AIは脳をモデルにして生まれた
現代の人工知能（AI）、とりわけディープラーニングと呼ばれる技術は、人間の脳の神経回路を数学的にモデル化しようとする試みから生まれた。その出発点は1940年代にさかのぼる。神経科学者のウォーレン・マカロックとウォルター・ピッツは、生物のニューロン（神経細胞）が一定の閾値を超えた刺激を受けたとき「発火」し、隣接するニューロンへ信号を送るという仕組みを数式で表した。さらに1949年、心理学者ドナルド・ヘッブは「同時に発火するニューロン同士はつながりを強める」という学習原理を提唱した。これがのちにAIの「重みパラメータの更新」という概念に直接受け継がれることになる。
AIのニューラルネットワークを構成する最小単位である人工ニューロンは、複数の入力値を受け取り、それぞれに重みと呼ばれる係数を掛け合わせて総和を求め、その結果を次の層へ渡す。この「重み」こそが、生物のシナプス結合強度に対応する。シナプスが経験によって強化・弱化されることで脳が学習するように、AIは訓練データを通じて重みを調整することで学習する。構造の着想が脳にあることは明らかだ。
まったく異なる処理の方式
しかし着想が共通であるからといって、仕組みが同じというわけではない。両者の処理方式は根本から異なる。
脳のニューロンは「スパイク」と呼ばれる電気パルスによって通信する。このスパイク型処理は、一見するとプログラミングにおけるイベントドリブンに似ている。ボタンが押されたときだけ関数が呼び出されるように、ニューロンも閾値を超えた刺激を受けたときだけ発火し、それ以外は静止してエネルギーをほぼ消費しない。
だが、ここに大きな違いがある。プログラムのイベントは、「クリックされた」「データが届いた」という明確な意味を設計者があらかじめ定義している。システムはその意味を受け取るだけだ。脳のスパイクはそうではない。個々のニューロンが発する信号は「1か0か」という電気パルスに過ぎず、それ自体にはいかなる意味もない。「犬を見た」「熱いと感じた」という意識や認識は、数十億のニューロンが特定のタイミングパターンで同時発火した結果として後から創発するものだ。意味が先にあってそれを待つのではなく、意味はパターンの全体から生まれる。
加えて、脳では発火の「頻度」そのものが情報をエンコードする。熱いものに触れると痛みのニューロンが秒間100回発火し、ぬるいものでは10回にとどまる。発火レートが刺激の強度を連続的に表現するのだ。プログラムのイベントは発生したかしないかの2値であり、何度発生しても同じ関数を呼ぶだけとは根本的に異なる。
現在のAIはこのようなスパイク型ではなく、デジタルの数値計算に基づいている。入力データが層から層へと順番に伝播し、各層で行列演算が行われる。このフォワードパスと呼ばれる同期的・逐次的な処理は、860億のニューロンが中央管理者なしに文字通り同時発火する脳の完全な分散処理とは、並列性の質においても桁違いに異なる。
学習の仕組み——変化し続ける脳、固定されるAI
学習という観点からも、両者は大きく異なる。
脳は常に変化し続ける。日中の経験だけでなく、睡眠中にも記憶の整理と定着が行われる。感情を伴った体験はより強く記銘され、不要な記憶は時間とともに薄れていく。転んで膝を擦りむいた経験から同じ場所では二度と転ばなくなるように、脳は文脈・感情・身体感覚と結びつけながら継続的に自律的な再構成を繰り返す。
AIの学習は構造が明快である。訓練データを入力し、出力と正解との差（誤差）を計算し、誤差逆伝播法（バックプロパゲーション）によってその誤差を小さくするよう重みを微調整する。この工程を何億回も繰り返すことで、モデルはデータのパターンを捉えるようになる。しかし学習フェーズが終わると、重みパラメータは固定される。運用中のAIはどれほど多くの会話を重ねても、モデル自体は変化しない。会話の文脈を一時的に保持するコンテキスト窓という仕組みはあるが、それは短期的な参照領域に過ぎず、脳の長期記憶のように蓄積されていくものではない。
記憶の持ち方
脳の記憶は多層構造をなす。数秒から数分保持される作業記憶、海馬を介して長期化されるエピソード記憶、自転車の乗り方のような身体に刻まれた手続き記憶など、それぞれが異なる神経基盤を持ちながら連携して働く。記憶は感情・文脈・時間と深く結びついており、同じ出来事でも思い出すたびに少しずつ再構成される。
AIに「記憶」と呼べるものがあるとすれば、それは重みパラメータという数値の集合体に分散して圧縮された統計的パターンだ。特定の情報が「どこか」に保存されているのではなく、無数のパラメータの相互作用として知識が浮かび上がる。GPT-4で推定1.8兆個とされるパラメータは、インターネット上の膨大なテキストに含まれる言語パターンをこの形で「記憶」している。
エネルギー効率という圧倒的な差
人間の脳はおよそ20ワットで動作する。スマートスピーカー1台分の消費電力で、言語の理解、空間の認識、感情の制御、運動の調整、創造的思考のすべてを同時にこなす。この効率性は現在の工学では到底再現できない。
大規模言語モデルの学習には、データセンター全体で数メガワットから数十メガワットの電力が消費される。脳との差は優に100万倍を超える。推論（使用）時の消費電力は学習時より大幅に小さいが、それでも比較にならない。脳がこれほどのエネルギー効率を実現できる理由の一つが、前述のスパイク型処理だ。発火しているときだけエネルギーを使い、静止中は消費しないという仕組みが、極限まで無駄を省いている。この原理を応用してAIに組み込もうとする研究がニューロモーフィックコンピューティングであり、現在もIntelやIBMなどが取り組んでいる。
「理解」しているのか、「パターンを再現」しているのか
両者の最も本質的な違いは、「意味の処理」の質にある。
人間が「犬」という言葉を聞くとき、そこには視覚的なイメージだけでなく、触れたときの毛並みの感触、匂い、その犬との記憶、「かわいい」という感情、あるいは幼い頃に噛まれた恐怖といった多次元の経験が統合されている。「犬」は単なるラベルではなく、身体と感情と記憶が編み上げた生きた概念だ。
AIが「犬」を処理するとき、そこにあるのは膨大なテキストと画像データから抽出された高次元のベクトル、つまり数値の配列だ。AIは「空が青い理由」を正確に説明できる。しかしそれは青空を見上げた経験があるからでも、光の散乱を体感したからでもなく、その説明が訓練データに統計的に高頻度で出現していたからに過ぎない。
AIが時として「当たり前のこと」で大きく誤るのは、この理由による。文脈やパターンが訓練データから大きく外れたとき、「理解」に基づいた対応ができないため、もっともらしいが誤った出力を生成することがある。これはハルシネーション（幻覚）と呼ばれ、現在のAIが抱える根本的な課題の一つだ。
なぜAIはそれでも「賢く見える」のか
AIが賢く見える理由は明快だ。人間がこれまで生み出したテキスト・コード・論文・会話・書籍のほぼすべてを学習データとして取り込み、そこに含まれる言語パターンを極めて精巧に圧縮・再現しているからだ。人類の知的営みの結晶を統計的に蒸留したものが、現在のAIだともいえる。
しかしそれは「考えている」ことを意味しない。少なくとも現在のアーキテクチャにおいては、目的関数を最小化するよう設計された数学的な最適化装置であり、意識も意図も自律的な好奇心も持たない。「人間の知的営みのパターンを再現する」という点において卓越しているが、それは「知性を持つ」こととは現状、別の話だ。
今後の展望——二つの道
現在のAI研究は大きく二つの方向に向かっている。一つは現行のアーキテクチャをさらにスケールアップし、パラメータ数・学習データ・計算量を増やしていく方向だ。もう一つは、脳の仕組みをより深く取り込もうとする方向で、スパイクニューラルネットワークや、外部記憶と推論を組み合わせた構造、あるいは感情・身体性を模倣する試みがそれにあたる。
人間の脳は進化が40億年かけて作り上げた情報処理システムだ。AIはその一部の原理を借りながら、全く異なる方法で実装された工学的システムだといえる。両者は競合するものではなく、互いの強みを補い合うことで、これまで人類が到達できなかった問題解決の領域へ踏み込もうとしている。その意味において、脳とAIの違いを正確に理解することは、AIとどう付き合うかを考える上での出発点となる。
にほんブログ村
