人工知能が「人間の脳」を模倣？画期的な研究成果とは

ケンブリッジの科学者たちは、人間の脳と同様に物理的な制約が存在する環境下で人工知能システムを育成することで、複雑な生物の脳の特徴を持つAIを開発する道を切り開きました。この新しい研究は、物理的制約がAIシステムの発展にどのように影響を与えるかを明らかにし、複雑な課題解決能力を持つAIの可能性を広げています。

脳のような神経システムは、自らを組織し、接続を形成する過程で、エネルギーや資源の確保と情報処理の最適化という相反する要求のバランスを取る必要があります。このトレードオフは、種を超えて全ての脳に共通する形状を形成し、多くの脳が類似の組織解決策に収束する理由を説明する手がかりを提供しています。

研究チームは、脳の非常に単純化されたモデルを目指して、物理的制約を適用した人工システムを開発しました。このシステムでは、実際のニューロンの代わりに計算ノードを使用し、それぞれのノードが入力を受け取り、変換し、出力を生成する機能を持っています。ノード間の「物理的」制約が適用され、ノードが仮想空間内で特定の位置に配置され、二つのノードが離れているほど、それらが通信するのが難しくなるという、人間の脳のニューロンの組織化に似たシステムです。

研究チームがこのシステムに与えた単純な課題は、迷路ナビゲーションの簡易版で、これは通常、ラットやマカクなどの動物を使用して脳を研究する際に与えられるものです。この課題では、複数の情報を組み合わせて最短ルートを見つける必要があります。

当初、このシステムは課題を完了する方法を知らず、間違いを犯しますが、フィードバックを受けることで徐々に改善され、ノード間の接続の強度を変更することで学習します。これは、私たちが学習するときに脳細胞間の接続の強度が変化するのと似ています。物理的制約により、二つのノードが離れているほど、フィードバックに応じて二つのノード間の接続を構築することが困難になります。これは、人間の脳内で大きな物理的距離を持つ接続が形成および維持されるのが高価であることと似ています。

この制約の下で課題を遂行するように求められたシステムは、実際の

人間の脳が課題を解決するために使用するいくつかの同様の方法を使用しました。たとえば、制約を回避するために、人工システムはハブ（情報をネットワーク全体に伝達するための高い接続性を持つノード）を開発し始めました。

さらに驚くべきことに、個々のノード自体の反応プロファイルが変化し始めました。つまり、各ノードが迷路課題の特定の特性（目標位置や次の選択など）をコード化するシステムではなく、ノードは柔軟なコーディング方式を開発しました。これは、複雑な生物の脳に見られる別の特徴です。

この研究は、AIシステムの設計においても重要な意味を持ち、物理的制約が存在する状況においてより効率的なシステムの開発を可能にする可能性があります。ケンブリッジ大学のアハターバーグ氏は、「実際の物理的世界で展開されるロボットの脳は、同じような課題に直面する可能性があるため、私たちの脳に似た構造を持つ可能性が高い」と述べ、この研究が将来のAIシステム設計において重要なインパクトを与えることを示唆しています。