映像は海岸線から始まる上空からの──はるか上空からのショットだ。比較的まっさらな砂浜を見る限り、それはどこのビーチであってもおかしくない。しかしほどなく、画面の左端に、ここがアラブ首長国連邦のドバイであることを示す言葉が表示される。といっても、それはあなたの知る現在のドバイではない。1984年の、フロリダ州タンパよりも人口が少なかった頃のドバイだ。
画面上では、時間が飛ぶように過ぎていく。映像は、数百マイル上空から撮影された、この近代都市の衛星画像をタイムラプス編集したものである。あっという間に2003年、ヤシの木の形をした人工島が出現する。07年には、こちらも島に生えている木の形をした別の島が登場する。いまやビーチに余白部分はほとんどない。建物と道路がさらなる建物と道路を生みだし、20年、この都市の代名詞ともいえる華やかな建設プロジェクトが始まると、海岸線とその周辺はすっかり姿を変えてしまう。現在の人口は、タイムラプスプロジェクト開始時の10倍以上だ。
これは、長期にわたる変化を表す映像で、Google Earthのデータで見ることができる。このドバイの38年におよぶ合成進化のタイムラスプの記録は、大規模建設が行なわれていた時期に、同じ個所から撮影されたアーカイブショットを基にしている。衛星画像を見て、建造物を予想するのは簡単だ。
しかし、超高層ビルやピカピカの軍事基地がいつどこに出現するかわからない状態で、地上の大規模建設を自動的に検知するとしたらどうだろう？ これは……まったく簡単なことではない。米国情報高等研究開発活動（IARPA）と呼ばれるインテリジェンス・コミュニティの研究開発機関が、Smartと名づけられたプログラムを通じて、大きな飛躍を遂げようとしているのが、この事業である。
SmartはSpace-based Machine Automated Recognition Techniqueの略称で、その目的は、さまざまな種類の地球監視衛星からのデータを「調和」させ、ソフトウェアに自然及び人為的な変化の兆しを見つけさせることにある。諜報機関から気候科学者、保険会社、山火事に挑む消防士まで、誰もがこの映像を活用し、地球上で起こっていることを知りたいと思っている。しかし衛星データは、人間の分析官では追いきれないほど大量にある。だから分析の少なくとも一部を自動化し、数テラバイト（およびさらなるテラバイト）を利用して退屈な作業を省いてやれば、人々は地上で何が起こっているか、その解釈に集中できるだろう。
このプログラムの最初の焦点は、大規模な建設を特定し、監視することだった。というのも建設現場は、単に上空から単一の物体を特定するのとは異なり、時間の経過とともに変化していく多くの物体や地形を特定し、そこからパターンを推測する必要があるからだ。「今日わたしたちは、『特定の物体を見つけられるか？』という点に着目しています」と言うのは、このプログラムのマネージャー、ジャック・クーパーだ。「Smartは、それらの物体を合わせたら何を意味するか、ということを導き出そうとしています」
建設は、こうした分析をするための適切なテストベッド（実証基盤）である。その外観はさまざまで、そこがジャングルなのかビーチなのか、はたまたミサイル格納庫なのかマックマンション（量産型の大型分譲住宅）なのかはわからない。いくつもの段階を経て、長い期間をかけてその姿が見えてくる。しかもひとつの指標だけでは決定的証拠にならないのだ。
例えば現在、衛星画像を分析するアルゴリズムで、ある地域のダンプカーをすべて認識したとする。しかし大規模な建設を特定するには、Smartチームがダンプカー検知器をつくるだけでは不十分で、というのも、そうした重機は頻繁に建設現場以外の場所にも現れるからだ。ダンプカーは高速道路を走行するし、所有者の私道にも停まっている。
また、緑の草地が茶色の土に変わっても、その原因をひとつに絞り込めないため、ソフトウェアはアラートを送信できない。色が変わった原因は新しい基盤の整備ではなく、皆伐（かいばつ）かもしれないのだ。「こうしたパズルのピースを少しずつ組み合わせて、大規模な建設が明らかになっていきます」とクーパーは話す。「だからこそ難しいのです。これは活動です。ただの物体でも、単一の変化でもありません」
Smartプログラムが開催したバトルロワイヤル
Smartプログラムは2021年初頭、IARPAの諜報機関が、アクセンチュア連邦サービス（AFS）、ブラックスカイ（BlackSky）、システム＆テクノロジー・リサーチ（STR）、キットウェア（Kitware）、アプライド・リサーチ・アソシエイツ（ARA）、アストラ（ASTRA）、インテリジェント・オートメーション（Intelligent Automation）などの企業が率いるチームと契約を結んだ際に始動した。一部のチームは建造物の検知に取り組み、一部のチームはその他の技術的問題に取り組んでいる。すべての衛星が世界を同じように見ているわけではないのだ。
衛星にはそれぞれ特徴がある。あなたと親友が、必ずしも「緑」色を同じ「緑」だと認識するとは限らないように、ある衛星から見た緑の草地は別の衛生には違って見えることもあり、日によって異なる場合もある。それは太陽の角度や大気の状態のせいかもしれないし、カメラのセンサーにばらつきがあるせいかもしれない。「こうしたことが問題を難しくしています」と語るのは、キットウェア社の人工知能担当副部長のアンソニー・フーグスだ。「ですから、解決にはほど遠いのです」。
彼のチームは、建造物の検知と（衛星同士の画像の差異を修正し「調和させる」という）広範な問題の両方に取り組んでいる。このプロセスでは、画像を何らかの基準にリンクさせ、それを基に互いの画像を比較したり、並行して処理したりできるようにしている。
22年6月、Smartはその第一段階を終了したが、その間に各チームは建造物検知アルゴリズムを構築し、14年から21年までに撮影された約9万平方km、10万枚を超える衛星画像を使ってその能力をテストした。これは、新たな建造物の指標となるさまざまな手がかりをつなぎ合わせるのに、どのアプローチが最適かを証明する一種のバトルロワイヤルだった。
春の終わりから夏のはじめまで神経が張り詰めていた、と語るのはAFSのマネージングディレクター兼コンピュータービジョン・リーダーのマーク・ボッシュ・ルイーズだ。「自分たちがうまくやれているものと、そうでないものはわかっています」と彼は言う。「ほかのチームのことはわかりません。けれど確実にほかの仲間の手で研究が推し進められるようにするには、これはいい方法だと思います」
各チームが分析した画像は4つの異なる衛星から送られてきた。米航空宇宙局（NASA）と米地質調査所（USGS）の共同プログラムであるランドサット（Landsat）、欧州宇宙機関（ESA）のセンチネル（Sentinel）、そして惑星の商用ポ―トレイト撮影用の軌道衛星を運用するマクサー（Maxar）社とプラネット（Planet）社からのものだ。
各チームのソフトウェアは、建造物が存在する場所を特定し、存在しない場所の誤検知を避けようと試みた。画像のなかには（建設の有無が）明らかなものも紛れていた。ドバイの画像には当然「イエス」が示されるべきであり、アマゾンの熱帯雨林の画像なら当然「ノー」だ。「これらのシステムは、両極いずれのケースにも対処できるようにしなくてはなりません」とクーパーは言う。「それに、その中間にあるすべてのケースに対しても」
ジョンズ・ホプキンス大学応用物理研究所、NASAのゴダード宇宙飛行センター、米地質調査所といったパートナー組織は、最初にそれらの画像を調べ、どの場所が「イエス」でどの場所が「ノー」かを確認した。そして春の半ばまでに、27の地域、約1,000カ所の建設現場のラベリングと、その場所の進捗を追跡する作業を終了した。挑戦者である各チームは、それらの画像をソフトウェアにかけ、4月下旬に結果を提出した。
最も的確に識別できるメソッドを求めて
この戦いに備え、キットウェア社のエンジニアは、類似の画像を使ってネットワークを訓練し、異なる場所や条件下で建設作業を最も的確に識別できる特性や関係性を選びだした。エンジニアたちの分析には複数のメソッドを組み合わせたものが使われている。ひとつはマテリアル特性評価と呼ばれるもので、ピクセルを分析し、例えばそれがコンクリートなのか土なのかを描写する。
もうひとつはセマンティックセグメンテーションというもので、画像内のどのピクセルがどのクラスのオブジェクトに属しているか──それが「建物」なのか「木」なのか「真新しい島」なのか「道路」なのか──を判断する。「わたしたちには、こうした特性の組み合わせ方を学ばせる方法があります」とフーグスは言う。
このモデルには、別種のアルゴリズムが含まれている。トランスフォーマーと呼ばれるさまざまな機械学習だ。トランスフォーマーは、一連のデータ（建設作業が行なわれている場所で、一定期間撮影された衛星画像のデータなど）を取り込み、その関係性を追跡する。例えば、白いエリアが増え、緑のエリアが消えた場合、これをソフトウェアコンテキストに学ばせれば、情景から意味を抽出するのに役に立つ。
一方AFSは、このタスクに別の方法で取り組んだ。時に情景を翻訳する方法をソフトウェアに「教える」必要のある、大量のトレーニングデータを見直したのだ。こうした画像（何千枚にのぼることが多い）は通常、人間が識別し、ラベルづけしてから、類似の画像を認識する方法を教えるための事前例題として、AIに与えることになっている。
ネコやイヌのシンプルな写真など、個別の対象物なら問題ないかもしれないが、上空から撮影した複雑な風景は難しい。衛星は、一度の撮影で大都市圏全体を映すことができるのだ。「一枚の画像に収まった都市からわかることをすべて想像してみてください」とボッシュ・ルイーズは言う。バス停、郵便ポスト、アイスクリームスタンド、自転車に乗った子どもたち。人の手でこれらすべてにラベルづけをしようと思ったら、何週間もかかるうえに、費用もかさむ。
そこで同社は、アカデミアの研究者の手を借りて「事前に注釈やラベルのつけられた世界に頼ることなく、地上に何が存在し、物事がそこでどう変化していくかを自力で認識しようとする新たなテクノロジー」に注力している、とボッシュ・ルイーズは言う。
こうした手法は「教師なし学習」と呼ばれる方法を基にしている。これは、ラベリングされていない大量のデータを与えられたニューラルネットワークが、それらを自由に使ってどのパターンやプロパティを識別するかを調べるものである。
例えばAFSは、ボッシュ・ルーズいわく、一枚の衛星画像から取得した無作為のパーツをネットワークに送り、次のように尋ねている。「このふたつのエリアは同じ画像のものですか？ それとも異なる画像のものですか？」このようにして、ネットワークは同じ画像に共通するピクセルについて学んでいき、やがて対象物と活動をそれぞれのカテゴリーにまとめ、異なる画像からでもそれらを認識するようになる。
自然と人為的な変化の両方を検知
この春、各チームがIARPAに提出した結果を評価チームが採点した。6月、Smartプログラムの第2段階、次の18カ月に進むチームが発表された。AFS、ブラックスカイ、キットウェア、STR、アプライド・リサーチ・アソシエイツ、そして現在は軍需企業ブルーハロー（BlueHalo）の傘下である、インテリジェント・オートメーションだ。
今回、各チームはそれぞれのアルゴリズムをさまざまなユースケースに適用できるようにしなければならない。というのも、クーパーが指摘するように「わたしたちが探し求める活動に対し、新たなAIソリューションをいちから設計するのはあまりに時間も費用もかかりすぎる」からだ。
建造物を見つけるために構築されたアルゴリズムは、農作物を見つけることができるだろうか？「これは大きな転換点でした」とクーパーは言う。「なにしろ人間が生みだすスローな変化を、自然で、周期的な、環境のそれに置き換えることになるのですから」
そして2024年初頭に始まる第3段階では、選考に残ったチームは、クーパーが「堅牢な能力（a robust capability）」と呼ぶもの──つまり自然と人為的な変化の両方を検知し、監視できるもの──に取り組むことになる。
各段階はどれも厳密な「予選」ラウンドではなく、必ずしもひとりの勝者がいるわけではない。米国防高等研究計画局（DARPA）のプログラム同様、米国情報高等研究開発活動（IARPA）の目標は、有望なテクノロジーを、実社会で使用することのできる諜報機関に受け渡すことだ。
「IARPAは、わたしたちの指標に対するパフォーマンス、アプローチの多様性、使える資金、独立したテストの分析や評価に基づいて各段階の合格者を決めています」とクーパーは言う。「第3段階の終了時に残っているチームはゼロかもしれないし、複数のチームが合格するかもしれません。ベストソリューションが、複数のチームのやり方を組み合わせたものになる可能性もあります。逆に、第3段階に進めるチームがいない可能性もあります」
IARPAの投資はプログラム以外にも影響を与えることが多く、時として科学や技術の方向性を決めることもあるが、これは科学が資金のある所へ向かうためだ。「IARPAがどのような問題を選ぼうと、研究団体からは多くの注目が集まるでしょう」とフーグスは言う。Smartチームは、民間および民間目的でこのアルゴリズムを使用し続けることが許可されており、IARPAがみずからのプログラムのために作成したデータセット（ラベルづけされた大量の衛星画像など）は、ほかの研究者が使えるように公開されることが多い。
軍事にも民間にも使用できることから、衛星技術はしばしば「デュアルユース（dual-use）」と呼ばれる。フーグスの考えでは、キットウェア社がSmart用に開発したソフトウェアで得た学びは、環境科学にも適用できる。彼の会社はすでに、米国海洋大気庁といった組織のもとで環境科学の研究に取り組み、米海洋漁業局（Marine Fisheries Service）が衛星画像からアザラシやアシカを検知するプロジェクトなどを支援している。またフーグスは、ランドサット衛星画像がカバーしている森林破壊の検知に、キットウェア社のSmartソフトウェアを使うことを考えている。「ブラジルの熱帯雨林のうち、どれだけが人工地帯に、耕作地になったのでしょう？」フーグスは問う。
景観の変化を自動解釈することは、気候変動の研究にとって明確な意味をもつ、と語るのはボッシュ・ルイーズだ。例えば、氷が溶け、サンゴが死に、植生が変化し、大地が砂漠化している場所を注視する。そして新たな建造物が見つかれば、人が自然の景観に影響を与えているエリア、森林が農地になり、農地が住宅街になっている場所がわかるだろう。
こうした環境への応用と、科学へのスピンアウトは、Smartが米国地質調査所をテストと評価のパートナーに選んだ理由のひとつである。しかしIARPAの仲間たちもまた、調査の結果に関心をもっている。「いくつかの環境問題は、とくに気候変動に関しては、諜報機関にとって重大な意味をもつものがあります」とクーパーは言う。デュアルユースの民間と軍事の用途がほとんど変わらないのが、衛星技術の分野なのだ。
（WIRED US/Translation By Eriko Katagiri, LIBER/Edit by Michiaki Matsushima）