以机器学习和深度学习（Deep Learning）为基础的人工智能（AI）可以通过学习庞大数量的数据来提高推论的精确度。另外，根据推论处理对象的数据质量，学习完毕的AI能获取到的处理结果也存在很大差别。也就是说，由AI系统处理的数据，可以说是创造价值的源泉。

要想实现性能优越的AI应用系统，所需要的技术不仅仅是精密的神经网络和高性能计算机。还必须要具备能有效、高效且大量收集由AI处理的数据的技术。

收集数据不能没有传感器，但开发传感器时并未设想到应用于AI

如果AI是应用在搜索网站、电子商务网站或SNS，就可以获取到大量的数字数据，其中包括可成为AI学习教材的数据以及可成为推论处理对象的数据。然而，要想获得制造业生产现场或零售店商品流动的数据，以及人的生物体信息等数据，就必须使用传感器，这种传感器要具备将现实世界的信息作为数字数据进行收集的功能。

然而，目前市面上销售的很多传感器在开发时并未设想到要收集由AI处理的数据。大多数传感器都是为了适用于电气和电子设备的控制系统而开发的。具体来说，至今为止技术的发展方向一方面是提高灵敏度、精度（分辨率）和准确度，以便适用于更细致和高度的控制；另一方面是推进小型和轻量化、降低功耗、提高耐环境性，以便从更多的地方收集信息。

目前的传感器未得到优化，功能和性能不一定适用于AI。关于的这一点，AI算法的开发者是怎么考虑的呢？PKSHA Technology（以下简称PKSHA）的上野山代表董事说：“我们正专注于探索一种方法，就是把通过数据学习到的AI算法，和在社会实际应用中获得的价值分别进行验证，并通过快速推动反馈回路来获得更大的效果。关键在于如何更好地利用面前的数据，我们并不在意是否在现实世界的所有物理环境中收集了这些数据”（图1）。

但是，换个角度来看，如果这种状况得到改善，我觉得也就有可能产生未来的发展空间。研究开发“处理数据的技术”的软件企业和开发提供“收集数据的硬件”的企业，实际上这两者可以说是处于AI应用系统中数据流起点和终点的接壤关系。乍看感觉是不同行业且彼此的关联性也不强，但原本应该是亲和性很高的关系。如果两者协作，将收集数据技术和活用数据技术加以协调，并从整体上优化数据流……。我预感这方面将会产生创新。

［株式会社PKSHA Technology］

PKSHA本着“为未来软件赋形”的使命，为了打造企业和客户之间的未来关系，他们利用自家公司开发的机器学习/深度学习领域的算法，开发出AI解决方案并为客户提供AI SaaS(软件即服务)。他们以使用了自然语言处理技术的自动应答、图像/视频识别和预测模型等多方面的技术为基础，除了提供针对客户课题的解决方案以外，还通过推广AI SaaS来解决共通的课题，从多方面支持日本推进DX，努力创造人与软件协同进化的繁荣社会。

以在AI中使用数据为前提开发传感器，并用传感器开展创新

上野山先生谈到：“将什么样的传感器收集到的数据作为学习教材和处理对象，才能实现可获取到更高价值结果的AI呢？要想更大程度推动AI的发展并提高AI在应用之处的影响，从现在开始就开展这样的讨论则非常重要”。

比如，即使使用的是以往传感器获得的数据，但如果通过AI算法将数据转换成其他信息，就有可能制造出新的传感器并具备以往不曾有的价值。实际上在图像传感器领域，通过使用AI，已经可以从获取到的影像中提取人物，推测年龄和性别等，并从动作和举动的倾向中找出可疑人物。也就是说，图像传感器已经发展成了年龄传感器和性别传感器。如果将同样的方法用于加速传感器、温度传感器、磁传感器等各种各样的传感器上，就有可能获取到以往无法检测到的、利用价值更高的信息。

另外，在以往的传感器开发中曾经关注的噪声对策方面，或许也存在一些通过AI算法上的应对就能简单解决的问题。如果以在AI中使用数据为前提来思考，有时可能就不需要现有传感器那种高性能和高灵敏度。在这样的用例中，与其将开发资源多数分配给符合以往传感器开发趋势的硬件技术，倒不如分配给提高AI使用的适应性等其他领域，在整体系统中，高性能化和低成本化似乎会有所发展。

实际上，在高速执行AI相关处理的处理器的开发上，我们刻意与以往技术开发趋势逆向而行，推进这类技术开发并以此取得了成功。一直以来，我们在设想将处理器芯片搭载到计算机上的开发中，将32位、64位和运算器可处理的数据进行了多位化，提高了运算精度。而在用于AI相关处理的处理器上，我们刻意与趋势逆向而行，推进了少位化，将规格改为了8位。简化各个运算器的结构，并将简化部分分配到运算器上，增加了搭载到芯片上的运算器的数量，提高了并行度。为了能高速处理更多数据而加以改进，大幅度提高了系统性能。

协调硬件和软件，努力实现有价值的AI系统

上野山先生一直在强调目前推进软件企业和硬件企业在不同领域协作的重要性和意义，他说：“协调传感器和AI算法之间架构的方法，在全世界几乎是一个尚未开发的领域”。

实际上，在传感器和AI算法这个组合以外的领域，协调硬件和软件的开发已经逐渐活跃起来。例如，在近年来发表的仿人机器人中，出现了一些将控制动作的软件技术和用于控制的半导体芯片、用于驱动的致动器、机械部件、电池等硬件技术协调后开发而成的例子。因此，组合现有硬件部件所制造的机器人已经可以完成以往无法做到的流畅动作和精细多样的操作。

PKSHA也已经开始在多家硬件制造商之间开展开放式创新。据说他们把构成AI系统的硬件和软件的规格及结构加以协调并进行开发，通过这个方法已经开始探索方案，以求实现更高价值的系统和服务。

例如，上野山先生谈到：“用于工厂自动化的机械手臂今后将朝着以AI控制为中心的方向发展下去。更适合AI控制算法的执行器的开发不断发展等，硬件部分的制作方法和结构一定会发生巨大变化。我感觉在至今为止的开发中，因‘硬件优先’而得到发展的情况很多。但如果因‘软件优先’而重新开发硬件，那么系统开发方面会产生怎样的变化和价值呢？我想，尝试探讨这个问题将会成为一个很有意义的思考实验”。

PKSHA Technology 上野山代表董事

大学毕业后在波士顿咨询集团的东京和首尔办公室主要从事网络行业及软件行业的工作。之后在美国参与了GREE International的硅谷办公室的设立，从事网络产品的大规模记录解析业务。在松尾研究室取得博士（机械学习）学位后，就任研究室助教。同时于2012年，创办了PKSHA Technology。担任内阁官房数字市场竞争会议WG成员、经济产业省AI原则实践的应有形态研讨会委员等。2020年，被选为世界经济论坛（达沃斯论坛）的“全球青年领袖（Young Global Leaders，YGL2020）”之一。

不同行业的协作并非轻而易举，却具有挑战的价值

然而，跨越企业框架，改变系统开发的流程，协调硬件和软件并进行开发这件事似乎并不容易。因为一项定义新框架去开展的新业务和已拥有实绩的现有业务相比，在推进开发的方式上无论如何都会出现差异。

上野山先生说：“我们想按照软件开发的方法，快速推动PDCA（Plan、Do、Check、Action）循环，并推进研究和社会实际应用。但是，根据协作伙伴，推动PDCA时的手续和方法存在固有的规定，有时会出乎意料地出现无法统一步调的情况。因此，有一个办法就是，准备一个类似“出岛（人工岛）”的地方，可以独自定义PDCA循环，开展开放式创新。我们正在想办法构建一个灵活有效的协作机制”。

不同行业协作的开放式创新也是一种从根本上改变以往工作开展方式的业务改革，并非轻而易举就能实现。但尽管如此，着眼未来，开放式创新是持续推进技术发展以及促进商务成长不可缺少的举措。至今为止没有关联的软件企业和硬件企业的协作，今后一定会日益扩大并加快发展。通过开放式创新的实践，会产生什么样的创新和新的价值呢？我们将拭目以待。

相关文章

• 通过研究开发和社会实际应用的“协同进化”，将使用AI的影响力扩展到更多领域