人間の脳神経を模倣してAIを開発！ケンブリッジ大学の最新研究がネイチャー誌に掲載：人工脳がAIの新たな方向性となる

地球上で最も複雑な知能の担い手である人間の脳の最大の特徴の 1 つは、高いエネルギー効率で知能を生み出す能力です。人間の脳の動作原理にできるだけ近い AI システムを構築できれば、AI の作業効率が大幅に向上し、エネルギー消費も大幅に削減されます。

最近、ケンブリッジ大学は AI システムが人間の脳を再現する方法を見つけるための研究を実施しました。

論文アドレス: https://www.cam.ac.uk/research/news/ai-system-self-organises-to-develop-features-of-brains-of-complex-organisms

文字通り翻訳すると、AI システムは自己組織化して、人間の脳の一連の特性、さらにはさまざまな複雑な組織を生成します。

AIシミュレーション脳

多くの神経系と組織を含む脳については誰もがよく知っています。すべての組織とシステムは、限られた物理的空間内で限られたエネルギーとリソースをめぐって競争しています。

しかし、調和して共存するためには、さまざまな部分が互いのニーズをバランスさせる必要があります。

それぞれの種の脳の構造が似ているのは、継続的な最適化と調整を経て、誰もが同様の組織的解決策を開発する傾向があるためです。このアプローチにより、各部分間のバランスが保たれます。

「脳は複雑な問題を解決するのが得意なだけでなく、非常に少ないエネルギーでそれを実行する」とケンブリッジ大学の医学研究会議認知・脳科学ユニット（MRC CBU）のゲイツ・フェロー、ヤッシャ・アクターバーグ氏は言う。

ケンブリッジ大学の新しい研究は、脳がなぜそのように見えるのかを理解するのに役立つ。研究のアプローチは、脳の問題解決能力と、問題解決プロセスで消費される最小限のエネルギーを組み合わせて総合的に検討することです。

同じくMRC CBUの共同筆頭著者であるダニアル・アカルカ博士は次のように付け加えた。「これは、生物系は一般に利用可能なエネルギー資源を最大限に活用するように進化するという、より広範な原則に従っています。」彼らが見つける解決策は、多くの場合、非常に洗練されており、それらに作用するさまざまな力の間のトレードオフを反映しています。

Nature Machine Intelligence に掲載されたこの研究は、Achterberg、Akarca、および他のチームメンバーによって作成された AI システムです。核となるのは、人間の脳と同様の物理的制約を課しながら、非常に単純化された脳モデルをシミュレートすることです。

研究によると、この設計された AI システムは実際に人間の脳に似たいくつかの重要な特性と発達戦略を開発していることがわかりました。

人間の脳には多数のニューロンがありますが、このシステムでは実際のニューロンではなくコンピューティング ノードを使用します。しかし、ニューロンとノードには類似した機能があります。どちらも入力を受け取り、入力を変換し、出力を生成します。また、単一のノードまたはニューロンが複数の他のノードまたはニューロンに接続される場合もあり、この点では違いはありません。

さらに、すべての情報は入力後に計算する必要があります。

さて、ここからが本題です。研究チームによって課された物理的な制約です。

各ノードは仮想空間内に特定の位置を持ち、2 つのノード間の距離が離れるほど、通信が困難になります。これは人間の脳内でニューロンが構成されている方法に似ています。

まず、研究者らはシステムに簡単な課題を与えた。これは、脳を研究する際にネズミやマカクザルなどの動物に通常与えられる迷路ナビゲーション課題の簡略版であり、参加者は複数の情報を組み合わせて目的地までの最短ルートを決定する必要がある。

研究チームがこのタスクを選択した理由の 1 つは、タスクを完了するために、システムが開始場所、終了場所、その間のステップなど、一連の要素を記憶する必要があるためです。

システムがタスクを確実に実行する方法を学ぶと、研究者は実験のさまざまな瞬間にどのノードが重要であるかを観察できるようになります。

たとえば、ある特定のノード クラスターは迷路の終点の位置をエンコードする役割を担い、他のノード クラスターは利用可能なルートをエンコードすることに重点を置く場合があります。

したがって、研究者はタスクのさまざまな段階でどのノードがアクティブであるかを追跡し、各ノードのさまざまな機能を判断することができます。

当初、システムは迷路から抜け出す方法がわからず、間違いを犯しました。

ただし、システムがフィードバックを受け取ると、継続的な自己学習を通じて、タスクをより効率的に完了する方法を徐々に理解するようになります。

具体的には、この AI システムは、ノード間の接続の強さを変化させることで学習します。これは、人間が学習するときに脳細胞間の接続の強さが変化するのと似ています。

自己学習の後、システムはすべてのタスクを正しく実行する方法を学ぶまで、タスクを何度も繰り返します。

しかし、彼らが設計したシステムには物理的な制限があり、2 つのノードが離れるほど、フィードバックに基づいてそれらの間の接続を確立することが難しくなります。人間の脳でも同じことが言えます。物理的に離れた距離を越えたつながりを形成するのは難しく、そのようなつながりを維持し強化するのはさらに困難です。

システムがこれらの制約内でタスクを実行するように要求されると、AI は実際の人間の脳と同じトリックのいくつかを使用してタスクを解決します。

たとえば、これらの制限を回避するために、AI は、ネットワーク上で情報を渡すための導管として機能する、高度に接続されたノードであるハブを自発的に開発し始める可能性があります。

さらに衝撃的なのは、個々のノード自体の応答特性も変化し始めることです。言い換えれば、迷路課題の特定の属性 (目標位置の決定や次のステップの選択など) をエンコードするのではなく、各ノードはゆっくりと柔軟なコーディング スキームを開発します。

これは、異なる時間に、ノードが迷路のさまざまなプロパティをエンコードする可能性があることを意味します。

たとえば、特定の位置をエンコードするための専用ノードを必要とせず、同じノードで迷路内の複数の位置をエンコードできます。これは複雑な生物の脳の注目すべき特徴でもあります。

ケンブリッジ大学精神医学部のダンカン・アストル教授で、この論文の共著者の一人は、この単純な制限は複雑な生物の脳のもう一つの特徴であると述べた。

物理的に離れた 2 つのノードを接続するのが難しいなど、いくつかの単純な制限により、AI システムはかなり複雑な機能を生成することを余儀なくされます。

この研究の焦点は、これらの特性が人間の脳などの生物学的システムに共通しているという点にあります。つまり、AIシミュレーションを通じて、人間の脳を研究することが最終的な目標です。

研究チームは、AI システムによって、こうした制約が人間の脳の違いをどのように形作っているのか、また、それが認知機能や精神衛生に問題を抱える人々のさまざまな違いにどのようにつながっているのかが明らかになり始めることを期待しています。

論文の共著者の一人である英国医学研究センターCBUのジョン・ダンカン教授は次のように述べている。「これらの人工脳は、実際の脳で記録された実際の神経活動に関連する幅広いデータを解釈する方法を提供してくれます。」

このステップがなければ、データは単なるデータ、つまり抽象化になります。

アクターバーグ氏は次のように付け加えた。「AIの頭脳により、実際の生物学的システムでは対処できない質問をすることが可能になります。

タスクを実行するようにシステムをトレーニングし、その後、実験で課す制約を試して、システムが特定の個人の脳に近づき始めるかどうかを確認できます。 「

将来のAIシステム設計への影響

もちろん、この研究は脳科学者が人間の脳を研究するのに役立つだけでなく、特に物理的な制限がある可能性がある場合（現時点での物理的な制限は課せられたものではなく、客観的に存在する制限）に、より効率的なシステムを開発できるため、AIコミュニティでの関心と幅広い議論を確実に呼び起こすことができます。

研究者の一人は、AI分野の研究者は、柔軟かつ効率的にタスクをエンコードして実行できる、より複雑なニューラルシステムの開発に懸命に取り組んでいると述べた。

この目標を達成するために、開発者たちは神経生物学が多くのインスピレーションを与えてくれると信じています。

たとえば、彼らが作成したシステムの全体的な配線コストは、一般的な AI システムよりもはるかに低くなります。

現代の AI ソリューションの多くは、脳に表面的にしか似ていないアーキテクチャを使用していることを理解することが重要です。新たな研究は、AIが解決しようとしている問題の種類が、どのアーキテクチャが最も強力であるかに影響を与える可能性があることを示していると研究者らは述べた。

「人間と同じような問題を解決する AI システムを構築したい場合、そのシステムは、人間とはまったく異なるタスクに特化した大規模なコンピューティング クラスター上で実行されるシステムよりも、最終的には実際の脳に近くなるでしょう」とアクターバーグ氏は言います。

「人工脳に見られるアーキテクチャと構造は、私たちが直面する特定の脳のような課題に対処するのに役立つために存在します。」

これは、AI ロボットが限られたエネルギー資源で、絶えず変化する大量の情報を処理する必要があり、人間に似た脳構造を持つことで、より少ない労力で多くのタスクを実行できることを意味します。

アクターバーグ教授はさらにこう語った。「現実世界に展開するAIロボットの脳は、人間と同じような課題に直面する可能性が高いため、人間の脳に似ている可能性がある。」

宇宙の目標地点に向かって移動するために、身体を制御しながら、センサーからの新しい情報を常に処理する必要があります。

多くのシステムでは、限られた電力供給内で関連するすべての計算を実行する必要があります。したがって、AI システムがこれらのエネルギーとリソースの制約、および処理する必要のある情報量のバランスをとるためには、人間の脳に似た構造が必要になると考えられます。

現在、この研究は医学研究会議、ゲイツ・ケンブリッジ大学、ジェームズ・S・マクドネル財団、テンプルトン世界慈善財団、Google DeepMindから資金提供を受けており、今後脳科学やAIの分野に大きな影響を与えると考えられています。