ブレンダン・レイクは、認知科学者であり、ニューヨーク大学の教授である。彼は、人間の学習と推論を可能にする計算原理を研究し、より人間らしい人工知能を構築することを目指している。彼の研究は、Machine learning、認知科学、Artificial intelligenceの交差点に位置し、機械がより少ない例から学習し、より柔軟に一般化し、人間の認知を反映した方法で概念を獲得する方法に焦点を当てている。レイクは、確率的プログラム帰納法に関する研究、「Human Level AI」チャレンジ、そして発達心理学からの洞察をAI研究に統合することへの提唱で特に知られている。
レイクはスタンフォード大学で学部教育を修了し、そこでコンピュータサイエンスと心理学の両方に初期の関心を抱いた。その後、マサチューセッツ工科大学で大学院研究を進め、Joshua Tenenbaumの指導の下で認知科学の博士号を取得した。彼の博士研究は、確率的プログラムを用いた人間の概念学習のモデル化に焦点を当てており、これは概念を構造化された生成モデルとして扱う枠組みである。この研究は、人間が非常に少ない例から複雑な概念を学習できることを示すいくつかの影響力のある論文に結実し、これは当時の標準的な深層学習モデルには欠けていた能力であった。
初期のキャリアと学術的ポスト
博士号取得後、レイクはMITとその後ニューヨーク大学で博士研究員のポストを務め、心理学部とコンピュータサイエンス学部の研究者と協力した。2017年、彼はNYUの心理学部とデータサイエンスセンターの助教授として教員に加わった。2021年に准教授、2024年に教授に昇進した。彼の研究室である計算認知研究室は、人間の学習と推論能力を捉える計算モデルの構築に焦点を当てており、構成性、因果性、直感的物理学を重視している。
レイクはまた、国立科学財団が資金提供する複数機関の研究センターである脳・心・機械センター（CBMM）にも所属しており、神経科学、認知科学、コンピュータサイエンスを組み合わせて知能を理解することを目指している。CBMMを通じて、彼はJoshua TenenbaumやMelanie Mitchellなどの同僚と緊密に協力し、現在のAIシステムの限界を探るプロジェクトに取り組んできた。
主要な研究貢献
レイクの最も引用されている貢献の一つは、2015年にScience誌に発表された「Human-level concept learning through probabilistic program induction」という論文であり、これはOmniglotデータセットを導入した。このデータセットは、50の異なる文字体系からの1,623の手書き文字で構成され、ワンショット学習をテストするために設計されている。レイクと彼の同僚は、ベイズ的プログラム学習モデルが単一の例から新しい文字を学習し、分類タスクで人間と同等の性能を発揮できることを示し、同時に新しい人間らしい文字のバリエーションを生成できることを示した。この研究は、純粋なコネクショニスト的アプローチにはしばしば欠けている構造化された知識と構成性の重要性を強調した。
2016年、レイクはJoshua Tenenbaumらと共に「Building machines that learn and think like people」という広く議論された論文を共著した。この論文は、AIが認知科学からより多くを引き出すべきであり、因果モデルを学習し、直感的物理学を使用し、観測されない変数について推論できるモデルの必要性を強調した。それは、深層学習と構造化された確率モデルを組み合わせるためのロードマップを提案し、これはレイクがその後の研究で発展させ続けているテーマである。
レイクはまた、直感的物理学と直感的心理学の研究にも貢献している。彼の研究は、ブロックの塔の安定性などの物理的イベントについて人間がどのように予測を行うか、そしてこれらの予測がシミュレーションベースのアプローチを用いてどのようにモデル化できるかを探求してきた。彼は、人間の判断における物理シミュレーションの役割に関する論文を発表し、人々の期待が物理エンジンの出力と密接に一致することを示し、脳が近似的なシミュレーションを行う可能性を示唆している。
Human Level AIチャレンジ
2022年、レイクは「Human Level AI」チャレンジを導入した。これは、AIシステムが一連の認知タスクで人間レベルの性能を達成できるかどうかをテストするためのベンチマークである。このチャレンジには、視覚的概念学習、言語理解、社会的推論などのタスクが含まれ、発達心理学のパラダイムから引き出されている。レイクは、現在の大規模モデルは、狭いタスクでの印象的な性能にもかかわらず、人間の認知の柔軟性と堅牢性を示すことができないと主張した。このチャレンジは、より一般的なAIへの進歩を評価するための目標として、いくつかの研究グループに採用されている。
レイクは、Neural networkモデルを単にスケールアップするだけでは人間レベルの知能につながらないという考えに対して声高に批判してきた。講演や論文で、彼はTransformer (architecture)アーキテクチャに基づく大規模言語モデルでさえ、構成的一般化と因果推論に苦労していることを指摘している。彼は、深層学習と記号的推論および確率的推論を組み合わせたハイブリッドアプローチを提唱しており、このアイデアはより広いAIコミュニティで注目を集めている。
コラボレーションと学際的活動
キャリアを通じて、レイクは学際的なコラボレーションの重要性を強調してきた。彼は発達心理学者と子供が概念を学習する方法を研究し、神経科学者と認知の神経基盤を理解し、コンピュータ科学者と新しいアルゴリズムを開発してきた。彼のコラボレーションは、Google DeepMind、OpenAIなどの主要なAI研究所の研究者にも及んでいるが、彼はこれらのシステムの限界に対する批判的な視点も維持している。
レイクは、Cognitive ScienceやJournal of Machine Learning Researchなど、いくつかのジャーナルの編集委員会を務めてきた。また、NeurIPS、ICML、CogSciなどの主要な会議のプログラム委員会メンバーでもある。彼の研究は、国立科学財団、国防高等研究計画局（DARPA）、サイモンズ財団からの助成金によって資金提供されている。
教育と指導
NYUでは、レイクは計算認知科学と機械学習のコースを教えている。彼のコースは厳格さで知られ、学生にAIモデルの根底にある仮定について批判的に考えることを奨励している。彼は多くの博士課程の学生と博士研究員を指導しており、その多くは学界や産業界でのポストに進んでいる。彼の指導スタイルは、深い概念的理解と支配的なパラダイムに疑問を投げかける意欲を重視している。
レイクはまた、アスペン・アイデアズ・フェスティバルなどの会場での講演や、AIに関するドキュメンタリーへの出演など、公的なアウトリーチ活動にも積極的である。彼は一般向けのメディアに意見記事を書き、より科学的に基づいたAI開発アプローチを主張している。彼の公的な活動は、AIを非神秘化し、現在のシステムと人間の知能の間のギャップを強調することを目的としている。
受賞と評価
レイクは、認知科学会の計算モデリング賞やスローン研究フェローシップ（神経科学）など、研究に対して複数の賞を受賞している。2020年には、CIFARアズリエリ・グローバル・スカラー（AIプログラム）に選ばれ、これは卓越した可能性を持つ初期キャリア研究者を表彰するものである。彼の論文は数万回引用されており、国際会議での基調講演を定期的に依頼されている。
現在の研究方向
2025年現在、レイクの研究は、人間のように学習し考えるAIシステムを構築する方法を探求し続けている。彼の最近の研究は、構成的一般化を測定するためのベンチマークの開発、人間が抽象的なルールを学習する方法の研究、言語が思考を形成する役割の調査に焦点を当てている。彼はまた、認知科学からの洞察が、より解釈可能で信頼できるAIシステムの設計にどのように情報を提供できるかを探求し始めており、これはAIが高リスクの領域で展開されるにつれて重要性が増しているトピックである。
レイクは、AIが社会に利益をもたらす可能性について楽観的であり続けているが、現在の能力を過大評価することには注意を促している。彼は、人間レベルのAIを達成するには、単により多くのデータと計算能力ではなく、人間の認知のより深い理解が必要であると主張している。彼のビジョンは、認知科学から導かれた原理に基づいて構築されたAIシステムが、真に知的な方法で世界を学習し、推論し、相互作用できる機械につながるというものである。
主要な出版物
レイクの最も影響力のある出版物には以下のものがある：
- Lake, B. M., Salakhutdinov, R., & Tenenbaum, J. B. (2015). Human-level concept learning through probabilistic program induction. Science, 350(6266), 1332-1338.
- Lake, B. M., Ullman, T. D., Tenenbaum, J. B., & Gershman, S. J. (2017). Building machines that learn and think like people. Behavioral and Brain Sciences, 40, e253.
- Lake, B. M., & Baroni, M. (2018). Generalization without systematicity: On the compositional skills of sequence-to-sequence recurrent networks. ICML.
- Lake, B. M. (2019). Compositional generalization through meta-sequence-to-sequence learning. NeurIPS.
これらの研究は、一般化の性質とAI研究の未来に関する議論を形成してきた。
分野への影響
レイクが認知科学をAIに再び持ち込むことを主張したことは、新しい世代の研究者に影響を与えた。彼の深層学習への批判は、多くの人に大規模モデルの背後にある仮定を再考させた。一部は彼の見解を過度に悲観的だと退けたが、他の人々はそれを、規模を知能と同一視する傾向に対する必要な修正と見なしている。彼のOmniglotに関する研究は、少数ショット学習の標準的なベンチマークとなり、彼の確率的プログラムに関するアイデアは、多くのフォローアップ研究を刺激してきた。
要約すると、ブレンダン・レイクは、より人間中心の人工知能アプローチを提唱する主要な声として際立っている。認知科学と機械学習を橋渡しすることで、彼は両分野に永続的な貢献をしており、AIコミュニティに単なるパターンマッチング以上のものを目指すよう挑戦し続けている。