コンピューティングと通信における新たなイノベーション

広範囲にわたる研究により、テクノロジーの性能、インテリジェンス、セキュリティーが向上しています。

重要なポイント:

  • 5G ネットワークおよびトポロジーの実現により、ネットワークとトポロジーの性能、柔軟性、コスト効率が向上します

  • 自動運転の研究は、人間が介在しない制御ループを追求しています

  • 拡張ブロックチェーンにより、増え続ける電子商取引への信頼が強化されます

  • センスメイキングでは、マルチセンサー・データを組み合わせて使用することで、人々の空間をよりスマートにします

  • 予測コンピューティングは、人、空間、状況を理解することによって魅力的な体験を実現します

BUILT IN - ARTICLE INTRO SECOND COMPONENT

インテルラボでは、個人、社会、組織の各分野でテクノロジーとの将来の対話を劇的に変える新しい機能に関する研究を行っています。

インテルラボは、その方針の中心として、基礎研究から応用技術に至るまで、次世代テクノロジーの開発に継続的に携わっています。具体的には、初期段階にある技術を実用化するための、学術界および産業界のパートナーとの共同研究が含まれています。このページでは、インテルラボが現在携わっている研究分野について説明します。

次世代ワイヤレス: 5G ネットワーキング

2020 年に 5G 無線規格が登場。

2020 年までに、現在の 4G (LTE/WiMAX*) 規格の後継となるワイヤレス接続が登場します。これにより、ネットワークの容量が増大し、デバイスおよびデータ・トラフィックの増加と複雑化に対応できるようになります。そのデータには、増加するビデオ・トラフィック、IoT などに関連する新しいデータソースや、仮想現実などの新しいタイプのデータが含まれます。5G ネットワークは、ポータブルデバイス向けの拡張モバイル・ブロードバンド、産業用アプリケーションおよび自動運転車向けの超高信頼・低レイテンシー接続、IoT 向けの非常にスケーラブルな伝送を目的としており、4G よりも低レイテンシーでスループットを向上させます。

インテルラボは、5G のハードウェア、ソフトウェア、キャリア・エコシステムを実現するための取り組みの一環として、2012 年から Intel Strategic Research Alliance for 5G を通じて大学の研究コミュニティーと連携してきました。インテルラボは、研究者のこのコミュニティーを技術面と財政面の両方で支援し、次の 3 つの主要分野で 5G の実現に向けて全力を注いでいます。

• ネットワーク容量: インテルラボは、今後 10 年間で 100 倍に増加すると予測される容量要件に対応するために、大規模 MIMO 伝送などの新しいアプローチを調査しています。関連事項として、電力効率とスペクトル効率のトレードオフに関する研究が進められています。

• 接続の一貫性: もう 1 つの研究目標は、電力効率もスペクトル効率も損なわずに、干渉やネットワーク輻輳によるものも含め、時間や地理的な場所によって生じるエンドユーザー間のデータレートの変動を減らすことです。

• サービス品質とユーザー体験: ネットワーク経由でのデータ転送の効率を最大限に高めながら、アプリケーション固有のサービス品質を維持するための研究も進められています。

インテルラボは、virtualized Evolved Packet Core (vEPC) リファレンス・ソフトウェアを開発し、Open Networking Foundation の Central Office Re-architected as a Datacenter (CORD) プロジェクトに提供することで、業界全体で利用できるようにしました。コードは、インテル® Xeon® プロセッサーに対応するデータプレーン開発キット (DPDK) を使用して最適化されており、加入者をサポートするサービス・プロバイダー向けに仮想化モバイルコア機能が提供されます。

自動運転システムの進歩

自動運転の 6 つのレベル。

自動運転に必須のテクノロジーは大幅に進歩したとはいえ、行うべき研究開発はまだ数多く残されています。ここ数年、自動車メーカーは、ナビゲーション、ハンドル操作、加速、ブレーキを自動化するシステムを提供してきましたが、安全性を最大限に高め、信頼を築くという、普及に向けた課題があります。

インテルラボは、条件付き自動化という現在のレベルでのシステムの改善と、オンボードシステムが自動車を完全に制御し、人間が関与せずに自律的に走行できる完全自動化という最終的な目標に向けた前進の両方を目的とした研究にも携わっています。

インテルラボによる自動運転車のための取り組み、特に、視覚認識のための畳み込みニューラル・ネットワークにおいて基盤となっているのはマシンビジョンと AI に関する研究です。用途の例としては、交通標識の読み取りや障害物の回避、環境の解釈と環境への自発的な適応に基づくより予測型の機能 (予期しない状況への適切な対応など) があります。この取り組みには、車載用および基地局用のハードウェア、ファームウェア、ソフトウェアのソリューション・スタックの最適化と、ソリューション・エコシステム向けの開発ツールの提供が含まれます。

自動車の完全な自律性の実現に向けて、インテルラボでは、ソリューション・ベンダー間での相互運用性を実現するオープン・インターフェイス標準の開発と実装を含む、エコシステム中心の考え方を採用しています。車載用および基地局用の機器とソフトウェアの開発作業も並行して進められています。

インテルラボと自動車メーカー、センサーおよび電気機械システムベンダー、ナビゲーションなどの情報関連企業との間で、さまざまな共同研究が行われています。あらゆるタイプおよび規模の参加者にエコシステムを開放する取り組みの一環として、インテルラボはテスト用車両を保有できない参加者による自律システムの開発を可能にするシミュレーション環境の調査も進めています。

Road Experience Management (REM) マッピングの分野では、インテルラボは走行中の車両内のセンサーや他のソースから提供される道路状況データのセンサーフュージョン・テクノロジーとデータ収集テクノロジーに取り組んできました。自動運転車については、天候、事故報告、工事の警告などの情報を統合することで、安全システムと事故軽減対策が劇的に改善される可能性があります。

セキュリティーのためのテクノロジーの実現

インテル® ソフトウェア・ガード・エクステンションズ (インテル® SGX)
インテルラボは、ブロックチェーン展開のプライバシー、セキュリティー、スケーラビリティーを強化するために、インテル® SGX に基づく安全なエンクレーブ内での信頼できる実行環境の実現に取り組んでいます。具体的には、この機能セットにより、ブロックチェーン・データは取引で必要になるまで暗号化された形式で保持され、許可された参加者だけが閲覧できるハードウェアで保護されたエンクレーブ内で復号されます。

インテルラボは、クラウドのセキュリティーを確保するために、インテル® SGX の実装を拡張する多数のオープンソース開発プロジェクトを実施しています。この取り組みには、次のプロジェクトが含まれます。

Remote Attestation with Transport Layer Security (RA-TLS): インテル® SGX のリモート証明を TLS 接続設定に統合して、エンドポイントの信頼性を評価します。標準の X.509 証明書をインテル® SGX 関連の情報で拡張することで、証明書の受信者が、インテル® SGX に基づく安全なエンクレーブと通信していることを確認できるようにします。この動作には、標準の TLS 実装の変更は不要です。プロジェクトには、OpenSSL、wolfSSL、mbedTLS の 3 つの一般的な TLS ライブラリー用の実装が用意されています。

Graphene-SGX Secure Container (GSC): Docker* インスタンスに基づくコンテナーシステムです。コンテナー内で実行されているアプリケーションを Graphene-SGX で保護できます。このプロジェクトでは、アプリケーションが Graphene-SGX の下で実行される Docker* インスタンスに加え、GSC コンテナー・インスタンス内で従来の Docker* コンテナーイメージを自動的に起動できるフロントエンド・エンジンも提供されます。

• インテル® SGX 対応 Key Manager Service with OpenStack* Barbican: OpenStack* Barbican キー管理システムを保護することで、パスワード、暗号化キー、X.509 証明書などのシークレットをシステム・ソフトウェア攻撃から保護します。このアプローチでは、インテル® SGX を利用して、ソフトウェア・ベースのプラグインよりも優れたセキュリティーと、ハードウェア・セキュリティー・モジュール・プラグインよりも高いスケーラビリティーを実現します。

• インテル® SGX 対応 Snort* 侵入検知システム (IDS): ラインレートのスループットを実現するために DPDK を使用して最適化されたネットワーク層に加え、安全なエンクレーブ内で Snort* を実行することにより、Snort* を強化します。このプロジェクトは、インテル® SGX エンクレーブの外部でネットワーク I/O を操作して高スループットを維持しながら、パブリックまたはプライベート・クラウド環境で実行されている仮想化されたネットワーク機能に基づく IDS を保護することを目的としています。

ブロックチェーン
信頼されていない当事者間で取引の信頼を確保することは、インターネットが登場した当初からその基本的な要件となっています。ブロックチェーンは、2009 年のビットコインの登場に伴い、任意の 2 者間でプログラムによる分散型の信頼を提供する方法として生まれました。このアプローチは、銀行や他の機関などの仲介者なしに機能するように明示的に設計されているので、このような第三者に関連する追加のコスト、遅延、複雑さが回避されます。このアプローチは、取引の起点や来歴をスキャンして検証する機能と、取引自体を暗号化して保護する機能を標準で備えています。

暗号通貨に適したものと同じブロックチェーンの機能は、スマート・コントラクトなどの将来の用途を含め、コンテンツやデータの所有権を使用する企業の認証といった場面でも有意義な存在となっています。ブロックチェーンが社内使用に限られた初期の実装から発展するにつれて、ブロックチェーン間の通信が必要になります。つまり、相互運用性のためのオープン・スタンダードが必要になるため、インテルラボは学術界や産業界のパートナーと協力してその開発を支援しています。

インテルラボは、2014年にこのプロジェクトへの取り組みを開始しました。プロジェクトは、Sawtooth Lake という開発コード名で公開されていましたが、現在は Linux Foundation を通じてオープンソースの Hyperledger* Sawtooth プロジェクトとして維持、管理されています。このエンタープライズ・ブロックチェーン・プラットフォームにより、イーサリアム・ベースの分散型台帳アプリケーションおよびネットワークの構築が簡素化されます。Sawtooth では、コアシステムをアプリケーション・ドメインから分離することにより、開発者がコアシステムの基盤となる設計を気にせずに、任意のプラットフォームを使用してスマート・コントラクトや他の実装のビジネスロジックを構築することを可能にしています。

インテルラボは、Sawtooth に組み込まれたコンセンサス・アルゴリズムである Proof of Elapsed Time (PoET) の開発にも尽力してきました。このオープンソース標準は、イーサリアムやビットコインなどの主要な暗号通貨に不可欠である主要標準の Proof-of-Work (PoW) と Proof-of-Stake (PoS) の電力効率に優れた代替手段となります。PoET では、安全な命令実行に基づくタイマー・アルゴリズムを使用して、PoW と PoS で使用される暗号化ハッシュパズルを置き換えるというアプローチを採用しています。タイマー・アルゴリズムは比較的単純であるため、大規模なノード群の間で合意に達するためのエネルギー要件が大幅に削減されます。

インテルの SGX Academic Collaboration メーリングリストに登録する

センスメイキング

人間にとっては視覚と聴覚がそれぞれ単独でも役立つことは明らかですが、センサーによる検知では、これらを組み合わせることでその認識度を大幅に向上することができます。例えば、混み合った部屋で会話をしている人が、相手の唇を見ていることがよくあります。これは、言われていることを理解するための補助として、一種の初歩的な読唇術を行っているのです。

マルチモーダル・センスメイキングのこの人間の例は、デジタル情報を提供する数種類のセンサーを組み合わせて人々の空間をよりスマートにするという、インテルラボでの取り組みに似ています。この研究は、アンビエント・コンピューティングや、スマートホーム / オフィス / ファクトリー / リテールなど、さまざまな領域に及んでいます。これらの空間の多くには、センスメイキング・テクノロジーと利用モデルを一般化できるだけの共通点があります。

コンピューター・ビジョンとロボット工学
センスメイキングの分野において、インテルラボでのコンピューター・ビジョン研究の推進力には、次の 3 つの主要要素があります。

• エージェントのさらなるインテリジェント化: これには、スマート・エージェントが重要なことを識別するのに役立つ自己学習機能が含まれます。例えば、現在の大半の仮想アシスタントは常時接続を必須とし、すべてのユーザーに同じ機能を提供しています。次世代モデルになれば、所有者の日常業務やプライバシー設定を経時的に学習して、接続されている状態でも接続されていない状態でも、パーソナライズされた体験を提供できるようになります。

• モダリティーの合成: 数種類のセンサーのデータを組み合わせて、コンテキスト、物理的な環境、活動、感情などの要素を理解します。例えば、子供のグループから発せられる言葉や態度を手掛かりに、子供たちがゲームをしているのか、けんかをしているのか、注意を払っているのか、空想しているのかを推測できます。

• 空間的理解: これは、空間とその構造、および空間の経時的な変化に関係します。これには、道路上の別の自動車の存在や会議室にいる人の数などのさまざまな要素が含まれます。

必要に応じて超低消費電力や高性能などの要件を満たし、これらの機能を総合的に組み合わせることができるオープン・プラットフォームの構築が、インテルラボの研究を可能にするインテルのコア・コンピテンシーです。また、この取り組みには、家庭内の製品からデータセンターやクラウドを支える製品まで、インテルならではのエンドツーエンド・システムの専門知識と、これらのすべてのモダリティーにわたってアクティビティーを調整するソフトウェア・エコシステムからメリットがもたらされます。

インテルラボは、詳細な要件の変化を踏まえて、必要に応じて十分なメモリーなどのリソースを柔軟に用意するという課題に取り組んでいます。例えば、フロアを移動するロボットは、小さな壊れやすい物体を持ち上げて操作するというきめ細かい作業に比べ、進路上にある障害物についての基本的な情報の理解を必要とします。このような状況に適応するソフトウェア開発では、空間のどのような再構築が必要か、それらを表現する方法、API などのプログラミング要素を使ってサポートする方法に対処する必要があります。

研究チームは、複数のロボットが複雑なタスクで共同作業できるようにする機能も開発しています。この取り組みには、飛行制御や、変化し続ける実環境での協調運航のための計画と意思決定など、無人航空機 (UAV) の自律運航のためのアルゴリズムの開発という重要な側面があります。研究者は、インテル® Aero 開発プラットフォームの特定のバージョンを自律的に動作するように変更しました。これに基づいて、実世界で商業的に実現可能と見込まれる用途を開発しています。

例えば、UAV のグループが協力して、大規模な倉庫での棚卸しや大型設備の検査を効率的に実施できます。これに関連した複数の UAV の利点として、作業負荷の分担と、さまざまな種類のセンサーによる多面的な情報提供があります。同様に、このようなグループが協力して、干ばつや害虫による植物へのストレスなどの状態を特定し、化学薬品の使用を最適化することによって自律的な農業を実現できます。

また、複数の UAV からの同期ビデオストリームをキャプチャーおよび結合して 3D コンポジットを作成することで、臨場感あふれるコンシューマー体験を生み出すという用途もあります。目標は、結果として生成されたデータストリームを家庭の視聴者に送信し、視聴者があらゆる角度から 3D 画像を表示したり、ズームインやズームアウトなどを実行できるようにすることです。これらの機能を将来のオリンピックで使用することにも関心が寄せられています。

予測コンピューティング・ラボ
莫大な数の新しいセンサーが世界に追加されており、カメラやマイクなどの古いものも新たな重要性が増しています。予測コンピューティング・ラボでは、これらのあらゆるセンサーによって生成されるデータを理解するアルゴリズムを開発しています。多くの場合、これには、数種類のセンサーの入力を組み合わせて、それらの信号をさらに深くしっかり理解することで、実世界でより有益なものにすることが含まれます。

予測コンピューティング・ラボでは、感知と意味付けによって、人、空間、状況の理解を深めることで、魅力的な体験を実現することに取り組んでいます。この情報を、簡素化、関連付け、認識の向上、挑戦、支援、推奨、娯楽、効率とワークフローの向上など、さまざまな方法で行動を起こすために活用します。

現在、このラボでは日常的な場所をよりスマートにし、居住者への応答性を高めることに注力しています。これは、物理空間のレイアウトの変化を動的に理解するだけでなく、人々の行動や活動、注目しているもの、さらには感情も理解することを意味します。これらの問題に関する研究では、人間関係力学に留意した心理学と社会科学研究、および対話設計のツールから情報を得ています。

この研究はさまざまな領域に及んでいます。例えば、予測コンピューティング・ラボでは、完全自動運転車とその搭乗者間の未来の対話を研究しています。自動運転車は、単に地図をナビゲートし、衝突を回避すればよいというわけではありません。搭乗者と協力して、搭乗者の計画の予期しない変更や途中での急停止の必要性にスムーズに対処することも必要になります。そのため、ラボでの研究には、運転者が搭乗者に対して現在行っている対話の一部を実行する車内エージェントまたはアシスタントの予備的な設計が含まれています。これには、環境に関する共通の意識を持つといった複雑な問題と、搭乗者が別の搭乗者に話しかけているのではなく、車内エージェントに口頭で話しかけていることを認識するといった基本的な問題が伴います。

関連する研究プロジェクトでは、自宅をよりスマートにすることに注力しています。「スマートホーム」テクノロジーは多大な関心を集め、活発な研究活動も行われていますが、真のスマートホームがその住人のためにできること、つまり、日常生活をより便利にするだけでなく、実際に新たな価値を創出することを示す例はまだ世界にほとんどありません。幼児教育の例を考えてみましょう。予測コンピューティング・ラボの研究者があらゆる形態および規模の家族を対象に広範な聞き取り調査と観察を実施したときに、幼い子供の両親の間で 1 つの一貫した結果が見られました。彼らは子供にとってテクノロジーに非常に大きな教育的価値があることを認める一方で、画面を見ている時間が多すぎることに不安も抱いていました。研究者はこれを、アンビエント・コンピューティングがデジタル・テクノロジーのメリットをもたらすと同時に、認識されている欠点 (運動不足、反復的なゲーム、問題がある場合のあるコンテンツなど) を回避する機会と捉えました。

Kid Space は、この調査に基づいて開発が進められている教育環境です。活動追跡と自然言語理解の機能が組み込まれており、スマート・プロジェクションと組み合わせて、デジタル環境と子供が魅力的かつ教育的な方法で対話するキャラクターが作成されます。チームは、例えば子供が話しかけて楽しみ、レッスンの提供や教育的課題の支援にも使用できる、アニメーション化されたインテリジェント・エージェントを開発しました。スマート・プロジェクションの他の用途として、まるで人気のコンピューター・ゲームのように自由な探究と学習を実現できます。例えば、スマート・プロジェクションによって、遠方の化石層の砂に変わった寝室の床を想像してみてください。シンプルなプラスチックのビーチシャベルで遊んでいる子供たちは、化石の映像を掘り起こすことができます。壁に生き生きとした恐竜を蘇らせることも可能です。

このようなシナリオでは、多くのモダリティーを利用します。位置と ID の追跡により、システムは室内の複数の子供たちと同時に対話することができます。姿勢検出により、腰を曲げて仮想の砂を掘っているかどうかが判断されます。オーディオと自然言語理解により、子供たちが目的のレッスンを学習していることが確認されます。シャベルに取り付けられた無線周波数 ID (RFID) テクノロジーの新しい使用方法により、見通し線をカメラで利用できない状況でも微細な動きが提供されます。奥行き感知カメラにより、投影されたキャラクターが家具などの物体や部屋の特徴と適切に関わるように部屋がマップされます。

これらの機能の開発のポイントは、幼児向けのスマートな対話型体験を作り出すことだけではありません。これらの同じテクノロジーの多くは、他のさまざまな環境にも適用されます。独自の構成と、居住者の活動、意図、状態を理解しているスマートルームは、製造業における業績支援から、職場でのより効率的なコラボレーション、高齢者の介護に至るまで、将来的にあらゆる種類のメリットをもたらします。

センスメイキング: 感情と感情分類のためのマルチモーダル・リレーショナル・テンソル・ネットワーク

ビデオ内の隣接セグメントとの関係および相互作用に基づいて、ビデオ内のセグメントのコンテキストを考慮する、マルチモーダル感情認識のためのリレーショナル・テンソル・ネットワークと呼ばれる新しいモデル。

ホワイトペーパーを読む

インテルラボで働く

テクノロジーへの情熱と問題解決能力をインテルラボで発揮し、未知の世界を一緒に探求しましょう。

雇用に関する詳細情報