全4825文字

人間の知的能力の拡張にはAIの進化が欠かせない。主力技術の深層学習では、現在の限界の突破を狙った研究が始まった。人間の意識の機能を手掛かりに、新しいアーキテクチャーを模索する。進化したAIと人との連携には、いずれはBMI(Brain Machine Interface)が利用されそうだ。(今井 拓司=フリーランスライター)

 カナダUniversité de MontréalのYoshua Bengio教授らが期待を寄せる仮説の1つがグローバルワークスペース理論である1)。1980年代に提唱され、脳計測との整合性やAIとの親和性も高い。この仮説では、脳は様々な処理を専門的に実行する多数のモジュールからなり、異なるモジュール間で情報を共有する際に使うメモリーの内容が意識に上ると考える(図1)。この共有メモリーをグローバルワークスペースと呼ぶ。

図1 モジュールからの情報を絞り込む
図1 モジュールからの情報を絞り込む
認知神経科学の「グローバルワークスペース理論」では、脳の情報処理は特定の機能に特化した多数のモジュール群と、その上位階層にあってモジュール間の通信を司る「グローバルワークスペース」の相互作用で進むと考える。人の意識に上るのは、グローバルワークスペースに記録された情報とされる。グローバルワークスペースの記憶容量は限られており、多数のモジュールのうち注意(アテンション)機構によって選ばれたごく一部のモジュールだけが情報を更新できる。この仕組みによって、人は無意識のうちに様々な行動をとりつつも、意識の内容は一本化されることになる。グローバルワークスペース上の情報処理が逐次的(シーケンシャル)に進むことで、思考や行動の一貫性が実現される。(図:筆者作成)
[画像のクリックで拡大表示]

 ここに情報を書き込めるのは、注意によって選ばれた一握りのモジュールに限られ、結果は全てのモジュールに送られるとされる。Beigio教授はこの仕組みを各モジュールから変数を選び出す関数になぞらえ、少数の情報を集めて複雑な考えを構成する働きがあると推察する2)、注1)

注1)複数の専門的なモジュール(エキスパート)を組み合わせることで汎用的なAIを作ろうとする動きは以前からある。GoogleのJeff Dean氏は、多数のエキスパートから構成された巨大なDNNが、タスクに応じて少数の(スパースな)エキスパートを活性化させることで幅広い用途に対応できると表明している(https://arxiv.org/abs/1911.05289)。ただしここではグローバルワークスペースに当たる機能は想定されていない。

かつてのAIに近づく

 Bengio教授は意識が処理する内容に踏み込んだ仮説も立てている。意識の内容が言語で表せることに想を得た「スパース・ファクター・グラフ」と呼ぶ情報の表現方法である。その核になる仮定は、人が意識する世界の状況は、物体の状態などに対応する少数の変数と、それらの間のスパース(まばら)な相互作用で表されるというものだ。

 例えば、キャッチボールという動作は、言葉では人とボールの関係や状態を「投げる」「飛ぶ」「受ける」といった簡単でまばらな表現で表せる。ところが現実に動作を実行するには、詳細な筋肉の動作の生成やボールの軌道の正確な予測といった複雑で連続的な情報処理が必要である。人は後者を無意識で処理できるため、意識的な情報処理では、現実の細部にこだわらずに言語のような抽象的な表現で、計画や予測が可能になるわけだ。

 この仮説に基づいて、処理の対象となる世界の状況を抽象的に記述できるのがスパース・ファクター・グラフといえる。言葉で表現できる相互作用は、基本的に物体や概念などの間の因果関係を表すと想定している。このアイデアを解説した論文でBengio教授はスパース・ファクター・グラフのことを「学習するエージェント(人やAIに相当)が計画や判断、想像などに利用する、世界の非常にラフな近似」と呼んでいる。このような表現をグローバルワークスペースなどと合わせて用いれば、システム2の能力を備えるAI実現への第1歩になるかもしれない。

 世界の状態を言語などの記号で表し、論理的に推論するのがシステム2の機能だとしたら、実はAIの研究分野に先例がある。80年代に主流だったエキスパートシステムなど、旧来のAIである。深層学習にはシステム1の処理を任せて、エキスパートシステムのような論理処理を得意とするAIでシステム2の機能を実現するという考え方もありうる。実際、米IBMがそのようなシステムを開発した例がある3)

エキスパートシステム=専門家(エキスパート)の知識を表す「~の場合は~を実行」といったIf-Then形式のルールを大量に用意し、それらに3段論法などの論理的な推論を施すことで状況に合わせた結論を導くAI技術。

 Bengio教授らはこの方向には否定的だ。システム2の実現にもDNNを用いることで数々の利点があると指摘する。データを使った学習で効率的にシステムを構築できることや、抽象的な概念をDNNによってベクトル表現に変換すれば概念間の関係を明確にしやすいこと、抽象的な概念を感覚などの低次の情報にうまく関連づけられること、不確実性を的確に扱えることなどである。