人間の脳の複雑さを余すところなく理解するには、現実世界の状況をよりよく再現する新たな研究戦略が必要だと、神経科学者たちは述べている。
新たな論文の著者らは、脳が「近似的な確率的推論」を行う能力は、「脳を特別なものにしている推論計算を明らかにするには不向きな」単純な課題では、真に研究できないと述べている。
論文は、脳が、つながり合い、冗長性を持つニューロン集団の間で非線形なメッセージ伝達を行い、世界の確率モデルを活用していると示唆する。そのモデルは進化を通じて大まかに受け継がれ、学習によって洗練されるもので、一般的な概念と固有のバイアスに基づく意思決定を簡素化する。
神経科学の幅広い研究課題を提示するこの論文は、学術誌Neuronに掲載された。
「進化によって、私たちが『優れたモデルバイアス』と呼ぶものが与えられました」と、Xaq Pitkow氏は述べる。同氏はベイラー大学神経科学部の助教で、神経科学・人工知能センターの共同所長を務めるほか、ライス大学で電気・コンピューター工学の助教も務めている。
「ごく単純なニューラルネットワークでもあらゆる関数を計算できることは、数十年前から知られています。しかし、そうした汎用ネットワークは非常に巨大になり得て、膨大な時間と資源を必要とします。
「それに対して、適切な種類のモデル、つまり何でも学習できる完全に汎用的なモデルではなく、特定の事柄、とりわけ現実世界でよく起こる事柄を学習できる、より限定されたモデルがあれば、そのモデルにはバイアスがあります。この意味では、バイアスは望ましい特性になり得ます。私たちが暮らす世界の中で、重要なものに敏感になるために、それを利用しているのです。もちろん、その裏返しとして、脳のバイアスが現実と合わないと、深刻な問題につながる可能性があります。」
研究者らによると、被験者が2つの選択肢から選ぶような、脳の働きに関する単純なテストから得られる結果は限られている。
「大量のデータを利用できるようになる前、神経科学は単純な課題を用いて大きく進歩しました。そうした課題は今後も非常に有用です」とPitkow氏は述べる。「しかし、脳にとって最も重要だと考える計算については、そうした課題のいくつかでは明らかにできないことがあります。」
Pitkow氏と共著者は、脳が対処するよう進化してきた現実世界の状況をよりよく再現するため、課題には妨害変数や不確実性など、より多様な要素を取り入れるべきだと記している。
研究者らは、脳が冗長な集団符号間の統計的な相互作用に基づいて解を推論すると示唆する。集団符号とは、物体の形や動きなど、特定の入力に反応するニューロン群の応答を指す。Pitkow氏と共著者は、脳をよりよく理解するには、個々のニューロンがどのように計算するかを正確に説明するよりも、こうした集団が何を計算しているかを記述する方が有用な場合があると考えている。Pitkow氏によると、これは著名な視覚科学者David Marr氏が述べた「表象レベル」で考えることであり、「メカニズムレベル」で考えることとは異なる。
この研究は、両研究者が関心を寄せるもう一つの分野である人工知能にも示唆を与える。
「近年、人工知能は多くの目覚ましい成果を上げてきましたが、今なお驚くような形で失敗することがあります」とPitkow氏は述べる。
「人工知能は古代から伝わる囲碁を打ち、世界最高の人間棋士を破ることができます。DeepMindのAlphaGoが、誰もが予想したより約10年早く成し遂げたようにです。しかし、AlphaGoは碁石のつかみ方を知りません。最も優れたアルゴリズムでさえ、極めて特化しています。汎化する能力は、今もなおかなり低いことが多いのです」と同氏は述べる。
「私たちの脳は、世界についてはるかに優れたモデルを持っています。より少ないデータから、より多くを学べるのです。神経科学の理論は、実験をより賢いアルゴリズムへと変換する方法を示唆しており、それが汎用知能への理解を深めることにつながる可能性があります。」
この研究は、マクネア財団、米国国立科学財団、Britton Sanderford、米国内務省／内務省ビジネスセンターを通じたIntelligence Advance Research Projects Activity、Simons Collaboration on the Global Brain、米国国立衛生研究所の支援を受けた。
