カール・フリストンの AI の法則が証明される: FEP がニューロンの学習方法を説明

AI の世界は永遠に変わった

カール J. フリストン博士は世界で最も引用されている神経科学者であり、脳画像化と物理学にインスピレーションを得た脳理論における研究で知られています。彼はまた、VERSES AI の主任研究員でもあり、自由エネルギー原理 (FEP) に基づいたアクティブ推論 AI と呼ばれるまったく新しい種類の AI に取り組んでいます。カールの理論は、日本の研究者によって最近証明され、脳は学習します。

これまで、AI 研究のほとんどは機械学習モデルを中心に行われてきましたが、多くの課題に直面することが知られています。トレーニングのために大量のデータを読み込むという持続不可能なアーキテクチャから、出力の解釈可能性や説明可能性の欠如に至るまで、機械学習アルゴリズムは、認識不可能で制御不可能なツールとみなされており、パターン マッチングには優れていますが、実際の「思考」はありません。 』が開催されます。

Friston 博士が VERSES で行っている仕事は根本的に異なり、数か月以内に一般の人の手に渡ることになります。 Active Inference AI と FEP は、新しい空間 Web プロトコルと組み合わせることで、自然界全体で生物学的知能が機能する方法を模倣する、分散型集合知の統合システムの基礎を築きつつあります。彼らは、自己組織化、自己最適化、自己進化するまったく新しい認知アーキテクチャを作成しました。それでいて、完全にプログラム可能、認識可能、監査可能であるため、人間のガバナンスと並行して拡張することができます。

これは、人工知能についてあなたが知っていると思っているすべてを変える AI です。

脳はどのように学習するのか

毎日経験する光景、音、匂い、その他の感覚の絶え間ない洪水を、自分の脳がどのように理解しているのか疑問に思ったことはありますか?その混沌とした入力を、世界を認識し、理解し、ナビゲートできるようにする一貫した現実の像にどのように変換するのでしょうか?

神経科学者はこの問題について何十年も考えてきました。現在、エキサイティングな新しい研究により、カール J. フリストン博士による「フリー エネルギー原理」と呼ばれる画期的な理論が実験的に検証され、楽な知覚の背後にある深遠な計算が説明されています。

日本の理化学研究所の科学者らによって、2023年8月7日にNature Communications誌に発表されたこの研究は、ニューロンのネットワークがこの原理に基づいて自己組織化することを証明するものである。彼らの研究結果は、脳が世界の予測モデルを構築し、驚きを最小限に抑え、将来により良い予測を行うために信念を常に更新していることを裏付けています。

「私たちの結果は、フリーエネルギー原理が生物学的ニューラルネットワークの自己組織化原理であることを示唆しています。それは、特定の感覚入力を受け取ったときに学習がどのように起こるか、そして薬物によって引き起こされるネットワークの興奮性の変化によって学習がどのように中断されるかを予測しました。」 – 磯村拓也、理化学研究所

知覚を解明する

この理論がなぜそれほど革命的なのかを理解するには、脳が直面している課題の巨大さを理解する必要があります。あらゆる瞬間に、あなたの感覚は、光と影のパターン、鼓膜を振動させる音波、嗅覚受容体を活性化する化学物質など、多様な信号の吹雪を収集します。どういうわけかあなたの脳はこの混沌を理解し、顔、メロディー、コーヒーの香りなどの一貫したオブジェクトを知覚します。

このプロセスは瞬時かつ簡単に行われるようです。しかし内部では、あなたの脳は信じられないほど複雑な推論問題を解決し、感覚パターンを生成する外界の考えられる原因を解明しています。この逆パズル、つまり結果から逆算して隠れた原因を推測することは、特に同じ原因 (人の顔など) が状況に応じて異なる感覚パターンを生み出す可能性があるため、非常に困難です。

有名な神経科学者カール・フリストンによって定式化されたフリーエネルギー原理は、脳がこれをどのように処理するかについての洗練された説明を提案しています。それは、ニューロンが常にトップダウンの予測を生成して、入ってくる感覚データを説明していると述べています。不一致があると「予測エラー」が発生し、信念が更新されて将来の予測が改善されます。あなたの脳は推論マシンであり、驚きや不確実性を最小限に抑えるために世界の内部モデルを絶えず更新しています。

ニューロンネットワークにおける理論の証明

フリー エネルギー原理は、知覚、学習、注意に関する多くの観察を単一の統一フレームワーク内に統合します。しかし、生物学的ニューロンネットワークにおける直接的な実験的検証は不足している。

そのような証拠を提供するために、日本のチームはラットの胎児の脳細胞から増殖させたマイクロスケールの神経細胞培養物を作成した。それらは、2 つの「スピーカー」からの信号を混合することによって生成された、聴覚を模倣した電気パターンを配信しました。

当初、ネットワークはランダムに反応していましたが、騒がしいカクテル パーティーで 1 つの声にチューニングするように、徐々に自己組織化されて、どちらかの話者に選択的に反応するようになりました。これは、混合された感覚信号を特定の隠れた原因まで分離する能力、つまり知覚にとって重要な計算であることを実証しました。

予測の検証

研究者らは、この自己組織化がフリーエネルギー原理に基づくコンピューターモデルによる定量的予測と一致することを強力に示しました。生きているニューロン ネットワークで採用されている暗黙的な計算モデルをリバース エンジニアリングすることで、初期の測定値のみに基づいて学習軌跡を予測できるようになりました。トップダウン予測の不一致がシナプスの変化を引き起こし、今後の予測が改善されました。

研究チームはまた、薬理学的効果と一致してニューロンの興奮性を操作すると、ネットワークの既存のモデルを破壊することで予測通りに学習が変化することも実証した。全体として、この研究は、自由エネルギー原理がニューロン ネットワークがどのようにベイズ推論を実行し、シナプス接続を構築して感覚データを最もよく説明するトップダウンの生成モデルを継続的に更新するかを説明しているという説得力のある証拠を提供しています。

脳にインスピレーションを得た AI に向けて

生物学的ニューラル ネットワークの優れた計算能力を理解することは、重要な実践的な意味を持ちます。フリストン博士が VERSES AI の主任研究者として行っている研究と同様に、アクティブ推論と自由エネルギー原理は、空間ウェブ プロトコルとともに、生体模倣知能に基づくまったく新しい種類の AI を実現するために導入されています。機械学習のブルートフォースバックプロパゲーションではなく、人間の知覚の効率性と一般化可能性を備えています。

研究者らが示唆しているように、アクティブ推論 AI とベイジアン推論によるフリー エネルギー原理により、ニューラル ネットワークは、新しいリアルタイムの感覚データの取り込みと継続的な更新を通じて自己最適化できると同時に、以前に確立された出力と決定を考慮して予測モデルを生成できます。実際のニューラル ネットワークと同じように学習する、脳にヒントを得た人工知能 (インテリジェント エージェント) の作成を可能にします。これらのインテリジェント エージェントのアンサンブルは、コンテキストが豊富な入れ子になったデジタル ツイン スペースの統一されたグローバル ネットワーク内で、独自の参照フレームから得られる独自の特殊なインテリジェンスの独自の視点から生まれ、これまで欠けていたコンテキストに応じた世界モデルを提供します。実用的なAIアプリケーション。これは、AI 研究を推進し、AGI (汎用知能) または ASI (超知能) を達成するためのパズルの重要なピースです。このようなニューロモーフィック コンピューティング システムを進歩させることは、機械における生物学的認知の多用途性と適応性をエミュレートすることを目指しているため、重要な目標です。

したがって、自分の脳がどのように機能するかを理解することは抽象的であるように思えるかもしれませんが、この先駆的な研究は実用的な人工知能の応用を近づけ、VERSES AI が AI の世界で導入し、リードしている真の革新的な取り組みを裏付けています。フリー エネルギー原理は、皮質計算の統一理論を提供し、生きたニューロン ネットワークでのその実験的検証は、真に脳のような人工知能の構築に向けた重要なマイルストーンを示します。

VERSES AIとSpatial Web Foundationにアクセスして、アクティブ推論 AI とフリー エネルギー原理の分野における Karl Friston 博士の革新的な取り組みについて詳しく学びましょう。