11月2日のIT House News、なぜ人間の脳はこれほど複雑に進化したのか？その答えは好奇心に帰着するかもしれません。研究者は、さまざまな学習モードで数千セットの人工ニューラル ネットワークを訓練しました。彼らは、最も好奇心旺盛なネットワークは、より複雑で柔軟な認知能力を備えているだけでなく、人間の脳に似た構造を自発的に形成していることを発見しました。
これらのネットワークは、相互接続されたモジュールを形成し、人間と同様の発達パターンに従います。たとえば、最初に多数の密な神経接続が成長し、次にそれらを徐々に剪定して合理化します。ケンブリッジ大学のフランチェスコ・ポーリ氏は、好奇心は複雑な脳の結果として見られることが多いと言う。 「しかし、好奇心が脳の形を形作る可能性はあるでしょうか?」
乳児がどのように学習するかをシミュレートするために、ポーリーらは生後 8 ～ 15 か月の乳児 275 人から視線追跡データを収集しました。研究者たちは、一連のカラフルなグラフィックをスクリーン上で再生しました。一連のグラフィックは、次のグラフィックがどこに表示されるかについてのさまざまな量の情報を提供します。 「順位はランダムではない」とポーリー氏は語った。 「それぞれの図形には、学習できる一連のルールがあります。」
実験によると、赤ちゃんはさまざまな刺激によってもたらされる情報量に非常に敏感であることがわかりました。学習率が平均を下回ると、彼らは興味を失い、他のところに目を向け、何か新しいものを探します。
研究チームは、この原則に基づいて、さまざまなレベルの本質的な好奇心を備えた人工ニューラルネットワークを構築し、20のタスクを完了するように依頼しました。高好奇心モデルは、学習率が特定のしきい値を下回るとすぐにタスクを切り替えるように設定されています。低好奇心モデルはタスクをランダムに切り替えます。
好奇心の有無にかかわらず、すべてのネットワークがトレーニング タスクを習得しました。しかし、トレーニング後、好奇心モデルは、これまでに見たことのない新しいテストで大幅に優れたパフォーマンスを示しました。ポリー氏は、さまざまな情報を柔軟に組み合わせるこの能力は、人間の複雑な認知の特徴であると述べました。
好奇心モデルは、複雑な生物の脳と同様の構造的特徴も進化させました。研究者らは、人間の脳の解剖学を参考にして構築された三次元仮想空間に人工ネットワークを埋め込み、同時に長距離接続にペナルティを課して、現実の脳における長距離神経配線の高い代謝コストをシミュレートし、ネットワークに効率的な接続を強制的に形成させた。
この制約だけでは、複雑な構造を生成するには十分ではありません。しかし、好奇心のメカニズムを追加すると、一連の脳のような機能が現れます。例えば、Curiosity Network は、階層型モジュール構造を開発しました。高度に相互接続された機能ブロックが相互接続されています。
ポリーはまた、ネットワーク接続の密度が最初に増加し、その後減少するという、驚くべき発達パターンを観察しました。 「その時はおかしいと思った」と彼は語った。
しかし、これは人間の脳の発達プロセスと非常に一致しています。生後 1 年で、ニューロン間の信号伝達を担当するシナプスの数が急速に増加し、その後剪定段階に入り、無駄な接続が削除されます。同氏は、好奇心が個人を駆り立てて、最も多くの情報を得ることができる学習課題を積極的に探すようにさせるのではないかと推測した。このメカニズムは「シナプスのトレードオフスクリーニングプロセスに関連している可能性がある」。
研究者らは、ネットワーク接続密度の変化曲線を人間の脳の発達の標準曲線と比較して、ネットワークの各セットに対応する「生理学的年齢」を推定しました。その結果、最も強い好奇心を持ち、人間の脳に最も近い構造を持つネットワークは、より成熟した発達段階にあり、年齢は約 20 歳に相当することが示されています。一方、好奇心に欠け、配線パターンが間違っているネットワークは、約 9 歳に相当する初期段階に留まります。
ドイツのゲッティンゲン大学のアリレザ・モディルシャネキ氏は、好奇心が学習効率を高めるのは驚くべきことではなく、難しすぎることや簡単すぎることにエネルギーを浪費するのを防ぐことができると考えています。 「学習に最適なコンテンツを優先して学習します。」
しかし、この研究は次のように提案しました。好奇心は脳のような構造を生み出す可能性があるこの結論は「非常に予想外」だ。 「もし本当なら、これは非常に重大な主張だ」と彼は言った。彼は、それはまだ検証する必要があると信じています。十分に長いトレーニング時間を与えた場合、好奇心のないネットワークは単に速度が遅くなり、最終的には同様の構造に成長するかどうかです。
これについてのポリーの見解は次のとおりです。基本的なトレーニング タスクでは、好奇心のないネットワークは好奇心ネットワークと同様にうまく機能するため、複雑な認知や脳のような構造を形成できず、単に学習が遅いだけではありません。 「トレーニング時間を延長したとしても、基本的には同じままだと思います。好奇心が本当に変えるのは、ネットワークの学習方法です。」
それでもポーリー氏は、この調査結果は教育における好奇心の価値を浮き彫りにしていると述べた。子どもたちに、同じことを長期間にわたって強制する環境は、「特に幼い頃には逆効果になる可能性がある」。 「それは私たちが何を養いたいかによって異なります。単一のタスクに長時間集中する能力を重視する場合は、この能力を特に訓練する必要があります。」そして、好奇心や認知能力を重視するのであれば、子どもたちにさまざまな活動の選択肢を提供し、「その範囲内で自主的に探求させる」ことを優先すべきだ。
IT House は、この研究が柔軟で人間のような人工知能の開発方向に関する議論にも参加していると指摘しています。ポリ氏は、ほとんどのAI研究は単に「システムを大きくする」だけであり、常により多くのデータと計算能力を消費していると述べた。同氏は、複雑な認知を実現するには、好奇心主導で人間に近い学習モデルを持つ AI を作成することが実現可能な可能性があると示唆しました。進化自体には無限のリソースがあるわけではありませんが、リソースの制約によって独創的な解決策が生まれます。 「時には、そうした制約が私たちを偉大にするのです。」
しかしモディルシャネージ氏は、AI開発者が方向性を変える必要はないと考えている。同氏は、ChatGPTなどの大規模な言語モデルは、スケールアップルートが効果的であることを証明していると述べた。しかし、好奇心の原理を取り入れることで、積極的に質問をしてユーザーの真意を汲み取り、長い回答を出力するなど、より人間のニーズに即したシステムの実現が期待されます。
参考文献:
広告文: 記事に含まれる外部ジャンプ リンク (ハイパーリンク、QR コード、パスワードなどを含むがこれらに限定されない) は、より多くの情報を伝え、選択時間を節約するために使用されます。結果は参考用です。外部リンクを含む IT House の記事には、この声明が含まれています。
