SMU
SMU（Singapore Management University）はシンガポールの「商学 + 社会科学」志向の大学であり、2000年に成立した。AI 分野では、その位置付けは**応用 AI + 政策 AI + ビジネス AI**です。School of Computing and Information Systems（SCIS）は応用研究を行い、社会科学学院は AI 政策分析を行っています。
📖 概要
SMU と NUS／NTU との差別化：
- SMU は基礎研究（NeurIPS／ICML でスコア稼ぐ）はしない
- SMU はアプリケーション AI + ビジネス AI をする：SCIS はローカルの金融、小売、政府部門と大量の横断的プロジェクトがある
- SMU は AI 政策研究を持つ：法学院、社会科学学院が AI ガバナンス、AI と労働市場などのテーマに取り組む
代表方向：
- AI for Business：意思決定支援、顧客分析、運用最適化
- AI Ethics & Governance：社会科学的視点の AI 政策研究
- Behavioural AI：人機相互作用、社会サービスにおける AI アプリケーション
- FinTech AI：MAS、シンガポール金融機関との協力
🤖 AI との関係
SMU の AI における役割は「応用研究の受け皿」です——トップクラスの技術を生み出すのではなく、地元企業と政府部門が AI を本当に使い始めるのをサポートできます。
代表的な貢献：
- DBS、UOB などの銀行との AI アプリケーション協力
- IMDA、PDPC との AI 政策研究協力
- 公共サービス（教育、社会福祉、就職支援）における AI 配備研究
技術は SMU の強項ではありませんが、SMU の特徴は「ビジネス言語を理解 + 技術を理解する」複合型人材の育成です——このような「翻訳層」人材はシンガポール AI 展開において非常に稀少です。
🇸🇬 シンガポールとの関係
SMU はシンガポール AI 戦略において「ビジネス AI + 政策 AI のブリッジ」です。
「7 つの伝導レバー」において：
- レバー 3（産業応用）：ビジネス AI アプリケーション研究の主力
- レバー 4（ガバナンス）：AI 政策と社会的インパクト研究
観点：SMU は AI イノベーションの源泉ではありませんが、それは「技術をビジネス価値に翻訳する」の重要なノードです。シンガポール AI 展開で不足しているのは技術ではなく（NUS／NTU／AISG／A*STAR がすでに持っている）、技術をビジネスシナリオに対接できる人材です——SMU が育成するのはこのような人です。
🗓️ 主要マイルストーン
- 2000SMU が成立した
- 2003School of Information Systems が成立した
👥 主要人物
- Lily Kong — 学長
🔗 関連リソース
出典
- SMU 公式ウェブサイト — 確認日 2026-05-02
同じカテゴリ 🔬 基礎研究
A*STAR
シンガポール科学技術研究局、AI 基礎研究と応用研究の主力
NUS
シンガポール国立大学、AI 研究ランキングはアジア上位。2024年3月に NUS AI Institute を設立し、基礎 AI、応用 AI および社会的影響研究を統合。
NTU
南洋工科大学、AI とデータサイエンス研究の主要拠点
SUTD
シンガポール科技設計大学、AI とデザインの交差創新
AI Singapore と米国 NSF 研究者による研究協力プロジェクト
本プロジェクトは南洋理工大学の張潔教授がリードし、米国マサチューセッツ工科大学（MIT）と協力して、信頼性があり解釈可能な人工知能・人間相互作用最適化システムの開発に取り組んでいます。研究の重点は、自然言語を組合せ最適化問題のロバストなインターフェースとして確立することであり、AI システムが人間の言語から最適化問題を定式化し、強力な AI 支援最適化を実施し、解釈可能なフィードバックを提供できるようにします。本プロジェクトは、物流、製造、金融などの産業に対して効率的な意思決定支援ツールを提供し、同時に信頼性のある AI の基礎研究を推進することを目的としています。
PINNACLE：PINN 適応的配置点と実験点選択方法
PINNACLE は、物理情報神経ネットワーク（PINN）の訓練効率を改善するための適応的点選択方法です。本方法は経験的ニューラル接線核理論に基づいており、実験点および配置点を含むすべての種類の訓練点の選択を自動的に共同で最適化することができ、前進問題、逆問題、転移学習などの複数のタスクにおいて既存のベンチマーク方法を大幅に上回ります。
BadEdit：モデル編集による大規模言語モデルへのバックドア注入
AI Singapore 研究チームが BadEdit フレームワークを提案しました。これは、モデルパラメータを直接修正することにより、事前訓練された大規模言語モデルに対して効率的なバックドア攻撃を行う革新的なバックドア注入方法です。本方法は、わずか 15 個のデータサンプルと 120 秒で成功的にバックドアを注入でき、攻撃成功率は 100% に近く、一方で清潔なデータに対する最小限の悪影響を保ちます。BadEdit は従来の重み中毒方法と比較して、データ要件が少なく、効率が高く、テキスト分類、事実確認、対話感情生成を含む複数のタスク領域に適用できるという利点があります。
シンボリック回帰を用いた決定木による拡大クラス分割の発見
本研究はシンボリック回帰強化決定木（SREDT）を紹介しています。シンボリック回帰を通じて非線形・多変量の決定木分割規則を発見します。従来型決定木と比較して、SREDTはより優れた予測性能、より小型でコンパクトな木構造、より高速な推論速度、およびノイズに対するロバスト性を備えています。この方法は遺伝的プログラミングを通じて閉式解析的表現を探索し、分類タスクにおいて標準決定木を明らかに上回ります。