人間の問題解決

人間の問題解決とは、個人または集団が現在の状態と望ましい目標との間の乖離を特定し、その乖離を縮小または解消するための一連の操作を考案し実行する認知プロセスである。これは知能の基本的な側面であり、経路を計画するような日常的な課題から複雑な科学的発見に至るまで、あらゆるものを包含する。人間の問題解決の研究は、歴史的に心理学と認知科学の中心的なテーマであり、また、研究者がこれらのプロセスを機械でモデル化し再現しようと試みてきた人工知能の分野にとっての基礎的な着想源でもある。

20世紀中頃の初期の心理学研究、特にアレン・ニューウェルとハーバート・サイモンといった人物によって提唱された視点は、問題解決を問題空間における探索の一種として捉えた。この視点では、問題は初期状態、目標状態、およびある状態を別の状態に変換する一連の操作から構成されると見なされた。解決者の課題は、この空間内で経路を見つけることであり、多くの場合、ヒューリスティックス（精神的近道または経験則）を用いて探索を刈り込み、扱いやすくする。この情報処理アプローチは、人間のヒューリスティック探索を明示的に模倣しようとした初期のAIプログラム（ジェネラル・プロブレム・ソルバーなど）の開発につながった。

ヒューリスティックスとバイアス

1970年代に心理学者ダニエル・カーネマンとエイモス・トベルスキーによって開拓された主要な研究の流れは、人間が実際に使用するヒューリスティックスに焦点を当てており、これらは規範的な論理から逸脱することが多い。彼らは、代表性（類似性によって確率を判断する）、利用可能性（想起の容易さによって頻度を判断する）、および锚定（初期の情報に過度に依存する）などの一般的な近道を特定した。これらのヒューリスティックスは一般に効率的であるが、系統的な誤りや認知バイアスにつながる可能性がある。この研究は、人間を純粋に合理的な行為者とする見解に挑戦し、人間の合理性の限界性（有界合理性）という概念を強調した。これは、機械学習モデルがどのように評価されるか、特にその失敗モードと限界を理解する上で影響を与えた。

洞察と再構造化

すべての問題解決が漸進的な探索を含むわけではない。20世紀初頭のゲシュタルト心理学者は、洞察の役割を強調した。洞察とは、問題の突然の、しばしば非意識的な再構造化であり、即座の解決につながる。典型的な例としては、解決者が境界に関する暗黙の仮定を破らなければならない九点パズルがある。洞察に関する研究は、それがしばしば行き詰まりの期間と、それに続く突然の理解のひらめきを伴うことを示している。これはアルゴリズム的な段階的アプローチとは対照的である。現代のAIでは、洞察の概念は、大規模言語モデルが見たことのない問題に対して斬新な解決策を生み出す能力に類似点があるが、これらのシステムが本当に問題を再構造化するのか、それともパターン補完に依存するのかは、メラニー・ミッチェルのような研究者の間で議論の的となっている。

人工知能における問題解決

人間の問題解決の形式的研究は、初期のAIを直接形成した。1997年に世界チャンピオンのガルリ・カスパロフを破ったチェスコンピュータディープ・ブルーは、力任せの探索アルゴリズムを使用したが、その評価関数は人間のチェスの知識で調整されていた。より最近では、記号的AIから深層学習への移行により、焦点は明示的な探索からデータからの表現学習へと移った。ニューラルネットワーク、特にトランスフォーマーは、次のトークンやアクションを予測するように訓練され、その問題解決能力はこれらの統計的パターンから創発する。例えば、OpenAIのGPTシリーズやAnthropicのClaudeモデルは複雑な推論タスクを解決できるが、その方法は不透明であり、人間の認知プロセスとはしばしば異なる。ジョシュア・テネンバウムのようなMIT CSAILの研究者は、現在のAIには人間の問題解決の基盤となる因果理解と直感的物理学が欠けていると主張し、深層学習と記号的推論の統合を提唱している。

計算モデルと認知アーキテクチャ

人間と機械の問題解決の間のギャップを埋めるために、認知科学者は人間のパフォーマンスをシミュレートする計算モデルを構築してきた。カーネギーメロン大学のジョン・アンダーソンによって開発されたACT-Rアーキテクチャは、記憶検索や手続き的スキル獲得を含む基礎的な認知プロセスをモデル化しようと試みている。同様に、ニューウェルと彼の学生たちによって作成されたSOARアーキテクチャは、プロダクションシステムを使用して幅広い問題解決タスクを処理するように設計されている。これらのモデルは、制御された実験における人間の反応時間とエラー率を予測するために使用され、心理学理論と計算実装の間の検証可能なリンクを提供している。また、Sanctuary AIが環境について推論する汎用ロボットを構築する取り組みなど、より人間らしいAIの設計にも情報を提供している。

現代の課題と将来の方向性

人間の問題解決に関する現代の研究はますます学際的になっており、心理学、神経科学、およびAIを組み合わせている。重要な課題の一つは、目標や操作が明確に定義されていない非構造化問題を人間がどのように解決するかを理解することである。もう一つは、ある領域からの解決策が別の領域に転移される創造性と類比的推論の役割である。AIでは、斬新な問題を解決できる生成AIの追求が、モデルの行動を人間の好みに合わせるためのRLHF（人間のフィードバックからの強化学習）のような技術につながった。しかし、2020年代初頭の時点で、AIシステムは常識、長期的計画、および変化する状況への堅牢な適応を必要とするタスクに依然として苦労しており、これらの分野では人間の問題解決が優れている。スタンフォードAIラボやバークレーAIリサーチのような機関での進行中の研究は、これらのフロンティアを探求し続けており、多くの場合、認知科学から直接的な着想を得て、より有能で解釈可能なシステムを構築している。