人工知能は驚くべき進歩を遂げています。新たな研究によると、AI は人間の思考に似た方法で「考える」ようになってきています。従来、AI 開発の焦点は精度と大規模なタスクを実行する能力に置かれてきました。しかし、新たな研究者グループは AI がどのように意思決定を行うかを調査し、AI を人間の心に近づけようとしています。
システムが誤った答えを出すAIの「幻覚」の問題を解決するために、研究者たちはより人間的な意思決定プロセスを導入している。例えば、畳み込みニューラルネットワークは、コンピューターが画像を理解し、形やパターンを識別するために不可欠である。しかし、こうした高度なネットワークでさえ、人間の意思決定プロセスの微妙なニュアンスが欠けている。
この制限を克服するために、神経科学の認知モデルを組み込んだニューラル ネットワークである RTNet が開発されました。5 つの畳み込み層と 3 つの完全接続層で構成される RTNet は、AI の画像処理機能と人間の動的確率推論を組み合わせています。このシステムは、人間のニューロンの動作を模倣するベイジアン ニューラル ネットワークを使用して、各画像を複数回処理します。研究者はこれを「ノイズ蓄積」と呼んでいます。
RTNet は、機械学習実験で広く使用されている手書き数字の画像データベースである MNIST データセットを使用してテストされました。タスクをより困難にするために、画像に視覚的なノイズが導入され、読み取りが困難になりました。RTNet の開発中、チームは「モデルが画像に表示されている数字を正しく判断したかどうかだけでなく、同じタスクをそれぞれ 960 回以上実行した 60 人の実際の人間のグループと比較した」と語っています。この研究は、MNIST に対する人間の反応に関する最大規模のデータセットの 1 つとなり、コンピューター サイエンスの文献における人間のデータの不足を浮き彫りにしました。研究の著者である Farshad Rafiei 氏は、「一般的に、既存のコンピューター サイエンスの文献には人間のデータが十分にありません」と述べています。
この研究の重要な側面は、「速度と精度のトレードオフ」（SAT）を組み込んだことです。このトレードオフは、問題解決に費やされる時間と答えの精度のバランスを反映しています。速度と精度に加えて、信頼性は 3 番目の重要な基準でした。不確実な場合には応答を避ける従来の AI モデルとは異なり、RTNet は人間の行動と同様に、各決定に信頼度を割り当てることができました。
RTNet は正しい答えを提供しただけでなく、同じ刺激に対する反応のバリエーションなど、人間の意思決定のパターンも模倣しました。デコードに費やす時間が長いほど、答えの精度が高まりました。RTNet の証拠蓄積システムにより、堅牢な経験的検証が可能になり、RTNet の将来の反復により、人間の脳の行動にさらに近づく可能性があることが示唆されました。
RTNet の最も興味深い点の 1 つは、回答の信頼性の扱い方です。従来の AI モデルは、確信が持てない場合は回答を出さないことがよくありますが、RTNet は、正しい可能性を反映して、各決定に信頼性のレベルを割り当てることができます。これは、完全に正しくない場合でも、決定に信頼性のレベルを割り当てる人間の行動と非常によく一致しています。
RTNet の人間の意思決定を模倣する能力は、同じ刺激がコンテキストや分析に費やした時間に応じて異なる反応を生み出す可能性がある状況で特に注目に値します。これは MNIST を使用したテストで実証され、RTNet は画像の分析に費やす時間が長くなるほど、反応の精度が高くなることを示しました。この特性は人間の行動を直接反映したもので、熟考と時間によってより正確な決定が下される可能性があります。
さらに、RTNet は、証拠の蓄積と実証的検証の点で他の AI モデルよりも優れているように設計されています。つまり、ネットワークは情報を効率的に処理するだけでなく、人間が自分の決定をチェックして再評価する方法に近い方法で応答を検証します。この継続的な評価と再評価のプロセスは、意思決定の正確性と信頼性にとって非常に重要です。
Nature Human Behavior誌に掲載された「ニューラルネットワーク RTNet は人間の知覚的意思決定の兆候を示す」と題された記事は、この進歩の重要性を強調しています。この研究は、RTNet の将来の開発にはより多くの再帰システムが含まれ、人間の行動を予測および模倣する能力がさらに向上する可能性があることを示唆しています。この進化により、RTNet は単純な過去の事例を推定して、将来より複雑な問題を解決できるようになります。
要約すると、RTNet は機械学習の分野における大きな進歩であり、人間の推論の側面を意思決定プロセスに統合しています。この開発により、AI の精度と信頼性が向上するだけでなく、意思決定の深く微妙な理解を必要とする分野にニューラル ネットワークを適用する新たな可能性が開かれます。RTNet は、AI が人間の思考の複雑さを再現することに近づいていることを示しており、人工知能の未来に向けた重要な一歩となっています。
