ブレンデン・レイクは、ニューヨーク大学の心理学・データサイエンス准教授であり、人間と機械の学習ラボを主宰している。彼の研究は、人工知能、機械学習、認知科学の交差点に位置し、人間がわずかな例から学習し一般化する驚異的な効率性を理解し、再現することを目指している。レイクは、人間レベルの概念学習、特に単一の例から学習できるモデルの開発で最もよく知られており、これは現代の深層学習システムの多くがデータを大量に必要とする性質とは対照的である。
レイクの学術的軌跡は、計算モデルと行動実験を統合することへのコミットメントによって特徴づけられている。彼はマサチューセッツ工科大学で計算神経科学の博士号を取得し、そこでは計算認知科学の第一人者であるジョシュア・テネンバウムの指導を受けた。この基盤は、AIの進歩にはモデルのスケールアップだけでなく、人間の認知の基本原理を理解することが必要であるという彼の見解を形成した。
初期の経歴と学術的背景
アメリカで生まれたレイクは、カリフォルニア大学バークレー校で学部教育を受け、認知科学の学位を取得した。心理学と計算の交差点への関心からMITに進み、2014年に博士号を取得した。彼の博士論文は、少数の例から概念を学習することに焦点を当てており、これは後の研究の中心となるテーマであった。
博士号取得後、レイクはMITで博士研究員として研究を行い、2017年にニューヨーク大学の教員に加わった。NYUでは、心理学部とデータサイエンスセンターの両方に所属し、彼の学際的なアプローチを反映している。彼のラボは、人間のように学習し推論するAIシステムの構築に関心を持つ研究者の拠点となっている。
人間レベルの概念学習
レイクの最も重要な貢献の一つは、単一の例から新しい概念を学習できる計算モデルの開発である。2015年にScience誌に掲載された画期的な論文で、レイクと彼の同僚はベイズプログラム学習（BPL）と呼ばれるモデルを紹介した。このモデルは、1つの例を見ただけで新規の手書き文字を認識・生成でき、人間の学習者に匹敵する性能を達成した。
BPLは、視覚的概念を確率的プログラム、つまり基礎となるストロークとその関係を捉えた構造化表現に分解することで機能する。このアプローチは、当時この分野を支配していたニューラルネットワークモデルとは対照的であり、通常は同様の精度を達成するために数千の例を必要とする。レイクの研究は、構造化された合成的表現が、はるかに効率的な学習を可能にすることを実証した。
この研究は分野に永続的な影響を与え、その後の少数ショット学習やメタ学習の研究に影響を与えた。また、複雑な物体をより単純な部分に分解する傾向など、人間の認知的先験を反映した帰納的バイアスを取り入れることの重要性も浮き彫りにした。
抽象化と推論コーパス
2019年、レイクと彼の同僚であるフランソワ・ショレは、AIシステムの一般的な流動的知能を測定するために設計されたベンチマークである抽象化と推論コーパス（ARC）を紹介した。ARCは、抽象的なパターンを推論し、それを新しい状況に適用する能力を必要とする視覚的推論タスクで構成されている。多くの標準的なベンチマークとは異なり、ARCのタスクは人間には簡単だが機械には難しいように設計されており、物体性、空間関係、変換に関する中核的知識を必要とする。
ARCはAIコミュニティで広く使用される評価ツールとなり、系統的一般化や分布外推論に関する研究を促進した。レイクは、現在の大規模言語モデルやトランスフォーマーベースのアーキテクチャは、その印象的な規模にもかかわらず、人間が持つ合成的・因果的推論能力を欠いているため、ARCタスクでしばしば失敗すると主張している。この研究により、レイクはスケーリングだけでは人間レベルのAIに到達できないという考えの著名な批評家として位置づけられている。
系統的一般化と合成性
レイクの研究における繰り返しのテーマは、系統的一般化、つまり既知の概念の新しい組み合わせを理解し生成する能力の重要性である。2019年にScience誌に掲載された論文で、レイクと彼の同僚は、標準的なニューラルネットワークが、単語と意味の新しい組み合わせでテストされたときに系統的に一般化できないことが多いことを実証した。例えば、「2回ジャンプする」と「左に回転する」というフレーズを理解するように訓練されたモデルは、「左にジャンプする」や「2回回転する」を理解できない可能性がある。
この研究は、多くの深層学習アプローチの根本的な限界を浮き彫りにし、合成的帰納的バイアスを取り入れる必要性を主張した。レイクは、新しいタスクを迅速に学習するようにモデルを訓練するメタ学習技術や、ニューラルネットワークと記号的推論を組み合わせたハイブリッドアーキテクチャなど、これに対処するさまざまな方法を探求してきた。彼の研究は、人間レベルのAIを達成するには、コネクショニストと記号的アプローチの統合が必要であることを示唆している。
認知科学とAIの統合
レイクは、AI研究は認知科学から情報を得るべきであるという考えの強力な提唱者である。彼は、人間がどのように学習し、推論し、一般化するかを研究することが、より堅牢で効率的なAIシステムを構築するための貴重な洞察を提供できると主張している。この視点は、心理学者や神経科学者との協力、および2つの分野を橋渡しするイニシアチブへの関与に反映されている。
「人間のように学習し考える機械を構築する」と題された広く引用される2017年の論文で、レイクと彼の共著者は、認知原理に基づくAI研究のロードマップを概説した。彼らは、将来のAIシステムは、少数の例から学習し、因果的に推論し、直感的物理学と心理学を使用できるべきであると提案した。この論文は、現在のアプローチの限界と、より人間らしいAIの可能性についての議論を形成する上で影響力を持っている。
最近の研究と今後の方向性
近年、レイクは研究を拡大し、生成AIモデルの能力と限界を探求している。彼は、大規模言語モデルが適切にプロンプトされたときに系統的一般化を示すことができるかどうか、また最小限の例から新しい概念を学習できるかどうかを調査してきた。彼の結果はまちまちであり、これらのモデルは強力である一方で、人間の認知のいくつかの中核的側面を依然として欠いていることを示唆している。
レイクはまた、人間らしい知能をよりよく捉える新しいベンチマークと評価方法の開発にも関与している。彼は、能動的学習、因果的推論、新しい環境への適応能力を必要とするタスクでAIシステムをテストすることの重要性を主張している。彼の進行中の研究は、特定のタスクでうまく機能するだけでなく、人間の認知の柔軟性と堅牢性を示すモデルを構築することを目的としている。
影響と評価
レイクの研究は、その独創性と影響力で広く認識されている。彼は、全米科学財団キャリア賞やスローン研究フェローシップなど、いくつかの賞を受賞している。彼の論文はScienceやNature Human Behaviourなどのトップジャーナルに掲載されており、主要なAIおよび認知科学会議での招待講演者を頻繁に務めている。
学界を超えて、レイクのアイデアはAI産業界における分野の将来に関する議論に影響を与えている。スケーリングベースのアプローチに対する彼の批判は、オープンAIやグーグル・ディープマインドなどの企業の研究者に、代替アーキテクチャと訓練パラダイムを検討するよう促した。彼はまた、AIの安全性と、人間の価値観に沿ったシステムを構築することの重要性に関する公的な議論にも貢献している。
教育と指導
NYUでは、レイクは機械学習と認知科学のコースを教え、これらの分野の交差点に関心を持つ新世代の研究者を指導している。彼の学生は学界や産業界のポジションに進み、人間レベルのAI研究の限界を押し広げ続けている。レイクは、協力的でオープンマインドなアプローチで知られ、学際的思考と厳密な実験を奨励している。
AIに対するレイクのビジョンは、機械が単なるツールではなく、人間とともに学習し推論できるパートナーであるというものである。彼の研究は、狭いベンチマークを超えて、知能そのもののより深い理解へと分野を前進させることを挑戦している。AIが進歩し続けるにつれて、レイクの貢献は、真に人間のように考え学習する機械の探求において中心的なものであり続けるだろう。
主要な出版物
レイクは、以下のような多数の影響力のある論文を執筆している：
- 「確率的プログラム帰納による人間レベルの概念学習」(2015年、Science)
- 「人間のように学習し考える機械を構築する」(2017年、Behavioral and Brain Sciences)
- 「系統性のない一般化：系列対系列リカレントネットワークの合成的スキルについて」(2018年、ICML)
- 「抽象化と推論コーパス」(2019年、arXiv)
- 「系統的一般化：何が必要で、それは学習できるか？」(2019年、Science)
これらの研究は、総体的に人間レベルのAIの研究アジェンダを形成し、より有能で人間らしいシステムを構築するための学術的・産業的努力に影響を与えてきた。
結論
ブレンデン・レイクは、人間の学習と推論を反映するAIを創造する取り組みにおける第一人者である。認知科学と機械学習を組み合わせた彼の学際的アプローチは、機械が少数の例から学習し系統的に一般化する方法についての基礎的な洞察を生み出してきた。人間レベルのAIという目標は依然として遠いが、レイクの研究は、構造、合成性、認知的現実主義の重要性を強調する原則に基づく前進の道を提供している。研究者が世界を真に理解する機械を構築するという課題に取り組む中で、彼の研究は今後何年にもわたって分野に影響を与え続けるだろう。