勉強会で紹介されていたアプローチの一つに、4択形式で生成AIの理解度を測る手法があります。たとえば、100枚の深海生物の画像に対して「これは何でしょう」という問いを立て、それぞれに4つの選択肢を用意するんです。

選択肢には、深海でよく見られる、かつ見た目が似ていて識別が難しい生物をあえて並べるのがポイントです。実際にこの形式でAIに回答させたところ、正答率は50％未満。まだ専門家の目には及ばず、改良の余地があると感じています。

深海は光が極端に少ないために照明等の撮影条件によって対象がぼやけたり、海水の濁りや浮遊物で視界がさえぎられたりすることも多いんです。

さらに、ごみは変形していたり、堆積物に覆われていたりと見た目が一定ではなく、生成AIによって欲しい情報を抽出するためには工夫が必要です。生成AIが得意な撮影条件は何で、どのような情報であれば正確に抽出できるのか試行錯誤しています。

「生成AIに仕事が奪われる」という考え方も、一部にはあるかもしれません。でも私は、生成AIはライバルではなく、「一緒に働く仲間」のような存在だと思っています。生成AIの得意とする部分をうまく取り入れることで、私たち人間が本来向き合うべき本質的な探究に、もっと集中できるようになる。そう実感しています。

わずかな誤りが成果全体の信頼性を左右する恐れがあり、出力結果には細心の注意が必要です。そのため、妥当性を見極める確認のプロセスが欠かせません。

開発側としては、その確認作業の負担を減らすためにも、誤りを出しにくい設計を意識する必要があります。根本的なミスを完全に防ぐことは難しいですが、今後の伸びしろも大きいと感じているんです。

生成AIの導入によって、人間が担ってきた作業の一部が効率化されています。そうして生まれた時間を、新しい価値づけや未知の現象の発見といった、より本質的な探究に充てられるようになります。生成AIによって、膨大なデータを整理・活用できるようになれば、深海の環境や生態系に対する理解もより深まっていくと思います。

今後は生成AIを活用して、より複雑な情報にも挑戦したいと考えています。たとえば、深海には急な崖やなだらかな斜面、山のような隆起などさまざまな地形が映し出されますが、「この地点はこの地形」と全てを既存のカテゴリに当てはめられるわけではありません。

しかし、生成AIであれば「このグループに近い」「この地形に類似している」など、一つのカテゴリに断定できないような地形や状況も柔軟に分類できる可能性があります。こうしたAIによる類似性といった視点が加わることで、従来の分類には収まりきらなかった、曖昧な情報も整理できるようになるのではないかと思っています。

生成AIは、まだ完成された技術ではありません。でも、だからこそ一緒に育っていける感覚があります。試して、考えて、また試す。その繰り返しが、研究開発の楽しさにつながっています。