フェイ=フェイ・リのリーダーシップスタイル：人間のためのAIを構築する

基本情報： フェイ=フェイ・リ（1976年生まれ）はスタンフォード大学コンピュータサイエンス学部教授。2009年にImageNetを作成しました。深層学習革命の引き金となったラベル付き画像データセットです。Stanford Institute for Human-Centered AI（HAI）の共同創設ディレクターを務め、2017年から2018年にはGoogle CloudのAI/MLチーフサイエンティストとして活躍しました。2023年の回顧録「The Worlds I See」は、ニュージャージーのクリーニング店からAI研究のトップへ至る軌跡を記録しています。また、恵まれない背景を持つ学生へのAIアクセス拡大を目的とする非営利団体AI4ALLの創設者でもあり、2024年には空間知能スタートアップWorld Labsを立ち上げました。

人間中心のAI原則（ImageNetカタリストモデル）

人間中心のAI原則は、AI研究はベンチマーク精度と同時に、人間の福祉・尊厳・社会的公平性によって評価されるべきと主張します。後の段階ではなく、同じ文脈で評価されるべきという考え方です。その実践的な表現がImageNetカタリストモデルです。分野が越えられない構造的なギャップを特定し、それを埋めるオープンなインフラを構築し、無料で公開する。発明者ではなくエコシステムが利益を得る。学際的なチームと政策への関与は、サイドプロジェクトではなくコアの科学的作業として位置づけられます。

2006年、フェイ=フェイ・リはUIUCの助教授でした。同僚が非現実的と判断したプロジェクトへの資金調達ができずにいました。そのプロジェクトがImageNetでした。研究者がおもちゃのデータセットでのパターンマッチングではなく、真の視覚認識のためのニューラルネットワークを構築せざるを得なくなるほど大規模なラベル付き画像データセットです。

提案はすべての助成金委員会から却下されました。審査員はそのスケールが非現実的だと考えました。リは小規模な助成金を見つけ、学生を雇用し、Amazon Mechanical Turkをラベリング作業のクラウドソーシングに活用し、3年間をかけて学術予算で2万カテゴリにわたる1,400万枚の画像データセットを構築しました。従来のアノテーションパイプラインなら莫大なコストがかかる規模を、ごわずかな費用で実現したのです。

2012年、AlexNetと呼ばれるニューラルネットワークがImageNetで学習し、ImageNet大規模視覚認識チャレンジで15.3%のエラー率を記録し、2位の26.2%を大きく引き離して優勝しました。この11ポイントの差が深層学習革命の号砲となりました。それ以降のすべての主要なAIの進歩、コンピュータビジョン、大規模言語モデル、生成AIはいずれも、AlexNetがImageNetで実証した手法とインフラにその系譜を遡れます。

リは、組織的サポートも大きな予算も得られず、強い懐疑主義に抗いながら、これらすべてを可能にするインフラを構築しました。これは特定のリーダーシップのプロファイルであり、多くの実務者がまだ十分に研究していない領域です。

リーダーシップスタイルの分析

この60/40の分割が重要なのは、どちらか一方だけでは彼女の影響力を生み出せなかったからです。組織構築の衝動を持たない純粋なサイエンティストなら、ImageNetの論文を発表して次のテーマに移っていたでしょう。科学的な信頼性を持たない純粋な組織構築者なら、その後に続く分野の変革を触媒できなかったでしょう。この組み合わせこそが珍しいのです。

主要なリーダーシップ特性

リを定義した3つの決断

1. 組織的サポートなしでImageNetを構築する（2006〜2009年）

ImageNetの物語を詳細に理解する価値があります。リのリーダーシップモデルを最も明確に示す例だからです。分野の構造的なギャップを特定し、それを埋めるインフラを構築し、公開し、見返りが来るまで何年もかかることを受け入れる、というモデルです。

彼女が特定したギャップはシンプルでした。コンピュータビジョンの研究者たちは、現実の視覚認識の複雑さを反映しない小さな、精選されたデータセットでモデルを学習・テストしていました。これらのデータセットで競技に勝ったモデルは、実際の画像に適用するとたいてい即座に失敗していました。問題はアルゴリズムではなく、データセットでした。

リの主張は、十分に大きく多様で現実の視覚的複雑さを反映するデータセットを構築すれば、分野はそこで競争するためにより良いアルゴリズムを開発せざるを得なくなる、というものでした。彼女は正しかった。しかしその主張は、より良いアルゴリズムが存在する前に、まずデータセットを構築することを必要としていました。それらが来るという賭けをして。

彼女はラベリング作業のクラウドソーシングにAmazon Mechanical Turkを活用しました。当時の学術研究では新しいアプローチで、データ品質や作業者への報酬についての問いを今も提起しています。しかし実際の成果として、従来のアノテーションパイプラインなら莫大なコストがかかる規模の1,400万枚のラベル付き画像を、学術予算の範囲で構築できました。

無料かつオープンな公開は意図的な選択でした。ImageNetは商業化できました。リはオープンに公開することを選びました。なぜなら彼女の目標は分野を進歩させることであり、データセットの価値を自分や機関のために取り込むことではなかったからです。この決断こそが、ImageNetが標準的なベンチマークとなった理由です。そしてその後の深層学習革命が、独占的な壁の裏側ではなく、学術ラボとオープンな研究の中で起きた理由でもあります。

2. Stanford HAIの設立（2019年）

2018年にGoogleから戻ったとき、リはAI研究と政策において何が欠けているかについて明確な診断を持っていました。技術的な厳密さと倫理・政策・人間の福祉への真のコミットメントを組み合わせ、その両方に影響を与えられるだけの学術的信頼性を持つ機関がないということです。

Stanford Human-Centered AI研究所がその答えでした。ジョン・エチェメンディとの共同設立により、コンピュータサイエンティスト、社会科学者、倫理学者、政策研究者、実務者を共通のフレームワークのもとに結集させました。AI研究は技術的なパフォーマンスだけでなく、人間への影響によっても評価されるべきという枠組みです。

これは最も文字通りの組織構築でした。リは資金を集め、通常は協力しない分野をまたいでファカルティを採用し、学際的なAI研究の規範を確立し、政策関与のインフラをゼロから構築する必要がありました。いずれも華やかな作業ではありません。しかしHAIは最初の数年以内に世界で最も影響力のあるAI政策と倫理研究のセンターの一つとなりました。

ここで研究に値するリーダーシップモデルがあります。リは必要な機関が存在しないことを特定し、一つが現れるのを待つ代わりにその機関を自ら構築しました。これは影響力ある論文を発表したり既存の組織に参加したりとは異なる動きです。結果が出るまでに何年もかかり、通常は同意しないステークホルダーの間でコンセンサスを構築する必要があります。

3. Google Cloudでの役割と学術界に持ち帰ったもの

2017〜2018年のGoogle CloudでのAI/MLチーフサイエンティストは、リのキャリアの中で最も商業的に目立った時期でした。彼女はGoogleのクラウドAI製品を医療・小売・製造などのエンタープライズに利用可能にし、GoogleがAIインフラでAWSやAzureと競争するための戦略を構築する責任を担いました。

彼女がその役割を引き受けた一因は、実世界のスケールでAIがどのように展開されているかを理解したかったからです。そこで見たことが、その後の人間中心のAI活動を形作りました。企業でのAI展開はしばしば、その組織の影響を評価する能力より速く進んでいた。構築・展開チームは多様ではなかった。技術的な能力と社会的影響の間のフィードバックループは弱いか欠如していた。

彼女はGoogle退社後2年で去りました。通常の語られ方は学術界に戻ったというものです。しかしより正確なフレーミングは、Googleで学んだこと、具体的にはAIの能力とAIのガバナンスの間のギャップを持ち帰り、そのギャップを明示的に埋めるために設計された機関を構築するために使ったということです。Googleでの経験は彼女の使命からの逸脱ではありませんでした。フィールドリサーチだったのです。

実務者へのレッスンは、高知名度の機関での役割をそれ自体が目的ではなく学習の機会として活用することについてです。リはGoogle CloudのAI/MLチーフサイエンティストでした。重要な肩書であり、重要なリソースを持つポジションです。彼女はそれを、本来の目標のための最善のツールでなくなったときに手放しました。そのプラットフォームを止めて実際の目標のためにより良いことをする意志は珍しく、注目に値します。

あなたの役割でリなら何をするか

あなたがCEOなら、組織的なギャップの診断が最も応用可能なレッスンです。リは一貫して、存在すべきなのに存在しないものを探し、それを構築します。多くのCEOは既存の組織を最適化します。しかし戦略的投資のカテゴリー、研究・人材パイプライン・業界インフラへの投資において、最も高いレバレッジを生む行動は、業界全体が必要とするものを構築し、オープンソース化し、エコシステムがその上に構築できるようにすることです。これは製品機能とは異なる競争ポジションを生み出します。

あなたがCOOなら、リの連合形成モデルは運営上の具体性を持ちます。彼女は自分一人では開けないドアを開けられる共同設立者や共同ディレクターを採用します。エチェメンディはスタンフォードHAIに最初から学術的な正当性を与えました。それがなければ、獲得に何年もかかったでしょう。大きな取り組みの内部連合を構築するとき、あなたのプロジェクトが必要とする説得対象のステークホルダーグループにおける機関としての信頼性を誰が持っているかを考えてください。抵抗に直面してからではなく、早期に彼らを獲得してください。

あなたがプロダクト担当なら、ImageNetの公開モデルは、ネットワーク効果を持つ製品に関連します。リはImageNetを無料で公開しました。それが採用を最大化し、標準的なベンチマークとして確立し、何十年にもわたる下流の研究引用を生みました。データ製品・開発ツール・研究プラットフォームを構築しているなら、アクセス料金によって価値を得るかエコシステムのポジションによって得るかを明示的にモデル化する価値があります。ImageNetの無料公開こそが、それを複数の競合データセットの一つではなく、標準にしたものです。

あなたがセールスやマーケティング担当なら、リの信頼性モデルは研究に値します。彼女は売りません。実証します。AlexNetがImageNetコンペを制覇したとき、ImageNetは彼女の論文を自ら証明しました。AI政策に対するHAIの影響は、アドボカシーキャンペーンではなく、研究の質と真の学際的な権威から生まれています。信頼性がマーケティング以上に重要な技術製品を専門市場に販売しているなら、あなたにとってのImageNetに相当するものは何か、構築し、オープンに公開し、自分のテーゼを実証させることができるものは何かを問うてみてください。

ReworkはどのようにHuman-Centered AIを適用しているか

リの原則は、Reworkがワーク管理スタックにAI機能を組み込む方法を形作っています。ReworkのAIはトレンドを追うだけの要約機能ではありません。AIの出力が担当者によってレビュー可能で上書き可能な特定の業務ワークフロー（ディールスコアリング、Pipelineトリアージ、ミーティングフォローアップ）に範囲を絞っています。これがHAIモデルを製品に適用したものです。AIが担当者を補助するのであり、判断に取って代わるのではありません。インクルーシブな開発に関するリの強調は、Reworkがデプロイをどう扱うかにも反映されています。プラットフォームは、スタックの残りと同じ役割ベースの権限でAI機能をローンチするため、セールスディレクターはモデルが自分のレップに提案した内容とその理由を確認できます。CRM・Sales Opsは月額12ドル/ユーザー、Work Opsは月額6ドル/ユーザーから（価格詳細）、AI機能を含んでいます。AIを人間の福祉のためのツールとして位置づける原則は、エンタープライズSKUの後ろにアクセスを閉じ込めるべきではないからです。

注目の言葉と経営を超えた教訓

2023年の回顧録The Worlds I Seeの中でリは、16歳でアメリカに渡り、物理学の学位取得のためにカリフォルニア工科大学を目指しながらニュージャージーのクリーニング店で働いた軌跡を書いています。インタビューでも、自分のバックグラウンドがAIへの見方を形作ったと率直に語っています。技術の約束と実際の人間への恩恵の間のギャップが具体的に感じられる文脈から来ており、その視点が彼女の構築したすべてに貫かれています。

議会での証言や公開講演でも言っています。「AIは機械についてではありません。人間についてです。」このフレーミングはHAIモデルを説明します。リは技術的なAI研究を止めたり遅らせたりしろと主張しているのではありません。技術的なパフォーマンスと人間への影響を逐次ではなく同時に測定する必要があると主張しています。

リーダーシップとしての教訓は、複雑な技術的意思決定を、ステークホルダーが行動できる言語でフレーミングすることです。「AIは機械についてではありません」はスローガンではありません。チーム・学生・資金提供者・政策カウンターパートに対して、最も重要な問題は何かを示す研究優先度の表明です。この高い抽象レベルでの明確なフレーミングは、多くの技術的な創業者が十分に投資していないリーダーシップスキルです。

このスタイルが機能しない場面

リのモデルは、ほとんどの組織が持っていない機関としての忍耐力に依存しています。ImageNetの構築に3年、HAIの影響力の構築に複数年、Google Cloudを退社して学術界に戻る意志、これらはすべてほとんどの企業やキャリアが許容しない時間軸で最適化する能力を必要とします。同様のスケールでAIへの組織的な準備を構築するには、という問いに向き合うエグゼクティブには、リの基礎的な研究が実際の企業でどのように展開されているかを捉えたAI労働力変換研究が参考になります。Demis HassabisもGoogle DeepMind内で同様の緊張に直面しました。研究優先の文化が製品サイクルの要求と衝突しました。

「AIをよいことのために」というポジショニングは真摯なものですが、商業的な緊張を過小評価しがちです。人類に貢献するAIを構築することと収益を生み出すAIを構築することは、常に同じプロジェクトではありません。この緊張を乗り越えるためのHAIモデルは学術的であり、商業的ではありません。研究機関のコンテキストでは機能します。スタートアップや企業のプロダクト組織には直接転用しにくいです。

そして2024年の空間知能スタートアップ、World Labsはまだ未実証です。ImageNetとHAIを構築した学術的な信頼性は、GoogleやMetaとコンピュータビジョンで競合するベンチャー支援企業のプロダクト速度の要求に自動的には転用できません。

関連リソース

• Sam Altmanのリーダーシップスタイル：OpenAIのCEOが10年間で最も重大な技術的賭けをどう乗り越えたか
• Dario Amodeiのリーダーシップスタイル：安全なAIへの大きな賭け
• Demis Hassabisのリーダーシップスタイル：長い賭け、深い研究
• エグゼクティブのためのAIガバナンス：取締役会が理解すべきこと
• ビジョナリーリーダーシップスタイル：それが何であり、いつ機能するか