AIP:Advanced Integrated Intelligence Platform Project Center)
[5] 産業技術総合研究所/NEC 「産総研-NEC 人工知能連携研究室」
[6] NECブレインインスパイヤードコンピューティング協働研究所(NBIC)
[7] 豊田工業大学 知能数理研究室
40-3 ベンチャーキャピタル/ベンチャーへの出資動向分析
[1] CBInsights (米国調査会社)の報告書
他
40-4 個別企業/ファンドの出資動向
[1] トヨタ自動車
他
40-5 人工知能/機械学習分野で注目を浴びるベンチャー企業(海外)
[1] DeepMind Technologies
[2] Wit.ai
[3] Enlitic
[4] Sentient Technologies
[5] MetaMind
[6] The Grid
[7] x.ai
第41章 自然言語処理関連コンソーシアム/協業・事業提携
41-1 Open Interconnect Consortium
41-2 AllSeen Alliance
41-3 欧州委員会 eCo-FEV(efficient Cooperative infrastructure for Fully Electric Vehicles)
41-4 情報処理学会 「ビッグデータ活用フォーラム」
41-5 日本特許情報機構
41-6 次世代医療ICT基盤協議会
41-7 IIJ他 「データエクスチェンジ・コンソーシアム」。
41-8 ビッグデータ・オープンデータ活用推進協議会
41-9 全脳アーキテクチャ勉強会
第42章 自然言語処理関連参入企業
42-1 主要ベンダー動向
[1] グーグル
[2] マイクロソフト
[3] IBM
[4] Amazon
[5] Meta
[6] OpenAI
[7] ゼネラル・モーターズ(GM)
[8] フォード・モーター
[9] トヨタ自動車
[10] 本田技研工業
[11] Preferred Infrastructure(PFI)
[12] 東レ
他
42-2 ベンチャーキャピタル/ベンチャーへの出資動向分析
[1] CBInsights (米国調査会社)の報告書
他
42-3 個別企業/ファンドの出資動向
[1] トヨタ自動車
他
42-4 自然言語処理で注目を浴びるベンチャー企業(海外)
[1] DeepMind Technologies
[2] Wit.ai
[3] Enlitic
[4] Sentient Technologies
[5] MetaMind
[6] The Grid
[7] x.ai
付章 分野別自然言語処理関連API一覧
docomo 発話理解
docomo 言語解析
docomo シナリオ対話
docomo トレンド記事抽出
docomo 知識Q&A
docomo 雑談対話
Jetrun センシティブ分析
Jetrun マーケティング分析
Jetrun 文集約技術
Jetrun 感情分析
Jetrun 構文解析
Jetrun 文概要分析
Jetrun カテゴリ分析
Jetrun TrueTALK
Jetrun キーワード抽出
Jetrun 関連語抽出
Jetrun キュレーション技術
Jetrun 丁寧度判定
Jetrun キーワードゆらぎ取得
Microsoft Bing Spell Check
Microsoft Linguistic Analysis
Microsoft Text Analytics
Microsoft Web Language Model
Microsoft Academic Knowledge
Microsoft Entity Linking Intelligence Service
Microsoft Knowledge Exploration Service
Repl-AI
Google Translate
goo 商品評判要約
Affectiva
LEXALYTICS Semantria
RxNlp
Studio Ousia Semantic Kernel
Linklify
Orbit Entity extraction
Orbit Language detection
Orbit Classification
Orbit Sentiment analysis
Dandelion Entity Extraction
Dandelion Text Categorization
Dandelion Sentiment Analysis
Dandelion Text Similarity
chatbots.io
Thomson Reuters Open Calais
Diffbot Analyze
Diffbot Article
Diffbot Discussion
Diffbot Image
Diffbot Product
Diffbot Video
Semantic Biomedical Tagger
Free Natural Language Processing Service
NLP Tools
MeaningCloud Topics Extraction
MeaningCloud Text Classification
MeaningCloud Sentiment Analysis
MeaningCloud Language Identification
MeaningCloud Spelling, Grammar and Style Proofreading
MeaningCloud Corporate Reputation
MeaningCloud Text Clustering
lang id
Rosette Language Identifier
Rosette Base Linguistics
Rosette Entity Extractor
Rosette Entity Resolver
Rosette Name Indexer
Rosette Name Translator
WritePath Traslation
Microsoft Translator
wit.ai
]]>
2023-10-03T14:50:51+09:00
一般社団法人 次世代社会システム研究開発機構
-
https://www.x-sophia.com/?pid=177428005
機械学習/ディープラーニング(DL)/生成AI・大規模言語モデルと機械学習・DL白書 2023年版 PDF版
[出版日]
2023年10月16日
[ページ数]
A4判/約1,340ページ
(※ バインダー製本とPDF版では編集上の違いによりページ数が若干異なります。)
[発行<調査・編集>]
監修・発行: 一般社団法人 次世代社会システム研究開発機構
[レポート内...
[出版日]
2023年10月16日
[ページ数]
A4判/約1,340ページ
(※ バインダー製本とPDF版では編集上の違いによりページ数が若干異なります。)
[発行<調査・編集>]
監修・発行: 一般社団法人 次世代社会システム研究開発機構
[レポート内容]
■概要■
本白書は、機械学習(Machine learning)/ディープラーニング(Deep Learning)の全容・最新動向に加え、生成系AIや大規模言語モデル(LLM)における機械学習やディープラーニングのメカニズムのモデル選択、アーキテクチャ、アルゴリズム、適用、実装、研究、ファインチューニング等によるモデルのカスタマイズ、実用化などを網羅的に、かつ最新の動向を取り上げながら、詳細に解説している。
機械学習/ディープラーニングは、多様な分野を包括するAI(人工知能)に含まれる一分野である。人間の学習能力と同様の機能をシステム的に実行するための技術や手法のことであり、AIの分野では主要な研究課題の一つとされている。
機械学習のなかでも、ニューラルネットワーク、k近傍識別器、ベイズ分類、SVM(サポートベクターマシン)、といった手法でみられるように、識別器を活用しながら、クラス分類という識別問題、認識問題に対し、多様・多元的な視点・立場にたった研究が大きな成果をあげている。
LLMとは、AIアルゴリズムの一種であり、AIにおける言語モデルの概念を進化させたものでもある。学習と推論に使用するデータを劇的に拡張することで、AIモデルの能力が飛躍的に向上させることができる。また、ディープラーニング(深層学習)技術と大規模なデータセットを用いて、新しいコンテンツの理解、要約、生成、予測を行う。生成AIもLLMと密接不可分の関係にあり、LLMはテキストベースのコンテンツを生成するために特別に設計された生成AIの一種である。
LLMは、複数のコンポーネントを含む複雑なアプローチをとっている。基礎となるレイヤーでは、LLMは、通常ペタバイト級の大容量データ(コーパスと呼ばれることもある)で学習する。学習には複数の段階があり、通常は教師なし学習アプローチから始める。このアプローチでは、モデルは非構造化データとラベル付けされていないデータで学習される。LLMの次のステップは、自己教師あり学習による訓練とファインチューニングである。ここでデータのラベリングが行われ、モデルが異なる概念をより正確に識別できるようになる。
次に、LLMはトランスフォーマ・ニューラル・ネットワーク・プロセスを経て、ディープラーニングを行う。トランスフォーマー・モデル・アーキテクチャーにより、LLMは自己アテンション・メカニズムを使用して、単語と概念の間の関係とつながりを理解し、認識することができる。このメカニズムは、関係性を判断するために、与えられたアイテム(トークンと呼ばれる)に一般的に重みと呼ばれるスコアを割り当てることができる。
一度LLMが訓練されると、AIが実用的な目的で使用できるベースが存在する。LLMにプロンプトをクエリすることで、AIモデルの推論は、質問への回答、新しく生成されたテキスト、要約されたテキスト、センチメント分析レポートなどのレスポンスを生成することができる。
本白書は、カテゴリー別にこれらの開発・実装動向、市場動向、アルゴリズム高度化など先進的な研究開発動向、業界別活用動向、技術的・手法的課題、機械学習のエコシステム/プラットフォーム形成を巡る動き、生成系AIや大規模言語モデル(LLM)における機械学習やディープラーニングのメカニズムの研究動向/モデル選択/アーキテクチャ/アルゴリズム/適用/実装/ファインチューニング等によるモデルのカスタマイズ、実用化について取り上げ、解説している。
また、次世代チップ/量子コンピュータ/スマートファクトリー/デジタルマーケティング/ブロックチェーン/コネクテッドカー/自動運転などの関連領域の動向を体系的・包括的に取り上げて解説している。
また、最新のツール/ソフトウェア/アプリケーションの開発・サービス動向、今後の進展予測まで、関係する領域を体系的・包括的に取り上げた調査報告書(白書)として編纂されている。
以下、本レポートで扱っている主なテーマをリストで記載する。
● 教師あり学習
● 自己教師あり対照学習
● 自己教師なし学習
● 強化学習(RL)
● 人間のフィードバックによる強化学習(RLHF)
● PPO(Proximal Policy Optimization)アルゴリズム/報酬モデルに対するポリシー最適化
● Direct Preference Optimization (DPO)/強化学習を使わずに嗜好から言語モデルを学習させる学習パラダイム
● 模倣学習(徒弟学習/実演からの学習)
● メタ学習
● メモリ拡張型ニューラルネットワーク(MANN)
● 転移学習(トランスファー・ラーニング)
● ファインチューニング(微調整)
● 多言語言語モデルの基本
● 低ランク適応(Low-rank adaption:LoRA)
● 量子化
● 生成モデル/深層生成モデル(DGM)
● ユニバーサル言語モデルファインチューニング(ULMFiT)
● 事前学習(Pre-training)
● 説明ベースの学習(EBL)
● ゼロショット学習
● ゼロショットCoT
● ワンショット学習(コンピュータビジョン)
● ドメイン適応
● マルチタスク学習(MTL)/知識の移転
● マルチタスク最適化
● 基礎モデル(ベースモデル/ファンデーションモデル)
● 生成的事前訓練トランスフォーマー/生成的事前訓練トランスフォーマー(GPT)
● トランスフォーマー
● 生成的敵対ネットワーク(GAN)
● 拡散モデル(Diffusion Model)
● Stable Diffusion(安定した拡散)
● 思考の連鎖:CoT(Chain of Thought)
● 思考の木:ToT(Tree of Thoughts)
● 視覚のマルチレベル理論
● 手続き的生成
● 生成トポグラフィーマップ
● 自己組織化マップ
● ニューラルネットワーク
● 変分オートエンコーダ(VAE)
● ロボット学習
● 進化ロボット工学
● 発達ロボティクス(DevRob)
● 認知ロボット工学
※ なお、「機械学習/ディープラーニング(DL)」というテーマは、複眼的、立体的な視点で解明し、アプローチすることで、より精確で深みのある理解が得られるものである。当団体でもそうしたコンセプトで本白書を編纂している。
そのため、以下の白書(ほぼ当団体よりほぼ同時期に発刊)がそれぞれ独立して編纂されながらも、4巻セットとしてシリーズ編成されている。まとめて全4巻を購入された場合、特別に半額の価格設定で提供している。
■ 生成AI白書2023年版
(A4判/約3,200ページ)
https://www.x-sophia.com/?pid=177427870
■ 大規模言語モデル(LLM)白書2023年版
(A4判/約1,400ページ)
https://www.x-sophia.com/?pid=177427957
■ 次世代NLP(自然言語処理)と大規模言語モデル(LLM)白書2023年版
(A4判/約1,180ページ)
https://www.x-sophia.com/?pid=177428071
※※ 各白書とも、英語版について近刊を予定している。
■内容編成(目次)■
序
序
第1章 機械学習/ディープラーニング 概説
1-1 機械学習 概説
1-2 機械学習/ディープラーニングの大きな転回点となった2018年
1-3 機械学習/ディープラーニングをビジネスで活用する上での前提理解
1-4 ディープラーニング(多段ニューラルネットによる機械学習)概説
1-5 教師あり学習と教師なし学習
1-6 機械学習と先進認識(識別・回帰)技術
1-7 機械学習を用いた技術性能の評価指標
1-8 ビッグデータ解析と機械学習
1-9 機械学習のエコシステム/プラットフォーム形成を巡る動き
1-10 機械学習プラットフォーム構築を巡る動向俯瞰
1-11 ディープラーニングの研究開発領域とビジネス化動向俯瞰
1-12 次世代ディープラーニングの現状と可能性
1-13 ディープラーニングのビジネス利用と課題点
1-14 主な参入ベンダー:事業特性・最新動向
[1] 概況・近況
[2] 参入企業 概況
第2章 機械学習/ディープラーニング−地域別・機関別動向
2-1 米国
[1] DARPA 「UPSIDE program」
[2] DARPA 「SyNAPSE program」
[3] IARPA 「MICrONS program」
2-2 欧州
2-3 中国
[1] 清華大学/紫光集団
2-4 日本政府
[1] 人工知能技術戦略会議
[2] 「世界最先端IT国家創造宣言・官民データ活用推進基本計画」
2-5 総務省
[1] 情報通信研究機構(NICT)
[2] 総務省 情報通信政策研究所
[3] 「AIネットワーク社会推進フォーラム」(国際シンポジウム)
2-6 文部科学省
[1] 革新知能統合研究センター
2-7 内閣府
[1] 内閣府革新的研究開発推進プログラム(ImPACT)
[2] 全脳アーキテクチャ・イニシアティブ
2-8 内閣府特命担当大臣(科学技術政策)
[1] 人工知能と人間社会に関する懇談会
[2] 世界最先端IT国家創造宣言・官民データ活用推進基本計画
2-9 産業技術総合研究所
[1] 人工知能研究センター
[2] ABCI(AI Bridging Cloud Infrastructure)
2-10 産業競争力懇談会
2-11 知的財産戦略本部 検証・評価・企画委員会 「情報財検討委員会」
2-12 人工知能学会
2-13 IT総合戦略本部 「AI、IoT時代におけるデータ活用ワーキンググループ」
第3章 機械学習/ディープラーニングの基本モデルとその発展
3-1 ニューラルネットワーク(NN)とコネクショニズム
[1] 畳み込みニューラルネットワーク
[2] 再帰型ニューラルネットワーク
3-2 ディープニューラルネットワークのモデル
3-3 ベイズ確率(推定)/単純ベイズ分類器
3-4 サポートベクターマシン(support vector machine, SVM)
3-5 決定木(decision tree)
3-6 ブースティング(Boosting)
3-7 ランダムフォレスト(random forest, randomized trees)
3-8 k近傍法(k-nearest neighbor algorithm)
3-9 EMアルゴリズム(EM法)
3-10 遺伝的プログラミング
3-11 機械学習アルゴリズム高度化と“学習するハードウェア”の取り組み
3-12 機械学習アルゴリズム開発と関連技術の実装
第4章 機械学習/ディープラーニングの注目領域(アテンション・エリア)
4-1 ディープラーニングの研究開発領域とビジネス化 概説
4-2 新技術への関心と取り組み状況
4-3 次世代ディープラーニングの現状と可能性
4-4 ディープラーニングのビジネス利用と課題点
4-5 業界別注目領域
[1] 製造業界
[2] 金融業界
[3] 医療業界
[4] サービス業界
[5] メディア業界
[6] 教育/学習ゲーム業界
[7] マーケティング業界
4-6 研究領域別注目領域
[1] 学習率(learning rate)の精度・速度向上
[2] 機械学習の大規模化と深層学習の高速化
[3] 探索(Explore)機能のスマート化
[4] 場面全体の状況を認識するAI
[5] 画像認識とAR(拡張現実)の結合
[6] 敵対的ネットワーク(GANs)を利用した自動〔無監督〕学習
[7] 研究者とスタートアップをつなぐ機械学習アルゴリズムのマーケットプレイス
[8] 自動化された機械学習
[9] 機械学習を駆使した「インテリジェント検索/ナレッジ活用」
[10] 自動人工知能(AutoAI)・自動機械学習(AutoML)/機械学習モデルの全ライフサイクルの自動化
[11] 連合学習(Federated Learning)/プライバシーと機械学習モデル精度の両立
第5章 機械学習/ディープラーニングの課題
5-1 業界別適用課題
5-2 技術的課題
5-3 手法的課題
第6章 画像認識・生体認証と機械学習/ディープラーニング
6-1 顔認識システム(Facial Recognition System)
6-2 進展著しいディープラーニング画像認識プラットフォーム
[1] ディープラーニング画像認識プラットフォームとソフトウェア
[2] 深層学習を使った先進画像診断技術
[3] 来店客の画像解析・行列予測
[4] 画像・音声認識とディープラーニングによる競技分析向け実証実験
6-3 コンピュータビジョン/ロボットビジョンと産業用ロボット
[1] 概説
[2] コンピュータビジョンと機械学習
6-4 MVTec Software(独) 産業向けマシン・ビジョン・ライブラリー「HALCON」
第7章 機械学習/ディープラーニングと次世代チップ
7-1 機械学習の高速化専用チップ
7-2 活発化するAI半導体開発競争
7-3 FPGAと同等の機能を、高速・低電力で実現する半導体の開発
7-4 ニューラルネットのファイル形式の違いを吸収する規格「NNEF(Neural Network Exchange Format)」
7-5 「関係性」を理解する専用チップ開発
7-6 脳の神経回路を模倣する非ノイマン型次世代半導体
7-7 GPU並列処理技術とディープラーニングの結合
7-8 AIクラウド/機械学習/ディープラーニング向けサービスへのGPU適用
7-9 インテル チップ単体で自律学習可能なAIチップ「Loihi」
7-10 インテル ディープニューラルネットワークを単独処理可能な専用チップ「Myriad X」
7-11 機械学習/次世代データセンターを支えるコンピュータ・アーキテクチャ
7-12 第5世代SoC
7-13 スタートアップ動向
第8章 自然言語処理の発展と機械学習/ディープラーニング
8-1 自然言語処理(NLP)の活用分野とその市場展望
[1] 人工知能(AI)研究の発展と自然言語処理(NLP)
[2] 世界の企業向け NLP ソリューション市場の展望
8-2 「自然言語」、「テキスト」、「音声」というビッグデータがもたらすビジネスチャンス
8-3 各業界における NLP の活用状況
[1] 各業界における NLP を用いたテキスト分析の活用
[2] 各業界における音声認識/スピーチ分析の活用
[3] 金融
[4] 各種メディア
[5] 流通、運送、小売
[6] その他
8-4 自然言語理解と機械学習
[1] 概説
[2] 意思決定支援・質問応答システム/自然言語生成
[3] 自然言語処理技術を用いた人工知能応用事例
[4] 自然言語処理を行う対話ロボット/コミュニケーション・ロボット
[5] 自然言語処理を行う対話ロボット/コミュニケーション・ロボット事例
8-5 クラスタリングと機械学習
8-6 機械学習と機械翻訳
8-7 機械学習とデータマイニング
8-8 データマイニング向けソフトウェア
第9章 生成系AI・LLM(大規模学習モデル)と機械学習・ディープラーニング[1]
9-1 教師あり学習
[1] 概要
[2] 主な事例
[3] データの所有権
[4] 人間の指示によりよく沿うように提案された新しいLLMアルゴリズム 「HIR」
[5] Meta 「自己教師あり学習モデルを使った4000言語の話し言葉を理解する多言語LLM:MMS」
9-2 自己教師あり対照学習
[1] 概要
[2] 時系列を用いた対照学習
[3] 自己教師対照学習で初めて現実化した時間-周波数整合性(TF-C)
9-3 自己教師なし学習
[1] 概要
[2] 教師なし学習の主なネットワーク
[3] 教師なし学習の確率的手法
[4] 教師なし学習の主なアプローチ
9-4 強化学習(RL)
[1] 概要
[2] アルゴリズム
[3] アプローチ別特性
[4] 強化学習とプロンプト最適化アプローチ
[5] 強化学習(RLHF)トレーニングで訓練されたLLMにおけるシンプルなプロンプティングアプローチ
[6] 強化学習(RL)を用いた新しいプロンプト最適化アプローチ 「RLPrompt」
[7] 強化学習アルゴリズムによる結果の正確度合いのスコア化
[8] 人間の指示によりよく沿うように提案された新しいLLMアルゴリズム 「HIR」
[9] UCバークレー校研究グループ 「あらゆる形態のフィードバックから学習することを可能にするChain of Hindsight(CoH)技術」
9-5 人間のフィードバックによる強化学習(RLHF)
[1] 概要
[2] 制約・課題
[3] 大規模言語モデルとRLHFの関係
[4] OpenAI 「RLHFを用いて学習させたChatGPTの開発」
[5] RLHFを可能にするエンタープライズ LLMOps
[6] 論文
9-6 PPO(Proximal Policy Optimization)アルゴリズム/報酬モデルに対するポリシー最適化
[1] 概要
[2] 具体的な流れ
[3] 論文
9-7 Direct Preference Optimization (DPO)/強化学習を使わずに嗜好から言語モデルを学習させる学習パラダイム
[1] 概要
[2] 従来のアプローチとの違い
9-8 模倣学習(徒弟学習/実演からの学習)
[1] 概要
[2] 言語フィードバックからの模倣学習
[3] Meta AI 「GenAug」(模倣学習等による意味データ拡張フレームワーク)
9-10 メタ学習
[1] 概要
[2] アプローチ
9-11 メモリ拡張型ニューラルネットワーク(MANN)
[1] 概要
[2] アプローチ例
9-12 転移学習(トランスファー・ラーニング)
[1] 概要
[2] 生成系AIにおける転移学習実装の動向
[3] トランスファー学習の5つのタイプ
[4] 転移学習の仕組み
[5] 転移学習の応用
[6] 基礎モデルと転移学習
[7] 生成系AIにおける転移学習の可能性
[8] 転移学習が生成系AIのパフォーマンスに与える影響
[9] ソフトウェア
9-13 ファインチューニング(微調整)
[1] 概要
[2] アプリケーション
[3] ファインチューニングされた言語モデル
[4] 事前学習とファインチューニング
[5] 前処理/トレーニングとファインチューニング
[6] 特定のタスクに適合するためのLLMのファインチューニング
[7] LLMモデル開発のアプローチ別特性
[8] プロンプトエンジニアリングにおけるファインチューニング(微調整)
[9] LLMエンベッディングとファインチューニング
9-14 多言語言語モデルの基本
[1] 概要
[2] 将来への展望
9-15 低ランク適応(Low-rank adaption:LoRA)
[1] 概要
[2] LoRSの実装
9-16 量子化
[1] 概要
[2] 量子化の実装
9-17 生成モデル/深層生成モデル(DGM)
[1] 概要
[2] 生成モデルの種類
[3] 動画の深層生成モデル
[4] 動画の新しい生成モデルによるSOTAスコアの向上とGPUメモリ使用量の削減
9-18 ユニバーサル言語モデルファインチューニング(ULMFiT)
[1] 概要
[2] ULMFiTの主要なステップ
[3] 論文
[4] PIRを実現する方法
第10章 生成系AI・LLM(大規模学習モデル)と機械学習・ディープラーニング[2]
10-1 事前学習(Pre-training)
[1] 概要
[2] 時系列に対する事前学習
[3] 大規模な事前学習済み基礎モデル
[4] 文脈内学習と最適設計されたプロンプト構造と組み合わせによる事前学習
[5] 事前に訓練された言語モデルLMからドメイン固有の知識を取得「SwitchPrompt」
[6] KAIST/LG Researchの研究グループ 「事前学習済みモデルに特にチューニングされた文脈内学習で学習するICIL」
[7] 新たな学習データを必要とせず、わずか数個の例から新しいタスクを学習できるモデル
[8] 自然言語処理モデルの事前学習とT5(Text-To-Text Transfer Transformer)
[9] 検索補強型視覚言語事前トレーニング
[10] IBM 単純な表現から分子の構造を推測する事前学習済みの人工知能AIモデル 「MoLFormer-XL」
10-2 説明ベースの学習(EBL)
[1] 概要
[2] アプリケーション
10-3 ゼロショット学習
[1] 概要
[2] 応用分野
[3] 自然言語処理とゼロショットの学習環境
[4] LLMのゼロショット性能を改善するための軽量かつ多用途なアプローチ
[5] チューリッヒ大学研究グループ 「MTurkアノテーションを上回る性能を見せたゼロショットChatGPT分類」
[6] 思考連鎖推論により言語モデルのゼロショット学習と数ショット学習を強化する命令データセット
[7] Microsoft ゼロショットのジョブ入力で自動的にプロンプトを調整するレトリーバ「UPRISE」
10-4 ゼロショットCoT
[1] 概要
[2] Google/東京大学/北京大学/マイクロソフト 「LLMで困難な多段階問題を解決するためのプロンプティング技法/ゼロショットCoT他」
[3] デンマーク工科大学/コペンハーゲン大学病院 「ゼロショットCoTフレームワークとLLMが医学的な質問について推論する能力の探求」
10-5 ワンショット学習(コンピュータビジョン)
[1] 概要
[2] 動機
[3] ゼロショット学習とワンショット学習による疎活性化言語モデル「GLaM」
10-6 ドメイン適応
[1] 概要
[2] ドメイン適応の基本タイプ
[3] 4つのアルゴリズム原理
[4] ソフトウェア
10-7 マルチタスク学習(MTL)/知識の移転
[1] 概要
[2] 方法
[3] 適用・応用
[4] マルチタスク学習アルゴリズム
[5] トランスフォーマーの適応性とマルチタスク学習
[6] RMTL(マルチタスク学習における誤差)/文脈内学習における一般化と暗黙のモデル選択
10-8 マルチタスク最適化
[1] 概要
[2] 方法
[3] 応用
10-9 基礎モデル(ベースモデル/ファンデーションモデル)
[1] 概要
[2] 応用・実装例
[3] リスク
10-10 生成的事前訓練トランスフォーマー/生成的事前訓練トランスフォーマー(GPT)
[1] 概要
[2] タスク固有モデル
[3] マルチモーダリティ
[4] プラグインやアドオンによるドメイン固有性の達成
[5] 特定の分野やドメインに向けたアプリケーション
10-11 トランスフォーマー(機械学習モデル)
[1] 概要
[2] アーキテクチャ
[3] [5] トランスフォーマー・モデル アーキテクチャ
[4] 学習を安定させる方法
[5] トレーニング
[6] 実装
[7] 多段階の推論を必要とする構成的課題を解くためのトランスフォーマーの研究
[8] 生成トランスフォーマーによるテキストから画像への生成・編集モデル
[9] トランスフォーマーモデルのアテンションメカニズムを可視化するオープンソースツール「BertViz」
[10] スタンフォード大学 「状態空間モデル(SSM)とトランスフォーマー言語モデルの注意メカニズム間のギャップ解決」
[11] トランスフォーマーのための多人数計算(MPC)でプライベート推論を可能にするモデル
第11章 生成系AI・LLM(大規模学習モデル)と機械学習・ディープラーニング[3]
11-1 生成的敵対ネットワーク(GAN)
[1] 概要
[2] 評価
[3] 応用
[4] 生成的敵対ネットワーク(GAN)を用いた3D生成モデル
[5] INRsを適用した、新たな動画生成GAN(敵対的生成ネットワーク)
11-2 拡散モデル(Diffusion Model)
[1] 概要
[2] サービス
[3] 拡散モデルを組み合わせた合成画像生成
11-3 Stable Diffusion(安定した拡散)
[1] 概要
[2] 開発・ライセンス
[3] テクノロジー
[4] アーキテクチャ
[5] データセット
[6] 学習手順
[7] 拡散モデルで生成したコンテンツの利用
[8] 課題
[9] 機能
[10] ControlNet(ニューラルネットワークアーキテクチャ)
[11] 使用法
[12] Stability AI 「標準的なPCで実行可能な画像生成系AI:Stabile Diffusion XL 0.9」
[13] Adobe Research モデルを完全に再トレーニングすることなく複数の新しい概念を学習する方法」
[14] NVIDIA 「効率的で表現力豊かなテキストからビデオへの変換モデル」
[15] Microsoft/UT Austin研究グループ 新しいモデルアーキテクチャ 「Prompt Diffusion」
11-4 思考の連鎖:CoT(Chain of Thought)
[1] 概要
[2] Google/東京大学/北京大学/マイクロソフト 「LLMで困難な多段階問題を解決するためのプロンプティング技法/ゼロショットCoT他」
11-5 思考の木:ToT(Tree of Thoughts)
[1] ToTの戦略・実装
[2] ToTにおける主な検索アルゴリズムと特性
11-6 視覚のマルチレベル理論
[1] 概要
[2] 光色素の伝達
[3] 人工的な視覚知覚
[4] LLMとvisual perception modelsを組み合わせ、場面に存在するオブジェクトに従って実行可能なプランを生成する行動生成エージェント
11-7 手続き的生成
[1] 概要
[2] アプリケーション
[3] 使用法
11-8 生成トポグラフィーマップ
[1] 概要
[2] メリット
[3] アルゴリズム
[4] 用途
11-9 自己組織化マップ
[1] 概要
[2] アルゴリズム
[3] SOMの学習プロセス
[4] 解釈
[5] アプローチ
[6] 成長する自己組織化マップ(GSOM)/生成的トポグラフィック・マップ(GTM)/時間適応自己組織化マップ(TASOM)
11-10 ニューラルネットワーク
[1] 概要
[2] モデルの種類
[3] LLMとニューラルネットワーク
[4] 応用
[5] 拡散モデルを制御するニューラルネットワークアーキテクチャ 「ControlNet」
11-11 変分オートエンコーダ(VAE)
[1] 概要
[2] アーキテクチャ・動作
11-12 ロボット学習
[1] 概要
[2] プロジェクト
[3] PaLM-E(ロボット操作などのタスクで強い推論能力を発揮するエンボディド・マルチモーダル言語モデル)
11-13 進化ロボット工学
[1] 概要
[2] 実験
11-14 発達ロボティクス(DevRob)
[1] 概要
[2] 研究動向
[3] メカニズムと制約
[4] 課題
[5] 関連団体
11-15 認知ロボット工学
[1] 概要
[2] 学習技術
第12章 量子アニーリング/量子コンピュータと機械学習/ディープラーニング
12-1 人工知能の発展に不可欠な量子コンピュータ技術
12-2 量子人工知能の現状と展開予測
12-3 スパコンより高速性能を発揮する量子ニューラルネットワーク計算機
第13章 次世代ロボットと機械学習/ディープラーニング
13-1 次世代ロボットと人工知能/機械学習
13-2 機械学習を搭載したロボット技術の進展
13-3 次世代産業ロボットの開発を牽引する分散機械・リアルタイム解析モデル
[1] ビッグデータと機械学習の結合
[2] IoTによるロボットのリアルタイム解析ソリューション
13-4 ファナック/シスコシステムズ 「産業用ロボットの知能化」
13-5 次世代ドローンと機械学習
13-6 機械学習で自律飛行するドローン
13-7 次世代ドローンと機械学習による地図作成システム
13-8 産業用ドローンの自律航行・航行中の動作処理高度化
第14章 教師(ティーチング)不要ロボット
14-1 機械学習とロボット・システム
14-2 ディープラーニングとロボット・システム
14-3 ティーチング作業の制約を克服する取り組み
14-4 カメラで部材を認識・位置補正するティーチングレスシステム
14-5 ファナック/PFN 「強化学習を用いた複数ロボット同士の協調」
14-6 ファジィニューロ学習・推論エンジンを搭載した産業用ロボット
14-7 ティーチングフリーを実現した小型5軸多関節ロボット
14-8 自律的判断対応型バラ積みピッキングロボット
14-9 教師レスのAI荷卸しロボット
14-10 動作軌道自動生成ロボット
14-11 安全柵設置が不要な協働ロボット
14-12 ディープラーニングと予測学習を使っマルチモーダルAIロボットアーム
第15章 スマートマニファクチャリング/スマートファクトリーと機械学習/ディープラーニング
15-1 サイバーフィジカルシステム(CPS)と機械学習/ディープラーニング
15-2 スマートファクトリーと事前学習済み機械学習モデル
15-3 インダストリー4.0とAI
15-4 インダストリー4.0の課題とAIによる解決
[1] 概説
[2] 次世代産業用ロボットに欠かせない人工知能
[3] IoT対応・人工知能搭載型携帯電話
15-5 インダストリーIoTと音声認識、視線の分析技術
15-6 機械学習/ディープラーニング援用によるIoT志向のスマートファクトリー
15-7 既存のバウンダリーを無効化するIoT/スマートマニファクチャリング
15-8 富士通研究所 「IoT/エッジコンピューティングとAI/機械学習の実証実験」
15-9 Microsoft 「Azure Machine Learnin」に基づいたエキスパートシステム
15-10 事例紹介
[1] オークマ 機械学習機能を搭載した「OSP-AI」
第16章 医療診断支援/次世代医療技術と機械学習
16-1 人工知能を使った症状のメカニズム解明
16-2 次世代医療技術での活用が有望視される人工知能
16-3 ビッグデータ解析と予防医療
16-4 機械学習/ディープラーニングがもたらす医療画像認識技術の顕著な発展
16-5 ディープラーニングによる電子カルテ診療データ解析技術
16-6 電子カルテデータをもとに機械学習を使った予後の予測
16-7 機械学習を用いたICU向け先進電子カルテシステム
16-8 地域間医療格差是正と多職種間の連携
16-9 IoT/生体センシング/機械学習を活用したヘルスケア・ソリューション
16-10 メンタルヘルスの定量化を実現する人工知能
[1] メンタルヘルスの定量化共同プロジェクトの始動
[2] 機械学習を活用したメンタルヘルスのシステム化
[3] ストレスチェック支援クラウド
第17章 ディープラーニングがもたらす医療画像認識技術の顕著な発展
17-1 概説
[1] 概況・近況
[2] 医療画像診断の技術革新を促す人工知能
[3] ディープラーニングがもたらす医療画像認識技術の顕著な発展
[4] 深層学習を使った先進画像診断技術
17-2 8K画像/8K(硬性)内視鏡の開発と人工知能による診断支援
[1] 概況・近況
[2] 病理診断への活用
[3] 診断支援への活用
[4] 内視鏡(硬性鏡)への活用
[5] 総務省 「8K技術の応用による医療のインテリジェント化に関する検討会」
第18章 フィンテック/ブロックチェーンとAI/機械学習[1]
18-1 フィンテック普及のカギを握るオープンイノベーション促進
18-2 AI/ディープラーニングを使った金融プラットフォーム
18-3 AIによる為替・株式売買の判断支援
18-4 AIによる金融資産分析/商機発掘
18-5 AIによるリアルタイムビッディング(RTB)
18-6 AIによる自動対話サービス
18-7 AIによる銀行店舗接客支援
18-8 投資運用戦略における機械学習技術活用
[1] ビットコインを使った全自動取引アルゴリズム
[2] トレーディングにおけるディープニューラルネットワーク適用
[3] センチメント分析による株式銘柄のスコアリング
18-9 AI/脳科学を使った顧客の投資行動パターン分析/行動態様分析による審査
[1] SMBCコンシューマーファイナンス) 「統計的経験則に基づくリスク評価・審査モデル」
[2] ZestFinance 「返済意思」を重視した審査モデル
第19章 フィンテック/ブロックチェーンとAI/機械学習[2]
19-1 「アカウントアグリゲーション」のモデル/手法
19-2 ロボアドバイザー
19-3 投資サポート
19-4 機械学習活用による金融商品販売のチェック業務効率化
19-5 不動産業のブロックチェーン適用
19-6 リアルテックで展開が予想される主な分野
19-7 フィンテック活用/フィンテック投資動向
[1] 概況・近況
[2] IBM
[3] Lendr 「人工知能を利用した住宅ローンのリヴァースオークション・プラットフォーム」
[4] Crowdsurfer 「ソーシャライズファイナンス/シェアエコノミー向けプラットフォーム」
[5] 大和証券グループ/デジタルガレージ
[6] 千葉銀行
[7] 新日鉄住金ソリューションズ
[8] メタップス
第20章 次世代自動車と機械学習/ディープラーニング
20-1 自動運転、人工知能、モビリティーサービスのシナジー
20-2 機械学習で連携が進む自動車業界
20-3 次世代自動車と機械学習/ディープラーニング 研究開発動向
20-4 AI/機械学習による次世代車載システムの開発
20-5 第5世代SoC採用に向けた動き
20-6 車載LAN「CAN」におけるハッキング信号の機械学習
第21章 コネクテッドカーと機械学習/ディープラーニング
21-1 概説
21-2 OTA(Over The Air)と機械学習
21-3 自動運転向けIoTクラウドサービス
21-4 クラウド型リアルタイム走行データ収集・蓄積プラットフォーム
21-5 クラウド型運転情報レコメンドサービス
21-6 AIクラウドとコネクテッドカー:主要プラットフォーム
[1] Bosch 「Bosch Automotive Cloud Suit」
[2] Microsoft 「Microsoft Azure」
[3] Google 「Android」
[4] BMW 「BMW Connected」
21-7 ディープラーニングを活用した車載/端末解析
21-8 研究開発/参入メーカー動向
[1] NVIDIA
[2] デンソー/東芝
[3] トプスシステムズ
他
第22章 自動運転と機械学習/ディープラーニング
22-1 概説
[1] 概況
[2] 世界中に広がる自動運転車の開発と公道での運行開始
[3] 人工知能搭載自動車がもたらすモビリティ・イノベーション
[4] ロボット/センサーとの統合と自動運転システムの高度化
22-2 Waymo(グーグル)の取り組み
22-3 Google Carにおけるロボット制御サイクル
22-4 フォードの取り組み
22-5 トヨタ 「MOBILITY TEAMMATE CONCEPT」
第23章 ADAS/自動運転向け機械学習プラットフォーム
23-1 “Cloud-to-Car”の潮流
23-2 位置・地図情報ベンダー動向
[1] 概況・近況
[2] Mobileye 「REM」
[3] HERE 「HD Live MAP」
[4] TomTom
[5] NVIDIA
[6] Intel 「Intel GO」/Mobileye買収
[7] Google 「Google Map」
[8] Uber Technologies
[9] ZF/Bosch/Volvo Cars
[10] AImotive
[11] ダイナミックマップ基盤企画(DMP)
[12] パイオニア
23-3 自動運転ベンダー/主要プラットフォーム動向
[1] NVIDIA 「DRIVE PX」/「DRIVE PX2」
[2] ティアフォー/NVIDIA/AutonomouStuff 「Autoware」
[3] バーテックス 「CarSim」
[4] ESI Grou/日本イーエスアイ
第24章 コネクテッドホームと機械学習/ディープラーニング
24-1 概説
24-2 活発化する産学連携体制によるAI/コネクテッドホーム開発の取り組み
24-3 機械学習によるコネクテッドホームの拡張
24-4 AIによるユーザー嗜好の学習・レコメンド機能搭載家電
24-5 事例紹介
[1] Amazon 「Amazon Echo/Amazon Homekit」
[2] Google 「Google Asistant」
[3] Google 「Google Home」
[4] Microsoft 「Office 365」/「Dynamics 365」
第25章 VR/AR/MRと機械学習/ディープラーニング
25-1 拡張現実(仮想現実)と機械学習
[1] 概況・近況
[2] 経過
25-2 シミュレーテッドリアリティと機械学習/ディープラーニング
25-3 コンピュータビジョン/ロボットビジョンと機械学習
25-4 ニューラルインターフェース(思考/脳の活動)を検知する次世代ゲーム
25-5 生体情報のモニタリング/バイタルサイン技術とVR/AR技術の統合
25-6 VRを用いた多地点協働型手術支援システム
25-7 参入企業動向
[1] DeepMind Technologies
[2] Blippar
[3] Ceva
[4] wrnch
第26章 デジタルマーケティングと機械学習/ディープラーニング
26-1 マーケティング自動化サービスの台頭
26-2 次世代のマーケティングプラットフォーム
26-3 データと機械学習を利用したABM向けのマーケティング分析ツール
26-4 Facebook広告の運用負荷を軽減する「Kenshoo Social」
26-5 レコメンドサービスとビッグデータ活用
第27章 コグニティブコンピューティングと機械学習/ディープラーニング
27-1 IBM Watsonに見る人工知能の進化と人間の未来
27-2 クラウド経由で提供するWatson関連サービス
第28章 RPAと機械学習/ディープラーニング
28-1 概説
28-2 機械学習とRPA
28-3 自然言語処理とRPA
28-4 異常仕訳を自動的に識別する機械学習アルゴリズム
28-5 RPAへのコグニティブ(認知)機能追加
第29章 建設・土木ITと機械学習/ディープラーニング
29-1 ディープラーニングによる地面掘削作業の自動化
29-2 GPUによる建機の自律動作
第30章 スマートシティと機械学習/ディープラーニング
30-1 スマートシティのホリスティックアプローチを促進するAI/機械学習
30-2 スマートシティのサイエンティック・アプローチと機械学習/ディープラーニング
[1] 2000-watt society
[2] 蟻コロニー最適化
30-3 都市ガバナンスとAI/機械学習
30-4 ビッグデータ/AI/機械学習を活用した新たなスマートシティ・サービス創造
30-5 事例紹介
[1] 米国政府 「ビッグデータイニシアティブ」
[2] マサチューセッツ州 「ビッグデータイニシアティブ」
[3] シンガポール政府機関 「Singapore Safe City Test Bed」
[4] 欧州委員会 「ビッグデータ・プライベート・フォーラム」への資金提供
[5] ドイツ/産官学一体プロジェクト 「Industry(インダストリー)4.0」
[6] Siemens(シーメンス) 「ネクスト47」
[7] ビッグデータ専用アプリケーション活用によるスマートシティサービス
第31章 フォグ/エッジ・コンピューティングとAI
31-1 “フォグ”とAIによる次世代コネクテッドインダストリー
31-2 クラウドからエッジへシフトを遂げるディープニューラルネットワークのモデル
31-3 マイクロデータセンター実現に向けた動向
31-4 低電力でAI/機械学習を実現するエッジコンピューティング
31-5 ビッグデータ向けネットワーク基盤コンソーシアム創設
第32章 IoTプラットフォームとディープラーニングフレームワークの連携・統合[1]
32-1 アマゾン・ウェブ・サービス(AWS)「Lambda」/「AWS IoT」
[1] 概況・近況
[2] IoTサービス「AWS IoT」
32-2 IBM 「IBM Watson」/「Cloud Foudry」
[1] 概況・近況
[2] IoTデバイスとWatsonの結合
[3] Cloud Foundry
32-3 ボッシュ(Robert Bosch) 「Bosch IoT Cloud)」/「TraQ」(Track Quality)」
[1] 概況・近況
[2] IoT情報基盤「Bosch IoT Cloud)」
[3] センサーソリューション「TraQ」(Track Quality)
[4] モバイル生産アシスタントの「APAS」シリーズ
[5] 工具をスマート化するソリューション 「Process Quality Manager」
[6] IoTベース自動運転技術の開発
32-4 ゼネラル・エレクトリック(GE) 「Predix」
32-5 シーメンス(Siemens AG) 「Digital Enterprise」/「MindSphere」
[1] 概況・近況
[2] Digital Enterprise/The Digital Enterprise Software Suite
[3] TIA(Totally Integrated Automation)
[4] MindSphere
[5] Holistic Security Concept
32-6 マイクロソフト 「Azure Machine Learning」
32-7 KUKA 「KUKA Connect」
[1] 概況・近況
[2] 「KUKA Connect」
第33章 IoTプラットフォームとディープラーニングフレームワークの連携・統合[2]
33-1 ファナックなど4社 「FANUC Intelligent Edge Link and Drive system」
33-2 ファナック 「FIELD system」
33-3 日立製作所 IoTサービス基盤「Lumada(ルマーダ)」
[1] 概況・近況
[2] 「Lumada(ルマーダ)」
[3] Preferred Network
[4] 「M2Mトラフィックソリューション」
33-4 富士通 「Zinrai」
[1] 「Zinrai」
33-5 日本電気 「NEC Industrial IoT」/「CONNEXIVE」
[1] 概況・近況
[2] 「NEC Industrial IoT」
[3] 「CONNEXIVE」
33-6 ソフトバンク 「ARMエコシステム」
[1] 概況・近況
[2] ARMによるインダストリーIoTエコシステム形成の取り組み
33-7 ルネサス エレクトロニクス 「R-IN(Renesas’s platform for INdustry」
33-8 三菱電機 「e-F@ctory/e-F@ctoryAlliance」
[1] 概況・近況
[2] 「e-F@ctoryAlliance」
[3] ニューラルネットワーク設計支援プラットフォーム
33-9 安川電機 「ソリューションファクトリー」
[1] 概況・近況
[2] 「ソリューションファクトリー」
33-10 安川情報システム 「MMCloud」
33-11 ヤマザキマザック 「iSmart Factory」
[1] 概況・近況
[2] 「iSmart Factory」
33-12 オークマ 「OSP-AI」
[1] 「OSP-AI」
第34章 機械学習/ディープラーニング開発向けツール
34-1 人工知能関連各種開発言語/APIツール
[1] Artificial Intelligence Markup Language
[2] Google TensorFlow
[3] Amazon Deep Scalable Sparse Tensor Network Engine(DSSTNE:デスティニー)
[4] Microsoft Cognitive Services
[5] Microsoft Computational Network Toolkit(CNTK)
第35章 ディープラーニング向けツール/ソフトウェア/アプリ
35-1 機械学習アルゴリズムを備えたソフトウェアスイート
[1] SAS
[2] RapidMiner
[3] LIONsolver
[4] KNIME
[5] Weka
[6] Oracle Data Mining (ODM)
[7] Apache Mahout
第36章 機械学習/ディープラーニング向けクラウド・サービス
36-1 クラウド・サービスと機械学習/ディープラーニングの同期的進化
36-2 AIクラウド/学習済みクラウドAIの国際的な進展
36-3 機械学習分析向けクラウドサービス/機械学習エンジンAPIサービス
36-4 機械学習エンジンを搭載した クラウド型プラットフォーム
36-5 クラウド型リアルタイムデータ収集・蓄積プラットフォーム
36-6 クラウド型ビッグデータ解析/レコメンドサービス
36-7 機械学習を活用したサイバー攻撃対策プラットフォーム
36-8 機械学習エンジンを搭載したクラウド型コンテンツマーケティングプラットフォーム
36-9 クラウド型機械学習サービス導入にあたっての検討事項
36-10 製品・サービス紹介
[1] オークマ 工作機械の自律的異常予見診断技術「OSP-AI」
[2] オープンストリーム クラウド型運転情報レコメンドサービス「LogStream」
第37章 機械学習/ディープラーニング・フレームワーク[1]
37-1 概説
37-2 TensorFlow
37-3 Caffe
37-4 Caffe2
37-5 Caffe2関連
37-6 Chainer
37-7 ChainerMN
37-8 Theano
37-9 Touch7
37-10 PyTorch
37-11 Chainer
37-12 MXNet
第38章 機械学習/ディープラーニング・フレームワーク[2]
38-1 The Microsoft Cognitive Toolkit (CNTK)
38-2 Qualcomm ディープラーニングフレームワーク「NPE」
38-3 Deep Insight 「KAIBER」
38-4 Keras
38-5 Amazon Deep Scalable Sparse Tensor Network Engine(DSSTNE)
38-6 Lasagne
38-7 neon
38-8 NNabla(Neural Network Library)
38-9 NVIDIA TensorRT
38-10 DeCAF(A Deep Convolutional Activation Feature for Generic Visual Recognition)
38-11 Deeplearning4j
38-12 DataRobot
38-13 exaBase
第39章 リアルタイムAI向けディープラーニング・プラットフォーム
39-1 Microsoft 「Project Brainwave」
39-2 Preferred Infrastructure(PFI) 「SedueforBigData」
39-3 SAS Institute Japan 「リアルタイム解析ソリューション」
39-4 ディープラーニング技術を実装したリアルタイム解析AI
第40章 機械学習/ディープラーニング・標準形式
40-1 ONNX(Open Neural Network Exchange)
40-2 NNEF (Neural Network Exchange Format)
40-3 CoreML
第41章 機械学習/ディープラーニングの開発言語
41-1 機械学習タスクの特性
41-2 開発言語の評価
[1] Python
[2] MATLAB(Octave)
[3] Julia
[4] R
[5] その他言語
第42章 関連団体とその動向
42-1 日本ディープラーニング協会(JDLA)
42-2 22-2 AIビジネス推進コンソーシアム
42-3 FiNC Wellness AI Lab(FiNC Wellness 人工知能研究所)
第42章 注目企業(海外)とその動向
42-1 概況
42-2 Amazon Web Services
42-3 Databricks
42-4 Dataiku
42-5 Veritone
42-6 DataRobot
42-7 Unity
42-8 SoundHound
42-9 Veda Data Solutions
42-10 FLYR Labs
42-11 Imbue(Generally Intelligent)
42-12 Plainsight
42-13 Interactions
42-14 OctoML
42-15 Tonic.ai
42-16 Duolingo
42-17 KAYAK
42-18 Urbint
42-19 Afresh
42-20 HouseCanary
42-21 Quora
42-22 Convoso
42-23 TackleAI
42-24 Hyperscience
42-25 CloudZero
42-26 Strong Analytics
42-27 MathWorks
42-28 TrueMK(TrueAccord)
42-29 MORSE
42-30 Aurora Flight Sciences
42-31 Attivio
42-32 Gamalon
42-33 Tethr
42-34 OCTI
42-35 Fama Technologies
42-36 Luminoso Technologies
42-37 QBurst
]]>
2023-10-03T14:47:24+09:00
一般社団法人 次世代社会システム研究開発機構
-
https://www.x-sophia.com/?pid=177427990
機械学習/ディープラーニング(DL)/生成AI・大規模言語モデルと機械学習・DL白書 2023年版 製本版
[出版日]
2023年10月16日
[ページ数]
A4判/約1,340ページ
(※ バインダー製本とPDF版では編集上の違いによりページ数が若干異なります。)
[発行<調査・編集>]
監修・発行: 一般社団法人 次世代社会システム研究開発機構
[レポート内...
[出版日]
2023年10月16日
[ページ数]
A4判/約1,340ページ
(※ バインダー製本とPDF版では編集上の違いによりページ数が若干異なります。)
[発行<調査・編集>]
監修・発行: 一般社団法人 次世代社会システム研究開発機構
[レポート内容]
■概要■
本白書は、機械学習(Machine learning:ML)/ディープラーニング(Deep Learning:DL)の全容・最新動向に加え、生成系AIや大規模言語モデル(LLM)における機械学習やディープラーニングのメカニズムのモデル選択、アーキテクチャ、アルゴリズム、適用、実装、研究、ファインチューニング等によるモデルのカスタマイズ、実用化などを網羅的に、かつ最新の動向を取り上げながら、詳細に解説している。
機械学習/ディープラーニングは、多様な分野を包括するAI(人工知能)に含まれる一分野である。人間の学習能力と同様の機能をシステム的に実行するための技術や手法のことであり、AIの分野では主要な研究課題の一つとされている。
機械学習のなかでも、ニューラルネットワーク、k近傍識別器、ベイズ分類、SVM(サポートベクターマシン)、といった手法でみられるように、識別器を活用しながら、クラス分類という識別問題、認識問題に対し、多様・多元的な視点・立場にたった研究が大きな成果をあげている。
LLMとは、AIアルゴリズムの一種であり、AIにおける言語モデルの概念を進化させたものでもある。学習と推論に使用するデータを劇的に拡張することで、AIモデルの能力が飛躍的に向上させることができる。また、ディープラーニング(深層学習)技術と大規模なデータセットを用いて、新しいコンテンツの理解、要約、生成、予測を行う。生成AIもLLMと密接不可分の関係にあり、LLMはテキストベースのコンテンツを生成するために特別に設計された生成AIの一種である。
LLMは、複数のコンポーネントを含む複雑なアプローチをとっている。基礎となるレイヤーでは、LLMは、通常ペタバイト級の大容量データ(コーパスと呼ばれることもある)で学習する。学習には複数の段階があり、通常は教師なし学習アプローチから始める。LLMの次のステップは、自己教師あり学習による訓練とファインチューニングである。ここでデータのラベリングが行われ、モデルが異なる概念をより正確に識別できるようになる。
次に、LLMはトランスフォーマ・ニューラル・ネットワーク・プロセスを経て、ディープラーニングを行う。トランスフォーマー・モデル・アーキテクチャーにより、LLMは自己アテンション・メカニズムを使用して、単語と概念の間の関係とつながりを理解し、認識することができる。
一度LLMが訓練されると、AIが実用的な目的で使用できるベースが確立する。LLMにプロンプトをクエリすることで、AIモデルの推論は、質問への回答、新しく生成されたテキスト、要約されたテキスト、センチメント分析レポートなどのレスポンスを生成することができる。
本白書は、カテゴリー別にこれらの開発・実装動向、市場動向、アルゴリズム高度化など先進的な研究開発動向、業界別活用動向、技術的・手法的課題、機械学習のエコシステム/プラットフォーム形成を巡る動き、生成系AIや大規模言語モデル(LLM)における機械学習やディープラーニングのメカニズムの研究動向/モデル選択/アーキテクチャ/アルゴリズム/適用/実装/ファインチューニング等によるモデルのカスタマイズ、実用化について取り上げ、解説している。
また、次世代チップ/量子コンピュータ/スマートファクトリー/デジタルマーケティング/ブロックチェーン/コネクテッドカー/自動運転などの関連領域の動向を体系的・包括的に取り上げて解説している。
また、最新のツール/ソフトウェア/アプリケーションの開発・サービス動向、今後の進展予測まで、関係する領域を体系的・包括的に取り上げた調査報告書(白書)として編纂されている。
以下、本レポートで扱っている主なテーマをリストで記載する。
● 教師あり学習
● 自己教師あり対照学習
● 自己教師なし学習
● 強化学習(RL)
● 人間のフィードバックによる強化学習(RLHF)
● PPO(Proximal Policy Optimization)アルゴリズム/報酬モデルに対するポリシー最適化
● Direct Preference Optimization (DPO)/強化学習を使わずに嗜好から言語モデルを学習させる学習パラダイム
● 模倣学習(徒弟学習/実演からの学習)
● メタ学習
● メモリ拡張型ニューラルネットワーク(MANN)
● 転移学習(トランスファー・ラーニング)
● ファインチューニング(微調整)
● 多言語言語モデルの基本
● 低ランク適応(Low-rank adaption:LoRA)
● 量子化
● 生成モデル/深層生成モデル(DGM)
● ユニバーサル言語モデルファインチューニング(ULMFiT)
● 事前学習(Pre-training)
● 説明ベースの学習(EBL)
● ゼロショット学習
● ゼロショットCoT
● ワンショット学習(コンピュータビジョン)
● ドメイン適応
● マルチタスク学習(MTL)/知識の移転
● マルチタスク最適化
● 基礎モデル(ベースモデル/ファンデーションモデル)
● 生成的事前訓練トランスフォーマー/生成的事前訓練トランスフォーマー(GPT)
● トランスフォーマー
● 生成的敵対ネットワーク(GAN)
● 拡散モデル(Diffusion Model)
● Stable Diffusion(安定した拡散)
● 思考の連鎖:CoT(Chain of Thought)
● 思考の木:ToT(Tree of Thoughts)
● 視覚のマルチレベル理論
● 手続き的生成
● 生成トポグラフィーマップ
● 自己組織化マップ
● ニューラルネットワーク
● 変分オートエンコーダ(VAE)
● ロボット学習
● 進化ロボット工学
● 発達ロボティクス(DevRob)
● 認知ロボット工学
※ なお、「機械学習/ディープラーニング(DL)」というテーマは、複眼的、立体的な視点で解明し、アプローチすることで、より精確で深みのある理解が得られるものである。当団体でもそうしたコンセプトで本白書を編纂している。
そのため、以下の白書(ほぼ当団体よりほぼ同時期に発刊)がそれぞれ独立して編纂されながらも、4巻セットとしてシリーズ編成されている。まとめて全4巻を購入された場合、特別に半額の価格設定で提供している。
■ 生成AI白書 2023年版
(A4判/約3,200ページ)
https://www.x-sophia.com/?pid=177427870
■ 大規模言語モデル(LLM)白書 2023年版
(A4判/約1,400ページ)
https://www.x-sophia.com/?pid=177427957
■ 次世代NLP(自然言語処理)と大規模言語モデル(LLM)白書 2023年版
(A4判/約1,180ページ)
https://www.x-sophia.com/?pid=177428071
※※ 各白書とも、英語版について近刊を予定している。
■内容編成(目次)■
序
序
第1章 機械学習/ディープラーニング 概説
1-1 機械学習 概説
1-2 機械学習/ディープラーニングの大きな転回点となった2018年
1-3 機械学習/ディープラーニングをビジネスで活用する上での前提理解
1-4 ディープラーニング(多段ニューラルネットによる機械学習)概説
1-5 教師あり学習と教師なし学習
1-6 機械学習と先進認識(識別・回帰)技術
1-7 機械学習を用いた技術性能の評価指標
1-8 ビッグデータ解析と機械学習
1-9 機械学習のエコシステム/プラットフォーム形成を巡る動き
1-10 機械学習プラットフォーム構築を巡る動向俯瞰
1-11 ディープラーニングの研究開発領域とビジネス化動向俯瞰
1-12 次世代ディープラーニングの現状と可能性
1-13 ディープラーニングのビジネス利用と課題点
1-14 主な参入ベンダー:事業特性・最新動向
[1] 概況・近況
[2] 参入企業 概況
第2章 機械学習/ディープラーニング−地域別・機関別動向
2-1 米国
[1] DARPA 「UPSIDE program」
[2] DARPA 「SyNAPSE program」
[3] IARPA 「MICrONS program」
2-2 欧州
2-3 中国
[1] 清華大学/紫光集団
2-4 日本政府
[1] 人工知能技術戦略会議
[2] 「世界最先端IT国家創造宣言・官民データ活用推進基本計画」
2-5 総務省
[1] 情報通信研究機構(NICT)
[2] 総務省 情報通信政策研究所
[3] 「AIネットワーク社会推進フォーラム」(国際シンポジウム)
2-6 文部科学省
[1] 革新知能統合研究センター
2-7 内閣府
[1] 内閣府革新的研究開発推進プログラム(ImPACT)
[2] 全脳アーキテクチャ・イニシアティブ
2-8 内閣府特命担当大臣(科学技術政策)
[1] 人工知能と人間社会に関する懇談会
[2] 世界最先端IT国家創造宣言・官民データ活用推進基本計画
2-9 産業技術総合研究所
[1] 人工知能研究センター
[2] ABCI(AI Bridging Cloud Infrastructure)
2-10 産業競争力懇談会
2-11 知的財産戦略本部 検証・評価・企画委員会 「情報財検討委員会」
2-12 人工知能学会
2-13 IT総合戦略本部 「AI、IoT時代におけるデータ活用ワーキンググループ」
第3章 機械学習/ディープラーニングの基本モデルとその発展
3-1 ニューラルネットワーク(NN)とコネクショニズム
[1] 畳み込みニューラルネットワーク
[2] 再帰型ニューラルネットワーク
3-2 ディープニューラルネットワークのモデル
3-3 ベイズ確率(推定)/単純ベイズ分類器
3-4 サポートベクターマシン(support vector machine, SVM)
3-5 決定木(decision tree)
3-6 ブースティング(Boosting)
3-7 ランダムフォレスト(random forest, randomized trees)
3-8 k近傍法(k-nearest neighbor algorithm)
3-9 EMアルゴリズム(EM法)
3-10 遺伝的プログラミング
3-11 機械学習アルゴリズム高度化と“学習するハードウェア”の取り組み
3-12 機械学習アルゴリズム開発と関連技術の実装
第4章 機械学習/ディープラーニングの注目領域(アテンション・エリア)
4-1 ディープラーニングの研究開発領域とビジネス化 概説
4-2 新技術への関心と取り組み状況
4-3 次世代ディープラーニングの現状と可能性
4-4 ディープラーニングのビジネス利用と課題点
4-5 業界別注目領域
[1] 製造業界
[2] 金融業界
[3] 医療業界
[4] サービス業界
[5] メディア業界
[6] 教育/学習ゲーム業界
[7] マーケティング業界
4-6 研究領域別注目領域
[1] 学習率(learning rate)の精度・速度向上
[2] 機械学習の大規模化と深層学習の高速化
[3] 探索(Explore)機能のスマート化
[4] 場面全体の状況を認識するAI
[5] 画像認識とAR(拡張現実)の結合
[6] 敵対的ネットワーク(GANs)を利用した自動〔無監督〕学習
[7] 研究者とスタートアップをつなぐ機械学習アルゴリズムのマーケットプレイス
[8] 自動化された機械学習
[9] 機械学習を駆使した「インテリジェント検索/ナレッジ活用」
[10] 自動人工知能(AutoAI)・自動機械学習(AutoML)/機械学習モデルの全ライフサイクルの自動化
[11] 連合学習(Federated Learning)/プライバシーと機械学習モデル精度の両立
第5章 機械学習/ディープラーニングの課題
5-1 業界別適用課題
5-2 技術的課題
5-3 手法的課題
第6章 画像認識・生体認証と機械学習/ディープラーニング
6-1 顔認識システム(Facial Recognition System)
6-2 進展著しいディープラーニング画像認識プラットフォーム
[1] ディープラーニング画像認識プラットフォームとソフトウェア
[2] 深層学習を使った先進画像診断技術
[3] 来店客の画像解析・行列予測
[4] 画像・音声認識とディープラーニングによる競技分析向け実証実験
6-3 コンピュータビジョン/ロボットビジョンと産業用ロボット
[1] 概説
[2] コンピュータビジョンと機械学習
6-4 MVTec Software(独) 産業向けマシン・ビジョン・ライブラリー「HALCON」
第7章 機械学習/ディープラーニングと次世代チップ
7-1 機械学習の高速化専用チップ
7-2 活発化するAI半導体開発競争
7-3 FPGAと同等の機能を、高速・低電力で実現する半導体の開発
7-4 ニューラルネットのファイル形式の違いを吸収する規格「NNEF(Neural Network Exchange Format)」
7-5 「関係性」を理解する専用チップ開発
7-6 脳の神経回路を模倣する非ノイマン型次世代半導体
7-7 GPU並列処理技術とディープラーニングの結合
7-8 AIクラウド/機械学習/ディープラーニング向けサービスへのGPU適用
7-9 インテル チップ単体で自律学習可能なAIチップ「Loihi」
7-10 インテル ディープニューラルネットワークを単独処理可能な専用チップ「Myriad X」
7-11 機械学習/次世代データセンターを支えるコンピュータ・アーキテクチャ
7-12 第5世代SoC
7-13 スタートアップ動向
第8章 自然言語処理の発展と機械学習/ディープラーニング
8-1 自然言語処理(NLP)の活用分野とその市場展望
[1] 人工知能(AI)研究の発展と自然言語処理(NLP)
[2] 世界の企業向け NLP ソリューション市場の展望
8-2 「自然言語」、「テキスト」、「音声」というビッグデータがもたらすビジネスチャンス
8-3 各業界における NLP の活用状況
[1] 各業界における NLP を用いたテキスト分析の活用
[2] 各業界における音声認識/スピーチ分析の活用
[3] 金融
[4] 各種メディア
[5] 流通、運送、小売
[6] その他
8-4 自然言語理解と機械学習
[1] 概説
[2] 意思決定支援・質問応答システム/自然言語生成
[3] 自然言語処理技術を用いた人工知能応用事例
[4] 自然言語処理を行う対話ロボット/コミュニケーション・ロボット
[5] 自然言語処理を行う対話ロボット/コミュニケーション・ロボット事例
8-5 クラスタリングと機械学習
8-6 機械学習と機械翻訳
8-7 機械学習とデータマイニング
8-8 データマイニング向けソフトウェア
第9章 生成系AI・LLM(大規模学習モデル)と機械学習・ディープラーニング[1]
9-1 教師あり学習
[1] 概要
[2] 主な事例
[3] データの所有権
[4] 人間の指示によりよく沿うように提案された新しいLLMアルゴリズム 「HIR」
[5] Meta 「自己教師あり学習モデルを使った4000言語の話し言葉を理解する多言語LLM:MMS」
9-2 自己教師あり対照学習
[1] 概要
[2] 時系列を用いた対照学習
[3] 自己教師対照学習で初めて現実化した時間-周波数整合性(TF-C)
9-3 自己教師なし学習
[1] 概要
[2] 教師なし学習の主なネットワーク
[3] 教師なし学習の確率的手法
[4] 教師なし学習の主なアプローチ
9-4 強化学習(RL)
[1] 概要
[2] アルゴリズム
[3] アプローチ別特性
[4] 強化学習とプロンプト最適化アプローチ
[5] 強化学習(RLHF)トレーニングで訓練されたLLMにおけるシンプルなプロンプティングアプローチ
[6] 強化学習(RL)を用いた新しいプロンプト最適化アプローチ 「RLPrompt」
[7] 強化学習アルゴリズムによる結果の正確度合いのスコア化
[8] 人間の指示によりよく沿うように提案された新しいLLMアルゴリズム 「HIR」
[9] UCバークレー校研究グループ 「あらゆる形態のフィードバックから学習することを可能にするChain of Hindsight(CoH)技術」
9-5 人間のフィードバックによる強化学習(RLHF)
[1] 概要
[2] 制約・課題
[3] 大規模言語モデルとRLHFの関係
[4] OpenAI 「RLHFを用いて学習させたChatGPTの開発」
[5] RLHFを可能にするエンタープライズ LLMOps
[6] 論文
9-6 PPO(Proximal Policy Optimization)アルゴリズム/報酬モデルに対するポリシー最適化
[1] 概要
[2] 具体的な流れ
[3] 論文
9-7 Direct Preference Optimization (DPO)/強化学習を使わずに嗜好から言語モデルを学習させる学習パラダイム
[1] 概要
[2] 従来のアプローチとの違い
9-8 模倣学習(徒弟学習/実演からの学習)
[1] 概要
[2] 言語フィードバックからの模倣学習
[3] Meta AI 「GenAug」(模倣学習等による意味データ拡張フレームワーク)
9-10 メタ学習
[1] 概要
[2] アプローチ
9-11 メモリ拡張型ニューラルネットワーク(MANN)
[1] 概要
[2] アプローチ例
9-12 転移学習(トランスファー・ラーニング)
[1] 概要
[2] 生成系AIにおける転移学習実装の動向
[3] トランスファー学習の5つのタイプ
[4] 転移学習の仕組み
[5] 転移学習の応用
[6] 基礎モデルと転移学習
[7] 生成系AIにおける転移学習の可能性
[8] 転移学習が生成系AIのパフォーマンスに与える影響
[9] ソフトウェア
9-13 ファインチューニング(微調整)
[1] 概要
[2] アプリケーション
[3] ファインチューニングされた言語モデル
[4] 事前学習とファインチューニング
[5] 前処理/トレーニングとファインチューニング
[6] 特定のタスクに適合するためのLLMのファインチューニング
[7] LLMモデル開発のアプローチ別特性
[8] プロンプトエンジニアリングにおけるファインチューニング(微調整)
[9] LLMエンベッディングとファインチューニング
9-14 多言語言語モデルの基本
[1] 概要
[2] 将来への展望
9-15 低ランク適応(Low-rank adaption:LoRA)
[1] 概要
[2] LoRSの実装
9-16 量子化
[1] 概要
[2] 量子化の実装
9-17 生成モデル/深層生成モデル(DGM)
[1] 概要
[2] 生成モデルの種類
[3] 動画の深層生成モデル
[4] 動画の新しい生成モデルによるSOTAスコアの向上とGPUメモリ使用量の削減
9-18 ユニバーサル言語モデルファインチューニング(ULMFiT)
[1] 概要
[2] ULMFiTの主要なステップ
[3] 論文
[4] PIRを実現する方法
第10章 生成系AI・LLM(大規模学習モデル)と機械学習・ディープラーニング[2]
10-1 事前学習(Pre-training)
[1] 概要
[2] 時系列に対する事前学習
[3] 大規模な事前学習済み基礎モデル
[4] 文脈内学習と最適設計されたプロンプト構造と組み合わせによる事前学習
[5] 事前に訓練された言語モデルLMからドメイン固有の知識を取得「SwitchPrompt」
[6] KAIST/LG Researchの研究グループ 「事前学習済みモデルに特にチューニングされた文脈内学習で学習するICIL」
[7] 新たな学習データを必要とせず、わずか数個の例から新しいタスクを学習できるモデル
[8] 自然言語処理モデルの事前学習とT5(Text-To-Text Transfer Transformer)
[9] 検索補強型視覚言語事前トレーニング
[10] IBM 単純な表現から分子の構造を推測する事前学習済みの人工知能AIモデル 「MoLFormer-XL」
10-2 説明ベースの学習(EBL)
[1] 概要
[2] アプリケーション
10-3 ゼロショット学習
[1] 概要
[2] 応用分野
[3] 自然言語処理とゼロショットの学習環境
[4] LLMのゼロショット性能を改善するための軽量かつ多用途なアプローチ
[5] チューリッヒ大学研究グループ 「MTurkアノテーションを上回る性能を見せたゼロショットChatGPT分類」
[6] 思考連鎖推論により言語モデルのゼロショット学習と数ショット学習を強化する命令データセット
[7] Microsoft ゼロショットのジョブ入力で自動的にプロンプトを調整するレトリーバ「UPRISE」
10-4 ゼロショットCoT
[1] 概要
[2] Google/東京大学/北京大学/マイクロソフト 「LLMで困難な多段階問題を解決するためのプロンプティング技法/ゼロショットCoT他」
[3] デンマーク工科大学/コペンハーゲン大学病院 「ゼロショットCoTフレームワークとLLMが医学的な質問について推論する能力の探求」
10-5 ワンショット学習(コンピュータビジョン)
[1] 概要
[2] 動機
[3] ゼロショット学習とワンショット学習による疎活性化言語モデル「GLaM」
10-6 ドメイン適応
[1] 概要
[2] ドメイン適応の基本タイプ
[3] 4つのアルゴリズム原理
[4] ソフトウェア
10-7 マルチタスク学習(MTL)/知識の移転
[1] 概要
[2] 方法
[3] 適用・応用
[4] マルチタスク学習アルゴリズム
[5] トランスフォーマーの適応性とマルチタスク学習
[6] RMTL(マルチタスク学習における誤差)/文脈内学習における一般化と暗黙のモデル選択
10-8 マルチタスク最適化
[1] 概要
[2] 方法
[3] 応用
10-9 基礎モデル(ベースモデル/ファンデーションモデル)
[1] 概要
[2] 応用・実装例
[3] リスク
10-10 生成的事前訓練トランスフォーマー/生成的事前訓練トランスフォーマー(GPT)
[1] 概要
[2] タスク固有モデル
[3] マルチモーダリティ
[4] プラグインやアドオンによるドメイン固有性の達成
[5] 特定の分野やドメインに向けたアプリケーション
10-11 トランスフォーマー(機械学習モデル)
[1] 概要
[2] アーキテクチャ
[3] [5] トランスフォーマー・モデル アーキテクチャ
[4] 学習を安定させる方法
[5] トレーニング
[6] 実装
[7] 多段階の推論を必要とする構成的課題を解くためのトランスフォーマーの研究
[8] 生成トランスフォーマーによるテキストから画像への生成・編集モデル
[9] トランスフォーマーモデルのアテンションメカニズムを可視化するオープンソースツール「BertViz」
[10] スタンフォード大学 「状態空間モデル(SSM)とトランスフォーマー言語モデルの注意メカニズム間のギャップ解決」
[11] トランスフォーマーのための多人数計算(MPC)でプライベート推論を可能にするモデル
第11章 生成系AI・LLM(大規模学習モデル)と機械学習・ディープラーニング[3]
11-1 生成的敵対ネットワーク(GAN)
[1] 概要
[2] 評価
[3] 応用
[4] 生成的敵対ネットワーク(GAN)を用いた3D生成モデル
[5] INRsを適用した、新たな動画生成GAN(敵対的生成ネットワーク)
11-2 拡散モデル(Diffusion Model)
[1] 概要
[2] サービス
[3] 拡散モデルを組み合わせた合成画像生成
11-3 Stable Diffusion(安定した拡散)
[1] 概要
[2] 開発・ライセンス
[3] テクノロジー
[4] アーキテクチャ
[5] データセット
[6] 学習手順
[7] 拡散モデルで生成したコンテンツの利用
[8] 課題
[9] 機能
[10] ControlNet(ニューラルネットワークアーキテクチャ)
[11] 使用法
[12] Stability AI 「標準的なPCで実行可能な画像生成系AI:Stabile Diffusion XL 0.9」
[13] Adobe Research モデルを完全に再トレーニングすることなく複数の新しい概念を学習する方法」
[14] NVIDIA 「効率的で表現力豊かなテキストからビデオへの変換モデル」
[15] Microsoft/UT Austin研究グループ 新しいモデルアーキテクチャ 「Prompt Diffusion」
11-4 思考の連鎖:CoT(Chain of Thought)
[1] 概要
[2] Google/東京大学/北京大学/マイクロソフト 「LLMで困難な多段階問題を解決するためのプロンプティング技法/ゼロショットCoT他」
11-5 思考の木:ToT(Tree of Thoughts)
[1] ToTの戦略・実装
[2] ToTにおける主な検索アルゴリズムと特性
11-6 視覚のマルチレベル理論
[1] 概要
[2] 光色素の伝達
[3] 人工的な視覚知覚
[4] LLMとvisual perception modelsを組み合わせ、場面に存在するオブジェクトに従って実行可能なプランを生成する行動生成エージェント
11-7 手続き的生成
[1] 概要
[2] アプリケーション
[3] 使用法
11-8 生成トポグラフィーマップ
[1] 概要
[2] メリット
[3] アルゴリズム
[4] 用途
11-9 自己組織化マップ
[1] 概要
[2] アルゴリズム
[3] SOMの学習プロセス
[4] 解釈
[5] アプローチ
[6] 成長する自己組織化マップ(GSOM)/生成的トポグラフィック・マップ(GTM)/時間適応自己組織化マップ(TASOM)
11-10 ニューラルネットワーク
[1] 概要
[2] モデルの種類
[3] LLMとニューラルネットワーク
[4] 応用
[5] 拡散モデルを制御するニューラルネットワークアーキテクチャ 「ControlNet」
11-11 変分オートエンコーダ(VAE)
[1] 概要
[2] アーキテクチャ・動作
11-12 ロボット学習
[1] 概要
[2] プロジェクト
[3] PaLM-E(ロボット操作などのタスクで強い推論能力を発揮するエンボディド・マルチモーダル言語モデル)
11-13 進化ロボット工学
[1] 概要
[2] 実験
11-14 発達ロボティクス(DevRob)
[1] 概要
[2] 研究動向
[3] メカニズムと制約
[4] 課題
[5] 関連団体
11-15 認知ロボット工学
[1] 概要
[2] 学習技術
第12章 量子アニーリング/量子コンピュータと機械学習/ディープラーニング
12-1 人工知能の発展に不可欠な量子コンピュータ技術
12-2 量子人工知能の現状と展開予測
12-3 スパコンより高速性能を発揮する量子ニューラルネットワーク計算機
第13章 次世代ロボットと機械学習/ディープラーニング
13-1 次世代ロボットと人工知能/機械学習
13-2 機械学習を搭載したロボット技術の進展
13-3 次世代産業ロボットの開発を牽引する分散機械・リアルタイム解析モデル
[1] ビッグデータと機械学習の結合
[2] IoTによるロボットのリアルタイム解析ソリューション
13-4 ファナック/シスコシステムズ 「産業用ロボットの知能化」
13-5 次世代ドローンと機械学習
13-6 機械学習で自律飛行するドローン
13-7 次世代ドローンと機械学習による地図作成システム
13-8 産業用ドローンの自律航行・航行中の動作処理高度化
第14章 教師(ティーチング)不要ロボット
14-1 機械学習とロボット・システム
14-2 ディープラーニングとロボット・システム
14-3 ティーチング作業の制約を克服する取り組み
14-4 カメラで部材を認識・位置補正するティーチングレスシステム
14-5 ファナック/PFN 「強化学習を用いた複数ロボット同士の協調」
14-6 ファジィニューロ学習・推論エンジンを搭載した産業用ロボット
14-7 ティーチングフリーを実現した小型5軸多関節ロボット
14-8 自律的判断対応型バラ積みピッキングロボット
14-9 教師レスのAI荷卸しロボット
14-10 動作軌道自動生成ロボット
14-11 安全柵設置が不要な協働ロボット
14-12 ディープラーニングと予測学習を使っマルチモーダルAIロボットアーム
第15章 スマートマニファクチャリング/スマートファクトリーと機械学習/ディープラーニング
15-1 サイバーフィジカルシステム(CPS)と機械学習/ディープラーニング
15-2 スマートファクトリーと事前学習済み機械学習モデル
15-3 インダストリー4.0とAI
15-4 インダストリー4.0の課題とAIによる解決
[1] 概説
[2] 次世代産業用ロボットに欠かせない人工知能
[3] IoT対応・人工知能搭載型携帯電話
15-5 インダストリーIoTと音声認識、視線の分析技術
15-6 機械学習/ディープラーニング援用によるIoT志向のスマートファクトリー
15-7 既存のバウンダリーを無効化するIoT/スマートマニファクチャリング
15-8 富士通研究所 「IoT/エッジコンピューティングとAI/機械学習の実証実験」
15-9 Microsoft 「Azure Machine Learnin」に基づいたエキスパートシステム
15-10 事例紹介
[1] オークマ 機械学習機能を搭載した「OSP-AI」
第16章 医療診断支援/次世代医療技術と機械学習
16-1 人工知能を使った症状のメカニズム解明
16-2 次世代医療技術での活用が有望視される人工知能
16-3 ビッグデータ解析と予防医療
16-4 機械学習/ディープラーニングがもたらす医療画像認識技術の顕著な発展
16-5 ディープラーニングによる電子カルテ診療データ解析技術
16-6 電子カルテデータをもとに機械学習を使った予後の予測
16-7 機械学習を用いたICU向け先進電子カルテシステム
16-8 地域間医療格差是正と多職種間の連携
16-9 IoT/生体センシング/機械学習を活用したヘルスケア・ソリューション
16-10 メンタルヘルスの定量化を実現する人工知能
[1] メンタルヘルスの定量化共同プロジェクトの始動
[2] 機械学習を活用したメンタルヘルスのシステム化
[3] ストレスチェック支援クラウド
第17章 ディープラーニングがもたらす医療画像認識技術の顕著な発展
17-1 概説
[1] 概況・近況
[2] 医療画像診断の技術革新を促す人工知能
[3] ディープラーニングがもたらす医療画像認識技術の顕著な発展
[4] 深層学習を使った先進画像診断技術
17-2 8K画像/8K(硬性)内視鏡の開発と人工知能による診断支援
[1] 概況・近況
[2] 病理診断への活用
[3] 診断支援への活用
[4] 内視鏡(硬性鏡)への活用
[5] 総務省 「8K技術の応用による医療のインテリジェント化に関する検討会」
第18章 フィンテック/ブロックチェーンとAI/機械学習[1]
18-1 フィンテック普及のカギを握るオープンイノベーション促進
18-2 AI/ディープラーニングを使った金融プラットフォーム
18-3 AIによる為替・株式売買の判断支援
18-4 AIによる金融資産分析/商機発掘
18-5 AIによるリアルタイムビッディング(RTB)
18-6 AIによる自動対話サービス
18-7 AIによる銀行店舗接客支援
18-8 投資運用戦略における機械学習技術活用
[1] ビットコインを使った全自動取引アルゴリズム
[2] トレーディングにおけるディープニューラルネットワーク適用
[3] センチメント分析による株式銘柄のスコアリング
18-9 AI/脳科学を使った顧客の投資行動パターン分析/行動態様分析による審査
[1] SMBCコンシューマーファイナンス) 「統計的経験則に基づくリスク評価・審査モデル」
[2] ZestFinance 「返済意思」を重視した審査モデル
第19章 フィンテック/ブロックチェーンとAI/機械学習[2]
19-1 「アカウントアグリゲーション」のモデル/手法
19-2 ロボアドバイザー
19-3 投資サポート
19-4 機械学習活用による金融商品販売のチェック業務効率化
19-5 不動産業のブロックチェーン適用
19-6 リアルテックで展開が予想される主な分野
19-7 フィンテック活用/フィンテック投資動向
[1] 概況・近況
[2] IBM
[3] Lendr 「人工知能を利用した住宅ローンのリヴァースオークション・プラットフォーム」
[4] Crowdsurfer 「ソーシャライズファイナンス/シェアエコノミー向けプラットフォーム」
[5] 大和証券グループ/デジタルガレージ
[6] 千葉銀行
[7] 新日鉄住金ソリューションズ
[8] メタップス
第20章 次世代自動車と機械学習/ディープラーニング
20-1 自動運転、人工知能、モビリティーサービスのシナジー
20-2 機械学習で連携が進む自動車業界
20-3 次世代自動車と機械学習/ディープラーニング 研究開発動向
20-4 AI/機械学習による次世代車載システムの開発
20-5 第5世代SoC採用に向けた動き
20-6 車載LAN「CAN」におけるハッキング信号の機械学習
第21章 コネクテッドカーと機械学習/ディープラーニング
21-1 概説
21-2 OTA(Over The Air)と機械学習
21-3 自動運転向けIoTクラウドサービス
21-4 クラウド型リアルタイム走行データ収集・蓄積プラットフォーム
21-5 クラウド型運転情報レコメンドサービス
21-6 AIクラウドとコネクテッドカー:主要プラットフォーム
[1] Bosch 「Bosch Automotive Cloud Suit」
[2] Microsoft 「Microsoft Azure」
[3] Google 「Android」
[4] BMW 「BMW Connected」
21-7 ディープラーニングを活用した車載/端末解析
21-8 研究開発/参入メーカー動向
[1] NVIDIA
[2] デンソー/東芝
[3] トプスシステムズ
他
第22章 自動運転と機械学習/ディープラーニング
22-1 概説
[1] 概況
[2] 世界中に広がる自動運転車の開発と公道での運行開始
[3] 人工知能搭載自動車がもたらすモビリティ・イノベーション
[4] ロボット/センサーとの統合と自動運転システムの高度化
22-2 Waymo(グーグル)の取り組み
22-3 Google Carにおけるロボット制御サイクル
22-4 フォードの取り組み
22-5 トヨタ 「MOBILITY TEAMMATE CONCEPT」
第23章 ADAS/自動運転向け機械学習プラットフォーム
23-1 “Cloud-to-Car”の潮流
23-2 位置・地図情報ベンダー動向
[1] 概況・近況
[2] Mobileye 「REM」
[3] HERE 「HD Live MAP」
[4] TomTom
[5] NVIDIA
[6] Intel 「Intel GO」/Mobileye買収
[7] Google 「Google Map」
[8] Uber Technologies
[9] ZF/Bosch/Volvo Cars
[10] AImotive
[11] ダイナミックマップ基盤企画(DMP)
[12] パイオニア
23-3 自動運転ベンダー/主要プラットフォーム動向
[1] NVIDIA 「DRIVE PX」/「DRIVE PX2」
[2] ティアフォー/NVIDIA/AutonomouStuff 「Autoware」
[3] バーテックス 「CarSim」
[4] ESI Grou/日本イーエスアイ
第24章 コネクテッドホームと機械学習/ディープラーニング
24-1 概説
24-2 活発化する産学連携体制によるAI/コネクテッドホーム開発の取り組み
24-3 機械学習によるコネクテッドホームの拡張
24-4 AIによるユーザー嗜好の学習・レコメンド機能搭載家電
24-5 事例紹介
[1] Amazon 「Amazon Echo/Amazon Homekit」
[2] Google 「Google Asistant」
[3] Google 「Google Home」
[4] Microsoft 「Office 365」/「Dynamics 365」
第25章 VR/AR/MRと機械学習/ディープラーニング
25-1 拡張現実(仮想現実)と機械学習
[1] 概況・近況
[2] 経過
25-2 シミュレーテッドリアリティと機械学習/ディープラーニング
25-3 コンピュータビジョン/ロボットビジョンと機械学習
25-4 ニューラルインターフェース(思考/脳の活動)を検知する次世代ゲーム
25-5 生体情報のモニタリング/バイタルサイン技術とVR/AR技術の統合
25-6 VRを用いた多地点協働型手術支援システム
25-7 参入企業動向
[1] DeepMind Technologies
[2] Blippar
[3] Ceva
[4] wrnch
第26章 デジタルマーケティングと機械学習/ディープラーニング
26-1 マーケティング自動化サービスの台頭
26-2 次世代のマーケティングプラットフォーム
26-3 データと機械学習を利用したABM向けのマーケティング分析ツール
26-4 Facebook広告の運用負荷を軽減する「Kenshoo Social」
26-5 レコメンドサービスとビッグデータ活用
第27章 コグニティブコンピューティングと機械学習/ディープラーニング
27-1 IBM Watsonに見る人工知能の進化と人間の未来
27-2 クラウド経由で提供するWatson関連サービス
第28章 RPAと機械学習/ディープラーニング
28-1 概説
28-2 機械学習とRPA
28-3 自然言語処理とRPA
28-4 異常仕訳を自動的に識別する機械学習アルゴリズム
28-5 RPAへのコグニティブ(認知)機能追加
第29章 建設・土木ITと機械学習/ディープラーニング
29-1 ディープラーニングによる地面掘削作業の自動化
29-2 GPUによる建機の自律動作
第30章 スマートシティと機械学習/ディープラーニング
30-1 スマートシティのホリスティックアプローチを促進するAI/機械学習
30-2 スマートシティのサイエンティック・アプローチと機械学習/ディープラーニング
[1] 2000-watt society
[2] 蟻コロニー最適化
30-3 都市ガバナンスとAI/機械学習
30-4 ビッグデータ/AI/機械学習を活用した新たなスマートシティ・サービス創造
30-5 事例紹介
[1] 米国政府 「ビッグデータイニシアティブ」
[2] マサチューセッツ州 「ビッグデータイニシアティブ」
[3] シンガポール政府機関 「Singapore Safe City Test Bed」
[4] 欧州委員会 「ビッグデータ・プライベート・フォーラム」への資金提供
[5] ドイツ/産官学一体プロジェクト 「Industry(インダストリー)4.0」
[6] Siemens(シーメンス) 「ネクスト47」
[7] ビッグデータ専用アプリケーション活用によるスマートシティサービス
第31章 フォグ/エッジ・コンピューティングとAI
31-1 “フォグ”とAIによる次世代コネクテッドインダストリー
31-2 クラウドからエッジへシフトを遂げるディープニューラルネットワークのモデル
31-3 マイクロデータセンター実現に向けた動向
31-4 低電力でAI/機械学習を実現するエッジコンピューティング
31-5 ビッグデータ向けネットワーク基盤コンソーシアム創設
第32章 IoTプラットフォームとディープラーニングフレームワークの連携・統合[1]
32-1 アマゾン・ウェブ・サービス(AWS)「Lambda」/「AWS IoT」
[1] 概況・近況
[2] IoTサービス「AWS IoT」
32-2 IBM 「IBM Watson」/「Cloud Foudry」
[1] 概況・近況
[2] IoTデバイスとWatsonの結合
[3] Cloud Foundry
32-3 ボッシュ(Robert Bosch) 「Bosch IoT Cloud)」/「TraQ」(Track Quality)」
[1] 概況・近況
[2] IoT情報基盤「Bosch IoT Cloud)」
[3] センサーソリューション「TraQ」(Track Quality)
[4] モバイル生産アシスタントの「APAS」シリーズ
[5] 工具をスマート化するソリューション 「Process Quality Manager」
[6] IoTベース自動運転技術の開発
32-4 ゼネラル・エレクトリック(GE) 「Predix」
32-5 シーメンス(Siemens AG) 「Digital Enterprise」/「MindSphere」
[1] 概況・近況
[2] Digital Enterprise/The Digital Enterprise Software Suite
[3] TIA(Totally Integrated Automation)
[4] MindSphere
[5] Holistic Security Concept
32-6 マイクロソフト 「Azure Machine Learning」
32-7 KUKA 「KUKA Connect」
[1] 概況・近況
[2] 「KUKA Connect」
第33章 IoTプラットフォームとディープラーニングフレームワークの連携・統合[2]
33-1 ファナックなど4社 「FANUC Intelligent Edge Link and Drive system」
33-2 ファナック 「FIELD system」
33-3 日立製作所 IoTサービス基盤「Lumada(ルマーダ)」
[1] 概況・近況
[2] 「Lumada(ルマーダ)」
[3] Preferred Network
[4] 「M2Mトラフィックソリューション」
33-4 富士通 「Zinrai」
[1] 「Zinrai」
33-5 日本電気 「NEC Industrial IoT」/「CONNEXIVE」
[1] 概況・近況
[2] 「NEC Industrial IoT」
[3] 「CONNEXIVE」
33-6 ソフトバンク 「ARMエコシステム」
[1] 概況・近況
[2] ARMによるインダストリーIoTエコシステム形成の取り組み
33-7 ルネサス エレクトロニクス 「R-IN(Renesas’s platform for INdustry」
33-8 三菱電機 「e-F@ctory/e-F@ctoryAlliance」
[1] 概況・近況
[2] 「e-F@ctoryAlliance」
[3] ニューラルネットワーク設計支援プラットフォーム
33-9 安川電機 「ソリューションファクトリー」
[1] 概況・近況
[2] 「ソリューションファクトリー」
33-10 安川情報システム 「MMCloud」
33-11 ヤマザキマザック 「iSmart Factory」
[1] 概況・近況
[2] 「iSmart Factory」
33-12 オークマ 「OSP-AI」
[1] 「OSP-AI」
第34章 機械学習/ディープラーニング開発向けツール
34-1 人工知能関連各種開発言語/APIツール
[1] Artificial Intelligence Markup Language
[2] Google TensorFlow
[3] Amazon Deep Scalable Sparse Tensor Network Engine(DSSTNE:デスティニー)
[4] Microsoft Cognitive Services
[5] Microsoft Computational Network Toolkit(CNTK)
第35章 ディープラーニング向けツール/ソフトウェア/アプリ
35-1 機械学習アルゴリズムを備えたソフトウェアスイート
[1] SAS
[2] RapidMiner
[3] LIONsolver
[4] KNIME
[5] Weka
[6] Oracle Data Mining (ODM)
[7] Apache Mahout
第36章 機械学習/ディープラーニング向けクラウド・サービス
36-1 クラウド・サービスと機械学習/ディープラーニングの同期的進化
36-2 AIクラウド/学習済みクラウドAIの国際的な進展
36-3 機械学習分析向けクラウドサービス/機械学習エンジンAPIサービス
36-4 機械学習エンジンを搭載した クラウド型プラットフォーム
36-5 クラウド型リアルタイムデータ収集・蓄積プラットフォーム
36-6 クラウド型ビッグデータ解析/レコメンドサービス
36-7 機械学習を活用したサイバー攻撃対策プラットフォーム
36-8 機械学習エンジンを搭載したクラウド型コンテンツマーケティングプラットフォーム
36-9 クラウド型機械学習サービス導入にあたっての検討事項
36-10 製品・サービス紹介
[1] オークマ 工作機械の自律的異常予見診断技術「OSP-AI」
[2] オープンストリーム クラウド型運転情報レコメンドサービス「LogStream」
第37章 機械学習/ディープラーニング・フレームワーク[1]
37-1 概説
37-2 TensorFlow
37-3 Caffe
37-4 Caffe2
37-5 Caffe2関連
37-6 Chainer
37-7 ChainerMN
37-8 Theano
37-9 Touch7
37-10 PyTorch
37-11 Chainer
37-12 MXNet
第38章 機械学習/ディープラーニング・フレームワーク[2]
38-1 The Microsoft Cognitive Toolkit (CNTK)
38-2 Qualcomm ディープラーニングフレームワーク「NPE」
38-3 Deep Insight 「KAIBER」
38-4 Keras
38-5 Amazon Deep Scalable Sparse Tensor Network Engine(DSSTNE)
38-6 Lasagne
38-7 neon
38-8 NNabla(Neural Network Library)
38-9 NVIDIA TensorRT
38-10 DeCAF(A Deep Convolutional Activation Feature for Generic Visual Recognition)
38-11 Deeplearning4j
38-12 DataRobot
38-13 exaBase
第39章 リアルタイムAI向けディープラーニング・プラットフォーム
39-1 Microsoft 「Project Brainwave」
39-2 Preferred Infrastructure(PFI) 「SedueforBigData」
39-3 SAS Institute Japan 「リアルタイム解析ソリューション」
39-4 ディープラーニング技術を実装したリアルタイム解析AI
第40章 機械学習/ディープラーニング・標準形式
40-1 ONNX(Open Neural Network Exchange)
40-2 NNEF (Neural Network Exchange Format)
40-3 CoreML
第41章 機械学習/ディープラーニングの開発言語
41-1 機械学習タスクの特性
41-2 開発言語の評価
[1] Python
[2] MATLAB(Octave)
[3] Julia
[4] R
[5] その他言語
第42章 関連団体とその動向
42-1 日本ディープラーニング協会(JDLA)
42-2 22-2 AIビジネス推進コンソーシアム
42-3 FiNC Wellness AI Lab(FiNC Wellness 人工知能研究所)
第42章 注目企業(海外)とその動向
42-1 概況
42-2 Amazon Web Services
42-3 Databricks
42-4 Dataiku
42-5 Veritone
42-6 DataRobot
42-7 Unity
42-8 SoundHound
42-9 Veda Data Solutions
42-10 FLYR Labs
42-11 Imbue(Generally Intelligent)
42-12 Plainsight
42-13 Interactions
42-14 OctoML
42-15 Tonic.ai
42-16 Duolingo
42-17 KAYAK
42-18 Urbint
42-19 Afresh
42-20 HouseCanary
42-21 Quora
42-22 Convoso
42-23 TackleAI
42-24 Hyperscience
42-25 CloudZero
42-26 Strong Analytics
42-27 MathWorks
42-28 TrueMK(TrueAccord)
42-29 MORSE
42-30 Aurora Flight Sciences
42-31 Attivio
42-32 Gamalon
42-33 Tethr
42-34 OCTI
42-35 Fama Technologies
42-36 Luminoso Technologies
42-37 QBurst
]]>
2023-10-03T14:46:22+09:00
一般社団法人 次世代社会システム研究開発機構
-
https://www.x-sophia.com/?pid=177427957
大規模言語モデル(LLM)白書 2023年版 PDF版
[出版日]
2023年10月10日
[ページ数]
A4判/約1,400ページ
(※ バインダー製本とPDF版では編集上の違いによりページ数が若干異なります。)
[発行<調査・編集>]
監修・発行: 一般社団法人 次世代社会システム研究開発機構
[レポート内...
[出版日]
2023年10月10日
[ページ数]
A4判/約1,400ページ
(※ バインダー製本とPDF版では編集上の違いによりページ数が若干異なります。)
[発行<調査・編集>]
監修・発行: 一般社団法人 次世代社会システム研究開発機構
[レポート内容]
■概要■
本白書は、大規模言語モデル(Large Language Model:LLM)の基本・体系・種類、機能別の特性、活用パターン、LLMを取り巻く世界的なトレンド、課題・リスクおよびリスク対策、投資およびスタートアップ動向、エンジニアリング面や技法面に関する網羅的な解説、エンタープライズLLM、LLMとロボティクスやメタバースなどの連携、ハードウェア面での情勢や課題、各種実証的分析、自然言語処理関連のLLMフレームワーク、LLMプラットフォーム、LLMの性能を向上させる最新技法、高度な技法、国際的な研究動向にいたるまで、その最新動向を踏まえながらほぼ網羅的にLLMの全容を解き明かした、世界でも唯一無比のLLM全集である。
LLMはAIのムーブメントをリードしている。大規模言語モデルとは、AIアルゴリズムの一種であり、AIにおける言語モデルの概念を進化させたものでもある。LLMは、ディープラーニング技術と膨大なデータセットを活用し、人間の言語を理解、生成、応答する洗練されたAIシステムである。
LLMは、学習と推論に使用するデータを劇的に拡張することで、AIモデルの能力が飛躍的に向上させることができる。また、ディープラーニング(深層学習)技術と大規模なデータセットを用いて、新しいコンテンツの理解、要約、生成、予測を行う。生成AIもLLMと密接不可分の関係にあり、LLMはテキストベースのコンテンツを生成するために特別に設計された生成AIの一種である。
LLMは、常識的な質問応答から、スクリプトや物語のモデル化、言語処理や他のテキスト作成活動における確率的アルゴリズムの合成に至るまで、様々な用途で利用価値がある。そのインパクトは、医療、金融、教育、エンターテインメントなど、幅広い業界ですでに十分なレベルの進歩が見られる。
GPT-4、DALLE、BERTT5、PaLMなどのLLMによる性能は著しく向上している。いくつかの詳細な研究によると、LLMはそのサイズが巨大である場合に優れた性能を発揮している。巨大なデータの塊でこれらのモデルを訓練することで、これらのモデルは人間の言語の構文、意味論、語用論を理解することができる。
LLM は本質的に汎用的なものである。企業向けLLMの可能性を最大限に発揮するためには、文書、Wiki、ビジネス・プロセスなどの観点から収集された知識によって、LLMをコンテクスト化する必要がある。これは、LLMを企業の知識/埋め込みでファイン・チューニングし、スケーラブルな方法でコンテクストに特化したLLMを開発することで達成される。
今後、LLMは、モデルの開発や、チューニングだけではなく、デプロイメント、モニタリングなど運用的側面も今後重視されることになるとみられる。そして、LLMソリューションのライフサイクル全体をカバーする新しい、柔軟なフレームワークとして発展していくだろう。すでに、特にモデルが想定外の出力をするようなケースを検出しそれに対する対応を行ったり、ユーザーからのフィードバックを使って継続的にモデルの改善を行なっていくワークフローを自動化するなどの取り組みが注目されている。
※ なお、「大規模言語モデル(LLM)」というテーマは、複眼的、立体的な視点で解明し、アプローチすることで、より精確で深みのある理解が得られるものである。当団体でもそうしたコンセプトで本白書を編纂している。
そのため、以下の白書(ほぼ当団体よりほぼ同時期に発刊)がそれぞれ独立して編纂されながらも、4巻セットとしてシリーズ編成されている。まとめて全4巻を購入された場合、特別に半額の価格設定で提供している。
■ 生成AI白書 2023年版
(A4判/約3,200ページ)
https://www.x-sophia.com/?pid=177427870
■ 機械学習/ディープラーニング(DL)/生成AI・大規模言語モデルと機械学習・DL白書 2023年版
(A4判/約1,400ページ)
https://www.x-sophia.com/?pid=177428005
■ 次世代NLP(自然言語処理)と大規模言語モデル(LLM)白書 2023年版
(A4判/約1,180ページ)
https://www.x-sophia.com/?pid=177428071
※※ 各白書とも、英語版について近刊を予定している。
■内容編成(目次)■
序
第1章 大規模言語モデルの基本・体系
1-1 概説
[1] 概要
[2] 生成系と識別系の言語モデル
[3] LLMを取り巻く主要なトレンド
1-2 大規模言語モデル 概要
[1] 大規模言語モデルの仕組み
[2] 大規模言語モデルの主な構成要素
[3] LLMの種類
[4] 大規模言語モデルと生成系AIIの関係
[5] 大規模言語モデルの生成機構
[6] 大規模言語モデルの使用パターン
[7] 大規模言語モデルの利点
1-3 規範的な言語モデルのタイプ別特性
[1] 大規模言語モデル
[2] ファインチューニングされた言語モデル
[3] マルチモーダリティ
[4] エッジ言語モデル
[5] フォワード言語モデルとバックワード言語モデル
[6] 将来への展望
1-4 大規模言語モデルの体系
[1] 事前学習(Pre-training)
[2] 時系列に対する事前学習
[3] 時系列を用いた対照学習
[4] ニューラルネットワークとLLM
[5] トランスフォーマー・モデル アーキテクチャ
[6] アテンション(注意)メカニズム/アテンションの可視化
[7] LLMの用途と種類
[8] LLMの応用パターン
[9] 多言語言語モデルの基本
[10] ホワイトカラーの仕事を変える大規模言語モデル
1-5 機能別の特性
[1] コンテクスト学習/インコンテクスト学習
[2] CoT(思考の連鎖)
[3] プロンプトエンジニアリング
[4] Zero-Shot/Few-Shot/K-Shot
[5] CodexとInstructGPT
[6] ユーザーのフィードバックからの強化学習(RLHF)
[7] コンテクストとデータソース
[8] 外部知識ベース/ベクトルデータベース/ベクトルストア/ベクトルデータベース
[9] セマンティック検索/類似検索
[10] フレームワークのライブラリ(SDK)
[11] RAG(Retrieval-Augmented Generation)
[12] ファクト・グラウンディング
[13] システムメッセージの使用
[14] マルチモーダル機能
[15] 外部ツールへのアクセス許可
[16] 前処理/事前学習/トレーニング/ファインチューニング
[17] ファインチューニング(微調整)
[18] 評価と展開
1-6 トランスフォーマーモデルおよびアプリケーション
[1] 機械翻訳
[2] テキスト生成
[3] 感情分析
[4] 質問応答
[5] 固有表現認識
[6] 音声認識・合成
[7] 画像キャプション
第2章 大規模言語モデル(LLM)の活用パターン・潜在的な可能性
2-1 LLMの開発競争
2-2 LLMの活用
[1] 記事の作成
[2] 草稿
他
2-3 大規模言語モデル(LLM)の企業への導入
[1] エンタープライズLLMアプリ
[2] エンタープライズ LLMOps - LLM の微調整
[3] マルチエージェント LLM オーケストレーション
[4] ブラックボックスLLM API
2-4 大規模言語モデルの潜在的な可能性
[1] LLMの性能拡張
[2] コンテクスト性/トランスフォーマー・アーキテクチャー
[3] 予測可能性/予測精度の高さ
[4] 人間の神経細胞の模倣/人工神経回路を追及する先端LLM
[5] 英語以外の言語用のLLMの構築
2-5 LLMが作成した疑いのあるコンテンツの取り扱い
[1] LLMの短期トレーニングとスケーリングの法則
[2] 学習データ
[3] 言語モデルの本質
[4] 言語モデルの機械学習
2-6 LLMの理論的支柱を形成してきた重要論文(24論文)
[1] まえがき
[2] 主要なアーキテクチャとタスク
[3] スケーリングと効率性の向上
[4] 言語モデルを意図した方向へ誘導する
[5] 人間のフィードバックによる強化学習(RLHF)
第3章 LLMの課題・リスク対策
3-1 概況・近況
[1] 概況
[2] 大規模言語モデルの利用に対するWHOの懸念
3-2 学習データの偏り
3-3 フェイクニュースの生成、誤情報の拡散、世論操作の可能性
3-4 透明性の欠如
3-5 言語と文化的バイアス
3-6 プライバシーとデータセキュリティ
3-7 著作権侵害問題
3-8 言語モデルトレーニングで記事や画像のスクレイピングを巡る法廷闘争
3-9 幻覚/人工幻覚
[1] 概説
[2] LLMの幻覚回避策/データからメタデータへ
3-10 LLMの監査プロセスの構築
3-11 膨大なメモリと計算能力
3-12 スループット指向の生成推論
3-13 逆スケーリングを示すタスクの問題
3-14 LLMのAPIを利用するためのコスト
第4章 LLM関連投資動向・スタートアップ動向
4-1 LLM関連スタートアップ動向/投資殺到
[1] 大規模言語モデルの台頭とAI投資
[2] AI・LLMと投資のスクランブル交差点
[3] ポートフォリオを最適化するためのLLM取引戦略とアルゴリズムの使用
[4] LLM銘柄への投資における考慮事項
[5] 東京大学・松尾研発発のAIスタートアップ 「Deepreneur」 LLMのビジネス実装推進/Deep30から資金調達を実施
第5章 プロンプトエンジニアリング/プロンプト最適化/新しいプロンプティング方法
5-1 プロンプト・エンジニアリングのタイプ別特性
[1] 概要
[2] 静的プロンプト
[3] 文脈に応じたプロンプト
[4] プロンプトテンプレート
[5] プロンプト連鎖
[6] プロンプト・チェイニング
[7] プロンプトパイプライン
[8] 生成AIプロンプト・パイプライン
[9] エージェント型プロンプト
[10] 思考の連鎖プロンプト
5-2 LLM埋め込みと微調整技術によるプロンプト・エンジニアリング
[1] プロンプトエンジニアリングにおけるLLMの組み込み
[2] プロンプトエンジニアリングにおけるファインチューニング(微調整)
[3] LLMエンベッディングとファインチューニング: 相乗効果のあるペア
5-3 プロンプトエンジニアリングの高度な技法
[1] まえがき
[2] フューショット・プロンプト
[3] 思考連鎖プロンプト
[4] 自己一貫性プロンプト
[5] 知識生成プロンプティング
[6] プログラム支援言語モデル(PAL)
[7] ReAct(推論トレースとアクションをインターリーブで生成するフレームワーク)
[8] ReActとPAL
[9] 自動プロンプトエンジニア
5-4 ドメイン固有のLLMの開発に係る問題
[1] 概説
[2] 事前に訓練された言語モデルLMからドメイン固有の知識を取得「SwitchPrompt」
5-5 プロンプト最適化アプローチ
[1] 概説
[2] 強化学習(RL)を用いた新しいプロンプト最適化アプローチ 「RLPrompt」
5-6 LLMにおけるシンプルなプロンプティングアプローチ課題
[1] 概説
[2] 強化学習(RLHF)トレーニングで訓練されたLLMにおけるシンプルなプロンプティングアプローチ
5-7 LLMの誘導最適化のためのプロンプティングフレームワーク
[1] 概説
[2] LLMの誘導最適化のための新しいプロンプティングフレームワーク 「Directional Stimulus Prompting(DSP)」
5-8 プロンプトに含まれる比喩表現を反映した画像生成を可能にするフレームワーク
[1] 概説
[2] 生成したプロンプトを用いて既存モデルに出力させた画像と比較する検証
5-9 ハードプロンプトの最適化
[1] 概説
[2] 連続エンベッディングを利用したテキスト用勾配最適化ツールによる難しいプロンプトの最適化
5-10 プロンプトベースのインコンテクスト学習
[1] 概説
[2] プロンプトベースのインコンテクスト学習をアルゴリズム学習問題と統計的観点からの提示
5-11 外部メモリで補強されたLLM
[1] 概説
[2] Google Brain/アルバータ大学 「LLMへの外部読み書き可能メモリ追加しによるアルゴリズムエミュレートの検証」
5-12 自然言語を超えるLLMをプロンプト化に関する建機
[1] 概説
[2] Microsoft AI Research 「自然言語を超えるLLMをプロンプト化するeXtensible Prompt(X-Prompt)の提唱」
5-13 Google 最適化ツールとして活用する手法 「Optimization by PROmpting(OPRO)」
5-14 特許評価システムとプロンプト最適化の研究開発
5-15 プロンプトエンジニアリングの諸課題
第6章 LLMのファインチューニング
6-1 概説
[1] 概要
[2] LLMを微調整する8大メソッド
6-2 特定のタスクに適合するためのLLMの微調整
6-3 APIの利用
[1] OpenAI 「GPT-4」「DALL・E」「Whisper」などのAPI一般提供
[2] OpenAI 「GPT-4」のAPIを一般提供開始/旧モデルの非推奨化の発表
6-4 強化学習(RLHF)を利用して用途に応じたLLMの生成
6-5 LLMを強化学習エージェントの方策として使用したGLAM(Grounded LAnguage Models)手法
6-6 暗黙のメタ最適化プロセスとチューニング 「Few-Shot Prompting」
[1] LangChainによる大規模言語モデルのファインチューニング
[2] QLoRa:大規模な言語モデルをGPUで微調整する
6-7 大規模な拡散モデルと効果的な微調整技術
[1] 概説
[2] Huawei Noah's Ark Lab 「大規模拡散モデルを効率的に微調整するDiffFitを発表」
第7章 事前学習・事前訓練されたファウンデーションモデルとLLM
7-1 概説
[1] 概要
[2] Pathways Language Model(PaLM)
[3] Chinchilla
[4] Galactica
[5] BioMedLM
[6] GLaM(Generalist Language Model)
7-2 事前学習されたLLMの制御および追加入力条件をサポートするためのニューラルネットワーク構造
[1] スタンフォード大学 「ControlNet」
[2] スタンフォード大学 「言語モデルプリトレーニングのためのスケーラブルな2次最適化ツール」
7-3 事前学習を自己教師対照学習で初めて現実化した時間-周波数整合性(TF-C)
[1] 概要
[2] 問題定式化
[3] 提案手法
[4] 1対多の事前トレーニング評価
[5] 切り分け研究
第8章 エンタープライズ LLM/LLMの導入における基盤モデルと自社開発のバランス
8-1 ビジネスへの実用的な応用を考えた場合のLLMの課題点
8-2 LLMの微調整とエンタープライズ LLMOps
[2] MLOps
[3] LLMの導入における基盤モデルと自社開発のバランス
[4] LLMモデル開発のアプローチ別特性
[5] LLMOpsのワークフロー
8-3 企業データのLLM微調整とプライベートGPT
第9章 有償LLMとオープンソースLLM:比較・考慮事項
9-1 概説
9-2 企業でLLMを活用するための適切なアプローチ決定方法
[1] 概説
[2] ChatGPTとオープンソースLLMの戦略的選択
[3] ChatGPTとオープンソースLLMのコスト比較
[4] 大規模言語モデルのオープンソース化
[5] オープンソースLLM:オープンソースモデルを展開するためのアーキテクチャ
[6] QLoRAのような量子化モデルの使用
第10章 LLMの能力を向上させるアーキテクチャ/フレームワーク上の課題
10-1 概説
10-2 スケーリング効率の課題
10-3 数学的推論問題におけるLLMの性能を向上させる技法
[1] 概説
[2] マイクロソフト 「数学的推論問題におけるLLMの性能を向上させる技法:MathPrompter」
10-4 Meta 「次世代AIアーキテクチャ:Megabyte」
10-5 ヒューマン・イン・ザ・ループ・システムのアプローチに関する研究
[1] 概説
[2] UCバークレー校研究グループ 「あらゆる形態のフィードバックから学習することを可能にするChain of Hindsight(CoH)技術」
10-6 LLMの推論を向上させる合成プロンプティング手法
10-7 グロッキングと位相変化(長時間経過後に未見のデータへの汎化を行う現象)
10-8 LLMのデコード性能向上
10-9 投機的サンプリング(SpS)アルゴリズム
10-10 パラメーターのコンパクト化によるレスポンス/電力消費/サーバコストを抑制
[1] NEC 「130億パラメーターの軽量さと高い日本語能力をうたうLMMを開発」
第11章 LLMの能力を向上させる文脈内学習(インコンテクスト)のアプローチ
11-1 概説
[1] イン・コンテクスト学習の概要
[2] コンテクストの長さとコンテクスト構築の最適化
11-2 トランスフォーマーベースのニューラルシーケンスモデルによる文脈内学習。
11-3 心の理論(ToM)推論/LLM性能を向上させる適切なプロンプトに関する研究
[1] 概説
[2] ジョン・ホプキンス大学 「心の理論」(ToM)推論/LLM性能を向上させる適切なプロンプトに関する研究成果」
11-4 大規模な言語モデルを誘導するためのアクティブプロンプティング
11-5 RLHF(人間からのフィードバックを用いた強化学習)
11-6 推論中の指示に従う文脈内学習学習
[1] 概説
[2] KAIST/LG Researchの研究グループ 「推論中の指示に従うことを文脈内学習で学習するICIL(In-Context Instruction Learning)」
11-7 外部コーパスからの取得なしでより正確な事実知識を生成するモデル
[1] 概説
[2] Google Brain 「外部コーパスからの取得なしでより正確な事実知識を生成:RECITE」
11-8 外部ドキュメントの取得に代わって文脈でドキュメントを直接生成する技術
[1] 概説
[2] generate-then-readプロセスによるGENREAD
11-9 LLMを使ったAIエージェント構築のための次世代コンテクスト検索システム/ニューラルデータベース
[1] エンベッディングの維持、保存、検索の難しさ
[2] エンベッディングやANNに対するニューラル・データベースの主な利点
[3] ThirdAIの違い
第12章 LLM増強自律エージェントの進化/ゴール指向エージェント
12-1 概説
12-2 AutoGPT
12-3 セールスフォース 「LLM増強自律エージェントの進化と革新的なBOLAA戦略」
第13章 LLMの推論能力・推論能力強化
13-1 概説
[1] 概要
[2] Chain-of-Thought(CoT)
[3] Self-consistency with CoT(自己整合型COT)プロンプト
[4] CoT-SC(思考連鎖による自己一貫性)
[5] LLMが自らの論理的整合性をチェックするためのフレームワーク「LogiCoT」
[6] Google/東京大学/北京大学/マイクロソフト 「LLMで困難な多段階問題を解決するためのプロンプティング技法/ゼロショットCoT他」
[7] Tree of Thoughts(ToT)
[8] ToTの戦略・実装
[9] ToTにおける主な検索アルゴリズムと特性
13-2 マイクロソフト 推論能力を強化するための新しい方法論の提唱 「AoT(Algorithm of Thoughts)」
[1] 概要
[2] AoTの特徴・手法
第14章 LLMによる認知的自動化に関する研究開発
14-1 概要
14-2 アイデアの創出・選択・開発/ブレインストーミング
14-3 テキスト作成/編集/文章要素の評価
14-4 文献検索
14-5 学習アシスタント
14-6 調査・分析/コーディング/数学的導出などの研究ツール
第15章 性能の良いモデルの学習/モデル学習の合理化/展開時の生成速度の向上
15-1 概説
15-2 新たな学習データを必要とせず、わずか数個の例から新しいタスクを学習できるモデル
15-3 データセット蒸留による大規模モデル学習の合理化
15-4 Meta AI 「マルチスケールデコーダアーキテクチャ「MEGABYTE」を提唱」
第16章 LLMとロボティクスの結合
16-1 概況・近況
16-2 LLMを使ったロボット工学におけるイノベーション
[1] 概説
[2] グーグル 「LLMを使ったロボット工学における最新のイノベーション:PaLM 2」
16-3 生成系AIのロボットアプリケーションへの適用
[1] 概説
[2] マイクロソフト 「ChatGPTのロボットアプリケーションへの使用に関する実験的研究」
16-4 LLMとロボットを融合させたグーグルの新型ロボット「RT-2」
16-5 マルチモーダル言語モデル「PaLM-E」とロボティクス
16-6 LLMによる未知知のシーンにゼロショットで行動を移せるロボット新システム
[1] 概説
[2] Meta AI 「GenAug」
16-7 Google DeepMind 「視覚と言語を行動に変換する視覚言語アクション(VLA)モデル「RT-2」
16-8 LLMによるロボットの多様な動作生成
第17章 LLMとスーパーコンピュータ・量子コンピューター関連技術
17-1 スーパーコンピュータによる大規模言語モデルの研究開発
17-2 スーパーコンピュータ「富岳」政策対応枠における大規模言語モデル分散並列学習手法の開発について
17-3 ChatGPTによる量子プログラミング
[1] 概説
[2] ChatGPTの世界における量子の役割
[3] 量子機械学習(QML)アルゴリズム
[4] ChatGPTと量子の統合における現在の限界
[5] 量子エラー訂正
[6] フォールト・トレラントな量子コンピューターと量子制御
17-4 LLMと量子コンピューター関連技術による大規模高速高精度なガントチャート生成
第18章 メモリ増強・メモリ削減LLM/限られたGPUメモリでLLM高スループットで処理する生成エンジン
18-1 グーグル・ブレイン/アルバータ大学 「メモリ増強LLMでLLMにおけるブレークスルーを起こす」
18-2 枝刈りアルゴリズムによるメモリ使用量削減
18-3 UCB/スタンフォード大学/CMU/Meta他 「FlexGen」
18-5 NVIDIA GPUのスケーラリビティを活用した新たな可能性
第19章 大規模言語モデル学習の各種実証的分析
19-1 計算最適な大規模言語モデル学習の実証的分析
19-2 スタンフォード大学 「LLMの推論コストを110倍削減する新しいAIアプローチ」
19-3 OPT-175Bによる大規模言語モデルへのアクセスの民主化
19-4 LLMがパラメータから知識を抽出する方法に関する研究
19-5 計画問題の自然言語記述に関する研究
19-6 メタ認知プロセスが可能なLLMの自己改善能力を実証する研究
19-7 メタ認知をさせてLLMの能力を上げる手法 「メタ認知プロンプティング」
第20章 大規模言語モデルの課題と解決のアプローチ
20-1 プロンプトパラダイムに関するReWOO(Reasoning WithOut Observation)の提案
20-2 人工幻覚(AIによる真実ではない確信的な応答問題)
[1] 概説
[2] 幻覚の軽減と測定
[3] 幻覚を見ている人工知能を見抜く方法
20-3 強化学習(RL)アルゴリズムによる結果の正確度合いのスコア化
[1] 概説
[2] 人間の指示によりよく沿うように提案された新しいLLMアルゴリズム 「HIR」
20-4 説明によって意思決定時のAIシステムへの過度な依存を軽減するアプローチ
[1] 概説
[2] スタンフォード大学 「意思決定AIシステムの戦術的判断をコスト・ベネフィット・フレームワークで定式化・検証」
20-5 Eleuther AI、FAR AI、ボストン大学、トロント大学、UCバークレー校 「チューニングレンズによるロジットレンズ問題の解決」
第21章 大規模言語モデルに関連した最新研究・新たな取り組み[1]
21-1 自動運転大規模言語モデル研究(中国):コンピュータビジョン世界最高峰の学会で最優秀賞
21-2 LLMによるインテリジェントな質問応答システム
[1] 概説
[2] 質問応答とトランスフォーマー
21-3 自律型エージェントにおける目標への合致をチェックする技法
[1] 概説
[2] スタンフォード大学/DeepMind 「LLMを代理報酬関数として利用するアプローチの提唱」
21-4 自己フィードバックにより強化された反復的な自己修正型LLM。
[1] KAIST研究チーム 「自己フィードバックと自己修正生成型に設計されたSelFeeモデルを発表」
21-5 多段階の推論を必要とする構成的課題を解くためのトランスフォーマーの研究
[1] 概説
[2] 合成タスクにおけるLLMの限界と能力を改善する方法
21-6 言語モデルのプロンプト圧縮を効率化する新技法
[1] 概説
[2] スタンフォード大学研究者 プロンプトを圧縮するための新しい技術「gisting」
21-7 LLMによるマインクラフトの探索でゲームの達人になるAIモデル「Voyager」
21-8 強化学習を使わずに嗜好から言語モデルを学習させる学習パラダイム
21-9 逆スケーリング(モデルサイズの増加に伴う出力低下)問題への対処
[1] エディンバラ大学/ヘリオット・ワット大学 「新しい種類の逆スケーリングジョブ技法の提案」
[2] メリーランド大学 「決定論的摂動による拡散モデル:Cold Diffusion」
21-10 ミッションクリティカルなタスクの性能を向上させるモジュールによる外部知識に基づく応答の実現
[1] 概説
[2] マイクロソフトとコロンビアの研究グループ 「LLM-AUGMENTER」
21-11 大規模な言語モデルの推論と最適化
[1] 概説
[2] 100B以上の言語モデルを実行できるオープンソースAI 「Petals」
21-12 純粋な生成型AIモデルよりも信頼性が高く、説明責任の要求おを充たす検索結果の表示
[1] 概説
[2] Google/Brave Search(推論効率を最大化するために微調整された独自の非公開モデル)
21-13 巨大なデータベースをマイニングして新たな洞察を得るための方法
[1] 概説
[2] カリフォルニア大学バークレー校 「言語記述を用いたテキスト分布間の差異の目標駆動型識別」
21-14 マルチモーダル思考連鎖推論による新しいLLMモデル/思考連鎖(CoT)プロンプト
[1] 概説
[2] Amazon 「Multimodal-answer CoTの推論と推論生成」
21-15 LLMに3D世界を導入する試み 「3D-LLM」
21-16 意思決定問題に言語からの背景知識を統合するアプローチ
[1] 概説
[2] MIT 「言語モデルからの確率的プリオ抽出・背景知識の統合:LAMPP」
21-17 高効率かつ安定的に学習させる言語モデルの手法
[1] 概説
[2] Google AI Research 「22BパラメータViT(ViT-22B)を高効率かつ安定的に学習させる手法」
21-18 状態空間モデル(SSM)とトランスフォーマー言語モデル
[1] 概説
[2] スタンフォード大学 「状態空間モデル(SSM)とトランスフォーマー言語モデルの注意メカニズム間のギャップ解決」
21-18 ?大規模言語モデルの「創発的」能力
21-19 LMのスケーリング(規模)能力と予測不可能性の関係
21-20 手作業によるラベリングを大規模に置き換える言語モデル
第22章 大規模言語モデルに関連した最新研究・新たな取り組み[2]
22-1 ローコードLLMによる人間とLLMのインタラクションパターン
22-2 生成モデル(GPTなど)の推論効率のボトルネック解消技術
[1] 概説
[2] Microsoft Research 「生成モデルの推論効率のボトルネック解消技術」
22-3 チャート理解、グラフのデレンダリング、数学的推論を大幅に改善するLLM
[1] 概説
[2] Google AI 「チャート理解、グラフのデレンダリング、数学的推論を大幅に改善するモデルを提唱」
22-4 知識グラフ抽出のためのLLMオントロジー・プロンプティング
22-5 モデル表現から知識を検出する教師なし手法
[1] 概説
[2] UC Berkeley/北京大学 「コントラスト一貫性探索(CCS)」
22-6 インストラクションのチューニング方法
[1] 概説
[2] 創発的かつ最先端の結果に焦点を当てたデータ収集とインストラクションチューニングプロセスに適用する手法
22-7 セマンティック検索モデル/構造化データと非構造化データ
[1] 構造化データと非構造化データ
[2] テキストからSQLへ
[3] セマンティック検索埋め込みモデル
[4] LLMによる構造化データと非構造化データのクエリ/テキストからSQLへの構造分析とセマンティック検索
[5] 非構造化テキストを効率的にセマンティック検索するNeo4j
22-8 LLMによる文書検索と質問応答
[1] 概説
[2] 検索補強生成(Retrieval Augmentation Generation)/生成的質問応答(Generative Question Answering)
22-9 ビデオ言語モデル(VidLM)の改善
[1] 概説
[2] UIUC/UNC研究グループ 「VidLMにアクション知識をパッチする独自のフレームワークを提唱」
22-10 生成タスクにおける拡散モデルの適用
[1] 概説
[2] MIT 「デノイズスコアマッチングの分散を減らし、画質、安定性、拡散モデルの学習速度を向上させるモデル」
22-11 3Dシナリオを写実的にデジタル表現するためのニューラルネットワーク
[1] 3D環境を自然言語で説明することとNeural Radiance Fields(NeRF)
[2] カリフォルニア大学バークレー校 「視覚言語モデルの言語埋め込みをNeRFに組み込むためのLERF(Language Embedded Radiance Fields)」
22-12 モバイルUIで会話型インタラクションを可能にするLLM
22-13 Chain-of-Thought推論(論理・算術・象徴的な推論タスクでより優れた推論を描写するアプローチ)の導入
[1] LLMにCoT(Chain-of-Though)推論導入による性能の向上
[2] 思考連鎖推論により言語モデルのゼロショット学習と数ショット学習を強化する命令データセット
22-14 LLMのゼロショット性能を改善するための軽量かつ多用途なアプローチ
[1] 概要
[2] Microsoft 「UPRISE」
22-15 Adamの2倍の速度でLLMを解くことができる新しい2次オプティマイザ
22-16 特定のタスクに適したインターフェース設計/インターフェース増強法
[1] 概説
[2] 中国人民大学/中国電子科技大学 「構造化データに対するLLM推論能力を向上させるStructGPTを提唱」
22-17 LMQL(言語モデル相互作用のためのプラットフォーム)
[1] LLMインタラクションのためのオープンソースプログラミング言語とプラットフォーム 「LMQL」
[2] LMQL
第23章 主な大規模言語モデル[1]
23-1 GPT3/GPT4
23-2 GPT-Neo/GPT-NeoX/GPT-NeoX-20B
23-3 GPT-J
23-3 GPT4All
23-4 BERT
23-5 LLaMA(Large Language Model Meta AI)
23-6 PaLM/PaLM 2
23-7 Gemini
23-8 LaMDA(ダイアログアプリケーション用言語モデル)
23-9 LLaMA(Meta)
23-10 MT-NLG(DeepSpeedとMegatronを搭載したメガトロン・チューリング自然言語生成モデル)
23-11 Bard
23-12 Google AI 「SoundStorm」
23-13 Meta 「OPT-IML」
23-14 Meta AI 「LLaMA」
23-15 Meta AI 「MultiRay」
23-16 NVIDIA 「megatron-turing-NLG」
23-17 Intel 「Aurora genAI」
23-18 DeepMind 「Gopher」
23-19 DeepMind 「Chinchilla」
23-20 DeepMind 「Sparrow」
23-21 Salesforce AI 「コードインテリジェンスタスクのLLM統合:CodeTFライブラリ」
23-22 Salesforce AI 「テキストから画像への拡散生成を行う新しい編集アルゴリズム:EDICT」
23-23 Salesforth AIリサーチ 「画像エンコーダとLLMからブートストラップする視覚・言語事前学習戦略:BLIP-2」
23-24 MosaicML Foundation 「MPT-7B」
23-25 Amazon 「Alexa AI/AlexaTM 20B」
23-26 Amazon Web Services(AWS) 「Bedrock」
23-27 ファーウェイ 「Pangu-α/ファーウェイ 「Pangu-Σ」
23-28 ファーウェイクラウド 「自動車向け・医療向けの大規模言語モデル」
23-29 バイドゥ 「Ernie Bot」
23-30 バイドゥ 「Ernie 3.0」
23-31 Alibaba AI Research 「テキスト、画像ペアで学習させた50億パラメータ制御可能な拡散モデル:Composer」
23-32 Google、NVIDIA、Salesforce、Meta、Apple、Amazon、AI2による2022年の人工知能(AI)研究の革新性
第24章 主な大規模言語モデル[2]
24-1 スタンフォード大学 「Alpaca」
24-2 Falcon
24-3 Claude
24-4 BLOOM
24-5 mT5
24-6 RedPajama 「RedPajama-INCITE」
24-7 Jurassic-1
24-8 LangChain
24-9 Together 「オープンソースのChatGPT代替ツール:OpenChatKit」
24-10 LangFlow
24-11 PaLM-E(ロボット操作などのタスクで強い推論能力を発揮するエンボディド・マルチモーダル言語モデル)
24-12 Falcon LLM
24-13 Stable Diffusion 「StableLM」
24-14 BlenderBot-3
24-15 LG AI Research 「Exaone」
24-16 StarCoder(最大規模のオープンソースの大規模コード用言語モデル)
24-17 ChatLLaMA(強化学習(RLHF)に基づくLLaMAの最初のオープンソース実装)
24-18 OPT(Open Pre-trained Transformer)
24-19 BLOOMChat(多言語チャット大規模言語)
24-20 セレブラス・システムズ 「Cerebras-GPT」
24-21 ニューラルグループ 「NEURAL LLM」
24-22 中国科学院/清華大学の研究チーム 「GPT-4を上回る性能をうたうAI「Xwin-LM」」
24-23 オープンソースの主な大規模言語モデル
[1] GPT-Neo、GPT-J、GPT-NeoX
[2] XLNet
[3] RoBERT
[4] DeBERTa
[5] XLM-RoBERTa
[6] DistilBERT
24-24 日本独自LLMの研究・開発を巡る主な動き
[1] 概要
[2] 日本経済団体連合会 「AI活用によるSociety 5.0 for SDGsの実現に向けて」。
[3] NTT
[4] サイバーエージェント
[5] ソフトバンク
[6] LINE
[7] オルツ
[8] 富士通・理研
[9] ABEJA
[10] rinna
[11] さくらインターネット
他
第25章 LLMのためのAIフレームワーク
25-1 概説
25-2 シンボリックAIとLLMの長所を組み合わせた強力なフレームワーク「SymbolicAI」
25-3 Open AI 「生成・拡散モデルファミリー:Consistency Models」
25-4 プロンプトエンジニアリングの最適化と改善
[1] 概説
[2] Microsoft AI Research 「LMプロンプトを自動最適化するためのシンプルで汎用的なフレームワーク」
25-5 AIガバナンスに不可欠なアプリケーションレベルの監査・監査制御
[1] AIガバナンスの仕組みとして監査が期待される背景
[2] スタンフォード大学 「自然言語クエリを処理するLLM APIのためのAIフレームワーク」
[3] ガバナンス、モデル、アプリケーションの各レベルでLLMを監査するためのポリシーフレームワーク
25-6 GPUアクセラレーションで幅広いクラスのプラットフォームに対応するオープンフレームワーク
[1] 概説
[2] GPUアクセラレーションで幅広いクラスのプラットフォームに対応するオープンフレームワーク 「MLC-LLM」
25-7 推論プログラムの中間段階を迅速に生成するLLMを使用するフレームワーク
[1] 概説
[2] マイクロソフト/メタ/ワシントン大学/カリフォルニア大学/アレンAI研究所 「Automated Reasoning And Tool-Use (ART)」
[3] マイクロソフト 「クロスリンガルなニューラルコーデック言語モデル:VALL-E X」
25-8 テキスト説明から完全な動画を作成できるソフトウェア
25-9 インストラクションチューニングされたドイツ語LLMファミリー 「IGEL」
25-10 AIモデルの接続やAIタスクを解決する拡散モデル/フレームワーク
[1] 概説
[2] 様々なAIモデルの接続やAIタスクを解決するフレームワーク 「HuggingGPT」
[3] テキストガイド付きビデオ編集のための拡散モデル・AIフレームワーク 「Dreamix」
25-11 エージェント同士をタスク完了に向けて自律的に行動させるフレームワーク
[1] まえがき
[2] Role-Playing Framework
[3] Inception Prompting
[4] Experiments
25-12 スタンフォード大学Alpaca研究グループ 「命令追従型LLaMAモデルの微調整のための軽量適応法:LLaMA-Adapter」
25-13 トランスフォーマーのための多人数計算(MPC)でプライベート推論を可能にするモデル
[1] 近似値への置き換えによるMPC推論処理の高速化
[2] プライバシー、推論レイテンシにおいてバランスのとれた性能を達成するMPCFormer
第26章 自然言語処理関連の言語モデル・フレームワーク
26-1 概説
26-2 自然言語処理モデルの事前学習とT5(Text-To-Text Transfer Transformer)
26-3 ChatGPTの推論・対話機能をNLPアプリケーションに活用する方法
26-4 文脈内学習を持つLLM・AIフレームワーク
[1] 概説
[2] Microsoft/UT Austin研究グループ 新しいモデルアーキテクチャ 「Prompt Diffusion」
26-5 対話型解決エージェントで大規模言語モデル補完を強化するAIフレームワーク 「DERA」
[1] 概説
[2] 対話型解決エージェントで大規模言語モデル補完を強化するAIフレームワーク 「DERA」
26-6 CMU研究グループ 「コードドキュメントの取得による自然言語によるコード生成アプローチ:DocPrompting」
26-7 GLaM(エキスパート混合による言語モデルの効率的スケーリング)
26-8 PaLM(パスウェイ言語モデル)/Palm2
[1] 概説
[2] 新しいGoogle AIレポートでは、新しいPalm2大規模言語モデルを可能にしたデータの改善とスケーリングの洞察が示されている。
26-9 「転移学習」を利用した機械学習モデル・自然言語処理AI
[1] 概説
[2] Google 「新たな自然言語処理AI:T5」
26-10 推論と演技を相乗させるためのAIモデル
[1] 概説
[2] プリンストン大学/Google AI 「ReAct」
26-11 検閲に対応し、有害・不快なコンテンツを生成させない安全ルールを備えたLLM
[1] 概説
[2] スタンフォード大学研究グループ 検閲対応/有害・不快コンテンツを生成させない安全ルールを備えたLLM 「FreedomGPT」
26-12 レコメンデーション技術とLLM
[1] 概説
[3] ユーザーフィードバックに基づくリアルタイムに近いモデル更新
[3] Bytedance 「Monolith」
26-13 高品質なラベル付きデータっを必要とする自然言語処理アプリケーション
[1] 概説
[2] チューリッヒ大学研究グループ 「MTurkアノテーションを上回る性能を見せたゼロショットChatGPT分類」
26-14 Meta 「4000言語の話し言葉を理解する多言語LLM「MMS」のオープンソース化」
26-15 多言語LLM
[1] 概説
[2] チューリッヒ大学 「多言語言語モデル「SwissBERT」を開発」
[3] Phoenix
26-16 生成系AIとの対話を支援するビジュアルファウンデーションモデル
[1] 概説
[2] Microsoft Research 「ChatGPTとの対話を支援するビジュアルファウンデーションモデル:Visual ChatGPT」
26-17 インコンテクスト学習を行うことができるマルチモーダル大規模言語モデル
[1] 概説
[2] Microsoft Research 「インコンテクスト学習を行うことができるマルチモーダル大規模言語モデル:Kosmos-1」
26-18 世論測定の言語モデル
[1] 概説
[2] MIT/ハーバード大学 「メディアダイエットで学習した世論測定の言語モデルを発表」
26-19 生成を3倍高速化する信頼性適応言語モデリング
[1] 概説
[2] Google AI 「LLMによるテキスト生成を3倍高速化する信頼性適応言語モデリング:Confident Adaptive Language Modeling(CALM)」
26-20 脚本を生成する映画オーサリングツール
[1] 概説
[2] Deepmind 「脚本を生成する映画オーサリングツール:Dramatron」
26-21 スタンフォード大学 「自然言語クエリを処理するLLM APIのためのAIフレームワーク」
26-22 自然言語で携帯端末を操作するための学習データセット
26-23 自然言語処理システムの仕組みを変える検索拡張世代(RAG)
[1] 概説
[2] 大規模言語モデルにおけるいくつかの重要な課題に対処するRAG
[3] RAGシステムの潜在的なビジネスアプリケーションと影響
[4] 効率的なRAGパイプラインの実装
[5] RAGライブラリとフレームワーク
26-24 視覚言語モデルとその応用可能性
[1] 概説
[2] カリフォルニア大学バークレー校 視覚言語モデルの言語埋め込みのNeRFへの組み込み 「LERF(Language Embedded Radiance Fields)」
第27章 音声合成モデルとLLM
27-1 概説
27-2 Google AI 「翻訳したテキストと音声を同時に生成する大規模言語モデル:AudioPaLM」
27-3 Google AI 「最先端の音声モデルファミリ:Universal Speech Model (USM)」
27-4 CMU研究グループ 「多様な音声を扱う人間のような音声合成トレーニングのためのAIシステム」
27-5 Suno 「音声合成AIボイスクローンモデル:Bark」
第28章 AIアシスタント/テキスト生成/チャットボット関連のLLM
28-1オープンソースチャットボット
[1] 概説
[2] LLaMA-13Bをベースにしたオープンソースチャットボット 「Vicuna」
28-2 GPT-Turbo-3.5アシスタントスタイル生成の言語モデル 「GPT4All」
[1] 概説
[2] GPT-Turbo-3.5アシスタントスタイル生成の言語モデル 「GPT4All」
28-3 自動テキスト配信、チャットボット、言語翻訳、コンテンツ制作の開発・作成モデルの訓練および微調整 「xTuring」
[1] 概説
[2] ストキャスティック 自動テキスト配信、チャットボット、言語翻訳、コンテンツ制作の開発・作成モデルの訓練および微調整: 「xTuring
28-4 ChatGLM(中国人ユーザー向けに特別に設計されたチャットロボット)
第29章 ソフトウェア開発関連のLLM
29-1 コードによる複雑なアルゴリズムの自動実装と検証を可能にするAIフレームワーク LLM
[1] 概説
[2] スタンフォード大学 「Parse」
29-2 コーディング用大規模言語モデル
[1] Hugging Face 「コーディング用LLM:「StarCoder/StarCoderBase」
29-3 LLMのための許諾済みソースコード
[1] 概説
[2] BigCodeプロジェクト 「Stack」
29-4 自然言語のフィードバックでプログラム合成するソフトウェア開発技術
[1] 概説
[2] 自然言語のフィードバックでプログラム合成するソフトウェア開発技術
第30章 企業・産業におけるLLM活用法/LLMによる企業情報資産のコンテクスト化
30-1 概説
30-2 大規模言語モデル(LLM)と企業データとの関連付け
30-3 製造業における大規模言語モデル
30-4 セクター別に特化したLLM
[1] 概説
[2] 金融データで訓練された大規模言語モデル 「BloombergGPT」
30-5 企業独自LLMの開発
[1] リコー 「LLMをノーコードでカスタマイズできるツール」
第31章 画像・映像・アート系生成モデル/拡散モデル(DM)/潜在拡散モデル(LDM)
31-1 概説
[1] OpenAIによる画像合成で拡散モデルがGANに勝つ
[2] UC Berkeleyによる拡散確率モデルのノイズ除去
[3] DALL-E 2 by OpenAI
[4] Googleによる画像生成:Imagen
[5] コンピュータビジョンと学習グループ(LMU)による安定した拡散
[6] スタンフォード大学によるControlNet
31-2 画像生成・動画広告などで可能性が広がる拡散モデル(Diffusion Model)
[1] 拡散モデルの概要
[2] 架空のグラドル生成
31-3 医療画像の合成データの作成
[1] 概説
[2] スタンフォード研究グループ 「学習データが乏しい状況で高忠実度の合成データセットを生成する安定拡散モデル」
31-4 Generative Adversarial Networks(GAN)の目的・スケーリング
[1] 概説
[2] カーネギーメロン大学/アドービ・リサーチ 「テキストから画像への合成のための大規模な修正GANアーキテクチャ:GigaGAN」
31-5 言語と画像を使って既存の動画から新しい動画を生成する生成AIモデル
[1] 概説
[2] Stability Ai 「DALL-E 2、Stable Diffusionと事前に訓練されたニューラルネットワーク」
31-6 画像拡散モデルを使った動画編集モデル
[1] 概説
[2] 画像拡散モデルを使って動画編集を簡略化するモデル 「Pix2Video」
31-7 エンベッディング空間によるテキストから画像への生成
[1] 概説
[2] テキストから画像への拡散モデル
31-8 人間のフィードバックを利用してテキストから画像へのAIモデルを改善するアプローチ
[1] 概説
[2] Google/U.C.Berkeley 「人間のフィードバックによる強化学習(RLHF)」
31-9 生成トランスフォーマーによるテキストから画像への生成・編集モデル
[1] 概説
[2] Google AI 「マスク型生成トランスフォーマーによるテキストから画像への生成・編集モデル: Muse」
[3] Facebook AI Research 「視覚および視覚言語タスクの広い範囲をサポートするたモデル: X-Decoder」
31-10 3Dジオメトリとコンピュータグラフィックスアプリケーション
[1] 概説
[2] OpenAI 「テキストプロンプトに基づき3D画像を高速生成する機械学習システム:Point-E」
31-11 非拘束空間を限定空間に変換するスペースワープ技術
[1] 概説
[2] 新しいグリッドベースの映像合成システム「F2NeRF」
31-12 Stability AI 「標準的なPCで実行可能な画像生成系AI:Stabile Diffusion XL 0.9」
31-13 画像と交錯する自由形式のテキストを生成するAIモデル
[1] 概説
[2] CMU 「Frozen Large Language Models(LLM)を効率的にブートストラップ:FROMAGe」
31-14 生成系AIアートのパーソナライゼーション
[1] 拡散モデルを用いたText-to-Image生成
[2] Adobe Research モデルを完全に再トレーニングすることなく複数の新しい概念を学習する方法」
31-15 テキストから画像を生成する拡散モデルを調整する方法
[1] 概説
[2] 多様で制御可能な画像生成を可能にする統合AIフレームワーク 「MultiDiffusion」
[3] CMU研究グループ 「制御可能なフォトリアリスティック画像合成のための3Dを意識した条件付き生成モデル:Pix2pix3D」
31-16 事前に訓練された画像拡散モデルによる時間的にコヒーレントな動画生成
[1] 概説
[2] NVIDIA 「効率的で表現力豊かなテキストからビデオへの変換モデル」
31-17 未知物体の3D再構成とコンピュータビジョンにおける課題
[1] 概説
[2] Nvidia 「単眼RGBD映像からのニューラル・オブジェクト追跡と3D再構成を実行するBundleSDFの提供」
31-18 既存の視覚モデルや視覚言語モデルが苦手とする視覚課題の解決
[1] 概説
[2] Microsoft AI 「MM-REACT」(視覚プールを組み合わせてマルチモーダル推論・行動を実現するシステム)
31-19 動画の深層生成モデル
[1] 概説
[2] 動画の新しい生成モデルによるSOTAスコアの向上とGPUメモリ使用量の削減
31-20 テキストから4D(3D+時間)を生成するシステム
[1] 概説
[2] Meta AI 「テキストから4D(3D+時間)を生成するシステム」
31-21 3D生成モデル
[1] 概説
[2] 検索補強型視覚言語事前トレーニング
[3] Google AI 「チャート理解と数学的推論に革命を起こすMatChaとDePlotを提唱」
[4] Video-LLaMA:映像理解のための命令調整された視聴覚言語モデル
第32章 音楽・音響の生成モデル
32-1 テキスト記述から音楽を生成するAIモデル
[1] 概説
[2] テキスト記述から音楽を生成するAIモデル 「MusicLM」
32-2 音楽合成と音源分離の両方が可能な拡散ベースの生成モデル
[1] 概説
[2] ローマ大学GLADIA研究室 「Multi-Source Diffusion Model (MSDM)
32-3 歌の伴奏を生成するAIモデル
[1] 概説
[2] 歌の伴奏を生成するAIモデル 「SingSong」
32-4 オーディオ生成のための潜在拡散モデル
[1] 概説
[2] オーディオ生成のための潜在拡散モデル 「AudioLDM」
32-6 その他、主な生成系AIのモデル
[1] 概説
[2] MusicLM
[3] SingSong
[4] Moûsai
[5] AudioLDM
[6] EPIC SOUNDSデータセット
第33章 科学・学術研究用のLLM
33-1 医療教育、研究、実践における大規模言語モデルの例としてのChatGPTの有用性: 将来の展望と潜在的限界に関する系統的レビュー
[1] 概説
[2] 条件整備・方法
[3] 結果
[4] 医療におけるChatGPTの利点と限界/懸念のまとめ
[5] 対象記録の特徴
[6]ChatGPTの利点と医療教育、実践、研究における応用の可能性
[7] 収録された記録に基づく、医療教育・実践・研究におけるChatGPTのリスクと懸念事項
[8] 課題・将来の展望
33-2 文脈に基づく文献ベースの発見と科学的アイデアの支援
[1] 概説
[2] 文脈に基づく文献ベースの発見 「C-LBD」
33-3 単純な表現から分子の構造を推測する事前学習済みの人工知能AIモデル
[1] 概説
[2] IBM 「MoLFormer-XL」
33-4 生物医学の言語を解釈するために訓練された目的別AIモデル
[1] 概説
[2] スタンフォード大学/MosaicML 「PubMed GPT」
33-5 分子生物学における大規模言語モデル
[1] 概説
[2] 分子生物学における言語モデル/LLMの果たす役割
[3] ファウンデーションモデル
[4] LLMによるDNAのシーケンス解析
[5] 未来への展望
33-6 大規模な生物医学文献で事前学習されたドメイン固有の生成変換言語モデル
[1] 概説
[2] Microsoft Research 「BioGPT」
33-7 科学的ニューラルネットワークアシスタント 「Galactica」
33-8 LLMによるニューロン解析
[1] 概説
[2] OpenAI 「GPT-4によるニューロン解析の研究成果を公表」
33-9 生成系AIによる衛星データ活用の課題解決
[1] Solafune/マイクロソフト 「GPU(画像処理半導体)インスタンス(仮想マシン)の提供による生成系AIの衛星データ活用」
第34章 医療領域を支援する大規模言語モデル
34-1 概説
34-2 医療システム規模の言語モデル
[1] 概説
[2] メソッド
[3] 構造化されたデータセット
[4] ファインチューニング
[5] 展開
[6] 評価指標
[7] 他の言語モデルとの比較
[8] 機械学習モデルとの比較
34-3 医療領域を支援する大規模言語モデル 「Med-PaLM」
34-4 安定拡散ベースの大規模な胸部X線および放射線データセットで微調整するモデル
[1] 概説
[2] スタンフォード大学 「RoentGen」
34-6 ディープラーニングモデルによる個別化医療を支援
[1] 概説
[2] MIT 「電子健康記録から重要なデータを抽出するモデル」
34-7 LLMによる認知症予測
[1] 概説
[2] ドレクセル大学 「LLMによる自発的なスピーチからの認知症予測」
[3] デンマーク工科大学/コペンハーゲン大学病院 「LLMが医学的な質問について推論する能力の探求」
34-8 ヒポクラティックAI 「安全性に特化した言語モデル」
第35章 LLMプラットフォーム/LLMによるAIソリューション
35-2 Google 生成AIプラットフォーム 「Vertex AI」
35-2 事実の関連付けを効率的に検索・編集するためのLLMソリューション
[1] 概説
[2] ROME(Rank-One Model Editing)
[3] ChatGPTをクローンするオープンソースのAIソリューション 「ColossalChat」
]]>
2023-10-03T14:43:39+09:00
一般社団法人 次世代社会システム研究開発機構
-
https://www.x-sophia.com/?pid=177427943
大規模言語モデル(LLM)白書 2023年版 製本版
[出版日]
2023年10月10日
[ページ数]
A4判/約1,400ページ
(※ バインダー製本とPDF版では編集上の違いによりページ数が若干異なります。)
[発行<調査・編集>]
監修・発行: 一般社団法人 次世代社会システム研究開発機構
[レポート内...
[出版日]
2023年10月10日
[ページ数]
A4判/約1,400ページ
(※ バインダー製本とPDF版では編集上の違いによりページ数が若干異なります。)
[発行<調査・編集>]
監修・発行: 一般社団法人 次世代社会システム研究開発機構
[レポート内容]
■概要■
本白書は、大規模言語モデル(Large Language Model:LLM)の基本・体系・種類、機能別の特性、活用パターン、LLMを取り巻く世界的なトレンド、課題・リスクおよびリスク対策、投資およびスタートアップ動向、エンジニアリング面や技法面に関する網羅的な解説、エンタープライズLLM、LLMとロボティクスやメタバースなどの連携、ハードウェア面での情勢や課題、各種実証的分析、自然言語処理関連のLLMフレームワーク、LLMプラットフォーム、LLMの性能を向上させる最新技法、高度な技法、国際的な研究動向にいたるまで、その最新動向を踏まえながらほぼ網羅的にLLMの全容を解き明かした、世界でも唯一無比のLLM全集である。
LLMはAIのムーブメントをリードしている。大規模言語モデルとは、AIアルゴリズムの一種であり、AIにおける言語モデルの概念を進化させたものでもある。LLMは、ディープラーニング技術と膨大なデータセットを活用し、人間の言語を理解、生成、応答する洗練されたAIシステムである。
LLMは、学習と推論に使用するデータを劇的に拡張することで、AIモデルの能力が飛躍的に向上させることができる。また、ディープラーニング(深層学習)技術と大規模なデータセットを用いて、新しいコンテンツの理解、要約、生成、予測を行う。生成AIもLLMと密接不可分の関係にあり、LLMはテキストベースのコンテンツを生成するために特別に設計された生成AIの一種である。
LLMは、常識的な質問応答から、スクリプトや物語のモデル化、言語処理や他のテキスト作成活動における確率的アルゴリズムの合成に至るまで、様々な用途で利用価値がある。そのインパクトは、医療、金融、教育、エンターテインメントなど、幅広い業界ですでに十分なレベルの進歩が見られる。
GPT-4、DALLE、BERTT5、PaLMなどのLLMによる性能は著しく向上している。いくつかの詳細な研究によると、LLMはそのサイズが巨大である場合に優れた性能を発揮している。巨大なデータの塊でこれらのモデルを訓練することで、これらのモデルは人間の言語の構文、意味論、語用論を理解することができる。
LLM は本質的に汎用的なものである。企業向けLLMの可能性を最大限に発揮するためには、文書、Wiki、ビジネス・プロセスなどの観点から収集された知識によって、LLMをコンテクスト化する必要がある。これは、LLMを企業の知識/埋め込みでファイン・チューニングし、スケーラブルな方法でコンテクストに特化したLLMを開発することで達成される。
今後、LLMは、モデルの開発や、チューニングだけではなく、デプロイメント、モニタリングなど運用的側面も今後重視されることになるとみられる。そして、LLMソリューションのライフサイクル全体をカバーする新しい、柔軟なフレームワークとして発展していくだろう。すでに、特にモデルが想定外の出力をするようなケースを検出しそれに対する対応を行ったり、ユーザーからのフィードバックを使って継続的にモデルの改善を行なっていくワークフローを自動化するなどの取り組みが注目されている。
※ なお、「大規模言語モデル(LLM)」というテーマは、複眼的、立体的な視点で解明し、アプローチすることで、より精確で深みのある理解が得られるものである。当団体でもそうしたコンセプトで本白書を編纂している。
そのため、以下の白書(ほぼ当団体よりほぼ同時期に発刊)がそれぞれ独立して編纂されながらも、4巻セットとしてシリーズ編成されている。まとめて全4巻を購入された場合、特別に半額の価格設定で提供している。
■ 生成AI白書 2023年版
(A4判/約3,200ページ)
https://www.x-sophia.com/?pid=177427870
■ 機械学習/ディープラーニング(DL)/生成AI・大規模言語モデルと機械学習・DL白書 2023年版
(A4判/約1,400ページ)
https://www.x-sophia.com/?pid=177428005
■ 次世代NLP(自然言語処理)と大規模言語モデル(LLM)白書 2023年版
(A4判/約1,180ページ)
https://www.x-sophia.com/?pid=177428071
※※ 各白書とも、英語版について近刊を予定している。
■内容編成(目次)■
序
第1章 大規模言語モデルの基本・体系
1-1 概説
[1] 概要
[2] 生成系と識別系の言語モデル
[3] LLMを取り巻く主要なトレンド
1-2 大規模言語モデル 概要
[1] 大規模言語モデルの仕組み
[2] 大規模言語モデルの主な構成要素
[3] LLMの種類
[4] 大規模言語モデルと生成系AIIの関係
[5] 大規模言語モデルの生成機構
[6] 大規模言語モデルの使用パターン
[7] 大規模言語モデルの利点
1-3 規範的な言語モデルのタイプ別特性
[1] 大規模言語モデル
[2] ファインチューニングされた言語モデル
[3] マルチモーダリティ
[4] エッジ言語モデル
[5] フォワード言語モデルとバックワード言語モデル
[6] 将来への展望
1-4 大規模言語モデルの体系
[1] 事前学習(Pre-training)
[2] 時系列に対する事前学習
[3] 時系列を用いた対照学習
[4] ニューラルネットワークとLLM
[5] トランスフォーマー・モデル アーキテクチャ
[6] アテンション(注意)メカニズム/アテンションの可視化
[7] LLMの用途と種類
[8] LLMの応用パターン
[9] 多言語言語モデルの基本
[10] ホワイトカラーの仕事を変える大規模言語モデル
1-5 機能別の特性
[1] コンテクスト学習/インコンテクスト学習
[2] CoT(思考の連鎖)
[3] プロンプトエンジニアリング
[4] Zero-Shot/Few-Shot/K-Shot
[5] CodexとInstructGPT
[6] ユーザーのフィードバックからの強化学習(RLHF)
[7] コンテクストとデータソース
[8] 外部知識ベース/ベクトルデータベース/ベクトルストア/ベクトルデータベース
[9] セマンティック検索/類似検索
[10] フレームワークのライブラリ(SDK)
[11] RAG(Retrieval-Augmented Generation)
[12] ファクト・グラウンディング
[13] システムメッセージの使用
[14] マルチモーダル機能
[15] 外部ツールへのアクセス許可
[16] 前処理/事前学習/トレーニング/ファインチューニング
[17] ファインチューニング(微調整)
[18] 評価と展開
1-6 トランスフォーマーモデルおよびアプリケーション
[1] 機械翻訳
[2] テキスト生成
[3] 感情分析
[4] 質問応答
[5] 固有表現認識
[6] 音声認識・合成
[7] 画像キャプション
第2章 大規模言語モデル(LLM)の活用パターン・潜在的な可能性
2-1 LLMの開発競争
2-2 LLMの活用
[1] 記事の作成
[2] 草稿
他
2-3 大規模言語モデル(LLM)の企業への導入
[1] エンタープライズLLMアプリ
[2] エンタープライズ LLMOps - LLM の微調整
[3] マルチエージェント LLM オーケストレーション
[4] ブラックボックスLLM API
2-4 大規模言語モデルの潜在的な可能性
[1] LLMの性能拡張
[2] コンテクスト性/トランスフォーマー・アーキテクチャー
[3] 予測可能性/予測精度の高さ
[4] 人間の神経細胞の模倣/人工神経回路を追及する先端LLM
[5] 英語以外の言語用のLLMの構築
2-5 LLMが作成した疑いのあるコンテンツの取り扱い
[1] LLMの短期トレーニングとスケーリングの法則
[2] 学習データ
[3] 言語モデルの本質
[4] 言語モデルの機械学習
2-6 LLMの理論的支柱を形成してきた重要論文(24論文)
[1] まえがき
[2] 主要なアーキテクチャとタスク
[3] スケーリングと効率性の向上
[4] 言語モデルを意図した方向へ誘導する
[5] 人間のフィードバックによる強化学習(RLHF)
第3章 LLMの課題・リスク対策
3-1 概況・近況
[1] 概況
[2] 大規模言語モデルの利用に対するWHOの懸念
3-2 学習データの偏り
3-3 フェイクニュースの生成、誤情報の拡散、世論操作の可能性
3-4 透明性の欠如
3-5 言語と文化的バイアス
3-6 プライバシーとデータセキュリティ
3-7 著作権侵害問題
3-8 言語モデルトレーニングで記事や画像のスクレイピングを巡る法廷闘争
3-9 幻覚/人工幻覚
[1] 概説
[2] LLMの幻覚回避策/データからメタデータへ
3-10 LLMの監査プロセスの構築
3-11 膨大なメモリと計算能力
3-12 スループット指向の生成推論
3-13 逆スケーリングを示すタスクの問題
3-14 LLMのAPIを利用するためのコスト
第4章 LLM関連投資動向・スタートアップ動向
4-1 LLM関連スタートアップ動向/投資殺到
[1] 大規模言語モデルの台頭とAI投資
[2] AI・LLMと投資のスクランブル交差点
[3] ポートフォリオを最適化するためのLLM取引戦略とアルゴリズムの使用
[4] LLM銘柄への投資における考慮事項
[5] 東京大学・松尾研発発のAIスタートアップ 「Deepreneur」 LLMのビジネス実装推進/Deep30から資金調達を実施
第5章 プロンプトエンジニアリング/プロンプト最適化/新しいプロンプティング方法
5-1 プロンプト・エンジニアリングのタイプ別特性
[1] 概要
[2] 静的プロンプト
[3] 文脈に応じたプロンプト
[4] プロンプトテンプレート
[5] プロンプト連鎖
[6] プロンプト・チェイニング
[7] プロンプトパイプライン
[8] 生成AIプロンプト・パイプライン
[9] エージェント型プロンプト
[10] 思考の連鎖プロンプト
5-2 LLM埋め込みと微調整技術によるプロンプト・エンジニアリング
[1] プロンプトエンジニアリングにおけるLLMの組み込み
[2] プロンプトエンジニアリングにおけるファインチューニング(微調整)
[3] LLMエンベッディングとファインチューニング: 相乗効果のあるペア
5-3 プロンプトエンジニアリングの高度な技法
[1] まえがき
[2] フューショット・プロンプト
[3] 思考連鎖プロンプト
[4] 自己一貫性プロンプト
[5] 知識生成プロンプティング
[6] プログラム支援言語モデル(PAL)
[7] ReAct(推論トレースとアクションをインターリーブで生成するフレームワーク)
[8] ReActとPAL
[9] 自動プロンプトエンジニア
5-4 ドメイン固有のLLMの開発に係る問題
[1] 概説
[2] 事前に訓練された言語モデルLMからドメイン固有の知識を取得「SwitchPrompt」
5-5 プロンプト最適化アプローチ
[1] 概説
[2] 強化学習(RL)を用いた新しいプロンプト最適化アプローチ 「RLPrompt」
5-6 LLMにおけるシンプルなプロンプティングアプローチ課題
[1] 概説
[2] 強化学習(RLHF)トレーニングで訓練されたLLMにおけるシンプルなプロンプティングアプローチ
5-7 LLMの誘導最適化のためのプロンプティングフレームワーク
[1] 概説
[2] LLMの誘導最適化のための新しいプロンプティングフレームワーク 「Directional Stimulus Prompting(DSP)」
5-8 プロンプトに含まれる比喩表現を反映した画像生成を可能にするフレームワーク
[1] 概説
[2] 生成したプロンプトを用いて既存モデルに出力させた画像と比較する検証
5-9 ハードプロンプトの最適化
[1] 概説
[2] 連続エンベッディングを利用したテキスト用勾配最適化ツールによる難しいプロンプトの最適化
5-10 プロンプトベースのインコンテクスト学習
[1] 概説
[2] プロンプトベースのインコンテクスト学習をアルゴリズム学習問題と統計的観点からの提示
5-11 外部メモリで補強されたLLM
[1] 概説
[2] Google Brain/アルバータ大学 「LLMへの外部読み書き可能メモリ追加しによるアルゴリズムエミュレートの検証」
5-12 自然言語を超えるLLMをプロンプト化に関する建機
[1] 概説
[2] Microsoft AI Research 「自然言語を超えるLLMをプロンプト化するeXtensible Prompt(X-Prompt)の提唱」
5-13 Google 最適化ツールとして活用する手法 「Optimization by PROmpting(OPRO)」
5-14 特許評価システムとプロンプト最適化の研究開発
5-15 プロンプトエンジニアリングの諸課題
第6章 LLMのファインチューニング
6-1 概説
[1] 概要
[2] LLMを微調整する8大メソッド
6-2 特定のタスクに適合するためのLLMの微調整
6-3 APIの利用
[1] OpenAI 「GPT-4」「DALL・E」「Whisper」などのAPI一般提供
[2] OpenAI 「GPT-4」のAPIを一般提供開始/旧モデルの非推奨化の発表
6-4 強化学習(RLHF)を利用して用途に応じたLLMの生成
6-5 LLMを強化学習エージェントの方策として使用したGLAM(Grounded LAnguage Models)手法
6-6 暗黙のメタ最適化プロセスとチューニング 「Few-Shot Prompting」
[1] LangChainによる大規模言語モデルのファインチューニング
[2] QLoRa:大規模な言語モデルをGPUで微調整する
6-7 大規模な拡散モデルと効果的な微調整技術
[1] 概説
[2] Huawei Noah's Ark Lab 「大規模拡散モデルを効率的に微調整するDiffFitを発表」
第7章 事前学習・事前訓練されたファウンデーションモデルとLLM
7-1 概説
[1] 概要
[2] Pathways Language Model(PaLM)
[3] Chinchilla
[4] Galactica
[5] BioMedLM
[6] GLaM(Generalist Language Model)
7-2 事前学習されたLLMの制御および追加入力条件をサポートするためのニューラルネットワーク構造
[1] スタンフォード大学 「ControlNet」
[2] スタンフォード大学 「言語モデルプリトレーニングのためのスケーラブルな2次最適化ツール」
7-3 事前学習を自己教師対照学習で初めて現実化した時間-周波数整合性(TF-C)
[1] 概要
[2] 問題定式化
[3] 提案手法
[4] 1対多の事前トレーニング評価
[5] 切り分け研究
第8章 エンタープライズ LLM/LLMの導入における基盤モデルと自社開発のバランス
8-1 ビジネスへの実用的な応用を考えた場合のLLMの課題点
8-2 LLMの微調整とエンタープライズ LLMOps
[2] MLOps
[3] LLMの導入における基盤モデルと自社開発のバランス
[4] LLMモデル開発のアプローチ別特性
[5] LLMOpsのワークフロー
8-3 企業データのLLM微調整とプライベートGPT
第9章 有償LLMとオープンソースLLM:比較・考慮事項
9-1 概説
9-2 企業でLLMを活用するための適切なアプローチ決定方法
[1] 概説
[2] ChatGPTとオープンソースLLMの戦略的選択
[3] ChatGPTとオープンソースLLMのコスト比較
[4] 大規模言語モデルのオープンソース化
[5] オープンソースLLM:オープンソースモデルを展開するためのアーキテクチャ
[6] QLoRAのような量子化モデルの使用
第10章 LLMの能力を向上させるアーキテクチャ/フレームワーク上の課題
10-1 概説
10-2 スケーリング効率の課題
10-3 数学的推論問題におけるLLMの性能を向上させる技法
[1] 概説
[2] マイクロソフト 「数学的推論問題におけるLLMの性能を向上させる技法:MathPrompter」
10-4 Meta 「次世代AIアーキテクチャ:Megabyte」
10-5 ヒューマン・イン・ザ・ループ・システムのアプローチに関する研究
[1] 概説
[2] UCバークレー校研究グループ 「あらゆる形態のフィードバックから学習することを可能にするChain of Hindsight(CoH)技術」
10-6 LLMの推論を向上させる合成プロンプティング手法
10-7 グロッキングと位相変化(長時間経過後に未見のデータへの汎化を行う現象)
10-8 LLMのデコード性能向上
10-9 投機的サンプリング(SpS)アルゴリズム
10-10 パラメーターのコンパクト化によるレスポンス/電力消費/サーバコストを抑制
[1] NEC 「130億パラメーターの軽量さと高い日本語能力をうたうLMMを開発」
第11章 LLMの能力を向上させる文脈内学習(インコンテクスト)のアプローチ
11-1 概説
[1] イン・コンテクスト学習の概要
[2] コンテクストの長さとコンテクスト構築の最適化
11-2 トランスフォーマーベースのニューラルシーケンスモデルによる文脈内学習。
11-3 心の理論(ToM)推論/LLM性能を向上させる適切なプロンプトに関する研究
[1] 概説
[2] ジョン・ホプキンス大学 「心の理論」(ToM)推論/LLM性能を向上させる適切なプロンプトに関する研究成果」
11-4 大規模な言語モデルを誘導するためのアクティブプロンプティング
11-5 RLHF(人間からのフィードバックを用いた強化学習)
11-6 推論中の指示に従う文脈内学習学習
[1] 概説
[2] KAIST/LG Researchの研究グループ 「推論中の指示に従うことを文脈内学習で学習するICIL(In-Context Instruction Learning)」
11-7 外部コーパスからの取得なしでより正確な事実知識を生成するモデル
[1] 概説
[2] Google Brain 「外部コーパスからの取得なしでより正確な事実知識を生成:RECITE」
11-8 外部ドキュメントの取得に代わって文脈でドキュメントを直接生成する技術
[1] 概説
[2] generate-then-readプロセスによるGENREAD
11-9 LLMを使ったAIエージェント構築のための次世代コンテクスト検索システム/ニューラルデータベース
[1] エンベッディングの維持、保存、検索の難しさ
[2] エンベッディングやANNに対するニューラル・データベースの主な利点
[3] ThirdAIの違い
第12章 LLM増強自律エージェントの進化/ゴール指向エージェント
12-1 概説
12-2 AutoGPT
12-3 セールスフォース 「LLM増強自律エージェントの進化と革新的なBOLAA戦略」
第13章 LLMの推論能力・推論能力強化
13-1 概説
[1] 概要
[2] Chain-of-Thought(CoT)
[3] Self-consistency with CoT(自己整合型COT)プロンプト
[4] CoT-SC(思考連鎖による自己一貫性)
[5] LLMが自らの論理的整合性をチェックするためのフレームワーク「LogiCoT」
[6] Google/東京大学/北京大学/マイクロソフト 「LLMで困難な多段階問題を解決するためのプロンプティング技法/ゼロショットCoT他」
[7] Tree of Thoughts(ToT)
[8] ToTの戦略・実装
[9] ToTにおける主な検索アルゴリズムと特性
13-2 マイクロソフト 推論能力を強化するための新しい方法論の提唱 「AoT(Algorithm of Thoughts)」
[1] 概要
[2] AoTの特徴・手法
第14章 LLMによる認知的自動化に関する研究開発
14-1 概要
14-2 アイデアの創出・選択・開発/ブレインストーミング
14-3 テキスト作成/編集/文章要素の評価
14-4 文献検索
14-5 学習アシスタント
14-6 調査・分析/コーディング/数学的導出などの研究ツール
第15章 性能の良いモデルの学習/モデル学習の合理化/展開時の生成速度の向上
15-1 概説
15-2 新たな学習データを必要とせず、わずか数個の例から新しいタスクを学習できるモデル
15-3 データセット蒸留による大規模モデル学習の合理化
15-4 Meta AI 「マルチスケールデコーダアーキテクチャ「MEGABYTE」を提唱」
第16章 LLMとロボティクスの結合
16-1 概況・近況
16-2 LLMを使ったロボット工学におけるイノベーション
[1] 概説
[2] グーグル 「LLMを使ったロボット工学における最新のイノベーション:PaLM 2」
16-3 生成系AIのロボットアプリケーションへの適用
[1] 概説
[2] マイクロソフト 「ChatGPTのロボットアプリケーションへの使用に関する実験的研究」
16-4 LLMとロボットを融合させたグーグルの新型ロボット「RT-2」
16-5 マルチモーダル言語モデル「PaLM-E」とロボティクス
16-6 LLMによる未知知のシーンにゼロショットで行動を移せるロボット新システム
[1] 概説
[2] Meta AI 「GenAug」
16-7 Google DeepMind 「視覚と言語を行動に変換する視覚言語アクション(VLA)モデル「RT-2」
16-8 LLMによるロボットの多様な動作生成
第17章 LLMとスーパーコンピュータ・量子コンピューター関連技術
17-1 スーパーコンピュータによる大規模言語モデルの研究開発
17-2 スーパーコンピュータ「富岳」政策対応枠における大規模言語モデル分散並列学習手法の開発について
17-3 ChatGPTによる量子プログラミング
[1] 概説
[2] ChatGPTの世界における量子の役割
[3] 量子機械学習(QML)アルゴリズム
[4] ChatGPTと量子の統合における現在の限界
[5] 量子エラー訂正
[6] フォールト・トレラントな量子コンピューターと量子制御
17-4 LLMと量子コンピューター関連技術による大規模高速高精度なガントチャート生成
第18章 メモリ増強・メモリ削減LLM/限られたGPUメモリでLLM高スループットで処理する生成エンジン
18-1 グーグル・ブレイン/アルバータ大学 「メモリ増強LLMでLLMにおけるブレークスルーを起こす」
18-2 枝刈りアルゴリズムによるメモリ使用量削減
18-3 UCB/スタンフォード大学/CMU/Meta他 「FlexGen」
18-5 NVIDIA GPUのスケーラリビティを活用した新たな可能性
第19章 大規模言語モデル学習の各種実証的分析
19-1 計算最適な大規模言語モデル学習の実証的分析
19-2 スタンフォード大学 「LLMの推論コストを110倍削減する新しいAIアプローチ」
19-3 OPT-175Bによる大規模言語モデルへのアクセスの民主化
19-4 LLMがパラメータから知識を抽出する方法に関する研究
19-5 計画問題の自然言語記述に関する研究
19-6 メタ認知プロセスが可能なLLMの自己改善能力を実証する研究
19-7 メタ認知をさせてLLMの能力を上げる手法 「メタ認知プロンプティング」
第20章 大規模言語モデルの課題と解決のアプローチ
20-1 プロンプトパラダイムに関するReWOO(Reasoning WithOut Observation)の提案
20-2 人工幻覚(AIによる真実ではない確信的な応答問題)
[1] 概説
[2] 幻覚の軽減と測定
[3] 幻覚を見ている人工知能を見抜く方法
20-3 強化学習(RL)アルゴリズムによる結果の正確度合いのスコア化
[1] 概説
[2] 人間の指示によりよく沿うように提案された新しいLLMアルゴリズム 「HIR」
20-4 説明によって意思決定時のAIシステムへの過度な依存を軽減するアプローチ
[1] 概説
[2] スタンフォード大学 「意思決定AIシステムの戦術的判断をコスト・ベネフィット・フレームワークで定式化・検証」
20-5 Eleuther AI、FAR AI、ボストン大学、トロント大学、UCバークレー校 「チューニングレンズによるロジットレンズ問題の解決」
第21章 大規模言語モデルに関連した最新研究・新たな取り組み[1]
21-1 自動運転大規模言語モデル研究(中国):コンピュータビジョン世界最高峰の学会で最優秀賞
21-2 LLMによるインテリジェントな質問応答システム
[1] 概説
[2] 質問応答とトランスフォーマー
21-3 自律型エージェントにおける目標への合致をチェックする技法
[1] 概説
[2] スタンフォード大学/DeepMind 「LLMを代理報酬関数として利用するアプローチの提唱」
21-4 自己フィードバックにより強化された反復的な自己修正型LLM。
[1] KAIST研究チーム 「自己フィードバックと自己修正生成型に設計されたSelFeeモデルを発表」
21-5 多段階の推論を必要とする構成的課題を解くためのトランスフォーマーの研究
[1] 概説
[2] 合成タスクにおけるLLMの限界と能力を改善する方法
21-6 言語モデルのプロンプト圧縮を効率化する新技法
[1] 概説
[2] スタンフォード大学研究者 プロンプトを圧縮するための新しい技術「gisting」
21-7 LLMによるマインクラフトの探索でゲームの達人になるAIモデル「Voyager」
21-8 強化学習を使わずに嗜好から言語モデルを学習させる学習パラダイム
21-9 逆スケーリング(モデルサイズの増加に伴う出力低下)問題への対処
[1] エディンバラ大学/ヘリオット・ワット大学 「新しい種類の逆スケーリングジョブ技法の提案」
[2] メリーランド大学 「決定論的摂動による拡散モデル:Cold Diffusion」
21-10 ミッションクリティカルなタスクの性能を向上させるモジュールによる外部知識に基づく応答の実現
[1] 概説
[2] マイクロソフトとコロンビアの研究グループ 「LLM-AUGMENTER」
21-11 大規模な言語モデルの推論と最適化
[1] 概説
[2] 100B以上の言語モデルを実行できるオープンソースAI 「Petals」
21-12 純粋な生成型AIモデルよりも信頼性が高く、説明責任の要求おを充たす検索結果の表示
[1] 概説
[2] Google/Brave Search(推論効率を最大化するために微調整された独自の非公開モデル)
21-13 巨大なデータベースをマイニングして新たな洞察を得るための方法
[1] 概説
[2] カリフォルニア大学バークレー校 「言語記述を用いたテキスト分布間の差異の目標駆動型識別」
21-14 マルチモーダル思考連鎖推論による新しいLLMモデル/思考連鎖(CoT)プロンプト
[1] 概説
[2] Amazon 「Multimodal-answer CoTの推論と推論生成」
21-15 LLMに3D世界を導入する試み 「3D-LLM」
21-16 意思決定問題に言語からの背景知識を統合するアプローチ
[1] 概説
[2] MIT 「言語モデルからの確率的プリオ抽出・背景知識の統合:LAMPP」
21-17 高効率かつ安定的に学習させる言語モデルの手法
[1] 概説
[2] Google AI Research 「22BパラメータViT(ViT-22B)を高効率かつ安定的に学習させる手法」
21-18 状態空間モデル(SSM)とトランスフォーマー言語モデル
[1] 概説
[2] スタンフォード大学 「状態空間モデル(SSM)とトランスフォーマー言語モデルの注意メカニズム間のギャップ解決」
21-18 ?大規模言語モデルの「創発的」能力
21-19 LMのスケーリング(規模)能力と予測不可能性の関係
21-20 手作業によるラベリングを大規模に置き換える言語モデル
第22章 大規模言語モデルに関連した最新研究・新たな取り組み[2]
22-1 ローコードLLMによる人間とLLMのインタラクションパターン
22-2 生成モデル(GPTなど)の推論効率のボトルネック解消技術
[1] 概説
[2] Microsoft Research 「生成モデルの推論効率のボトルネック解消技術」
22-3 チャート理解、グラフのデレンダリング、数学的推論を大幅に改善するLLM
[1] 概説
[2] Google AI 「チャート理解、グラフのデレンダリング、数学的推論を大幅に改善するモデルを提唱」
22-4 知識グラフ抽出のためのLLMオントロジー・プロンプティング
22-5 モデル表現から知識を検出する教師なし手法
[1] 概説
[2] UC Berkeley/北京大学 「コントラスト一貫性探索(CCS)」
22-6 インストラクションのチューニング方法
[1] 概説
[2] 創発的かつ最先端の結果に焦点を当てたデータ収集とインストラクションチューニングプロセスに適用する手法
22-7 セマンティック検索モデル/構造化データと非構造化データ
[1] 構造化データと非構造化データ
[2] テキストからSQLへ
[3] セマンティック検索埋め込みモデル
[4] LLMによる構造化データと非構造化データのクエリ/テキストからSQLへの構造分析とセマンティック検索
[5] 非構造化テキストを効率的にセマンティック検索するNeo4j
22-8 LLMによる文書検索と質問応答
[1] 概説
[2] 検索補強生成(Retrieval Augmentation Generation)/生成的質問応答(Generative Question Answering)
22-9 ビデオ言語モデル(VidLM)の改善
[1] 概説
[2] UIUC/UNC研究グループ 「VidLMにアクション知識をパッチする独自のフレームワークを提唱」
22-10 生成タスクにおける拡散モデルの適用
[1] 概説
[2] MIT 「デノイズスコアマッチングの分散を減らし、画質、安定性、拡散モデルの学習速度を向上させるモデル」
22-11 3Dシナリオを写実的にデジタル表現するためのニューラルネットワーク
[1] 3D環境を自然言語で説明することとNeural Radiance Fields(NeRF)
[2] カリフォルニア大学バークレー校 「視覚言語モデルの言語埋め込みをNeRFに組み込むためのLERF(Language Embedded Radiance Fields)」
22-12 モバイルUIで会話型インタラクションを可能にするLLM
22-13 Chain-of-Thought推論(論理・算術・象徴的な推論タスクでより優れた推論を描写するアプローチ)の導入
[1] LLMにCoT(Chain-of-Though)推論導入による性能の向上
[2] 思考連鎖推論により言語モデルのゼロショット学習と数ショット学習を強化する命令データセット
22-14 LLMのゼロショット性能を改善するための軽量かつ多用途なアプローチ
[1] 概要
[2] Microsoft 「UPRISE」
22-15 Adamの2倍の速度でLLMを解くことができる新しい2次オプティマイザ
22-16 特定のタスクに適したインターフェース設計/インターフェース増強法
[1] 概説
[2] 中国人民大学/中国電子科技大学 「構造化データに対するLLM推論能力を向上させるStructGPTを提唱」
22-17 LMQL(言語モデル相互作用のためのプラットフォーム)
[1] LLMインタラクションのためのオープンソースプログラミング言語とプラットフォーム 「LMQL」
[2] LMQL
第23章 主な大規模言語モデル[1]
23-1 GPT3/GPT4
23-2 GPT-Neo/GPT-NeoX/GPT-NeoX-20B
23-3 GPT-J
23-3 GPT4All
23-4 BERT
23-5 LLaMA(Large Language Model Meta AI)
23-6 PaLM/PaLM 2
23-7 Gemini
23-8 LaMDA(ダイアログアプリケーション用言語モデル)
23-9 LLaMA(Meta)
23-10 MT-NLG(DeepSpeedとMegatronを搭載したメガトロン・チューリング自然言語生成モデル)
23-11 Bard
23-12 Google AI 「SoundStorm」
23-13 Meta 「OPT-IML」
23-14 Meta AI 「LLaMA」
23-15 Meta AI 「MultiRay」
23-16 NVIDIA 「megatron-turing-NLG」
23-17 Intel 「Aurora genAI」
23-18 DeepMind 「Gopher」
23-19 DeepMind 「Chinchilla」
23-20 DeepMind 「Sparrow」
23-21 Salesforce AI 「コードインテリジェンスタスクのLLM統合:CodeTFライブラリ」
23-22 Salesforce AI 「テキストから画像への拡散生成を行う新しい編集アルゴリズム:EDICT」
23-23 Salesforth AIリサーチ 「画像エンコーダとLLMからブートストラップする視覚・言語事前学習戦略:BLIP-2」
23-24 MosaicML Foundation 「MPT-7B」
23-25 Amazon 「Alexa AI/AlexaTM 20B」
23-26 Amazon Web Services(AWS) 「Bedrock」
23-27 ファーウェイ 「Pangu-α/ファーウェイ 「Pangu-Σ」
23-28 ファーウェイクラウド 「自動車向け・医療向けの大規模言語モデル」
23-29 バイドゥ 「Ernie Bot」
23-30 バイドゥ 「Ernie 3.0」
23-31 Alibaba AI Research 「テキスト、画像ペアで学習させた50億パラメータ制御可能な拡散モデル:Composer」
23-32 Google、NVIDIA、Salesforce、Meta、Apple、Amazon、AI2による2022年の人工知能(AI)研究の革新性
第24章 主な大規模言語モデル[2]
24-1 スタンフォード大学 「Alpaca」
24-2 Falcon
24-3 Claude
24-4 BLOOM
24-5 mT5
24-6 RedPajama 「RedPajama-INCITE」
24-7 Jurassic-1
24-8 LangChain
24-9 Together 「オープンソースのChatGPT代替ツール:OpenChatKit」
24-10 LangFlow
24-11 PaLM-E(ロボット操作などのタスクで強い推論能力を発揮するエンボディド・マルチモーダル言語モデル)
24-12 Falcon LLM
24-13 Stable Diffusion 「StableLM」
24-14 BlenderBot-3
24-15 LG AI Research 「Exaone」
24-16 StarCoder(最大規模のオープンソースの大規模コード用言語モデル)
24-17 ChatLLaMA(強化学習(RLHF)に基づくLLaMAの最初のオープンソース実装)
24-18 OPT(Open Pre-trained Transformer)
24-19 BLOOMChat(多言語チャット大規模言語)
24-20 セレブラス・システムズ 「Cerebras-GPT」
24-21 ニューラルグループ 「NEURAL LLM」
24-22 中国科学院/清華大学の研究チーム 「GPT-4を上回る性能をうたうAI「Xwin-LM」」
24-23 オープンソースの主な大規模言語モデル
[1] GPT-Neo、GPT-J、GPT-NeoX
[2] XLNet
[3] RoBERT
[4] DeBERTa
[5] XLM-RoBERTa
[6] DistilBERT
24-24 日本独自LLMの研究・開発を巡る主な動き
[1] 概要
[2] 日本経済団体連合会 「AI活用によるSociety 5.0 for SDGsの実現に向けて」。
[3] NTT
[4] サイバーエージェント
[5] ソフトバンク
[6] LINE
[7] オルツ
[8] 富士通・理研
[9] ABEJA
[10] rinna
[11] さくらインターネット
他
第25章 LLMのためのAIフレームワーク
25-1 概説
25-2 シンボリックAIとLLMの長所を組み合わせた強力なフレームワーク「SymbolicAI」
25-3 Open AI 「生成・拡散モデルファミリー:Consistency Models」
25-4 プロンプトエンジニアリングの最適化と改善
[1] 概説
[2] Microsoft AI Research 「LMプロンプトを自動最適化するためのシンプルで汎用的なフレームワーク」
25-5 AIガバナンスに不可欠なアプリケーションレベルの監査・監査制御
[1] AIガバナンスの仕組みとして監査が期待される背景
[2] スタンフォード大学 「自然言語クエリを処理するLLM APIのためのAIフレームワーク」
[3] ガバナンス、モデル、アプリケーションの各レベルでLLMを監査するためのポリシーフレームワーク
25-6 GPUアクセラレーションで幅広いクラスのプラットフォームに対応するオープンフレームワーク
[1] 概説
[2] GPUアクセラレーションで幅広いクラスのプラットフォームに対応するオープンフレームワーク 「MLC-LLM」
25-7 推論プログラムの中間段階を迅速に生成するLLMを使用するフレームワーク
[1] 概説
[2] マイクロソフト/メタ/ワシントン大学/カリフォルニア大学/アレンAI研究所 「Automated Reasoning And Tool-Use (ART)」
[3] マイクロソフト 「クロスリンガルなニューラルコーデック言語モデル:VALL-E X」
25-8 テキスト説明から完全な動画を作成できるソフトウェア
25-9 インストラクションチューニングされたドイツ語LLMファミリー 「IGEL」
25-10 AIモデルの接続やAIタスクを解決する拡散モデル/フレームワーク
[1] 概説
[2] 様々なAIモデルの接続やAIタスクを解決するフレームワーク 「HuggingGPT」
[3] テキストガイド付きビデオ編集のための拡散モデル・AIフレームワーク 「Dreamix」
25-11 エージェント同士をタスク完了に向けて自律的に行動させるフレームワーク
[1] まえがき
[2] Role-Playing Framework
[3] Inception Prompting
[4] Experiments
25-12 スタンフォード大学Alpaca研究グループ 「命令追従型LLaMAモデルの微調整のための軽量適応法:LLaMA-Adapter」
25-13 トランスフォーマーのための多人数計算(MPC)でプライベート推論を可能にするモデル
[1] 近似値への置き換えによるMPC推論処理の高速化
[2] プライバシー、推論レイテンシにおいてバランスのとれた性能を達成するMPCFormer
第26章 自然言語処理関連の言語モデル・フレームワーク
26-1 概説
26-2 自然言語処理モデルの事前学習とT5(Text-To-Text Transfer Transformer)
26-3 ChatGPTの推論・対話機能をNLPアプリケーションに活用する方法
26-4 文脈内学習を持つLLM・AIフレームワーク
[1] 概説
[2] Microsoft/UT Austin研究グループ 新しいモデルアーキテクチャ 「Prompt Diffusion」
26-5 対話型解決エージェントで大規模言語モデル補完を強化するAIフレームワーク 「DERA」
[1] 概説
[2] 対話型解決エージェントで大規模言語モデル補完を強化するAIフレームワーク 「DERA」
26-6 CMU研究グループ 「コードドキュメントの取得による自然言語によるコード生成アプローチ:DocPrompting」
26-7 GLaM(エキスパート混合による言語モデルの効率的スケーリング)
26-8 PaLM(パスウェイ言語モデル)/Palm2
[1] 概説
[2] 新しいGoogle AIレポートでは、新しいPalm2大規模言語モデルを可能にしたデータの改善とスケーリングの洞察が示されている。
26-9 「転移学習」を利用した機械学習モデル・自然言語処理AI
[1] 概説
[2] Google 「新たな自然言語処理AI:T5」
26-10 推論と演技を相乗させるためのAIモデル
[1] 概説
[2] プリンストン大学/Google AI 「ReAct」
26-11 検閲に対応し、有害・不快なコンテンツを生成させない安全ルールを備えたLLM
[1] 概説
[2] スタンフォード大学研究グループ 検閲対応/有害・不快コンテンツを生成させない安全ルールを備えたLLM 「FreedomGPT」
26-12 レコメンデーション技術とLLM
[1] 概説
[3] ユーザーフィードバックに基づくリアルタイムに近いモデル更新
[3] Bytedance 「Monolith」
26-13 高品質なラベル付きデータっを必要とする自然言語処理アプリケーション
[1] 概説
[2] チューリッヒ大学研究グループ 「MTurkアノテーションを上回る性能を見せたゼロショットChatGPT分類」
26-14 Meta 「4000言語の話し言葉を理解する多言語LLM「MMS」のオープンソース化」
26-15 多言語LLM
[1] 概説
[2] チューリッヒ大学 「多言語言語モデル「SwissBERT」を開発」
[3] Phoenix
26-16 生成系AIとの対話を支援するビジュアルファウンデーションモデル
[1] 概説
[2] Microsoft Research 「ChatGPTとの対話を支援するビジュアルファウンデーションモデル:Visual ChatGPT」
26-17 インコンテクスト学習を行うことができるマルチモーダル大規模言語モデル
[1] 概説
[2] Microsoft Research 「インコンテクスト学習を行うことができるマルチモーダル大規模言語モデル:Kosmos-1」
26-18 世論測定の言語モデル
[1] 概説
[2] MIT/ハーバード大学 「メディアダイエットで学習した世論測定の言語モデルを発表」
26-19 生成を3倍高速化する信頼性適応言語モデリング
[1] 概説
[2] Google AI 「LLMによるテキスト生成を3倍高速化する信頼性適応言語モデリング:Confident Adaptive Language Modeling(CALM)」
26-20 脚本を生成する映画オーサリングツール
[1] 概説
[2] Deepmind 「脚本を生成する映画オーサリングツール:Dramatron」
26-21 スタンフォード大学 「自然言語クエリを処理するLLM APIのためのAIフレームワーク」
26-22 自然言語で携帯端末を操作するための学習データセット
26-23 自然言語処理システムの仕組みを変える検索拡張世代(RAG)
[1] 概説
[2] 大規模言語モデルにおけるいくつかの重要な課題に対処するRAG
[3] RAGシステムの潜在的なビジネスアプリケーションと影響
[4] 効率的なRAGパイプラインの実装
[5] RAGライブラリとフレームワーク
26-24 視覚言語モデルとその応用可能性
[1] 概説
[2] カリフォルニア大学バークレー校 視覚言語モデルの言語埋め込みのNeRFへの組み込み 「LERF(Language Embedded Radiance Fields)」
第27章 音声合成モデルとLLM
27-1 概説
27-2 Google AI 「翻訳したテキストと音声を同時に生成する大規模言語モデル:AudioPaLM」
27-3 Google AI 「最先端の音声モデルファミリ:Universal Speech Model (USM)」
27-4 CMU研究グループ 「多様な音声を扱う人間のような音声合成トレーニングのためのAIシステム」
27-5 Suno 「音声合成AIボイスクローンモデル:Bark」
第28章 AIアシスタント/テキスト生成/チャットボット関連のLLM
28-1オープンソースチャットボット
[1] 概説
[2] LLaMA-13Bをベースにしたオープンソースチャットボット 「Vicuna」
28-2 GPT-Turbo-3.5アシスタントスタイル生成の言語モデル 「GPT4All」
[1] 概説
[2] GPT-Turbo-3.5アシスタントスタイル生成の言語モデル 「GPT4All」
28-3 自動テキスト配信、チャットボット、言語翻訳、コンテンツ制作の開発・作成モデルの訓練および微調整 「xTuring」
[1] 概説
[2] ストキャスティック 自動テキスト配信、チャットボット、言語翻訳、コンテンツ制作の開発・作成モデルの訓練および微調整: 「xTuring
28-4 ChatGLM(中国人ユーザー向けに特別に設計されたチャットロボット)
第29章 ソフトウェア開発関連のLLM
29-1 コードによる複雑なアルゴリズムの自動実装と検証を可能にするAIフレームワーク LLM
[1] 概説
[2] スタンフォード大学 「Parse」
29-2 コーディング用大規模言語モデル
[1] Hugging Face 「コーディング用LLM:「StarCoder/StarCoderBase」
29-3 LLMのための許諾済みソースコード
[1] 概説
[2] BigCodeプロジェクト 「Stack」
29-4 自然言語のフィードバックでプログラム合成するソフトウェア開発技術
[1] 概説
[2] 自然言語のフィードバックでプログラム合成するソフトウェア開発技術
第30章 企業・産業におけるLLM活用法/LLMによる企業情報資産のコンテクスト化
30-1 概説
30-2 大規模言語モデル(LLM)と企業データとの関連付け
30-3 製造業における大規模言語モデル
30-4 セクター別に特化したLLM
[1] 概説
[2] 金融データで訓練された大規模言語モデル 「BloombergGPT」
30-5 企業独自LLMの開発
[1] リコー 「LLMをノーコードでカスタマイズできるツール」
第31章 画像・映像・アート系生成モデル/拡散モデル(DM)/潜在拡散モデル(LDM)
31-1 概説
[1] OpenAIによる画像合成で拡散モデルがGANに勝つ
[2] UC Berkeleyによる拡散確率モデルのノイズ除去
[3] DALL-E 2 by OpenAI
[4] Googleによる画像生成:Imagen
[5] コンピュータビジョンと学習グループ(LMU)による安定した拡散
[6] スタンフォード大学によるControlNet
31-2 画像生成・動画広告などで可能性が広がる拡散モデル(Diffusion Model)
[1] 拡散モデルの概要
[2] 架空のグラドル生成
31-3 医療画像の合成データの作成
[1] 概説
[2] スタンフォード研究グループ 「学習データが乏しい状況で高忠実度の合成データセットを生成する安定拡散モデル」
31-4 Generative Adversarial Networks(GAN)の目的・スケーリング
[1] 概説
[2] カーネギーメロン大学/アドービ・リサーチ 「テキストから画像への合成のための大規模な修正GANアーキテクチャ:GigaGAN」
31-5 言語と画像を使って既存の動画から新しい動画を生成する生成AIモデル
[1] 概説
[2] Stability Ai 「DALL-E 2、Stable Diffusionと事前に訓練されたニューラルネットワーク」
31-6 画像拡散モデルを使った動画編集モデル
[1] 概説
[2] 画像拡散モデルを使って動画編集を簡略化するモデル 「Pix2Video」
31-7 エンベッディング空間によるテキストから画像への生成
[1] 概説
[2] テキストから画像への拡散モデル
31-8 人間のフィードバックを利用してテキストから画像へのAIモデルを改善するアプローチ
[1] 概説
[2] Google/U.C.Berkeley 「人間のフィードバックによる強化学習(RLHF)」
31-9 生成トランスフォーマーによるテキストから画像への生成・編集モデル
[1] 概説
[2] Google AI 「マスク型生成トランスフォーマーによるテキストから画像への生成・編集モデル: Muse」
[3] Facebook AI Research 「視覚および視覚言語タスクの広い範囲をサポートするたモデル: X-Decoder」
31-10 3Dジオメトリとコンピュータグラフィックスアプリケーション
[1] 概説
[2] OpenAI 「テキストプロンプトに基づき3D画像を高速生成する機械学習システム:Point-E」
31-11 非拘束空間を限定空間に変換するスペースワープ技術
[1] 概説
[2] 新しいグリッドベースの映像合成システム「F2NeRF」
31-12 Stability AI 「標準的なPCで実行可能な画像生成系AI:Stabile Diffusion XL 0.9」
31-13 画像と交錯する自由形式のテキストを生成するAIモデル
[1] 概説
[2] CMU 「Frozen Large Language Models(LLM)を効率的にブートストラップ:FROMAGe」
31-14 生成系AIアートのパーソナライゼーション
[1] 拡散モデルを用いたText-to-Image生成
[2] Adobe Research モデルを完全に再トレーニングすることなく複数の新しい概念を学習する方法」
31-15 テキストから画像を生成する拡散モデルを調整する方法
[1] 概説
[2] 多様で制御可能な画像生成を可能にする統合AIフレームワーク 「MultiDiffusion」
[3] CMU研究グループ 「制御可能なフォトリアリスティック画像合成のための3Dを意識した条件付き生成モデル:Pix2pix3D」
31-16 事前に訓練された画像拡散モデルによる時間的にコヒーレントな動画生成
[1] 概説
[2] NVIDIA 「効率的で表現力豊かなテキストからビデオへの変換モデル」
31-17 未知物体の3D再構成とコンピュータビジョンにおける課題
[1] 概説
[2] Nvidia 「単眼RGBD映像からのニューラル・オブジェクト追跡と3D再構成を実行するBundleSDFの提供」
31-18 既存の視覚モデルや視覚言語モデルが苦手とする視覚課題の解決
[1] 概説
[2] Microsoft AI 「MM-REACT」(視覚プールを組み合わせてマルチモーダル推論・行動を実現するシステム)
31-19 動画の深層生成モデル
[1] 概説
[2] 動画の新しい生成モデルによるSOTAスコアの向上とGPUメモリ使用量の削減
31-20 テキストから4D(3D+時間)を生成するシステム
[1] 概説
[2] Meta AI 「テキストから4D(3D+時間)を生成するシステム」
31-21 3D生成モデル
[1] 概説
[2] 検索補強型視覚言語事前トレーニング
[3] Google AI 「チャート理解と数学的推論に革命を起こすMatChaとDePlotを提唱」
[4] Video-LLaMA:映像理解のための命令調整された視聴覚言語モデル
第32章 音楽・音響の生成モデル
32-1 テキスト記述から音楽を生成するAIモデル
[1] 概説
[2] テキスト記述から音楽を生成するAIモデル 「MusicLM」
32-2 音楽合成と音源分離の両方が可能な拡散ベースの生成モデル
[1] 概説
[2] ローマ大学GLADIA研究室 「Multi-Source Diffusion Model (MSDM)
32-3 歌の伴奏を生成するAIモデル
[1] 概説
[2] 歌の伴奏を生成するAIモデル 「SingSong」
32-4 オーディオ生成のための潜在拡散モデル
[1] 概説
[2] オーディオ生成のための潜在拡散モデル 「AudioLDM」
32-6 その他、主な生成系AIのモデル
[1] 概説
[2] MusicLM
[3] SingSong
[4] Moûsai
[5] AudioLDM
[6] EPIC SOUNDSデータセット
第33章 科学・学術研究用のLLM
33-1 医療教育、研究、実践における大規模言語モデルの例としてのChatGPTの有用性: 将来の展望と潜在的限界に関する系統的レビュー
[1] 概説
[2] 条件整備・方法
[3] 結果
[4] 医療におけるChatGPTの利点と限界/懸念のまとめ
[5] 対象記録の特徴
[6]ChatGPTの利点と医療教育、実践、研究における応用の可能性
[7] 収録された記録に基づく、医療教育・実践・研究におけるChatGPTのリスクと懸念事項
[8] 課題・将来の展望
33-2 文脈に基づく文献ベースの発見と科学的アイデアの支援
[1] 概説
[2] 文脈に基づく文献ベースの発見 「C-LBD」
33-3 単純な表現から分子の構造を推測する事前学習済みの人工知能AIモデル
[1] 概説
[2] IBM 「MoLFormer-XL」
33-4 生物医学の言語を解釈するために訓練された目的別AIモデル
[1] 概説
[2] スタンフォード大学/MosaicML 「PubMed GPT」
33-5 分子生物学における大規模言語モデル
[1] 概説
[2] 分子生物学における言語モデル/LLMの果たす役割
[3] ファウンデーションモデル
[4] LLMによるDNAのシーケンス解析
[5] 未来への展望
33-6 大規模な生物医学文献で事前学習されたドメイン固有の生成変換言語モデル
[1] 概説
[2] Microsoft Research 「BioGPT」
33-7 科学的ニューラルネットワークアシスタント 「Galactica」
33-8 LLMによるニューロン解析
[1] 概説
[2] OpenAI 「GPT-4によるニューロン解析の研究成果を公表」
33-9 生成系AIによる衛星データ活用の課題解決
[1] Solafune/マイクロソフト 「GPU(画像処理半導体)インスタンス(仮想マシン)の提供による生成系AIの衛星データ活用」
第34章 医療領域を支援する大規模言語モデル
34-1 概説
34-2 医療システム規模の言語モデル
[1] 概説
[2] メソッド
[3] 構造化されたデータセット
[4] ファインチューニング
[5] 展開
[6] 評価指標
[7] 他の言語モデルとの比較
[8] 機械学習モデルとの比較
34-3 医療領域を支援する大規模言語モデル 「Med-PaLM」
34-4 安定拡散ベースの大規模な胸部X線および放射線データセットで微調整するモデル
[1] 概説
[2] スタンフォード大学 「RoentGen」
34-6 ディープラーニングモデルによる個別化医療を支援
[1] 概説
[2] MIT 「電子健康記録から重要なデータを抽出するモデル」
34-7 LLMによる認知症予測
[1] 概説
[2] ドレクセル大学 「LLMによる自発的なスピーチからの認知症予測」
[3] デンマーク工科大学/コペンハーゲン大学病院 「LLMが医学的な質問について推論する能力の探求」
34-8 ヒポクラティックAI 「安全性に特化した言語モデル」
第35章 LLMプラットフォーム/LLMによるAIソリューション
35-2 Google 生成AIプラットフォーム 「Vertex AI」
35-2 事実の関連付けを効率的に検索・編集するためのLLMソリューション
[1] 概説
[2] ROME(Rank-One Model Editing)
[3] ChatGPTをクローンするオープンソースのAIソリューション 「ColossalChat」
]]>
2023-10-03T14:42:27+09:00
一般社団法人 次世代社会システム研究開発機構
-
https://www.x-sophia.com/?pid=177427870
生成AI白書 2023年版 PDF版
[出版日]
2023年10月10日
[ページ数]
A4判/約2,400ページ
(※ バインダー製本とPDF版では編集上の違いによりページ数が若干異なります。)
[発行<調査・編集>]
監修・発行: 一般社団法人 次世代社会システム研究開発機構
[レポート内...
[出版日]
2023年10月10日
[ページ数]
A4判/約2,400ページ
(※ バインダー製本とPDF版では編集上の違いによりページ数が若干異なります。)
[発行<調査・編集>]
監修・発行: 一般社団法人 次世代社会システム研究開発機構
[レポート内容]
■概要■
本白書は、生成AIが抱える多元的かつイノベーティブな緒テーマについて、国内外の主な論文/サーベイペーパー/ジャーナルの論考や報告を踏まえながら、最新データをもとに、その全容を体系的に組み立て、網羅的かつ詳細に解説したレポートである。
生成AIは膨大なデータリソース、情報資源、知識領域を統合し、人間の思考の複数の側面を模倣する能力により、トップレベルの人間集団のインテリジェンスさえ超える程度に多義的なものを扱うレベルに達しつつある。しかし、生成AIを組織的、効果的に活用するには、人間と言語モデルの対話パターン、プロンプトエンジニアリング、リスクコントロールを含め、慎重かつ迅速なノウハウの獲得が必要である。
そこで本白書では、おおまかに以下の状況認識のもとで、各章を構成している。
[1] 生成AIは、人工知能の最新のブレークスルーと世界的なデータ量の増加を背景に、一連の入力データ、非構造化データの学習、パラメータなどに基づいて新しいオリジナルコンテンツ生成、コーディング生成、データ生成、インフォマティクス等による設計や開発の効率化などをもたらしている。そして、生成AIが持つこうしたトランスフォーメーションによって、ワークスタイルの在り方をも変革することを目標に、多くの企業や団体が生成AIプロジェクトに注力している。
[2] 生成AIは、コンテンツ生成や情報資産効率化というカテゴリーに収まるきれるものではなく、さまざまなアプリケーションにアドオンすることで、大幅にインテリジェントな基盤と強化することができる機械学習/ディープラーニングのモデルでもある。
[3] 生成AIや大規模言語モデルは、ゼロから新しいモデルをトレーニングするよりもはるかに低い計算コストでファイン・チューニングを行い、特定のドメインにおけるパフォーマンスを向上させることを実証している。これにより、たとえば、設計文書、医療文書、法務文書などのデータセットで微調整し、それぞれの文書処理のための命令チューニングモデルを作成することができる。このモデルは、専門用語の理解、エンティティの識別、テキストからの関連情報の抽出に優れている。
[4] アニメーション、ゲーム、アート、映画、建築などの分野では、「DALL-E」、「Stable Diffusion」、「Midjourney」のような生成系モデルによって、ダイナミックなイノベーションを起こしつつある。
[5] 生成AIモデルは、GitHub CopilotやReplit Ghostwriterのようなツールによって、ソフトウェア開発のような複雑な分野で変革的な能力を示している。
[6] 生成AIモデルは、Azure、AWS、Nvidia、GoogleのようなAIクラウドプラットフォーム、NvidiaやGoogleのようなAIハードウェアメーカー、ChatGPTやBingのような消費者製品経由でのLLMへのアクセス、API経由でのLLMモデルへのアクセス、異なるソースから入力を受け、様々な形式の出力を生成するマルチモーダルモデルにブレークスルーを誘発する存在となっている。
[7] 生成AIモデルは、Hugging Faceのようなフルモデルにアクセスするためのオープンソースプラットフォーム、タスクを設定し、相互に作用することができるエージェントモデルなど、それぞれのドメインでは非常に活発でダイナミックな状況が形成され、既存モデルにブレークスルーを誘発する存在となっている。
[8] 今後、生成AIは、大規模な言語モデルだけでなく、多くの種類のモデルを構築するために使用され、その方法はますますマルチモーダルなものへ発展いくことが確実である。例えば、エンジニアリング、科学、化学、法務、教育、医療など、多くの分野に根本的な変化をもたらすだろう。
[9] その一方で、生成AIプロジェクトで課題を抱える企業も多い。そのため本白書では、以下の諸問題と対策、今後のシナリオなどについて具体的に掘り下げて論考している。
● 生成AIモデルにおける懸念点と目指すべき原則
● 生成AIの利用・開発で留意すべきリーガルリスク
● 権利侵害・プライバシー侵害などへの対策・検討
● サイバーセキュリティ対策
● 幻覚・AIのバイアス・偽情報の助長と防止対策
● デジタルクローニング/ディープフェイク対策、
● ドリフト問題、透明度低下問題、脱獄問題、データ汚染問題、過学習問題など
(他)
※ なお、「生成AI」というテーマは、複眼的、立体的な視点で解明し、アプローチすることで、より精確で深みのある理解が得られるものである。当団体でもそうしたコンセプトで本白書を編纂している。
そのため、以下の白書(ほぼ当団体よりほぼ同時期に発刊)がそれぞれ独立して編纂されながらも、4巻セットとしてシリーズ編成されている。まとめて全4巻を購入された場合、特別に半額の価格設定で提供している。
■ 大規模言語モデル(LLM)白書 2023年版
(A4判/約1,400ページ)
https://www.x-sophia.com/?pid=177427957
■ 機械学習/ディープラーニング(DL)/生成AI・大規模言語モデルと機械学習・DL白書 2023年版
(A4判/約1,400ページ)
https://www.x-sophia.com/?pid=177428005
■ 次世代NLP(自然言語処理)と大規模言語モデル(LLM)白書 2023年版
(A4判/約1,180ページ)
https://www.x-sophia.com/?pid=177428071
※※ 各白書とも、英語版について近刊を予定している。
■内容編成(目次)■
序
第1章 生成AI概説[1]
1-1 概況
1-2 生成AIの定義
1-3 生成AIの俯瞰的発展経過
[1] 生成AIで実現された主な手法
[2] 生成AIで実現された主な手法に関連した具体的な実装モデル
[3] 生成AIのイノベーションと分野別の波及効果
[4] 生成AIを巡る技術競争・産業地図
他
1-4 生成AIの基本的なフレームワーク/実装/拡張シナリオ
[1] 概要
[2] 生成AIの基本的な技術要素
[3] 生成AIのモダリティ、タイプ
[4] 生成AI(ChatGPT/GPT-4)と従来の言語モデルとの違い
[5] 生成AIの活用パターン
[6] 拡散モデル
[7] マルチモーダル生成への拡張・発展
1-5 生成AIがもたらすパラダイムシフト
[1] 生成AIのビジネス上の価値と企業・社会活動への直接的・潜在的な影響
[2] 生成AIがもたらすビジネス価値の源泉
[3] 生成AIが生産性に与える影響
[4] 産業界・研究活動への影響
[5] ジェネレーティブ・デザインによる研究・設計時間の短縮、シミュレーションとテストの改善
[6] バーチャル・エキスパートとしての生成AI
[7] エンジニアリングアシスタント/コーディングアシスタントとしての生成AI
[8] 知識労働に対する生成AIの持続的・潜在的影響の拡大
[9] 生成AIはB2BとB2Cの両サイドでの営業形態をトランスフォーメーションする
[10] 生成AIは小売・消費財の主要なバリュードライバーを支える
[11] パーソナライゼーション、コンテンツ生成によるマーケティング、営業生産性の向上
[12] 生成AIによるカスタマー・オペレーションとエージェント・エクスペリエンスの向上
[13] 対顧客対話パターンのトランスフォーメーション
[14] 金融・銀行業界に大きなインパクトを与える生成AI
[15] 医薬品・医療製品のバリュー・チェーン全体に影響を与える生成AI
[16] ビジネスと社会に求められる正確な理解と配慮
第2章 生成AI概説[2]
2-1 生成AIと大規模言語モデル(LLM)
[1] 生成AIが科学、工学にもたらすもの
[2] エネルギー効率の高いLLM
2-2 生成AIのためのインフラスタック、インフラツール
[1] 概説
[2] ファンデーションモデル
[3] オープンソース
[4] クローズド・ソース
[5] ファインチューニング
他
2-3 生成AIのライフサイクルパターン
[1] 概要
[2] 連鎖
[3] チューニング
[4] RAG
[5] FLARE
[6] 思考の木(ToT)フレームワーク
[7] 行動計画の作成、維持、調整
2-4 主たる論文/サーベイペーパー
[1] 構成的微調整・文脈内学習
[2] インコンテキスト学習(TICL)
[3] ショット学習
[4] 教師あり学習
[5] 検索拡張生成 (RAG)
[6] ファクトグラウンディング
[7] 思考の連鎖(CoT)
[8] 思考の木(ToT)
[9] 思考のグラフ(GoT)
[10] ReAct: 推論と行動
[11] タスクの連鎖の応用
第3章 生成AIの促進要因・支援スキーム/生成AIの評価・利用実態・市場動向
3-1 推進政策・規制緩和等
[1] 経済産業省 「生成AIの開発促進の目的で競争力ある基盤モデル開発を行う企業等への支援スキームの大枠決定」
[2] 政府 「AIに関する国内の研究開発強化を重点政策に」、「2024年度の政府全体の関連予算は前年度の2倍程度に拡充」
3-2 AI市場をけん引する生成AI/生成AIの市場動向
[1] 概況・近況
[2] 生成AIの成長を後押しする要因・要素
[3] アクセンチュア 「テクノロジービジョン2023の発表/生成AIの展開予測」
[4] ゴールドマン・サックスの市場分析
[5] バンク・オブ・アメリカ 「AI市場最新予測」/「最有力20銘柄リスト」
[6] ボストン・コンサルティング・グループ 「生成系AIの世界市場」
[7] Grand View Research予測
[8] the informationの市場分析
[9] 東京エレクトロン 「生成AI関連の需要動向分析」
[10] IDC Japan 「国内AIシステム市場の予測/生成AIの分析」
他
3-3 生成AIの評価・利用実態
[1] 全米経済研究所(NBER)の 「生成AIが企業間の格差を拡大する」
[2] 野村総合研究所(NRI) 「ChatGPTの利用動向調査」
[3] 日経BP社日経クロステック誌 「企業における生成AI活用とリスク対応の実態」
[4] Macbee Planet 「生成AIを活用中のマーケティング担当者を対象にマーケティングへの生成AI活用の実態調査を実施」
[5] Gartner 「2025年にはソフトウェア開発リーダーの半数以上が生成AIの監督を任されるとの予測を発表」
[6] モルガン・スタンレー 「ギグワークの市場規模拡大と生成AIの影響」
[7] Bain & Company 「生成AIに関するフェーズ移行、3つの誤解」
3-4 生成AIに関する認知・問題意識動向
[1] BlackBerry
[2] Gartner
[3] 帝国データバンク
[4] レトリバ 「ChatGPTのビジネス・社会への影響度」に関する調査の結果」
[5] 日経クロストレンド 「ChatGPT、2万人独自調査」
[6] 日本アニメフィルム文化連盟 「アニメ業界とAI(人工知能技術)に関する意識調査」
[7] Elsevier Health 「Clinician of the Future 2023」
[8] ソニービズネットワークス 「AI導入状況調査」/ビジネスパーソンの「ChatGPT」認知度に関する調査結果
[9] エクサウィザーズ 「生成AIの業務活用に関する調査レポート公開」
第4章 生成AIに対する各国の対応/ルール策定を巡る動き
4-1 概況・近況
[1] AI開発の主導権を狙う各国の状況/Tortoise Media 「グローバルAI指数」
[2] Statara 「AIの応用可能性に対する米国民の認知状況」
[3] 経済産業省 「生成AI時代におけるDX推進に必要な人材・スキルの考え方」
4-2 生成AIを巡りG7各国で活発な議論
[1] 生成AIでG7各国が活発な議論、成果強調も積み残した課題
[2] G7 生成AIのルール作成へ 議長国の日本政府が行動指針案示す
[3] 米国政府 「AI開発を手掛ける米主要7社とAIの安全性を確保するルールの導入で合意」
[4] 欧州連合(EU)の欧州議会 「AIコンテンツに関する規制案を採択」
[5] バイデン米政権 「AIのリスクに対処するための計画発表」
[6] バイデン米政権 「Open AIなど生成AIの主要4社トップと会談・安全性の配慮を直接要請/AIを巡る政府方針を発表」
[7] イタリアのデータ保護機関(GPDP) OpenAIに法律順守のタスクを完了するよう要請
4-3 AI規制に関する世界の動向
[1] 概況・近況
[2] 欧州連合(EU) - DSAが登場し、AI規制が始まる
[3] 英国
[4] 米国
他
4-4 生成AI活用普及協会(GUGA) 安全な生成AI」の社会実装に向け本格始動
4-5 生成AIリテラシー向上策
[1] 総務省・情報通信審議会 「日本語能力の高い生成AI開発促進の提言・答申」
[2] 東京商工会議所 「中小企業が生成AI(人工知能)を活用するためのガイドブックを発行」
4-6 各種製品群への生成AI組み込みの可能性
4-7 生成AIなどの技術革新に伴う国際ルール形成
[1] MITテクノロジーレビュー 「AI規制に関する世界の主要な6つの取り組み」
[2] 生成AI、国際ルール形成急ぐ 日本は米欧に後れ
[3] 政府 「生成AIの文書や画像、知財保護へ向けたルール整備に着手」
[4] Amazon 「Kindle出版ガイドラインで生成AI使用時の申告義務付け」
4-8 生成AIの法的な問題/知的財産権に関する問題
[1] 生成AI活用の法的理解
[2] ChatGPTの技術特許を持つグーグルの動向
[3] 「対話型AI」特許分析
第5章 AI・生成AIのビジネス開発と投資動向
5-1 「新しい資本主義」改訂案/新たな産業創出に向けた生成AI開発の強化
5-2 拡大を続ける生成AI投資のビッグウェーブ
[1] アクセンチュア 「AIに30億米ドルの驚愕投資を発表」
他
5-3 Similar Web and Sensor Tower 「生成AI市場動向調査」
[1] トップ生成AI製品のアクセス比較
[2] 消費者向け製品の比較
[3] ユースケース別トラフィックの割合
[4] カテゴリー別成長率
[5] カテゴリー別トラフィックの差 #1位と2位の製品
5-4 a16z 「世界の生成AIトップ50社の分析と市場動静に関する考察」
5-5 a16z 「画像世代の成長による影響」
5-6 a16z Internal benchimarking/Similar Web 「生成AIと非生成AI: オーガニック獲得の対比」
5-7 PitchBook 「企業数と調達資金の比較」
5-8 Similar Web and Discord 「生成AIの成長」
5-9 Similar Web and Sensor Tower 「アプリからのトラフィックの製品別割合」
5-10 Similar Web and Sensor Tower 「製品別アプリからのトラフィックの割合」
5-11 有力スタートアップ/資金調達動向
[1] Cohere 「生成AIの企業導入強化/2億7,000万米ドルをシリーズC調達」
[2] 他
5-12 生成AIで業績を伸ばす有力銘柄
5-13 投資動向
[1] Google 「500億円超をOpenAIのライバル企業Anthropicに投資」
他
ソフトバンクグループ OpenAIへの投資検討
[1] 三菱UFJイノベーション・パートナーズ 「生成AIなど金融への活用念頭に200億円規模の3号ファンドを組成」
第6章 生成AI/LLMのベースモデル/フレームワーク
6-1 ファンデーションモデル(ファンデーションモデル)
6-2 トランスフォーマー(機械学習モデル)
[1] トランスフォーマー 概説
[2] ChatGPTなどの対話型AIの基礎となっている「Attention」を可視化した「Attention Viz」
6-3 ビジョントランスフォーマー
6-4 生成的な事前学習済みトランスフォーマー
6-5 教師あり学習ではなく強化学習による微調整
6-6 プロンプトエンジニアリング/プロンプト・コンストラクション
他
第7章 生成AIの根底に流れる思想・哲学・概念
7-1 ジェネレイティブ
[1] 概説
[2] ジェネレーティブ・サイエンス
[3] ジェネレイティブ・システム
[4] ジェネレーティブ・セマンティクス
7-2 自然言語理解
7-3 知識マップ、コンセプトマップ、ストーリーマップ、認知オーガナイザーと生成AI
[1] シンキングマップ
[2] グラフィック・オーガナイザー/サブサンプション理論
7-4 コンテクストアウェアネス(文脈認識)
7-5 生成AIと人間の心理学・応用心理学の類似性・比較分析
[1] 概要
[2] プロンプトエンジニアリングと応用行動分析(ABA)
[3] 模倣と推論
[4] コンピテンシー/コンピテンシーマネジメント
[5] ツールとプラグイン
[6] 内部モノローグ(内なる声)/ブレインストーミング
[7] 記憶(長期記憶、ワーキングメモリー、短期記憶、感覚記憶)
[8] 自律性
[9] 幻覚
7-6 メタ認知
7-7 進化モデルと生成AI
[1] ミーム/ミームティクス
7-8 自己組織化的生成型AI
第8章 生成AIの課題・対策状況[1]
8-1 言語モデルにおける懸念点と目指すべき原則
[1] 概説
[2] コスト、スケールの問題
[3] リカレント(再帰)接続/フィードバック接続
8-2 生成AI・LLMとインフォデミックリスク
8-3 生成AIモデルと信頼性
8-4 生成AIとアクセシビリティ
8-5 幻覚/AIのバイアス/偽情報の助長と防止対策
[1] LLMの幻覚対策/検索拡張世代(RAG:Retrieval Augmented Generation)
[2] 生成AIで生成されたコンテンツについてファクトチェックを行う技術
[3] Few-shotプロンプト、Chain-of-Thoughtプロンプトによる間違いの修正
8-6 権利侵害・プライバシー侵害の可能性
8-7 テキストから画像への変換・拡散モデルにおける著作権保護問題
[1] テキストから画像への変換モデルと著作権の問題
[2] Google 「AI生成画像への「透かし」による安全対策」
[3] Google 「写真編集機能「Magic Editor(マジックエディター)」
[4] Natureが画像や動画での生成AIの使用を許可しない理由
[5] AI生成画像の見分け方、注目ポイントを専門家が伝授
[6] Microsoft 「Copilotの企業顧客が著作権侵害による訴訟の結果生じる不利な判決には責任を持つと表明」
8-8 デジタルクローニング/ディープフェイク
[1] 概説
[2] ディープフェイク
[3] デジタルクローニング
[4] 音声ディープフェイク
[5] MITが開発・提案する生成AIによるディープフェイクの防止に関する新手法
[6] ディープフェイクされた画像・映像の真贋判定、イバーワクチンによる自動修復
8-9 コンテンツの来歴と真正性に関する問題
[1] AIラベリング/画像や動画に出所や編集履歴を示すラベルを付与するプロトコル「C2PA」を巡る動向
[2] 生成エラーを体系的に特定するファクトチェック(事実性検出)
8-10 ドリフト(生成AIの知能低下)問題/回答生成プロセスの透明度低下問題
8-11 脱獄問題(「AIに有害情報を答えさせるための情報偽装」
8-12 データ汚染による「再帰の呪い」問題
8-13 過学習(学習データの過度な最適化による障害)の問題
8-14 AI利用に伴う倫理問題/差別助長などのリスク
8-15 生成AIのリスク管理/経団連 「倫理的発展のためのガイドライン(案)」
8-16 生成AI普及がもたらすデータセンターのエネルギー消費量5倍増の問題
8-17 サイバーセキュリティ対策
[1] 生成AIをきっかけに変容するサイバー犯罪
[2] ChatGPTの「幻覚」を悪用してマルウエア配布、研究者が実演してみせた驚きの手口
[3] プロンプトインジェクション攻撃
[4] 生成AIにおける敵対的攻撃の脆弱性
他
第9章 生成AIの課題・対策状況[2]
9-1 概説
[1] オープンAIなど10社による自主ガイドライン
他
9-2 生成AIによる著作権侵害への検討・対策
[1] 概要
[2] ユーザー側が考慮するべき要点
[3] 生成AIサービスのプロバイダーにおけるリスク
[4] 「知的財産推進計画2023」原案/生成AIによる著作権侵害への対策検討
[5] 文化庁の「AIと著作権」の解釈
[6] JASRAC 「生成AIと著作権の問題に関する基本的な考え方」を発表
9-3 機密情報漏洩の可能性
9-4 生成AIの利用・開発で留意すべきリーガルリスク
[1] 概要
[2] AI開発・学習段階における検討ポイント
[3] 「知的財産に関するデータ」を学習に用いる場合
[4] 契約による利用制限の可否(オーバーライド問題)
[5] データ提供契約に基づく利用制限
他多数
9-5 生成AI自体の性能変化のリスク
9-6 AI用GPU(画像処理半導体)インフラの確保
9-7 最新動向・事例
[1] OpenAIがコンテンツ収集に用いるウェブクローラー「GPTBot」をブロックする試み
他
9-8 外部ツールとの連携
第10章 生成AI/LLMで実装・発現される技術群[1]
10-1 文章抽出/テキストの自動要約
[1] 概説
[2] 用語抽出
[3] キーワード抽出
[4] 文章抽出と自動要約
[5] テキストの簡略化
[6] 共参照の解決
10-2 テキストデータマイニング(TDM)/ニュースアグリゲーション
[1] テキストマイニング
[2] ニュースアグリゲーション
[3] バイオメディカルテキストマイニング
10-3 自然言語生成/明示的な意味解析/リライティング
[1] 自然言語生成
[2] 明示的な意味解析
他
10-4 知識抽出・知識作成/データベースからの抽出・変換
[1] 情報抽出
[2] 知識抽出
[3] 構造化および非構造化ソースからの知識抽出・知識作成
他
10-5 情報検索/データマイニング/主題別インデクシング/XML検索
[1] 概要
[2] 生成AIを使った科学文献の絞り込み検索
[3] セマンティック検索
他
10-6 レビュー/探索的データ解析/自動分類/多目的最適化問題
[1] コンピュータ支援レビュー(CAR)
[2] クラスター分析/クラスタリング
第11章 生成AI/LLMで実装・発現される技術群[2]
11-1 センチメント分析
[1] 概説
[2] 生成AIによるビジネス向けセンチメント分析システムの構築
[3]生成AIによるセンチメント分析アプリケーションの構築
[4] センチメント分析で生成AIを使用する際の課題
[5] ソーシャルメディアコメントのセンチメント分類/カスタマーレビュー要約
[6] 生成AIによるセンチメント分析におけるプロンプト作成
[7] センチメント分析ユースケース [1] データの前処理
[8] センチメント分析ユースケース [2] コンテクスト理解
[9] センチメント分析ユースケース [3] 特徴抽出
[10] センチメント分析ユースケース [4] センチメント分類
[11] センチメント分析ユースケース [5] 学習データ生成
[12] センチメント分析ユースケース [6] 多言語サポート
[13] センチメント分析ユースケース [7] リアルタイム分析
11-2 データマイニング/ナレッジディスカバリー(知識発見)
[1] 概説
[2] シーケンシャル・マイニング
11-3 情報科学とオントロジー/データモデル
[1] オントロジーおよびオントロジー学習
[2] 分類スキーム
11-4 メタサーチエンジン/サーチアグリゲーション
[1] メタサーチエンジン
[2] メタブラウジング
[3] フェデレートサーチ
他多数
11-5 データキュレーション
[1] データキュレーション
11-6 バイオキュレーション
[1] バイオキュレーション
[2] 全ゲノムシーケンス分析
11-7 コンピュータビジョン
11-8 パーシーバー/非構造化データのトランスフォーマー
第12章 生成AI/LLMで実装・発現される技術群[3]
12-1 有効な取引戦略エディターとしての生成AI
[1] 概説
[2] ChatGPTに取引戦略の構築を依頼するとこうなる
12-2 価格トレンド分析と取引戦略支援
12-3 市場トレンド
12-4 生成AIによる取引戦略
12-5 アルゴリズム取引における生成AIの活用
12-6 デイトレードにおける生成AIの活用
12-7 行動ファイナンス/市場のセンチメント分析と投資支援
12-8 不動産トレンド分析と生成AIの活用
12-9 トレーディング戦略を向上させるための生成AI活用
[1] 概要
[2] 市場分析プロンプト
[3] ファンダメンタル分析
[4] テクニカル分析
[5] センチメント分析プロンプト
[6] ソーシャルメディアのセンチメント分析
[7] 取引戦略の策定
[8] リスク管理/ポジションサイジングプロンプト
[9] 損切りと利益確定戦略
[10] リスクリワードレシオ分析
第13章 チャットAI/AIアシスタントと生成AI
13-1 概説
13-2 AI型チャットボット
13-3 シナリオ型チャットボット
13-4 生成AI・文脈理解で進化するチャットボット
13-5 主な生成AIチャットボットの基本特性
[1] OpenAI 「ChatGPT」
[2] マイクロソフト 「Bing ChatGPT」
[3] Jasper 「Jasper」
[4] YouChat 「YouChat」
[5] Chatsonic/Google 「Chatsonic」
[6] Socrates 「Socrates」
[7] Amazon 「音声認識アシスタントAlexaに生成AIを導入/複雑なリクエストにも対応可能に」
[8] Google 「Google ChatをSlackやTeamsなどの他プラットフォームと相互運用可能に」
13-6 低スペックPCでも使える軽量チャット
[1] Nomic AI 「GPT4ALL」
13-7 ニューラルネットワーク搭載型のチャットボット
[1] Google 「Meena」
[2] メルセデス・ベンツが米国車両の音声アシスタントにChatGPT導入、90万台以上に
13-8 信頼、助け合い、無害を再定義するAIアシスタント 「Claude」
13-9 サブスクリプション型AIチャットサービス
13-10 参入企業動向・活用事例
[1] リコー 「RICOH Chatbot Service」からGPTを利用できるオプションを提供開始
他
第14章 生成AI/LLMと次世代検索エンジン/Webインテリジェンス
14-1 概説
[1] 概況
[2] 検索エンジンの処理と機能拡張
[3] 生成AIは検索の優位性がそのまま競争優位につながる
他
14-2 RAG(検索拡張)による生成的AI変革の第二の波
14-3 アダプティブ・ウェブサイト
14-4 Webインテリジェンス
14-5 Microsoft Bing(通称:Bing)
14-6 Google 「AI搭載の次世代検索エンジン」
[1] 概況・近況
[2] グーグル 生成AI検索「SGE」/ウェブ記事要約などの新機能を追加
[3] グーグル AI検索エンジン「Magi」のプロジェクト推進
14-7 生成AIとSEO技法への影響
第15章 生成AI/LLMを支えるハードウェア/高速コンピューティング/ネットワーキング技術
15-1 生成AIとGPU
15-2 生成AIとディープラーニング用GPUと適性
[1] 生成AIとディープラーニングに最適なGPU
[2] ASUS ROG 4070 Ti
[3] ASUS ROG Strix RTX 4080
[4] ASUS TUF RTX 4090
[5] Galax RTX 4070 Ti
[6] MSI RTX 4080
[7] バイペラ NVIDIA RTX 4090
[8] NVIDIA 「生成AI用の新型半導体セットを開発/メモリー容量を従来の3.5倍で処理高速化」
[9] AMD 「生成AI向けにGPGPU(General Purpose Graphics Processing Unit)「Instinct」の新製品を発表」
[10] Super Micro Computer Inc.の最新動向
[11] SB C&S(株)の最新動向
15-3 高速化されたコンピューティングとAIの統合
[1] 生成AIブームに乗るNVIDIA
15-4 RISC-Vの活用
[1] 基本的な特性
15-5 RISC-V活用の主な事例
[1] Imagination Technologies(英国)
他多数
15-6 大容量メモリと1EFLOPSの性能備えたAIスーパーコンピュータ
15-7 AIに特化した高速ネットワーキングプラットフォーム
15-8 生成AIの多様なニーズに応えるリファレンスアーキテクチャ
第16章 生成AIのファインチューニング
16-1 概説
[1] 概要
[2] ファインチューニングされた言語モデル
[3] LLM/生成AIを微調整する主なメソッド
16-2 特定のタスクに適合するためのchatGPTの微調整
[1] LLM埋め込みと微調整技術によるプロンプト・エンジニアリング
[2] プロンプトエンジニアリングにおける微調整
[3] LLMエンベッディングとファインチューニング: 相乗効果のあるペア
第17章 生成AIを巡る知的財産権・特許の競争
17-1 生成AIと特許の最新動向
[1] 概説
[2] 生成AIアルゴリズムと知的財産権
[3] 機械学習と知的財産権
[4] AI/生成AI技術の特許化
[5] AIアルゴリズムの特許化
[6] AI/生成AI特許の留意点
他
17-2 生成AIと特許の考察
[1] 概説
[2] 特許クレームと発明者意識
17-3 生成AI特許出願動向
第18章 主な生成AIの強み・弱み/新たな拡張シナリオ
18-1 GPT(Generative pre-trained transformers)
18-2 マイクロソフト 「インターネット全体を一度に取り込むことができる次世代生成AI:LongNet」
18-3 Google 「PaLM2」
[1] 進むPaLM2の機能強化
[2] GPT4との比較
[3] PaLM 2の日本語対応/ソフトバンク等でプレビュー版を利用開始
18-4 Google 「Bard」
18-5 Google 「Gemini」
18-6 Meta 「Llama 2」/ChatGPT超えの性能を発揮するか
[1] LLaMA 2:新時代の幕開け
[2] Meta 商用利用も可能なオープンソースの大規模言語モデル「Llama 2」提供開始
[3] Meta Llama 2を基盤にしたチャットボットAI 「Meta AI」
18-7 Adobe 「Firefly」/「FireflyをCreative Cloudと統合」
18-8 SAP SE 「SAPのエンタープライズクラウド製品に直接組み込まれり生成AIアシスタント: Joule」
18-9 Meet Pi(ChatGPTの新たな有力対抗馬)
18-10 Anthrpic 「Claude」
第19章 プロンプトエンジニアリング−活用のポイントと課題
19-1 プロンプトエンジニアリング/プロンプト・コンストラクション 概説
[1] 概説
[1] プロンプトの制約
19-2 生成AIの成果を左右するプロンプトエンジニアリング
[1] ChatGPTの成果を左右するプロンプトエンジニアリング、その活用のポイントと課題
[2] LLMで困難な多段階問題を解決するためのプロンプティング技法
[3] プロンプトエンジニアリングのヒント
19-3 プロンプトの制約条件と緩和策
19-5 マルチモーダル・モデル
[1] MultiModal-GPT(人間との多人数対話のための視覚・言語モデル)
他
19-6 プロンプト最適化ツールキット
[1] Microsoft Research 「LMOps」
19-7 長文プロンプト入力
[1] Google支援のAnthropic 「超長文プロンプト入力可能な生成AI」
19-8 事例
[1] 日本マネジメント総合研究所合/GPT研究所 「GPT監査活動を通じて編み出した汎用型プロンプト」
第20章 強化学習による人間の価値観と合わせた各種生成技法
20-1 RLHF(人間のフィードバックを使ってAIモデルを強化学習する手法)
20-2 SFT(Supervised Fine-Tuning:教師あり微調整)
20-3 RM(Reward Model:報酬モデル)
20-4 PPO(Proximal Policy Optimization:近接方策最適化
20-5 人間の評価を利用したGPT言語モデルの強化学習
[1] Rinna 「強化学習済みの日本語に特化した対話GPT言語モデルの公開」
第21章 企業組織における生成AIの戦略的利活用
21-1 概説
[1] 概況・近況
[2] 他社製のAIモデル活用の動向
[3] 独自モデル開発の動向
[4] 国内大手ITベンダー、通信キャリアの動向
[5] 開発コスト、精度検証などの課題
[6] Azure OpenAI Serviceと“社内GPT“の動向
21-2 経営者が考える生成AIのビジネス・社会への影響
21-3 AI導入による生産性向上と生成AI
[1] AI導入で生産性向上「世界GDPは10年後に980兆円増」今すぐ投資すべき15銘柄。ゴールドマンS最新予測」
[2] ChatGPTなど生成AI 使いこなすために必要な8つのスキル
21-4 生成AIの利用ガイドライン
[1] 概要
[2] オープンAIなど10社による自主ガイドライン
[3] 文部科学省 「大学等の教育機関に対し、教育活動における生成AIの取扱いに関するガイドラインの策定等を促す通知を発出」
21-5 Azure OpenAI Serviceと“社内GPT“
[1] 概要
[2] 生成AIとエンタープライズ・ソフトウェアの連携
[3] 日常業務で使うTeamsやAzure OpenAI Serviceの連携
他
21-6 生成AIによる財務情報分析
21-7 生成AIによる人事、総務、情シスなどの質問対応自動化
21-8 生成AIがコンサルタント/テクノロジーキャリアに与える影響
[1] ChatGPTで「経営コンサルすら失職」の恐れ、データサイエンティストが説く危機感
[2] IBMが採用一時停止、7800人の仕事をAIに置き換え
[3] マッキンゼー、社員の「約半数」が生成AIを利用していると発表
[4] 生成AIが変える、テクノロジーのキャリアパス
[5] ChatGPTプロンプトの活用
21-9 働き方/ワークスタイル/ワークフローに大きな変化をもたらす生成AI
[1] 概説
[2] 野口悠紀雄氏(一橋大学名誉教授) 「生成AI本格導入後のシナリオ」
[3] AIによる雇用の自動化
[4] 生成AIによる議事録作成・FAQ作成
21-10 生成AIによる企業向けサービス
[1] OpenAI 「GPT-4使い放題の企業向けプラン」
[2] OpenAI 「エンタープライズ向けChatGPTの提供開始」
[3] セールスフォース、「Tableau」のデータ分析結果を対話しながら理解できる「Tableau GPT」など公開
21-11 高速GPT-4でプライバシーも安全とされる企業向け「ChatGPT Enterprise」
21-12 生成AISaaS
[1] NVIDIA/Snowflake 「SaaS上のデータ利用の独自AIアプリ構築環境提供」
21-13 Copilotプラットフォームと生成AIの相互運用・外部連携
[1] 概要
[2] Microsoft 「Bing Chat Enterprise」
21-14 Google 「Duet AI for Google Workspace」
21-15 Microsoft データ分析基盤「Fabric」発表/DWH・AI・ストリーム分析を統合
21-16 オフィスのデジタル化(DX)と生成AI
21-17 決算説明会、株主総会等における想定問答の作成支援
21-18 生成AIを活用した仕入れ交渉
[1] ウォルマート 「仕入れ交渉に生成AIを活用」
21-19 生成AIによる営業事務の支援・部分的な自動化
[1] 概要
[2] Smash 「生成AIと連携する商談分析・可視化サービス」
[3] ギブリー 「営業組織の非コア業務を削減する営業アシスタントの実装」
21-20 生成AIによるプロダクトディスカバリー
21-21 生成AIによるデジタル自動商品セットアップ
21-22 その他各種事例
[1] 営業トークを生成AIが採点、担当者ごとの成績表を示して次回の話題まで助言
[2] mignの自動デザイン生成ソフトにChatGPTやStable Diffusionの連携機能
21-23 生成AIに取り組む有力企業・団体動向
[1] 概況・近況
[2] マッキンゼー 「4つのC: 半数の社員がChatGPTを活用」
[3] KPMG 「Microsoftとの提携拡大/AIに20億米ドル投資」
[4] IBM/IBM Consulting 「ビジネス×生成AI」
[5] ウォルマート
[6] LinkedIn
[7] Meta
[8] PwC米国 「生成AIに10億ドル投資/ChatGPTのサービス強化」
[9] デロイトトーマツコンサルティング 「全コンサルタント約5000人に生成AIの専門知識や活用ノウハウを獲得」
[10] 東北大学 「事務部門、業務効率化を目的に生成AIを導入/大学DX推進」
[11] 日立製作所 「生成AIセンターの新設」/「生成AIを活用したビジネス創出に向け生成AIベンチャーと協業模索」
[12] NTTデータ 「生成AIのグローバル推進体制を整備/新サービスの提供を開始」
[13] NTTドコモグループ3社 「生成AIを活用した業務のDX推進/付加価値サービス提供に向けた実証実験」
[14] 伊藤忠商事 「社員4200人に社内版ChatGPT」を導入」
[15] パナソニック 「分析作業で生成AIを活用」
[16] (株)ELYZA(東京大学松尾研究室) 「企業独自LLMの構築支援プログラム/LLMのポストトレーニングに注力した支援施策」
[17] KDDI 「自社で独自の生成AIを開発」/「Azure OpenAI Serviceの法人提供」/「GPT-4など導入支援」
[18] 三井住友海上 「生成AI(Azure OpenAI Service)を全社員で利用を促進」
[19] パナソニック 「AIモデル学習時のデータ構築コストを削減する技術を開発」
[20] パナソニックコネクト 「自社特化AI」して自社ChatGPTを新開発」
[21] (株)ヘッドウォーター Azure OpenAI Service活用と組織浸透を包括的に伴走支援する「生成AIプロジェクトラボ」
[22] 村田製作所
[23] 小野薬品 「生成AI「OnoAIChat」の導入で社員の業務効率向上を達成」
[24] サイバーエージェント
[25] フジテック 「業務改善用社内ツールに生成AI導入」
[26] セゾン情報システムズ 「若手社員主導にて大規模言語モデル(LLM)研究会発足」
[27] メルカリ 「生成AIやLLMの専門チームを社内に設置」
[28] (株)ナレッジセンス 「ChatPro(チャットプロ)」
[29] Airion(株) 生成AIによる人事、総務、情シスなどの質問対応自動化サービス「ケルくん」
第22章 生成AIのトレーニング手法
22-1 概説
22-2 スタンフォード大学 「大規模言語モデル・生成AIを理解するためのAIベンチマーク」
22-3 事前学習済みモデルとファインチューニング(トレーニング)
[1] メモリの消費量を激減させつつ少ないデータでトレーニングできる手法 「QLoRA」
22-4 プロンプトエンジニアリング教材
[1] DeepLearning.AI/OpenAI 「プロンプトエンジニアリング教材を共同開発・無料公開」
22-5 AI/生成AIのトレーニングを大幅に安く高速化するLLM 「phi-1.5」
22-6 生成AIに関連した研修サービス
[1] AKKODiSコンサルティング(株) 「ChatGPT活用研修」
22-7 事例
[1] Microsoft 「無料のAIトレーニングを提供開始」
[2] Google 「無償で利用可能な生成AIのトレーニングコースを公開」
[3] UCバークレー校 オープンソースのvLLMライブラリによるチュートリアル
第23章 生成AI・LLMとドキュメントインテリジェンス/組織におけるコンテンツ利用
23-1 自然言語処理と機械学習によるドキュメントインテリジェンス
[1] アドビ、「Adobe Experience Manager」でAIを活用した新しい生成型サービスを公開
[2] アドビ、エンタープライズ向けFireflyを発売、AIでクリエイティビティを加速させるAdobe Expressを導入
23-2 生成AIによるドキュメント・インサイト・ウェアハウス
[1] 概要
[2] マイクロソフト 「Azure OpenAI Documents Search App - Document Insight Warehouse」
[3] Anthropic ChatGPT対抗AIチャットボット「Claude」(5時間以上かけて読む資料を1分以内で理解)
第24章 画像・動画・映画の生成/シントグラフィー
24-1 テキストから映像・動画を生成する技術
24-2 シントグラフィー(デジタルメディアを合成的に生成する手法)
24-3 ステイブル・ディフュージョン(ディープラーニングによるテキストから画像への変換モデル)
24-4 画像生成AIが変えるアニメーション作成フロー
[1] 概要
[2] ローカルPC上でのStable Diffusionの動作環境「WebUI A1111」の拡張
[3] ComfyUI版AnimateDiff
24-5 DALLE/DALLE-E-3
24-6 Google Research/ボストン大学 「DreamBooth:テキストから画像へのモデルの微調整に用いられる深層学習生成モデル」
24-7 Microsoft AI 「MM-REACT」(視覚プールを組み合わせてマルチモーダル推論・行動を実現するシステム)
24-8 Google 「AIによる商品画像の生成と編集をサポート:Product Studio」
24-9 OpenAI 「ChatGPTに画像認識機能を搭載」
24-10 DeepFloyd IF 「自然言語モデルの知識を利用した画像生成モデル:Imagen」
24-11 訴訟リスクの少ないクリーンな画像生成AI 「Emi」
24-12 Leonardo.Ai
24-13 &NovelAI
24-14 Getty Images 「画像生成AIに参入/完全な法的確実性をクリエイターに補償」
24-15 その他近況・事例など
[1] マイクロソフト ブラウザーから手軽に使える画像生成AI 「Bing Image Creator」
他多数
第25章 自律的な生成AIシステムによるジェネレーティブデザイン
25-1 ジェネレーティブデザイン
[1] 概要
[2] サイエンスとしてのデザイン
[3] デザイン思考:AIによるデザインの認知的、戦略的、実践的な手順
25-2 生成AIによる3Dモデル自動生成
[1] OpenAI 「3Dモデル自動生成AI「Shap-E」を発表」
25-3 ジェネレーティブデザインの応用分野
[1] 建築
[2] コンポーネント設計
第26章 生成AIによるエンジニアリング情報管理(EIM)/システムエンジニアリング支援
26-1 学際としてのシステムズサイエンスとAI
26-2 エンジニアリング情報管理(EIM)と生成AI
26-3 システムエンジニアリングと生成AI
26-4 生成AIとデータ分析
[1] 概説
[2] データ分析に生成AIを使用するに当たってのベストプラクティス
[3] データ分析における生成AIのメリット
26-5 メタモデリング
26-6 メタプログラミング
26-7 自動プログラミング
26-8 生成AI(自然言語)によるデータベース分析
26-9 自動的なエラー検知・バグフィックス
他
第27章 生成AIによるソフトウェアプロトタイピング/コーディング支援
27-1 概説
[1] 概要
[2] 生成AIが開発ワークフローのトランスフォーメーション
[3] 生成AIコーディングツールの設計と構築
27-2 AIベースのソフトウェア開発とデプロイメント
27-3 ソフトウェア開発者向け生成AI利用のベストプラクティス
27-4 ソフトウェアプロトタイピングと生成AI
[1] 概説
[2] 進化型プロトタイピング
[3] AIコード作成支援ツール
27-5 AIとDevOpsの組み合わせ
[1] AIのためのDevOps
[2] AIとDevOpsの組み合わせ
27-6 生成AIによるソフトウェア開発・コーディング支援
[1] 概説
[2] ChatGPTを使ってコードを書く方法
[3] 次世代の開発環境整備
[4] 「Microsoft Build 2023」で発表された非開発者向け新機能
[5] Microsoft 生成AI機能「Copilot」を統合
27-7 Googleが見せた「生成AIを活用したシステム運用スタイル/コード化の未来像」
27-8 生成AIによるコード生成
[1] 概況・近況
[2] ChatGPTを使ったコード記述
[3] ChatGPTを使ったコード・デバギング
[4] AIを使ったコード生成ツールと生産性向上
27-9 開発支援AI 「GitHub Copilot」
[1] GitHub Copilotの概要
[2] GitHub Copilotチャットのベータ版が全組織で利用可能に
[3] GitHub Copilotの全社導入とその効果
[4] GitHub 「GitHub Copilot Chat」を個人ユーザーにも提供開始
27-10 生成AIによるバグ捕捉、プログラム改修
27-11 定番開発用エディタ「VSCode」から利用できるChatGPT
27-12 VSCodeとChatGPTの橋渡しをする拡張機能 「Genie AI」
27-13 生成AIによるソフトウェア開発における制約・課題
27-14 主要ベンダーの動向
[1] AWS(Amazon Web Services) 「Amazon CodeWhisperer」
[2] Google 「Bard」
[3] Google 「Duet AI for Google Cloud」
[4] Google 「Codey」
[5] Google AI活用コーディングアシスタント 「Studio Bot」
[6] Microsoft Code Llamaをベースにしたコード専用生成AI「WizardCoder」
[7] Microsoft 「Metaがリリースしたコーディング専用LLMの「Code Llama」をベースにしたコード専用生成AI「WizardCoder」
[8] Microsoft リポジトリのコーディング作業を自動編集する生成AI 「CodePlan」
[9] Meta プログラミング支援AI 「Code Llama」
[10] Meta コード生成や解釈に特化した大規模言語モデル「Code Llama」
27-15 主な開発者向け生成AIの特性
[1] ChatGPT
[2] GitHub Copilot/CopilotX
[3] ChatGPT+ (GPT-4)
[4] Askcodi
[5] OpenAI Codex
[6] OpenAI Playground
[7] Google Bard
[8] Bing AI
[9] Amazon CodeWhisperer
[10] ChatSonic
[11] Tabnine
[12] Rix
[13] ClickUp AI
[14] CodeT5
[15] Codiga
[16] PolyCoder
[17] Snyk Code
[18] Replit Ghostwriter
27-16 参入企業動向
[1] NTTデータ 「生成AI使うシステム開発手法を全技術者に展開」
[2] みずほフィナンシャルグループ/富士通 「システム開発に生成AI導入」
[3] Google 「プログラミング補助AI:Studio Bot」
[4] サイバーエージェント 「AI開発手法「MLOps」の研修資料を無償公開」
他
第28章 生成AIと連携するアプリおよびアプリ作成ツール
28-1 ChatGPTを使ったアプリ作成
[1] 概説
[2] 自然言語入力によるChatGPT連携アプリ作成ツール「MetaGPT」
28-2 生成AIにおけるアプリ開発高速化
[1] ローコードと先端AIの結合
[2] Microsoft 「ローコード開発環境「Power Platform」に新機能追加」
28-3 主要プレーヤー動向
[1] Microsoft 「生成AI搭載アプリ開発ツール発表/自社専用「Copilot」を実現」
[2] Google 「AppSheet」
28-4 参入企業動向
第29章 ChatGPTのコードインタープリターによる業務の自動化
29-1 概況・近況
[1] OpenAI コードインタープリター機能の一般開放を開始
[2] コード開発/プロトタイピング
[3] Pythonコードの実行
[4] データ分析/データ可視化
[5] 異なるフォーマット間でのファイル変換
[6] 数学的問題の解決
29-2 ユースケース
[1] データの可視化
[2] データ分析
[3] グラフの作成
[4] ファイルの編集
[5] 画像編集
[6] 画像の動画化
他多数
第30章 マーケティング・営業支援
30-1 概説
30-2 生成AI で変わる顧客接点・顧客体験(エンゲージメント)
30-3 生成AIによるインサイトやアイデア開発
30-4 セールス活動における生成AIの活用
30-5 ChatGPT連携タレントロボット/商談デモとしての活用
30-6 マーケティングにおける生成AI/その他AIの活用例(海外)
[1] IBM
[2] Google
[3] Salesforce
他多数
30-7 AIによる新商品の需要予測・顧客行動分析
第31章 顧客プロセスと統合された生成AI
31-1 生成AIとカスタマーエクスペリエンス向上
31-2 生成AIを活用したアンケート調査
31-3 Webサイトの評価・改善の支援
[1] 「B2BフォームAI診断」を無料提供(WACUL)
31-4 生成AIによる顧客サポート、接客サービス
31-5 生成AIによる電話応対・コンタクトセンターの効率化
31-6 参入企業動向
[1] 電通デジタル 「データアーティストとの合併/データ&AI部門の新設」
[2] フリークアウト・ホールディングス 「生成AIの活用推進をループ全体で強化」
[3] Expedia 「ChatGPT をExpedia(旅行サイト)のモバイルアプリと統合」
第32章 金融業界向け生成AIの活用
32-1 概況・近況
32-2 生成AI導入に意欲をみせるメガバンク、損保大手
32-3 生成AIによる金融・財務タスクの自動化
32-4 生成AIによる株価予測
32-5 各種事例/実証実験動向
[1] ゆうちょ銀行とneoAI 「生成AI活用に向けた実証実験」
[2] 住信SBIネット銀行 「生成AI/LLMを活用した業務改善およびAIモデルの高度化を目的とした実証実験」
32-6 生成AIのニュースの見出しのセンチメント予測による株式予測
第33章 広告・広報・広告クリエイティブ制作の支援
33-1 概説
33-2 ターゲティング広告における生成AI活用
33-3 効果予測AIによる広告クリエイティブ制作支援
33-4 大規模言語モデル(LLM)活用による広告効果の高いテキストの自動予測・自動生成
33-5 生成AIが促す連動広告ビジネスモデルの変容
33-6 生成AIによるプレスリリースの自動生成
33-7 事例
[1] 博報堂DYメディアパートナーズ 「大規模言語モデルで広告効果を予測」
[2] 電通デジタル 「∞AIにGPT-4を実装」
[3] サントリー 「ChatGPTでCMを制作」
[4] サントリー 「ChatGPTのCM案を映像化」
[5] ニューラル 「広告分野に特化したマルチモーダルな基大規模言語モデルを開発」
[6] オプト 「生成AIを活用した広告の効果予測・広告制作活用」
[7] グーグル 「Google広告で生成AI活用を発表」
第34章 自動コンテンツ制作支援/生成AIのクリエイティブ活用
34-1 概説
[1] 生成AIで増殖する「コンテンツファーム2.0」の新たな波
34-2 生成AIによるECの変容
[1] コンテンツ監査・コンテンツインベントリー支援
[2] コンテンツインベントリ
[3] ウェブコンテンツのライフサイクル支援
34-3 自動コンテンツ制作支援
[1] CMSとChatGPTを連携した自動コンテンツ制作を支援
[2] 生成AIによる文章一行(ワンセンテンス)のWebサイト構築
34-4 AIによるタイトル生成・タイトル提案
34-5 AI生成記事の校正サービス
34-6 コメントの自動応答/選択肢に応じたメッセージ自動返信
34-7 FAQの自動生成
34-8 生成AIによるコンテンツ生成とサービス展開
34-9 生成AIによる製品レビュー生成
34-10 主なAIコンテンツ生成ツール
[1] Univer.se 「モバイル&テキストプロンプト入力でECサイト構築可能にする生成AI」
[2] AI WRITER 「見出しだけで数分で記事全体を生成する生成AIソフトウェア」
[3] ANYWORD 「ソーシャルメディア広告、マーケティングメール、ランディングページ、コンテンツ用のテキストを生成する生成AI」
[4] Article Forge 「1分以内にオリジナルのSEOコンテンツを作成する生成AI」
[5] Articoolo 「新しい記事の作成、古い記事のリライト、タイトルの生成を行う生成AI」
[6] ContentBot 「多機能なAIライター」
[7] Copy.ai 「記事類、ソーシャルメディア投稿、商品説明、コピーライティングフレームワークなどのコンテンツを生成する生成AI」
[8] GrowthBar 「SEOに適したコンテンツを素早く簡単に生成する生成AI」
他多数
34-11 参入企業動向
[1] グーグル ニュース記事作成AI「Genesis」
[2] メルカリ 「メルカリShopsにおけるChatGPTを活用した自然対話の商品検索」
[3] ブイキューブ/ポケトーク 「イベントDXソリューションに同時翻訳・通訳を組み合わせたソリューション」
他多数
34-12 事例
[1] ITmedia NEWSは記事執筆フローにChatGPTなどAIを導入する
第35章 生成AIによるレコメンドシステム(レコメンダーシステム)
35-1 概説
[1] 概要
[2] 生成AIによるレコメンドシステムの特性
35-2 アプローチ別特性
[1] 協調フィルタリング
[2] コンテンツベースフィルタリング
[3] ハイブリッド推薦アプローチ
35-3 テクノロジー
[1] セッションベースの推薦システム
[2] レコメンダーシステムのための強化学習
[3] リスクを考慮した推薦システム
[4] モバイルレコメンダーシステム/ロケーションベースド・レコメンデーション
35-4 応用サービス
[1] プロダクトファインダー
[2] レコメンダーシステム
[3] Azureクラウド上の生成AIベースのレコメンデーション・エンジン
[4] AIレコメンデーションシステムの構築
他
第36章 建設・建築分野における生成AIの活用
36-1 概説
36-2 生成AIによるコンセプト立案、パース作成
36-3 構造ヘルスモニタリング(SHM)
36-4 生成AIによる建築プランナーのインタビューおよびパース作成の自動化ソリューション
36-5 テキストプロンプトから建設テクスチャ付き3Dアセットを生成する技術 「Text2Room」
36-6 生成AIとBIMの結合
[1] 概説
[2] BIMと設備管理
36-7 生成AIによる3Dモデルの設計変更とデジタルツインプラットフォームへの統合
36-8 事例
[1] 東大発AIスタートアップ「燈」、ChatGPT等を建設業に特化させた「AKARI Construction LLM」の提供を開始
[2] 独自調査で分かった建設会社や設計事務所のスタンス
[3] 鹿島 「生成AIによる顧客提案の素案作成/生成AIによる会議の議事録作成」
第37章 製造業における生成AI活用
37-1 概況・近況
[1] 製造業の生成AI活用に関する意識調査
[2] 製造業における生成AI活用の現在地・今後のシナリオ
37-2 生成AIによる保守点検支援
[1] 概説
[2] シーメンス 保守業務における生成AI活用
37-3 生成AIによる経営の資源としての人、資材、設備を有効に活用した生産システムの構築・改善
[1] 工場の現場改善・現場改善の定量化
[2] 工場のレイアウト改善
[3] 工場レイアウト計画におけるアクティビティ相互関係分析・素案作成
37-4 マイクロソフト 「Dynamics 365」にChatGPTを搭載した「Dynamics 365 Copilot」
37-5 生成AIによる作業支援
37-6 クラウドサービス/オンプレミスの両方に対応
37-7 Hewlett Packard Enterprise(HPE) 「生成AIによる自然言語対話で産業用ロボット操作をサポートするシステム」
37-8 NVIDIA 「自動車、建築業向けの専用生成AI活用支援」
37-9 Autodesk PicassoのAIモデルを利用した生成AIによるコンテンツ制作機能を3D CG処理ソフトウエア「Maya」に統合」
37-10 Toyota Research Institute(トヨタ・リサーチ・インスティテュート:TRI) 「生成AIを自動車デザインで利用する研究や拡散モデルを工学設計に応用する研究」
37-11 生成AIによる現場の異常の自動判別・報告
37-12 生成AIによる熟練技能継承・現場訓練支援
第38章 化学・材料分野、マテリアルズ・インフォマティクスにおける生成AI活用
38-1 概況
38-2 生成AIを活用した用途探索
38-3 マテリアルズ・インフォマティクスを活用した新材料の開発・探索
38-4 生成AIとハイブリッド・クラウドで新素材設計
第39章 生成AIによるデジタルライブラリー/機関リポジトリの運用支援
39-1 概要
39-2 生成的AIが情報リテラシーとレファレンスに与える影響
39-3 書誌データベース支援
39-4 コレクション・マネジメント
39-5 アーカイブスマネジメント
他
第40章 生成AIによるキュラトリアルプラットフォームの運用支援
40-1 概要
40-2 デジタル・キュレーションの世界における生成AI
[1] 概説
[2] 食べログ 「日本初のChatGPTプラグイン開発」
40-3 「全社横断のAIプロジェクトチームを新設/Notionを活用したポータル上に業務関連のプロンプトを公開」
第41章 自律的な生成AIシステムによるジェネレイティブ・アート
41-1 概説
[1] 定義・概要
[2] AIアートの拡張・進歩
[3] 著作権、ディープフェイクの懸念
[4] 批評、問題、論争
[5] シンソグラフィー(機械学習を利用してデジタルメディアを合成的に生成する手法)
41-2 コンピュテーショナル・クリエイティビティ
[1] 定義・概要
[2] AIによる視覚芸術の創造性
[3] 音楽におけるコンピュテーショナル・クリエイティビティ
41-3 ジェネレイティブ・アートの主な思想的・理論的支柱
[1] 概要
[2] 人間とAIシステムのコ・クリエーション
[3] コンビナトリアル創造性
[4] 言語的創造性
[5] ストーリー生成
[6] マッピングや検索における“類推”
他
41-4 機械学習によるコンピュテーショナル・クリエイティビティ
[1] 概要
[2] DALL-E(stylized as DALL-E)/DALL-E 2
41-5 テキストから画像への変換・拡散モデル
41-6 デジタルモルフォジェネシス
41-7 ビジョントランスフォーマー/CLIPモデル
41-8 シーナリージェネレーター(風景画像・3Dモデル・アニメーションの自動生成ソフトウェア)
41-9 モーションジェネレーター/フェイシャルモーションジェネレーター
41-10 画像や動画の認識・生成のために設計された自己教師付きフレームワーク 「DiffMAE」
41-11 キャラクター音声の生成・配信
41-12 テキスト-ビデオ生成・音楽の視覚化のための生成的AIシステム
他多数
第42章 情報およびデータの品質管理/データ検証/検証・妥当性確認(V&V)
42-1 概説
[1] データ管理における生成AIの統合
[2] 生成AIにおける統制されたデータの必要性
他
42-2 データガバナンス
[1] 検証・妥当性確認
[2] レコードリンケージ
42-3 生成AIによるマスターデータ管理
[1] 概説
[2] マスターデータ管理における生成AIの活用
42-4 生成AIによるリファレンス・データ管理
42-5 生成AIによるデータ統合
42-6 データ・情報の可視化/データとグラフィック要素間のマッピング
42-7 生成AIによるビジネスセマンティクスマネジメント(BSM)
他
第43章 行政・自治体組織における生成AIの導入・活用
43-1 行政・自治体組織、都市インフラにおける生成AIの可能性
[1] まえがき
[2] スマートシティと生成AI
[3] AIを活用する欧州の主要スマートシティ
[4] アトラス・オブ・アーバンAI
[5] 中国政府による各国スマートシティへの投資
[6] 自治体DXと生成AIの新たな役割
[7] 東京都 「職員向けに生成AIの利活用ガイドライン公開」
[8] 課題と展望
[9] Microsoft 「日本政府にChatGPT専用設備提供/答弁下書きや議事録作成などで業務効率化支援」
43-2 地域活性化・観光活性化と生成AI活用
43-3 自治体における生成AI導入検討・利用禁止の動向
[1] 概況
[2] 横須賀市
他多数
43-4 自治体におけるAIチャットボットの導入
43-5 生成AIの業務利用に関するルール制定・条例化動向
[1] 神戸市 「全国に先駆けて生成AIによる本格活用に関するルールを条例化」
[2] 神戸市 「庁内版ChatGPTを内製・利用開始」
第44章 生成AIとリーガルテック/生成AIとレグテック
44-1 概説
[1] リーガルテック/レグテックに新時代をもたらす生成AI
[2] 生成AIが企業内法務に与える影響
[3] 法律業界における生成AIの活用
[4] リーガルテック分野において想定される生成AIの使用パターン
[5] 法務省指針 「リーガルテックについて、サービス「適法」の見解を示す」
[6] 法務省 「企業契約書の審査においてAI活用を容認する指針を公表」
他
44-2 関連機関の報告書
[1] マッキンゼー 「生成AIに関するレポート」
[2] トムソン・ロイター 「法律事務所における生成AIの導入効果、今後のシナリオ」
他
44-3 リーガルテック/レグテック概説
[1] レグテックの定義
[2] レグテックと生成AI統合の意義・価値
[3] レグテック+生成AIに向けた期待の背景にあるもの
[4] 生成AI+レグテックによるコンプライアンスに対するリアルタイム対応技術の発展
[5] コンプライアンス対応処理の自動化
[6] OECDが主催するFATF とその勧告
44-4 レグテックを構成する技術と生成AI
[1] レグテックの技術構成
[2] 国際金融協会 「レグテックの7つの機能」
[3] レグテックのアプリケーション/ツール
44-5 レグテック・ソリューションの需要
44-6 データ駆動型の規制とコンプライアンスモデルの調和
44-7 レグテック・ソリューションのターゲットおよび特徴
[1] 規制の解釈・コンプライアンス管理、報告書の自動化
[2] ビッグデータアナリティクス/レポート/分析ツールとの連携
[3] AI/ブロックチェーンの進歩とレグテック
他多数
44-8 高度なアナリティクスとAIの適用例
[1] リアルタイムアナリティクス/リアルタイム意思決定
他多数
44-9 企業法務部門における生成AI関連の取り組み
44-10 生成AIによる特許書類の自動作成
44-11 生成AIによる社会保険労務士の業務支援
44-12 参入企業・参入ベンダー動向
[1] Eigen Technology
[2] Waymark Tech
[3] (株)LegalOn Technologies
[4] リーガルオンテクノロジーズ 「ChatGPTで契約審査業務を効率化」
[5] 弁護士ドットコム 「新興リセと提携・AI契約書審査に参入」
[6] PKSHA Technolog 「PKSHA LLMSを活用し、弁護士ドットコムの生成AI活用を技術支援」
[7] MNTSQ 「ChatGPTに指示しながら契約書を作成できる機能を開発」
[8] Sansan 「AIによる契約管理サービスの機能拡張」
[9] マネーフォワード 「電子契約・保管サービス上で締結前の法務相談や条文審査に関する工程管理サービス」
[10] リーガルスケープ 「司法試験の一部科目で合格水準の正答率を出せる対話型AIを開発」
44-12 ユーザ事例
[1] 日本IBM/三井化学 「GPTとWatson活用による新規用途探索の高精度化と高速化」
他
第45章 生成AIと次世代情報インフラ/次世代情報セキュリティ
45-1 概説
45-2 スケーリング効率の課題
45-3 生成AIによるデータセンターで冷却性能の向上
45-4 生成AI向けGPUクラウド・サービス
[1] さくらインターネット 「生成AI向けGPUクラウド提供開始」
[2] NEC 「GPU1枚搭載のサーバーで動作し、130億パラメーターの軽量さと高い日本語能力をうたうLMMを開発」
45-5 メモリ増強・メモリ削減LLM/限られたGPUメモリでLLM高スループットで処理する生成エンジン
[1] 概説
[2] グーグル・ブレイン/アルバータ大学 「メモリ増強LLMでLLMにおけるブレークスルーを起こす」
45-6 枝刈りアルゴリズムによるメモリ使用量削減
45-7 生成AI/LLMと画像分析の統合によりインタラクティブに被災状況を把握する技術
[1] 概説
[2] NEC 「生成AI/LLMと画像分析により被災状況を把握する技術」
45-8 本格化する生成AIのセキュリティー分野への応用
[1] 概況
[2] マイクロソフト 「SIEM(セキュリティー情報イベント管理)ツールにLLMを搭載した「Microsoft Security Copilot(マイクロソフト・セキュリティー・コパイロット)」を運用」
[3] グーグル 「セキュリティー用LLM「Sec-PaLM」をクラウドサービスやマルウエア検出ツールなどに搭載」
[4] 生成AIで独自のセキュリティーサービスを開発する動きが活発化
[5] パーソルプロセス&テクノロジー(株) 「情報漏洩リスクのないセキュアなChatGPT環境を構築/Azure OpenAI Service導入サポート」
45-9 UCB/スタンフォード大学/CMU/Meta他 「FlexGen」
[1] ChatGPTの場合、10,000基のNVIDIA GPUのスケーラリビティを活用
第46章 生成AIで変わるデジタルエンゲージメント形態/ゲーム開発/VR・MR・メタバースとの連携モデル
46-1 概説
46-2 GPT-4 を搭載したARグラス
46-3 大規模言語モデルの出力を表示できるスマートグラス
[1] スタンフォード大学/ブリリアントラボ 「ChatGPTスマートグラスの開発」
[2] Brilliant Labs スマートグラスで使える生成AI 「arGPT」
[3] Envision 「Ask Envision」
46-4 AR技術と生成AIによるカウンセリング・チャットボット
46-5生成AIを搭載したAR・スマートグラスの課題
[1] AIのバイアスという課題
46-6 生成AIによるゲームのドラフト、スクリプト、プログラムコード生成
[1] ゲーム業界に押し寄せている生成AI導入の波
[2] Unity Technologies 「「クリエーターの8割が生成AIを利用」
46-7 テキストから3D(立体)モデル生成・3Dプリンター出力
46-8 メタバースにおいて生成AI技術が果たす役割の広がり
46-9 裸眼立体視デバイス「Looking Glass Portrait」の可能性を広げる画像生成AI
第47章 生成AIと次世代教育モデル
47-1 概説
47-2 教育評価/自動小論文採点(AES)
[1] 論文の自動採点
47-3 生成AIによるコーチング支援
47-4 生成AIによる医学教育テーマの問題解決
[1] 微生物学問題に対するChatGPTの回答能力
[2] コンピュータ支援型言語学習
47-5 中等学校・高等学校における生成AI活用の進展
第48章 医療エコシステム支援/医療関連業務支援
48-1 概況・近況
[1] 英政府 「医療AIのバイアス解消に向けた新しい取り組みを公表2022年2月
[2] Optum 「ヘルスケアAIに関する年次調査:ヘルスケア幹部の4人に3人が管理プロセスの自動化でAIを信頼」
[3] 英NHS AIソリューション大規模実装
他
48-2 医療文書・診療記録に関する生成AI
[1] Simbo.ai 「自然言語理解による臨床文書作成支援システム」
[2] Google 「医療文書用ツール公開」
[3] AIによる臨床記録再構築
[4] マイクロソフト 「Nuanceと、GPT-4を組み合わせた医療現場の技術革新」
[5] Ambient Clinical Intelligence 「医療AI環境の開発」
48-3 AIによる患者ポートレートの自動作成
48-4 AIによる電子カルテ整備支援
[1] Realyze Intelligence 「電子カルテからハイリスク群を抽出するAIプラットフォーム」
第49章 医療診断支援
49-1 概説
[1] ChatGPTを超えたパフォーマンスを発揮するヘルスケアLLM
49-2 医療サイバネティクスと生成AIの結合
[1] 概説
[2] 「ChatGPT支援診断」の可能性
[3] ChatGPTを活用した個別化医療推進の一環で、世界疾病負荷研究(GBD)の知見と組み合わせることによる個別化治療計画
[4] 生成AIによる感染症治療の意思決定支援
[5] GPT-4搭載スマートグラスによる周囲の物体の識別補助
49-3 臨床業務のシステム化/臨床文書改善(CDI)
[1] 概説
[2] クリニカルデータマネジメント
他
49-4 看護記録の構造化
49-5 ECG測定とAI構文認識機能による心臓のパターン認識・診断支援
49-6 生成AIによる各種医療診断支援
[1] 循環器科におけるChatGPTの回答能力検証
[2] ChatGPTの医学的エビデンス要約能力
[3] 生成AIによる感染症治療の意思決定支援
[4] 放射線科レポート要約のためのChatGPTベースの反復最適化フレームワーク 「ImpressionGPT」
[5] CancerGPTによる薬物ペアの相乗効果を予測するモデル
[6] Google大規模言語モデル「PaLM 2」による医療用AIチャットボット
第50章 生成AIによる創薬・治療薬の創出
50-1 創薬におけるChatGPT
50-2 生成AIによる治療薬の創出が現実に
50-3 AI創薬のInsilico Medicine 「生成AIで臨床試験の第?相から第?相の予測に成功」
第51章 ヘルスケア支援/医療カウンセリング支援
51-1 生成AIを用いたメンタルヘルスツールの台頭
[1] 概説
[2] WHOによる調査研究 「メンタルヘルスにおけるAI応用と課題」
[3] WHO 「高齢者を置き去りにしないAI開発戦略」
51-2 健康情報プラットフォームと生成AI
51-3 各種事例・動向
[1] ChatGPTが生成した回答が医師による回答よりも好まれる可能性に関する論文
[2] 「市民が抱く健康課題」へのChatGPTの回答能力
[3] 自然言語処理を用いた双極性障害のケア改善
[4] AIチャットボットによるデリケートな健康問題
[5] 行動変容に対するAIチャットボットの影響
[6] TIS 「製薬・ヘルスケア業界の生成AI活用を推進」
第52章 日本語に特化した言語モデル(LLM)/生成AI
52-1 日本語特化の生成AI
[1] 概要
[2] 課題
[3] 概況・近況
[4] 丸紅
[5] 大日本印刷(DNP)
[6] 三菱電機
[7] 弁護士ドットコム
[8] メルカリ
[9] サイバーエージェント 「日本語特化型の大規模言語モデルの検証」
[10] 情報通信研究機構(NICT) 「日本語に特化した400億パラメーターの生成AIを開発」
[11] NEC 「日本語に特化した大規模言語モデル(LLM)を発表/サービス提供開始」
[12] NEC 「130億パラメーターの軽量さと高い日本語能力をうたうLMMを開発」
[13] NTT 「効率的な大規模言語モデルの独自開発」
[14] リコー 「LLMによる独自のAI開発」
[15] ソフトバンク/LINE 「共同で和製GPT事業を立ち上げ/合弁会社を設立」
[16] CyberAgent 「日本語コーパスで学習したLLMモデルを発表」
[17] rinna(株) 「日本語特化型のGPT言語モデル(36億パラメータ)をオープンソースで公開」
[18] rinna(株) 「ChatGPTと同手法の「人間の評価を利用したGPT言語モデルの強化学習」に成功」
[19] ブレインパッド 「LLM/生成AIに関する研究プロジェクトを立ち上げ」
[20] ストックマーク 「最近の話題にも詳しい14億パラメータの日本語LLMを公開」
[21] Stability AI Japan 「日本語言語モデル「Japanese StableLM Alpha」
[22] (株)ELYZA 「商用利用可能な70億パラメータの日本語LLM「ELYZA-japanese-Llama-2-7b」を一般公開
[23] Preferred Networks 「世界トップレベル評価、日英2言語対応LLM「PLaMo-13B」をオープンソースソフトウェアライセンスで公開」
52-2 汎用PC/スマートフォンで実行できる生成AI
[1] OpenAI 「ChatGPTのスマートフォンアプリ配信/音声認識システム「Whisper(ウィスパー)」の機能を統合」
[2] Nomic AI 「ノートPCでも実行可能な70億パラメータのチャットボット:GPT4ALL」
52-3 国産LLM開発の支援
[1] AWSジャパン 「国産LLMの開発を支援/600万ドルのAWSクレジット提供」
52-4 生成AI/LLMの実装支援・活用支援等
[1] SBテクノロジー 「Azure OpenAI Serviceを活用した企業や自治体向けの生成AI導入支援」
[2] TIS(株) 「企業のAI活用を支援するAzure OpenAI Service 活用支援サービス」
[3] (株)YuBASE 「生成AIを用いたシステムの実装支援/調査、実証実験、実運用までワンストップで伴走支援」
[4] TISインテックグループ/(株)アグレックス 「生成AIの業務活用を後押しする「生成AI活用伴走支援サービス」
[5] (株)エクサウィザーズ(Exa Enterprise AI) 「企業の業務改革、生産性向上を支援する生成AIサービスの開発・販売」
第53章 生成AIクラウド・サービス/プラットフォーム・サービス
53-1 概要
[1] 概況・近況
[2] 生成AIによるクラウド運用の自動化と最適化
[3] 生成AIとクラウドの融合がもたらす今後のシナリオ
53-2 アマゾン・ウェブ・サービス(AWS)と生成AIサービス
53-3 Google Cloudと生成AIサービス
53-4 Google 「Duet AI」
53-5 Google Cloud 「AI/MLのマネージドサービス「Vertex AI」の生成AI機能拡張、同社の生産性向上ツール「Workspace」向け生成AIサービス「Duet AI」の新機能などを多数発表」
53-6 Google Cloud AI/ML開発プラットフォーム 「Vertex AI」
53-7 Google 生成AIプラットフォーム 「Vertex AI」
53-8 Google Cloud 「生成 AI の日本での導入を支援するパートナーエコシステムを公開」
53-9 Microsoft Azureと生成AIサービス
53-10 Oracle 「Oracle Cloud Infrastructure(OCI)をコアにした生成AIの推進」
53-11 生成AIクラウド・サービス関連参入企業動向(国内)
[1] 株式会社G-gen 「Google Cloud 生成 AI ソリューション支援パートナーに認定」
[2] インターネットイニシアティブ(IIJ) 「Azure OpenAI Serviceの導入支援サービス」
[3] (株)miibo 「会話型AIを構築できるプラットフォーム:miibo」
[4] TypeScript 「SkeetでPaLM2、Vertex AI を利用したアプリケーションフレームワークを提供開始」
第54章 主な参入ベンダー動向
54-1 概況
[1] 近況
[2] 生成AIの企業価値動向
[3] 生成AI企業価値ランキング
54-2 OpenAI
54-3 Microsoft
54-4 Google/Google Cloud
54-5 Meta
54-6 Amazon/Amazon Web Services(AWS)
[1] Amazon
[2] Amazon Web Services(AWS) 「生成AIの強化/LLM拡充・データ連携・AI特化サーバーの一挙投入」
[3] AWS 「生成AI関連のサービスを発表」
[4] AWS、ポリシー言語「Cedar」のSDKをオープンソースで公開
[5] AWSとNVIDIA、生成AI分野で協業
54-7 NVIDIA
54-8 Slack
54-9 Apple
他多数
第55章 生成AIの主なスタートアップ/ユニコーン動向
55-1 概況・近況
55-2 生成AIユニコーン動向
55-3 xAI(マスク氏 新会社)
55-4 DataBrix
55-5 生数科技(Shengshu-ai)
55-6 Cohere
55-7 anthropic
(中略)
55-25 ヤンデックス
55-26 プリファード・ネットワークス(PFN)
55-27 HEROZ(株)
55-28 ランサーズ(株)/ランサーズグループ
55-29 ジークラウド/Legal AI 「士業向け生成AIを共同開発」
55-30 (株)YOUTRUST
55-31 ウェル・ビーイング(株)
他多数
]]>
2023-10-03T14:39:55+09:00
一般社団法人 次世代社会システム研究開発機構
-
https://www.x-sophia.com/?pid=177427828
生成AI白書 2023年版 製本版
[出版日]
2023年10月10日
[ページ数]
A4判/約2,400ページ
(※ バインダー製本とPDF版では編集上の違いによりページ数が若干異なります。)
[発行<調査・編集>]
監修・発行: 一般社団法人 次世代社会システム研究開発機構
[レポート内...
[出版日]
2023年10月10日
[ページ数]
A4判/約2,400ページ
(※ バインダー製本とPDF版では編集上の違いによりページ数が若干異なります。)
[発行<調査・編集>]
監修・発行: 一般社団法人 次世代社会システム研究開発機構
[レポート内容]
■概要■
本白書は、生成AIが抱える多元的かつイノベーティブな緒テーマについて、国内外の主な論文/サーベイペーパー/ジャーナルの論考や報告を踏まえながら、最新データをもとに、その全容を体系的に組み立て、網羅的かつ詳細に解説したレポートである。
生成AIは膨大なデータリソース、情報資源、知識領域を統合し、人間の思考の複数の側面を模倣する能力により、トップレベルの人間集団のインテリジェンスさえ超える程度に多義的なものを扱うレベルに達しつつある。しかし、生成AIを組織的、効果的に活用するには、人間と言語モデルの対話パターン、プロンプトエンジニアリング、リスクコントロールを含め、慎重かつ迅速なノウハウの獲得が必要である。
そこで本白書では、おおまかに以下の状況認識のもとで、各章を構成している。
[1] 生成AIは、人工知能の最新のブレークスルーと世界的なデータ量の増加を背景に、一連の入力データ、非構造化データの学習、パラメータなどに基づいて新しいオリジナルコンテンツ生成、コーディング生成、データ生成、インフォマティクス等による設計や開発の効率化などをもたらしている。そして、生成AIが持つこうしたトランスフォーメーションによって、ワークスタイルの在り方をも変革することを目標に、多くの企業や団体が生成AIプロジェクトに注力している。
[2] 生成AIは、コンテンツ生成や情報資産効率化というカテゴリーに収まるきれるものではなく、さまざまなアプリケーションにアドオンすることで、大幅にインテリジェントな基盤と強化することができる機械学習/ディープラーニングのモデルでもある。
[3] 生成AIや大規模言語モデルは、ゼロから新しいモデルをトレーニングするよりもはるかに低い計算コストでファイン・チューニングを行い、特定のドメインにおけるパフォーマンスを向上させることを実証している。これにより、たとえば、設計文書、医療文書、法務文書などのデータセットで微調整し、それぞれの文書処理のための命令チューニングモデルを作成することができる。このモデルは、専門用語の理解、エンティティの識別、テキストからの関連情報の抽出に優れている。
[4] アニメーション、ゲーム、アート、映画、建築などの分野では、「DALL-E」、「Stable Diffusion」、「Midjourney」のような生成系モデルによって、ダイナミックなイノベーションを起こしつつある。
[5] 生成AIモデルは、GitHub CopilotやReplit Ghostwriterのようなツールによって、ソフトウェア開発のような複雑な分野で変革的な能力を示している。
[6] 生成AIモデルは、Azure、AWS、Nvidia、GoogleのようなAIクラウドプラットフォーム、NvidiaやGoogleのようなAIハードウェアメーカー、ChatGPTやBingのような消費者製品経由でのLLMへのアクセス、API経由でのLLMモデルへのアクセス、異なるソースから入力を受け、様々な形式の出力を生成するマルチモーダルモデルにブレークスルーを誘発する存在となっている。
[7] 生成AIモデルは、Hugging Faceのようなフルモデルにアクセスするためのオープンソースプラットフォーム、タスクを設定し、相互に作用することができるエージェントモデルなど、それぞれのドメインでは非常に活発でダイナミックな状況が形成され、既存モデルにブレークスルーを誘発する存在となっている。
[8] 今後、生成AIは、大規模な言語モデルだけでなく、多くの種類のモデルを構築するために使用され、その方法はますますマルチモーダルなものへ発展いくことが確実である。例えば、エンジニアリング、科学、化学、法務、教育、医療など、多くの分野に根本的な変化をもたらすだろう。
[9] その一方で、生成AIプロジェクトで課題を抱える企業も多い。そのため本白書では、以下の諸問題と対策、今後のシナリオなどについて具体的に掘り下げて論考している。
● 生成AIモデルにおける懸念点と目指すべき原則
● 生成AIの利用・開発で留意すべきリーガルリスク
● 権利侵害・プライバシー侵害などへの対策・検討
● サイバーセキュリティ対策
● 幻覚・AIのバイアス・偽情報の助長と防止対策
● デジタルクローニング/ディープフェイク対策、
● ドリフト問題、透明度低下問題、脱獄問題、データ汚染問題、過学習問題など
(他)
※ なお、「生成AI」というテーマは、複眼的、立体的な視点で解明し、アプローチすることで、より精確で深みのある理解が得られるものである。当団体でもそうしたコンセプトで本白書を編纂している。
そのため、以下の白書(ほぼ当団体よりほぼ同時期に発刊)がそれぞれ独立して編纂されながらも、4巻セットとしてシリーズ編成されている。まとめて全4巻を購入された場合、特別に半額の価格設定で提供している。
■ 大規模言語モデル(LLM)白書 2023年版
(A4判/約1,400ページ)
https://www.x-sophia.com/?pid=177427957
■ 機械学習/ディープラーニング(DL)/生成AI・大規模言語モデルと機械学習・DL白書 2023年版
(A4判/約1,400ページ)
https://www.x-sophia.com/?pid=177428005
■ 次世代NLP(自然言語処理)と大規模言語モデル(LLM)白書 2023年版
(A4判/約1,180ページ)
https://www.x-sophia.com/?pid=177428071
※※ 各白書とも、英語版について近刊を予定している。
■内容編成(目次)■
序
第1章 生成AI概説[1]
1-1 概況
1-2 生成AIの定義
1-3 生成AIの俯瞰的発展経過
[1] 生成AIで実現された主な手法
[2] 生成AIで実現された主な手法に関連した具体的な実装モデル
[3] 生成AIのイノベーションと分野別の波及効果
[4] 生成AIを巡る技術競争・産業地図
他
1-4 生成AIの基本的なフレームワーク/実装/拡張シナリオ
[1] 概要
[2] 生成AIの基本的な技術要素
[3] 生成AIのモダリティ、タイプ
[4] 生成AI(ChatGPT/GPT-4)と従来の言語モデルとの違い
[5] 生成AIの活用パターン
[6] 拡散モデル
[7] マルチモーダル生成への拡張・発展
1-5 生成AIがもたらすパラダイムシフト
[1] 生成AIのビジネス上の価値と企業・社会活動への直接的・潜在的な影響
[2] 生成AIがもたらすビジネス価値の源泉
[3] 生成AIが生産性に与える影響
[4] 産業界・研究活動への影響
[5] ジェネレーティブ・デザインによる研究・設計時間の短縮、シミュレーションとテストの改善
[6] バーチャル・エキスパートとしての生成AI
[7] エンジニアリングアシスタント/コーディングアシスタントとしての生成AI
[8] 知識労働に対する生成AIの持続的・潜在的影響の拡大
[9] 生成AIはB2BとB2Cの両サイドでの営業形態をトランスフォーメーションする
[10] 生成AIは小売・消費財の主要なバリュードライバーを支える
[11] パーソナライゼーション、コンテンツ生成によるマーケティング、営業生産性の向上
[12] 生成AIによるカスタマー・オペレーションとエージェント・エクスペリエンスの向上
[13] 対顧客対話パターンのトランスフォーメーション
[14] 金融・銀行業界に大きなインパクトを与える生成AI
[15] 医薬品・医療製品のバリュー・チェーン全体に影響を与える生成AI
[16] ビジネスと社会に求められる正確な理解と配慮
第2章 生成AI概説[2]
2-1 生成AIと大規模言語モデル(LLM)
[1] 生成AIが科学、工学にもたらすもの
[2] エネルギー効率の高いLLM
2-2 生成AIのためのインフラスタック、インフラツール
[1] 概説
[2] ファンデーションモデル
[3] オープンソース
[4] クローズド・ソース
[5] ファインチューニング
他
2-3 生成AIのライフサイクルパターン
[1] 概要
[2] 連鎖
[3] チューニング
[4] RAG
[5] FLARE
[6] 思考の木(ToT)フレームワーク
[7] 行動計画の作成、維持、調整
2-4 主たる論文/サーベイペーパー
[1] 構成的微調整・文脈内学習
[2] インコンテキスト学習(TICL)
[3] ショット学習
[4] 教師あり学習
[5] 検索拡張生成 (RAG)
[6] ファクトグラウンディング
[7] 思考の連鎖(CoT)
[8] 思考の木(ToT)
[9] 思考のグラフ(GoT)
[10] ReAct: 推論と行動
[11] タスクの連鎖の応用
第3章 生成AIの促進要因・支援スキーム/生成AIの評価・利用実態・市場動向
3-1 推進政策・規制緩和等
[1] 経済産業省 「生成AIの開発促進の目的で競争力ある基盤モデル開発を行う企業等への支援スキームの大枠決定」
[2] 政府 「AIに関する国内の研究開発強化を重点政策に」、「2024年度の政府全体の関連予算は前年度の2倍程度に拡充」
3-2 AI市場をけん引する生成AI/生成AIの市場動向
[1] 概況・近況
[2] 生成AIの成長を後押しする要因・要素
[3] アクセンチュア 「テクノロジービジョン2023の発表/生成AIの展開予測」
[4] ゴールドマン・サックスの市場分析
[5] バンク・オブ・アメリカ 「AI市場最新予測」/「最有力20銘柄リスト」
[6] ボストン・コンサルティング・グループ 「生成系AIの世界市場」
[7] Grand View Research予測
[8] the informationの市場分析
[9] 東京エレクトロン 「生成AI関連の需要動向分析」
[10] IDC Japan 「国内AIシステム市場の予測/生成AIの分析」
他
3-3 生成AIの評価・利用実態
[1] 全米経済研究所(NBER)の 「生成AIが企業間の格差を拡大する」
[2] 野村総合研究所(NRI) 「ChatGPTの利用動向調査」
[3] 日経BP社日経クロステック誌 「企業における生成AI活用とリスク対応の実態」
[4] Macbee Planet 「生成AIを活用中のマーケティング担当者を対象にマーケティングへの生成AI活用の実態調査を実施」
[5] Gartner 「2025年にはソフトウェア開発リーダーの半数以上が生成AIの監督を任されるとの予測を発表」
[6] モルガン・スタンレー 「ギグワークの市場規模拡大と生成AIの影響」
[7] Bain & Company 「生成AIに関するフェーズ移行、3つの誤解」
3-4 生成AIに関する認知・問題意識動向
[1] BlackBerry
[2] Gartner
[3] 帝国データバンク
[4] レトリバ 「ChatGPTのビジネス・社会への影響度」に関する調査の結果」
[5] 日経クロストレンド 「ChatGPT、2万人独自調査」
[6] 日本アニメフィルム文化連盟 「アニメ業界とAI(人工知能技術)に関する意識調査」
[7] Elsevier Health 「Clinician of the Future 2023」
[8] ソニービズネットワークス 「AI導入状況調査」/ビジネスパーソンの「ChatGPT」認知度に関する調査結果
[9] エクサウィザーズ 「生成AIの業務活用に関する調査レポート公開」
第4章 生成AIに対する各国の対応/ルール策定を巡る動き
4-1 概況・近況
[1] AI開発の主導権を狙う各国の状況/Tortoise Media 「グローバルAI指数」
[2] Statara 「AIの応用可能性に対する米国民の認知状況」
[3] 経済産業省 「生成AI時代におけるDX推進に必要な人材・スキルの考え方」
4-2 生成AIを巡りG7各国で活発な議論
[1] 生成AIでG7各国が活発な議論、成果強調も積み残した課題
[2] G7 生成AIのルール作成へ 議長国の日本政府が行動指針案示す
[3] 米国政府 「AI開発を手掛ける米主要7社とAIの安全性を確保するルールの導入で合意」
[4] 欧州連合(EU)の欧州議会 「AIコンテンツに関する規制案を採択」
[5] バイデン米政権 「AIのリスクに対処するための計画発表」
[6] バイデン米政権 「Open AIなど生成AIの主要4社トップと会談・安全性の配慮を直接要請/AIを巡る政府方針を発表」
[7] イタリアのデータ保護機関(GPDP) OpenAIに法律順守のタスクを完了するよう要請
4-3 AI規制に関する世界の動向
[1] 概況・近況
[2] 欧州連合(EU) - DSAが登場し、AI規制が始まる
[3] 英国
[4] 米国
他
4-4 生成AI活用普及協会(GUGA) 安全な生成AI」の社会実装に向け本格始動
4-5 生成AIリテラシー向上策
[1] 総務省・情報通信審議会 「日本語能力の高い生成AI開発促進の提言・答申」
[2] 東京商工会議所 「中小企業が生成AI(人工知能)を活用するためのガイドブックを発行」
4-6 各種製品群への生成AI組み込みの可能性
4-7 生成AIなどの技術革新に伴う国際ルール形成
[1] MITテクノロジーレビュー 「AI規制に関する世界の主要な6つの取り組み」
[2] 生成AI、国際ルール形成急ぐ 日本は米欧に後れ
[3] 政府 「生成AIの文書や画像、知財保護へ向けたルール整備に着手」
[4] Amazon 「Kindle出版ガイドラインで生成AI使用時の申告義務付け」
4-8 生成AIの法的な問題/知的財産権に関する問題
[1] 生成AI活用の法的理解
[2] ChatGPTの技術特許を持つグーグルの動向
[3] 「対話型AI」特許分析
第5章 AI・生成AIのビジネス開発と投資動向
5-1 「新しい資本主義」改訂案/新たな産業創出に向けた生成AI開発の強化
5-2 拡大を続ける生成AI投資のビッグウェーブ
[1] アクセンチュア 「AIに30億米ドルの驚愕投資を発表」
他
5-3 Similar Web and Sensor Tower 「生成AI市場動向調査」
[1] トップ生成AI製品のアクセス比較
[2] 消費者向け製品の比較
[3] ユースケース別トラフィックの割合
[4] カテゴリー別成長率
[5] カテゴリー別トラフィックの差 #1位と2位の製品
5-4 a16z 「世界の生成AIトップ50社の分析と市場動静に関する考察」
5-5 a16z 「画像世代の成長による影響」
5-6 a16z Internal benchimarking/Similar Web 「生成AIと非生成AI: オーガニック獲得の対比」
5-7 PitchBook 「企業数と調達資金の比較」
5-8 Similar Web and Discord 「生成AIの成長」
5-9 Similar Web and Sensor Tower 「アプリからのトラフィックの製品別割合」
5-10 Similar Web and Sensor Tower 「製品別アプリからのトラフィックの割合」
5-11 有力スタートアップ/資金調達動向
[1] Cohere 「生成AIの企業導入強化/2億7,000万米ドルをシリーズC調達」
[2] 他
5-12 生成AIで業績を伸ばす有力銘柄
5-13 投資動向
[1] Google 「500億円超をOpenAIのライバル企業Anthropicに投資」
他
ソフトバンクグループ OpenAIへの投資検討
[1] 三菱UFJイノベーション・パートナーズ 「生成AIなど金融への活用念頭に200億円規模の3号ファンドを組成」
第6章 生成AI/LLMのベースモデル/フレームワーク
6-1 ファンデーションモデル(ファンデーションモデル)
6-2 トランスフォーマー(機械学習モデル)
[1] トランスフォーマー 概説
[2] ChatGPTなどの対話型AIの基礎となっている「Attention」を可視化した「Attention Viz」
6-3 ビジョントランスフォーマー
6-4 生成的な事前学習済みトランスフォーマー
6-5 教師あり学習ではなく強化学習による微調整
6-6 プロンプトエンジニアリング/プロンプト・コンストラクション
他
第7章 生成AIの根底に流れる思想・哲学・概念
7-1 ジェネレイティブ
[1] 概説
[2] ジェネレーティブ・サイエンス
[3] ジェネレイティブ・システム
[4] ジェネレーティブ・セマンティクス
7-2 自然言語理解
7-3 知識マップ、コンセプトマップ、ストーリーマップ、認知オーガナイザーと生成AI
[1] シンキングマップ
[2] グラフィック・オーガナイザー/サブサンプション理論
7-4 コンテクストアウェアネス(文脈認識)
7-5 生成AIと人間の心理学・応用心理学の類似性・比較分析
[1] 概要
[2] プロンプトエンジニアリングと応用行動分析(ABA)
[3] 模倣と推論
[4] コンピテンシー/コンピテンシーマネジメント
[5] ツールとプラグイン
[6] 内部モノローグ(内なる声)/ブレインストーミング
[7] 記憶(長期記憶、ワーキングメモリー、短期記憶、感覚記憶)
[8] 自律性
[9] 幻覚
7-6 メタ認知
7-7 進化モデルと生成AI
[1] ミーム/ミームティクス
7-8 自己組織化的生成型AI
第8章 生成AIの課題・対策状況[1]
8-1 言語モデルにおける懸念点と目指すべき原則
[1] 概説
[2] コスト、スケールの問題
[3] リカレント(再帰)接続/フィードバック接続
8-2 生成AI・LLMとインフォデミックリスク
8-3 生成AIモデルと信頼性
8-4 生成AIとアクセシビリティ
8-5 幻覚/AIのバイアス/偽情報の助長と防止対策
[1] LLMの幻覚対策/検索拡張世代(RAG:Retrieval Augmented Generation)
[2] 生成AIで生成されたコンテンツについてファクトチェックを行う技術
[3] Few-shotプロンプト、Chain-of-Thoughtプロンプトによる間違いの修正
8-6 権利侵害・プライバシー侵害の可能性
8-7 テキストから画像への変換・拡散モデルにおける著作権保護問題
[1] テキストから画像への変換モデルと著作権の問題
[2] Google 「AI生成画像への「透かし」による安全対策」
[3] Google 「写真編集機能「Magic Editor(マジックエディター)」
[4] Natureが画像や動画での生成AIの使用を許可しない理由
[5] AI生成画像の見分け方、注目ポイントを専門家が伝授
[6] Microsoft 「Copilotの企業顧客が著作権侵害による訴訟の結果生じる不利な判決には責任を持つと表明」
8-8 デジタルクローニング/ディープフェイク
[1] 概説
[2] ディープフェイク
[3] デジタルクローニング
[4] 音声ディープフェイク
[5] MITが開発・提案する生成AIによるディープフェイクの防止に関する新手法
[6] ディープフェイクされた画像・映像の真贋判定、イバーワクチンによる自動修復
8-9 コンテンツの来歴と真正性に関する問題
[1] AIラベリング/画像や動画に出所や編集履歴を示すラベルを付与するプロトコル「C2PA」を巡る動向
[2] 生成エラーを体系的に特定するファクトチェック(事実性検出)
8-10 ドリフト(生成AIの知能低下)問題/回答生成プロセスの透明度低下問題
8-11 脱獄問題(「AIに有害情報を答えさせるための情報偽装」
8-12 データ汚染による「再帰の呪い」問題
8-13 過学習(学習データの過度な最適化による障害)の問題
8-14 AI利用に伴う倫理問題/差別助長などのリスク
8-15 生成AIのリスク管理/経団連 「倫理的発展のためのガイドライン(案)」
8-16 生成AI普及がもたらすデータセンターのエネルギー消費量5倍増の問題
8-17 サイバーセキュリティ対策
[1] 生成AIをきっかけに変容するサイバー犯罪
[2] ChatGPTの「幻覚」を悪用してマルウエア配布、研究者が実演してみせた驚きの手口
[3] プロンプトインジェクション攻撃
[4] 生成AIにおける敵対的攻撃の脆弱性
他
第9章 生成AIの課題・対策状況[2]
9-1 概説
[1] オープンAIなど10社による自主ガイドライン
他
9-2 生成AIによる著作権侵害への検討・対策
[1] 概要
[2] ユーザー側が考慮するべき要点
[3] 生成AIサービスのプロバイダーにおけるリスク
[4] 「知的財産推進計画2023」原案/生成AIによる著作権侵害への対策検討
[5] 文化庁の「AIと著作権」の解釈
[6] JASRAC 「生成AIと著作権の問題に関する基本的な考え方」を発表
9-3 機密情報漏洩の可能性
9-4 生成AIの利用・開発で留意すべきリーガルリスク
[1] 概要
[2] AI開発・学習段階における検討ポイント
[3] 「知的財産に関するデータ」を学習に用いる場合
[4] 契約による利用制限の可否(オーバーライド問題)
[5] データ提供契約に基づく利用制限
他多数
9-5 生成AI自体の性能変化のリスク
9-6 AI用GPU(画像処理半導体)インフラの確保
9-7 最新動向・事例
[1] OpenAIがコンテンツ収集に用いるウェブクローラー「GPTBot」をブロックする試み
他
9-8 外部ツールとの連携
第10章 生成AI/LLMで実装・発現される技術群[1]
10-1 文章抽出/テキストの自動要約
[1] 概説
[2] 用語抽出
[3] キーワード抽出
[4] 文章抽出と自動要約
[5] テキストの簡略化
[6] 共参照の解決
10-2 テキストデータマイニング(TDM)/ニュースアグリゲーション
[1] テキストマイニング
[2] ニュースアグリゲーション
[3] バイオメディカルテキストマイニング
10-3 自然言語生成/明示的な意味解析/リライティング
[1] 自然言語生成
[2] 明示的な意味解析
他
10-4 知識抽出・知識作成/データベースからの抽出・変換
[1] 情報抽出
[2] 知識抽出
[3] 構造化および非構造化ソースからの知識抽出・知識作成
他
10-5 情報検索/データマイニング/主題別インデクシング/XML検索
[1] 概要
[2] 生成AIを使った科学文献の絞り込み検索
[3] セマンティック検索
他
10-6 レビュー/探索的データ解析/自動分類/多目的最適化問題
[1] コンピュータ支援レビュー(CAR)
[2] クラスター分析/クラスタリング
第11章 生成AI/LLMで実装・発現される技術群[2]
11-1 センチメント分析
[1] 概説
[2] 生成AIによるビジネス向けセンチメント分析システムの構築
[3]生成AIによるセンチメント分析アプリケーションの構築
[4] センチメント分析で生成AIを使用する際の課題
[5] ソーシャルメディアコメントのセンチメント分類/カスタマーレビュー要約
[6] 生成AIによるセンチメント分析におけるプロンプト作成
[7] センチメント分析ユースケース [1] データの前処理
[8] センチメント分析ユースケース [2] コンテクスト理解
[9] センチメント分析ユースケース [3] 特徴抽出
[10] センチメント分析ユースケース [4] センチメント分類
[11] センチメント分析ユースケース [5] 学習データ生成
[12] センチメント分析ユースケース [6] 多言語サポート
[13] センチメント分析ユースケース [7] リアルタイム分析
11-2 データマイニング/ナレッジディスカバリー(知識発見)
[1] 概説
[2] シーケンシャル・マイニング
11-3 情報科学とオントロジー/データモデル
[1] オントロジーおよびオントロジー学習
[2] 分類スキーム
11-4 メタサーチエンジン/サーチアグリゲーション
[1] メタサーチエンジン
[2] メタブラウジング
[3] フェデレートサーチ
他多数
11-5 データキュレーション
[1] データキュレーション
11-6 バイオキュレーション
[1] バイオキュレーション
[2] 全ゲノムシーケンス分析
11-7 コンピュータビジョン
11-8 パーシーバー/非構造化データのトランスフォーマー
第12章 生成AI/LLMで実装・発現される技術群[3]
12-1 有効な取引戦略エディターとしての生成AI
[1] 概説
[2] ChatGPTに取引戦略の構築を依頼するとこうなる
12-2 価格トレンド分析と取引戦略支援
12-3 市場トレンド
12-4 生成AIによる取引戦略
12-5 アルゴリズム取引における生成AIの活用
12-6 デイトレードにおける生成AIの活用
12-7 行動ファイナンス/市場のセンチメント分析と投資支援
12-8 不動産トレンド分析と生成AIの活用
12-9 トレーディング戦略を向上させるための生成AI活用
[1] 概要
[2] 市場分析プロンプト
[3] ファンダメンタル分析
[4] テクニカル分析
[5] センチメント分析プロンプト
[6] ソーシャルメディアのセンチメント分析
[7] 取引戦略の策定
[8] リスク管理/ポジションサイジングプロンプト
[9] 損切りと利益確定戦略
[10] リスクリワードレシオ分析
第13章 チャットAI/AIアシスタントと生成AI
13-1 概説
13-2 AI型チャットボット
13-3 シナリオ型チャットボット
13-4 生成AI・文脈理解で進化するチャットボット
13-5 主な生成AIチャットボットの基本特性
[1] OpenAI 「ChatGPT」
[2] マイクロソフト 「Bing ChatGPT」
[3] Jasper 「Jasper」
[4] YouChat 「YouChat」
[5] Chatsonic/Google 「Chatsonic」
[6] Socrates 「Socrates」
[7] Amazon 「音声認識アシスタントAlexaに生成AIを導入/複雑なリクエストにも対応可能に」
[8] Google 「Google ChatをSlackやTeamsなどの他プラットフォームと相互運用可能に」
13-6 低スペックPCでも使える軽量チャット
[1] Nomic AI 「GPT4ALL」
13-7 ニューラルネットワーク搭載型のチャットボット
[1] Google 「Meena」
[2] メルセデス・ベンツが米国車両の音声アシスタントにChatGPT導入、90万台以上に
13-8 信頼、助け合い、無害を再定義するAIアシスタント 「Claude」
13-9 サブスクリプション型AIチャットサービス
13-10 参入企業動向・活用事例
[1] リコー 「RICOH Chatbot Service」からGPTを利用できるオプションを提供開始
他
第14章 生成AI/LLMと次世代検索エンジン/Webインテリジェンス
14-1 概説
[1] 概況
[2] 検索エンジンの処理と機能拡張
[3] 生成AIは検索の優位性がそのまま競争優位につながる
他
14-2 RAG(検索拡張)による生成的AI変革の第二の波
14-3 アダプティブ・ウェブサイト
14-4 Webインテリジェンス
14-5 Microsoft Bing(通称:Bing)
14-6 Google 「AI搭載の次世代検索エンジン」
[1] 概況・近況
[2] グーグル 生成AI検索「SGE」/ウェブ記事要約などの新機能を追加
[3] グーグル AI検索エンジン「Magi」のプロジェクト推進
14-7 生成AIとSEO技法への影響
第15章 生成AI/LLMを支えるハードウェア/高速コンピューティング/ネットワーキング技術
15-1 生成AIとGPU
15-2 生成AIとディープラーニング用GPUと適性
[1] 生成AIとディープラーニングに最適なGPU
[2] ASUS ROG 4070 Ti
[3] ASUS ROG Strix RTX 4080
[4] ASUS TUF RTX 4090
[5] Galax RTX 4070 Ti
[6] MSI RTX 4080
[7] バイペラ NVIDIA RTX 4090
[8] NVIDIA 「生成AI用の新型半導体セットを開発/メモリー容量を従来の3.5倍で処理高速化」
[9] AMD 「生成AI向けにGPGPU(General Purpose Graphics Processing Unit)「Instinct」の新製品を発表」
[10] Super Micro Computer Inc.の最新動向
[11] SB C&S(株)の最新動向
15-3 高速化されたコンピューティングとAIの統合
[1] 生成AIブームに乗るNVIDIA
15-4 RISC-Vの活用
[1] 基本的な特性
15-5 RISC-V活用の主な事例
[1] Imagination Technologies(英国)
他多数
15-6 大容量メモリと1EFLOPSの性能備えたAIスーパーコンピュータ
15-7 AIに特化した高速ネットワーキングプラットフォーム
15-8 生成AIの多様なニーズに応えるリファレンスアーキテクチャ
第16章 生成AIのファインチューニング
16-1 概説
[1] 概要
[2] ファインチューニングされた言語モデル
[3] LLM/生成AIを微調整する主なメソッド
16-2 特定のタスクに適合するためのchatGPTの微調整
[1] LLM埋め込みと微調整技術によるプロンプト・エンジニアリング
[2] プロンプトエンジニアリングにおける微調整
[3] LLMエンベッディングとファインチューニング: 相乗効果のあるペア
第17章 生成AIを巡る知的財産権・特許の競争
17-1 生成AIと特許の最新動向
[1] 概説
[2] 生成AIアルゴリズムと知的財産権
[3] 機械学習と知的財産権
[4] AI/生成AI技術の特許化
[5] AIアルゴリズムの特許化
[6] AI/生成AI特許の留意点
他
17-2 生成AIと特許の考察
[1] 概説
[2] 特許クレームと発明者意識
17-3 生成AI特許出願動向
第18章 主な生成AIの強み・弱み/新たな拡張シナリオ
18-1 GPT(Generative pre-trained transformers)
18-2 マイクロソフト 「インターネット全体を一度に取り込むことができる次世代生成AI:LongNet」
18-3 Google 「PaLM2」
[1] 進むPaLM2の機能強化
[2] GPT4との比較
[3] PaLM 2の日本語対応/ソフトバンク等でプレビュー版を利用開始
18-4 Google 「Bard」
18-5 Google 「Gemini」
18-6 Meta 「Llama 2」/ChatGPT超えの性能を発揮するか
[1] LLaMA 2:新時代の幕開け
[2] Meta 商用利用も可能なオープンソースの大規模言語モデル「Llama 2」提供開始
[3] Meta Llama 2を基盤にしたチャットボットAI 「Meta AI」
18-7 Adobe 「Firefly」/「FireflyをCreative Cloudと統合」
18-8 SAP SE 「SAPのエンタープライズクラウド製品に直接組み込まれり生成AIアシスタント: Joule」
18-9 Meet Pi(ChatGPTの新たな有力対抗馬)
18-10 Anthrpic 「Claude」
第19章 プロンプトエンジニアリング−活用のポイントと課題
19-1 プロンプトエンジニアリング/プロンプト・コンストラクション 概説
[1] 概説
[1] プロンプトの制約
19-2 生成AIの成果を左右するプロンプトエンジニアリング
[1] ChatGPTの成果を左右するプロンプトエンジニアリング、その活用のポイントと課題
[2] LLMで困難な多段階問題を解決するためのプロンプティング技法
[3] プロンプトエンジニアリングのヒント
19-3 プロンプトの制約条件と緩和策
19-5 マルチモーダル・モデル
[1] MultiModal-GPT(人間との多人数対話のための視覚・言語モデル)
他
19-6 プロンプト最適化ツールキット
[1] Microsoft Research 「LMOps」
19-7 長文プロンプト入力
[1] Google支援のAnthropic 「超長文プロンプト入力可能な生成AI」
19-8 事例
[1] 日本マネジメント総合研究所合/GPT研究所 「GPT監査活動を通じて編み出した汎用型プロンプト」
第20章 強化学習による人間の価値観と合わせた各種生成技法
20-1 RLHF(人間のフィードバックを使ってAIモデルを強化学習する手法)
20-2 SFT(Supervised Fine-Tuning:教師あり微調整)
20-3 RM(Reward Model:報酬モデル)
20-4 PPO(Proximal Policy Optimization:近接方策最適化
20-5 人間の評価を利用したGPT言語モデルの強化学習
[1] Rinna 「強化学習済みの日本語に特化した対話GPT言語モデルの公開」
第21章 企業組織における生成AIの戦略的利活用
21-1 概説
[1] 概況・近況
[2] 他社製のAIモデル活用の動向
[3] 独自モデル開発の動向
[4] 国内大手ITベンダー、通信キャリアの動向
[5] 開発コスト、精度検証などの課題
[6] Azure OpenAI Serviceと“社内GPT“の動向
21-2 経営者が考える生成AIのビジネス・社会への影響
21-3 AI導入による生産性向上と生成AI
[1] AI導入で生産性向上「世界GDPは10年後に980兆円増」今すぐ投資すべき15銘柄。ゴールドマンS最新予測」
[2] ChatGPTなど生成AI 使いこなすために必要な8つのスキル
21-4 生成AIの利用ガイドライン
[1] 概要
[2] オープンAIなど10社による自主ガイドライン
[3] 文部科学省 「大学等の教育機関に対し、教育活動における生成AIの取扱いに関するガイドラインの策定等を促す通知を発出」
21-5 Azure OpenAI Serviceと“社内GPT“
[1] 概要
[2] 生成AIとエンタープライズ・ソフトウェアの連携
[3] 日常業務で使うTeamsやAzure OpenAI Serviceの連携
他
21-6 生成AIによる財務情報分析
21-7 生成AIによる人事、総務、情シスなどの質問対応自動化
21-8 生成AIがコンサルタント/テクノロジーキャリアに与える影響
[1] ChatGPTで「経営コンサルすら失職」の恐れ、データサイエンティストが説く危機感
[2] IBMが採用一時停止、7800人の仕事をAIに置き換え
[3] マッキンゼー、社員の「約半数」が生成AIを利用していると発表
[4] 生成AIが変える、テクノロジーのキャリアパス
[5] ChatGPTプロンプトの活用
21-9 働き方/ワークスタイル/ワークフローに大きな変化をもたらす生成AI
[1] 概説
[2] 野口悠紀雄氏(一橋大学名誉教授) 「生成AI本格導入後のシナリオ」
[3] AIによる雇用の自動化
[4] 生成AIによる議事録作成・FAQ作成
21-10 生成AIによる企業向けサービス
[1] OpenAI 「GPT-4使い放題の企業向けプラン」
[2] OpenAI 「エンタープライズ向けChatGPTの提供開始」
[3] セールスフォース、「Tableau」のデータ分析結果を対話しながら理解できる「Tableau GPT」など公開
21-11 高速GPT-4でプライバシーも安全とされる企業向け「ChatGPT Enterprise」
21-12 生成AISaaS
[1] NVIDIA/Snowflake 「SaaS上のデータ利用の独自AIアプリ構築環境提供」
21-13 Copilotプラットフォームと生成AIの相互運用・外部連携
[1] 概要
[2] Microsoft 「Bing Chat Enterprise」
21-14 Google 「Duet AI for Google Workspace」
21-15 Microsoft データ分析基盤「Fabric」発表/DWH・AI・ストリーム分析を統合
21-16 オフィスのデジタル化(DX)と生成AI
21-17 決算説明会、株主総会等における想定問答の作成支援
21-18 生成AIを活用した仕入れ交渉
[1] ウォルマート 「仕入れ交渉に生成AIを活用」
21-19 生成AIによる営業事務の支援・部分的な自動化
[1] 概要
[2] Smash 「生成AIと連携する商談分析・可視化サービス」
[3] ギブリー 「営業組織の非コア業務を削減する営業アシスタントの実装」
21-20 生成AIによるプロダクトディスカバリー
21-21 生成AIによるデジタル自動商品セットアップ
21-22 その他各種事例
[1] 営業トークを生成AIが採点、担当者ごとの成績表を示して次回の話題まで助言
[2] mignの自動デザイン生成ソフトにChatGPTやStable Diffusionの連携機能
21-23 生成AIに取り組む有力企業・団体動向
[1] 概況・近況
[2] マッキンゼー 「4つのC: 半数の社員がChatGPTを活用」
[3] KPMG 「Microsoftとの提携拡大/AIに20億米ドル投資」
[4] IBM/IBM Consulting 「ビジネス×生成AI」
[5] ウォルマート
[6] LinkedIn
[7] Meta
[8] PwC米国 「生成AIに10億ドル投資/ChatGPTのサービス強化」
[9] デロイトトーマツコンサルティング 「全コンサルタント約5000人に生成AIの専門知識や活用ノウハウを獲得」
[10] 東北大学 「事務部門、業務効率化を目的に生成AIを導入/大学DX推進」
[11] 日立製作所 「生成AIセンターの新設」/「生成AIを活用したビジネス創出に向け生成AIベンチャーと協業模索」
[12] NTTデータ 「生成AIのグローバル推進体制を整備/新サービスの提供を開始」
[13] NTTドコモグループ3社 「生成AIを活用した業務のDX推進/付加価値サービス提供に向けた実証実験」
[14] 伊藤忠商事 「社員4200人に社内版ChatGPT」を導入」
[15] パナソニック 「分析作業で生成AIを活用」
[16] (株)ELYZA(東京大学松尾研究室) 「企業独自LLMの構築支援プログラム/LLMのポストトレーニングに注力した支援施策」
[17] KDDI 「自社で独自の生成AIを開発」/「Azure OpenAI Serviceの法人提供」/「GPT-4など導入支援」
[18] 三井住友海上 「生成AI(Azure OpenAI Service)を全社員で利用を促進」
[19] パナソニック 「AIモデル学習時のデータ構築コストを削減する技術を開発」
[20] パナソニックコネクト 「自社特化AI」して自社ChatGPTを新開発」
[21] (株)ヘッドウォーター Azure OpenAI Service活用と組織浸透を包括的に伴走支援する「生成AIプロジェクトラボ」
[22] 村田製作所
[23] 小野薬品 「生成AI「OnoAIChat」の導入で社員の業務効率向上を達成」
[24] サイバーエージェント
[25] フジテック 「業務改善用社内ツールに生成AI導入」
[26] セゾン情報システムズ 「若手社員主導にて大規模言語モデル(LLM)研究会発足」
[27] メルカリ 「生成AIやLLMの専門チームを社内に設置」
[28] (株)ナレッジセンス 「ChatPro(チャットプロ)」
[29] Airion(株) 生成AIによる人事、総務、情シスなどの質問対応自動化サービス「ケルくん」
第22章 生成AIのトレーニング手法
22-1 概説
22-2 スタンフォード大学 「大規模言語モデル・生成AIを理解するためのAIベンチマーク」
22-3 事前学習済みモデルとファインチューニング(トレーニング)
[1] メモリの消費量を激減させつつ少ないデータでトレーニングできる手法 「QLoRA」
22-4 プロンプトエンジニアリング教材
[1] DeepLearning.AI/OpenAI 「プロンプトエンジニアリング教材を共同開発・無料公開」
22-5 AI/生成AIのトレーニングを大幅に安く高速化するLLM 「phi-1.5」
22-6 生成AIに関連した研修サービス
[1] AKKODiSコンサルティング(株) 「ChatGPT活用研修」
22-7 事例
[1] Microsoft 「無料のAIトレーニングを提供開始」
[2] Google 「無償で利用可能な生成AIのトレーニングコースを公開」
[3] UCバークレー校 オープンソースのvLLMライブラリによるチュートリアル
第23章 生成AI・LLMとドキュメントインテリジェンス/組織におけるコンテンツ利用
23-1 自然言語処理と機械学習によるドキュメントインテリジェンス
[1] アドビ、「Adobe Experience Manager」でAIを活用した新しい生成型サービスを公開
[2] アドビ、エンタープライズ向けFireflyを発売、AIでクリエイティビティを加速させるAdobe Expressを導入
23-2 生成AIによるドキュメント・インサイト・ウェアハウス
[1] 概要
[2] マイクロソフト 「Azure OpenAI Documents Search App - Document Insight Warehouse」
[3] Anthropic ChatGPT対抗AIチャットボット「Claude」(5時間以上かけて読む資料を1分以内で理解)
第24章 画像・動画・映画の生成/シントグラフィー
24-1 テキストから映像・動画を生成する技術
24-2 シントグラフィー(デジタルメディアを合成的に生成する手法)
24-3 ステイブル・ディフュージョン(ディープラーニングによるテキストから画像への変換モデル)
24-4 画像生成AIが変えるアニメーション作成フロー
[1] 概要
[2] ローカルPC上でのStable Diffusionの動作環境「WebUI A1111」の拡張
[3] ComfyUI版AnimateDiff
24-5 DALLE/DALLE-E-3
24-6 Google Research/ボストン大学 「DreamBooth:テキストから画像へのモデルの微調整に用いられる深層学習生成モデル」
24-7 Microsoft AI 「MM-REACT」(視覚プールを組み合わせてマルチモーダル推論・行動を実現するシステム)
24-8 Google 「AIによる商品画像の生成と編集をサポート:Product Studio」
24-9 OpenAI 「ChatGPTに画像認識機能を搭載」
24-10 DeepFloyd IF 「自然言語モデルの知識を利用した画像生成モデル:Imagen」
24-11 訴訟リスクの少ないクリーンな画像生成AI 「Emi」
24-12 Leonardo.Ai
24-13 &NovelAI
24-14 Getty Images 「画像生成AIに参入/完全な法的確実性をクリエイターに補償」
24-15 その他近況・事例など
[1] マイクロソフト ブラウザーから手軽に使える画像生成AI 「Bing Image Creator」
他多数
第25章 自律的な生成AIシステムによるジェネレーティブデザイン
25-1 ジェネレーティブデザイン
[1] 概要
[2] サイエンスとしてのデザイン
[3] デザイン思考:AIによるデザインの認知的、戦略的、実践的な手順
25-2 生成AIによる3Dモデル自動生成
[1] OpenAI 「3Dモデル自動生成AI「Shap-E」を発表」
25-3 ジェネレーティブデザインの応用分野
[1] 建築
[2] コンポーネント設計
第26章 生成AIによるエンジニアリング情報管理(EIM)/システムエンジニアリング支援
26-1 学際としてのシステムズサイエンスとAI
26-2 エンジニアリング情報管理(EIM)と生成AI
26-3 システムエンジニアリングと生成AI
26-4 生成AIとデータ分析
[1] 概説
[2] データ分析に生成AIを使用するに当たってのベストプラクティス
[3] データ分析における生成AIのメリット
26-5 メタモデリング
26-6 メタプログラミング
26-7 自動プログラミング
26-8 生成AI(自然言語)によるデータベース分析
26-9 自動的なエラー検知・バグフィックス
他
第27章 生成AIによるソフトウェアプロトタイピング/コーディング支援
27-1 概説
[1] 概要
[2] 生成AIが開発ワークフローのトランスフォーメーション
[3] 生成AIコーディングツールの設計と構築
27-2 AIベースのソフトウェア開発とデプロイメント
27-3 ソフトウェア開発者向け生成AI利用のベストプラクティス
27-4 ソフトウェアプロトタイピングと生成AI
[1] 概説
[2] 進化型プロトタイピング
[3] AIコード作成支援ツール
27-5 AIとDevOpsの組み合わせ
[1] AIのためのDevOps
[2] AIとDevOpsの組み合わせ
27-6 生成AIによるソフトウェア開発・コーディング支援
[1] 概説
[2] ChatGPTを使ってコードを書く方法
[3] 次世代の開発環境整備
[4] 「Microsoft Build 2023」で発表された非開発者向け新機能
[5] Microsoft 生成AI機能「Copilot」を統合
27-7 Googleが見せた「生成AIを活用したシステム運用スタイル/コード化の未来像」
27-8 生成AIによるコード生成
[1] 概況・近況
[2] ChatGPTを使ったコード記述
[3] ChatGPTを使ったコード・デバギング
[4] AIを使ったコード生成ツールと生産性向上
27-9 開発支援AI 「GitHub Copilot」
[1] GitHub Copilotの概要
[2] GitHub Copilotチャットのベータ版が全組織で利用可能に
[3] GitHub Copilotの全社導入とその効果
[4] GitHub 「GitHub Copilot Chat」を個人ユーザーにも提供開始
27-10 生成AIによるバグ捕捉、プログラム改修
27-11 定番開発用エディタ「VSCode」から利用できるChatGPT
27-12 VSCodeとChatGPTの橋渡しをする拡張機能 「Genie AI」
27-13 生成AIによるソフトウェア開発における制約・課題
27-14 主要ベンダーの動向
[1] AWS(Amazon Web Services) 「Amazon CodeWhisperer」
[2] Google 「Bard」
[3] Google 「Duet AI for Google Cloud」
[4] Google 「Codey」
[5] Google AI活用コーディングアシスタント 「Studio Bot」
[6] Microsoft Code Llamaをベースにしたコード専用生成AI「WizardCoder」
[7] Microsoft 「Metaがリリースしたコーディング専用LLMの「Code Llama」をベースにしたコード専用生成AI「WizardCoder」
[8] Microsoft リポジトリのコーディング作業を自動編集する生成AI 「CodePlan」
[9] Meta プログラミング支援AI 「Code Llama」
[10] Meta コード生成や解釈に特化した大規模言語モデル「Code Llama」
27-15 主な開発者向け生成AIの特性
[1] ChatGPT
[2] GitHub Copilot/CopilotX
[3] ChatGPT+ (GPT-4)
[4] Askcodi
[5] OpenAI Codex
[6] OpenAI Playground
[7] Google Bard
[8] Bing AI
[9] Amazon CodeWhisperer
[10] ChatSonic
[11] Tabnine
[12] Rix
[13] ClickUp AI
[14] CodeT5
[15] Codiga
[16] PolyCoder
[17] Snyk Code
[18] Replit Ghostwriter
27-16 参入企業動向
[1] NTTデータ 「生成AI使うシステム開発手法を全技術者に展開」
[2] みずほフィナンシャルグループ/富士通 「システム開発に生成AI導入」
[3] Google 「プログラミング補助AI:Studio Bot」
[4] サイバーエージェント 「AI開発手法「MLOps」の研修資料を無償公開」
他
第28章 生成AIと連携するアプリおよびアプリ作成ツール
28-1 ChatGPTを使ったアプリ作成
[1] 概説
[2] 自然言語入力によるChatGPT連携アプリ作成ツール「MetaGPT」
28-2 生成AIにおけるアプリ開発高速化
[1] ローコードと先端AIの結合
[2] Microsoft 「ローコード開発環境「Power Platform」に新機能追加」
28-3 主要プレーヤー動向
[1] Microsoft 「生成AI搭載アプリ開発ツール発表/自社専用「Copilot」を実現」
[2] Google 「AppSheet」
28-4 参入企業動向
第29章 ChatGPTのコードインタープリターによる業務の自動化
29-1 概況・近況
[1] OpenAI コードインタープリター機能の一般開放を開始
[2] コード開発/プロトタイピング
[3] Pythonコードの実行
[4] データ分析/データ可視化
[5] 異なるフォーマット間でのファイル変換
[6] 数学的問題の解決
29-2 ユースケース
[1] データの可視化
[2] データ分析
[3] グラフの作成
[4] ファイルの編集
[5] 画像編集
[6] 画像の動画化
他多数
第30章 マーケティング・営業支援
30-1 概説
30-2 生成AI で変わる顧客接点・顧客体験(エンゲージメント)
30-3 生成AIによるインサイトやアイデア開発
30-4 セールス活動における生成AIの活用
30-5 ChatGPT連携タレントロボット/商談デモとしての活用
30-6 マーケティングにおける生成AI/その他AIの活用例(海外)
[1] IBM
[2] Google
[3] Salesforce
他多数
30-7 AIによる新商品の需要予測・顧客行動分析
第31章 顧客プロセスと統合された生成AI
31-1 生成AIとカスタマーエクスペリエンス向上
31-2 生成AIを活用したアンケート調査
31-3 Webサイトの評価・改善の支援
[1] 「B2BフォームAI診断」を無料提供(WACUL)
31-4 生成AIによる顧客サポート、接客サービス
31-5 生成AIによる電話応対・コンタクトセンターの効率化
31-6 参入企業動向
[1] 電通デジタル 「データアーティストとの合併/データ&AI部門の新設」
[2] フリークアウト・ホールディングス 「生成AIの活用推進をループ全体で強化」
[3] Expedia 「ChatGPT をExpedia(旅行サイト)のモバイルアプリと統合」
第32章 金融業界向け生成AIの活用
32-1 概況・近況
32-2 生成AI導入に意欲をみせるメガバンク、損保大手
32-3 生成AIによる金融・財務タスクの自動化
32-4 生成AIによる株価予測
32-5 各種事例/実証実験動向
[1] ゆうちょ銀行とneoAI 「生成AI活用に向けた実証実験」
[2] 住信SBIネット銀行 「生成AI/LLMを活用した業務改善およびAIモデルの高度化を目的とした実証実験」
32-6 生成AIのニュースの見出しのセンチメント予測による株式予測
第33章 広告・広報・広告クリエイティブ制作の支援
33-1 概説
33-2 ターゲティング広告における生成AI活用
33-3 効果予測AIによる広告クリエイティブ制作支援
33-4 大規模言語モデル(LLM)活用による広告効果の高いテキストの自動予測・自動生成
33-5 生成AIが促す連動広告ビジネスモデルの変容
33-6 生成AIによるプレスリリースの自動生成
33-7 事例
[1] 博報堂DYメディアパートナーズ 「大規模言語モデルで広告効果を予測」
[2] 電通デジタル 「∞AIにGPT-4を実装」
[3] サントリー 「ChatGPTでCMを制作」
[4] サントリー 「ChatGPTのCM案を映像化」
[5] ニューラル 「広告分野に特化したマルチモーダルな基大規模言語モデルを開発」
[6] オプト 「生成AIを活用した広告の効果予測・広告制作活用」
[7] グーグル 「Google広告で生成AI活用を発表」
第34章 自動コンテンツ制作支援/生成AIのクリエイティブ活用
34-1 概説
[1] 生成AIで増殖する「コンテンツファーム2.0」の新たな波
34-2 生成AIによるECの変容
[1] コンテンツ監査・コンテンツインベントリー支援
[2] コンテンツインベントリ
[3] ウェブコンテンツのライフサイクル支援
34-3 自動コンテンツ制作支援
[1] CMSとChatGPTを連携した自動コンテンツ制作を支援
[2] 生成AIによる文章一行(ワンセンテンス)のWebサイト構築
34-4 AIによるタイトル生成・タイトル提案
34-5 AI生成記事の校正サービス
34-6 コメントの自動応答/選択肢に応じたメッセージ自動返信
34-7 FAQの自動生成
34-8 生成AIによるコンテンツ生成とサービス展開
34-9 生成AIによる製品レビュー生成
34-10 主なAIコンテンツ生成ツール
[1] Univer.se 「モバイル&テキストプロンプト入力でECサイト構築可能にする生成AI」
[2] AI WRITER 「見出しだけで数分で記事全体を生成する生成AIソフトウェア」
[3] ANYWORD 「ソーシャルメディア広告、マーケティングメール、ランディングページ、コンテンツ用のテキストを生成する生成AI」
[4] Article Forge 「1分以内にオリジナルのSEOコンテンツを作成する生成AI」
[5] Articoolo 「新しい記事の作成、古い記事のリライト、タイトルの生成を行う生成AI」
[6] ContentBot 「多機能なAIライター」
[7] Copy.ai 「記事類、ソーシャルメディア投稿、商品説明、コピーライティングフレームワークなどのコンテンツを生成する生成AI」
[8] GrowthBar 「SEOに適したコンテンツを素早く簡単に生成する生成AI」
他多数
34-11 参入企業動向
[1] グーグル ニュース記事作成AI「Genesis」
[2] メルカリ 「メルカリShopsにおけるChatGPTを活用した自然対話の商品検索」
[3] ブイキューブ/ポケトーク 「イベントDXソリューションに同時翻訳・通訳を組み合わせたソリューション」
他多数
34-12 事例
[1] ITmedia NEWSは記事執筆フローにChatGPTなどAIを導入する
第35章 生成AIによるレコメンドシステム(レコメンダーシステム)
35-1 概説
[1] 概要
[2] 生成AIによるレコメンドシステムの特性
35-2 アプローチ別特性
[1] 協調フィルタリング
[2] コンテンツベースフィルタリング
[3] ハイブリッド推薦アプローチ
35-3 テクノロジー
[1] セッションベースの推薦システム
[2] レコメンダーシステムのための強化学習
[3] リスクを考慮した推薦システム
[4] モバイルレコメンダーシステム/ロケーションベースド・レコメンデーション
35-4 応用サービス
[1] プロダクトファインダー
[2] レコメンダーシステム
[3] Azureクラウド上の生成AIベースのレコメンデーション・エンジン
[4] AIレコメンデーションシステムの構築
他
第36章 建設・建築分野における生成AIの活用
36-1 概説
36-2 生成AIによるコンセプト立案、パース作成
36-3 構造ヘルスモニタリング(SHM)
36-4 生成AIによる建築プランナーのインタビューおよびパース作成の自動化ソリューション
36-5 テキストプロンプトから建設テクスチャ付き3Dアセットを生成する技術 「Text2Room」
36-6 生成AIとBIMの結合
[1] 概説
[2] BIMと設備管理
36-7 生成AIによる3Dモデルの設計変更とデジタルツインプラットフォームへの統合
36-8 事例
[1] 東大発AIスタートアップ「燈」、ChatGPT等を建設業に特化させた「AKARI Construction LLM」の提供を開始
[2] 独自調査で分かった建設会社や設計事務所のスタンス
[3] 鹿島 「生成AIによる顧客提案の素案作成/生成AIによる会議の議事録作成」
第37章 製造業における生成AI活用
37-1 概況・近況
[1] 製造業の生成AI活用に関する意識調査
[2] 製造業における生成AI活用の現在地・今後のシナリオ
37-2 生成AIによる保守点検支援
[1] 概説
[2] シーメンス 保守業務における生成AI活用
37-3 生成AIによる経営の資源としての人、資材、設備を有効に活用した生産システムの構築・改善
[1] 工場の現場改善・現場改善の定量化
[2] 工場のレイアウト改善
[3] 工場レイアウト計画におけるアクティビティ相互関係分析・素案作成
37-4 マイクロソフト 「Dynamics 365」にChatGPTを搭載した「Dynamics 365 Copilot」
37-5 生成AIによる作業支援
37-6 クラウドサービス/オンプレミスの両方に対応
37-7 Hewlett Packard Enterprise(HPE) 「生成AIによる自然言語対話で産業用ロボット操作をサポートするシステム」
37-8 NVIDIA 「自動車、建築業向けの専用生成AI活用支援」
37-9 Autodesk PicassoのAIモデルを利用した生成AIによるコンテンツ制作機能を3D CG処理ソフトウエア「Maya」に統合」
37-10 Toyota Research Institute(トヨタ・リサーチ・インスティテュート:TRI) 「生成AIを自動車デザインで利用する研究や拡散モデルを工学設計に応用する研究」
37-11 生成AIによる現場の異常の自動判別・報告
37-12 生成AIによる熟練技能継承・現場訓練支援
第38章 化学・材料分野、マテリアルズ・インフォマティクスにおける生成AI活用
38-1 概況
38-2 生成AIを活用した用途探索
38-3 マテリアルズ・インフォマティクスを活用した新材料の開発・探索
38-4 生成AIとハイブリッド・クラウドで新素材設計
第39章 生成AIによるデジタルライブラリー/機関リポジトリの運用支援
39-1 概要
39-2 生成的AIが情報リテラシーとレファレンスに与える影響
39-3 書誌データベース支援
39-4 コレクション・マネジメント
39-5 アーカイブスマネジメント
他
第40章 生成AIによるキュラトリアルプラットフォームの運用支援
40-1 概要
40-2 デジタル・キュレーションの世界における生成AI
[1] 概説
[2] 食べログ 「日本初のChatGPTプラグイン開発」
40-3 「全社横断のAIプロジェクトチームを新設/Notionを活用したポータル上に業務関連のプロンプトを公開」
第41章 自律的な生成AIシステムによるジェネレイティブ・アート
41-1 概説
[1] 定義・概要
[2] AIアートの拡張・進歩
[3] 著作権、ディープフェイクの懸念
[4] 批評、問題、論争
[5] シンソグラフィー(機械学習を利用してデジタルメディアを合成的に生成する手法)
41-2 コンピュテーショナル・クリエイティビティ
[1] 定義・概要
[2] AIによる視覚芸術の創造性
[3] 音楽におけるコンピュテーショナル・クリエイティビティ
41-3 ジェネレイティブ・アートの主な思想的・理論的支柱
[1] 概要
[2] 人間とAIシステムのコ・クリエーション
[3] コンビナトリアル創造性
[4] 言語的創造性
[5] ストーリー生成
[6] マッピングや検索における“類推”
他
41-4 機械学習によるコンピュテーショナル・クリエイティビティ
[1] 概要
[2] DALL-E(stylized as DALL-E)/DALL-E 2
41-5 テキストから画像への変換・拡散モデル
41-6 デジタルモルフォジェネシス
41-7 ビジョントランスフォーマー/CLIPモデル
41-8 シーナリージェネレーター(風景画像・3Dモデル・アニメーションの自動生成ソフトウェア)
41-9 モーションジェネレーター/フェイシャルモーションジェネレーター
41-10 画像や動画の認識・生成のために設計された自己教師付きフレームワーク 「DiffMAE」
41-11 キャラクター音声の生成・配信
41-12 テキスト-ビデオ生成・音楽の視覚化のための生成的AIシステム
他多数
第42章 情報およびデータの品質管理/データ検証/検証・妥当性確認(V&V)
42-1 概説
[1] データ管理における生成AIの統合
[2] 生成AIにおける統制されたデータの必要性
他
42-2 データガバナンス
[1] 検証・妥当性確認
[2] レコードリンケージ
42-3 生成AIによるマスターデータ管理
[1] 概説
[2] マスターデータ管理における生成AIの活用
42-4 生成AIによるリファレンス・データ管理
42-5 生成AIによるデータ統合
42-6 データ・情報の可視化/データとグラフィック要素間のマッピング
42-7 生成AIによるビジネスセマンティクスマネジメント(BSM)
他
第43章 行政・自治体組織における生成AIの導入・活用
43-1 行政・自治体組織、都市インフラにおける生成AIの可能性
[1] まえがき
[2] スマートシティと生成AI
[3] AIを活用する欧州の主要スマートシティ
[4] アトラス・オブ・アーバンAI
[5] 中国政府による各国スマートシティへの投資
[6] 自治体DXと生成AIの新たな役割
[7] 東京都 「職員向けに生成AIの利活用ガイドライン公開」
[8] 課題と展望
[9] Microsoft 「日本政府にChatGPT専用設備提供/答弁下書きや議事録作成などで業務効率化支援」
43-2 地域活性化・観光活性化と生成AI活用
43-3 自治体における生成AI導入検討・利用禁止の動向
[1] 概況
[2] 横須賀市
他多数
43-4 自治体におけるAIチャットボットの導入
43-5 生成AIの業務利用に関するルール制定・条例化動向
[1] 神戸市 「全国に先駆けて生成AIによる本格活用に関するルールを条例化」
[2] 神戸市 「庁内版ChatGPTを内製・利用開始」
第44章 生成AIとリーガルテック/生成AIとレグテック
44-1 概説
[1] リーガルテック/レグテックに新時代をもたらす生成AI
[2] 生成AIが企業内法務に与える影響
[3] 法律業界における生成AIの活用
[4] リーガルテック分野において想定される生成AIの使用パターン
[5] 法務省指針 「リーガルテックについて、サービス「適法」の見解を示す」
[6] 法務省 「企業契約書の審査においてAI活用を容認する指針を公表」
他
44-2 関連機関の報告書
[1] マッキンゼー 「生成AIに関するレポート」
[2] トムソン・ロイター 「法律事務所における生成AIの導入効果、今後のシナリオ」
他
44-3 リーガルテック/レグテック概説
[1] レグテックの定義
[2] レグテックと生成AI統合の意義・価値
[3] レグテック+生成AIに向けた期待の背景にあるもの
[4] 生成AI+レグテックによるコンプライアンスに対するリアルタイム対応技術の発展
[5] コンプライアンス対応処理の自動化
[6] OECDが主催するFATF とその勧告
44-4 レグテックを構成する技術と生成AI
[1] レグテックの技術構成
[2] 国際金融協会 「レグテックの7つの機能」
[3] レグテックのアプリケーション/ツール
44-5 レグテック・ソリューションの需要
44-6 データ駆動型の規制とコンプライアンスモデルの調和
44-7 レグテック・ソリューションのターゲットおよび特徴
[1] 規制の解釈・コンプライアンス管理、報告書の自動化
[2] ビッグデータアナリティクス/レポート/分析ツールとの連携
[3] AI/ブロックチェーンの進歩とレグテック
他多数
44-8 高度なアナリティクスとAIの適用例
[1] リアルタイムアナリティクス/リアルタイム意思決定
他多数
44-9 企業法務部門における生成AI関連の取り組み
44-10 生成AIによる特許書類の自動作成
44-11 生成AIによる社会保険労務士の業務支援
44-12 参入企業・参入ベンダー動向
[1] Eigen Technology
[2] Waymark Tech
[3] (株)LegalOn Technologies
[4] リーガルオンテクノロジーズ 「ChatGPTで契約審査業務を効率化」
[5] 弁護士ドットコム 「新興リセと提携・AI契約書審査に参入」
[6] PKSHA Technolog 「PKSHA LLMSを活用し、弁護士ドットコムの生成AI活用を技術支援」
[7] MNTSQ 「ChatGPTに指示しながら契約書を作成できる機能を開発」
[8] Sansan 「AIによる契約管理サービスの機能拡張」
[9] マネーフォワード 「電子契約・保管サービス上で締結前の法務相談や条文審査に関する工程管理サービス」
[10] リーガルスケープ 「司法試験の一部科目で合格水準の正答率を出せる対話型AIを開発」
44-12 ユーザ事例
[1] 日本IBM/三井化学 「GPTとWatson活用による新規用途探索の高精度化と高速化」
他
第45章 生成AIと次世代情報インフラ/次世代情報セキュリティ
45-1 概説
45-2 スケーリング効率の課題
45-3 生成AIによるデータセンターで冷却性能の向上
45-4 生成AI向けGPUクラウド・サービス
[1] さくらインターネット 「生成AI向けGPUクラウド提供開始」
[2] NEC 「GPU1枚搭載のサーバーで動作し、130億パラメーターの軽量さと高い日本語能力をうたうLMMを開発」
45-5 メモリ増強・メモリ削減LLM/限られたGPUメモリでLLM高スループットで処理する生成エンジン
[1] 概説
[2] グーグル・ブレイン/アルバータ大学 「メモリ増強LLMでLLMにおけるブレークスルーを起こす」
45-6 枝刈りアルゴリズムによるメモリ使用量削減
45-7 生成AI/LLMと画像分析の統合によりインタラクティブに被災状況を把握する技術
[1] 概説
[2] NEC 「生成AI/LLMと画像分析により被災状況を把握する技術」
45-8 本格化する生成AIのセキュリティー分野への応用
[1] 概況
[2] マイクロソフト 「SIEM(セキュリティー情報イベント管理)ツールにLLMを搭載した「Microsoft Security Copilot(マイクロソフト・セキュリティー・コパイロット)」を運用」
[3] グーグル 「セキュリティー用LLM「Sec-PaLM」をクラウドサービスやマルウエア検出ツールなどに搭載」
[4] 生成AIで独自のセキュリティーサービスを開発する動きが活発化
[5] パーソルプロセス&テクノロジー(株) 「情報漏洩リスクのないセキュアなChatGPT環境を構築/Azure OpenAI Service導入サポート」
45-9 UCB/スタンフォード大学/CMU/Meta他 「FlexGen」
[1] ChatGPTの場合、10,000基のNVIDIA GPUのスケーラリビティを活用
第46章 生成AIで変わるデジタルエンゲージメント形態/ゲーム開発/VR・MR・メタバースとの連携モデル
46-1 概説
46-2 GPT-4 を搭載したARグラス
46-3 大規模言語モデルの出力を表示できるスマートグラス
[1] スタンフォード大学/ブリリアントラボ 「ChatGPTスマートグラスの開発」
[2] Brilliant Labs スマートグラスで使える生成AI 「arGPT」
[3] Envision 「Ask Envision」
46-4 AR技術と生成AIによるカウンセリング・チャットボット
46-5生成AIを搭載したAR・スマートグラスの課題
[1] AIのバイアスという課題
46-6 生成AIによるゲームのドラフト、スクリプト、プログラムコード生成
[1] ゲーム業界に押し寄せている生成AI導入の波
[2] Unity Technologies 「「クリエーターの8割が生成AIを利用」
46-7 テキストから3D(立体)モデル生成・3Dプリンター出力
46-8 メタバースにおいて生成AI技術が果たす役割の広がり
46-9 裸眼立体視デバイス「Looking Glass Portrait」の可能性を広げる画像生成AI
第47章 生成AIと次世代教育モデル
47-1 概説
47-2 教育評価/自動小論文採点(AES)
[1] 論文の自動採点
47-3 生成AIによるコーチング支援
47-4 生成AIによる医学教育テーマの問題解決
[1] 微生物学問題に対するChatGPTの回答能力
[2] コンピュータ支援型言語学習
47-5 中等学校・高等学校における生成AI活用の進展
第48章 医療エコシステム支援/医療関連業務支援
48-1 概況・近況
[1] 英政府 「医療AIのバイアス解消に向けた新しい取り組みを公表2022年2月
[2] Optum 「ヘルスケアAIに関する年次調査:ヘルスケア幹部の4人に3人が管理プロセスの自動化でAIを信頼」
[3] 英NHS AIソリューション大規模実装
他
48-2 医療文書・診療記録に関する生成AI
[1] Simbo.ai 「自然言語理解による臨床文書作成支援システム」
[2] Google 「医療文書用ツール公開」
[3] AIによる臨床記録再構築
[4] マイクロソフト 「Nuanceと、GPT-4を組み合わせた医療現場の技術革新」
[5] Ambient Clinical Intelligence 「医療AI環境の開発」
48-3 AIによる患者ポートレートの自動作成
48-4 AIによる電子カルテ整備支援
[1] Realyze Intelligence 「電子カルテからハイリスク群を抽出するAIプラットフォーム」
第49章 医療診断支援
49-1 概説
[1] ChatGPTを超えたパフォーマンスを発揮するヘルスケアLLM
49-2 医療サイバネティクスと生成AIの結合
[1] 概説
[2] 「ChatGPT支援診断」の可能性
[3] ChatGPTを活用した個別化医療推進の一環で、世界疾病負荷研究(GBD)の知見と組み合わせることによる個別化治療計画
[4] 生成AIによる感染症治療の意思決定支援
[5] GPT-4搭載スマートグラスによる周囲の物体の識別補助
49-3 臨床業務のシステム化/臨床文書改善(CDI)
[1] 概説
[2] クリニカルデータマネジメント
他
49-4 看護記録の構造化
49-5 ECG測定とAI構文認識機能による心臓のパターン認識・診断支援
49-6 生成AIによる各種医療診断支援
[1] 循環器科におけるChatGPTの回答能力検証
[2] ChatGPTの医学的エビデンス要約能力
[3] 生成AIによる感染症治療の意思決定支援
[4] 放射線科レポート要約のためのChatGPTベースの反復最適化フレームワーク 「ImpressionGPT」
[5] CancerGPTによる薬物ペアの相乗効果を予測するモデル
[6] Google大規模言語モデル「PaLM 2」による医療用AIチャットボット
第50章 生成AIによる創薬・治療薬の創出
50-1 創薬におけるChatGPT
50-2 生成AIによる治療薬の創出が現実に
50-3 AI創薬のInsilico Medicine 「生成AIで臨床試験の第?相から第?相の予測に成功」
第51章 ヘルスケア支援/医療カウンセリング支援
51-1 生成AIを用いたメンタルヘルスツールの台頭
[1] 概説
[2] WHOによる調査研究 「メンタルヘルスにおけるAI応用と課題」
[3] WHO 「高齢者を置き去りにしないAI開発戦略」
51-2 健康情報プラットフォームと生成AI
51-3 各種事例・動向
[1] ChatGPTが生成した回答が医師による回答よりも好まれる可能性に関する論文
[2] 「市民が抱く健康課題」へのChatGPTの回答能力
[3] 自然言語処理を用いた双極性障害のケア改善
[4] AIチャットボットによるデリケートな健康問題
[5] 行動変容に対するAIチャットボットの影響
[6] TIS 「製薬・ヘルスケア業界の生成AI活用を推進」
第52章 日本語に特化した言語モデル(LLM)/生成AI
52-1 日本語特化の生成AI
[1] 概要
[2] 課題
[3] 概況・近況
[4] 丸紅
[5] 大日本印刷(DNP)
[6] 三菱電機
[7] 弁護士ドットコム
[8] メルカリ
[9] サイバーエージェント 「日本語特化型の大規模言語モデルの検証」
[10] 情報通信研究機構(NICT) 「日本語に特化した400億パラメーターの生成AIを開発」
[11] NEC 「日本語に特化した大規模言語モデル(LLM)を発表/サービス提供開始」
[12] NEC 「130億パラメーターの軽量さと高い日本語能力をうたうLMMを開発」
[13] NTT 「効率的な大規模言語モデルの独自開発」
[14] リコー 「LLMによる独自のAI開発」
[15] ソフトバンク/LINE 「共同で和製GPT事業を立ち上げ/合弁会社を設立」
[16] CyberAgent 「日本語コーパスで学習したLLMモデルを発表」
[17] rinna(株) 「日本語特化型のGPT言語モデル(36億パラメータ)をオープンソースで公開」
[18] rinna(株) 「ChatGPTと同手法の「人間の評価を利用したGPT言語モデルの強化学習」に成功」
[19] ブレインパッド 「LLM/生成AIに関する研究プロジェクトを立ち上げ」
[20] ストックマーク 「最近の話題にも詳しい14億パラメータの日本語LLMを公開」
[21] Stability AI Japan 「日本語言語モデル「Japanese StableLM Alpha」
[22] (株)ELYZA 「商用利用可能な70億パラメータの日本語LLM「ELYZA-japanese-Llama-2-7b」を一般公開
[23] Preferred Networks 「世界トップレベル評価、日英2言語対応LLM「PLaMo-13B」をオープンソースソフトウェアライセンスで公開」
52-2 汎用PC/スマートフォンで実行できる生成AI
[1] OpenAI 「ChatGPTのスマートフォンアプリ配信/音声認識システム「Whisper(ウィスパー)」の機能を統合」
[2] Nomic AI 「ノートPCでも実行可能な70億パラメータのチャットボット:GPT4ALL」
52-3 国産LLM開発の支援
[1] AWSジャパン 「国産LLMの開発を支援/600万ドルのAWSクレジット提供」
52-4 生成AI/LLMの実装支援・活用支援等
[1] SBテクノロジー 「Azure OpenAI Serviceを活用した企業や自治体向けの生成AI導入支援」
[2] TIS(株) 「企業のAI活用を支援するAzure OpenAI Service 活用支援サービス」
[3] (株)YuBASE 「生成AIを用いたシステムの実装支援/調査、実証実験、実運用までワンストップで伴走支援」
[4] TISインテックグループ/(株)アグレックス 「生成AIの業務活用を後押しする「生成AI活用伴走支援サービス」
[5] (株)エクサウィザーズ(Exa Enterprise AI) 「企業の業務改革、生産性向上を支援する生成AIサービスの開発・販売」
第53章 生成AIクラウド・サービス/プラットフォーム・サービス
53-1 概要
[1] 概況・近況
[2] 生成AIによるクラウド運用の自動化と最適化
[3] 生成AIとクラウドの融合がもたらす今後のシナリオ
53-2 アマゾン・ウェブ・サービス(AWS)と生成AIサービス
53-3 Google Cloudと生成AIサービス
53-4 Google 「Duet AI」
53-5 Google Cloud 「AI/MLのマネージドサービス「Vertex AI」の生成AI機能拡張、同社の生産性向上ツール「Workspace」向け生成AIサービス「Duet AI」の新機能などを多数発表」
53-6 Google Cloud AI/ML開発プラットフォーム 「Vertex AI」
53-7 Google 生成AIプラットフォーム 「Vertex AI」
53-8 Google Cloud 「生成 AI の日本での導入を支援するパートナーエコシステムを公開」
53-9 Microsoft Azureと生成AIサービス
53-10 Oracle 「Oracle Cloud Infrastructure(OCI)をコアにした生成AIの推進」
53-11 生成AIクラウド・サービス関連参入企業動向(国内)
[1] 株式会社G-gen 「Google Cloud 生成 AI ソリューション支援パートナーに認定」
[2] インターネットイニシアティブ(IIJ) 「Azure OpenAI Serviceの導入支援サービス」
[3] (株)miibo 「会話型AIを構築できるプラットフォーム:miibo」
[4] TypeScript 「SkeetでPaLM2、Vertex AI を利用したアプリケーションフレームワークを提供開始」
第54章 主な参入ベンダー動向
54-1 概況
[1] 近況
[2] 生成AIの企業価値動向
[3] 生成AI企業価値ランキング
54-2 OpenAI
54-3 Microsoft
54-4 Google/Google Cloud
54-5 Meta
54-6 Amazon/Amazon Web Services(AWS)
[1] Amazon
[2] Amazon Web Services(AWS) 「生成AIの強化/LLM拡充・データ連携・AI特化サーバーの一挙投入」
[3] AWS 「生成AI関連のサービスを発表」
[4] AWS、ポリシー言語「Cedar」のSDKをオープンソースで公開
[5] AWSとNVIDIA、生成AI分野で協業
54-7 NVIDIA
54-8 Slack
54-9 Apple
他多数
第55章 生成AIの主なスタートアップ/ユニコーン動向
55-1 概況・近況
55-2 生成AIユニコーン動向
55-3 xAI(マスク氏 新会社)
55-4 DataBrix
55-5 生数科技(Shengshu-ai)
55-6 Cohere
55-7 anthropic
(中略)
55-25 ヤンデックス
55-26 プリファード・ネットワークス(PFN)
55-27 HEROZ(株)
55-28 ランサーズ(株)/ランサーズグループ
55-29 ジークラウド/Legal AI 「士業向け生成AIを共同開発」
55-30 (株)YOUTRUST
55-31 ウェル・ビーイング(株)
他多数
]]>
2023-10-03T14:39:21+09:00
一般社団法人 次世代社会システム研究開発機構
-
https://www.x-sophia.com/?pid=172383752
次世代二次電池/蓄電池発電白書2023年版 PDF版
[出版日]
2023年1月30日
[ページ数]
A4判/約 600ページ
(※ バインダー製本とPDF版では編集上の違いによりページ数が若干異なります。)
[発行]
監修・発行: 一般社団法人 次世代社会システム研究開発機構
[レポート内容]
■概要■
...
[出版日]
2023年1月30日
[ページ数]
A4判/約 600ページ
(※ バインダー製本とPDF版では編集上の違いによりページ数が若干異なります。)
[発行]
監修・発行: 一般社団法人 次世代社会システム研究開発機構
[レポート内容]
■概要■
カーボンニュートラルや再生可能エネルギーの利用に不可欠な二次電池および蓄電池の開発・利用にすべての産業の関心が集まっている。
二次電池の研究分野としては、長寿命化、エネルギー密度の向上、安全性の向上、低コスト化、充電速度の向上、サイクル耐久性(電池寿命、コスト、柔軟性などの特性や研究方法、用途の改善に向けて研究者が積極的に取り組んでいる。
また、AIや機械学習(ML)は、リチウムイオン電池の研究への活用を含め、多くの分野で普及が進んでいる。これらの手法は、電池の材料、製造、特性評価、予知・診断など、電池研究のあらゆる場面で活用されている。
その他、本報告書では、下記にあげる主要二次電池について網羅的に取り上げ、現状、課題、参入企業・団体・投資企業動向、主要国・キープレーヤーの動向について解説している。
・ リチウムイオン電池
・ ニッケル水素電池
・ 全樹脂電池
・ ナトリウムイオン電池
・ ナトリウム硫黄(NAS)電池
・ 固体酸化物形燃料電池(SOFC)
・ レドックスフロー電池
・ リン酸鉄リチウム電池
・ リチウムイオン空気電池
・ リチウムポリマー電池
・ リチウム硫黄電池
・ アメリシウム電池
・ 空気亜鉛電池
・ アルミニウム空気電池
・ マグネシウム電池
・ 全固体電池
・ 固体電解質別特性
・ 全固体電池の新材料
・ 着脱式の車載電池
・ 水素燃料電池
・ 蓄電システム
・ 充電システム
他
■内容編成(目次)■
序
第1章 次世代二次電池/蓄電池発電[1]
1-1 概説
[1] 加速する次世代電源システムの開発
[2] 燃料電池の要素技術/燃料電池システムの普及のための各種部品
[3] 二次電池技術開発ロードマップ
[4] EVとリチウムイオン電池
[5] リチウムイオン二次電池全固体化の動向(概況)
1-2 主要国・キープレーヤーの動向
[1] 電池材料となる鉱物資源の偏在と国際情勢に伴うリスクの増大
[2] 蓄電市場の収益源
[3] 蓄電池を製造・運用する企業のビジネスモデル確立という課題
[4] EVバッテリーシステムを巡る競争(経過・今後の展開)
1-3 活発化する大型・小型蓄電池の技術開発・市場参入
[1] ファーウェイ 「大型蓄電池参入」
[2] テスラ 「家庭用蓄電池「パワーウォール」の日本発売を発表」
[3] テスラ 「家庭用蓄電池「パワーウォール」を日本国内で本格展開」
1-4 主要メーカーの戦略
1-5 リチウムと次世代電池
[1] 概説
[2] 物性
[3] 出現率
[4] 生産と使用
[5] 化学
1-6 リチウムイオン電池の環境負荷とリサイクル
[1] 概説
[2] 各種リサイクル技術
1-7 EV用バッテリーのタイプ別特性
[1] 鉛蓄電池
[2] ニッケル水素
[3] ゼブラ(塩化ニッケルナトリウム)
[4] リチウムイオン(リチウムポリマー)
1-8 有力企業動向(海外)
[1] 自動車メーカーの車載電池自社生産の動き
[2] 米国・韓国の合弁による自動車用電池工場建設の動向
[3] LG化学
[4] ロッテケミカル
[5] ポスコ
[6] Sila 「新しい負極材料」
[7] LeGa Energy 「蓄電装置/AIと蓄電システムを統合」
1-9 有力企業・団体動向(国内)[1]
[1] NIMS、次期計画で蓄電池・水素技術に注力
[2] (株)三菱総合研究所 「高出力蓄電池」
[3] 大阪ガス(株) 家庭用燃料電池「エネファーム」
[4] 三井金属鉱業(株) 「再生可能エネルギー貯蔵用全固体電池」
[5] 日本ガイシ(株) 「NAS電池と大容量蓄電システムによる再生可能エネルギーの安定化」
[6] 日本バイリーン(株) 「次世代電池用高機能材料」
[7] 西松建設(株) 「バナジウムレドックスフロー電池を用いた蓄電システム」
[8] 東洋紡績(株) 「高性能炭素材料の開発による再生可能エネルギー用二次電池」
[9] JFEホールディングス(株) 「次世代リチウムイオン電池用ハードカーボン オール脂電池」
[10] 凸版印刷(株) 次世代二次電池「エクセルギーバッテリー」
[11] JX日鉱日石金属(株) 「自動車用リチウムイオン電池(LiB)のリサイクル技術」
[12] 三洋化成工業(株) 「全樹脂電池技術」
[13] 凸版印刷(株) 「触媒層と電解質膜で構成される膜電極接合体(MEA)」
[14] 日清紡ホールディングス(株) 「燃料電池セパレータ技術の開発・普及」
[15] NOK(株) 「燃料電池の普及に向けた各種部品の開発・製造」
[16] 東洋紡績(株) 「有機薄膜太陽電池材料の開発」
1-10 有力企業・団体動向(国内)[2]
[1] 東芝 「リチウムイオン電池SCiBの内部抵抗を40%低減し、入出力性能と容量を両立に成功」
[2] 東芝 「航続距離300km超の次世代SCiBを開発」
[3] 中国自動車電池研究所 「1kgあたり769Whの容量を達成したリチウム空気電池」
[4] サムスン電子/蔚山科学技術院 「空気電池」
[5] FDK 「ニッケル水素電池の正極を空気で置き換えた水素空気電池」
[6] 九州大学 「フッ素、塩素、臭素を使った電池の開発」
[7] 同志社大学森光正継教授
[8] 東京理科大学の駒場慎一教授ら 「カリウムイオンで動く電池」
[9] 早稲田大学、高容量リチウム金属電池の技術を開発
[10] ADEKA 「蓄電容量が2倍の次世代電池」
[11] 横浜国立大学 「水を電解液とする安全なリチウムイオン電池の開発」
[12] Envision AESC 「米国でEV用電池の新工場に2500億円投資」
[13] ビークルエナジー・ジャパン 「HV向けに生産単価を5割程度下げた電池を開発」
第2章 次世代二次電池/蓄電池発電[2]
2-1 リチウムイオン電池の研究状況
2-2 設計と管理
2-3 マネジメント
[1] グラフェンでコーティングされたサーマル技術/熱暴走を防止するための技術
[2] 柔軟性/フレキシブルなバッテリー技術に関する実証研究
[3] 耐久性/正極へのイオンの付着・脱離をより均一にする技術
[4] 体積膨張
2-4 経済性
[1] 再利用性
[2] 生産スケーリング
2-5 正極/リチウム系正極
[1] リチウムニッケルマンガンコバルト酸化物
[2] リン酸リチウム-鉄
[3] リチウムマンガンシリコンオキサイド
[4] 空気(リチウム空気電池)
[5] フッ化鉄
2-6 リチウム負極
[1] シリコン
[2] シリコンのカプセル化
[3] シリコンナノワイヤ
[4] シリコンナノファイバー
[5] ポーラスシリコン無機電極
[6] インターカレーション酸化物
[7] 二酸化チタン
[8] ニオブ酸塩
[9] 遷移金属酸化物
[10] 非グラファイト系炭素
[11] スズ
[12] 金属間化合物挿入材料
[13] Cu6Sn5
[14] アンチモン化銅
[15] 三次元ナノ構造
[16] 半固体
[17] バナジウム酸化物
[18] 無秩序な材料
[19] ガラス
[20] 硫黄
[21] 海水
2-7 電解質
[1] ペルフルオロポリエーテル
[2] 固体
[3] チオリン酸塩
[4] ガラス状電解質
[5] スーパーハロゲン
[6] ウォーターインソルト
2-8 電池材料
[1] リチウムイオン電池とナノテクノロジー
2-9 チタン酸リチウム二次電池
[1] 概説
[2] 参入企業/製品・導入事例
2-10 有力企業動向
[1] 概況
[2] 日立金属 「金属材料のCO2排出量削減技術」
[3] APB 「20%の軽量化を実現したリチウムイオン電池」
[4] 三菱ケミカルホールディングス 「EV用電池材料増産」
[5] 東海カーボン 「世界シェアの拡大を目指し、欧州で負極材の生産を開始:
[6] 住友金属鉱山 「米国などでの正極材製造拠点設立を検討」
[7] 旭化成 「中長期的にセパレーターの生産能力を3倍の30億平方メートルに引き上げる計画」
[8] ロッテケミカル 「30年までに電池材料と水素に1兆円投資」
[9] Form Energy 「鉄と酸素で動作する鉄空気電池」
[10] 旭化成グループ 「セルガード社/ABF社との戦略提携でLIBの次世代技術を共同開発へ」
第3章 次世代二次電池/蓄電池発電[3]
3-1 概説
3-2 バイポーラ型ニッケル水素電池
3-3 負極材料にチタンニオブ系酸化物を用いた次世代リチウムイオン2次電池「SCiB」
3-4 全樹脂電池
3-5 カリウム(K)イオンを用いた2次電池(KIB、PIB)
3-6 着脱可能なリチウムイオン蓄電池
3-7 カルシウム電池
3-8 ナトリウムイオン電池
3-9 ナトリウム硫黄(NAS)電池
3-10 固体酸化物形燃料電池(SOFC)
3-11 レドックスフロー電池
3-12 フッ素イオン電池
3-13 関連技術
[1] 再生可能エネルギー貯蔵用全固体リチウムイオン二次電池
[2] 次世代蓄電池発電所
[3] 自動車用リチウムイオン電池(LiB)のリサイクル技術
[4] 触媒層と電解質膜で構成される膜電極接合体(MEA)
[5] IoTセンサー給電用有機薄膜太陽電池材料
[6] 電池管理システム(BMS)の無線化
[7] 電池技術の特許・特許紛争
第4章 次世代二次電池/蓄電池発電 [4]
4-1 リン酸鉄リチウム電池
[1] 概要
[2] 仕様
[3] メリット・デメリット
[4] 価格優位性
[5] 経年劣化とサイクル寿命の特性
[6] 鉛蓄電池の代替可能性
[7] 安全性
[8] 利用方法
[9] 商業化/商業化の主な障壁
4-2 リチウムイオン空気電池
[1] 概要
[2] 設計と動作
[3] 水系リチウム空気電池
[4] 非水系リチウム空気電池
[5] 水溶性・非水溶性の混合型
[6] 応用分野
[7] 課題
4-3 リチウムポリマー電池
[1] 概要
[2] 動作原理
[3] 応用分野
[4] 安全性
4-4 リチウムイオンフロー電池
[1] 概要
[2] 正極流リチウムヨウ素電池
4-5 リチウム硫黄電池
[1] 概要
[2] 化学プロセス
[3] 電池寿命/劣化要因
[4] 電解液
[5] 安全性
[6] 研究状況
[7] 商業化
4-6 リン酸鉄リチウム電池
[1] 概要
[2] 商業化の主な障壁
[3] 仕様
[4] 価格
[5] 経年劣化/サイクル寿命の特性
[6] 鉛蓄電池の代替可能性
[7] 安全性
[8] 応用/用途
4-7 参入企業
第5章 次世代二次電池/蓄電池発電[5]
5-1 アメリシウム電池
[1] 概要
[2] 開発
[3] 化学的性質
[4] 化学化合物
[5] 生物学的側面
[6] 核分裂
[7] 同位体
[8] 課題
5-2 アメリシウムの応用例
[1] 電離型煙感知器
[2] 放射性核種
[3] 中性子源
[4] 他の元素の生産
[5] 分光器
5-3 ナノワイヤー電池
[1] 概要
[2] 構造/構成要素
5-4 カーボンナノボール電池
[1] 概要
[2] 構造
[3] リン酸鉄リチウムナノボール
[4] 商用利用
[5] 今後の展開
5-5 金属-空気電気化学セル
[1] 概要
[2] 負極元素による種類
5-6 ナノ細孔電池
[1] 概要
[2] 構造
[3] 性能
5-7 空気亜鉛電池
[1] 概要
[2] 物性
[3] 蓄電密度
[4] 動作寿命
[5] 放電特性
[6] 種類別特性
[7] 充電システム
[8] 材料
[9] 応用分野
[10] 代替構成
[11] 安全性
[12] 概説
[13] 概要
[14] 代替構成
[15] 安全性と環境
5-8 空気亜鉛電池の種類
5-9 空気亜鉛電池の応用分野
[1] 自動車推進
[2] グリッドストレージ
[3] 圧力発電
5-10 フロー型空気亜鉛電池
5-11 アルミニウム空気電池
5-12 マグネシウム電池
[1] 概要
[2] 一次電池
[3] 二次電池
[4] 研究開発動向
[5] 商業化
5-13 マグノニクス
[1] 概要
[2] 物性
5-14 参入企業
[1] ジェイテクト、30年に "ギ酸 "脱炭素電池を実用化へ
[2] ESS 「グリッドスケールプロジェクト」
[3] 冨士色素 「全固体アルミ空気二次電池を開発」
[4] ワイエイシイホールディングス 「マグネシウム電池のOEM供給開始」
[5] 東北大学/科学技術振興機構(JST) 「マグネシウム電池の実用化に向け、硫黄系正極を開発」
[6] 東北大学を中心とする研究グループ 「マグネシウム蓄電池の正極複合材料を開発」
[7] 日本・欧州連合(EU) 「世界最大の核融合炉の実験装置が稼働」
[8] シャープ 「低コストで大容量の蓄電を可能にするフロー型空気亜鉛電池の開発を開始」
[9] シャープ 「大型化で蓄電コストをLIBの数分の一に低減する新型空気亜鉛電池を開発」
[10] Zinc8 Energy Solutions 「空気亜鉛電池技術を用いた蓄電システムを開発」
[11] シャープ 「低コストな大型蓄電池を実現するフロー型空気亜鉛電池を開発」
第6章 全固体電池
6-1 概説
[1] 概説
[2] バッテリー業界における位置づけ
[3] 固体電解質候補材料
[4] 用途
6-2 活発化するEV用固体電池の本格量産/電解質は半固体系が主流に
6-3 固体電解質別特性
[1] 全固体リチウム電池
[2] 固体ナトリウム電池
[3] 固体アルミニウム電池
[4] 固体マグネシウム電池
6-4 全固体電池の新たな進展状況
[1] 容量の拡大
[2] 界面から不純物をなくす新アプローチ
[3] 電池の寿命を低下させるデンドライト(樹状突起)の封じ込め
[4] 全固体電池の採用を先延ばしする日本の自動車メーカー
6-5 全固体電池の新材料
[1] 概説
[2] 樹脂
[3] 硫黄
[4] 高分子材料と酸化物材料の組み合わせ/硫化物材料
6-6 参入団体・投資企業動向(海外)
[1] 初期
[2] コロラド大学ボルダー校(米国)
[3] Fisker(米国)
[4] Solid Power(米国)
[5] QuantumScape(米国)
[6] Sakti3(米国)
[7] Qing Tao Energy Development Co.(中国)
[8] Dyson(英国)
[9] Bolloré/Autolib(フランス)
[10] ダイソン(英国)
[11] 青島能源発展有限公司 「セラミック(酸化物系材料)と樹脂を組み合わせた複合材料を固体電解質として使用した製品を提供」
[12] WeLion New Energy 「半固体電池の量産工場の着工を発表」
[13] その他、EV用電池メーカーの動き
6-7 参入団体・投資企業動向(国内)
[1] トヨタ自動車
[2] 本田技研工業/日産自動車
[3] 住友金属鉱山
[4] 出光興産
[5] TDK
[6] 村田製作所
[7] 出光興産 「欧州企業と全固体電池用高性能材料の共同開発」
[8] マクセル 「従来の2倍近いエネルギー密度を持つ全固体電池を製品化」
[9] 村田製作所 「全固体電池のモジュール化とワイヤレス給電を実現」
[10] マクセル 「セラミックパッケージタイプの硫化物系全固体電池「PSB041515L」を開発」
[11] 全固体電池、加熱で性能向上 東京工業大学
[12] 日産自動車 「全固体電池の量産に向けて1400億円投資」
[13] 東北大学の 「3Dプリンターと硬度可変の材料を活用した全固体電池の製造」
第7章 水素燃料電池
7-1 概説
[1] 概要
[2] 市場と経済性
7-2 燃料電池の種類、デザイン
[1] 燃料電池の燃料
[2] 構成要素
[3] 自動車用水素燃料電池
7-3 技術的課題
[1] コスト
[2] 温度管理
[3] 水と空気の管理 (PEMFCの場合)
7-4 耐久性、耐用年数、セルの種類による特別な要件
[1] リン酸型燃料電池(PAFC)
[2] 固体酸型燃料電池(SAFC)
[3] アルカリ燃料電池(AFC)
[4] 高温型燃料電池
[5] モルテン・カーボネイト型燃料電池(MCFC)
[6] 蓄電型燃料電池
7-5 定置型(ステーション型)蓄電池
7-6 主要な燃料電池の効率
[1] 理論上の最大効率
[2] 実証実験
7-7 応用例
[1] 電力
[2] コージェネレーション
[3] 燃料電池電気自動車(FCEV)
[4] 燃料電池バス
[5] 燃料電池フォークリフト(燃料電池リフトトラック)
[6] 二輪車・自転車
[7] 航空機
[8] 燃料電池ボート
[9] 潜水艦
[10] ポータブル電源システム/マイクロ燃料電池
7-8 その他のアプリケーション
[1] 分散型発電システム/非常用電源システム
[2] 燃料補給ステーション
7-9 研究開発動向
7-10 参入企業・団体動向
[1] ENEOS/トヨタ自動車 「水素の製造・供給で協業」
[2] トヨタ自動車 「NZで燃料電池車を現地企業8社と共同開発」
[3] パナソニック 「純水素型燃料電池」
[4] JR東日本が日本初の水素列車を公開、30年後に実用化へ
[5] 山梨大学 「欧州2大学と水素燃料電池の共同研究を実施」
第8章 重力電池
8-1 概要
8-2 機構・構成要素
8-3 種類別特性
[1] 大規模重力電池
[2] 小規模重力電池
8-4 環境への影響
第9章 家庭用燃料電池
9-1 概要
9-2 用途
第10章 使用済みEVバッテリーの再利用
10-1 概説
10-2 事例
[1] 日産自動車 「EV使用済みバッテリーを工場の電力源として利用するシステムを導入」
他
第11章 スーパーキャパシタ/ウルトラキャパシタ
11-1 概説
[1] 概要
[2] 他の蓄電技術との比較
11-2 経過・発展過程
11-3 設計
[1] 基本設計
[2] 電気二重層キャパシタ
[3] 電気化学的擬似静電容量
[4] 電位分布
11-4 種類
11-5 特性・材料
[1] 電極
[2] 電気二重層キャパシタ用電極
[3] 活性炭
[4] 活性炭繊維
[5] 炭素エアロゲル
[6] 炭化物由来炭素
[7] グラフェン
[8] カーボンナノチューブ
[9] 擬似キャパシタ用電極
[10] 金属酸化物
[11] 導電性高分子
[12] ハイブリッドキャパシタ用電極
[13] 複合電極
[14] 電池型電極
[15] 非対称電極(擬似EDLC)
11-6 電解質
11-7 電気的パラメータ
11-8 エネルギー容量
11-9 寿命
[1] 自己放電
[2] 充電後の電圧緩和
[3] 極性
11-10 標準規格
11-11 用途
[1] 一般
[2] グリッドパワーバッファー
[3] 低電力機器の電力バッファ
[4] 風力発電機のピッチシステム付きローター
[5] 電圧安定化装置
[6] マイクログリッド
[7] エネルギーハーベスティング
[8] 医療用
[9] 輸送
[10] 軍事分野
[11] 自動車関連
[12] バス・路面電車
[13] 鉄道
[14] クレーン、フォークリフト、トラクター
[15] ライトレールと路面電車
[16] バス関連
[17] モーターレース
[18] ハイブリッド電気自動車
[19] ゴンドラ
11-12 開発状況
11-13 市場
第12章 充電システム
12-1 概説
[1] 概要
[2] 充電効率
[3] 高速充電
[4] 簡易充電器
[5] 充電制御
[6] 充電ステーション
[7] バッテリースワップ/バッテリースワップステーション
[8] ネットワーク充電
[9] ワイヤレス給電 概況・近況
[10] EV用の非接触給電装置に関する実証実験動向
[11] ワイヤレス給電の標準仕様
[12] IoTによる充電スタンド電力量の制御
12-2 開発経過
12-3 伝送方式
12-4 車載バッテリー・バックアップシステム
12-5 EV用無線給電技術の実証実験動向
[1] UL Japan 「EV用無線給電技術の実証実験」
[2] 総務省情報通信審議会 「85kHz帯を用いたEV用無線給電技術」の答申
12-6 EVおよび交通機関向け応用・実装
[1] 据え置き型
[2] 電気輸送システム(オンライン電気自動車(OLEV)
[3] 電気自動車供給装置(EVSE)
12-7 ワイヤレス(無線)給電技術の基礎研究と標準仕様を巡る動き
12-8 国際標準
[1] 概説
[2] Society of Automotive Engineers(SAE)International
[3] CharIN Association
[4] 関連規格
12-9 研究動向
12-10 関連団体
[1] Wireless Power Consortium(ワイヤレスパワーコンソーシアム)
12-11 注目プロジェクト/注目参入企業動向
[1] スカニア(スウェーデン)/エーオン(ドイツ)
[2] ニチコン
[3] WiTricity
[4] 四国電力、マンションでEVの個人向け充電サービスを提供へ
第13章 蓄電システム
13-1 住宅用ハイブリッド蓄電システム
[1] エクソル 「蓄電池の増設や後付けが可能な住宅用ハイブリッド蓄電システム」
13-2 CIS太陽電池
[1] 産業技術総合研究所/トヨタ 「曲げられるCIS太陽電池で世界最高の変換効率を達成」
13-3 蓄電池産業
[1] 概況
[2] 高まる鉱物資源の安全保障リスク
[3] グリーンイノベーション基金
[4] 国内蓄電池産業の環境改善
[5] 関西蓄電池人材育成コンソーシアム
[6] 蓄電池の持続可能性
[7] 政府 「蓄電池産業戦略の概要案を公表」
[8] 蓄電池の安全性確保とCFPの算定
13-4 蓄電池の持続可能性
[1] 経済産業省 「蓄電池の持続可能性を確保する新制度の検討を開始」
[2] J-POWER 「燃料電池のガス精製技術の開発」
[3] 蓄電池の企画・EPC(調達・設計・施工)・最適運用
13-5 蓄電池の高精度な自動充放電計画
[1] JFEエンジニアリング/アーバンエナジー 「マルチユースEMS(エネルギー管理システム)」の共同開発
13-6 燃料電池複合発電
[1] NEDO)と大崎クールジェン 「低炭素石炭火力発電技術の確立に向け、高濃度石炭由来水素を利用した「燃料電池複合発電」を開発」
13-7 CO2バッテリー
[1] エナジードーム 「CO2バッテリー」
13-8 自家発電制度/セルフコミッショニング+蓄電池による再生可能エネルギー事業
[1] 日立、「セルフコミッショニング+蓄電池」で再生可能エネルギーをムダなく活用、複数拠点でエネルギーマネジメント事業を展開
13-9 建設現場における燃料電池発電によるCO2排出抑制
[1] デンヨー 「建設現場に適したCO2を出さない燃料電池発電装置」
13-10 活発化するEV用固体電池の本格量産/電解質は半固体系が主流に
[1] 青島能源発展有限公司 「セラミック(酸化物系材料)と樹脂を組み合わせた複合材料を固体電解質として使用した製品を提供」
[2] WeLion New Energy 「半固体電池の量産工場の着工を発表」
[3] その他、EV用電池メーカーの動き
[4] 全固体電池の採用を先延ばしする日本の自動車メーカー
[5] 村田製作所/三菱商事 「国内最大級70MWの太陽光発電を「仮想PPA」で協業」
[6] 経済産業省 「太陽光発電設備の有効活用策として発電施設に蓄電池を設置することを推奨するためのルール整備」
[7] 日立、「セルフコミッショニング+蓄電池」で再生可能エネルギーをムダなく活用、複数拠点でエネルギーマネジメント事業を展開
[8] ヤマト運輸/商船三井 「EV用カートリッジ型電池を開発」
[9] ファーウェイ・ジャパン 「オフグリッド蓄電システム/2022年に日本市場参入」
[10] ENEOS 「静岡に再生可能エネルギーや水素など次世代エネルギー拠点を計画」
[11] NEDO)と大崎クールジェン 「低炭素石炭火力発電技術の確立に向け、高濃度石炭由来水素を利用した「燃料電池複合発電」を開発」
[12] 東芝 「透過型Cu2O太陽電池の発電効率で世界記録を達成」
[13] トヨタ自動車、デンソー、三菱化学など 「次世代電池の共同開発」
]]>
2023-01-14T09:37:45+09:00
一般社団法人 次世代社会システム研究開発機構
-
https://www.x-sophia.com/?pid=172383733
次世代二次電池/蓄電池発電白書2023年版 製本版
[出版日]
2023年1月30日
[ページ数]
A4判/約 600ページ
(※ バインダー製本とPDF版では編集上の違いによりページ数が若干異なります。)
[発行]
監修・発行: 一般社団法人 次世代社会システム研究開発機構
[レポート内容]
■概要■
...
[出版日]
2023年1月30日
[ページ数]
A4判/約 600ページ
(※ バインダー製本とPDF版では編集上の違いによりページ数が若干異なります。)
[発行]
監修・発行: 一般社団法人 次世代社会システム研究開発機構
[レポート内容]
■概要■
カーボンニュートラルや再生可能エネルギーの利用に不可欠な二次電池および蓄電池の開発・利用にすべての産業の関心が集まっている。
二次電池の研究分野としては、長寿命化、エネルギー密度の向上、安全性の向上、低コスト化、充電速度の向上、サイクル耐久性(電池寿命、コスト、柔軟性などの特性や研究方法、用途の改善に向けて研究者が積極的に取り組んでいる。
また、AIや機械学習(ML)は、リチウムイオン電池の研究への活用を含め、多くの分野で普及が進んでいる。これらの手法は、電池の材料、製造、特性評価、予知・診断など、電池研究のあらゆる場面で活用されている。
その他、本報告書では、下記にあげる主要二次電池について網羅的に取り上げ、現状、課題、参入企業・団体・投資企業動向、主要国・キープレーヤーの動向について解説している。
・ リチウムイオン電池
・ ニッケル水素電池
・ 全樹脂電池
・ ナトリウムイオン電池
・ ナトリウム硫黄(NAS)電池
・ 固体酸化物形燃料電池(SOFC)
・ レドックスフロー電池
・ リン酸鉄リチウム電池
・ リチウムイオン空気電池
・ リチウムポリマー電池
・ リチウム硫黄電池
・ アメリシウム電池
・ 空気亜鉛電池
・ アルミニウム空気電池
・ マグネシウム電池
・ 全固体電池
・ 固体電解質別特性
・ 全固体電池の新材料
・ 着脱式の車載電池
・ 水素燃料電池
・ 蓄電システム
・ 充電システム
他
■内容編成(目次)■
序
第1章 次世代二次電池/蓄電池発電[1]
1-1 概説
[1] 加速する次世代電源システムの開発
[2] 燃料電池の要素技術/燃料電池システムの普及のための各種部品
[3] 二次電池技術開発ロードマップ
[4] EVとリチウムイオン電池
[5] リチウムイオン二次電池全固体化の動向(概況)
1-2 主要国・キープレーヤーの動向
[1] 電池材料となる鉱物資源の偏在と国際情勢に伴うリスクの増大
[2] 蓄電市場の収益源
[3] 蓄電池を製造・運用する企業のビジネスモデル確立という課題
[4] EVバッテリーシステムを巡る競争(経過・今後の展開)
1-3 活発化する大型・小型蓄電池の技術開発・市場参入
[1] ファーウェイ 「大型蓄電池参入」
[2] テスラ 「家庭用蓄電池「パワーウォール」の日本発売を発表」
[3] テスラ 「家庭用蓄電池「パワーウォール」を日本国内で本格展開」
1-4 主要メーカーの戦略
1-5 リチウムと次世代電池
[1] 概説
[2] 物性
[3] 出現率
[4] 生産と使用
[5] 化学
1-6 リチウムイオン電池の環境負荷とリサイクル
[1] 概説
[2] 各種リサイクル技術
1-7 EV用バッテリーのタイプ別特性
[1] 鉛蓄電池
[2] ニッケル水素
[3] ゼブラ(塩化ニッケルナトリウム)
[4] リチウムイオン(リチウムポリマー)
1-8 有力企業動向(海外)
[1] 自動車メーカーの車載電池自社生産の動き
[2] 米国・韓国の合弁による自動車用電池工場建設の動向
[3] LG化学
[4] ロッテケミカル
[5] ポスコ
[6] Sila 「新しい負極材料」
[7] LeGa Energy 「蓄電装置/AIと蓄電システムを統合」
1-9 有力企業・団体動向(国内)[1]
[1] NIMS、次期計画で蓄電池・水素技術に注力
[2] (株)三菱総合研究所 「高出力蓄電池」
[3] 大阪ガス(株) 家庭用燃料電池「エネファーム」
[4] 三井金属鉱業(株) 「再生可能エネルギー貯蔵用全固体電池」
[5] 日本ガイシ(株) 「NAS電池と大容量蓄電システムによる再生可能エネルギーの安定化」
[6] 日本バイリーン(株) 「次世代電池用高機能材料」
[7] 西松建設(株) 「バナジウムレドックスフロー電池を用いた蓄電システム」
[8] 東洋紡績(株) 「高性能炭素材料の開発による再生可能エネルギー用二次電池」
[9] JFEホールディングス(株) 「次世代リチウムイオン電池用ハードカーボン オール脂電池」
[10] 凸版印刷(株) 次世代二次電池「エクセルギーバッテリー」
[11] JX日鉱日石金属(株) 「自動車用リチウムイオン電池(LiB)のリサイクル技術」
[12] 三洋化成工業(株) 「全樹脂電池技術」
[13] 凸版印刷(株) 「触媒層と電解質膜で構成される膜電極接合体(MEA)」
[14] 日清紡ホールディングス(株) 「燃料電池セパレータ技術の開発・普及」
[15] NOK(株) 「燃料電池の普及に向けた各種部品の開発・製造」
[16] 東洋紡績(株) 「有機薄膜太陽電池材料の開発」
1-10 有力企業・団体動向(国内)[2]
[1] 東芝 「リチウムイオン電池SCiBの内部抵抗を40%低減し、入出力性能と容量を両立に成功」
[2] 東芝 「航続距離300km超の次世代SCiBを開発」
[3] 中国自動車電池研究所 「1kgあたり769Whの容量を達成したリチウム空気電池」
[4] サムスン電子/蔚山科学技術院 「空気電池」
[5] FDK 「ニッケル水素電池の正極を空気で置き換えた水素空気電池」
[6] 九州大学 「フッ素、塩素、臭素を使った電池の開発」
[7] 同志社大学森光正継教授
[8] 東京理科大学の駒場慎一教授ら 「カリウムイオンで動く電池」
[9] 早稲田大学、高容量リチウム金属電池の技術を開発
[10] ADEKA 「蓄電容量が2倍の次世代電池」
[11] 横浜国立大学 「水を電解液とする安全なリチウムイオン電池の開発」
[12] Envision AESC 「米国でEV用電池の新工場に2500億円投資」
[13] ビークルエナジー・ジャパン 「HV向けに生産単価を5割程度下げた電池を開発」
第2章 次世代二次電池/蓄電池発電[2]
2-1 リチウムイオン電池の研究状況
2-2 設計と管理
2-3 マネジメント
[1] グラフェンでコーティングされたサーマル技術/熱暴走を防止するための技術
[2] 柔軟性/フレキシブルなバッテリー技術に関する実証研究
[3] 耐久性/正極へのイオンの付着・脱離をより均一にする技術
[4] 体積膨張
2-4 経済性
[1] 再利用性
[2] 生産スケーリング
2-5 正極/リチウム系正極
[1] リチウムニッケルマンガンコバルト酸化物
[2] リン酸リチウム-鉄
[3] リチウムマンガンシリコンオキサイド
[4] 空気(リチウム空気電池)
[5] フッ化鉄
2-6 リチウム負極
[1] シリコン
[2] シリコンのカプセル化
[3] シリコンナノワイヤ
[4] シリコンナノファイバー
[5] ポーラスシリコン無機電極
[6] インターカレーション酸化物
[7] 二酸化チタン
[8] ニオブ酸塩
[9] 遷移金属酸化物
[10] 非グラファイト系炭素
[11] スズ
[12] 金属間化合物挿入材料
[13] Cu6Sn5
[14] アンチモン化銅
[15] 三次元ナノ構造
[16] 半固体
[17] バナジウム酸化物
[18] 無秩序な材料
[19] ガラス
[20] 硫黄
[21] 海水
2-7 電解質
[1] ペルフルオロポリエーテル
[2] 固体
[3] チオリン酸塩
[4] ガラス状電解質
[5] スーパーハロゲン
[6] ウォーターインソルト
2-8 電池材料
[1] リチウムイオン電池とナノテクノロジー
2-9 チタン酸リチウム二次電池
[1] 概説
[2] 参入企業/製品・導入事例
2-10 有力企業動向
[1] 概況
[2] 日立金属 「金属材料のCO2排出量削減技術」
[3] APB 「20%の軽量化を実現したリチウムイオン電池」
[4] 三菱ケミカルホールディングス 「EV用電池材料増産」
[5] 東海カーボン 「世界シェアの拡大を目指し、欧州で負極材の生産を開始:
[6] 住友金属鉱山 「米国などでの正極材製造拠点設立を検討」
[7] 旭化成 「中長期的にセパレーターの生産能力を3倍の30億平方メートルに引き上げる計画」
[8] ロッテケミカル 「30年までに電池材料と水素に1兆円投資」
[9] Form Energy 「鉄と酸素で動作する鉄空気電池」
[10] 旭化成グループ 「セルガード社/ABF社との戦略提携でLIBの次世代技術を共同開発へ」
第3章 次世代二次電池/蓄電池発電[3]
3-1 概説
3-2 バイポーラ型ニッケル水素電池
3-3 負極材料にチタンニオブ系酸化物を用いた次世代リチウムイオン2次電池「SCiB」
3-4 全樹脂電池
3-5 カリウム(K)イオンを用いた2次電池(KIB、PIB)
3-6 着脱可能なリチウムイオン蓄電池
3-7 カルシウム電池
3-8 ナトリウムイオン電池
3-9 ナトリウム硫黄(NAS)電池
3-10 固体酸化物形燃料電池(SOFC)
3-11 レドックスフロー電池
3-12 フッ素イオン電池
3-13 関連技術
[1] 再生可能エネルギー貯蔵用全固体リチウムイオン二次電池
[2] 次世代蓄電池発電所
[3] 自動車用リチウムイオン電池(LiB)のリサイクル技術
[4] 触媒層と電解質膜で構成される膜電極接合体(MEA)
[5] IoTセンサー給電用有機薄膜太陽電池材料
[6] 電池管理システム(BMS)の無線化
[7] 電池技術の特許・特許紛争
第4章 次世代二次電池/蓄電池発電 [4]
4-1 リン酸鉄リチウム電池
[1] 概要
[2] 仕様
[3] メリット・デメリット
[4] 価格優位性
[5] 経年劣化とサイクル寿命の特性
[6] 鉛蓄電池の代替可能性
[7] 安全性
[8] 利用方法
[9] 商業化/商業化の主な障壁
4-2 リチウムイオン空気電池
[1] 概要
[2] 設計と動作
[3] 水系リチウム空気電池
[4] 非水系リチウム空気電池
[5] 水溶性・非水溶性の混合型
[6] 応用分野
[7] 課題
4-3 リチウムポリマー電池
[1] 概要
[2] 動作原理
[3] 応用分野
[4] 安全性
4-4 リチウムイオンフロー電池
[1] 概要
[2] 正極流リチウムヨウ素電池
4-5 リチウム硫黄電池
[1] 概要
[2] 化学プロセス
[3] 電池寿命/劣化要因
[4] 電解液
[5] 安全性
[6] 研究状況
[7] 商業化
4-6 リン酸鉄リチウム電池
[1] 概要
[2] 商業化の主な障壁
[3] 仕様
[4] 価格
[5] 経年劣化/サイクル寿命の特性
[6] 鉛蓄電池の代替可能性
[7] 安全性
[8] 応用/用途
4-7 参入企業
第5章 次世代二次電池/蓄電池発電[5]
5-1 アメリシウム電池
[1] 概要
[2] 開発
[3] 化学的性質
[4] 化学化合物
[5] 生物学的側面
[6] 核分裂
[7] 同位体
[8] 課題
5-2 アメリシウムの応用例
[1] 電離型煙感知器
[2] 放射性核種
[3] 中性子源
[4] 他の元素の生産
[5] 分光器
5-3 ナノワイヤー電池
[1] 概要
[2] 構造/構成要素
5-4 カーボンナノボール電池
[1] 概要
[2] 構造
[3] リン酸鉄リチウムナノボール
[4] 商用利用
[5] 今後の展開
5-5 金属-空気電気化学セル
[1] 概要
[2] 負極元素による種類
5-6 ナノ細孔電池
[1] 概要
[2] 構造
[3] 性能
5-7 空気亜鉛電池
[1] 概要
[2] 物性
[3] 蓄電密度
[4] 動作寿命
[5] 放電特性
[6] 種類別特性
[7] 充電システム
[8] 材料
[9] 応用分野
[10] 代替構成
[11] 安全性
[12] 概説
[13] 概要
[14] 代替構成
[15] 安全性と環境
5-8 空気亜鉛電池の種類
5-9 空気亜鉛電池の応用分野
[1] 自動車推進
[2] グリッドストレージ
[3] 圧力発電
5-10 フロー型空気亜鉛電池
5-11 アルミニウム空気電池
5-12 マグネシウム電池
[1] 概要
[2] 一次電池
[3] 二次電池
[4] 研究開発動向
[5] 商業化
5-13 マグノニクス
[1] 概要
[2] 物性
5-14 参入企業
[1] ジェイテクト、30年に "ギ酸 "脱炭素電池を実用化へ
[2] ESS 「グリッドスケールプロジェクト」
[3] 冨士色素 「全固体アルミ空気二次電池を開発」
[4] ワイエイシイホールディングス 「マグネシウム電池のOEM供給開始」
[5] 東北大学/科学技術振興機構(JST) 「マグネシウム電池の実用化に向け、硫黄系正極を開発」
[6] 東北大学を中心とする研究グループ 「マグネシウム蓄電池の正極複合材料を開発」
[7] 日本・欧州連合(EU) 「世界最大の核融合炉の実験装置が稼働」
[8] シャープ 「低コストで大容量の蓄電を可能にするフロー型空気亜鉛電池の開発を開始」
[9] シャープ 「大型化で蓄電コストをLIBの数分の一に低減する新型空気亜鉛電池を開発」
[10] Zinc8 Energy Solutions 「空気亜鉛電池技術を用いた蓄電システムを開発」
[11] シャープ 「低コストな大型蓄電池を実現するフロー型空気亜鉛電池を開発」
第6章 全固体電池
6-1 概説
[1] 概説
[2] バッテリー業界における位置づけ
[3] 固体電解質候補材料
[4] 用途
6-2 活発化するEV用固体電池の本格量産/電解質は半固体系が主流に
6-3 固体電解質別特性
[1] 全固体リチウム電池
[2] 固体ナトリウム電池
[3] 固体アルミニウム電池
[4] 固体マグネシウム電池
6-4 全固体電池の新たな進展状況
[1] 容量の拡大
[2] 界面から不純物をなくす新アプローチ
[3] 電池の寿命を低下させるデンドライト(樹状突起)の封じ込め
[4] 全固体電池の採用を先延ばしする日本の自動車メーカー
6-5 全固体電池の新材料
[1] 概説
[2] 樹脂
[3] 硫黄
[4] 高分子材料と酸化物材料の組み合わせ/硫化物材料
6-6 参入団体・投資企業動向(海外)
[1] 初期
[2] コロラド大学ボルダー校(米国)
[3] Fisker(米国)
[4] Solid Power(米国)
[5] QuantumScape(米国)
[6] Sakti3(米国)
[7] Qing Tao Energy Development Co.(中国)
[8] Dyson(英国)
[9] Bolloré/Autolib(フランス)
[10] ダイソン(英国)
[11] 青島能源発展有限公司 「セラミック(酸化物系材料)と樹脂を組み合わせた複合材料を固体電解質として使用した製品を提供」
[12] WeLion New Energy 「半固体電池の量産工場の着工を発表」
[13] その他、EV用電池メーカーの動き
6-7 参入団体・投資企業動向(国内)
[1] トヨタ自動車
[2] 本田技研工業/日産自動車
[3] 住友金属鉱山
[4] 出光興産
[5] TDK
[6] 村田製作所
[7] 出光興産 「欧州企業と全固体電池用高性能材料の共同開発」
[8] マクセル 「従来の2倍近いエネルギー密度を持つ全固体電池を製品化」
[9] 村田製作所 「全固体電池のモジュール化とワイヤレス給電を実現」
[10] マクセル 「セラミックパッケージタイプの硫化物系全固体電池「PSB041515L」を開発」
[11] 全固体電池、加熱で性能向上 東京工業大学
[12] 日産自動車 「全固体電池の量産に向けて1400億円投資」
[13] 東北大学の 「3Dプリンターと硬度可変の材料を活用した全固体電池の製造」
第7章 水素燃料電池
7-1 概説
[1] 概要
[2] 市場と経済性
7-2 燃料電池の種類、デザイン
[1] 燃料電池の燃料
[2] 構成要素
[3] 自動車用水素燃料電池
7-3 技術的課題
[1] コスト
[2] 温度管理
[3] 水と空気の管理 (PEMFCの場合)
7-4 耐久性、耐用年数、セルの種類による特別な要件
[1] リン酸型燃料電池(PAFC)
[2] 固体酸型燃料電池(SAFC)
[3] アルカリ燃料電池(AFC)
[4] 高温型燃料電池
[5] モルテン・カーボネイト型燃料電池(MCFC)
[6] 蓄電型燃料電池
7-5 定置型(ステーション型)蓄電池
7-6 主要な燃料電池の効率
[1] 理論上の最大効率
[2] 実証実験
7-7 応用例
[1] 電力
[2] コージェネレーション
[3] 燃料電池電気自動車(FCEV)
[4] 燃料電池バス
[5] 燃料電池フォークリフト(燃料電池リフトトラック)
[6] 二輪車・自転車
[7] 航空機
[8] 燃料電池ボート
[9] 潜水艦
[10] ポータブル電源システム/マイクロ燃料電池
7-8 その他のアプリケーション
[1] 分散型発電システム/非常用電源システム
[2] 燃料補給ステーション
7-9 研究開発動向
7-10 参入企業・団体動向
[1] ENEOS/トヨタ自動車 「水素の製造・供給で協業」
[2] トヨタ自動車 「NZで燃料電池車を現地企業8社と共同開発」
[3] パナソニック 「純水素型燃料電池」
[4] JR東日本が日本初の水素列車を公開、30年後に実用化へ
[5] 山梨大学 「欧州2大学と水素燃料電池の共同研究を実施」
第8章 重力電池
8-1 概要
8-2 機構・構成要素
8-3 種類別特性
[1] 大規模重力電池
[2] 小規模重力電池
8-4 環境への影響
第9章 家庭用燃料電池
9-1 概要
9-2 用途
第10章 使用済みEVバッテリーの再利用
10-1 概説
10-2 事例
[1] 日産自動車 「EV使用済みバッテリーを工場の電力源として利用するシステムを導入」
他
第11章 スーパーキャパシタ/ウルトラキャパシタ
11-1 概説
[1] 概要
[2] 他の蓄電技術との比較
11-2 経過・発展過程
11-3 設計
[1] 基本設計
[2] 電気二重層キャパシタ
[3] 電気化学的擬似静電容量
[4] 電位分布
11-4 種類
11-5 特性・材料
[1] 電極
[2] 電気二重層キャパシタ用電極
[3] 活性炭
[4] 活性炭繊維
[5] 炭素エアロゲル
[6] 炭化物由来炭素
[7] グラフェン
[8] カーボンナノチューブ
[9] 擬似キャパシタ用電極
[10] 金属酸化物
[11] 導電性高分子
[12] ハイブリッドキャパシタ用電極
[13] 複合電極
[14] 電池型電極
[15] 非対称電極(擬似EDLC)
11-6 電解質
11-7 電気的パラメータ
11-8 エネルギー容量
11-9 寿命
[1] 自己放電
[2] 充電後の電圧緩和
[3] 極性
11-10 標準規格
11-11 用途
[1] 一般
[2] グリッドパワーバッファー
[3] 低電力機器の電力バッファ
[4] 風力発電機のピッチシステム付きローター
[5] 電圧安定化装置
[6] マイクログリッド
[7] エネルギーハーベスティング
[8] 医療用
[9] 輸送
[10] 軍事分野
[11] 自動車関連
[12] バス・路面電車
[13] 鉄道
[14] クレーン、フォークリフト、トラクター
[15] ライトレールと路面電車
[16] バス関連
[17] モーターレース
[18] ハイブリッド電気自動車
[19] ゴンドラ
11-12 開発状況
11-13 市場
第12章 充電システム
12-1 概説
[1] 概要
[2] 充電効率
[3] 高速充電
[4] 簡易充電器
[5] 充電制御
[6] 充電ステーション
[7] バッテリースワップ/バッテリースワップステーション
[8] ネットワーク充電
[9] ワイヤレス給電 概況・近況
[10] EV用の非接触給電装置に関する実証実験動向
[11] ワイヤレス給電の標準仕様
[12] IoTによる充電スタンド電力量の制御
12-2 開発経過
12-3 伝送方式
12-4 車載バッテリー・バックアップシステム
12-5 EV用無線給電技術の実証実験動向
[1] UL Japan 「EV用無線給電技術の実証実験」
[2] 総務省情報通信審議会 「85kHz帯を用いたEV用無線給電技術」の答申
12-6 EVおよび交通機関向け応用・実装
[1] 据え置き型
[2] 電気輸送システム(オンライン電気自動車(OLEV)
[3] 電気自動車供給装置(EVSE)
12-7 ワイヤレス(無線)給電技術の基礎研究と標準仕様を巡る動き
12-8 国際標準
[1] 概説
[2] Society of Automotive Engineers(SAE)International
[3] CharIN Association
[4] 関連規格
12-9 研究動向
12-10 関連団体
[1] Wireless Power Consortium(ワイヤレスパワーコンソーシアム)
12-11 注目プロジェクト/注目参入企業動向
[1] スカニア(スウェーデン)/エーオン(ドイツ)
[2] ニチコン
[3] WiTricity
[4] 四国電力、マンションでEVの個人向け充電サービスを提供へ
第13章 蓄電システム
13-1 住宅用ハイブリッド蓄電システム
[1] エクソル 「蓄電池の増設や後付けが可能な住宅用ハイブリッド蓄電システム」
13-2 CIS太陽電池
[1] 産業技術総合研究所/トヨタ 「曲げられるCIS太陽電池で世界最高の変換効率を達成」
13-3 蓄電池産業
[1] 概況
[2] 高まる鉱物資源の安全保障リスク
[3] グリーンイノベーション基金
[4] 国内蓄電池産業の環境改善
[5] 関西蓄電池人材育成コンソーシアム
[6] 蓄電池の持続可能性
[7] 政府 「蓄電池産業戦略の概要案を公表」
[8] 蓄電池の安全性確保とCFPの算定
13-4 蓄電池の持続可能性
[1] 経済産業省 「蓄電池の持続可能性を確保する新制度の検討を開始」
[2] J-POWER 「燃料電池のガス精製技術の開発」
[3] 蓄電池の企画・EPC(調達・設計・施工)・最適運用
13-5 蓄電池の高精度な自動充放電計画
[1] JFEエンジニアリング/アーバンエナジー 「マルチユースEMS(エネルギー管理システム)」の共同開発
13-6 燃料電池複合発電
[1] NEDO)と大崎クールジェン 「低炭素石炭火力発電技術の確立に向け、高濃度石炭由来水素を利用した「燃料電池複合発電」を開発」
13-7 CO2バッテリー
[1] エナジードーム 「CO2バッテリー」
13-8 自家発電制度/セルフコミッショニング+蓄電池による再生可能エネルギー事業
[1] 日立、「セルフコミッショニング+蓄電池」で再生可能エネルギーをムダなく活用、複数拠点でエネルギーマネジメント事業を展開
13-9 建設現場における燃料電池発電によるCO2排出抑制
[1] デンヨー 「建設現場に適したCO2を出さない燃料電池発電装置」
13-10 活発化するEV用固体電池の本格量産/電解質は半固体系が主流に
[1] 青島能源発展有限公司 「セラミック(酸化物系材料)と樹脂を組み合わせた複合材料を固体電解質として使用した製品を提供」
[2] WeLion New Energy 「半固体電池の量産工場の着工を発表」
[3] その他、EV用電池メーカーの動き
[4] 全固体電池の採用を先延ばしする日本の自動車メーカー
[5] 村田製作所/三菱商事 「国内最大級70MWの太陽光発電を「仮想PPA」で協業」
[6] 経済産業省 「太陽光発電設備の有効活用策として発電施設に蓄電池を設置することを推奨するためのルール整備」
[7] 日立、「セルフコミッショニング+蓄電池」で再生可能エネルギーをムダなく活用、複数拠点でエネルギーマネジメント事業を展開
[8] ヤマト運輸/商船三井 「EV用カートリッジ型電池を開発」
[9] ファーウェイ・ジャパン 「オフグリッド蓄電システム/2022年に日本市場参入」
[10] ENEOS 「静岡に再生可能エネルギーや水素など次世代エネルギー拠点を計画」
[11] NEDO)と大崎クールジェン 「低炭素石炭火力発電技術の確立に向け、高濃度石炭由来水素を利用した「燃料電池複合発電」を開発」
[12] 東芝 「透過型Cu2O太陽電池の発電効率で世界記録を達成」
[13] トヨタ自動車、デンソー、三菱化学など 「次世代電池の共同開発」
]]>
2023-01-14T09:36:55+09:00
一般社団法人 次世代社会システム研究開発機構
-
https://www.x-sophia.com/?pid=172383669
気候・環境変動/グリーンインダストリー総覧白書2023年版 PDF版
[出版日]
2023年 1月30日
[ページ数]
A4判/約 6,000ページ
(※ バインダー製本とPDF版では編集上の違いによりページ数が若干異なります。)
[発行]
監修・発行: 一般社団法人 次世代社会システム研究開発機構
[レポート内容]
■概要■
...
[出版日]
2023年 1月30日
[ページ数]
A4判/約 6,000ページ
(※ バインダー製本とPDF版では編集上の違いによりページ数が若干異なります。)
[発行]
監修・発行: 一般社団法人 次世代社会システム研究開発機構
[レポート内容]
■概要■
■内容編成(目次)■
本巻は、以下の刊行物(6巻・いずれもPDF版)を集成して1巻にまとめた総覧型の白書であり、気候・環境変動の対応/SDGs、サステナビリティレポート、非財務情報開示、ESG経営、リサイクル、グリーンインフラ、グリーンテック、次世代二次電池などに関するレポートの全集もしくは総集編に相当するものである。
「気候・環境変動の要因・影響・対応/SDGs白書2023年版」
「気候変動経営/サステナビリティレポート/非財務情報開示/ESG経営白書2023年版」
「リデュース/リサイクル/アップサイクル/ダウンサイクル/リマニュファクチャリング白書2023年版」
「グリーンインフラ/グリーンコンストラクション白書2023年版」
「先進環境技術(エンバイロテック)/グリーンテック/クライメートテック白書2023年版」
「次世代二次電池/蓄電池発電白書2023年版」
(※ 全6巻を個別にご購入された場合に比べ、およそ半額程度の価格でお買い求めいただけます。)
]]>
2023-01-14T09:33:22+09:00
一般社団法人 次世代社会システム研究開発機構
-
https://www.x-sophia.com/?pid=172383655
気候・環境変動/グリーンインダストリー総覧白書2023年版 製本版
[出版日]
2023年 1月30日
[ページ数]
A4判/約 6,000ページ
(※ バインダー製本とPDF版では編集上の違いによりページ数が若干異なります。)
[発行]
監修・発行: 一般社団法人 次世代社会システム研究開発機構
[レポート内容]
■概要■
...
[出版日]
2023年 1月30日
[ページ数]
A4判/約 6,000ページ
(※ バインダー製本とPDF版では編集上の違いによりページ数が若干異なります。)
[発行]
監修・発行: 一般社団法人 次世代社会システム研究開発機構
[レポート内容]
■概要■
■内容編成(目次)■
本巻は、以下の刊行物(6巻・いずれも製本版)を集成して1巻にまとめた総覧型の白書であり、気候・環境変動の対応/SDGs、サステナビリティレポート、非財務情報開示、ESG経営、リサイクル、グリーンインフラ、グリーンテック、次世代二次電池などに関するレポートの全集もしくは総集編に相当するものである。
「気候・環境変動の要因・影響・対応/SDGs白書2023年版」
「気候変動経営/サステナビリティレポート/非財務情報開示/ESG経営白書2023年版」
「リデュース/リサイクル/アップサイクル/ダウンサイクル/リマニュファクチャリング白書2023年版」
「グリーンインフラ/グリーンコンストラクション白書2023年版」
「先進環境技術(エンバイロテック)/グリーンテック/クライメートテック白書2023年版」
「次世代二次電池/蓄電池発電白書2023年版」
(※ 全6巻を個別にご購入された場合に比べ、およそ半額程度の価格でお買い求めいただけます。)
]]>
2023-01-14T09:32:42+09:00
一般社団法人 次世代社会システム研究開発機構
-
https://www.x-sophia.com/?pid=172383617
カーボンニュートラル/資源・エネルギー総覧白書2023年版 PDF版
[出版日]
2023年 1月27日
[ページ数]
A4判/約 7,500ページ
(※ バインダー製本とPDF版では編集上の違いによりページ数が若干異なります。)
[発行]
監修・発行: 一般社団法人 次世代社会システム研究開発機構
[レポート内容]
■概要■
...
[出版日]
2023年 1月27日
[ページ数]
A4判/約 7,500ページ
(※ バインダー製本とPDF版では編集上の違いによりページ数が若干異なります。)
[発行]
監修・発行: 一般社団法人 次世代社会システム研究開発機構
[レポート内容]
■概要■
■内容編成(目次)■
本巻は、以下の刊行物(6巻:いずれもPDF版)を集成して1巻にまとめた総覧型の白書であり、カーボンニュートラル、脱炭素技術、再生可能エネルギー、クリーンエネルギー、資源・エネルギー問題、エネルギー危機管理など、CNおよびエネルギー革新に関する詳細かつ体系的なレポートの全集もしくは総集編に相当するものである。
「カーボンニュートラル/脱炭素・低炭素化白書2023年版」
「カーボンニュートラルの効用・事業機会白書2023年版」
「再生可能エネルギー白書2023年版」
「クリーンエネルギー/エネルギー革新白書2023年版−水素エネルギーから分散型エネルギー資源まで−」
「脱炭素・低炭素化の課題別テーマと適用技術白書2023年版」
「資源・エネルギー問題/エネルギー危機管理白書2023年版」
(※ 全6巻を個別にご購入された場合に比べ、およそ半額程度の価格でお買い求めいただけます。)
]]>
2023-01-14T09:30:46+09:00
一般社団法人 次世代社会システム研究開発機構
-
https://www.x-sophia.com/?pid=172383599
カーボンニュートラル/資源・エネルギー総覧白書2023年版 製本版
[出版日]
2023年 1月27日
[ページ数]
A4判/約 7,500ページ
(※ バインダー製本とPDF版では編集上の違いによりページ数が若干異なります。)
[発行]
監修・発行: 一般社団法人 次世代社会システム研究開発機構
[レポート内容]
■概要■
...
[出版日]
2023年 1月27日
[ページ数]
A4判/約 7,500ページ
(※ バインダー製本とPDF版では編集上の違いによりページ数が若干異なります。)
[発行]
監修・発行: 一般社団法人 次世代社会システム研究開発機構
[レポート内容]
■概要■
■内容編成(目次)■
本巻は、以下の刊行物(6巻:いずれも製本版)を集成して1巻にまとめた総覧型の白書であり、カーボンニュートラル、脱炭素技術、再生可能エネルギー、クリーンエネルギー、資源・エネルギー問題、エネルギー危機管理など、CNおよびエネルギー革新に関する詳細かつ体系的なレポートの全集もしくは総集編に相当するものである。
「カーボンニュートラル/脱炭素・低炭素化白書2023年版」
「カーボンニュートラルの効用・事業機会白書2023年版」
「再生可能エネルギー白書2023年版」
「クリーンエネルギー/エネルギー革新白書2023年版−水素エネルギーから分散型エネルギー資源まで−」
「脱炭素・低炭素化の課題別テーマと適用技術白書2023年版」
「資源・エネルギー問題/エネルギー危機管理白書2023年版」
(※ 全6巻を個別にご購入された場合に比べ、およそ半額程度の価格でお買い求めいただけます。)
]]>
2023-01-14T09:29:46+09:00
一般社団法人 次世代社会システム研究開発機構
-
https://www.x-sophia.com/?pid=172372079
グリーンインフラ/グリーンコンストラクション白書2023年版 PDF版
[出版日]
2023年1月30日
[ページ数]
A4判/約 1,000ページ
(※ バインダー製本とPDF版では編集上の違いによりページ数が若干異なります。)
[発行]
監修・発行: 一般社団法人 次世代社会システム研究開発機構
[レポート内容]
■概要■
...
[出版日]
2023年1月30日
[ページ数]
A4判/約 1,000ページ
(※ バインダー製本とPDF版では編集上の違いによりページ数が若干異なります。)
[発行]
監修・発行: 一般社団法人 次世代社会システム研究開発機構
[レポート内容]
■概要■
世界的に見て、インフラや建築物はエネルギー、土地、電気、水、材料などの消費において、最も大きな割合を占めている。同時に、これらの持続可能性に関する改善は、排出量の大幅な削減を実現できる最大の可能性を秘めている。国連環境計画は、今日のほとんどの都市が、環境悪化、交通渋滞、不十分な都市インフラに加え、水の供給、衛生設備、廃棄物管理などの基本的なサービスの欠如に悩まされていると指摘している。
持続可能なインフラや都市および建築とは、社会的、経済的、環境的影響(トリプルボトムライン)を考慮して設計されたインフラおよび都市・建設である。これらに対する包括性を重視した設計により、持続的な経済成長を維持し、必要なエネルギー、水、食料の投入を最小限に抑え、廃棄物、熱、大気汚染(CO2、メタン)、水質汚染を大幅に削減する。
本報告書は、グリーンインフラ/グリーンコンストラクションのコンセプトのもとで、これら諸テーマ、諸課題を含め、関連する諸テーマを体系化し、現状を分析・解説した報告書である。本報告書では、下記の主要テーマについて詳述し、包括的な報告書として編纂されている。
・ 環境保全対策とグリーンインフラとの関係
・ 生態系に基づく防災(Eco-DRR)とグリーンインフラ
・ 持続可能な都市/ゼロカーボンシティ/エコシティ
・ 環境アセスメントとグリーンインフラの両立
・ 自然インフラと人工インフラのハイブリッド
・ 都市緑化・都市林業の新展開
・ サステナブル建築
・ グリーンビルディング
・ 低炭素建材の利用
・ カーボンシンク・低炭素建材の実現可能性と運用
・ インフラ構築および建設におけるリサイクル材の利用
・ 断熱材の利用
・ インフラおよび建築物における省エネルギー
・ 建設業における廃棄物削減
・ サステナブルなインフラおよび不動産・建設業への適応
・ 環境性能評価にもとづく企業不動産・公的不動産のプロジェクトマネジメント
・ これら全体に関する技術の融合(バリューマネジメント)
■内容編成(目次)■
序
第1章 グリーンコンストラクション/サステナブル建築 概説
1-1 グリーンコンストラクション 概説
[1] 概要・定義
[2] グリーンコンストラクション
[3] 目的・効果
[4] 効率性
[5] 品質
[6] LEED基準の室内環境品質(IEQ)
[7] 国交省がグリーンインフラに本腰、全国協議会を設立しモデル事業を支援
[8] グリーンインフラ懇談会」がまとめた中間報告書
[9] グリーンコンストラクション
1-2 サステナブル建築 概説
[1] 概要・定義
[2] 持続可能なエネルギー利用
[3] 再生可能エネルギーの利用
[4] 建築環境の緑化・グリーン化
1-3 エコロジーエンジニアリングとグリーンコンストラクション
[1] 概説
1-4 低炭素建材の利用
[1] 概説
[2] 低炭素レンガ 低炭素レンガ
[3] グリーン・コンクリート
[4] グリーンタイル
[5] リサイクルメタル
[6] その他
1-5 カーボンシンク・低炭素建材の実現可能性と運用
[1] 概説
[2] 技術・制度の現状と今後の市場可能性
1-6 リサイクル材の利用
[1] 建築用リサイクル品
[2] 低揮発性有機化合物(VOC)他
1-7 断熱材の利用
[1] 建物外壁の断熱
[2] 断熱技術のコスト
[3] 建物外壁断熱製品の適用要件
[4] 断熱材の現状と今後の市場性
[5] 建築物における断熱材の開発
[6] 技術の実現可能性と運用上の必要性
[7] 技術の現状と今後の市場可能性
[8] 材料の持続可能性基準
1-8 建築物における省エネルギー
[1] 概説
[2] 技術の実現可能性と運用上の必要性
[3] 環境・気候への貢献
[4] オペレーションとメンテナンスの最適化
[5] 電力ネットワークへの影響軽減
[6] 財務的要件/コスト
1-9 建設業における廃棄物削減
[1] 建設・解体と建築廃棄物
[2] 建設業法・建設リサイクル法
[3] CLC(英国の建設業界団体) 「廃棄物ゼロに向けたルートマップを発表」
[4] 経済的要件とコスト
[5] 使用済み太陽光発電設備の取り扱い
[6] 環境省 「太陽電池廃棄物のリサイクル、ガイドラインを公開」
[7] 丸紅(建材メーカー) 「仮設鉄骨工事用資材のトレーサビリティ管理」
第2章 グリーンインフラ/グリーンコンストラクションの拡張と市場の拡大
2-1 グリーンインフラ 概説
2-2 環境保全対策とグリーンインフラとの関係
[1] グリーンインフラの認知度
2-3 生態系に基づく防災(Eco-DRR)とグリーンインフラ
[1] 人口減少時代の巨大災害への備え「エコ・DRR
[2] 1,700市町村の土地利用を防災安全や自然の恵みの観点から評価
2-4 環境アセスメントとグリーンインフラの両立
2-5 自然インフラと人工インフラのハイブリッド
[1] 海岸の自然インフラと人工インフラのハイブリッド "が常識に
[2] 舗装や建物のダム利用による都市部の豪雨やヒートアイランド問題の解決
[3] 生物でひび割れを補修するコンクリートが日本に上陸
[4] 2種類の舗装を組み合わせ、雨水流出とヒートアイランド現象を一挙に解決
[5] 雨水だけで生物が生息できる都市型ビオトープを開発
2-6 再生可能エネルギーおよび代替電力プロジェクトの増加
[1] 再生可能エネルギー・代替エネルギー分野のFDI:現状と課題
[2] ガスボイラーを捨ててヒートポンプを導入すれば、EUは "来年の冬をはるかに超える "ことになる
[3] 宇宙のソーラーパネルがネットゼロへの競争を後押しする?
[4] ブルームバーグ、途上国のエネルギー転換に2億4千2百万ドルの拠出を約束
[5] エネルギーの島々
[6] 自然エネルギーに炭素市場は必要か?
[7] EUの新しい国家補助規則により、エネルギー移行は後回しにされる
[8] 電力価格の高騰が自然エネルギー発電事業者にもたらす機会とは
[9] より迅速なエネルギー転換により、2050年までに中米で200億ドルを節約できる可能性
[10] エネルギー効率はエネルギー安全保障に等しい
[11] Hy2gen、グリーン水素投資で過去最高の2億ユーロを調達
[12] 水素トラックは未来のサプライチェーンを支えるか?
[13] 現在のエネルギー市場の不安定さがネットゼロ投資に意味するもの
[14] アフリカ全域で気候適応にさらなる重点が必要
[15] 国交省がグリーンインフラに本腰、全国協議会を設立しモデル事業を支援
[16] 「グリーンインフラ懇談会」がまとめた中間報告書
2-7 グリーンインフラの社会実装
[1] 環境アセスメントとグリーンインフラの両立
[2] 自然インフラと人工インフラのハイブリッド
2-8 国境を越えて再生可能電力を分配するグローバルなネットワークの構築
[1] グローバルグリッドネットワークの開発・融資
[2] トランスナショナル・インターコネクター
[3] グリーングリッド・イニシアチブ
第3章 都市緑化・都市林業
3-1 都市緑化
[1] 概説
[2] 都市におけるリユースシステムの導入
3-2 都市林業
[1] 概説
[2] 技術の実現可能性と運用の必要性
[3] 技術の現状と今後の市場性
[4] 社会経済発展・カーボンニュートラルへの貢献
[5] クリーン開発メカニズム市場の状況
[6] 障壁・課題点
第4章 持続可能な都市/ゼロカーボンシティ/エコシティ
4-1 概説
4-2 持続可能な都市を作るための実践的な方法
[1] 建築物
[2] エコインダストリアルパーク
[3] 交通機関
[4] カーフリーシティ
4-3 事例
[1] イギリス
[2] ドイツ
[3] デンマーク
[4] スペイン
[5] オーストラリア
[6] カナダ
[7] 中国
[8] インド
[9] 韓国
4-4 ゼロカーボンシティ
[1] 概説
[2] 指針となる原則
[3] カーボンフリーを目指す都市
[4] 取り組み手段
4-5 エコシティ
[1] 概説
[2] 基準
第5章 グリーンインフラの社会実装/気候変動に基づくインフラ計画・治水計画
5-1 概況
[1] 気候変動適応計画
5-2 気候変動に基づく治水計画
[1] 東京都、気候変動に対応した最大1.4mの防潮堤のかさ上げに全国で初めて着手
[2] 内水氾濫
[3] 安藤ハザマ 「無骨炭灰コンクリートによる短工期で強固な防潮堤」
[4] 合流式下水道の越流水対策で実現したグリーンインフラ
[5] 合流式下水道における越流防止対策で実現するグリーンインフラ
第6章 気候変動・減災とグリーンコンストラクション
6-1 建設業と気候変動・脱炭素適応計画
[1] Green Construction Board 「英国建設セクターにおける廃棄物ゼロのためのルートマップを作成」
6-2 気候変動に基づく治水計画
6-3 自然生態による防災・減災システム
[1] 生態系に基づく防災(Eco-DRR)
[2] 新しいインフラとして期待される「木」の減災評価手法
6-4 豪雨・ヒートアイランド問題に関するソリューション。
[1] 舗装や建物のダムとしての利用
[2] 多層型舗装による雨水流出・ヒートアイランド現象防止
6-5 地球温暖化を考慮した防潮堤の整備計画
[1] 内水氾濫対策
[2] 東京都、気候変動に対応した最大1.4mの防潮堤のかさ上げに全国で初めて着手
6-6 合流式下水道の越流水対策によるグリーンインフラの実現
6-7 環境を意識した冷却システム
[1] PUE(Power Usage Effectiveness)に関する対応と関連動向
[2] CUE(Carbon Usage Effectiveness)に関する対応と関連動向
[3] WUE(Water Usage Effectiveness)に関する対応と関連動向
6-8 建物・設備の消費電力可視化
6-9 参入企業・団体の動向・事例
[1] 総合地球環境学研究所(RIHN 「全国約1,700自治体の災害からの安全度など土地利用を評価」
[2] NEC 「グリーングローブ・データ・ビジュアライザー」
[3] 積水ハウス/宮城県黒川郡 「グリーンファースト ハイブリッド」
第7章 脱炭素化と建設・建築の先進技術
7-1 建物を炭素貯蔵構造に変えることができる技術の研究開発動向
[1] 米国エネルギー省 「炭素貯蔵構造を持つ建築物に研究開発費に資金援助」
7-2 自己修復コンクリート
[1] コンクリートの自己修復能力
[2] 自己修復コンクリートの種類
[3] 3分で自己修復する材料
7-3 環境配慮型の建設用コンクリート
[1] 大成建設 「3Dプリントを適用した環境配慮型の建設用コンクリート」
7-4 CO2を吸収するカーボンネガティブなコンクリート
7-5 デジタルツインが気候変動ビジネスに与える定性的・定量的な影響
第8章 グリッド・インタラクティブ・ビル
8-1 スマートビルディングとスマートグリッドが出会うグリッドエッジの新世代ビル
8-2 革新的なグリッドエッジ技術による新たなエネルギーマトリックス
8-3 インテリジェントな需要反応と低炭素エネルギー源の断続性を両立
第9章 グリーンビルディング/BEMS
9-1 概説
[1] 定義
[2] 建物の持続可能性を確認する評価・認証制度
[2] 目的・効果
9-2 ビル・エネルギー・マネジメント・システム(BEMS)
[1] 概説
[2] メリット デメリット
[3] BEMSの実現可能性と運用上の必要性
[4] BEMSの現状と今後の市場性
9-3 建物のパフォーマンス向上/コミッショニング
[1] 概説
[2] BEMSの最新形態
[3] EPC/ビルリニューアル時のパフォーマンスベースの調達
[4] 技術の実現可能性と運用上の必要性
[5] 導入の実現性
[6] 技術の現状と今後の市場可能性
[7] 社会経済発展・環境保護への貢献
9-4 建築物のライフサイクルと統合設計プロセス
[1] 概説
[2] 各種ツール
[3] 技術や運用上の必要性の実現可能性
[4] 技術の現状と今後の市場可能性
[5] 社会経済発展・環境保護への貢献
[6] 財務的要件とコスト
9-5 効率化/効率性
[1] サステイナブルデザイン/配置と構造設計の効率化
[2] エネルギー効率
[3] 水消費の効率化
[4] 材料の効率化
9-6 品質向上/最適化
[1] 建物を使う人のことを考えたエネルギー使用の合理化
[2] 室内環境品質の向上
[3] オペレーションとメンテナンスの最適化
[4] 廃棄物の削減
[5] 電力ネットワークへの影響軽減
9-7 経済性
[1] コストとペイオフ
9-8 グリーンビルディング認証
[1] 日本政策投資銀行(DBJ)がグリーンビルディング認証のスコアを改定
9-9 規制と運用
9-10 主な建築物環境評価ツール
9-11 参入企業動向
[1] 鹿島建設(株) 「BEMS(ビルエネルギーマネジメントシステム)の推進
第10章 ゼロエネルギービル(ZEB)/ポジティブエネルギービル(PEB) [1]
10-1 概説
[1] 概要・定義
[2] ZEBの包括的な考え方
[3] 定義の幅・バリエーション
[4] 米国国立再生可能エネルギー研究所(NREL) 主要カテゴリー分類
[5] エネルギーバランスのタイプ
[6] ゼロエネルギービルの最適化
[7] ZEBとゼロヒーティングビル
[8] 開発動向
[9] 主な事例
10-2 設計と施工
[1] 概説
[2] エネルギーハーベスト
[3] パッシブソーラーやゼロエネルギー住宅の設計
10-3 評価基準
[1] 居住者の行動
[2] 電力会社への配慮
10-4 影響力のあるゼロエネルギー・低エネルギー建築物
10-5 メリットとデメリット/課題
[1] メリット
[2] デメリット
第11章 ゼロエネルギービル(ZEB)/ポジティブエネルギービル(PEB) [2]
11-1 グリーンビルディング
[1] 概説
[2] ZEBとグリーンビルディングの比較
[3] 事例
11-2 プラスエナジービル
[1] 概説
11-3 ゼロヒータービル
[1] コンセプトとアプローチ
[2] 規格
[3] 改良・発展
[4] ゼロヒーティングビルの特徴
[5] 快適性
[6] 市場性
[7] 課題
1-4 高性能ビルファサード
[1] 概説
[2] 技術の実現可能性と運用上の必要性
[3] 技術の現状と今後の市場可能性
[4] 財政的要件とコスト
11-5 クールルーフ
[1] 概説
[2] 技術の実現可能性と運用上の必要性
[3] 技術の現状と今後の市場可能性
[4] 脱炭素への効果
[5] 財政的要件とコスト
11-6 プロジェクト例
[1] ヘリオトロープ
[2] Solar Settlement
[3] Sun Ship
11-7 認証
11-8 国別・地域別状況
[1] 国際的な取り組み
[2] 日本
[3] アメリカ
[4] カナダ
[5] ドイツ
[6] アイルランド
[7] オランダ
[8] ノルウェー
[9] 中国
11-9 エネルギー・フリー・ホーム・チャレンジ
[1] 概説
[2] 米国
11-10 有力企業・団体動向
[1] 鹿島建設(株) 「ZEB(ゼロ・エネルギー・ビルディング)の推進」
[2] 大成建設 「ZEB(ゼロ・エネルギー・ビルディング)の推進」
[3] 大成建設 「新築ビルの平均的なZEB化/T-ZEBシミュレータ」
[4] (株)奥村組 「ICT、AIなどを活用したPEB(Positive Energy Building)」
[5] 前田建設工業「ZEBの社会実装を推進」
[6] ダイキン工業(株) 「中規模オフィスビルの普及型ZEB」
[7] 日本ガイシ 「セラミックス焼成時の廃熱を利用したZEB(ゼロ・エネルギー・ビル)の実現」
[8] 北海道電力(株) 「寒冷地におけるZEB普及に向けた実証研究」
第12章 ゼロカーボン住宅/ZEH
12-1 概説
[1] 概要
[2] 定義
[3] 住宅のライフサイクル全体でのCO2排出量ゼロ
[4] インフラストラクチャー法案(英国)
12-2 ゼロカーボン非住宅建築物
[1] 概況
[2] プロトタイプ
12-3 論争・論議のポイント
12-4 有力企業・団体動向
[1] 旭化成ホームズ ZEH-Mの普及を加速 2025年に「RE100」を達成
[2] 大和ハウス工業 「森林破壊ゼロ」の実現に向けた4つの方針を策定
[3] 大東建託 ZEH基準を満たす賃貸住宅を販売へ
[4] 東京ガス 住空間スマート化/VPPやデマンドレスポンス(DR)に活用できる住設機器の制御システム
[5] 積水ハウス(株) 「ネット・ゼロ・エネルギー・ハウス 推進プロジェクト」
第13章 自律型ビル
13-1 概要
13-2 メリット/デメリット
13-3 システム
[1] 家庭用雨水貯留システム
[2] コンポストトイレ
[3] 廃棄物処理
[4] 節電/発電システム
[5] パッシブソーラー暖房
[6] ジオソーラーシステム
[7] 温水ヒートリサイクル装置
[8] 冷房
[9] コージェネレーション
[10] 食料生産システム
第14章 低エネルギー住宅
14-1 概説
[1] 概況
[2] 標準規格
[3] 基準・規定
14-2 主な技術体系
[1] 建築物の建設に関連するGHG排出量
[2] エネルギー効率
14-3 照明と電気製品
14-4 有力企業・団体動向
[1] 関西電力(株) 「データ と AI を活用した空調エネルギー削減システム」
第15章 災害に強い建物
15-1 概説
15-2 財政的要件とコスト
15-3 制度および組織的要件
15-4 課題・障害
第16章 新しいインフラとして期待される「樹木」/「木」を使った建築
16-1 樹木が波や津波を軽減する
16-2 先進的な建築家や都市計画家が注目する古民家の精神
16-3 建材のリユースによるCO2排出の抑制
第17章 エナジー・プラス・ハウス/パッシブハウス
17-1 エナジー・プラス・ハウス 概説
[1] 定義
[2] 社会・地域貢献
[2] 技術的アプローチ
17-2 プロジェクト例
[1] ヘリオトロープ
[2] Solar Settlement
[3] Sun Ship
17-3 パッシブハウス 概説
[1] 概要
[2] パッシブハウスの特徴
[3] 事例
17-4 国際規格
[1] PHIUS + 2015
[2] Niedrigenergiehaus
17-5 設計・施工
17-6 比較
[1] ゼロエネルギービルとの比較
[2] ゼロヒータービルとの比較
17-7 関連団体
第18章 ゼロ暖房ビル
18-1 概説
[1] 概要
[2] 市場性
18-2 標準規格
18-3 建築コスト
18-4 特徴
[1] 設計の自由度
[2] 快適性
18-5 課題
18-6 今後の展開
第19章 パッシブソーラー建築設計
19-1 概説
[1] パッシブソーラー建築設計の考慮事項
[2] パッシブ・ソーラー・デザインの要素
[3] パッシブソーラーヒーティングの効率と経済性
[4] その他の対策
[5] 欧州のパッシブハウス規格との比較
[6] ゼロヒータービルとの比較
19-2 パッシブソーラービルの主な構成
[1] 直接ソーラーシステム
[2] 間接太陽熱システム
[3] 蓄熱(トロンベ)壁
[4] ルーフポンドシステム
[5] 孤立型ソーラーシステム
19-3 パッシブソーラー関連技術
[1] パッシブソーラー照明
[2] パッシブソーラー給湯
19-4 適用可能なレベル
[1] 電気的・機械的制御のポイント
[2] 超高層ビルのパッシブソーラー設計
[3] パッシブソーラーに配慮した造園・庭園
19-5 デザインツール
第20章 オフ・ザ・グリッド
20-1 概説
[1] 定義
[2] 環境への影響と持続可能性
[3] 持続可能なオフグリッド・コミュニティ
20-2 エネルギーソリューション
20-3 経済的配慮
第21章 環境配慮型コンクリート
21-1 概説
[1] 概要
[2] 自己修復コンクリートの種類
[3] コンクリートの自己修復能力
21-2 業界動向俯瞰
21-3自己修復技術の活用
[1] 生物でひび割れを補修するコンクリート
21-4 有力企業動向
[1] 三菱商事(株) 「CO2を有効活用するコンクリートの技術開発と商品化
[2] 鹿島建設(株) 「CO2 を有効利用するコンクリートの技術開発」
[3] 中国電力(株) 「環境配慮型コンクリート」
[4] 安藤ハザマ 「無骨炭灰コンクリートによる短工期で強固な防潮堤」
第22章 建築物一体型太陽光発電
22-1 概説
22-2 建築物一体型太陽電池モジュールの形態別特性
[1] フラットルーフ設置型
[2] 葺き屋根設置型
[3] 複数の瓦形状のモジュール
[4] ファサード設置型
[5] グレージング設置型
22-3 タイプ別特性
[1] 透明な太陽電池/透明太陽光発電
[2] 透明・半透明太陽光発電のイノベーション
22-4 透明・半透明な太陽電池のタイプ別特性
[1] 非波長選択型
[2] 波長選択型
[3] 車両用一体型太陽光発電(ViPV)
22-5 政府の支援動向
第23章 自律型ビル・グリーンビルディングとリデュース/リサイクル
23-1 概説
[1] 概要
[2] メリット/デメリット
[3] ZEBとグリーンビルディングの比較
23-2 システム
[1] 家庭用雨水貯留システム
[2] コンポストトイレ
[3] 廃棄物処理
[4] 節電/発電システム
[5] パッシブソーラー暖房
[6] ジオソーラーシステム
[7] 温水ヒートリサイクル装置
[8] 冷房
[9] コージェネレーション
[10] 食料生産システム
23-3 高性能ビルファサード
[1] 概説
[2] 技術の実現可能性と運用上の必要性
[3] 技術の現状と今後の市場可能性
[3] 財政的要件とコスト
23-4 有力企業・団体動向
[1] 鹿島建設(株) 「ZEB(ゼロ・エネルギー・ビルディング)の推進」
[2] 鹿島建設(株) 「BEMS(ビルエネルギーマネジメントシステム)の推進
[3] 大成建設 「ZEB(ゼロ・エネルギー・ビルディング)の推進」
[4] 大成建設 「新築ビルの平均的なZEB化/T-ZEBシミュレータ」
[5] (株)奥村組 「ICT、AIなどを活用したPEB(Positive Energy Building)」
[6] 前田建設工業「ZEBの社会実装を推進」
[7] ダイキン工業(株) 「中規模オフィスビルの普及型ZEB」
[8] 日本ガイシ 「セラミックス焼成時の廃熱を利用したZEB(ゼロ・エネルギー・ビル)の実現」
[9] 北海道電力(株) 「寒冷地におけるZEB普及に向けた実証研究」
第24章 次世代空調
24-1 赤外線(IRセンサー)を経由させた次世代空調制御
[1] 概況・これまでの経過
[2] パナソニック 超解像画像処理技術を使った空調制御システム
第25章 低エネルギー住宅とリデュース/リサイクル
25-1 概説
[1] 概況
[2] 標準規格
[3] 基準・規定
25-2 主な技術体系
[1] 建築物の建設に関連するGHG排出量
[2] エネルギー効率
25-3 照明と電気製品
25-4 有力企業・団体動向
[1] 関西電力(株) 「データ と AI を活用した空調エネルギー削減システム」
第26章 トイレの堆肥化/コンポストトイレ
26-1 概説
26-2 構成要素と使用方法
26-3 設計上の検討事項
26-4 タイプ
26-5 用途・用途別比較
[1] 概説
[2] 比較
26-6 標準化/基準
26-7 運用/メンテナンス
第27章 建物部門/建設資材のリサイクル
27-1 概説
27-2 持続可能な材料
[1] 概説
[2] 環境配慮型コンクリート
27-3 建築基準法と建物のライフサイクル・リサイクル
27-4 持続可能な住宅のためのコード
27-5 主な参入企業・団体の動向・事例
[1] CLC(英国の建設業界団体) 「廃棄物ゼロに向けたルートマップを発表」
[2] 東京大学大学院工学系研究科の 「大気中のCO2と水を原料として完全に循環するカーボンニュートラルなコンクリート」の開発
[3] ラゲンセルス・グループ/リックウエル 「断熱材リサイクルのソリューション」
]]>
2023-01-13T16:51:31+09:00
一般社団法人 次世代社会システム研究開発機構