人工知能（AI）における人工脳は、生物学的な脳の構造、機能、または挙動を模倣するように設計された計算システムを指す広い概念である。この用語は、長期的な研究目標としても、神経科学から着想を得た特定のクラスのニューラルネットワークアーキテクチャを説明するラベルとしても使用される。人工脳は通常、多数の相互接続された処理ユニットによって特徴づけられ、しばしば層状に編成され、機械学習技術を通じてデータから学習する。人間の脳の複雑さを完全に再現するシステムはまだ存在しないが、深層学習と大規模言語モデルの進歩により、このビジョンの側面が実用的な実現に近づいている。
この概念は、初期のサイバネティクスと1950年代から1960年代のパーセプトロンの開発にルーツを持つ。バーナード・ウィドローなどの研究者は適応線形要素に関する基礎的な研究に貢献し、その後のバックプロパゲーションと畳み込みニューラルネットワーク（ここではリンクされていない）の発展により、より深いアーキテクチャが可能になった。「人工脳」という用語は、一般的な言説では最先端のAIシステムを説明するためにしばしば使用されるが、学術的な文脈では、知覚、記憶、意思決定などの認知プロセスをモデル化する取り組みをより正確に指す。
歴史的発展
人工脳を構築するという考えは、コンピューティングの初期にまで遡る。1943年、ウォーレン・マカロックとウォルター・ピッツはニューロンの数学的モデルを提案し、ニューラルネットワーク研究の基盤を築いた。1958年、フランク・ローゼンブラットは単純なパターン認識装置であるパーセプトロンを導入し、かなりの熱意を生み出した。しかし、1969年にマービン・ミンスキーとシーモア・パパートによって特定された限界により、資金が減少する期間、いわゆる「AIの冬」が訪れた。1980年代には、多層ネットワークを訓練する方法であるバックプロパゲーションが普及し、関心が再燃した。これは、デビッド・ルメルハート（リンクされていない）やジェフリー・ヒントン（リンクされていない）を含む複数の研究者によって独立に開発された。
2010年代には、大規模なデータセット、強力なGPU、およびバッチ正規化や残差ネットワークなどのアルゴリズムの革新の組み合わせにより、非常に深いネットワークの訓練が可能になった。この期間には、画像認識、音声処理、ゲームプレイでの画期的な進歩が見られた。2020年代までに、2017年の論文「Attention Is All You Need」でヤコブ・ウシュコレイト、ルカシュ・カイザー、ニキ・パルマーによって導入されたトランスフォーマーベースのモデルが、大規模言語モデルの支配的なアーキテクチャとなり、OpenAIのGPTシリーズやAnthropicのClaudeなどのシステムにつながった。
ニューロモルフィック工学
人工脳を構築するための一つのアプローチは、生物学的なニューロンとシナプスの物理的構造を模倣するコンピュータチップを設計することを目的としたニューロモルフィック工学である。インテルやIBM（リンクされていない）などの企業は、インテルのLoihiやIBMのTrueNorthを含むニューロモルフィックプロセッサを開発してきた。これらのチップは、ニューロンが離散的なスパイクを通じて通信するスパイキングニューラルネットワークを使用し、従来のハードウェアよりも優れたエネルギー効率を提供する可能性がある。しかし、2020年代半ばの時点で、ニューロモルフィックシステムは大部分が実験的なままであり、GPUベースの深層学習のような商業的成功を達成していない。
認知アーキテクチャ
もう一つの研究ラインは、知覚、記憶、推論、学習を含む人間の認知の全体的な構造をモデル化しようとする認知アーキテクチャに焦点を当てている。注目すべき例には、カーネギーメロン大学や他の機関で開発されたSOARやACT-Rが含まれる。これらのシステムは、しばしば神経コンポーネントとともに記号的推論を組み込み、ハイブリッドなアプローチを目指している。ジョシュア・テネンバウムやブレンダン・レイクなどの研究者は、多くの深層学習システムの統計的パターンマッチングとは対照的に、因果推論と直感的物理学を強調し、人間のように学習する機械を構築することを提唱している。
人工脳としての大規模言語モデル
2020年代には、大規模言語モデル（LLM）が、一般の想像力における「人工脳」の最も顕著な候補となっている。トランスフォーマーアーキテクチャに基づくこれらのモデルは、膨大な量のテキストデータで訓練され、翻訳からコーディングまで幅広いタスクを実行できる。主要な革新には、マルチヘッドアテンション、位置エンコーディング、層正規化が含まれ、モデルがシーケンスを効率的に処理できるようにする。OpenAI、Anthropic、Google DeepMindなどの企業は、数千の専用プロセッサを必要とする訓練実行で、ますます大規模なモデルを開発してきた。例えば、2020年にリリースされたOpenAIのGPT-3は1750億のパラメータを持ち、その後のモデルはさらに大きくなっている。
しかし、LLMは生物学的な意味での脳ではない。それらは永続的な記憶、継続的な学習、および世界との身体的な相互作用を欠いている。メラニー・ミッチェルのような研究者は、これらのシステムが言語や世界を真に理解しておらず、その見かけ上の能力は脆い可能性があると主張している。これらの限界に対処するための取り組みには、AIフィードバックからの強化学習やカリキュラム学習などの技術、および外部メモリとツール使用の統合の試みが含まれる。
ハードウェアとインフラストラクチャ
人工脳規模のモデルを構築および実行するには、膨大な計算リソースが必要である。大規模モデルの訓練は、通常、GPUまたは専用アクセラレータのクラスタで実行される。NVIDIA（リンクされていない）などの企業が市場を支配しているが、AWS Trainium（Amazon Web Servicesから）、Google CloudのTPU、Groqの言語処理ユニットなど、代替案が登場している。Graphcoreはインテリジェンス処理ユニット（IPU）を開発し、SambaNovaは再構成可能なデータフローアーキテクチャを提供している。これらのシステムはしばしばクラウドデータセンターに展開され、AzureやOracle CloudもAIインフラストラクチャを提供している。
大規模モデルの訓練のエネルギーとコストは重要である。推定によると、GPT-3のようなモデルの訓練には数ギガワット時の電力を消費し、より大きなモデルはさらに多くの電力を必要とする。これにより、モデルプルーニングやデータ拡張などのより効率的な訓練方法、およびAMDのMIシリーズやインテルのGaudiアクセラレータなどのハードウェア革新に関する研究が行われている。TSMCとサムスン電子はこれらのシステムで使用される高度なチップを製造し、Arm Holdingsはエッジデバイス用のプロセッサ設計を提供している。
倫理的および哲学的含意
人工脳の見通しは、深遠な倫理的および哲学的問題を提起する。もし機械が人間のような意識を達成したならば、それは道徳的地位と権利を持つことになるだろう。哲学者とAI研究者は、現在のシステムが意識的であるか、単に意識をシミュレートしているだけかを議論している。デビッド・チャーマーズ（リンクされていない）は意識の「ハードプロブレム」について議論し、メラニー・ミッチェルはAIを擬人化する危険性について書いている。また、説得力のあるテキスト、画像、ビデオを生成できるAIシステムの社会的影響に関する懸念もあり、誤情報や雇用の喪失の問題につながっている。
OpenAIやAnthropicなどの組織は、安全チームを設立し、責任あるAI開発のためのガイドラインを公開している。政府や規制機関もこれらの問題に対処し始めており、欧州連合は高リスクAIシステムに要件を課すAI法を提案している。バークレーAIリサーチグループとスタンフォードAIラボは、これらの課題を研究する学術センターの一つである。
将来の方向性
人工脳に関する研究は進化し続けている。一部の科学者は、現在のモデルをスケールアップすることで創発的な能力が生じると信じているが、他の科学者は根本的に新しいアーキテクチャが必要だと主張している。深層学習の先駆者であるヤン・ルカン（リンクされていない）は、エネルギーベースモデルなど、トランスフォーマーに代わるものを提案している。ジョシュア・テネンバウムとブレンダン・レイクは、ニューラルネットワークと記号的推論を組み合わせた「ニューロシンボリック」アプローチを提唱している。また、より脳に似た代替案として、スパイキングニューラルネットワーク（リンクされていない）やニューロモルフィックコンピューティングへの関心もある。
短期的には、AIシステムをより信頼性が高く、解釈可能で、人間の価値観に整合させることに焦点が当てられている。RLHF（リンクされていない）やRLAIFなどの技術は、モデルを微調整して指示に従い、有害な出力を回避するために使用される。モデルプルーニングと量子化（リンクされていない）は、展開のためにモデルをより効率的にするために使用される。2025年の時点で、人間に匹敵する一般的知能を達成した人工脳は存在しないが、進歩のペースは、この概念が当面AI研究の中心であり続けることを示唆している。
関連項目
- 人工知能
- ニューラルネットワーク
- 深層学習
- 大規模言語モデル
- トランスフォーマー
- ニューロモルフィックコンピューティング（リンクされていない）