松尾豊「意味理解と想像」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
TLDRこの講演では、深層学習と記号処理を融合する上で、想像力と現実世界の知覚運動系との関係が重要であると説かれています。講師は人間が2つの予測問題(近く予測と言葉予測)を同時に学習していることが、効率的な学習につながっていると考えています。また、記号系が知覚運動系を駆動できるようになったことが、人間の創造性の源泉であると論じています。このモデルを数理的に捉え、言語や意識、深層学習の融合を明らかにしていくことが目標とされています。
Takeaways
- 😀 人間の知性には、パターン認識的な「知覚運動系」と記号処理的な「言語系」の2層構造がある。
- 🧠 この2つの系がマルチタスク学習しながら相互作用することで、人間の高度な学習能力が生まれている可能性がある。
- 🌍 人間は仮想世界を想像し、そこからゴールを設定することで意志を持つようになった。これは集団生存に有利に働いた。
- 🤖 機械学習モデルも同様の2層構造を持つことで人間並みの能力を発揮できるかもしれない。
- 📐 数学や物理の概念は、3次元世界の知覚運動系をシミュレーターとして使っている。高次元世界をシミュレートすれば新しい数理が生まれるかもしれない。
- 🔍 AIシステムが説明不可能になるのは、少数の要素で表せない複雑な構造を持つためである。
- 🧭 人間の知性は、ありうべき知性の一部にすぎない。AIの研究が進めば人間知性の強みと弱みが見えてくる。
- ✍️ 言語の離散性と創造性は、エラー耐性と組み合わせの自由度を与えている。
- 🧠 注意機構は意識を実現している可能性がある。つまり、知覚運動系へのアテンションが意識なのかもしれない。
- 🌍 人間は言語で仮想世界を想像し、それを現実世界のモデルとしてマルチタスク学習することで高度な知性を身につけた。
Q & A
この講演の主要なテーマは何でしたか?
-講演の主要なテーマは、意味理解と創造においてパターン認識とシンボル処理の融合が重要であるということでした。特に人間の知性には、現実世界を認識する知覚運動系と記号を操る言語系の2つのモードが同時に作用していると説明されました。
為何人間は物語や映画が好きなのでしょうか?
-人間が物語や映画を好むのは、言葉から場面を想像する能力(言語予測)に報酬が与えられているためだと説明されました。この言語予測という上位の過程が、人間の想像力や創造性の源泉となっているのです。
GQNとはどのようなモデルでしょうか?
-GQN(Generative Query Network)は、複数視点からの画像データから3次元の物体や空間を再構成できるニューラルネットワークモデルです。これは明示的な3次元構造を仮定せずに、潜在的に3次元表現を学習できる点が重要です。
自閉症の子供と言語予測能力の関係について説明されましたか?
-はい、講演では自閉症の子供が人の発話に興味を示さないのは、言葉から場面を想像する上位の言語予測過程に何らかの障害があるためかもしれないと示唆されました。
チューリングテストとサールの議論はどのように解釈されましたか?
-講演者はサールの立場を支持し、言葉の意味理解とは記号処理システムが知覚運動系を駆動し、場面を想像することだと解釈しました。つまり、言葉を理解するには単なる記号操作ではなく、実世界の表象が必要だと主張しています。
記号表現と創造性の関係について説明してください。
-講演では、言語の記号表現がエンタングル(絡み合い)された成分から成ることで、個別に成分を操作することが可能になり、通常では想像しにくい組み合わせを作り出せるため、創造性につながると説明されました。
人工知能研究における過去のパターン認識派とシンボル派の対立はどう解釈されましたか?
-講演者は、パターン認識とシンボル処理の両方が人間の知性に不可欠であり、これらを統合することが重要だと主張しました。つまり、過去の対立を超えた新たな融合アプローチが必要だと指摘しています。
四次元や五次元の空間に関する人間の知覚はどのように拡張できるでしょうか?
-講演者は、知覚運動系のシミュレーターを四次元や五次元の空間上で学習させることで、そうした高次元空間の直感的な理解が可能になるのではないかと示唆しました。
講演者は人工知能システムの説明不可能性にどのように対処する必要があると述べましたか?
-講演者は、複雑な人工知能システムの内部動作を単純な要素の相互作用で完全に説明することは難しいと認めました。そのため、システムの予測性能と有用性を重視し、内部メカニズムの完全な理解を求めない新しいアプローチが必要だと主張しました。
人間の知性を見る新しい視点について説明されましたか?
-はい、講演の終盤で人間の知性を全知能の集合の一部として捉える視点が提示されました。これにより、人間の長所や短所、思考のバイアスなどを客観的に認識できると説明されました。さらに、人間は神であると表現することもできると述べられました。
Outlines
🧠 ディープラーニングと創造性の関係
この段落では、ディープラーニングと創造性の関係について説明しています。ディープラーニングの最近の進展を紹介しながら、創造的な想像力が非常に重要であることを強調しています。そして、ゲームの世界を再現するWorldモデルや、視点から写真を予測するGenerative Query Network (GQN)などの研究事例を挙げています。これらの研究は、3次元の世界構造を潜在的に学習できることを示唆しています。
🔀 シンボル処理とパターン処理の融合
この段落では、人工知能の歴史におけるシンボル処理とパターン処理の長年の議論について触れています。ディープラーニングはパターン処理の領域に当てはまりますが、この2つのアプローチを融合する必要があると主張しています。そして、人間の知性は動物的な知覚運動系と記号処理系の2層構造になっていると仮説を立てています。さらに、FergusonとLakoffの研究を引用し、下位の知覚運動系と上位の記号系が相互作用することの重要性を説明しています。
🌐 記号処理の特徴と想像力
この段落では、記号処理の特徴と人間の想像力の関係について述べています。言語の離散化された性質や、記号を自由に操作できる創造性について説明しています。また、チョムスキーの『色のない緑のアイディアが熟睡する』という有名な例を引用し、言語的な無意味さと想像力の関係を示しています。さらに、意識や自由意志が記号処理系と知覚運動系の相互作用から生まれると考えられていることを説明しています。
⚡ 記号処理と知覚運動系の相互作用
この段落では、記号処理系と知覚運動系の相互作用について詳しく説明しています。人間は記号処理系を使って知覚運動系をシミュレーターとして活用していると述べています。数学や物理学における空間的な直感は、この相互作用の結果だと考えられています。さらに、高次元の空間でシミュレーターを学習させれば、人間が知らない新しい数学や物理学的な知見が得られる可能性があると示唆しています。最後に、AIシステムの説明不可能性について触れ、従来の科学は少数の要素に還元できるものを中心としていたが、今後はそうでないものも多く出てくると予想しています。
🔭 人間とAIの関係性
最後の段落では、人間とAIの関係性について考察しています。人間は動物の一種であり、AIも知能の一形態にすぎないことを指摘しています。また、AIの研究が進むにつれ、人間の知能の強みと弱みがより明確になり、人間とは何かを理解することができると述べています。さらに、人間は神の一種であると言うセンセーショナルな見方を紹介しながら、人間とAIの関係をより深く理解する必要性を強調しています。
Mindmap
Keywords
💡意味理解と創造
💡ディープラーニング
💡記号処理
💡世界モデル
💡マルチタスク学習
💡潜在構造
💡想像力
💡意識
💡自由意志
💡人工知能と人間の関係
Highlights
意味理解と創造が、記号とディープラーニングをつなぐ最も重要な要素である。
人間は動物のOSの上に言語アプリ、記号処理アプリを載せている。
人間は近く予測と髪は予測の2つの問題を同時に学習することで、学習効率が上がっている。
言語による想像と答えは、非常に多岐にわたるため、マルチタスク学習でタスクの幅が広い。
人間は上側の記号系が下側の知覚運動系を駆動することができる。これが他の動物との大きな違いである。
人間が虚構を信じるようになったのは、集団の生存確率を上げるためだったのかもしれない。
自閉症の子が人と会話できないのは、上側の学習の報酬系が適切でないためかもしれない。
チューリングとサールの議論は、意味理解とは2階部分(記号系)が1階部分(知覚運動系)を駆動することであると解釈できる。
人間の自由意志には、知覚運動系から見た意志と、記号的に作られた想像から来る意志の2つがある。
意識とは、記号系がアテンションを向ける対象のことを指す。
記号系は空間的なイメージを使って知覚運動系をシミュレーターとして使っている。
知覚運動系のモデルを高次元空間でトレーニングすれば、人間が知っていなかった数学や物理を発見できるかもしれない。
人工知能システムが説明不可能であるのは、脳の働きを説明せずに社会を作ってきたのと同様である。
これからは予測性が高く実用的でも、要素の少数で説明できない現象が増えてくる。
人間の知能はAIの研究が進めば、あり得べき知能の一部でしかないことがわかるだろう。
Transcripts
ああああああああ
ん
ん
はいでは同25分ということでお話しさせていただきます
あの意味理解と創造というふうに書きましたけれども
あの
なぜかというとですねまあ記号とディープラーニングをつなぐ
一番重要な要素が言っと想像だというふうに思っていまして
であのそういったあの話重心にしていこうと思いますねあの本当はですね
あの最近のディープらーリングの進展
特に
昨年もですねあの婆ととかですねトランスフォーマーという技術がすごく
イケてるということがわかってきたりあと
new rod なるあのネットワークというの言うんですけども
あの層の数を
here ですけども喋ってるといつも時間がなくなるので
purity 我慢してあの本題の方からいきたいとおもいます
であので水遊びさーんディファインとの
ceo の音ムササビさんは想像とプラーニングっていうのはですねあの機能において
非常に重要だということを言ってますで2005年くらいからずっとその脳の研究をさ
れているんですけれどもその脳の研究の中でもこの創造イマジネーションっていうのが
非常に重要だということを言っていて私もあの遠い
可能します
あの創造にあの近い研究としてはあのここ数年いろいろあるんですけども
あのひとつはこういうふうにですねまあビリボビリヤードの球が動くような様子を
cmn rna モデル化しますよであの直感物理学という風にも言われますけどこう
いった技術とか
例えば
煙がどういうふうに広がっていくかっていうのを
これもディープラーニングで学習してシュミレートできますよと
有用な技術もありますでもう少し直接的なのは昨年
たくさん研究が出てきましたけどもワールドモデルっていうものであの
杭 ae と rna を使ってあのこのゲームの空間なんですけども
それのですねまぁ次元を圧縮し次に何が起こっているかっていうのですね
予測できるようなものですさらにリーフマインドからですね昨年の夏ぐらいに
この gqn というのが出てきまして h ネイティブクエリーネットはまあ
せいぜいクエリーネットワークと言います
これはどういうものかっていうとあの
あるヘアのですね
まあ写真を撮るとここの場所から撮るとこういう写真ここの場所から撮るとこういう
写真というのを組み合わせるとそこのですね
場所の空間的なあの表現が得られて2位の視点から見たときの
その写真を想像することができるというものです
でこれのぽ
ヒントはですねあの従来まあそういうのもできる
水たくさんあったんですけれども明示的にですね3次元空間を仮定していたですね
で空間が3次元の形状であるということを仮定するとすることできたんですけれども
この生成クエリネットワークがすごいのはそういう過程を一切置かずに
あの
シーンを
復元できるとつまりそのまこの世界が3次元
の構造しているということを潜在構造も含めて学習できているということになります
であのこういうふうにですねちょっと見にくいですけどもまぁ視点と観察画像っていう
のを与えるんですけども
ここから見るとこうぢめましたここから見るとこうみえましたっていうデータが
たくさんあった時にあるところから見るとまぁドッド見えましたかって言うんですね
まぁあの学習していくと
まああの予測するということができるようになります
でですねあの
このあの
と
gqn っていうのは原理的に言うとそのメタ学習っていうのとすごく近くてあの
学習の学習ですねそのメタに学習するというのと近くて実はメタ学習っていう見方をし
たほうがこの問題の構造をよりきれいなあの
漫画なんて言いますね素直なモデルで表すことができてそうすると再編の精度が上がる
っていうのをあの松尾健のまあでは研究しています
そうするとまぁあのこういうふうにシーンを見るとですがいろんな画像が生成できると
いう
いうことになりますっていうのがですねまぁここまでが前段でしてこういう研究があの
どんどん進んできていますよと
いうことですであのここからですねあのシンボルの話に入っていくわけですけれども
元々あの人工知能の歴史の中であのシンボルが重要なのかパターンが重要なのかという
議論は長らく続いてきました
であの
まああのシンボル派として非常に有名なの3月
さんとかですねであの a パターンとかまぁ新体制とかですね
まあそういうのを言ったのがブルックスさんなわけですけどもまぁあの時代ごとにです
ねまぁ色々揺れ動いてきて
第3 ji 部分このディープラーニングはまあパターンのあの領域に該当するわけ
です
これの関係がどうなっているかというと僕
がこれ昔からというかもう
後6年前からずっと言ってるんですけどもまぁ基本をシンプルで現実世界の中に
ですね我々人間も動物なんで動物の os が入っていると動物の os は何をやっ
ているかと言うと
現実世界の
情報を知覚して適用的に動くということをやってやると
で餌があったら食べる指摘があったら逃げるということをやるわけですね
結構ここの領域がパターンの世界ですよ一方で
人間はですね動物 os の上に言語アプリ
記号処理アプリを載せていてでここがですねまぁあの2階建ての2階の部分になってい
て
あのまあ聞くとか話すとかそういう音員をベースにしたば処理をやっていますとこの2
つのですねモデルがどう同時に動いてますよというのが僕の仮説です
でまぁあの事務所の研究としてはこの間ですね揺れ動いてきたという歴史なのかなと
いうふうに思っています
これとあの近いモデル化をしているのがえっ飛んジョー先生
2017年に感謝スペースプライヤーっていうあの論文を出していますけれどもこれも
2つのですね rn を使って
エイ
今僕の説明ではその近く運動系って言っていたものとその上がの記号系って言っていた
ものをそれぞれ
モデルかあするまあそういうえまあ研究が出ています
でこういう2つのですね rna のが下側と上側があっていましたがは先ほどで言う
と世界モデルに近いね
あのいろんなものを
見たり聞いたりして次に何を見るか聞くかというのを予測するという意味で室外戻りに
近いんですけどもこれに対してあの上側のですねまぁ勉強先生この意識ハール
エネループ感謝っ
メスある重ねって言ってますけども上側が下側にアテンションをあてるというような
気候によって実現できるんじゃないかと
いうことを言っていますでしかもですね感謝制すプライヤーっていうなんでプライヤー
っていうかというとあの基本的には次に何を見るかという近くを予測するような問題を
解いているんですけどもたまにですね他社が発話すると自分が発動するだけじゃなくて
他社が発芽するとこの他社の髪はも表紙データとして使うことができるのでそれによっ
て学
主が早くなるとだからプライヤーとマーセ生息彼のあの働きをしているんだということ
を言っていますでここまでがですね基本的に弁城先生が言ってることなんですけども僕
はですね
あのもう一個非常に重要な要素があると思ってましてそれはですね
この図でいうと思うこの矢印なんですね
上から下に降りて上にを上がるという矢印が便所先生のモデルが欠けていて僕はこの
矢印がですに交錯していること自体に非常に意味があるんじゃないかというふうに思っ
ています
コレっていうのはですね言い方を変えると人間は2つの予測問題を同時に磨いている
ってひとつはですねこの従って書いている
近く予測ですね次に何を見るのか聞くのかということを常に予測しているとこれは他の
動物もやっていることです
でもう一個人間に非常に特徴的なのが髪は予測っていうことだと思っていて相手の言葉
を聞いて
シーンを想像しそれで次に何を言うかっていうのを予測しているとってここのです
二つの問題を同時に学習することがこれがある種のマルチタスク学習
マート家庭学習になっていてそれで学習がの効率が非常に加速されているということが
起こってるんじゃないかと
これでもう少しあのまあ大雑把ですけどもまグラフィカルモデル的に書くとですね
あの2つ問題があってあの
この下側のやつはですねこの世界モデルう
の研究と同じでまあ今近くしているものから手術兄弟近くするものを予測するという
問題です
一方で相手が言ったことからシーンを過ごすをしてこうしたまで行くとシーンを想像
できるんですけどもシーンを想像し次何があの起きるかっていうのを予測すると
でこの2つの問題のですね潜在構造が今日
普通しているということだろうというふうに思います
でですのでまぁシンプル者シンプルなんですよねえっとこのですね2つの
の問題があることによって特にですねこのしたがは割とまああの犬10世界の構造なん
でそんなに
複雑じゃないんですけども上側は言葉によるですね
あの想像と
それによるあの答えですから非常に多岐にわたっていてこのマルチタスク学習でいうと
まあなんかタスクの幅は非常に広いわけです
なのでまぁ結局ですねこの上川が非常に進展する形でこの中の中間構造ってかせ潜在
構造も非常に豊かになりそれによって
結果的にこの近くのところもですね非常に影響を受けているということなんじゃないか
というふうに思っています
でこれはですねちょっと別の書き方で書くとさっきの書き方に戻りますけれども
したがのループと上側のループがありますとで普通の動物はですね下側のループ
口の下が上を駆動する構造してるんだけども
人間はですね上が下を駆動することもあると
ってここがまあ他の動物と一番大きな
ところち違う所ってあの
でそもそもですねこれ上が下を駆動するというのはある文を聞いて
まあそれを創造するところですね大きなリンゴの木がありましたって言うと大きな
リンゴの木の憎悪
頭の中に皆さん思い浮かべられるとっていうことなんですけども
それ全然普通やんないほうがいい理由ですよねあの進化的にはそんなことはやらない方
が良くて
そんなことしてる間に後ろにトラがいてあの
食べられると意味がないですから普通やらない方がいいんだけどもなんでそんなことを
やるようになったのかというのを進化的に説明してみるとおそらくこれはあの
サピエンス前島はらりに書かれているように虚構を信じるということが集団としての
生存確率を上げたというような効果があったんだろうと
でつまりこのリンゴの木をとったのは奴らだとだから団結して戦おうということによっ
て生存確率が上がったということがたまたま起こったためにその2階部分記号部分
がですね1階部分知覚運動系をですね駆動するような構造がたまたまできてしまって
それがマルチタスク学習として非常にですね
学習速度を上げる効果があったということなんじゃないかというふうに思います
でですねあの
実は仕組みとしてはあの上側のですね髪は予測を
嬉しいと思うかどうかそこに報酬型を設定するかどうかだけの差なのでおそらくその
正体としてはあんまり機構大きく変えなくてよくて
でそこの報酬系をちょっといじればいいということなんじゃないかな
よくですね自閉症の子がですね人がやっていることに興味を持たないで人と会話をしな
いっていうのがありますけどあればもしかしたらここのですね上側の学習をさせるため
にわざと報酬型
人の話を聞く人の言葉を予測
いうのが嬉しくできていると思うんですけどもそこの部分がちょっとおかしくなっ
ちゃうとそういうことになるっていうことと解釈できるのかなと
あとですね小説とか映画とかやたら人間好きなんですねでそれもやっぱりその物語西
真上がの髪は予測をあの時たいっていうことに非常に強くが癒されてるんじゃないかと
いうふうに思っています
2
でですねこの2段階の構造していると潜在構造を共有しながら
した川の近く予測と上側の初開発は予測っていうのがあるという風な家庭を撮るだけで
実はいろんな事が凄く
成功的に説明できまして例えばですねあのソシュールが正氏にフィッシュ
不安って言ったのはこれ上側がした花を挿すことを言ってますよねということだし
チューリングテストでですねあのまああらチューリングがあの人間の家の
の定義をまああるし外敵にしたわけですけどもそれに対して中国の部屋でサールがまあ
それに反応したわけですね
このチューリングとサールの議論でいう
を僕は完全に注意あのサールの方が正しいというふうに思っていましてそれはなぜかと
いうと意味を理解するということは2階部分が1階部分を駆動することであると
つまりそのシーンを創造することであるのでシーンを想像させない
あの記号処理っていうのは意味が理解したこのにならないと
だからそのまあサールのようですね中国語の処理をしているだけでは
これはまぁ微妙しているとは言えないというふうにあの解釈することができます
それからですねちょ6月はこういう文を言いますよ
colorless green アイディアず3月が安いね
こういう文を言ってこれはですね色のない緑のアイディアが激しく眠るっていうことな
んですね
でこれは何でこういうことを言ったかっていうとなぜこういうふうに文法的に正しいの
にナンセンスな部分が存在しうるのかということを問うたわけですけどもこれもですね
あの簡単で上側のですね季語部分はあの処理できるんだけどもいい
階部分近くの時計学童できないですね想像がさせられないというふうにそういうデータ
を持ってなかったから想像が出来ないという文の例を言っていて
まあそりゃそうですよね
で日常生活で考えても我々ですねぼーっと話を聞いていて耳の中に入っていくんだけど
も全然聞いてなかったっていうことありますよね
それはですね2階部分が1階部分を駆動してない状態なわけですしそれからあの人の
名前なんだっけうんうんと一生懸命思い出そうとする
そういう時ってですね思い出せないからいろんな場面を想像してみたりその人の
なんか所属の名前を言ってみたりいろいろやるんだけどもう
くっていうのはですので1階から2階にコントですね情報が戻ってこないということを
現象だという風に考えてませんまあいろいろあのあのまああの
簡単に説明ができるであのそういう意味では今後の機械学習機会が来ちゃったら機械
翻訳はですね
あの子の2階部分と1階部分が連合した形になってきますから相当ですねあの
精度は上がってくるはずだとでまぁ今の何回でもまあディープラーニング
いろんな4オーバーととかですねあのの
色々使うと制度があの人間並みかそれ以上の所まで来てますけどい逆に言うとですね
あれだけ膨大なデータ使って人間並みくらいしか行かないっていうのはやっぱり
アルゴリズム的にまだおかしいですね
原理的に何か変なことをやっちゃってるかそうなっている僕はそれはですね要するに
こういう風な1階部分をちゃんと作っていないからだと
そこができるといいですねまあ
大きく変わっていくんじゃないかというふうに思います
でですねあの
2階部分の記号ケーっていうのは僕が考えてみると色々
まあ面白い特徴があってひとつはですね
離散化してるんですよね言葉ってやっぱり音ま音素からあの人参加していておそらく
これっていうのはあの狭いバンド母はパパで通信するからあの
しょうがなくそういうふうに
誤り訂正しやすいためにそういう風になったんじゃないかというふうに思いますけれど
も
それが故に堪えないでも非常に保存性が高まったと
いうことがありますそれからですねあのもう一個
創造ということでまああのニューラルネットワークのですね
まあインフラネットワーク作る最初にそうはですねだいたい this エンタングル
されていて最後1000形の変換だけであのもう行けるようになるんですけれどもそう
いう意味ですねこの this エンタングルされた成分がちゃんとで
てくるということは逆にあの
普通相姦しちゃっているものをですねこうやって紐解いているわけですから
これをですね全然しらその別個に動かすことができるわけですね
れそうすると初めて例えばめちゃくちゃ背が高いのに
細い人って普通ですね背の高さと
大きさはあの創刊したというので背が高い人を想像すると大きい人を想像しちゃうこと
になるんですけども
トロが背の高いのに痩せてる人みたいなを創造できるわけですね
逆にのめちゃくちゃデブなのに背が低い人
rolo 操作できるそうそうですなんかめちゃくちゃ背が低い
って長い犬を作ってみようみたいなことがで
きたり年が出てきた意義を建てようとか今22のことを要するに目標として設定
思い浮かべることができるのでそうすると目標として設定できるという
これがですねまぁ想像力につながるわけですけれども
そうそうですね僕はそのまあ自由意志っていうのも実は2つあるはずで一つはこの知覚
運動系から見た
まあ獣医師資格に時計が駆動する様子にゴール状態を想像してそこに向かっていくんだ
というような普通の動物でもやるような話ともう1個は機合計額通して記号的に作られ
たあり得ないものを想像してしまって
それを目標にしようという場合でこのに2番目の方がやっぱり人間らしいですよね
であの子の
盗んで2番目とですね市場一場面とか要するに2番目の子の木合計額駆動する場合の
目標状態を設定するとそれって近く後に憧憬と半ば
独立に設定しますから知覚運動系にとって無理なこととかも想像しちゃうわけですよね
そうするとですねなんか勉強
をしてしないといけないと思っているあそこの大学に入ろうと思っているのにへ
なんか眠くて寝ちゃうとかですねそういうことがいろいろ発生して
でここのギャップを持ってですねそのまあ
gu 石っていうような感覚になるんじゃないかと
いうふうに思います
で後意識っていうのをのあの
議論をよくありますけども
僕はまあ今のそのモデルでいうと結局その記号系の毛システムが動いていることを言う
か舞四季というふうにへ言ってるんじゃないかでき合計の姿勢は基本的にその
知覚運動件も含めて兄の場所にアテンション当てることができるのでねこれを意識って
言ってるんじゃないかと
あっ
いうふうに思いますが知覚運動系だけ動いている場合は意識がないというふうには我々
よく言うわけですよね
あとまああの自分自身にアテンションを向けることもできるので自分というものを
シミュレートするとば無限交代が起こるということもあるという
でですねえっとあとちょっとですけれども
あの今のようにまあに団の構成を考えると1段目の近くん時計っていうのを上側のです
2階部分の記号系っていうのがうまく活用していることになるわけですね
あの特に数学とか物理みたいなものとか
我々の日常的な言語もそうですけどかかなり空間的なイメージっていうのを使っている
と
つまりその近く運動系をある種のシミュレーターとして使っているわけですけれども
このシミュレーターはどこでトレーニングされているかと言うと
まあ我々が住むこの三次元の世界なわけですね
ですから直感的に4次元と五次元の世界を創造するというのを我々には難しいわけです
ところが今ですねこの知覚運動系回るのモデルを
あの四次元空間5次元空間シミュレータ上でですね学習させることができますので原理
的にはですね四次元5人えんじゅう次元100事件
いろんな空間で学習させることができるわけです
そうするとですねこの直感的に100人園構造が分かるような知覚運動系を駆動する機
合計見たなら作れるわけなので
そうした時にはどういう風なですね数学とか物理の体験を生み出すのかというのは僕が
非常に興味深いし何ですね
なんか人間が知っていたことってごくごくわずかだったよねという風になるんじゃない
かなというふうに思っています
でも今でもですねできでできつつありますけれども
レッド我々がですね我々人間がわかるということに対してもうちょっとわかる必要が
あるんじゃないかなというふうにあの思っていましてよくま
ai のシステムがですね説明不可能であるとか言うんですけどそりゃそうでしょう
っていうような感じでだって今までやって我々の脳の働き動きをですね説明せずに我々
社会作ってきたわけですからというふうに思うわけですが
結局ですねそのモデルとして
その現象をうまく近似できるし予測もできると
ただしそれを少数の要素のインタラクションで表すことができないために我々には何が
起こっているのか理解できないということはこれからもっと増えてくるはずだという
ふうに思います
で今までですねこれに近いもとして複雑系ってなりましている複座助っ人の挙動が
難しいだけであの何
というか予測性が高いとかそういうわけじゃなかったですねでもこれからは予測背も
高いし
実用的にも使えるんだけどもそこの中の要素っていうのが少数のもので説明できないと
いうことが増えてくるって結局ですね我々が科学技術をして作ってきたものっていうの
はやっぱりいつの少数の様子に還元できるものっていうのを中心にしていたわけなので
そういう意味からするとまああのそっちのあり方っていうのもですねこれからまた
変わってくるんじゃないかなというふうに思っています
というわけであの
僕はですねあの今日お話ししたようなことっているのをできるだけ数理的なモデルとし
て
a
そのまあ示していきたいなというふうに思っていまして
少なくともその世界モデルのところというの研究がだいぶ進んできていますしてから
その2回のですマルチタスクの
この髪は予測と近く予測っていうのが
この絡み合った構造してるっていうところもおそらく
な中の実験によって示せるはずじゃないかというふうに思っていましてまぁそういう
ところからですね
あのこういう言葉言語とか意識とか
記号処理へとディープラーニングの融合という当たりをですねまぁ明らかにしていき
たいなというふうに思っていますあと左右左右
後にですねこれあの
ちょっと最近僕と線
人間は ai だっていうですね
あの言い方を考える考えまして
これなぜかということですね
今昔はですね人間は動物じゃなかったですね
人間は動物と敵対するものでだったんだけど色々わかってきて
人間も動物のあのう
異種ですと
集合で言うと動物の中人間が含まれると
いうことがわかってきたようですね今ですねよくまあ ai た人間ということを言い
ますけれども
他ですね知能のまあありうべき全体集合っていうのを考えてそれを係に描いと呼ぶこと
にすると人間の知能っていう人間がたちのですが動く一部なんだということだと思って
ましてそうじゃないタイプの知能っていうのも世の中たくさんあるそれがですまた
例えばアルファ事がパ少しずつ見えてきている理由
ですけれどもこれがまあますますこの ai の研究が進むとまぁ見えてくるんじゃ
ないかなというふうに思いますしまーそうして初めてですね
あの人間は自分の知能をある習甦の総体化して見えるわけですね
ね何が強くて何があの不得意なのかと
でどういう思考のバイアスがあるのかということにも築けるわけなので
こういう見方っていうのがあの今後重要になっているんじゃないかまぁこれをすごく
そのセンセーショナルにいうと人間は神5人であるということになるということかなと
いうふうに思っていますちょっと時間ですので終わりたいと思いますけどもありがとう
ございました
ん
[拍手]
5.0 / 5 (0 votes)