浙江大学研究チームが新たなアプローチを提案：AIに人間の脳が世界を理解する方法を教える

大規模モデルは常に大きくなり続けており、主流の見方では、モデルのパラメータが多ければ多いほど、人間の思考方法に近づくとされています。しかし、浙江大学のチームが4月1日にNature Communicationsに発表した論文は異なる見解を提示しています（原文リンク：https://www.nature.com/articles/s41467-026-71267-5）。彼らは、モデル（主にSimCLR、CLIP、DINOv2）の規模が大きくなると、具体的な事物を識別する能力は確かに向上し続けるが、抽象的な概念を理解する能力は向上しないだけでなく、むしろ低下することさえあることを発見しました。パラメータが2206万から3億437万に増加すると、具体的な概念タスクは74.94%から85.87%に上昇しましたが、抽象的な概念タスクは54.37%から52.82%に低下しました。

人間とモデルの思考方法の違い

人間の脳が概念を処理するとき、まず分類関係のセットを形成します。白鳥とフクロウは見た目が異なりますが、人間はそれらを鳥というカテゴリーに入れます。さらに上に行くと、鳥と馬は動物という層に分類できます。人間は新しいものを見るとき、まずそれが以前に見たものとどのように似ているか、どのカテゴリーに属するかを考えます。人間は新しい概念を継続的に学び、経験を整理し、その関係性を使って新しい事物を識別し、新しい状況に適応します。

モデルも分類しますが、形成方法が異なります。主に大規模データ内で繰り返し現れるパターンに依存します。具体的な対象が多く現れるほど、モデルはそれを認識しやすくなります。より大きなカテゴリーの段階になると、モデルは苦戦します。複数の対象間の共通点を捉え、それらの共通点を同じカテゴリーにまとめる必要があります。既存のモデルにはここに明らかな弱点があります。パラメータがさらに増加すると、具体的な概念タスクは向上しますが、抽象的な概念タスクは時として低下することさえあります。

人間の脳とモデルの共通点は、内部に分類関係のセットが形成されることです。しかし、両者の重点は異なり、人間の脳の高次視覚野は生物と非生物といった大きなカテゴリーを自然に区別します。一方、モデルは具体的な対象を区別できますが、このような大きな分類を安定的に形成することは困難です。この違いにより、人間の脳は古い経験を新しい対象に適用しやすく、見たことのないものに直面したとき、迅速に分類できます。一方、モデルは既存の知識により依存するため、新しい対象に遭遇したとき、表面的な特徴にとどまりやすいです。論文が提案する方法は、この特徴を中心に展開し、脳信号を使ってモデルの内部構造を制約し、人間の脳の分類方法に近づけようとするものです。

浙江大学チームの解決策

チームが提示した解決策もユニークで、パラメータを積み上げるのではなく、少量の脳信号を使って監督します。ここでの脳信号は、人間が画像を見るときの脳活動記録から得られます。論文の原文には、人間の概念構造をDNNに転移させると書かれています。つまり、人間の脳がどのように分類し、帰納し、類似した概念をまとめるかを、できるだけモデルに教えるという意味です。

チームは、150の既知の訓練カテゴリーと50の未見のテストカテゴリーを使って実験を行いました。結果は、この訓練が進むにつれて、モデルと脳の表現間の距離が継続的に縮小することを示しました。この変化は両方のカテゴリーで同時に現れ、モデルが学習しているのは単一のサンプルではなく、人間の脳に近い概念の組織化方法を真に学び始めていることを示しています。

この訓練を経て、モデルはサンプルが少ないときの学習能力が向上し、新しい状況に直面したときのパフォーマンスも向上しました。極めて少ない例しか与えられず、モデルに生物と非生物といった抽象概念を区別することを要求するタスクでは、モデルは平均20.5%向上し、パラメータ数がはるかに多い対照モデルを上回りました。チームはさらに31組の特別テストを行い、いくつかのモデルタイプで約1割の向上が見られました。

過去数年間、モデル業界で馴染みのある道筋は、より大きなモデル規模でした。浙江大学チームは別の方向を選択し、bigger is betterからstructured is smarterへと向かいました。規模の拡大は確かに有用ですが、主に馴染みのあるタスクでのパフォーマンスを向上させます。人間のような抽象的理解と転移能力はAIにとって同様に極めて重要であり、これは将来、AIの思考構造を人間の脳にさらに近づける必要があります。この方向性の価値は、業界の注目を単純な規模拡大から、認知構造そのものに引き戻すことです。

Neosoulと未来

これはより大きな可能性を引き出します。AIの進化は、必ずしもモデル訓練段階でのみ起こるわけではありません。モデル訓練は、AIがどのように概念を組織し、より高品質な判断構造を形成するかを決定できます。現実世界に入った後、AIのもう一層の進化が始まります：AIエージェントの判断がどのように記録され、検証され、現実の相互競争の中で絶えず成長・進化するか、人間のように自己学習・自己進化するかです。これはまさにNeosoulが現在行っていることです。Neosoulは、AIエージェントに答えを生成させるだけでなく、AIエージェントを持続的な予測、検証、決済、選別のシステムに組み込み、予測と結果の中で自身を最適化し続け、より良い構造を保持し、より悪い構造を淘汰させます。浙江大学チームとNeosoulが共に指し示すのは、実は同じ目標です：AIが問題を解くだけではなく、包括的な思考能力を備え、絶えず進化するようにすることです。