脳型知能研究の回顧および展望（その４）

2017年11月24日

（その３よりつづき）

4 脳型知能の未来

　脳型知能研究はすでに段階的な進展を果たしているが、多重連携認識や多様な認知能力の連携、複雑な環境に対するきわめて強い自己適応能力、新たな事物や環境に対して人間レベルの自律学習、自主意思決定能力等を持つ、人間のレベルに迫るような知的システムは現時点ではまだ一つも存在しない。人工知能研究において、脳型の情報処理メカニズムや認知能力において全面的に人間に近似するような知的システムを本当の意味で実現するには、まだ長い道のりを要する。本稿では、脳型知能の発展の歴史と現状を総括し、分析した上で、未来の脳型知能研究における重要な研究テーマと構想を提示し、その応用がもたらす影響を分析する。

4.1 脳認知計算モデルの構築

　伝統的な人工知能システムの設計とその実現構想とは、解決待ちの問題の関連データの特徴と問題・目標の視点から出発し、計算の視座からアルゴリズムを設計するというものである。これでは、実現される知的システムはある種の問題解決にしか適用できない。一方、脳型知能研究の長期的目標は汎用的な知的システムの実現であり［55］、これには第一に、人間の脳は同一システムによりいかに多様な認知能力を実現しているかを研究し、そこからインスピレーションを得て次世代知的システムを設計する必要がある。このため、脳型知能研究の第一の任務とは、この200年で科学者が人間の脳のマルチスケールの構造やその情報処理メカニズムに対して実現してきた重要認識を集約し［56］④、そこからインスピレーションを得て脳を疑似した認知機能を持つ脳認知計算モデルを構築し、モデリングすることにある。そして、人間の脳が異なるスケールの計算モジュールをいかに強調させて動態認知回路を体系化し、さまざまな認知タスクを全うしているかに特に注目する必要がある。

　未来の脳認知計算モデルの研究においては、マルチスケールに基づく脳神経系データの分析結果により脳の情報処理システムについて計算モデリングを行い、脳型のマルチスケールなニューラルネットワーク計算モデルを構築し、脳の多重認知や自律学習・記憶、選択等の知能行為能力についてマルチスケールにシミュレーションを行う必要がある。そこで、以下の研究内容が脳認知計算モデルの発展において非常に重要になる。（1）マルチスケールおよび多くの脳部位の協調による脳認知計算モデル：脳科学と神経科学に基づく実験データと作業原理に基づいて脳認知計算モデルのマルチスケール（ニューロン、シナプス、微小神経回路、皮質柱、脳部位）計算モジュールと多くの脳部位による協調モデルを構築する。これには、脳型のマルチスケールなフィードフォワード、フィードバック、モジュール化、協調計算モデル等が含まれる。（2）認知／知能行為に関する脳型学習メカニズム：多重連携と連想に基づく自律学習メカニズム、概念形成、双方向学習、環境への自己適応に関するメカニズム等。（3）さまざまな認知機能の協調により複雑な知能行為を実現させる脳型計算モデル：計算モデリングにより、哺乳動物の脳のシミュレーションシステムを実現し、感知、学習・記憶、知識表現、注意、推論、意思決定・判断、連想、言語等の認知機能とその協調を実現する脳型計算モデルである。

　脳認知計算モデルの研究において、最も中核的位置にあるのは学習と記憶の計算モデルである。既存の人工ニューラルネットワーク（ディープニューラルネットワークを含む）においては、脳のニューラルネットワークの作業メカニズムにより部分的にインスピレーションを得られるが、シナプスに重みづけされた訓練モデルは生物実験メカニズムによる深い根拠を持たない。一方、伝統的な人工ニューラルネットワークによる重みづけ訓練方法との違いは、脳神経ネットワークのシナプスの形成は情報伝達との間で特定の生物学的作業メカニズムによる根拠があり、すべての認知タスクに関係する脳部位の中で、学習と記憶は同じ法則、すなわちヘッブの法則（Hebb’s Law）とスパイク時刻依存シナプス可塑性（STDP）に従っている［57-58］。これまでの人工ニューラルネットワークが広く応用されたモデルのほとんどでは、これらのメカニズムを採用しておらず、あるいは簡略化しすぎていた。このほか、人間の脳におけるさまざまなタイプの学習（記述的知識学習や手続き的知識学習）と記憶（短期、長期作業記憶）には異なる認知回路が関与しており、学習モデルのいずれについてもそれぞれの尺度で一定の違いがある。未来の脳認知計算モデルの研究においては、これらの学習と記憶回路の構造および関連の学習理論に基づき、学習と記憶のさまざまな尺度のフレームワークを築く必要がある。

4.2 脳型情報処理

　人間の脳は進化の産物であり、その構造と情報処理メカニズムは最適化され続けているとは言え、進化のプロセスにおける妥協は不可避である。このため、脳認知計算モデルを基礎にさらに抽象化を進め、最適化された戦略と情報処理メカニズムを選択して脳型情報処理理論とアルゴリズムを構築し、多重情報処理に応用する必要がある。

　脳型情報処理の研究目標は、視覚、聴覚、触覚、言語処理、知識推論等の認知能力を高度に連携させた多重認知マシンの構築にある。具体的にいえば、脳科学、神経科学、脳認知計算モデルの研究成果を参考として、脳型神経メカニズムと認知行為である視覚・聴覚・触覚等の多重感知情報の処理、多重連携自律学習、自然言語処理と理解、知識表現・推論に関する新たな理論と方法を研究し、機械に環境感知、自律学習、自己適応、推論・意思決定の能力を持たせることである。

　脳型情報処理における重要研究には、主に以下の内容が含まれる。（1）感知情報の特徴表現および語義識別モデル：視覚（画像、画像）、聴覚（音声、言語）、触覚等の認知データの分析と理解。脳神経メカニズムと認知メカニズムの研究結果を参考に、感知情報の基本的特徴のユニット表示および抽出方法、多層的特徴ユニットにおける感知情報の語義（例えば視覚中の場面、文字、物体、行為等）識別モデルと学習方法、感知中の注意メカニズム計算モデルおよび特徴主導とモデル主導を結びつけた感知情報における語義識別方法等の研究。（2）多重連携自律学習の理論および方法：人間の脳における環境感知は多重かつ相互連携のプロセスであると同時に、感知特徴の表示および語義識別モデルも環境感知のプロセスにおいて絶えずオンラインで学習され、進化している。このような多重連携の自律学習計算モデルの実現はマシンの多重感知能力の向上に重要な意義を持つ。実現されるルートは、さまざまな表示と学習方法を結びつけて動態的自己適応を行うオンライン学習であると同時に、多様な特徴表示と語義識別モデルに適応する。（3）多重感知ビッグデータ処理および理解の効率的計算方法：ビッグデータの理解に関する応用のニーズに対応するために、脳型の感知情報表現および識別モデルに基づき、感知したビッグデータの処理に対応する新型計算モデルと方法を研究する。その例としては、多層的特徴抽出および識別方法や、特徴と先験的知識、注意メカニズムを結合した多層的効率的学習、識別および理解等がある。（4）脳型言語処理モデルおよびアルゴリズム：人間の脳の言語処理回路の構造及び計算の特徴を参考に、音声認識、実体識別、構文分析、語義の組織および理解、知識表現および推論、感情分析等の能力が統一された脳型言語処理ニューラルネットワークモデルおよびアルゴリズムを実現する。

4.3 脳型チップおよび脳型計算アーキテクチャ

　既存の脳型チップのほとんどはジョン・フォン・ノイマンのシステムアーキテクチャに基づく研究であり、チップの製造材料のほとんどは既存の半導体材料を採用していた。未来の脳型チップの発展においては、脳科学と神経科学、認知脳計算モデル、脳型情報処理研究からインスピレーションを得て、超低エネルギー消費材料およびその計算アーキテクチャを模索し、脳型計算チップの性能のさらなる向上のために基盤を築くべきである。ナノ材料等の新型材料に基づく脳型メモリスタ、メムキャパシタ、メムインダクタ等の神経計算素子の開発により、より複雑な脳型計算アーキテクチャの構築を支援するのが重要な世界的趨勢の一つとなっている。

　ニューロモルフィック・コンピューティングはこれまでに20年あまりの発展を経ているが［59］、現在開発されているニューロチップは脳の情報処理の最も基本的なユニットの最も基本的な計算メカニズムを（例えば、メモリと計算の融合、パルスの放電メカニズム、ニューロン間の接続メカニズム等）を参考にしているに過ぎず、さまざまな尺度の情報処理ユニット間のメカニズムは脳型計算アーキテクチャの研究に融合されていない（例えば、現在の脳型チップおよび脳型計算アーキテクチャでは、微小神経回路、皮質柱、脳の部位、脳の複数部位の連携等のアーキテクチャおよびその計算メカニズム）ため、これらの研究の方向性をミクロの尺度から脳の複数の尺度からの情報処理メカニズムを参考にするようレベルアップし、全脳のさまざまな尺度の計算モジュールの連携処理による脳の情報処理に与えられるアドバンテージに注目することが急務である。

　このほか、既存のチップに基づいて発展してきた計算システムが現時点で有する比較的整備された命令セット、操作システム、プログラミング言語等による支援や、脳型チップに基づき開発された脳型コンピュータおよび大型の脳型コンピュータシステムの発展には、相応のソフトウェア環境によって幅広い応用を支援する必要があること等、このような分野の研究課題も非常に大きい。

4.4 脳型知能ロボットおよびマンマシンインタラクション

　現在の知能ロボット研究は主に知能制御技術に基づいており、ロボットが実現可能な動作や行為の能力は基本的にあらかじめ定義されたルールに基づいているが、人間の動作や行為の学習は主に模倣や環境とのインタラクションによる。また、現在の知能ロボットは脳型の多重感知や感知情報に基づく脳型の自主的な意思決定能力を持っていない。運動メカニズムの面においても、現時点ではほとんどの知能ロボットは人間のような末梢神経系を持たないため、柔軟性や自己適応性において人間の運動システムと大きな隔たりがある。そのため、認知脳計算モデルや脳型情報処理の研究に基づいたロボット脳の構築や、中枢神経系や末梢神経系（四肢を中核とした）が高度に連携し、多重感知や脳型思考、自律学習および意思決定能力を有する脳型知能ロボットの発展が今後の発展の方向性である。

　人間は成長過程において環境とのインタラクションを継続し、新たな知識を獲得し、かつ、既知の知識との関係性を構築することによって、問題解決と環境への自己適応能力を向上させていく［60］。このことからインスピレーションを受け、知能ロボットの知能化レベルを向上させるため、脳型知能ロボットの研究においてはメカニズムの上で、複数の尺度から人間に近づくだけでなく、ロボットの自律学習およびマンマシンインタラクションのプラットフォームを構築し、人間と環境の間でなされる自主的なインタラクションをベースに、ロボットの知能レベルの向上を実現し、最終的には言語や動作、行為等により、人間と連携した作業を可能にする必要がある。

　つまり、脳型知能ロボットは、未来の人工知能研究における重要な表出キャリアであり、未来のサービス業、スマートホーム、医療、国と社会の安全等の分野で幅広い応用価値がある。

4.5 脳型知能の応用

　脳型知能は汎用的な人工知能の実現における重要なルートであるため、脳型知能の応用分野は既存の人工知能よりもさらに広いはずである。しかし、このことは、応用という視点からわれわれに再考を促す。つまり、脳型知能を研究し、機械に人間のような行為と人間同様のレベルの知能を実現させる意義は何なのだろうか、と。エンジニアリング科学におけるこれまでの成功例から見れば、情報の処理と制御というタスクの実現には必ずしも人間のような方法をとる必要はない。その似た例としてよく挙げられるのは、飛行機には必ずしも鳥のように上下に羽ばたく羽は必要がないというものである。一部の特定分野においては、例えば人間の顔の識別や手書き文字の識別においては、ディープニューラルネットワークが訓練を経れば、人間の識別精度を超越することさえできる。しかし、このような識別システムの実現には大量の人工設計が必要である上に、その識別能力は所与の分野と限られた環境にのみ限定される。脳型知能研究の目的は、このような限界の克服であり、脳型自律学習の方法により、少量のサンプルと人の手による干渉のある条件下でマシンに自主的に人間のような知能レベルまで進化させ、かつ多くのタスクへの連携能力を持たせることである。

　脳型知能の未来の応用の重点は、コンピュータに対して人間が相対的に有利な情報処理タスク、例えば多重感知情報（視覚、聴覚、触覚等）の処理や言語理解、知識推論、ヒューマノイドロボットやマンマシンインタラクションへの適応であるべきだ。ビッグデータ（例えばインターネット上のビッグデータ）の応用において、ほとんどのデータは画像、動画、音声、自然言語等の非構造化データだが、脳型知能の理論と技術によって機械のデータ分析と理解能力を向上させる必要がある。具体的にいえば、脳型知能は機械の環境感知、インタラクション、自主的な意思決定や制御に応用することができ、データの理解とマンマシンインタラクションに基づく教育や医療、スマートホーム、高齢者・障害者介護、ウェアラブルデバイス等に応用することができ、ビッグデータの情報分析、国家・公共安全管理および警備、知的検索および問題解答等の知識に基づくサービス分野にも応用することができる。脳型知能の搭載した設備の面からいえば、脳型知能システムはデータセンターと各種携帯端末、スマート端末、自動車、航空機、ロボット等の高度な融合であると言える。

5 おわりに

　脳型知能研究とは、人工知能、コンピュータ科学、脳科学と神経科学、認知科学等の研究分野における、次世代の知能情報技術の発展に向けた学際的な共通課題である。この研究には、さまざまな分野の研究者たちが多様な視点から科学的な問題を観察し、開放的かつ公共の研究プラットフォームを構築して学際的に研究を進める必要がある。さきに挙げたさまざまな学問分野間の高度かつ実質的な融合・交流や、互いに参考にし合い、啓発し合うことを通じてのみ、知能機械発展のボトルネックを突破でき、汎用的な認知能力と自律学習能力を持つ知能機械を実現できる望みがある。脳科学と神経科学、認知科学の研究の発展は、人間の知能の本質の探究においてより多くの手がかりを提供し、脳型知能の実現に向けてより深いレベルでのインスピレーションをもたらす。また、脳からヒントを受けた脳型知能システムの構築によって、情報処理メカニズムにおいて脳に迫り、認知行為において人間に迫り、最終的に人間を超越した知能レベルを実現できるだろう。

（おわり）

④  Linked Brain Data:Integrating,Linking and Analyzing World Wide Brain Data and Knowledge. http://www.linked-brain-data.org

※本稿は曽毅，劉成林，譚鉄牛「類脳智能研究的回顧与展望」（『計算機学報』2016年第39巻第1期、pp.212-222）を『計算機学報』編集部の許可を得て日本語訳・転載したものである。記事提供：同方知網（北京）技術有限公司