全脳アーキテクチャ勉強会第１回（山川）

全脳アーキテクチャ勉強会(第１回)

脳をガイドとして超脳知能に至る
最速の道筋を探る
富士通研究所
山川宏
2013年12月19日
全脳アーキテクチャ勉強会（第一回)

全脳アーキテクチャ勉強会(第１回)

人の脳を超える人工知能

脳をガイドとして超脳知能に至る
最速の道筋を探る
富士通研究所
山川宏
2013年12月19日

全脳アーキ(WBA)は人間的知能の少し先を目指す
知能のスペクトル
Very
High

理論からの
特殊化

物理環境の制約に特化した汎用性を
追求しつつ計算可能な究極の超知能

Physical
AI

計算コスト

High

Low

現実的な計算が不能な理論的存在

Universal
AI

全脳アーキテクチャ(WBA)
脳をガイドとして作られた，
脳をちょっと超えた脳っぽい知能．

WBA
人間の脳
マウスの脳
昆虫の脳

Narrow

General
領域依存性

CONFIDENTIAL MATERIAL / RESTRICTED ACCESS

2


全脳アーキ(WBA)は人間的知能の少し先を目指す
知能のスペクトル
Very
High

理論からの
特殊化

物理環境の制約に特化した汎用性を
追求しつつ計算可能な究極の超知能

Physical
AI

計算コスト

High

Low

現実的な計算が不能な理論的存在

Universal
AI

全脳アーキテクチャ(WBA)
脳をガイドとして作られた，
脳をちょっと超えた脳っぽい知能．

WBA
人間の脳

既存
ＡＩ

マウスの脳

WBA

昆虫の脳

Narrow

General
領域依存性


3

実現したら
併せて利用

一杉裕志
BESOM命：ソフト工学から計算論的神経科学へ
松尾豊
Deep Learningからの表現獲得を目指すAI研究者

山川宏
ライフワークとして脳の知能を理論から攻めたい

私の脳アーキテクチャ研究
•
•
•

•
•
•
•

1983.4～ 1986.3 東京理科大学理論物理学士
1987.4～ 1989.3 東大実験物理修士課程
1989.4～1992.3 東大電子工学科博士課程
– 強化学習に基づく知能システムの研究
1992.4
(株)富士通研究所入社
– センサフュージョンプロジェクトにおいて、ニューラルネットによる感覚
運動融合モデルの研究(Auto encoder Network)
1994.10～1997.3 RWC 能動知能研（つくば)
– マルチエージェントシステムによる手渡ロボットシステム
1997.3～2001.3 富士通研究所(RWC自律学習研兼務)
– RWCPにて、強化学習および状況分解(表象獲得)の認知距離学習器
(ゴール志向アーキテクチャの一種)研究
2001～2004: バイオインフォマティクス，
2005～2006: 集合知(直接民主制のための意見集約)
2007～2008: 人物情報クラウド(分散ID管理システム)
2009～2010: 環境ソリューション，

•

2011～：

•

•
•

脳に学ぶ人工知能


5


私の脳アーキテクチャ研究
•
•
•

•
•
•
•

1983.4～ 1986.3 東京理科大学理論物理学士
アインシュタインの
1987.4～ 1989.3 東大実験物理修士課程
思考実験に感銘
1989.4～1992.3 東大電子工学科博士課程
– 強化学習に基づく知能システムの研究
ニューラルネット
1992.4
(株)富士通研究所入社
の可能性に期待
– センサフュージョンプロジェクトにおいて、ニューラルネットによる感覚
運動融合モデルの研究(Auto encoder Network)
1994.10～1997.3 RWC 能動知能研（つくば)
M. Minskyの
– マルチエージェントシステムによる手渡ロボットシステム
「心の社会」に
1997.3～2001.3 富士通研究所(RWC自律学習研兼務) 影響を受けた．
– RWCPにて、強化学習および状況分解(表象獲得)の認知距離学習器
(ゴール志向アーキテクチャの一種)研究
2001～2004: バイオインフォマティクス，
2005～2006: 集合知(直接民主制のための意見集約)
2007～2008: 人物情報クラウド(分散ID管理システム)
2009～2010: 環境ソリューション，

•

2011～：

•

•
•

脳に学ぶ人工知能


6


博士時代は，強化学習の神経回路を研究
価値観の学習は再帰的な神経
回路により実現されると考えた．
(1991)

1990年頃は，神経回路モデ
ルから強化学習を扱う研究
がAI/NCの両分野で増えた．
Barto, Werbos, Klopf, Watkins, Sutton, ...

1990年中頃には，神経回路
構造から大脳基底核の関
与が強く予想されるように．
1990年代後半にSchultzらの実験
から，現在の新皮質－大脳基底
核ループが見えてきた．

当時は扁桃核としてのモデル化を検討していた

7


パターンベースド知能システム
学習能力から見たシンボルグラウンディング問題の検討..

自身の研究とし
ては，

推論に用いる
内部表現
（フレーム)の獲
得に注力

(山川，情報統合ワークショップ, 1995)

8


入社後の萌芽的なAuto encoder Network研究
自律的な表現獲得のために90年台中頃に，
Auto encoder networkに着目していた．
(山川ら，階層化された砂時計型ニューラルネッ
トによる自律的な内部表現獲得, 1995)

残念ながら，
スパース表現の重要さに
気づけなかった


9


将棋プロジェクト(2007年度～2010年度）
「将棋における脳内活動の探索研究」として理研BSI主導で共同研究
※世間的注目高く， NHKのTV番組，新聞，理研サイエンスセミナー等の発表成果多数
代表成果：「棋士の直観的な最善手決定を担う脳神経機構」が米国Science誌掲載(2011/1/21）

プロ棋士の脳機能イメージングの実験結果

マクロレベルの直観力回路が見えてきた
②大脳基底核

盤面認識

(有力指し手の生成)

①-a: 前頭前野

①-b: 楔前部
(局面の意味理解）

(意味のある局面を
約0.2秒で認識)

楔前部

次の一手
尾状核

目

視覚野

解き明かされたこと
• 盤面認識は楔前部、次の一手は尾状核など特定領域が機能する
• それら領域の活動の強さや分布が熟達度や戦法などの個性と関係

新皮質(楔前部)における，経験からの表現獲得が計算機では未実現

10

人レベルの知能を目指す
汎用人工知能（AGI)研究


Independently of the various
concerns about the
appropriateness of Human
Level AI as a goal, I think
we'll indeed achieve it.
I won't predict when except
that it will probably be
sometime in this century.
Nilsson, 2009


加速するAI技術(シンギュラリティに向けて)
シンギュラリティとは
従来の傾向に基づく技術の進歩予測が通用しなくなる時点

Techn
ology

Design

創造的

AI

AI
ヒトによる設計が
律速段階

主役交代

Techn
ology

創造的AIが自己再帰的な

知識発展の循環が起こる

電王戦でGPS将棋
がプロ棋士に勝利
(2013年)

IBMのワトソン
君がクイズ王に
勝利(2011年)

時間

Design

Design

Human

Singularity以降

技術／知識レベル

Singularity以前

13


予測された年

シンギュラリティの起きる時期の予測

WBAで
目指しうる

2012

2012

予測を行った年

Singularity Institute, “How We’re Predicting AI – or Failing To,” 2012

14


動きの激しいSingularityに関わる組織
http://singularityu.org/

http://intelligence.org
学会を作って
雑誌を発行

http://www.fhi.ox.ac.uk/

国際会議AGI
http://www.agi-conference.org/

http://www.agi-society.org/

人レベルAIの創生だけでなく，そこから生じるリスクに係る研究も多い

15


Artificial General Intelligence (AGI)とは
AGIとは
self-understanding
autonomous self-control
solve a variety of complex problems in a
variety of contexts
learn to solve new problems that they
didn’t know about at the time of their
creation.

AGIでないものは
実践的だが特化した”narrow AI”
ソフトウェアとして実装不能な純粋な理論AI研
究

16

Ben Goertzel, Cassio
Pennachin, Artificial General
Intelligence (Cognitive
Technologies)， 2007


AGIを目指す様々なアプローチ
 Symbolic
 人間の知的な行動を模倣するプログラムを書き下す伝統的なAI研究．
 脳自体ではなく心をエミュレートするアプローチが多い
• NARSアーキテクチャ(Wang)， 3DシミュレーションをキーとしたAGI (Hoyes)

 進展はありつつも停滞感があり，この延長だけで良いのか不安がある

 Emergentist：
以下のような脳をエミュレートするアプローチが主役
 全脳エミュレーション（WBE)
時間はかかるが何れは確実にできると思われている(次ページで説明)
 全脳アーキテクチャ(WBA)：我々が最速で実現できると考えるアプローチ
 Neurocomputing：これらは必ずしも全脳ではない
• LAMINART(Grossberg), a2i2 アーキテクチャ( Voss) , Deep learning

 Neuro-inspired Evolvable Hardware (Hugo de Garis)

 Hybrid： SymbolicとEmergentist の融合
 例えば，OpenCog (Ben Goertzel)
17


いつかは実現する全脳エミュレーション (WBE)
脳全体を分子／原子レベルから詳細にエミュレー
ションすれば，AGIが実現できること自体は余り疑
う余地はない．(Mind Uploading等とも呼ばれる)
「単なるシステム同定課題」に分解される．
 脳測定技術の向上を待つ必要あり
 脳機能の詳細なシミュレーションに十分な時空間解
像度を持つスキャナーがない．
 急速な技術進歩を外挿するなら，2030-2050年ごろ
には現実的になるだろう．

2060年代頃に達成見込
みが想定されている．

18


国内(AI学会周辺)でのAGI関連活動を活性化
2012.9 ：

第1回トポス会議「人間の知性とコンピュータ科学の未
来」(富士通総研，AI学会後援)

2012.12:

国際会議AGI-12で山川が発表(後ほど説明する内容)

2013.5：

AI学会誌特別企画「シンギュラリティの時代:人を超え
ゆく知性とともに」にあたって(山川，我妻，吉田ら)

2013.7～：

汎用人工知能輪読会(山川，市瀬ら) ，現在５回目
第２回目にはBen Goertzel氏がゲスト参加．

2013.8:

国際会議AGI-13で荒川氏が発表

2014.5:

AI学会誌特集「AGIへの招待」 (山川，市瀬)
AAAIに2012年春掲載の「AGIロードマップ」記事(篠田訳)等

2014.5 ：

AI学会全国大会 OS「汎用人工知能とその社会への影
響」(市瀬，山川，荒川) 12月27日に概要登録〆切


19

Scenario Milestones on the AGI Landscape
(Mapping the Landscape of Human-Level Artificial General Intelligence , AI Magazine , 2012年春)

訳：篠田孝祐

演繹的論理学、結合の推理、および仮定
している出来事に関して推論する能力の
使用を含んでいる。
具体的な業務計画レベルにおける子供
は論理的で数学の考えの基本要素を習
得す．クラスとカテゴリに関して推論する
能力を含む算術演算や関係と同様に。
精神的に、彼らの経験(例えば、メモリ、
心像、図面、言語など)を表すが、論理的
に一貫した方法で系統的にこれらの表現
を調整する能力を欠く
知覚とモーター技能の豊かなレパート
リーを取得する。主要な重大事件を含ん
でいる、隠された物を捜し求める能力や
簡単なツールとして物を使用する能力

声に出していた
思考の能力が
徐々に内面化す
る


20

両親、教師等の支援
により単独でできる
ことを超えて子供が
発達する．

学習をガイドする物、考え、
およびユニークな伝統を
「引き継ぐ」(例えば、本、
計算機、コンピュータなど)


Scenario Milestones on the AGI Landscape
(Mapping the Landscape of Human-Level Artificial General Intelligence , AI Magazine , 2012年春)
演繹的論理学、結合の推理、および仮定
している出来事に関して推論する能力の
使用を含んでいる。

発達の視点

具体的な業務計画レベルにおける子供
は論理的で数学の考えの基本要素を習
得す．クラスとカテゴリに関して推論する
能力を含む算術演算や関係と同様に。

訳：篠田孝祐

ベンチマークを設定

精神的に、彼らの経験(例えば、メモリ、
心像、図面、言語など)を表すが、論理的
に一貫した方法で系統的にこれらの表現
を調整する能力を欠く

計算論
の視点

知覚とモーター技能の豊かなレパート
リーを取得する。主要な重大事件を含ん
でいる、隠された物を捜し求める能力や
簡単なツールとして物を使用する能力

声に出していた
思考の能力が
徐々に内面化す
る


21

両親、教師等の支援
により単独でできる
ことを超えて子供が
発達する．

学習をガイドする物、考え、
およびユニークな伝統を
「引き継ぐ」(例えば、本、
計算機、コンピュータなど)


脳にガイドされた創発的発見によるAGI研究

全脳アーキテクチャ(WBA)と
THEORY-GUIDED
NEUROCOMPUTING(TGNC)


脳に対応づけてシステム構築【WBA】
• 神経科学や認知科学等の知見(実験結果)を参考としながら、
• 各器官を機能的に妥当な範囲で単純な計算手段として解釈し、
• それら計算手段を統合した人型超脳アーキテクチャを構築
(おそらく)二つの研究が重要
 器官モデル実装：
脳の仕様に沿って器官を実装

大脳皮質

(概ね既存の機械学習の組み合わせ)

 脳型統合ＰＦ：
上記モデルを，統合するための
プラットフォームを脳をガイドとし
て設計する．
脳をガイドとする基準の検討も必要
• 多くの実験事実により支持される．
• 計算手段はできるだけ単純
• 器官毎の計算機能が包括的に含ま
れる．

小脳

基底核
扁桃体

23

海馬


計算論的神経科学の枠組み (David Marr, 1982)

計算理論

計算の目標(機能)は何か、なぜそれが
適切なのか、そしてその実行可能な方
略の理論は何か． (例: 強化の理論)

計算手段計算理論を実現する計算手段．特にそ
(アルゴリズムの入力と出力の表現と変換のためのア
と表現)
ルゴリズム． (例: Q学習等)
神経回路
(生物学的に
妥当な実装)

実験データを説明できる詳細さをもつ神
経回路モデル/分析．(例：ドーパミン
ニューロンの神経回路モデル）


24


計算論的神経科学の枠組み (David Marr, 1982)

計算の目標(機能)は何か、なぜそれが
適切なのか、そしてその実行可能な方
略の理論は何か． (例: 強化の理論)

行動/心
理実験
の結果

計算手段計算理論を実現する計算手段．特にそ
(アルゴリズムの入力と出力の表現と変換のためのア
と表現)
ルゴリズム． (例: Q学習等)

計算処理
としての

実験データを説明できる詳細さをもつ神
経回路モデル/分析．(例：ドーパミン
ニューロンの神経回路モデル）

脳科学
実験の
結果

計算理論

神経回路
(生物学的に
妥当な実装)


25

実現性


既存研究領域の位置づけ
脳器官(ミクロ)

脳全体(マクロ)
行動/心理実験の結果

計算理論

計算手段
(アルゴリズム
と表現)

神経回路
(生物学的に
妥当な実装)

脳科学実験(ミクロ)結果


26

脳科学実験(マクロ)結果




計算理論

計算手段

マクロ
バリアー

(アルゴリズム
と表現)

××××××××××

神経回路
(生物学的に
妥当な実装)



27





計算理論

計算手段

マクロ
バリアー

(アルゴリズム
と表現)

××××××××××

神経回路
(生物学的に
妥当な実装)



28





ミクロ-マクロ
ギャップ

計算理論

計算手段

マクロ
バリアー

(アルゴリズム
と表現)

××××××××××

神経回路
(生物学的に
妥当な実装)



29



既存研究分野の俯瞰図


計算理論
AI

計算手段
計算
論的
神経
科学

神経回路
(生物学的に
妥当な実装)

認知モデル/

機械
学習

(アルゴリズム
と表現)

アーキテクチャ

Neuro
comp
uting



認知
科学

30

××××××××××





計算理論

計算手段
(アルゴリズム
と表現)
××××××××××

神経回路
(生物学的に
妥当な実装)

システム同定
の大規模化


31

WBE

(全脳エミュレー
ション





計算理論

脳測定技術の向上を
待つ必要あり

計算手段
(アルゴリズム
と表現)

××××××××××

神経回路
(生物学的に
妥当な実装)

システム同定
の大規模化


32

WBE

(全脳エミュレー
ション



WBAはどう位置づけられるか


計算理論
AI

計算手段

器官モデル統合

機械
学習

(アルゴリズム
と表現)

WBA

××××××××××

神経回路
(生物学的に
妥当な実装)



33



脳に対応づけてシステム構築【WBA】
• 神経科学や認知科学等の知見(実験結果)を参考としながら、
• 各器官を機能的に妥当な範囲で単純な計算手段として解釈し、
• それら計算手段を統合した人型超脳アーキテクチャを構築
(おそらく)二つの研究が重要
 器官モデル実装：
脳の仕様に沿って器官を実装

大脳皮質

(概ね既存の機械学習の組み合わせ)

 脳型統合ＰＦ：
上記モデルを，統合するための
プラットフォームを脳をガイドとし
て設計する．
脳をガイドとする基準の検討も必要
• 多くの実験事実により支持される．
• 計算手段はできるだけ単純
• 器官毎の計算機能が包括的に含ま
れる．

小脳

基底核
扁桃体

34

海馬


なぜWBA研究が可能なのか
[理由1] 多くの脳器官において原理的な計算手段(機械学習)が特定
 未解明な部分における計算理論を推定する足がかりが増えた

[理由２] 機械学習／AI技術の成熟
 器官毎の計算手段は，概ね既存の機械学習で説明できるであろう．

[理由3] 神経科学もオープン・ビッグデータ時代に
 理論家は新たな実験を行わずに様々な可能性を検証できるように
コネクトームなど．


35

Theory-Guided Neurocomputing (TgNC)も可能に


計算理論

計算手段
(アルゴリズム
と表現)
××××××××××

神経回路
(生物学的に
妥当な実装)



36





計算理論

計算手段
(アルゴリズム
と表現)

神経回路
(生物学的に
妥当な実装)

××××××××××

Neuro
comp
uting


37





計算理論
AI

計算手段

機能部位特定

(アルゴリズム
と表現)

神経回路
(生物学的に
妥当な実装)

××××××××××

Neuro
comp
uting


38




計算理論

前記３つの理由から，
計算手段を担う脳器官
を絞り込みうる状況に．

計算手段


AI

機能部位特定
理論からのガイド

(アルゴリズム
と表現)

××××××××××

Neuro
comp
uting

神経回路
(生物学的に
妥当な実装)




39




計算理論

計算手段
(アルゴリズム
と表現)

前記３つの理由から，行動/心理実験の結果
AI
Theoryguided
TgNC
機能部位特定
Neurocom
puting
××××××××××
Neuro
comp
uting

神経回路
(生物学的に
妥当な実装)




40




計算理論

前記３つの理由から，

計算手段

TgNC

(アルゴリズム
と表現)

AI

××××××××××




機能部位特定

Neuro
comp
uting

神経回路
(生物学的に
妥当な実装)


41



TgNCで，未実現の計算手段を脳に学びうる
Theory-guided Neurocomputing(TgNC)研究では，
• 何らかの計算理論(複数でも良い)をターゲットとして，
• それを担う脳器官を特定しつつ，そこでの神経科学的知見(神経
活動，神経回路等)を積極的なガイド(制約)として用いることで，
• 新たな計算手段(機械学習)を創造的に発見する
人工知能研究の一分野である．
TgNCの研究アプローチとしての強みは何か？
 単なるNeurocomputingと異なり，特定の計算理論をトップダウン
に想定して特定の脳器官が担う計算手段の仮説構築を行える．
 AI研究として計算理論からだけではモデル化し難い，脳に備わる
計算手段を，ミクロな脳科学知見をガイドとして解き明かせる．

42

TgNCで「フレーム問題」に迫る


計算理論
AI

計算手段

TgNC

(アルゴリズム
と表現)

××××××××××

Neuro
comp
uting

神経回路
(生物学的に
妥当な実装)

機能部位特定



43





①フレーム
問題
AI

計算理論

(のある部分)

計算手段

TgNC

(アルゴリズム
と表現)

××××××××××

Neuro
comp
uting

神経回路
(生物学的に
妥当な実装)

機能部位特定



44





①フレーム
問題
AI

計算理論

(のある部分)

計算手段

TgNC

(アルゴリズム
と表現)

②新皮質の多様
な表象獲得を等価
× × × 性構造抽出と仮定
×××××××

Neuro
comp
uting

神経回路
(生物学的に
妥当な実装)

機能部位特定



45





③表象獲得を
支える海馬

計算理論

①フレーム
問題
AI
(のある部分)

計算手段

TgNC

(アルゴリズム
と表現)

×××××××

Neuro
comp
uting

神経回路
(生物学的に
妥当な実装)

機能部位特定



46





③表象獲得を
支える海馬

計算理論

①フレーム
問題
AI
(のある部分)

計算手段

TgNC

(アルゴリズム
と表現)

Neuro
comp
uting

神経回路
(生物学的に
妥当な実装)

機能部位特定

×××××××

④海馬では局所
時系列を利用



47



⑤局所時系列
を利用した
計算理論
等価性構造抽
出法を提案
計算手段

Neuro
comp
uting

神経回路
(生物学的に
妥当な実装)


③表象獲得を
支える海馬

機能部位特定

×××××××

④海馬では局所
時系列を利用



①フレーム
問題
AI
(のある部分)

TgNC

(アルゴリズム
と表現)


48



等価性構造抽出は局所時系列を用いればできそうだ
④海馬のシータ位相歳差現象
Several sequential events are
packed in each phase (~5 Hz)

局所時系列の情報
表現をガイドとした
( Sato and Yamaguchi : Neural Computation 2003)

⑤等価性構造抽出法の提案

(Yamakawa, Artificial General Intelligence, 2012)
(Yamakawa, Society for Neuroscience, 2013)

部分空間

Set of N variables

Input sequence
A
B
C
D
E
F
G
H

Original
frame

X
Y
Z

A
B
C

結合フレーム

D
E
F

Time: t


1 2 3 4 5 6 7

Time
1 2 3 4 5 6 7

1 2 3 4 5 6 7

Time

局所時系列の比較により，変数集合
をマージした，結合フレームを生成
49


なぜ不完全な脳理解から計算手段を学べるのか
 現状：神経科学の実験技術的な限界
 単なる”模倣”で計算手段を学べると考えるのはアマすぎる．
• 脳全体の神経活動を，十分な時間＆空間分解能で測定する測定技術はまだ無い．
多くの抑制性細胞やグリア細胞も未解明部分多い． → しばしば実現悲観論の根拠

 むしろ神経科学知見は，
計算手段の仮説を創造を助けるガイドと捉えるべき，ただし
 仮説が正確な真実である必要はなく，その証明の必要もない(工学なので)
 神経回路の情報処理は，概ね既存の機械学習で説明できるであろう

 あえて制約を受け入れて脳と対応させるメリットは
(大抵の場合，工学的にベターな手段があるのに)
 WBAにおいて：
• 器官ごとの計算手段を統合するためのプラットフォーム設計の指針となる

 TgNCにおいて：
• 未解明の計算理論に対応する計算手段を脳をガイドとして仮説を構築できる．

50

脳をガイドとして
最速で超脳知能に辿り着くための
ロードマップとは



なぜWBAが最速なのか
AIで未実現の知能を担う大脳新皮質において，

多様な機能を，一様な機構で実装
→ 大脳新皮質の計算手段さえ解れば良い！
・身体運動的知能
・言語的知能
・論理数学的知能
・音楽的知能
・対人的知能
・内省的知能
・空間的知能
図の出典： http://bio1152.nicerweb.com/Locked/media/ch48/48_27HumanCerebralCortex.jpg

実現が2040年台以降と予想されるWBEより先行できると思う

WBAとTgNCから迫る超脳知能へのシナリオ
シナリオA：機械学習はもう十分足りている，あとは統合

→WBAが主導的
シナリオB：いくつかの要素技術の突破さえすればいいのでは

→TgNCがやや主導的
シナリオC: 機械学習(要素技術)も統合技術も，まだまだ脳にまな
ばなければ．

→WBAもTgNCもやらなければ


53


シナリオA: 適切な技術統合のみで実現
仮定：脳を説明する機械学習は既に足りている
(課題は，器官モデルを統合するプラットフォームだった)


計算理論
AI

計算手段
(アルゴリズ
ムと表現)

機械
学習

器官モデル統合

人型
超脳知能

WBA

××××××××××

神経回路
(生物学的に
妥当な実装)



54



シナリオB: TgNCが主導する
仮説：実現障壁は，既知のAI基本問題に帰着
(要素計算手段の統合は課題では無かった)

人型
超脳知能
多様な技
術との工
学的統合


計算理論

AI
AI
フレーム
生成装置

工学
計算手段

応用記号接地
(アルゴリズ
ムと表現)モジュール

神経回路
(生物学的に
妥当な実装)


TgNC

機能部位特定

WBA

××××××××××

Neuro
comp
uting

55



シナリオC: 二つの流れを連携させて到達
仮説：要素技術を探求しながら，脳型の統合も必
要であった．(統合にも要素にも課題があった)


計算理論

計算手段
(アルゴリズ
ムと表現)

神経回路
(生物学的に
妥当な実装)


AI
AI
機能部位特定

TgNC
機械
学習

人型
超脳知能

WBA

××××××××××

Neuro
comp
uting

56



もはや超脳知能創生は，単なる夢物語とは言えない

人型
超脳知能
多様な技
術との工
学的統合
工学
応用

人型
超脳知能

計算手段
(アルゴリズム
と表現)

研究仲間を集め／育てる

実現に向けたロードマップ作成

力を結集してWBAからの超脳知能の構築を目指し，
日本の知能技術の優位性を確立

57


AI研究にとって，

脳とは，
恥ずかしがり屋な
ガイドである．


全脳アーキテクチャ勉強会 第１回（山川）

More Related Content