1767572394
2026-01-05 00:10:00
ジョンズ・ホプキンス大学の新しい研究によると、生物学にインスピレーションを得た設計で構築された人工知能システムは、データに基づいてトレーニングされる前から人間の脳の活動に似始めている可能性があります。この研究は、AI がどのように構造化されているかが、AI が処理するデータの量と同じくらい重要である可能性があることを示唆しています。
調査結果は、 ネイチャーマシンインテリジェンス、AI開発におけるドミナント戦略に挑戦します。この研究では、数か月にわたるトレーニング、膨大なデータセット、膨大なコンピューティング能力に頼るのではなく、脳のようなアーキテクチャ基盤から始めることの価値が強調されています。
AI へのデータヘビーなアプローチを再考する
「AI分野が現在進んでいる方法は、モデルに大量のデータを投入し、小都市ほどの規模のコンピューティングリソースを構築することだ。それには数千億ドルを費やす必要がある。一方、人間はごくわずかなデータを使用して見ることを学ぶ」と筆頭著者でジョンズ・ホプキンス大学認知科学助教授のミック・ボナー氏は述べた。 「進化がこの設計に収束したのには、正当な理由があるのかもしれません。私たちの研究は、より脳に近いアーキテクチャ設計が AI システムを非常に有利な出発点に置くことを示唆しています。」
Bonner 氏と彼の同僚は、大規模なトレーニングに頼らずに、アーキテクチャだけで AI システムにより人間に近い出発点を与えることができるかどうかをテストすることを目的としていました。
一般的な AI アーキテクチャの比較
研究チームは、現代の AI システムで一般的に使用されている 3 つの主要なタイプのニューラル ネットワーク設計、トランスフォーマー、完全接続ネットワーク、畳み込みニューラル ネットワークに焦点を当てました。
彼らはこれらの設計を繰り返し調整して、数十の異なる人工ニューラル ネットワークを作成しました。どのモデルも事前にトレーニングされていません。次に研究者らは、訓練されていないシステムに物体、人、動物の画像を表示し、それらの内部活動を、同じ画像を見ているヒトおよびヒト以外の霊長類の脳反応と比較した。
畳み込みネットワークが傑出した理由
変圧器や完全に接続されたネットワーク内の人工ニューロンの数を増やしても、意味のある変化はほとんどありませんでした。ただし、畳み込みニューラル ネットワークに対する同様の調整により、人間の脳で見られるものとより厳密に一致する活動パターンが得られました。
よりスマートな AI へのより迅速な道
「大量のデータに対するトレーニングが本当に重要な要素であるならば、アーキテクチャの変更だけで脳のような AI システムを実現する方法はないはずです」とボナー氏は述べています。 「これは、適切な青写真から始めて、おそらく生物学からの他の洞察を組み込むことで、AI システムでの学習を劇的に加速できる可能性があることを意味します。」
同チームは現在、生物学にヒントを得たシンプルな学習方法を模索している。これは新世代の深層学習フレームワークにつながる可能性があり、AI システムを高速化、効率化して、大規模なデータセットへの依存度を下げる可能性がある。
#結局のところAI #には大量のトレーニング #データは必要ないのかもしれません