人工知能は「高度な感情知能」に向かって発展している

[[265376]]

[51CTO.com クイック翻訳] 機械知能の分野における現在の成功は主に計算能力に依存しており、より高度な意思決定を行うには何十億もの検索が必要になる場合があります。この決定が成功すれば、それは多くの場合、計算能力が人間の知能に追いついたか、あるいはそれを上回ったことを示している。人間の知能は、高度に一般化可能で、適応性があり、堅牢であり、現在の機械知能システムでさえも実現できない特性を持っています。たとえば、人間は、未知の変数が多数存在する場合でも、予想される結果に基づいて事前に重要な計画を立てることができます。人間の知性には、思いやり、共感、優しさ、育成、そして重要なことに、より大きな使命のためにいくつかの目標を放棄して再定義する能力も含まれます。ほぼすべての機械知能研究は「どのように」に焦点を当てていますが、人間の知能は「何を」と「なぜ」を尋ねる能力が特徴です。

仮説的には、感情知能は、より普及し、強力で、効率的であるだけでなく、人間の価値観とも一致するインテリジェントマシンを実現するための鍵となります。人間の感情メカニズムにより、機械が現在プログラムまたはトレーニングできないタスクを達成できるようになります。たとえば、交感神経と副交感神経の反応により、私たちは安全を認識し、危険に気づくことができます。他人の影響を感じ取り、相手の立場に立って考える能力は、私たちが適切な決断を下し、複雑な人間関係を切り抜けるのに役立ちます。空腹、好奇心、驚き、喜びなどの感情的要因によって、私たちは自分の行動を制御し、達成したい一連の目標を決定することができます。最も重要な能力は、他者とのコミュニケーションを通じて自分の内面を表現し、潜在的に他者の意思決定に影響を与える能力です。

したがって、この感情的知性を計算フレームワークに組み込むには、少なくとも次の機能が必要であると仮定されます。

• 他人の感情を感じる
• 他人の感情に反応する
• 感情を表現する
• 意思決定における感情の管理と活用

[[265377]]

歴史的に、研究は人間と機械のコラボレーションの観点から EQ マシンの構築に焦点を当て、最初の 3 つの機能に重点を置いてきました。たとえば、感情認識に関する最も初期の研究は、人々が生理学的センサー、カメラ、マイクなどを使用してさまざまな感情反応を検出した約 30 年前に始まりました。人間が一貫して顔や他の感覚で信号を伝えるかどうか、またこれらの信号が本当に内面の感情を反映しているかどうかについては多くの議論がありますが、研究者は人間が表現する信号を識別し、これらの信号が社会文化的規範と一致していることを証明するアルゴリズムの構築に成功しました。

自分の内部認知状態に基づいて適切な行動をとる能力は、感情的知性の基本的な現れです。逐次意思決定に関する最近の研究は徐々に進歩しています。たとえば、食事感情管理システムが人々の適切な意思決定にどのように役立つかなどです。

感情表現は数十年にわたってコンピューティングの最前線にありました。単純な信号（光、色、音など）であっても、豊かな感情を伝え、呼び起こす力があります。 2019 年の第 7 回国際学習表現会議 (ICLR) で発表される私たちの論文「敵対的および協調的ゲームによるニューラル TTS 様式化」では、表現力豊かでリアルな人間の音声を合成するための新しい機械学習アプローチを提案しています。アーキテクチャモデルはリアルな音声を生成し、簡単にコントロールできるダイヤルを使用して、独自の方法で表現される感情を変化させます。私たちのモデルは、コンテンツ転送、感情モデリング、アイデンティティ転送などの複数のタスクで有望な結果を達成しています。この記事ではオープンソース実装を紹介します。

図1: ニューラルモデルのアーキテクチャ

AI システムにおける認識、表現、介入に関する研究は過去 20 年間で急速に進歩してきましたが、より効果的に学習し、より効果的に選択を行うために、感情メカニズムを効果的に活用するシステムという、さらに魅力的な形態の知能が存在します。私たちは、コンピューターが現在よりも多くの決定を下せるよう、そのような感情的なメカニズムの構築を検討したいと考えています。

囲碁、パックマン、シナリオベースのロールプレイングゲームなど、AI における最近の成功は、強化学習に大きく依存しています。強化学習では、良い行動は報われ、悪い行動は罰せられます。しかし、計算モデルが合理的なポリシーを学習するには、このようなアクション報酬フレームワークで多数の試行が必要になります。人間や他の生物学的感情から、感情のメカニズムを活用してより効果的に学習する方法についてのインスピレーションを得ることができます。

人間が世界をナビゲートすることを学ぶにつれて、身体（神経系）の反応は、崖の端に近づくときに緊張したり、カーブを急カーブで運転したりするなど、行動の選択に関する潜在的に継続的なフィードバックを提供します。生理的な変化と心理的な反応があなたを危険から守ります。人間は、心拍数の増加、末端からの血液の迂回、汗腺の拡張を経験することで危険を予期します。これは身体の「闘争・逃走」反応です。人類は何百万年もかけて進化し、これらの複雑なシステムを構築してきました。機械に同様のフィードバック システムがあったらどうなるでしょうか?

図2: 新しい強化学習アプローチ

「内臓マシン: 内在的生理的報酬による強化学習におけるリスク回避」では、人間の闘争・逃走行動の内在的報酬機能を活用する新しい強化学習アプローチを提案します。

私たちの仮説は、このような報酬関数は、強化学習の設定におけるスパースで偏った報酬に関連する課題を回避し、サンプル効率の向上に役立つ可能性があるというものです。私たちはこのアプローチをシミュレートされた運転環境でテストし、学習速度を向上させ、学習プロセス中の衝突回数を減らすことができることを示しました。私たちは、感情的に刺激を感じて反応する能力をシミュレートできる自律システムをトレーニングできる可能性に興奮しています。

図3: 運転中に記録された生理学的反応

多くのコンピューター科学者やロボット工学者は、KITT や R2D2 など、人気の SF に登場する印象的なキャラクターに似たロボットの作成を志しています。しかし、感情コンピューティングのメカニズムを構築することで、堅牢で効率的、かつより先見性のある人工知能を構築する絶好の機会が得られます。この研究が、人工知能における感情の応用を再検討するきっかけとなることを願っています。

原題: 感情的に知的な人工知能に向けて、著者: ダニエル・マクダフ

[51CTOによる翻訳。パートナーサイトに転載する場合は、元の翻訳者と出典を51CTO.comとして明記してください]