LogoMark.png

情報デザイン概論/2020/1223

第14回 脳科学とAI

情報デザイン概論/2020|地域共創学部|2020.12.23遠隔
情報共有シート|特設サイト

AGENDA


以下、動画をご覧下さい。記事に沿って解説しています。



本日のメニュー




はじめに

遠隔授業の回です。受講生のみなさんには、本日のテーマに関するコメントを求めます。講義の視聴する前に、特設サイトに、以下の雛形をコピーして、今回のテーマ用の「節」を作って下さい。


今回分のコメント雛形 の準備

以下のグレーの部分を、そのままコピーして、特設サイトのあなたのページにペーストして下さい。

==脳科学と人工知能|2020.12.23==
===機械と人間の違い===
* ◯◯◯◯◯◯、◯◯◯◯◯◯◯◯◯◯◯◯、◯◯◯◯◯◯◯◯◯。
* ◯◯◯◯◯◯◯◯◯、◯◯◯◯◯◯◯◯◯◯◯◯。
<br>
===人間の仕事を奪うAIの事例===
* ◯◯◯◯◯◯◯◯◯の事例
** https://www.example.com
* ◯◯◯◯◯◯◯◯◯の事例
** https://www.example.com
<br>
<br>


今回のテーマについて

最終回は、情報を処理・記憶する人間の「脳」について、さらに、その脳をモデルにした人工知能に関するお話です。

みなさんが生きていく未来は、AI とロボットの登場によって大きく変わります。よく「AIブーム」という言葉を聞きますが、これは単なるブームではなく、日常を根底から変える新たな情報基盤であり、今回のパンデミックによって、その開発と応用展開は加速しています。

これからの時代、「AI との協働」は必須であり、AI に関する理解を深め、今何を学ぶべきかについて、しっかりと考え、未来に備える必要があります。ネット上でも多くの話題があり、すでにご存知のことも多いかと思いますが、この機会に再度、熟考することをおすすめします。



脳科学の知見

脳とは

800px-Brain_diagram_ja.svg.png

脳(brain)とは、動物(狭義には脊椎動物)の神経中枢のことで、感情・思考・生命維持その他神経活動の中心的な役割を担う器官です。人の脳は、一般に大脳、小脳、間脳、脳幹(中脳、橋、延髄)の4種類(6種類)の領域に分類されます。 また大脳は、大脳新皮質、大脳旧皮質(大脳辺縁系など)、大脳基底核の3つの構造から成っていて、大脳皮質と言う表現では、大脳新皮質を指す場合と旧皮質を含めて指す場合があります(右図参照)。

画像出典:https://ja.wikipedia.org/wiki/%E8%84%B3#/media/File:Brain_diagram_ja.svg


脳の機能領域

脳(大脳皮質)は部分ごとに違う機能を担っていると考えられています。脳機能局在論が注目されはじめたのは、19世紀後半に失語症と脳損傷の関係から「言語中枢」の推定が行われて以降。ブロードマンの脳地図によって「脳機能局在論」は一般に知られるものとなりました。1990年代以降、MRI(核磁気共鳴画像法) や PET(ポジトロン断層法) による血流観測など、脳活動をリアルタイムに観測する技術(脳機能イメージング)が発達したことで、脳機能の局在性に関する研究は精緻化しています。

以下、図解へのリンクです。

右脳と左脳

我々の体は対側制御、すなわち体の左半分を右脳、右半分を左脳が制御しています(左視野は右脳、右視野は左脳に入る)。また、あまり正確な根拠はないようですが、一般に、感覚的・空間的・音楽的な情報処理を右脳、論理的・言語的な情報処理を左脳、というふうに、右脳と左脳ではそれぞれタイプの異なる処理がなされていると言われます。

右脳が活発に動く人と左脳が活発に動く人では、情報の受け止め方や、発想の仕方が異なることが予想されるのです。もちろん左右の脳は連携しているのですが、言葉・音楽・映像の受取り方には「右からささやかれたか、左からささやかれたか‥」と同様の問題が無関係ではありません。

ちなみに、子音+母音の音声(『か』=K+A)を用いる日本人は、子音中心の言語を用いる西洋人と比較して、左脳(言語脳)で処理される音声の種類が多く、このことが「虫の音(母音と構造が似ている)をも文学的な素材とする」日本人特有の文化を作り出したとも言われています(角田忠信「右脳と左脳」)。

日本人の聴覚の特殊性
世界中の言葉は、共通祖先のような原始言語から派生していますが、日本語は 主たる系統からは遠く離れた末端に位置します。「脳レベルでも日本語の特殊性 が現れていて、たとえば、漢字用の脳領域とカナ用の脳領域が別々に作られたりする。こんなことは他の言語ではない」(澤口) 。 さらに角田(1981)によれば、日本語は母音の頻度が高く(欧米の言語は子音 中心)、母音と質を同じくする楽器の音や虫の声など、多種多様な音声が左脳 で処理されているといいます。音楽も自然の音も言語と渾然一体となって処理されているという点で特殊な状況にあると言えるでしょう。


神経細胞

人の脳には大脳で数百億、小脳で1,000億、脳全体では千数百億個もの神経細胞があります。一つの神経細胞からは、長い「軸索」とともに枝状に分岐した短い「樹状突起」が伸びていて、別の神経細胞とつながって複雑な神経回路網を形成しています。神経細胞は、細胞体と軸索と樹状突起で一つの単位として考えられて、「ニューロン(Neuron)」とも呼ばれます。ちなみに、哺乳類にのみ存在する大脳新皮質、人間の場合の神経細胞の平均数は約20億と言われます。

樹状突起には神経細胞1個あたり1万個にも及ぶ「つなぎ目(Synapse)」があって、細胞同士の興奮の伝達は、そのシナプスの結合の具合によって統制されています。シナプスの数、すなわちニューロンの接続の数は150兆。

マッカロとピッツ(1943)が提唱した神経細胞のモデルによると、細胞のそれぞれは、静状態と興奮状態の2状態があって、興奮状態においては電気パルス列が出力されるのですが、この場合、ひとつの細胞の出力は、それにに結び付くシナプス(約1万個)からの興奮信号の重み付きの総和が、あるしきい値を超えるか超えないかで「1 or 0」に決まります。

したがって結合の強い(重みの大きい)細胞間では興奮状態が一斉に伝わり、結合の弱い細胞は静状態という、脳全体でみれば一つのパターンが生じます。この興奮パターンが、ある一つの概念なりイメージなりに相当すると考えられるのです。

また、興奮パターンが、自己組織化する、すなわち「人」がある事象を記憶するというプロセスをうまく説明する仮説として、ヘッブ(1949)の「シナプス強化法則」があります。その仮説によると、神経細胞が興奮する際、その細胞に刺激を伝えたシナプス結合部については、その結合がより強化され、結果としてその後の刺激は以前に増して伝わりやすくなるというのです。

この考えをふまえると、私たちの思考も記憶も、複数の神経細胞の同時興奮パターンという「結合関係」が重要で、脳内でその興奮パターンが繰り返されるたびに(反復学習にあたる)、その「関係」がひとつの思考回路あるいは記憶単位として組織化していくと考えられます。

ただしこの場合は、記憶単位といっても、その同時興奮する細胞群のひとつひとつは、それ以外の刺激に対しても他の細胞との関係で興奮することがあるわけで、その意味では一つの神経細胞が複数の事象の記憶に関わっているといえます。これは、ある部分の細胞が欠落しても、一つの事象の記憶がすっぽり抜け落ちるのではなく、その部位に関わる記憶全体がぼやけるということをも意味するもので、人の記憶が「ホログラム」的であると言われるゆえんです。

臨界期
脳神経回路の基本的な組織化が完了するまでの重要な時期を臨界期といいます。人の脳は、4・5歳ごろまでにニューロンを最大に増やし、あとは必要な部分(脳が刺激を受けて組織化を行った部分)だけを残して捨てていく、という進化論的プロセスを踏みます。したがって、臨界期(脳機能ごとに異なるが、ほぼ8歳ごろまで)に刺激を受けなかった、あるいは訓練されなかった事柄に関しては、後からその処理能力を身につけようとしても間に合わないか、非常に努力を要することになります。幼少期の教育が大切なのもそのためです。





脳のモデルから人工知能へ
今話題の人工知能の基盤技術となっているディープラーニング(ニューラルネットワーク)は、脳の神経回路網をモデルとしています。脳科学の知見を概観するついでに、人工知能についても概観しましょう。





人工知能概論

はじめに

私たちの世界は、A.I. を含む ICTによって大きく変わろうとしています。製品の仕分け、画像診断、自動運転、音声認識など、いわゆる「パターン認識」は、現在のA.I. が得意とするところで、この類の仕事はやがてA.I.に代替されていくでしょう。誰もが A.I. を使う時代になり、既成のA.I. ツールを使った A.I. ソリューションの活用も身近なものになります(これにはさほど高度な技術は要りません)。

人工知能(Artificial Intelligence:A.I. ) という言葉は、1956年に開催された世界初の人工知能の国際会議「ダートマス会議(ジョン・マッカーシー主催)」にその起源があるといわれていますが、そもそも何をもって A.I.というのか。 これには明確な定義はなく、話の文脈によってその姿は異なります。

A.I. と呼べるか否か、1950年にアラン・チューリングが提唱した Turing Test はわかりやすいアイデアのひとつです。それは「人がテレタイプを介して対話したときに、相手が人間か機械か区別できないものであれば、それを A.I. とみなす」というものです。

一方で、知能というものを広い意味での「情報処理能力」と考えれば、コンピュータによる知的な情報処理システムの実現とともにそれは誕生したということもできます。現在の人工知能は、基本的には「電子計算機」であって、人間の脳のように意味を理解したり、意志をもって動くということはありませんが、90年代のA.I. ブームから20年以上経過した現在、コンピュータが扱うメモリ空間の規模の増大と、処理速度の向上によって、膨大な計算量を必要とするニューラルネットワークが実用レベルになりました。機械学習のひとつであるディープラーニングの登場で、A.I. は日常的なものとなりつつあります。

現代における A.I. の分類

現在(第三次AIブーム)話題になっている AI は、その大半が「機械学習」ベースの「パターン認識マシン」ですが、広く AI に期待される能力には主に、認識・ 探索・推論などがあって、その分類の仕方にも様々な軸があります。以下にいくつかの分類基準を紹介します。

ニューラルネットワーク

ニューラルネットワーク(Neural Network:NN)とは、人間の脳内にある神経細胞(ニューロン)とその回路網を、人工ニューロンという数式的なモデルで表現したものです。ニューラルネットワークモデルは、シナプスの結合強度を学習によって調整することで、入力データを識別する能力を獲得していきます。

人工ニューロン

ArtificialNeuron.png

人間の脳の中にはニューロンという神経細胞が約千億個あり、各ニューロンがシナプスと呼ばれる接合部位によって繋がっています。ニューロンは入力される電気信号の総和がある一定の量を超えると発火し、次のニューロンに電気信号を出力します。

この仕組みを模したのが「人工ニューロン(artificial neuron)」で、1943年に神経生理学者ウォーレン・マカロックと数学者ウォルター・ピッツが発表した「形式ニューロン(formal neuron 別名:Threshold Logic Unit )」がその最初のものです。 右図は1個の形式ニューロンの模式図で、中心のCELLが細胞。x1〜xn が入力信号で、それぞれが一定の重み(w:値の大きいものが影響力大)で、細胞に接続されています。その総和が閾値(θ)を超えると、細胞が「発火」して次の細胞へと信号を送り出します。式で表すと以下のようになります。

 y = f ( w1・x1 + w2・x2 + ・・・・ + wn・xn - θ )

W = ( w1, w2, ・・wn )は、多次元空間における法線ベクトルで、関数式の内部ではまず、これとデータ X = ( x1, x2, ・・xn ) との内積をとっていることになります。法線ベクトルと同じ向きにあれば内積は + 、反対向きにあれば内積は - で、要するに、上の関数式は、データが存在する空間を分割する多次元空間上の境界(2次元なら直線、3次元なら平面)であるということができます。

一般に、出力 y は0または1。つまり、細胞は抑制されるか興奮するかの2状態しかありません。このような細胞が何個も並び、それが何層にも連結されたものがニューラルネットワークになります。

ニューラルネットワークモデル

NeuralNetwork.png

右図はニューラルネットワークのイメージです。Input Layer(入力層)は、最初のデータが入ってくる部分、Hidden Layer(隠れ層)は入力信号を受けて様々な興奮状態をつくる中間処理機関、そして Output Layer(出力層)は結果としての興奮状態を表現する部分す。例えば、気温、湿度、現在時刻という3種類のデータから、1時間後が「晴れている」か「雨が降る」かを予測する(ちょっと無理がありますが例え話です)という場合は、入力層が3、出力層が2となるモデルをつくって、過去の大量の気象データから、気温・湿度・時刻(説明変数)、そして 1時間後の天気(目的変数)というデータセットをつくって学習させることになります。

ディープラーニング

ニューラルネットワークの基本的なアイデアは3層構造ですが、中間層の数を数十〜百段階程度まで増やして、多段階の神経接続で出力を得よう・・という発想から誕生したのがディープラーニングです。多層化に耐えられるだけの計算力(演算速度向上とメモリの増大)が実現したことで、現在の人工知能はこの技術が主役になっています。

インターネットの存在が技術発展に貢献
ディープラーニングを成立させるには、入力と出力のデータセット、言い換えれば、学習のための「問題と答え」を大量に用意して、それを読み込ませる(AIに食わせる)ことが必要ですが、これを実現したのが、現代のインターネットです。例えば、インターネット上には大量の画像とそれにタグ付けされた単語が存在します。これを使えば、「この画像は犬」、「この画像は猫」という学習素材が大量に得られます。画像認識システムはこれらを使って、認識能力を高めているのです。

みなさんがインターネット上で行う、アクセス・操作(選択行為)・書き込み・画像のアップロード・・あらゆる情報が、現在のAIの餌になっています。



AI によって変わる未来

A.I. に仕事を奪われることを悲観するよりも、A.I.との協働を考える方が賢明です。そのためには、A.I. にできることとできないことの見極めが必要です。また、「 A.I. とは何か」と同時に「人間とは何か」を改めて問う必要があります。

人間の仕事が置き換わる順序*2

足 > 脳 > 腕 > 顔(表情)>手の指

AIがもたらす大量失業?

これは未来の話ではなく、すでにおこっている現実です。AI を持ち出すまでもなく、IT 技術がもたらした定型業務の自動化は、職場からどんどんヒトを追い出しています。パターン認識ベースの仕事は AI に置き換わります。マニュアルを覚えて対応する仕事は AI + ロボットに置き換わります。高度に専門的と言われる仕事でも、それがディープラーニングが得意とする「パターン認識」業務であれば、ヒトからAI へと代替されるのは時間の問題です。これによって多くの人の「現在の職場」が無くなるでしょう。その意味での大量失業は間違いなくおこると考えられます。

産業革命以降、近・現代に求められたのは「組織において奴隷のように働くスキル」でした。そしてその能力を証明するために「持っていた方が有利」と言われるのが「資格」でした。しかし、現在の AI は TOEIC で 900点以上。大学入試問題でも、上位20%の大学に合格できるだけの問題処理能力を持っています。要するに、パターン認識的なスキル(試験でいい点数を取る能力)があっても、 AI には勝てない。いまだに行われている従来型の「お勉強」の多くは、未来への投資にはならないということです。

MEMO:プロイセン型教育
日本の義務教育制度は、19世紀ドイツの「プロイセン」教育の影響をかなり強く受けた背景があります。それは、従順な兵士を育成するため、そして工場で歯車のように働く労働者を育成するために開発された教育手法です。
 現在この国では 40万人が不登校になっていると言われますが、これは子供達の側の問題なのでしょうか。むしろ、現在の日本の学校教育が、すでに時代に合わないものになっていると考えるべきでしょう。今回のパンデミックで、「教室に長時間拘束されなくても学習はできる」ということに多くの人が気づきました。これを機に、教育のスタイルは大きく変わるはずです。

参考リンク

AI の基盤|データサイエンスについて

データサイエンス(Data Science)とは、数値や文字(カテゴリ)として得られるデータを統計的手法や機械学習などを用いて世界に潜む様々な物事の関係(モデル)を見出す科学で、今日の AI を成立させている基盤科学と言えます。

データは重要。でもデータ至上主義は?

データサイエンスは「未来はこうなるだろう」とか「AよりもBの方が効果があるだろう」といった予測を「過去のデータをもとに」行うことを目的にしたもので、集めるデータが多くなれば、人間の経験に基づく「直感」よりも精度の高い予測ができることは確かです。

しかし、それをそのまま未来のデザインに適用してよいか・・という話になると、そこにはいくつかの配慮が必要になります。

例えば、採用面接で Aさん、Bさんのどちらを採用するか・・という選択に関して考えてみましょう。使う単語、話し方、視線の動き・・それらと採用後の業績をリンクした大量のデータがあれば、人事担当者の直感よりも AIの判定の方が正確に対象を見極めるかもしれません(ちなみに「筆記試験の点数で人を選ぶ」というのも、データで人を見ているわけですから、実質的には同じです)。しかし、その先が問題です。「あなたはAIの判定(筆記試験の点数)によって当社に採用されました」と言われるのと、「社長が『あなたが必要だ』と言ったので採用されました」と言われるのとでは、あなた自身のセルフイメージ(自己像)に違いが生まれ、入社後のモチベーションも変わるのではないでしょうか。人間というのは「生産完成品」ではありません。「誰かに必要とされている」という自意識は、それ以後の人を大きく変えるのです。AIによる判定(予測)が有効なのは、対象が「生産完成品(所与のもの)」である場合に限られます。

また例えば、A,B どちらの商品企画を実際に採用するか・・については、別の視点が必要です。人間はそもそも「未だ見たこともないもの」に欲望を抱くことができません。革命的な新商品というものは、そもそも「過去のニーズ」から生まれたものではなく、それが世に登場することによって「新たなニーズを生み出す」ものと言えます。AIによる判定(予測)が正しく機能するのは、対象が既存のニーズの枠組みを出ないものである場合に限られます。

要するに、データというものは参考にはなりますが、そればかりに注力しても、組織のパフォーマンスもあがらず、イノベーションも起きない・・ということです。データサイエンスとの付き合い方を間違えない・・ということが重要です。



参考

参考書籍 等


関連リンク






PAGES

GUIDE

DATA


*1 意味を理解する・・というのは「それが無い状態」を想像できることです。「ある」と「ない」の差異を捉えることができてはじめて、ヒトと同様に意味が理解できている・・ということができます。これにはまだ相当な時間を要すると思われます。
*2 鈴木貴博 , 仕事消滅 , 講談社 , 2017, p.76
Last-modified: 2020-11-09 (月) 10:02:32