「足りない」から学ぶAI――福井大学が挑む少データ・少計算の画像認識

AIにとって最も簡単な写真は、世界がすでに何百万枚も撮ってきた写真だ。猫、自動車、顔、道路標識。難しいのは、むしろ特定の現場でしか重要にならない画像である。工場部品の髪の毛ほどの傷、ヒレの模様だけがわずかに違う二つの魚種、数百例しか集めにくい医用画像の特徴、あるいは一つ一つの部品は正常なのに配置だけが間違っている製品。

福井大学の長谷川達人准教授らが進める画像認識研究の核心には、この現実的な問題がある。現在のAIブームは「豊富さ」によって進んできた。より多いデータ、より大きいモデル、より多いアクセラレータ、より長い学習時間。福井の研究は、その反対側にある現場を問う。ラベル付けが高価だったらどうするか。本当に希少な異常ならどうするか。エッジ端末に載せなければならないならどうするか。小さな製造業者が検査のためだけに巨大な計算設備を持てないならどうするか。

福井大学の現在の「基盤モデルと生成AIによる詳細画像認識プロジェクト」は、課題を三つの方向から整理している。工業製品の異常検知や深層アンサンブル学習を含む理論開発、「極限エッジAI」のための実装、そして農業・漁業など一次産業における細粒度画像認識である。その周囲で長谷川研究室は、データ不足と計算資源不足を別々の角度から攻める複数の方法を積み上げてきた。

現代の画像AIを強くした「取引」

コンピュータービジョンは深層学習から始まったわけではない。長い間、研究者はエッジ、角、テクスチャー、形状など、コンピューターが見るべき特徴を人間の側で設計してきた。非常に高い性能を出せる一方、「何が重要な視覚情報か」を前もって決める必要があった。

深層学習は、この取引を変えた。すべての特徴を人間が書き下すのではなく、多層ニューラルネットワークが例から表現を学ぶ。象徴的な転換点が2012年のImageNet競技で登場したAlexNetだった。約120万枚のラベル付き画像を使い、NVIDIA GTX 580 GPUを2枚使って5～6日間学習した。当時は巨大だった。基盤モデル時代から振り返れば、むしろ小さく見える。

その後も規模は拡大した。データセットと計算装置が大きくなるにつれ、多くの課題へ転用できる視覚表現を学ぶことが可能になった。2021年のCLIP（Contrastive Language-Image Pre-training）は、その象徴である。原論文では4億組の画像と自然言語テキストを使って学習した。固定されたラベルだけを当てる分類器ではなく、画像とことばの広い対応関係を学び、個別課題向けの大量再学習なしでも多くのタスクへ移せることを示した。

ここでAIに新しい「資本」が生まれた。事前学習済み表現である。小さな研究室や企業が基盤モデルをつくったデータ量と計算量を再現できなくても、そのモデルがすでに学んだ知識を借りることはできる。

少データ問題は、「どうやって100万枚を集めるか」だけではなくなった。「すでに世界を大量に見たモデルから、必要な知識だけをどう取り出すか」という問いにも変わった。

第1の道：変化をつくる。ただし「真実」をつくってはいけない

深層学習で古くから使われる手法にデータ拡張がある。学習画像が少なければ、切り抜き、左右反転、回転、色調変更などで追加の例をつくる。目的は同じ画像を水増しすることではない。「この程度の変化では答えは変わらない」とモデルに学ばせることだ。

生成AIは、その考え方を大きく広げる。一枚の魚写真を回転するだけでなく、背景、姿勢、照明の違う新しい魚画像を生成できる可能性がある。理論上、細粒度画像認識には魅力的だ。現実世界で希少な例でも、学習時のバリエーションを増やせる。

福井大学の加藤拓也氏、芹澤栞苑氏、岡山充希氏、中野雄太氏、長谷川氏らは、細粒度画像認識（FGIR）で画像生成AIを使うデータ拡張を検証した。背景を変えるプロンプト、対象クラスの視覚特徴をマルチモーダルモデルで言語化する方法、背景置換の画像処理パイプラインなどを試した。

結果が一様に成功ではなかったことが、この研究をかえって重要にする。Text-to-Image生成は、よく似たクラスを分ける細かな特徴の再現に苦戦した。一方で、各クラスの実画像が一枚しかないワンショット学習では精度向上が見られ、背景置換は条件によってベースラインを上回った。

生成データの本質的な問題がここにある。画像の数を増やしても、ラベルを定義する特徴を壊したら意味がない。二つの似た魚種を見分けたいのに、生成AIがヒレ、縞、体形を勝手に変えれば、データセットは大きくなっても知識は悪くなる。

長谷川氏と中野氏は2024年のIEEE GCCEで、基盤モデルを用いた細粒度魚種識別のデータ拡張も発表し、プレゼンテーション賞を受けた。魚は偶然の題材ではない。漁獲は季節と地域で変わり、希少種はラベル付き写真が少なく、現場システムは巨大クラウドではなく港や作業場の近くで動く必要がある。AIの「食欲」と現場のデータ量がずれる典型である。

第2の道：巨大な先生から、小さな生徒へ

もう一つの道は、データではなくモデルを小さくする。知識蒸留（knowledge distillation）は、深層学習の世界ではすでに古典的な考え方だ。巨大な「教師モデル」は、単純な正解ラベルだけでなく、各クラスの似かより方や不確実性を内部に持っている。その豊かな判断を小型の「生徒モデル」に学ばせる。

Geoffrey Hinton、Oriol Vinyals、Jeff Deanらが2015年に現代的な知識蒸留を広めた背景には、強力なアンサンブルをより軽く配備したいという問題があった。基盤モデルが巨大化した現在、この価値はさらに大きい。巨大モデルを一度学習することと、すべてのカメラや検査装置、エッジ端末へ持ち込むことは別問題だからだ。

福井大学のunCLIP-KDは、この知識蒸留と生成モデルを組み合わせる。佐々木達也氏、坂井俊介氏、長谷川氏はCLIPの潜在表現を条件として生成モデルを動かし、蒸留に使える学習材料を広げる。2026年にNeurocomputingで公表された論文では、複数ベンチマークで一般的なデータ拡張や知識蒸留法を上回り、CLIPからResNetへ蒸留したSTL-10の一例ではベースラインから約7.5ポイントの精度向上を報告した。

考え方は明快である。基盤モデルは莫大な資源を使って視覚世界の意味地図をすでにつくった。小さなモデルは、その旅を最初からやり直す必要はない。教師の表現を利用した生成データを通じ、必要な領域を効率よく学べる可能性がある。

ただし「蒸留」という言葉は重要だ。蒸留後の液体は元の混合物そのものではない。小型モデルも同じで、軽くするために何かを捨てる。その上で、実際の仕事に必要な知識をどこまで残せるかが工学の問題になる。

第3の道：委員会をつくる。ただし全員を一から育てない

アンサンブル学習の発想は単純だ。一つのモデルより複数モデルで判断し、それぞれが違う間違いをするなら、予測を平均することで精度や信頼度を改善できる。

代償も単純である。5モデルを完全に独立して学習すれば、ほぼ5本の学習プロセスが必要になる。巨大計算設備なら許容できても、資源制約のあるシステムでは重い。

坂井俊介氏、柘植俊亮氏、長谷川氏のNoisy Deep Ensembleは、その作り方を変えた。まず親モデルを収束まで学習し、その重みに複数の方法でノイズを加え、異なる子モデルの出発点をつくる。全員をランダム初期値から育てず、一つの学習済みモデルから近傍の異なる解を探索させる。

CIFAR-10、CIFAR-100と複数のCNNでの評価では、標準的な深層アンサンブルに近いテスト精度を保ちながら学習負担を大きく減らし、実験した効率化アンサンブル手法より高い性能を示したと報告している。

一見すると細かな高速化だが、思想は他の二つと同じだ。一度得た計算結果を再利用できるなら、同じ費用を何度も払わない。もちろん、委員会の全員が同じ間違いをするならアンサンブルの意味はない。必要なのは「多様性を残しながら再利用する」ことである。

魚から工場へ――「細粒度」は現場の言葉

細粒度画像認識を理解するには、人間には「ほとんど同じ」に見える分類を考えるとよい。普通の分類器は「鳥」を当てればよい。細粒度分類では、シルエットがほぼ同じ二種を見分ける。工場では、正常部品とごく小さな組み立て違いを見分ける。医療では、小さな画像差が大きな意味を持つ場合がある。

福井大学の現在の研究プロジェクトは、工業製品の異常検知と一次産業の細粒度認識を明示し、将来の医工連携も目的に掲げている。大学のAI研究はすでに、漁業、食事摂取量推定、センシング、医療支援などへ広がっている。

工場側を直接イメージできる2026年の研究がLADMIMである。坂井氏、長谷川氏、越野亮氏は、Masked Image Modelingを使った「論理的異常」の検知法を提案した。従来の異常検知は傷や不自然なテクスチャーには強くても、一つ一つは正常な物体の「組み合わせが違う」「位置が違う」といった異常を苦手とする場合がある。

LADMIMは画像の一部を隠し、そこに何があるべきかを予測させる。欠けた部分を当てるには、局所的な表面だけでなく、画像全体の関係を学ばなければならない。完全なネジでも位置が違えば不良である。各部品が正常でも組み合わせが違えば製品は間違っている。異常は「見た目」だけではなく「構造」にもある。

医療画像にも似た制約がある。専門家によるラベル付けは高価で、患者データを好きなだけ増やすこともできない。生成画像や知識蒸留、小型モデルには研究価値がある。ただし臨床妥当性、バイアス、校正、プライバシー、規制上の証拠は、学習が効率化しただけでは消えない。福井大学は医工連携を目指しているが、ここで扱う手法を「すでに診断機器として検証済み」と読むべきではない。

福井という場所も、この研究の一部だ

この研究が面白い理由には地理もある。世界のAI物語は、巨大テック企業、巨大データセンター、より大きなGPUクラスタへ向かいやすい。福井は違う。地域の製造業や一次産業に近い国立大学が、「無限の計算資源を買えない場所で先端AIをどう使うか」を問う。

長谷川研究室は2017年、福井大学工学部で発足した。長谷川氏自身は富士通北陸システムズの医療システム部勤務、金沢大学での博士号、医療情報系の教育研究を経て福井大学へ移った。研究室は行動認識、学習支援、魚種識別、異常検知、基盤モデルへと領域を広げてきた。

福井大学の以前の分野横断AIプロジェクトは、普及の問題を率直に書いている。深層学習を使いたくても、データセット準備やパラメーターチューニングが複雑で、各分野に扱える人材も不足している。その解決策としてAI専門家と他分野研究者を結ぶ「Virtual Laboratory」を構想した。

ここに「AIの民主化」という言葉への重要な修正がある。モデルをダウンロードできるだけでは民主化ではない。誰かが問題を定義し、データを集め、誤りを監査し、システムを維持し、信頼度が低い時に何をするかを決めなければならない。

危険な近道――「合成された自信」

少データの物語で最も誘惑的なのは、「生成AIが不足を消す」という説明だ。消さない。元データが偏っていれば生成モデルも偏りを引き継ぐ可能性がある。プロンプトが重要特徴を落とせば、合成画像は間違った区別を教える。現実に一度も観測されていない希少不良を生成しても、物理的にあり得ない画像かもしれない。モデルが生成画像特有の癖を覚えれば、評価値だけが上がることもある。

福井大学の細粒度データ拡張研究は、この緊張を自ら示した点に価値がある。一枚しか実画像がない条件では生成が役立つ場面があったが、Text-to-Imageはクラスを決める細かな特徴を正確に再現することに苦労した。だから生成データを使わない、という結論ではない。「測らずに信じない」という結論である。

そしてアルゴリズムでは解決できない希少資源がもう一つある。信頼できる評価データだ。学習用データを増やし、教師モデルを蒸留し、アンサンブルを圧縮しても、最後のテストセットが実際の使用環境を表していなければ、効率化は「間違いを速く出す」だけになる。

次の最前線は「小さくすること」かもしれない

AIの進歩は通常、足し算で語られる。より多いパラメーター、より多いトークン、より多い画像、より多いGPU。その道は驚くべき能力を生んだ。同時に、「最先端」と「どこでも使える」が同じ意味だと錯覚させる危険もある。

福井大学の研究は、もう一つの進歩軸を示す。資源を増やして性能を上げるだけではない。無駄を減らして性能を引き出す。カメラが偶然撮れなかった変化を生成モデルで補う。巨大モデルが学んだ表現を小さな専門モデルへ貸す。アンサンブルの全員をゼロから育てず、学習済みの祖先を共有する。

どれも希少性を消さない。希少性と交渉する技術である。

その考え方は、日本の次の応用AIにとって、大規模化以上に重要かもしれない。福井の工場が必要とするのは、インターネット上のすべてを認識できるAIではない。間違った部品を必要な瞬間に見つけるAIだ。漁業者が必要なのは万能の視覚知能ではない。よく似た二つの魚を見分けることだ。医療研究者に必要なのは無限の合成患者ではない。限られた、慎重に管理された証拠から、過信せずに学ぶモデルである。

AIの派手な問いは、「モデルをどこまで大きくできるか」だ。現場の問いは、「役に立つモデルは、どこまで少なくて済むか」である。

その意味で、福井大学の少データ・少計算研究は基盤モデルへの反逆ではない。むしろ基盤モデルを前提にしている。莫大な費用をかけて蓄積された知識を「すでに建てられたインフラ」とみなし、その知識をどこまで小さな部屋へ運べるかを問う研究なのである。