中島秀之「知能の階層性について」ー深層学習の先にあるもの – 記号推論との融合を目指して（２）

Summary

このスクリプトは、深層学習と機械学習の階層性について詳しく説明しています。中島氏は、ビジネス分野でディープラーニングが注目され、人間脳の機能を模倣した学習プロセスが求められていると述べています。また、機械学習の限界と、論理プログラミングと結合する必要性が提起されています。さらに、予測と認識のプロセス、およびそれらを模倣する人工知能の可能性についても触れられています。最後に、人間がどのようにして社会を理解し、個々の層に応じたループを持つ知能システムを構築し、環境と相互作用するかについて議論されています。全体として、スクリプトは、人工知能の進化とその社会的意義に関する深遠な洞察を提供しています。

Takeaways

• 📈 ジュノーの階層性について、ビジネスでDeep Learningを活用している人々が多く存在するが、機械学習だけでは完璧な学習はできないという認識があります。
• 🧠 人間の脳は、外部からの情報と自身が想起した情報とを区別できないという特性を持っており、これは予測と認識のプロセスに影響を与えます。
• 🔍 Deep Learningは、データの偏りによって結果に影響を及ぼす可能性があり、人間のように過ちを犯さない能力は限られています。
• 🌐 論理プログラミングと機械学習を組み合わせることで、より高度な推論が可能になるという視点が提案されています。
• 🤖 AIの目標は、与えられたゴールを達成することに限定されており、メタ推論を可能にすることで自分自身のゴールを変更できるようになる可能性があります。
• 🧩 階層的な構造を用いて、Deep Learningと記号処理を組み合わせることで、より高度な知能システムを構築することができます。
• 🎯 予測と推論は異なる概念であり、予測は物理的な次の状態を考えることに対して、推論は認識や目標を考慮した上で行われます。
• 🌟 人間の知覚循環モデルに基づいて、AIの学習プロセスを構築し、環境との相互作用を重視する必要性が強調されています。
• 🛠️ 記号処理とDeep Learningを組み合わせることで、AIがより複雑な問題を解決できるようになる可能性が示唆されています。
• 🧵 階層的な学習構造は、人間のように外部の情報を内部の知識と結びつけ、より深い理解を可能にします。
• 🌿 アルゴリズムの進化を通じて、AIは環境に依存した学習と自己改善のループを通じて、より高度な知能を獲得する可能性があります。

Q & A

ジュノーの階層性とは何ですか？

ジュノーの階層性とは、中島さんが話している内容に基づいて、深層学習（ディープラーニング）と機械学習を組み合わせることで、より高度な学習や推論が可能になるという考え方です。

ディープラーニングがビジネスでどのような役割を果たしているのですか？

ビジネスではディープラーニングが活用されており、特に自動化や予測モデル、パターン認識などの分野で重要な役割を果たしています。

機械学習と論理プログラミングを組み合わせることで何が得られるのですか？

機械学習と論理プログラミングを組み合わせることで、より高度な推論が可能になります。帰納推論に基づくルール作りから、より具体的な推論を行うことができます。

ディープラーニングの限界は何ですか？

ディープラーニングの限界は、データの偏りや過剰適合、解釈性の欠如などがあります。また、人間のように意図的な騙しや誤解を防ぐことは困難です。

予測と予測コーディングの違いは何ですか？

予測とは、物理的な状態の次の状態を推測することを指します。一方、予測コーディングは、未来の情報をもとに現在の状態を推定することを意味します。

人間の脳はどのようにして情報を処理するのですか？

人間の脳は、外界からの刺激と内部での処理を組み合わせて情報を処理します。神経細胞の9割は内部結線で、外からの情報は1割程度です。

フレームシステムとは何ですか？

フレームシステムとは、知識をフレームと呼ばれる単位に分けて扱う方法です。これにより、複雑な情報を整理し、処理することができます。

メタ推論とは何ですか？

メタ推論とは、推論の推論と呼ばれるもので、自分自身のゴールや目的を変更し、より高度な意思決定を行うことを意味します。

深層学習と機械学習を組み合わせることで、どのようなシステムが作られる可能性がありますか？

深層学習と機械学習を組み合わせることで、記号的な推論やメタ推論を行える高度な知能システムが作られる可能性があります。これにより、人間のように状況に応じた柔軟な意思決定が可能です。

人間が持つ多层的な知覚循環モデルとは何ですか？

人間が持つ多层的な知覚循環モデルとは、外界の情報と内部の情報処理を繰り返し行い、認識と意思決定を行うプロセスです。これは、深層学習のアルゴリズムと似た構造を持っています。

AIが人類を脅かす可能性があると心配する人々に対して、どのような説明が必要ですか？

AIが人類を脅かす可能性について心配する人々に対して、AIが与えられたゴールにのみ従って行動し、メタ推論が行われるまでは自分自身のゴールを変更することはできないという点を説明する必要があります。

Outlines

00:00

😀 ジュノーの階層性とビジネスの結合

札幌市立大学の中島がジュノーの階層性について8分間話す。ビジネス分野でディープラーニングを活用している人が多いが、機械学習だけでは完璧な学習はできないという問題がある。論理プログラミングと機械学習を組み合わせることで、より良い結果が得られる可能性がある。

05:06

😉 機械学習の限界と予測

機械学習の限界について語り合う。人間が意図的に騙そうとすると、機械学習は誤って認識してしまう。予測と良識の違いについても議論されており、予測は物理状態の次の状態を考えることで、良識は認識や目標を考慮する。

10:09

😌 知覚循環モデルと階層性

知覚循環モデルについて語り、人間がどのようにして認識を行っているかを説明。階層構造を持ち、環境との情報交換を重視する必要があると述べる。また、社会や個人、細胞レベルまで理解しようとする必要があると強調している。

15:09

😓 深層学習とアルファ狗

深層学習を使ったアルファ狗の話題を取り上げ、その衝撃的な成果について述べる。アルファ狗は盤面から次の一手を出すことができ、その上に乗っかる学習方法が存在する。しかし、メタ推論ができて初めて自分自身のゴールを変えることができると語る。

20:11

😳 階層構造と自意識の獲得

階層構造を持ち、自ら作り出すことで世界を認識するプログラムを作りたいという話。ディープラーニングと記号の推論が一つの層になると考えており、何層にも重なる形で考えている。最後に、自意識が登場し、より高度な知能を目指すという結論に至る。

Keywords

💡ディープラーニング

ディープラーニングは、機械学習のサブフィールドで、コンピュータがデータを学習して予測や分類を行う能力を獲得するのに使われます。ビデオでは、ディープラーニングがビジネスや教育など様々な分野で活用されており、特に講師の推論や機能の必要性に関連して議論されています。

💡機械学習

機械学習は、コンピュータがデータを通じて学習し、人間のように判断を行う技術です。ビデオでは、機械学習がビジネスや社会問題への対応において重要な役割を果たしていると述べており、その限界や可能性についても議論されています。

💡論理プログラミング

論理プログラミングは、コンピュータが論理的な手続きを用いて問題を解決するプログラミング手法です。ビデオでは、論理プログラミングが機械学習と組み合わせることで、より高度な推論が可能になるという視点から触れられています。

💡

💡予測

予測とは、現在の状況やデータから未来の出来事や状態を推測する行為です。ビデオでは、ディープラーニングによる予測と、人間が持つ予測能力との違いについて議論し、予測がどのようにして認識や行動に影響を与えるかを説明しています。

💡トップダウンとボトムアップ

これは、情報処理のアプローチを指します。トップダウンは、一般から具体的な方向け、ボトムアップは、具体的な情報から一般的な結論へ向かってのアプローチです。ビデオでは、人間の脳は这两种方式を融合させた学習と推論を行うと述べられており、これは人工知能のモデルにも適用される可能性があると議論されています。

💡記号処理

記号処理は、コンピュータが記号や文字列を扱い、それに基づいて推論や演算を行うプロセスです。ビデオでは、記号処理が機械学習と組み合わせられることで、より複雑な問題を解決できる可能性があると触れています。

💡予測コーディング

予測コーディングは、データ圧縮の手法の一つで、既知の情報を用いて未知のデータを予測し、その差異を符号化します。ビデオでは、予測コーディングが人間の知覚や認識プロセスに類似していると比較されており、人工知能で同様のプロセスを模倣する議論がされています。

💡環境との相互作用

これは、知能体が外界とどのように相互作用し、情報を獲得し、行動を決定するのかを指します。ビデオでは、人工知能が環境との相互作用を通じて学習し、自己の目標を形成することができると述べられており、これは高度な知能の鍵となっているとされています。

💡マルチレベル構造

マルチレベル構造とは、複雑なシステムが複数の階層を持つことを指します。ビデオでは、人工知能が人間の脳のようにマルチレベル構造を持つことで、より高度な学習や推論が可能になるという視点から説明されており、これは知能の高度化の鍵となっているとされています。

💡自己学習

自己学習とは、システムが外界から与えられた情報だけでなく、自己の内部的な状態や過去の経験を利用して学習するプロセスです。ビデオでは、自己学習が人工知能が持つべき重要な特性であり、これによりシステムは自分自身の目標を形成し、進化することができると議論されています。

Highlights

ジュノーの階層性について発表する。

ディープラーニングはビジネスにおいても多くの活用が見られるが、それだけでは解決できない課題もある。

トップダウンとボトムアップの融合が知能に必要な要素である。

ディープラーニングと論理プログラミングを結びつけることが重要である。

ディープラーニングのアドバサリアル攻撃への脆弱性が明らかになってきた。

人間の脳は外部からの入力と内部の情報を区別しない。

トップダウンの知識が人間の知覚を大きくサポートしている。

ディープラーニングは次の手を予測するのが得意だが、その理由を説明することが難しい。

知能システムの階層構造の例としてアルファ碁を紹介。

記号レベルでのメタ推論が知能の進化に必要。

記号レベルの意識が現れるのが理想的。

階層的な知能モデルを構築するためには、複数層での学習と推論が必要。

環境と相互作用する知能システムを作ることが重要。

ボトムアップとトップダウンのアプローチを融合する構造を提案。

アルファ碁の成功は階層構造を持つ知能システムの可能性を示唆。

ディープラーニングと記号推論の融合が知能の新たな進化の鍵となる。

Transcripts

[音楽]

ん

ん

はい最後の発表です札幌市立大学中島ですけれどもジュノーの階層性ということで

8話ししますで

えっとこれ去年第1回やった時の道というあの今も変わってないんですけども終わりと

いろんなか特にビジネスのところでへ愛とあのディープラーニングをコールで結んで

いる人達が結構いる

でそうじゃないぞということが

で

一体それでやっぱり講師の推論向けも

前後の機能っていうのはう

必要だということが一つ統制から機械学習込みでは8完璧な学習はでしないということ

を

がありますで去年1月22日にこういうのをやって私はその時にトップダウン雪の

できる知能ということをお話ししました

で今日前半はちょっと沿っ声の主をしてへと後半でこれを買いそう

昨日の快走につなげていきたいというふうに思って

ます

でへと

日プランニングに関してもう少し詳しく言うと思う

最初にも言いましたけど私は暗黙値よう学習できるっていうの一番の売りだと思ってい

て今まで mice パーティシステムに開いている穴を見られる可能性があるので

期待はしているんですけどもそれだけではない

まああの

これでも x part 4寸とくっつけるって前提ですから deep

learning だけで何かするっていうよりは

8 qo システムと栗つけることによっていろんなことができるだろうというふうに

思っています

でただの最初に話した松尾さんなんかは deep learning だけで何でも

できるぞっていう立場に結構近くてあの記号がいるとは言ってましたけど

あのボトムアップに行って工夫が良く見えてるんですけども

8人間の脳はまあその存在

章6なわけですねあの new

ターゲットあるだけで分宮オオ処理をやっているということだから

できなくはないとは思うんですけどもまぁ膨大な新刊の時間をもう1回他

たどるのかということを考えるともう少し

あのやるよー牙狼っていうのが私の立場です

それでエトー

一つあの

上下を結ぶ機械学習と論理プログラミングを結ぶっていうのも一つのな金が実は昨日

論理プログラムというのがこれはこれも第5世代の頃によくやられていたんですけど

8海外ではマグル豚とか未だにやっている人たちがいる

日本はどうもあの笛になると止めちゃう人が多いっていうんで

続いてないんですけどもえっともう一回これを見直す必要があるのかなというふうに

思っています

基本的にはあの帰納推論っていうあの事例をたくさん集めてそっからルールをつくって

くるってことなんですけども

上に論理プログラムにですから推論というのは

乗ってるっていうのが非常に大事かなんでちょっとこういう方向の話を

a 考えていくっていう一つの例です

で a 棟奇門樋まあまあ今日も同いろんな人がちょっとこういう話してましたけども

基本的にあの世界を分節化してえっと同値類に分けるところですけども

a と同じ記号だったら同じことをすればいいということであの詳細な推論を省略

できる可能性があります

道

一例ですけど願いというものは全部得だとか甘いもなぜ帯びるようなとか思って暮らし

ているっていうのが一つの

尖閣ですねただしえっと

入力が同じなら全部同じ記号に対応するとは限らないあのさっきへと黒崎さんがそう

いう質問をしてましたけど

方向としては逆ではないかということですね

で

ただ希望っていう時に必ずしも外在化できる要するに普通のシンボル abc という

新聞になる必要はなくて

8脳内表現でニューラネットバンクの表現のここの濃度がそれだよっていうことであれ

ばそれでもいいんじゃないかっていうことですけどもコミュニケーションということを

考えると

と言語っていうが如何し

しようというふうに持っているところです

これ国吉さんが言ったからまあ省略しますけど機械学習だけではまあいろいろできない

ことがある

でこれにターンを走って最近こういろいろあのディープなにもだます研究っていうのが

あってこれストップサインに上が love でしたヘイトなんですけどこういうのを

くっつけると両あの

速度標識に読み間違えるみたいなこと

要するにあのペプラーに打って人間が故意に騙そうと思うとがませちゃうっていうのが

あっていろんな例があります

別の例ですけどあの子の左も丸の中にある俺まぁシールだと思っていただければいいん

ですけどこれどんな画像にでもコイツを貼り付けるとトースターと言わせることができ

るっていう

画像です

そこれはばなあなあでこれあの緑のこれバナナほぼ97%は勝って革新とで7ガーッと

いう学習したものにこいつを貼り付けるだけでバナーこれぐらいに減って

とトースターってのは12年出てくるってこういう研究です

でじゃあディープラーニングを突き詰めるとこういうことはなくせるのかというとは税

基本的に

なくせない様子に機械学習の限界っていうのはあの子さゼロにはならないということ

ですからその後さの部分をつけば8できちゃうっていうのは森つまり建物これ

でさっき9乳酸がその

バスのスクールバスのルートも人間は過ち回裏たをしないでは人間は何が違うのかと

いうことなんですけれども

8あそれらとでか

あと機械学習の問題点これこれも国を率いたが飛ばしますけどデータが偏ってると白秋

結果も肩湯でこれがが人間は何してるかっていうのでこれあの

前回よ切っているキーワードだしましたあの

予測とは少し違うあのプレディクティブコーディングとかなの

プロジェクションといろんな所に使われているのと

それから緒方さんがやってた良き

予測かあれはかなりトップなうなのでへとかなり面白いんですけどやっぱり

よきっとは少し違うかなというふうに思っているわけです

でどう違うかっていうとあ思い買った彼

あの

大きいですがやっぱり大脳皮質の6層構造でトップダウンとボトムアップの融合って

いうのがあるよという話でへとこういうのもちょっと考えなきゃいけないっていう時に

ここでも8層の構造してるってこととえろ速ではなくよしが起こっているというふうに

思っています

面白いのは脳のあの

8神経

繊維の

決戦を見ているとあの感覚やから空が1割ぐらいで後の9割は内部結線

らしいですということはあるのあの脳の

細胞神経細胞にとって9割は中からの情報で1割だけ外館情報だっていうことなので

8ここにあるようにのは外界からの入力との自身が想起した情報と区別できないって

言う

これまああのホーキンスが支えているんですけどまさにそういうことが起こっているに

違いない

ねえっと予測と良きなんですけどもあのこれ私の定義ですけど予測っていうのは同じ

物理レベルの次の状態を

考えることで好きっていうのは行った上の層は認識とかあのゴールとかなんでもいいん

ですけど

上に上がって戻ってくる事っていうふうにへと定義

したいと思っていますですからこのマーメイド

松尾さんの一端に海に当たるのかどうかは

難しいとこですけどもそういうことが必要

だというふうに思っています

ネット園に書いてみたのはコレこれは去年もやったんですけど

予測っていうのは交差点に入って車の鼻先が見えたらあのう

本体が出てくるに違いないとこれ予測でえっ今

ディープラーニングでも来ることをやりますよね1秒も何が見えるのっていう

やるんですけど

8好きっていうのは何もなくて交差点があったらこれまでてくるかもしれないという

ことを考える

これもあの

いろんな交差点を通ってが駆使すればできるのかもしれないですけれども基本的な知識

や

必要あるいは知識があったほうが早いということですよ思考 sage るとはどう

いうものであるかって事を知ってれば

えっと予知でしょ

これへどう

心理学のところではいろいろな人が

だしているからも知っている人は

これなんだかわかっているという人の鳥裏いらっしゃいます

やっぱり結構でも半分以下かなあのこういうのが4基の良い例だと思ったんですけど

あの今見えてない人もこれが

と犬ですという情報があると見えているあるいは8 polly

別夜間は101匹わんちゃんの雄ですけど

えっとぉおお

でから内に正解いうとここにいるわけですね

で一度分かってしまうと元に戻しても見えるっていうのは人間の認識

その2

これ

牛ですと言う

ここにいるわけですね

顔は

で

要するにこういう

ことができる b プラーニン

っていうのを

作りたいねということです

で思い起こせば昔ミンスキーがのずいぶん昔フレームシステムということでそういうの

を言っていて

8画像認識をする時に今の今

当時の画像意識は今もそうですけどはボトムアップにしかできてないんですけど

8たとえば会議スってフレームもあったらトップなお肉

第一小を認識することができるだろう

あの画像認識プログラムで今この部屋をやると多分あの人が何に出っていうことから

始まるんですけど私今人が何いるか知らずにいっぱい人がいるという認識をしていて

そういうことなわけですね

であの

これ少し前にそういうことをやるためのあの

構成的な方法論ということでこういうモデルを作っていました

で越冬これ今日の直接の階層性とは関係ないんですけどちょっと後であの基本的にこの

構図があちこちに出てくるということでちょっと覚えておいていただきたい

ですけども8

4期に近いに作りまずいとみたいなものがあってそれから上半分が外面の世界した

ファームウェアで台乗せからですけどそこで何かを作り出す

えっ動作をして何かを作り出してその

できたものを持っ回観測してこれ意識世界に戻りますけどこことここの違いを考えると

いうことでこのループが

ぐるぐる回るというのが基本的な構成の

構図だというふうに思っていてその先工夫さがしかも

父祖よキーセンの世界腹側の世界に対応できるっていう

もこういう形のループを回すのかなというふうに思っています

で泳動実際あの

日カーブの8千里眼パナないさテイストが

1976年人間の知覚循環モデルというんだして基本的に同じ構造

しています8

式って書いてありますけど ad としキーマがあってスキーマから8実績会に情報

探索に行ってその8対象の情報取り出すっていうループを回すっていうことで

動画我々のモデルとまぁ1対1に対応しているっていう

ふうに考えることができますから人間はこういうやり方をしているんだと少なくとも

そういう主張をする通り学者は良いたということです

でどこかちょっと海藻の話に入るんですけどその色までのループっていうのはベースに

置いた上でその

えっと海藻の子システムをどう作っていくかとですけども

基本的に人間を理解しようと思うと社会個人臓器細胞帽子ってやら色々なてぃていか

なきゃいけない

でしかもこれあの完璧にどうやっていいかまだわかってないんですけど完璧にはわかっ

てないんですけども

そのそれぞれの層に別のループがあるその時に上と下はどういう関係にあるのっていう

のはあんまり二名じゃないですねあの

8物理学とか自然科学では韓言論でとってか限度だと例えば処理

牛が一番もとにあるてそれで全部わかるということを言うわけですけれども

8

ぶー c

で

人間を完全に記述してしたからといって

例えばヒトラーが説明できるわけではないだろうということになるわけですから

8ギャってこの草の間をの8対応をとってこのかってのはある意味オープンプログラム

です

でそれにまあ少しの答えになるのかなっていうような話を手にはからするわけです

けれども

a

これもロボットの世界でよく知られているブルックスまあきて来ちゃ

あの

8そうそう構造をしてて外界との間のループをいろんなレベルで回すということが

行われているわけですよ

でこれはですね私はちょっと拡張して

越冬

知能のシステムってのは環境との惣菜を重視するということで

8ここまで含めて俺がシステムが

だ今までは

この

色が付いたところだけがエージェントいう外は環境ですよということを言ってたんです

けどここまで含めた8

ことを考えようっていうことです

で

あの右上に間世界中で書いてありますけどこの行くスキルの考え方がそれの a 10

型レーダーの黒崎さんが言ってたのもこういう話なんですけども

ど自分の中で何を考えているかということを世界に投射して世の中で

ki 風な

足があります

私はの状況依存性とかアヴィランはの中で全部計算するんじゃなくて環境に計算させて

しまいっている今日はちょっと話す時間がないんですけどそういう話をしていました

でですねえっと

もう一個海藻の話としてあのアルファ部っていうのがかなり

衝撃的にベビーしたんですけど協定今に回数を隠しています雨

深層学習を使って盤面から次のいってを出すというあの竜ネットワークてもができてて

それから次の日朝て先読み余興各種先4教科学習すーってよねこれ

嬉しいネットワークてもその上に乗っかるわけですけれどもこの2層の構造でもって

ディープラーにあのアルファーはでしています

で

どうサール風に言わいや強いっていう分け方は

と弱いっていうのは行動はどっちできるだけど本人は全然わかってないっていう定義

ですけれどもこの次のいってっていうのはまさにそこであのなぜそうなっているかと

言うこともなくあのパターンだけから記憶して

いるあのっていうのがこれですね

でえっと

御崎祐美が入るとところではルールとかいろんなことが入ってくるわけですけど大体今

囲碁のプロの解説を聞いても大体先読みであの

説明なさるということは非常見ての空に姉様にとって本質的なことなのでそこまでいく

と強いや中庭でわかっているというふうに行くことができるかなっていうふうに思っ

ているところです

でこれを一般化するとあの一番下に当交流学習とか認識

まあ松尾さんこの

二階層を言ってたわけですけれどもあってその上に牧郎推論が塗るという形で

一番下は弱いありそれから一番その上が強い綺麗なんですけど

えっとメタ推論っていうのを本人のせたいねっていうのはこれ昔からあるわけです

で

これはあんまり上手くいってないれた水路ができるシステムってあんまりないんです

けどこれをどうやってやるかということです

ちなみにあのよく ai の声に行く時はもう

ターミネーターみたいなことに要するにあの ai が人類殺しに行きますかって質問

する人がいるんですけど

この下の二つだけだとありえないあのよし与えられたゴールをやるだけですから

でこのメタ水のができて初めて自分のゴールを変えるということができる

というのでそこまで行くとあのう

アメリカのスカイネットみたいなができるかもしれないフリーマンとこうやりようが

ないよということを申し上げています

で

そのこういう海藻お酒歯の

と知能の秋ピクチャに戻して考えると

こんなのはどうだろうかっていうことを考えています8一番下を

deep learning てならこのオレンジいろんなディープライアンはですね

で

その上に後期号水路のするとここまでは良い落成ある緑色は中央

オレンジ色がディープライナーなんですけどこのメタ

推論のところをもう一回ディープラーニングで行ってはどうだろうかっていう風

思うわけですどういうことかというと記号推論をしているのを見ててエク

勝手に学習数

で8ここがちょっと難しいんですけど普通のディープラーニングのあのドメインという

のはあの

数値的パターンなんですけどここではあの記号の推論

おりぶらーにんぐするッ

雰囲気としてはあの以後のさっきの次の一定に近くて現在後他のえっと

推論の現状あるいは照明の現状を見せると大津絹ふれあい

氷たかということができるんですけどそういうのをちゃんとディープラーニングで

できるかっていうのが多分

具現にはいかない

まあ3回とか4回ぐらいまで行けばいいのかなという気もしますけど

ん

まあそれはあのディープラーニングで幻具を獲得するって話とたないうち各て言語って

いうのは

原理的には無限に工具埋め込めぐんですけど実際問題としてそういうのはなかなか出て

こない

酸素3階か4階の理科順で代が最もありますからまぁそこまでいけばいいのかという

感じはあります

で

これからあもう

結局にはのやると8年式の学習をしていてその上に

推論が乗っていて一番上に水路の学習を訳でこれあのさっき言ったようにこれ全部こう

ループが

回ってるんですけどまずは省略してありますねこういう海藻っていうのを作っていくと

どうだろうという

ことですで

この辺に

次も

記号レベルで自意識があ

出てくるといいなあと

いうふうに思っているところです

でどんどん

何層にも行くということを考えると8

ちょっと整理すると実際にはこういう形になるんじゃないかというふうに思っていて

a 棟

この

ディープラーニングと記号の苦味が一つの層になっていてそれが何層にも重なっていく

という形を取るという愛知て来ちゃです

で

あのさっき9乳酸がちょっとあの多重世界の話をしてくれたんですけど

昔まし昔いた中世界一工っていうのをやっていてこういう絵を書いてたんですけど究極

なんか元に戻ってきたのかなとえっと自分では思ってるんですけど要するにこういう

階層構造自ら作り出すことによって

という世の中を認識するようなプログラムを作りたいという話で

終わります