5歳の子供がAIを圧倒、「遊ぶ」だけで十分か？

この能力がアルゴリズムによって習得された後、AlphaGo は人間のチェスの名人を破り、OpenAI Live が登場して、ビデオゲームの分野で人間のプレイヤーを完全に打ち負かしました。しかし、それでも、人間の探査能力は最先端の AI の能力をはるかに超えています。
たとえば、赤ちゃんは這ったり探索したりすることで3次元空間を認識できるようになりますが、一部のコンピュータービジョンシステムは平面の写真に騙されやすいことがよく報告されています。より高性能な3Dビジョンアルゴリズムの実装には膨大なコンピューティングリソースが必要です。この観点から見ると、人間の脳は効果と効率の両面で間違いなくAIを圧倒しています。
では、子どもたちの学習能力を取り入れて、より賢い AI を作り出すことは可能でしょうか?この推測は、「アインシュタインの脳をもらえれば、私もノーベル賞を受賞できる」という質問に似ています。少しばかげていますが、少し重要です。
5歳の子供がAIを圧倒。ただ遊んでいるだけで十分です。
休暇中に生活観察をして、子どもたちがどのように世界を探検しているかを見てみませんか?
おもちゃで遊ぶ方法がたくさんあるように見えても、どれが正しいのかわからない場合、幼児は仮説に基づいた探索を行い、「仮説」が失敗した場合は新しいおもちゃに移ります。
研究によると、生後11か月の赤ちゃんが物理法則に反する多くの現象を見ると、その現象をもっと探求せずにはいられなくなり、自分の仮説を実践するために違法な行動にさえ手を染めてしまうことが分かっています。
たとえば、これまでの認識を覆すような空中に浮かぶ車を見たら、あなたはどうしますか?赤ちゃんは、どうしてこんな「不自然な」状況が起きたのかと不思議に思いながら、おもちゃをテーブルに叩きつけるでしょう (ですから、子供が人形を壊さないようにする唯一の方法は、そもそも人形を見せないことです)。

[[344876]]
このような「黄河に到達するまで諦めない」タイプの自由な探究は、親や大人にとっては迷惑なこともありますが、抽象的な「仮説」によって、人間は膨大な数の予測を立て、多くの新しい可能性を想像することができます。これは、非常に有意義な学習方法であるだけでなく、人間の創造性の源でもあります。
しかし、星の王子さまが退屈な大人には「ニシキヘビの腹の中の象」が見えないと感じたのと同じように、残念ながら、この探究心は幼児の特質であり、ほとんどの場合 5 歳までにしか備わっておらず、そのため彼らは宇宙で最高の学習者でもあるのです。
子どもの行動は非常に有益な情報を与えるので、科学者は当然それを知りたいと思う。実際、子どもの発達は AI の発展を導く上で重要な役割を果たします。
科学者たちは、ニューラルネットワークに好奇心を導入し、報酬フィードバックを使用してエージェントが積極的に環境を探索して理解し、モデルパラメータを更新するように促す深層強化学習を作成しました。これにより、人間が大規模な注釈付きデータセットを通じて事前に回答を提供するのではなく、AI が自律的にスキルを習得し、ビデオゲームなどの一般的な知能を必要とする複雑なシナリオで独自の決定を下すことが可能になります。
子どもたちの他の種類の行動も貴重です。前述の「黄河が見えるまで諦めない」という探索は、深さ優先探索戦略に転換されました。DeepMind とカリフォルニア大学バークレー校の研究者は、3D ナビゲーションおよびパズル解決環境を開発しました。エージェントは特定のパスに沿って探索し、行き止まりに遭遇した場合は戻って次の未探索のパスを見つけ、前進し続けます。

まるで子供の迷路ゲームみたいだと思いませんか？これにより、インテリジェントエージェントはさまざまな経験に触れ、より少ない情報環境で作業できるようになり、データ量への依存度が低減し、コンピューティングリソースが逼迫している現状が変わり、データ量が少なくサンプル数が少ない多くの分野（金融や医療など）でインテリジェンスを実現できるようになります。
子どもの探究心を AI に応用すれば、すべてがより良くなる。理想的なレベルでは確かにそうなのだが、現実は科学者をからかうのが常だ。人間のために「切り札」を残しておいたとも言える。
AI の能力が爆発的に向上する中、なぜ人間は依然として知恵の王座にしっかりと座ることができるのでしょうか?
これらの子供のような探索戦略は、意思決定時の迅速な学習と探索をサポートするためというよりも、トレーニング中にエージェントの経験を増やすために使用されることが多いことに注意することが重要です。平たく言えば、「多くの原則を理解しているかもしれないが、選択の重要な瞬間に失敗するため、良い人生を送ることができないかもしれない」という意味です。
前述の深さ優先探索 (DFS) を例にとると、科学者たちは、子供たちに自由に探索を許可した場合、その行動は DFS によるインテリジェントエージェントの行動と 90% 類似しているのに対し、目標指向アプローチ (グミベアを見つける) で探索した場合、ルートの 96% が類似していることを発見しました。しかし違いは、子供が探索すればするほど、最終的にタスクを完了するのに費やすことができる時間が短くなるのに対し、インテリジェントエージェントの場合はその逆になるという点です。

エージェントが興味深い場所を見つけた場合（報酬を得る場合）、その場所がもはや興味深い場所ではなくなったと最終的に判断するまでその場所を再訪し続け、その結果、一般化が不十分になります（最適な戦略を形成できなくなります）。
違いは、子どもたちは孤立して受動的に学んだり、目標に駆り立てられて学んだりするのではなく、常に実験と情報収集を行い、自分の認知と経験と得られた情報を組み合わせて、豊かな世界モデルを作り上げていくという点です。最も洗練された機械探索方法であっても、特定の目的を達成することしかできず、短期的には「驚き」に満ちた現実世界に完全に一致させることは不可能です。
一定の探索能力を備えているにもかかわらず、AI エージェントのパフォーマンスがまだ不十分なのはなぜでしょうか?
最初に思い浮かぶのは、実験室と実際の環境の大きな違いです。
これまで、深層強化学習は、2次元ゲームで人間と競争したり、デジタルグリッドでチェスをしたりといった、単なる「機械との対話」でした。しかし、子どもたちの探究は、情報に富んだ3次元の現実世界で行われ、多くの潜在的要因を実験に適用することは困難です。
このため、今日最も強力な AI ロボットでさえ、小学校を卒業したばかりの優秀な人間のウェイターの作業能力に匹敵することはできず、環境に適応してさまざまな複雑なタスクを同じ速さで完了することができません。
また、子どもの発達心理学研究がAI産業チェーンの中で「クローズドループ」を形成することは難しい。 AIの現実への奉仕能力を真に刺激するには、より強力な探索能力を持つインテリジェントエンティティを構築するだけでなく、人間の認知能力を継続的に学習し、人工知能自体の理論革新とソフトウェアおよびハードウェアのアップグレード（3次元トレーニング環境の構築など）を推進する必要があります。この一連の連鎖的なブレークスルーによってのみ、最終的に技術的なアイデアを実際の生産性に変換できます。「奇跡を起こすほどの努力」として知られるディープラーニングが、ハイライトの瞬間を迎えた。
この考え方に沿って、インテリジェントエージェントと人間の間のギャップを埋める方法をさらに理解することができます。
次世代AI、霧の中から徐々に姿を現す本当の未来
ここ数年、ディープラーニングは従来のアルゴリズムでは達成できなかった進歩を遂げ、多くの産業アプリケーションを生み出してきました。しかし、実際にはディープラーニングはまだ非常に愚かです。たとえば、ほとんどの人は数十時間の勉強で車の運転を習得できますが、完全に自動化されたL5無人自動車はまだ遠い夢です。
チューリング賞受賞者のジェフリー・ヒントン氏は、現在の（最も広く使用されているバックプロパゲーションアルゴリズム）は脳の働きのメカニズムではないと考え、ディープネットワークを実装する新しい方法を見つけることに熱心に取り組んできました。
チューリング賞受賞者のヤン・ルカン氏は、一部のゲームでは、プロの人間プレイヤーのレベルに達するかそれを超えるためには、モデルのトレーニング時間を大幅に増やす必要があると考えています。
子どもたちの学習パターンを通じて、現在最も優れた AI は 5 歳児ほど賢くないことがわかりました。おそらく、ニューラルネットワークの最も重要な未解決の問題の 1 つである「次世代の AI はどのようなものであるべきか」という問題に答えることができるでしょう。
少なくとも 2 つのアップグレードがあります。
1. 意識する。現在、最も高い文章表現能力と最大のモデルを持つと認められているGPT-3も、専門家からは「頭を使わないタスク」と批判されており、実際に書いた文章を理解しているわけではない。探索、意思決定、推論の能力を持ち、周囲の環境を理解できる AI こそが、真の人工知能です。
2. エネルギー効率比。欠点があるにもかかわらず、ディープラーニングが AI 開発ブームをリードし続けるのを阻止できないのはなぜでしょうか?主な理由は、ディープニューラルネットワークによって、社会全体のビッグデータの処理、マイニング、適用にかかるコストが大幅に削減されたことです。人間の脳と比較すると、既存のコンピューティングハードウェアの消費電力は非常に高いです。AIのコスト効率を継続的に向上させることが、再び寒い冬に陥ることを避ける唯一の方法であり、より高度なアルゴリズムも必要です。
これら 2 つの基本的な問題は、科学者と技術者によってのみ解決できます。私たち一般人にとって、世界に対して子供のような好奇心を持ち続け、様々な情報に満ちた自然に触れ、そこから得られる体系的な認知力や思考力は、機械では決して実現できない、非常に貴重なものなのかもしれません。