DeepMind: 人工知能と神経科学を組み合わせて好循環を実現

最近の人工知能の進歩は目覚ましいものがあります。人工システムは、アタリのビデオゲーム、古代のボードゲームの囲碁、ポーカーにおいて人間の専門家を上回る成績を収めています。また、人間の手書き文字や音声と区別がつかない文字を生成したり、複数の言語間で翻訳したり、休暇中の写真をゴッホ風にリスタイルしたりすることもできます。

これらの進歩は、新しい統計手法の使用やコンピュータの計算能力の向上など、いくつかの要因によるものです。しかし、私たちが最近 Neuron に発表したように、実験的神経科学と理論的神経科学の両方の貢献という、見落とされがちな要素が 1 つあると私たちは主張しています。

心理学と神経科学は人工知能の歴史において重要な役割を果たしてきました。ドナルド・ヘブ、ウォーレン・マカロック、マービン・ミンスキー、ジェフ・ヒントンといった人工知能の創始者たちは、当初、人間の脳がどのように機能するかを理解したいという願望から出発しました。実際、20 世紀後半を通じて、ニューラル ネットワークの開発における主要な研究のほとんどは、数学や物理学の研究室ではなく、心理学や神経生理学の部門で行われました。

この重要性のため、神経科学と人工知能の分野を組み合わせる必要性はこれまで以上に緊急になっています。

DeepMind では、両分野が急速に進歩しているにもかかわらず、研究者はこの考えを見失うべきではないと考えています。私たちは、神経科学と人工知能の研究者に対し、知識の自由な流れを可能にする共通言語を模索し、知識の自由な流れがこの 2 つの分野の継続的な発展を推進するよう求めます。

AI 研究において神経科学からインスピレーションを得ることは、次の 2 つの理由から非常に重要であると私たちは考えています。第一に、神経科学は既存の AI テクノロジーの検証に役立つからです。つまり、人工アルゴリズムの 1 つが人間の脳の機能を模倣できることがわかれば、私たちのアプローチが正しい方向に進んでいる可能性が示唆されます。第二に、神経科学は人工脳を構築する際に、新しいアルゴリズムや構造の豊富なインスピレーションの源を提供することができます。歴史的に、AI に対する従来のアプローチは、理論数学に基づく論理ベースの方法とモデルが主流でした。私たちは、神経科学が認知機能にとって重要と思われる生物学的計算のカテゴリーを特定することでこれを補完できると主張します。

たとえば、神経科学における最近の重要な発見である、オフライン体験の「再生」の発見を取り上げます。睡眠中または静かな休息中、生物学的脳は以前の活動期間に生成された神経活動を「再生」します。たとえば、マウスが迷路を移動すると、マウスの移動に合わせて「場所」細胞が活性化されます。休憩時間中、ラットの脳内では、あたかもラットが以前の活動を精神的に再想像し、それを使って将来の行動を最適化しているかのような、同じ一連の神経活動が観察されました。実際、再生の妨害により、後で同じタスクを実行する際のパフォーマンスが低下しました。

[[199050]]

一見すると、「スリープ」する必要がある AI を構築するのは直感に反するように思えるかもしれません。結局のところ、プログラマーがスリープ状態になった後、AI は計算可能な問題に取り組むために多くの時間を費やす必要があるからです。しかし、この原理は、生のピクセルとスコアのみを入力として使用して、Atari 2600 ゲームを超人的なレベルでプレイすることを学習できるアルゴリズムである、Deep-Q Network (DQN) の重要な部分です。 DQN は、オフラインで「レビュー」できるトレーニング データのサブセットを保存することで「エクスペリエンス リプレイ」を模倣し、過去の失敗や成功から新しいことを学習できるようにします。

このような成功は、神経科学が長い間人工知能のアイデアの重要な源となってきたという自信を与えてくれます。将来的には、効果的な学習、物理世界の理解、想像力など、私たちが直面している未解決の問題のいくつかに取り組む上で、神経科学が不可欠なものになると信じています。

想像力は人間や動物にとって非常に重要な機能です。想像力があれば、将来起こる前に計画を立てることができます。もちろん、これには代償が伴います。休暇の計画のような簡単な例を考えてみましょう。これを実現するために、私たちは世界に関する知識や「モデル」を活用し、それを使って将来の状態を時間的に前進させたり評価したりします。これにより、進むべき経路を計算したり、晴れた日のために服を詰めたりすることができます。人間の神経科学における最先端の研究により、この考え方の基盤となる計算システムとメカニズムが明らかになり始めていますが、この新しい理解の多くはまだ人工モデルに適用されていません。

[[199051]]

現在の人工知能研究におけるもう一つの重要な課題は転移学習です。新しい状況に効果的に対応できるようにするには、人工知能エージェントは既存の知識を基にしてインテリジェントな意思決定を行う必要があります。人間はすでにこの点に長けています。車を運転したり、ラップトップを使用したり、会議を主催したりすることができ、一般に、なじみのない乗り物、オペレーティング システム、または社会的状況に直面しても効果的に対応することができます。

研究者たちは現在、人工知能システムでこれがどのように起こるのかを理解するための第一歩を踏み出しています。たとえば、プログレッシブ ネットワークと呼ばれる新しいタイプのネットワーク構造では、あるビデオ ゲームで学習した知識を使用して、別のビデオ ゲームを学習できます。同じ構造は、シミュレートされたロボットアームから実際のアームに知識を転送するシナリオでも使用され、トレーニング時間が大幅に短縮されます。興味深いことに、これらのネットワークは、連続タスク学習の人間モデルと一定の類似点を持っています。これらのつながりは、将来の AI 研究が神経科学の研究から何かを学ぶ大きな可能性を秘めていることを示唆しています。

しかし、この知識の交換は一方通行ではありません。神経科学も人工知能の研究から恩恵を受けることができます。強化学習を例に挙げてみましょう。強化学習は、現在の人工知能研究における中核的な手法の 1 つです。強化学習の元々のアイデアは心理学における動物学習理論に由来していますが、機械学習の研究者によって開発され、詳細化されました。これらのアイデアは神経科学の研究にフィードバックされ、哺乳類の基底核におけるドーパミンニューロンの発火特性などの神経生理学的現象を理解するのに役立ちます。

AI 研究者は神経科学からアイデアを引き出し、新しいテクノロジーを構築します。また、神経科学者は人工知能エージェントの行動から学び、生物学的脳をよりよく説明します。この双方向のやり取りは、2 つの分野が互いのアイデアを引き出し、好循環を生み出し続けるために必要です。実際、脳の活動を正確に測定し操作することを可能にするオプトジェネティクスなどの最近の進歩により、機械学習ツールを使用して分析できる膨大な量のデータが生成されます。

したがって、知能をアルゴリズムに変換し、それを人間の脳と比較することが今や重要だと私たちは考えています。これは、新たな知識を生み出し、科学的発見を前進させる可能性を秘めたツールである人工知能の開発に向けた私たちの探求を強化するだけでなく、人間の脳内で実際に何が起こっているかをより深く理解するのにも役立つ可能性があります。これにより、創造性、夢、さらには意識の本質など、神経科学のいくつかの謎に新たな光が当てられる可能性がある。この重要性のため、神経科学と人工知能の分野を組み合わせる必要性はこれまで以上に緊急になっています。