日本語
2012年、Googleは、ラベルのないYouTube画像で学習し、猫の顔に強く反応する特徴を獲得したニューラルネットワークを紹介しました。その学習中、誰も「猫」というラベルを与えていません。当然ネットは、巨大なコンピューターでさえ猫に気を取られるという証拠として受け止めました。
冗談はよくできていました。研究の問いは、もっと面白いものでした。すべての例に人が先にラベルを付けなくても、大量のデータから役立つ視覚的特徴は現れるのでしょうか。
この記事の内容
- なぜ猫がニュースの主役になったのか
- 実験で何をしたのか
- 「猫ニューロン」とは何か
- 結果の数字を読む
- 生物の視覚とのつながり
- AlexNetとTensorFlow
- 今もこの実験から学べること
- よくある質問
なぜ猫がニュースの主役になったのか
猫はすでにネット文化に居心地のよい場所を持っていました。Longcatの歴史（英語）の記事も、猫の画像が共有の冗談になる数ある道の一つをたどっています。別の猫が関わる研究成果には、歓迎委員会がすでにいたのです。
Jeff DeanとAndrew Ngによる2012年6月26日のGoogleの発表は、ラベルのない静止画を見ることで、人工のユニットが猫に反応するようになったと説明しました。一般向けには、自分で学ぶ学習として紹介されました。
印象に残るのは、結果を思い描けるからです。「システムが役立つ表現を学んだ」には説明が必要です。「コンピューターが猫を見つけた」なら、見出しもサムネイルもコメント欄も、もう用意できます。
実験で何をしたのか
Quoc LeらのBuilding High-level Features Using Large Scale Unsupervised Learningは、ICML 2012で発表されました。実験は200×200ピクセルの画像を1,000万枚使い、重複を減らすためYouTube動画一つにつき一枚を抽出しました。
モデルの接続はおよそ10億で、合計16,000のCPUコアを備えた1,000台のマシンで3日間学習しました。16,000コアであって、16,000台の別々のコンピューターではありません。
その段階では、カテゴリのラベルなしで視覚的特徴を学びました。後の評価と分類の実験では、ラベル付きデータも使っています。
したがって「教師なし」は、研究者が何もしなかったという意味ではありません。構造、学習目標、データ、評価方法は研究者が選びました。ないのは、学習画像に写る物の名前を示すラベルという、特定の教示信号です。それが特徴学習の段階では与えられていませんでした。
名前の付いた仕切りに分けられた写真箱を渡される場合と、未整理の山から繰り返される視覚構造を探す場合の違いを考えてみてください。あくまでたとえですが、サーバーの中に小さな意識ある研究者がいると想像するよりは近いものです。
「猫ニューロン」とは何か
チームは、人の顔、体、猫の顔に反応するユニットを見つけました。人工ニューロンはモデルの数値的な部品であり、入力を変えて、その活性化を調べられます。
猫の顔への強い反応は、興味深い学習済みの特徴です。ただ、それだけで生き物としての猫や、その行動、買ってあげた高いベッドが使われない事実を知っているとは言えません。
ぼんやりした猫の可視化は、あるユニットを強く活性化するよう最適化した入力です。取り出された写真でも、機械の信念をそのまま写した画像でもありません。
こうした可視化は、モデルの振る舞いを調べやすくします。それでも解釈と、別の検証が必要です。人に意味があるように見える一枚の絵は、ネットワークのすべての動作を説明しません。説明可能なAIのガイド（英語）では、この広い問題を扱っています。
要点を見失わずに数字を読む
論文は、猫に反応するユニットで約75％、最も強い人の顔のユニットで81.7％の正解率を報告します。顔のテストでは、常に「顔ではない」と予測するだけでも64.8％で、サンプリングした線形フィルターによる比較基準は74％でした。
これは特定のデータセットと評価手順での結果であり、ネット上のすべての猫を見分ける普遍的な正解率ではありません。カテゴリの大きさが偏ったテストは、あまり役に立たない戦略にも高得点を与え得るので、比較基準が大切です。
より広い画像分類の実験では、教師ありで微調整した後、約22,000カテゴリで15.8％の正解率に達しました。引用された以前の結果は9.3％でした。
大切なのは、表現を学ぶことと、それをラベル付きの分類課題に使うことの区別です。この実験は、段階を分けて両方を行いました。全体を、人の与えるラベルが一切なく機械がすべて学んだと表現すると、その違いが消えてしまいます。
生物の視覚とのつながり
この歴史には、猫を挟んだ面白い対称性があります。David HubelとTorsten Wieselは猫の視覚野のニューロンを調べ、向きのある輪郭などの視覚特徴に、細胞が選択的に反応する仕組みの解明に貢献しました。
Hubelの1981年のノーベル講演は、その研究の発展を振り返ります。視覚系の発見により、二人は同年の医学賞の半分を受賞しました。残る半分は、大脳半球に関する別の仕事でRoger Sperryに贈られました。
層を重ねた視覚処理の考えは、人工視覚の研究にも着想を与えました。ただ、着想と同一性は違います。人工の特徴検出器は、生物の脳も同じ仕組みを使う証明にはなりません。一つの選択的なソフトウェアのユニットだけで、脳が概念をどう表すかの議論が決着するわけでもありません。
猫は、視覚を調べられた動物としても、機械が見分けることを学んだ画像としても、話の両側に現れます。すべての視覚モデルが一本道の家系図をたどると主張しなくても、このつながりは十分に面白いものです。
AlexNetとTensorFlowは、別の部分の話だった
2012年のもう一つの大きな成果が、Alex Krizhevsky、Ilya Sutskever、Geoffrey HintonによるAlexNetです。教師ありの畳み込みネットワークとGPU実装は、画像分類における深層学習の重要な実証になりました。
これを、GPUが猫実験の巨大なCPU群を倒したと語りたくなります。ただ、課題、構造、学習の方法は違いました。ハードウェアの直接対決には、別々の企画から印象的な数字を二つ抜き出すのではなく、条件をそろえた比較が必要です。
AlexNetが目立ったからといって、ラベルのないデータからの学習が消えたわけでもありません。二つの方法は違う機会に取り組み、教師ありと教師なしの段階を組み合わせることも、すでにできました。
Googleの基盤にも、猫の見出しの先の人生がありました。2015年のTensorFlow発表では、DistBeliefを、この研究や音声・画像認識などに使われた従来の社内システムとして説明しています。
TensorFlowは、より柔軟な第2世代のシステムとして紹介され、オープンソースで公開されました。猫のモデルそのものがTensorFlowになったと言うより、こちらが正確です。学習済みモデルと、モデルを作るためのソフトウェア基盤は違うものです。
今もこの実験から学べること
残る考えは、後で役立つ特徴を人が一つずつ明示的に名付けなくても、データから有用な構造を学べるということです。現代の表現学習とつながりますが、すべてのAI技術が同じレシピになるわけではありません。
例えば、言語モデルは予測課題を通じて学びます（英語）が、データも目的も違います。似ているのは大きな枠です。学習により、個々の訓練例を越えて役立つ内部表現が生まれることがあります。ただし、視覚認識、文章生成、推論が交換可能だという証明ではありません。
データそのものも重要です。投稿された動画は、人が撮影して共有するものの選択であり、現実を偏りなく集めた目録ではありません。その集合で見分けられる型が見つかっても、ほかの場所でどれほど一般的かは分かりません。
冗談の下にある教訓は、システムが何を見て、何をするよう学習し、結果をどう試されたかを問うことです。そのうえで、高価な研究企画がネットにもう一匹の猫を提供した事実を、存分に楽しめばよいのです。
よくある質問
Googleのネットワークは猫を理解したのですか？
猫の顔に反応する視覚的特徴を学びました。それは、動物を理解するときに人が想定する、もっと広い知識や実体験を持つことを示しません。
「猫」とラベルを付けた画像を与えられたのですか？
教師なしの特徴学習の間は与えられていません。ラベルは後の評価と、教師ありの分類で使われました。
ぼやけた猫は写真でしたか？
いいえ。学習済みユニットを強く活性化する入力を可視化したものです。
現代のAIは、すべてこのように動きますか？
いいえ。広い意味での表現学習の考えを示す例ですが、現代のシステムは構造、データ、目的、その後の学習で大きく異なり得ます。
2026-08-12公開の英語版の記事を日本語に翻訳しました。翻訳日：2026年10月30日。翻訳にはAIを使用し、記事内の時点は原文に合わせています。
