知能の本質：人間の知能と人工知能

なぜコンピューターは知能を発揮できるのでしょうか? コンピューターの知能と人間の知能の類似点、相違点、つながりは何でしょうか? 知能について話すとき、それは何を意味するのでしょうか? 人工知能は人間の知能をシミュレートできますか? 知能の本質とは何でしょうか?

[[349199]]

この記事では、まず、計算能力、論理、構造、データ、確率など、さまざまな側面から知能の源と動作を明らかにし、次に、生物進化と物理法則を組み合わせて、マクロからミクロまでの洞察を提供し、知能の本質をうまく説明します。最後に、知能と私たち、そして進化との関係をさまざまな観点から見ていきます。

この記事の視点や観点は、私たちが知能をより明確に理解し、私たち自身の知能をより深く理解するのに役立つと信じています。

テーマディレクトリは次のとおりです。

• 知性と計算力
• 知性と論理
• 知性と構造
• インテリジェンスとデータ
• 知性と確率
• 知性の本質
• 異なる視点
• 要約する

知性と計算力

計算能力は知能を生み出すための本質的な理由ではありません。

人間の脳の計算能力には限界がありますが、論理的推論や自律学習を行うことができます。コンピューターの計算能力は人間の脳の計算能力を「数え切れないほど」上回っていますが、それでも人間の脳のように論理的推論や自律学習を行うことはできません。

一方、人間の中には一般人に比べて極めて優れた暗算能力や記憶力を持つ天才も少数存在しますが、それでもコンピューターの計算能力や記憶能力には遠く及びません。

人間の知能には個人差がありますが、当然ながら、人の知能を測る唯一の指標として計算能力だけを使うことはありません。

なぜなら、高い知能は高い計算能力を発揮しますが (フォン・ノイマンやラマヌジャンなど)、他にも次のような状況が数多くあるからです。

• 通常の計算能力、高い知能を示す（政治家、芸術家など）、
• 通常の知能、高い計算能力を示す（「コンピュータ」実践者など）、
• 知能は低いが計算能力は高い（異常遺伝子の保因者など）
• 等

知能は計算能力と相関関係にあることはわかりますが、計算能力が人間の知能を生み出すわけでも、計算能力のレベルが人間の知能のレベルを決定するわけでもありません。

しかし、興味深いのは、

多くのシナリオでは、コンピューターは知能を発揮できるだけでなく、人間よりも知能が高いように見えることさえあります。他のシナリオでは、人間の知能にとっては簡単なタスク (チャット、嘘をつく、ユーモアのセンス、道徳的判断など) が、コンピューターにとっては非常に困難です。

これはなぜでしょうか?

このためには、2 つの観点から検討する必要があります。1 つ目は、コンピューターがなぜ知能を発揮するのか、2 つ目は、コンピューターの知能と人間の知能の違いは何か、です。

しかし、これら 2 つの視点は、最終的には同じ疑問につながる可能性があります。それは、「知性の本質とは何か?」ということです。

知性と論理

コンピュータは論理的推論や自律学習を実行することはできませんが、論理演算 (ブール演算とも呼ばれます) を実行することはできます。

基本的な原理は、コンピューターが論理ゲートを通じて論理演算を実行し、論理的な関係をマッピングする機能を獲得することです。

いわゆる論理ゲートは、次のような基本的な論理演算のセットです。

• 0——は偽です。
• 1——それは本当です。
• 非真と偽が入れ替わります。
• そして、もし偽りのものがあれば、それは偽りです。
• あるいは、真実である真実が 1 つあります。
• XOR - 異なる場合は True、同じ場合は False。点と点を結ぶのと同様に、異なる場合は True、そうでない場合は False になります。
• より大きい、等しい、より小さい、以上、以下、等しくない - 真の場合は true、そうでない場合は false。

上記は比較的基本的な論理ゲートの計算ですが、これらを組み合わせることで任意の複雑さの論理演算を実現することができ、これを組み合わせる方法が論理回路です。

いわゆる論理回路とは、簡単に言えば、論理演算を実行する回路を指します。より具体的には、バイナリ（0と1）に基づいて（離散的な）デジタル信号論理演算を実装する回路を指します。

物理的な現実では、論理ゲートはトランジスタによって実装され、論理回路は集積回路によって実装されます。

基本原理は、トランジスタが（物理コンポーネントの特性を通じて）スイッチ制御を実現し、トランジスタを通過するレベル信号が高または低の結果を生成することで、論理的な「真」と「偽」（つまり、2進数の1と0）を表し、論理ゲートの計算を実現し、その後、集積回路がトランジスタを組み合わせて任意の複雑な論理回路を実現できることです。

したがって、トランジスタと集積回路を通じて、コンピューターは論理関係をマッピングする能力を持ちます。これは、抽象的な論理関係を物理的な論理回路に変換することと見ることができます。

処理プロセスは、データの受け入れ、データの分析（論理関係を使用）、結果の取得であり、これは古典的な「入力-処理-出力」モデルです。

実際、コンピュータの計算能力は、数百億個のトランジスタによる超高速ロジックゲート制御の結果から生まれます。明らかに、物理回路の物理的特性が、高い計算能力の必然性を決定します。

コンピュータと比較して、人間の脳の計算能力が弱い理由は、論理的判断の速度が十分速くないからです。根本的な理由は次のとおりです。

生物回路の論理ゲート制御速度は物理回路のそれよりはるかに遅い。これは電気化学反応の速度が電気物理反応より遅れていること、つまり脳細胞によって構築される論理ゲート構造（電気シナプスと化学シナプス）が物理コンポーネントによって構築される論理ゲート構造よりはるかに遅く反応することを意味する。

具体的には：

1. ニューロンの発火は、イオンチャネル（ナトリウム、カリウム、カルシウム）の開閉に依存しており、これは遅いプロセスであるため、発火頻度は 1 秒あたり約 400 回に過ぎません。一方、コンピューターの物理コンポーネントの発火頻度は 1 秒あたり 40 億回にも達することがあります。
2. ニューロンは導電性と絶縁性が低く、漏洩しやすいため、電気信号の伝送速度は遅く、毎秒約100メートルしかありません。コンピューター機器の電気信号の伝送速度は光速に近く、毎秒3億メートルに達します。
3. ニューロン間の情報伝達は化学シナプスに依存しますが、化学シナプスに到達した電位差が必ずしも神経伝達物質の放出を刺激するわけではありません（多くの要因と複雑なメカニズムがあります）。平均的な放出確率はわずか約 30% ですが、コンピューター構造の情報伝達は 100% 確実です。

しかし、重要なのは、論理的推論は論理的判断のスピードとは関係がなく、構造とデータのみに関係しているということです。

つまり、論理ゲートの計算速度は、論理的推論のプロセスと結果には影響しません。プロセスとは、データが論理ゲート構造を通過するときの論理演算であり、結果は計算後のデータです。

同様に:

• コンピュータの構造は物理的なハードウェア構造であり、人間の脳の構造はニューラル ネットワーク構造です。どちらの構造も論理ゲート計算を実装します。
• 前者の計算データは物理的な電気信号であり、後者の計算データは生体電気信号です。両方の電気信号は環境データの入力から変換されます。
• 前者の入力データは物理的なデバイス（キーボードやマウスのセンサーなど）から取得され、後者の入力データは生物学的デバイス（目、鼻、耳など）から取得されます。

その中で、人間の脳の論理ゲート計算は、マクロレベルでは、「もしこれなら、あれ、そうでなければあれ」という条件判断（この「もし」の真偽によって「かつまたは否か…」という論理演算を実行すること（任意に組み合わせることができる））を使用し、ミクロレベルでは、入力データから、ニューラルネットワーク処理、脳細胞の活性化、電気化学反応、興奮電位（1を表す）または抑制電位（0を表す）までです。

数学的演算 = 論理演算 + 読み取りおよび書き込み演算であり、読み取りおよび書き込みには論理がない (移動のみ) ことを指摘する必要があります。論理演算がない場合、非論理的な (エラーが発生する可能性が高い) 読み取りおよび書き込みが発生します。

たとえば、2 進加算を実装する抽象的なプロセスは次のようになります。数値を読み取り、数値を比較します。数値が 0 の場合は 1 を書き込んで加算計算が完了します。数値が 1 の場合は 0 を書き込み、上位ビットを移動して 1 を書き込んで桁上げ計算が完了します。

コンピュータは人間の脳のように無差別な論理ゲート計算を実行できることがわかります。これが、コンピュータが知能を発揮できる根本的な理由です。

コンピュータの知能が人間の知能によって明らかに制約される理由は次のとおりです。

• まず、論理的推論におけるデータの場合、コンピューターは入力を人間に頼る必要があります。
• 第二に、コンピューターはデータ内の論理的な関係を分析して記述するために人間に依存する必要があります。
• 第三に、論理ゲートの計算プロセスでは、コンピューターは人間によるプログラミングと制御に依存する必要があります。

では、コンピューターは人間の助けを捨て、データ内の論理関係を自ら分析し、論理ゲートの計算プロセスを自動的に制御できるのでしょうか?

言い換えれば、コンピューターは論理ゲート計算に基づいて人間の知能と同様の知能を構築できるのでしょうか? 言い換えれば、論理ゲート計算に基づく人間の知能の根本的な「質的変化」とは何でしょうか?

知性と構造

前述のように、論理推論は論理ゲート構造とデータに依存します。計算能力は論理ゲート構造の特性にすぎません。推論プロセスは、論理ゲート構造によるデータの計算です。推論結果は計算後のデータであり、計算前のデータと論理的な関係があります。

コンピュータには論理ゲート構造がありますが、推論プロセスにはデータとアルゴリズムを提供する人間の知能が必要です。アルゴリズムは、論理ゲート構造を制御してデータの計算を完了し、結果を取得する役割を担っています。

具体的には、アルゴリズムはプログラムで記述され、プログラムは命令に変換され、命令はハードウェア（論理ゲート構造）によって実行され、データの論理演算を実現します。人間の知能は、プログラミングを通じてコン​​ピューターを制御し、論理的推論を完了することができます。

もちろん、アルゴリズムは、コンピュータとは関係のない、より抽象的な概念である可能性があり、これは、問題を解決するための戦略を表す、一連の正確で実行可能な手順で構成される、問題解決の完全な説明を指します。

ここでは、人間の知能はアルゴリズムを構築できるが、コンピューターはそれができないこと、そしてアルゴリズムが論理的推論の鍵となることが分かります。では、その秘密は何でしょうか?

答えは構造です。実際、人間の脳の構造は論理ゲート構造のスーパーセットです。これに基づいて、コンピューターの単純で固定された物理的なハードウェア構造と比較すると、人間の脳の構造は非常に複雑で、強い可塑性を持っています。

複雑さに関して言えば、コンピュータの記憶構造、伝送構造、計算構造はそれぞれ独立して分離していますが、人間の脳のニューラル ネットワーク構造は記憶構造、計算構造、さらには伝送構造でもあります。

したがって、データとアルゴリズムは同じ脳構造内に存在します。

具体的には、ニューロン細胞間の幾何学的関係、密度、数、膜の成分、濃度、膜の内外の電位、電気化学反応の過程など、すべてが情報の記録と計算です。したがって、情報の形成、伝達、処理はニューロン細胞で共有されるため、情報は脳構造の中で自然に関連し、影響し合うことになります。

つまり、人間の脳内で感覚を通してデータが情報に変換された後、その「動き」（荷電イオンの流れや神経伝達物質の拡散など）の特定のパターンがアルゴリズムに対応し、「動き」の慣性（物理的な意味で）が直感や潜在意識に対応すると考えられます。なぜなら、「慣性」は意識によって制御されないため、意識外の計算であり、直感は潜在意識の計算と見なすことができるからです。

情報とデータ: 情報とは、データから抽出された関係です。同じデータで異なる関係を見るということは、異なる理解、つまり異なる情報を意味します。情報は、さまざまな次元の多くの関係を除外する、データの単純化された抽象化であることがわかります。

明らかに、コンピュータの構造には、情報の「移動」や「統合」（保存と処理）の特性はありません。逆に、コンピュータ情報はその構造から独立しています。構造（規模、アーキテクチャなど）の変化は情報に影響を与えず、情報（量、関連性など）の変化は構造に影響を与えません。したがって、コンピュータ情報は損失なく別のコンピュータにコピーできますが、人間の脳情報は、同じ脳構造を再構築しない限りコピーできません。

最も重要なことは、コンピューターの構造ではアルゴリズムを生成できない、つまりデータから論理的な関係を抽出できない、つまりデータから情報を抽出できないということです。したがって、コンピューターは入力データに「情報が含まれている」ことを必要とします。これはどのように行われるのでしょうか?

• まず、データ構造が必要です。これは、データの関係を記述する構造化データ、つまりメタデータと呼ばれるデータに関するデータです。
• 次に、コード アルゴリズムが必要です。これは、論理演算や読み取りおよび書き込み操作 (どちらも数学演算を実装できます) を含む計算を完了するためにハードウェア構造を制御するために使用される実行可能データです。
• 最後に、コードアルゴリズムの実行により、データがデータ構造にマッピングされ、データ内の論理関係の抽出、つまり情報の抽出が実現されます。

このことから、コンピュータは入力データ（データ構造やコードアルゴリズムを含む）に論理的な関係と論理的な処理の両方を必要とし、これらが人間の知能によって提供されるように移行されていることがわかります。

可塑性については、入力データは人間の脳の神経ネットワーク自体の構造（生物学的論理ゲートを含む）を変えることができ、それによって入力データの取得と処理を変えることができます。したがって、構造とデータの間には、「構造がデータを吸収し、データが構造を形成する」という相互作用が形成されます。これは、河床（構造）が川（データ）を導き、制約し、川（データ）が河床（構造）を侵食して変化させるようなものです。

実際、抽象的に言えば、ロジックとは構造に内在する関係です。異なる構造（または同じ構造の異なる角度）には異なる関係と異なるロジックがあり、構造が変わるとロジックも変わります。

したがって、人間の脳は、環境データを捕捉し、その中の論理的関係を分析・学習し、（経験や常識などの）動的な人間の脳の神経ネットワーク（構造）に（論理を）保存し、その後の（環境データの）論理的処理に参加することができ、これが自律学習の能力である。

人間の脳と比較すると、コンピュータの構造は固定されており、ダイナミクスや自己組織化はまったくなく、人間の知能に頼ってデータ構造とアルゴリズム（データ構造 + アルゴリズム = プログラム）を提供することしかできません。そのため、コンピュータの知能は自律学習や自律推論を実行することができません。

つまり、人間の知能は人間の脳の非常に複雑な構造によるものですが、コンピュータの構造は非常に単純なので、その「インテリジェントなパフォーマンス」は、複雑なアルゴリズムをすべてプログラム設計に移すこと、つまり人間の知能に考えさせ、生産させることです。

以上のことから、私たちが「主張する」知能は、実際には複雑な構造のダイナミクスと自己組織化から生まれていることがわかります。その機能は、環境データから現実世界の論理的関係をモデル化してマッピングし、未来を正確に予測することです。

もちろん、人間の脳構造に保存されているのは単純化されたモデルであり、これらの頭蓋内モデルの計算とモデリングは、知能、つまり認知コンピューティングと認知モデリングによって支配されています。

簡単に言えば、人間の脳の構造が結晶性知能（スキルや技術などの学習に依存し、加齢の影響を受けない）を決定し、神経機能が流動性知能（記憶力や計算力などの遺伝子に依存し、加齢とともに低下する）を決定し、知能は結晶性知能と流動性知能の上に構築されます。

では、コンピューター知能が固定構造の限界を打ち破り、異なる進化の道筋から人間の知能を「シミュレート」する方法はあるのでしょうか?

インテリジェンスとデータ

前述したように、アルゴリズムを作成する能力は知性の鍵であり、プログラミングの分野では次のような洞察があります。

アルゴリズムとデータ構造の間には関係があり、データ構造が複雑になるほどアルゴリズムは単純化でき、データ構造が単純になればなるほどアルゴリズムは複雑にする必要があります。

たとえば、プログラミング言語が動的であればあるほど、複雑な構造を構築するのが容易になり、その言語を使用してアルゴリズムを記述するのも容易になります。逆に、プログラミング言語が静的であればあるほど、複雑な構造を構築するのが困難になり、その言語を使用してアルゴリズムを記述するのも困難になります。

原理としては、アルゴリズムの実装は論理関係の「計算マッピング」、つまり論理関係の動的変換であり、データ構造は論理関係の「固定マッピング」、つまり計算された論理関係が構造に格納されるということです。

アルゴリズムにはデータ構造よりも追加の計算プロセスがあることがわかります。前者は論理関係に基づいて論理演算を実行する必要がありますが、後者は構造の論理関係に基づいて直接読み書きするだけでよいため、論理関係を変換するにはデータ構造を使用する方が効率的です。

人間の脳は、環境データからデータ構造を抽出し、アルゴリズムを学習し、最終的に両方を脳構造に保存することができます。神経構造、データ構造、アルゴリズムは相互に変換したり、相互に表現したりできることがわかります。

表現とは、情報を使用して物事の状態を記述することを指します。つまり、情報シンボルは物事自体を置き換えることができます。

言い換えれば、データ構造が十分に強力であれば、複雑なアルゴリズムの機能として機能したり、複雑なニューラル構造を置き換えたりすることもできます。

したがって、コンピューター知能を「人間化」する 1 つの方法は、データ構造を強化することによってニューラル構造をシミュレートし、人間の知能によって提供されるコード アルゴリズムを弱め、代わりに構造を使用してアルゴリズムを生成することです。これが人工知能の現在の開発方向です。以下では、「コンピューター知能」の代わりに「人工知能」を使用します。

それで、人工知能のデータ構造はどこから来るのかという疑問に戻ります。

明らかに、「人工」という言葉は、それが人間の知能によって提供されるものであることをすでに説明しましたが、これは特定の問題のためのデータ構造ではなく、人間の脳のニューラル ネットワークをシミュレートする一般的なデータ構造です。つまり、人間の脳構造の単純化された抽象化であり、プログラミング言語によって実装された数学モデルです (行列に基づいています。マトリックスのマトリックスを想像してください)。これは「脳のようなデータ構造」と呼ぶことができ、より鮮明な説明は「脳のようなニューラル ネットワーク」です。

次に、人間の知能はアルゴリズム、つまり機械学習アルゴリズム（ディープラーニング、強化学習など、それぞれ具体的な実装が異なる）を提供し続けます。このアルゴリズムは、フィッティングと計算を通じて、膨大なビッグデータからさまざまなアルゴリズムを見つけようとします。これにより、特定の入力問題と出力結果が一致します。これは、アルゴリズムを作成できるアルゴリズムを実装することと同じです。

脳のようなデータ構造と機械学習アルゴリズムを組み合わせることで、脳のようなデータ構造を（構造的接続関係の重みを通じて）動的に自己組織化し、アルゴリズムによって作成されたアルゴリズムを保存することが可能になり、人工知能は自律学習と自律推論を発揮します。

興味深いことに、人間の脳のドーパミン強化学習のメカニズムと一致する機械学習アルゴリズム (強化学習) があります。これは、機械が人間の脳と同じ学習メカニズムを使用して「自己学習」できることを示しています。

以上から、人工知能は、入力データ、データ構造、学習アルゴリズム間の相互変換、つまり、データから構造を見つけ、構造からアルゴリズムを生成し、最後にアルゴリズムを構造に格納することによって、「擬人化知能」を形成することがわかります。

実践では、人工知能モデルはデータトレーニングを通じて非常に正確な予測能力を獲得できることが示されていますが、この予測能力は説明可能ではなく、つまり、予測結果が形成される経路を説明することは不可能であることに言及する価値があります。言い換えれば、脳のようなデータ構造 (または脳のようなニューラル ネットワーク) は、人間の脳と同じように「ブラック ボックス モデル」です。

したがって、これから、構造が化学における特性を決定し、構造が物理学における励起を決定し、構造がプログラムの機能を決定し、構造が言語における意味論を決定するなど、構造が知性を創発する法則と力が、おそらく構造がすべてを決定し、それが「構造主義」と呼ばれることもわかります。

しかし、擬人化知能への道のりには、まだ大きな問題が残っています。それは、人間の脳の曖昧さとコンピューターの精度の違いをどう解決すればよいのか、ということです。

知性と確率

実際、コンピューターは常に正確な論理モードで動作しています。計算を積み重ねるうちに、どんな小さな論理エラーも増幅され続け、最終的にはロジックが破綻するかプログラムがクラッシュし、ミッションの失敗につながります。

人間の脳の論理処理はまったく異なります。人間の脳は「ベイジアンアルゴリズム」に基づく確率モデルを使用して、統計結果から可能性を導き出し、さまざまな仮説を立て、新しい情報を受け取るたびにモデルを常に調整します。同時に、最新のモデルに基づいて継続的に計算し、常に最も現実的で正確な答えに近づくため、人間の脳はスケールのない異常やエラーを無視できます。

ベイジアンアルゴリズム - 事前の主観的確率と客観的な情報データを組み合わせて、継続的な計算を実行し、正確な結果に近づきます。

人間の知能が使用できる推論には、主に 4 つの種類があります。

• まず、演繹的推論（論理的推論とも呼ばれる）は、一般的な推論から具体的な推論へと進みます。
• 2番目は、具体的なことから一般的なことへの帰納的推論です。
• 3番目は、具体的なものから具体的なものへと類推によって推論することです。
• 4 番目は、アブダクション推論 (または逆演繹) とも呼ばれる、具体的な事柄から説明に至る推論です。

このうち演繹と帰納は精密な論理に基づき、類推と帰納は確率統計に基づき、推論の基本的な機能は因果関係を捉えて未来を予測することです。

実際、直感、ひらめき、ひらめきによってもたらされる洞察は、類推やアブダクションを使った推論の結果であることが多いです。このプロセスは非論理的に見えますが、その背後には、ニューラル ネットワークの「遠隔接続」によって刺激された情報の「自由な」配置と組み合わせがあります。しかし、明らかに、確率によって、この種の「洞察」はひらめきになる場合もあれば、無意味になる場合もあります (つまり、類推は間違っており、アブダクションは不合理です)。

類推とは、形式は異なるが論理的には同じつながりです。

アブダクション - 現象に基づいて最も可能性の高い説明を見つけることです。

人間の知能が強力な推論能力と予測能力を発揮するためには、構造と計算に加えて確率的かつ統計的な作業モードを導入する必要があることがわかります。

では、正確なロジックに基づいたコンピューターは、確率統計に基づいて動作できるのでしょうか?

古典的な基礎教科書『ディープラーニング』の中で、著者は次のように指摘しています。

「人工知能の分野では、確率論には主に 2 つの用途があります。1 つ目は、確率の法則によって人工知能システムがどのように推論するかがわかることです。2 つ目は、確率と統計を使用して人工知能システムの動作を理論的に分析できることです。…確率論によって、不確実性について述べ、不確実なシナリオについて推論することができます。一方、情報理論によって、確率分布における不確実性の総量を定量化することができます。」

はい、ある観点から言えば、人工知能 = コンピューター + 確率論 + 情報理論 + ビッグデータであり、確率論はアルゴリズムがアルゴリズムを作成できるようにするメカニズムであり、人間の脳内での確率モデルの動作とまったく同じです。

この点について、著者は「ディープラーニング」の中で次のように述べています。

「学習理論によれば、機械学習アルゴリズムは有限数のトレーニング セット サンプルで十分に一般化できますが、これはいくつかの基本的な論理原則に違反しているようです。通常、帰納的推論 (つまり、有限のサンプル セットから一般的なルールを推論すること) は、論理的にあまり効果的ではありません。セット内の要素を説明するルールを論理的に推論するには、セット内のすべての要素に関する情報が必要であり、これは困難です。しかし、機械学習は、決定論的法則全体の純粋な論理的推論を使用せずに、確率の法則を通じてのみ、ある程度この問題を回避できます。最終的に、機械学習は、関心のあるサンプルのほとんどで正しいと思われるルールを見つけることを保証できます。」

したがって、確率を適用する際には、確率の曖昧さと不確実性を受け入れる必要があります。

ノー・フリー・ランチ定理は、最適な学習アルゴリズムは存在せず、特に、最適な正規化形式は存在しないことを明らかにしました。

正則化とは、モデルの解の誤差を減らすために、特定の事前ルール (正則化項やルール項など) をモデルに追加することを指します。簡単に言えば、人間の知識を数学的な形でモデルに伝えることを意味します。まあ、最適な正規化形式は存在しないので、人間の知識ではモデルを完璧な数学的形式で伝えることはできません。

したがって、機械学習研究の目標は、普遍的な学習アルゴリズムや絶対的に優れた学習アルゴリズムを見つけることではなく、人工知能がデータを取得する「現実世界」にどのような確率分布が関連しているか、そして、私たちが関心のあるデータ分布に対してどのような学習アルゴリズムがより適切に機能するかを理解することです。

実際、私たちは、人工知能を「アップデート」するための「アルゴリズム」を見つけるために人間の知能を使うことを完全にやめ、代わりに人間の脳によって継続的に生成されるデータを使って人工知能に「供給」し、そして、人間の脳が最初にやったように、単純な構造から始めて、複雑な構造に向かって継続的に「自己進化」させるべきです。

最後に、正しい予測（または予測の精度）は情報量（情報によって不確実性を排除できる）に依存し、情報はデータから得られることがわかります。より多くのデータがなければ、より正確な予測は得られません。したがって、反復計算では、構造を使用してデータをキャプチャし、予測の確率を制御します。これは、人間の知能と人工知能の共通の進化です。

知性の本質

前回の記事では知能のさまざまな側面について説明しました。今回は生物進化と物理法則の観点から知能の本質について説明します。

まず、生物進化の観点から。

進化の圧力により、生物は利益を追求し、害を避ける能力を発達させる必要があります。さもなければ、生物は排除されてしまいます。では、利益を追求し、害を避けるにはどうすればよいのでしょうか。まず最初にすべきことは、利益と害を正確に予測することです。では、利益と害を正確に予測するにはどうすればよいでしょうか。当然ですが、知能の推論能力（演繹、帰納、類推、帰納）を通じてです。

知性は生物が利益を求め、害を避ける機能であることがわかります。それは進化の圧力の下での継続的なアップグレードの必然的な産物であり、無数のランダムな試行錯誤の偶然の産物でもあります。

遺伝子によって構築された本能は未来を予測することもできるし、動物も環境情報に基づいて予測的な行動フィードバックを行うことができると言う人もいるかもしれません。しかし実際には、本能は推論を伴わず、単に「ルーチン」フィードバックの限られたパターン、つまりストレス反応を生み出すだけです。

したがって、知能は推論による予測であると見なすことができます。つまり、推論能力が強ければ、予測能力も強くなり、知能も強くなります。逆に、知能が弱ければ、予測能力も弱くなり、推論能力も弱くなります。

では、生物が利益を追求し、害を避けるために知性を最大限に発揮すると、何が起こるのでしょうか?

もちろん、それは効率的に食べたり飲んだりし、継続的に繁殖し、長い間生き残ることです - これは明らかにより多くのエネルギーを消費し、より多くのエントロピーを生み出します。

第二に、物理的法則の観点から。

あるレベルでは、エントロピーの増加の法則では、局所的な秩序を維持するにはエネルギー注入が必要であり、エネルギーを消費するプロセスがより多くの障害を引き起こすため、局所的な自己組織秩序のエントロピーが減少することが必要です。

別のレベルでは、システムが十分なエネルギーを持っている場合、エネルギーが不十分な場合、対称性が壊れています（順序）。

したがって、上記の2つの側面を組み合わせて：

エントロピーの増加は局所的な秩序を促進し、順序を維持するには、エネルギーを得るためにますます効率的なエネルギー消費システムに進化します。より多くの局所的な秩序とエネルギー消費、そして最終的にシステム全体を継続的なエントロピーの増加の進化プロセスに導きます。

類推により、ローカル秩序は人であり、エネルギーを消費するシステムは人間の脳であり、関連システムは生きている環境であり、対称性は知性であり、地元の利益は利益を求め、利益を求め、知性を避け、人々がより多くのエネルギーを消費し、エネルギーを和らげることを避けます。

対称性破壊は、次のように、インテリジェンスを使用するプロセス、つまり選択性を行使するプロセスである順序を生成します。

インテリジェントな選択の後、システムはシステムにエネルギーを注入し続けると、システムが近くに接続し、内部的に協調的な方法で新しい構造を生成し、それによってより大きな対称性とより強力な知性を維持する必要があります。

ここで、新しい構造は、順序を生成することを意味し、システムはエネルギー消費システムを指します。

類推により、知性を使用すると、人間の脳が新しい構造を生成することができ、人間の脳の可塑性は新しい構造を調整し、より短い（最短）パス選択性を持つ人間の脳のニューラルネットワークをより対称にすることができます。害をもたらす。

上記から、知性の本質は、エネルギー消費を通じてシステムの対称性を維持する能力であることがわかります。

現在、人間の知性は、人間の脳構造の複雑さの出現です。つまり、構造の複雑さはそのスケールとエネルギーを介して成長を生み出すことができます。

複雑な知能を構築する過程で、最も重要なポイントは、新しい構造が秩序化されることですが、サークルがより対称的で（回転対称性）、より障害があり、三角形よりも最短の接続経路があるように、構造の対称性が障害を引き起こす可能性があることです。

対称性の重要性は、選択性を持つことで、1つのスイッチ、センサースイッチ、音声スイッチ、カスタムスイッチなど、知性を実証できることです。

実際、エネルギーを消費するシステムは、エネルギーを注入することで構造的対称性を維持することができ、それにより、選択的になり、人間の脳が自然界で進化する最も複雑なエネルギーシステムであるということです。

したがって、最終分析では、選択性は利益を求めて害を避ける可能性を意味します。これは知性の進化の要件であり、障害はエネルギーの注入を必要とします。これは進化のエントロピー増加の要件です。

したがって、知性はエントロピーの増加によって駆動される進化の結果として見ることができ、エントロピーの増加は進化的圧力の圧力、または宇宙進化の究極の「圧力」と見なすことができます。

最後に、より抽象的に、知性はそれをより簡単に見るためのパターンです。

別の視点

人工知能は人間の知能のシミュレーションに由来しますが、進化的アルゴリズムをシミュレートすると、独自の開発があり、機械学習の効果的なアルゴリズムからの人間学習の神経パターンを反映するなど、人間の知能自体にも反応があります。

実際、人工知能と人間の知能の競争は、知性がより高度で複雑なほど、人間の目とタコの目と同じように、人工知能と人間の知能が進化するようになる可能性があるため、私たち自身の知能の謎を見つけるように強制することができます。

したがって、この観点から、人工知能はまだ人間の知能ほど高度ではありません。

ただし、複雑な構造の接続性、ダイナミクス、ランダム性に基づいて知性のみを測定する場合、インターネット全体が人間の脳のようなものであることがわかります。

その中で、相互接続されたコンピューティングネットワークは、ネットワークに接続された各コンピューティングデバイスのようなものです。

このようにして、インターネット全体が独自のインテリジェンスを進化させますか？

同様に、非常に大きくて非常に複雑な輸送ネットワークとインフラストラクチャを通じて、超大規模な都市は、数千万の「人間のニューロン」を結びつけ、複雑な「脳のような」構造を形成します。

このようにして、都市全体が独自の知性を進化させますか？

答えは、インターネットも都市も生成できません。

• 第一に、人間の進化により、人々の間のつながりが制限されています - 150ルール（ダンバーの数とも呼ばれます）は、安定したソーシャルネットワークの人々の数が約150であることを示しています - そして、人間の脳ニューラルネットワークでは、ニューロンと他のニューロン間のつながりの数は平均7,000〜10,000です。
• 第二に、人間の脳のニューロンの総数は約860億人で、世界の人間の総数は約70億人です。

「人間のニューロン」を使用して「脳のような構造」を構築することは、他の何も考慮せずに、スケールのみに数桁の違いをもたらし、定量的変化が明らかに構造の定性的な変化と出現を決定することがわかります。

この観点から見ると、知性は構造とエネルギーだけでなく、スケールとスケール、つまり時間と空間にもあります。スケールは構造の存在時間に依存し、スケールは構造のアクティビティ空間に依存します。

要約する

人生は化学の一形態であり、知性は人生の一形態であり（人生には知性を持たない）、知性も人生そのものを理解する形の一形態です。

しかし、知性を持つことは、必ずしも知性の定義（エネルギー消費、推論、予測、選択性）に従って、すでに知性を持っていることを意味するものではありませんが、それはまだ意識していません。

この記事の主なテーマは「構造主義」、つまり構造がすべてを決定するため、構造はインテリジェンスの具体的な実装です（プログラムがアルゴリズムの具体的な実装であるように）、これが人工知能（おそらく）が人間の知能を実現できる基本的な理由でもあります。

この理解によれば、意識は、インテリジェンスの出現後の構造のもう1つの出現産物であり、「計算の計算」を伴うものです。これはループ構造の構造特性です。

事实上，计算驱动了演化过程中的状态改变，计算的本质是用一个系统去模拟另一个系统的演化——就如颅内模拟是人脑的计算，程序模拟是机器的计算，前者是生物系统的模拟预测，后者是物理系统的模拟预测——显然，计算也是依赖于结构的，而这就是人工智能与人类智能，可以同源演化的计算。

特定の観点から、遺伝子アルゴリズムは本能であり、人間の脳アルゴリズムはインテリジェンスであり、前者は遺伝的構造に由来し、後者は後者が他のアルゴリズムを作成できる一般的なアルゴリズムであることです。

「構造主義」は障害をクリアし、人工知能の「擬人化」への道を開くと言わなければなりません。

したがって、今のところ、人工知能は数学や物理学がツールと同じように、人間の知能のためのツール（またはおもちゃ）にすぎませんが、進化的な観点からは、人間も遺伝子のツール（または奴隷）でもありませんか？

そして、インテリジェンスが特定のシステムを超越した場合、システムのルールがこの知性の進化に結合することができなくなることがあることを私たちは皆知っています - これは人間の知能と自然システムの歴史的関係です。

したがって、人工知能の将来、「構造主義」の進化の結果は、「擬人化」であるだけでなく、この進化のパスを超える「機械知能」です。