「物理的な制約が脳のようなAIの進化を促す」

「脳のようなAIの進化を促す物理的な制約」

ケンブリッジ大学の科学者たちは、画期的な研究で、人工知能に対して画期的なアプローチを取り、物理的な制約がAIシステムの発展にどのように影響を与えるかを示しました。

この研究は、人間の脳の発達と運用上の制約を思い起こさせ、複雑な神経系の進化について新たな知見を提供します。これらの制約を統合することにより、AIは人間の知能の側面を反映するだけでなく、リソースの消費と情報処理の効率の複雑なバランスを解明します。

AIにおける物理的制約の概念

人間の脳は自然の神経ネットワークの典型例であり、さまざまな物理的および生物学的制約の中で進化し、運用されます。これらの制約は障害ではなく、脳の構造と機能を形作るための手段です。

ケンブリッジ大学のメディカルリサーチ評議会認知脳科学ユニット(MRC CBSU)のゲイツ奨学生であるヤシャ・アフトバーグは、「脳は複雑な問題を解決する上で優れているだけでなく、非常に少ないエネルギーを使用します。私たちの新しい研究では、脳の問題解決能力とできるだけ少ないリソースの消費を目指す目標を並列に考えることが、なぜ脳がこのようになるのかを理解するのに役立つことを示しています。」と語りました。

• 「CNN（畳み込みニューラルネットワーク）におけるポイントワイズ畳み込みの探求：全結合層の置き換え」
• 「起業家にとって最も優れたChatGPTプロンプト20選」
• ゲームに飢える：GeForce NOWに参加する18の新しいゲーム

実験とその重要性

ケンブリッジのチームは、脳の非常に簡略化されたバージョンをモデル化する人工システムを作るという野心的なプロジェクトに乗り出しました。このシステムは、人間の脳と同様の「物理的な」制約を適用したものでした。

システム内の各計算ノードは、仮想空間の特定の位置に割り当てられ、神経細胞の空間的な組織を模倣しています。2つのノード間の距離が大きいほど、それらのコミュニケーションはより困難になります。これは、人間の脳の神経細胞の組織を反映しています。

この仮想脳は、しばしば脳の研究で動物に与えられる迷路ナビゲーションのタスクの単純化バージョンを航行するように設定されました。このタスクの重要性は、システムが出発地点や目的地、および中間のステップなどの複数の情報を統合して最短ルートを見つける必要がある点にあります。このタスクはシステムの問題解決能力をテストするだけでなく、タスクの各段階で異なるノードやクラスターが重要になる様子を観察することも可能です。

AIシステムにおける学習と適応

人工システムの進化は、AIの適応性の証です。最初は、新しいスキルを学ぶ人間のように、システムはタスクに苦労し、多くのエラーを犯しました。しかし、トライアルアンドエラーとその後のフィードバックのプロセスを経て、システムは徐々にアプローチを洗練させました。

重要なのは、この学習が計算ノード間の接続の強度を変更することによって起こった点です。これは、人間の脳で観察されるシナプス可塑性を模倣しています。特に興味深いのは、この学習プロセスに物理的な制約がどのように影響を与えたかという点です。遠くのノード間の接続を確立する難しさは、システムがより効率的で局所的な解を見つける必要性を示唆し、これは生物の脳で見られるエネルギーとリソースの効率性を模倣したものです。

人工システムの新たな特性

システムが進化するにつれ、人間の脳と驚くほど似た特性を示すようになりました。そのような発展の一つは、ネットワーク全体で情報の伝達を行う情報結節点として機能する高い接続性を持つハブの形成です。

しかしながら、さらに興味深いのは、個々のノードが情報をどのように処理するかが変化した点です。各ノードが迷路の特定の側面を担当する剛性のあるエンコーディングではなく、ノードが柔軟なエンコーディング方式を採用したことです。つまり、単一のノードが異なる時点で迷路の複数の側面を表現できるという特徴です。これは、複雑な生物におけるニューロンの適応性を思い起こさせるものです。

ケンブリッジ大学の精神医学のダンカン・アストル教授は、この側面を強調し、「この単純な制約 – 遠くにあるノードを接続するのは難しい – 人工システムをいくつかの複雑な特性を生成するように迫ります。興味深いことに、これらの特性は人間の脳のような生物のシステムと共有されています。」と述べています。

より広範な意義

この研究の意義は、人工知能の範疇を超え、人間の認知自体の理解にまで及びます。人間の脳の制約をAIシステムに複製することで、研究者は脳の組織の形成にこれらの制約がどのように影響を与え、個々の認知的な違いに貢献するのかという貴重な知見を得ることができます。

このアプローチは、認知とメンタルヘルスに影響を与える状況を理解するために、脳の複雑さについてのユニークな窓を提供します。MRC CBSUのジョン・ダンカン教授は「これらの人工脳は、現実の脳の活動が記録されたときに見られる豊かで混乱したデータを理解する手段を与えてくれます。」と述べています。

AIデザインの未来

この画期的な研究は、将来のAIシステムのデザインに重要な影響を与えるものです。研究は鮮やかに示しています、特に物理的制約に関連する生物学の原則を取り入れることで、より効率的かつ適応性のある人工ニューラルネットワークを実現できます。

MRC CBSUのダニャル・アカルカ博士はこれについて次のように述べています。「AIの研究者は、複雑なニューラルシステムをどのようにして柔軟かつ効率的にエンコードして実行するかを常に模索しています。その実現のために私たちは、神経生物学が私たちに多くのインスピレーションを与えると考えています。」

ヤシャ・アハテルバーグ氏は、これらの研究結果が人間の問題解決能力に近いAIシステムの構築にどれほどの潜在能力を持っているかについてさらに詳しく述べています。彼は、人間と同じような課題に取り組むAIシステムは、エネルギーの制約など物理的な制約の中で運用される際に、人間の脳に似た構造を進化させる可能性が高いと示唆しています。「現実の物理的世界に展開されるロボットの脳は、おそらく私たちの脳に似るようになるでしょう。なぜなら彼らも私たちと同じような課題に直面するかもしれないからです。」

ケンブリッジ大学のチームによるこの研究は、人間の神経系と人工知能の間の類似点を理解する上で重要な一歩となります。彼らはAIシステムに物理的制約を課すことで、人間の脳の重要な特性を再現するだけでなく、より効率的かつ適応性のあるAIの設計に新たな道を開いたのです。

We will continue to update VoAGI; if you have any questions or suggestions, please contact us!