ボンガード問題は、人物や機械が2組の画像を区別する規則を特定しなければならない視覚パズルの一種であり、典型的には左右に並べて提示される。各組には6つの単純な図が含まれており、解答者は左の組と右の組を分離する二値分類の基準を見つけなければならない。この問題は、ソビエトの計算機科学者ミハイル・ボンガードが1970年の著書『パターン認識』で紹介したもので、それ以来、認知科学と人工知能研究における標準的なベンチマークとなっている。
ボンガード問題は、知覚的および概念的な難しさの組み合わせで注目されている。規則には、形状、大きさ、向き、数、空間配置などの幾何学的特性が関与することがあるが、関係性、対称性、さらには意味的カテゴリーについての抽象的な推論を必要とすることが多い。画像が意図的に最小限であるため、問題は限られた例から一般的な規則を発見するという核心的な課題を隔離しており、これは多くの場合人間にとっては簡単であるが、機械にとっては悪名高いほど難しいタスクである。
歴史的背景
ミハイル・ボンガードは、モスクワのサイバネティクス研究所で働きながら、生物学的および人工システムにおけるパターン認識のメカニズムを理解することを目指して、これらの問題を開発した。彼の1970年のモノグラフは100の問題を提示し、それぞれが視覚的抽象化の異なる側面をテストするように設計されていた。この問題は、ダグラス・ホフスタッターの1979年の著書『ゲーデル、エッシャー、バッハ』を通じて西洋で広く注目されるようになり、その中で知覚と類推における「暗黙の知識」の例として議論された。ホフスタッターは後に、MITコンピュータ科学・人工知能研究所での研究でボンガード問題を使用し、そこで彼と彼の学生たちはそれらを解くための計算モデルを開発した。
構造と例
典型的なボンガード問題は、AとBとラベル付けされた2つの箱を提示し、それぞれに6つの小さな図が含まれている。解答者は、箱Aの6つの図すべてが満たす規則を見つけなければならず、箱Bの6つの図はどれもそれを満たしてはならない。例えば、ある問題では箱Aに偶数の辺を持つ形状のみが含まれ、箱Bには奇数の辺を持つ形状が含まれるかもしれない。別の問題では、箱Aのすべての図が垂直に配置されているのに対し、箱Bの図は水平であることを認識する必要があるかもしれない。規則は階層的であることもあり、例えば「Aのすべての形状は、より大きな三角形の内側に小さな円を含む」といったものや、要素間の比較を含むこともあり、例えば「黒い点の数が白い正方形の数と等しい」といったものがある。
いくつかの問題は意図的に曖昧であり、複数の妥当な規則が存在するため、解釈における事前知識と文脈の役割が強調される。難易度は、些細なもの（例えば、色や大きさ）から高度に抽象的なもの（例えば、「Aの図はすべて円と位相同型である」）まで幅広い。
認知科学における役割
認知科学者は、人間の概念形成、帰納的推論、視覚的知能の性質を研究するためにボンガード問題を使用してきた。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、スタンフォードやMITで、これらを人間が持つが機械が欠いている「高速マッピング」と「ワンショット学習」の能力の例として引用している。この問題は、パターンマッチングだけでなく、抽象的なカテゴリーについての仮説を生成しテストする能力を必要とし、そのプロセスは依然として十分に理解されていない。研究によれば、人間の解答者はしばしば言語化可能な規則に依存しており、言語と視覚的推論の間の関連が示唆されている。
機械学習とAIベンチマーク
人工知能の分野では、ボンガード問題は視覚的推論能力を評価するためのベンチマークとなっている。1970年代と1980年代の初期の試みは記号的AIアプローチを使用したが、規則の開放的な性質に苦戦した。機械学習と深層学習の台頭に伴い、研究者はボンガード問題に基づく新しいデータセットを開発しており、例えばBongard-HOIデータセット（2020年）やBongard-LOGOデータセット（2022年）があり、これらはプログラム的に多数の問題を生成する。これらのデータセットは、ニューラルネットワークやトランスフォーマーベースのモデル、さらには視覚エンコーダと組み合わせた大規模言語モデルをテストするために使用される。
現在の最先端システムは、新しいボンガード問題において人間の精度をはるかに下回る性能を示している。例えば、2023年の研究では、最良のモデルでも100の問題のセットで約60%の精度しか達成できず、人間のほぼ完璧な性能と比較された。難しさは、合成的推論の必要性と、ほんの一握りの例から一般化する能力にあり、これはほとんどの深層学習アプローチのデータを大量に必要とする性質とは対照的である。Google DeepMindやOpenAIの研究者は、モデルの推論能力を探るためにボンガード問題を使用することを模索してきたが、まだどのシステムもそれらを習得していない。
関連概念と将来の方向性
この問題は、グリッド内のパターンを完成させることを含むレイヴンの漸進的マトリックスや、フランソワ・フルーレが2019年に導入した抽象化と推論コーパス（ARC）などの他の視覚的推論タスクと密接に関連している。ARCは視覚パズルを通じて一般的知能を測定するという目標を共有しているが、異なる形式を使用している。一部の研究者は、ボンガード問題は正例と負例から二値規則を発見する必要があるため、より困難であると主張しており、ARCタスクはしばしば変換規則を含む。
将来の研究は、ボンガード問題をカリキュラム学習やメタ学習アプローチと組み合わせたり、生成AIシステムの創発的推論能力を評価するために使用したりすることを含むかもしれない。2020年代半ばの時点で、広範なボンガード問題のセットで人間レベルの性能を達成した公開されたシステムはなく、人工汎用知能の探求における活発な研究領域となっている。