※本記事は、James A. R. Marshall氏による講演「心の構築方法：昆虫に着想を得た自律ロボット向けAIの探究」の内容を基に作成されています。本講演はITUが50以上の国連パートナーと提携し、スイス政府との共催で開催されるAI for Goodにて行われました。講演者のJames A. R. Marshall氏はOpteran社の機械知能センター所長を務めており、昆虫脳の研究から着想を得た脳型AIの開発と自律ロボティクスへの応用を専門としています。本記事では講演内容を要約・整理しております。なお、原著作者の見解を正確に反映するよう努めていますが、要約や解釈による誤りがある可能性もありますので、正確な情報や文脈については、オリジナルの講演動画をご視聴いただくことをお勧めいたします。
1. 導入：AIへの期待と現実世界の厳しさ
1.1 人工汎用知能実現への期待と商業的デモンストレーション
Speaker： 人類は長い間、私たちと共に生活し、社会的に交流し、共に働く人工知能を創り出すことを夢見てきました。そして近年のAIの発展は、その夢の実現にかつてないほど近づいているように見えます。いわゆる「人工汎用知能（AGI）」の実現が目前に迫っているとさえ言われており、非常に印象的な商業的デモンストレーションがそのことを裏付けているように映ります。
1.2 自動運転に見る現実世界の自律システムの失敗と巨額投資の実態
Speaker： しかし、私たちが日々暮らしているこの現実世界は、非常に雑然としており、非常に困難な環境です。やや古い事例になりますが、実際の自律システムが日常的な環境に対処しようとしたとき、いかに深刻な課題に直面するかを端的に示しているという点で、今なお示唆に富んでいます。
自動運転という、より制約された問題領域に絞ったとしても、そして人間を完全に排除したロボタクシーの駐車場という極めて限定的な状況においてさえ、失敗のモードは非常に深刻なものになりえます。堅牢な自律性の実現がいかに困難な問題であるかは、まさに「ムーンショット」と称されるほどです。
では、社会としてこの問題にどれほどの資金を投じてきたのかを振り返ってみましょう。自動運転の分野だけを見ても、すでに1,000億米ドルを超える投資が行われています。これをインフレ調整後の金額で本物の「ムーンショット」プログラムであるアポロ計画と比較すると、その総予算のほぼ4分の1に相当します。アポロ計画は人類を月面に立たせたプロジェクトです。それほどの資金を投じながら、自動運転は依然として確実な実用化に至っていません。一方で人間の10代の若者は、平均わずか20時間の練習で自動車の運転を一から習得できます。その差は歴然としています。
さらに深刻なのは、こうしたアプローチが膨大な計算資源とデータを必要とし、莫大なエネルギーコスト、そしてレアアース金属などの希少な物質コストを伴うという点です。私たちの環境はすでに、人類が課している資源・生態系への負荷をかろうじて支えている状況にあります。そのような時代において、この方向性の持続可能性には根本的な疑問があります。
2. 昆虫の脳が示す自律性の本質
2.1 小型脳でも実現する堅牢な自律性と現代AIとのリソース対比
Speaker： こうした現代AIの巨大なコストと対照的なのが、脳が自律性の問題をいかにエレガントかつシンプルに解いているか、という事実です。昆虫を例に取りましょう。昆虫は堅牢で独立した自律エージェントです。それでいながら、その脳はわずか数十万個のニューロンで構成されており、動物の体内でおよそ1立方ミリメートルという極めて小さな空間を占めているにすぎません。そして消費するエネルギーは、現代のAIアプローチと比較すれば、文字通り無限小と言っても過言ではない量です。
これは単なる比喩ではありません。現代のAIロボティクスのアプローチは、膨大なデータを用いた学習に加え、生成モデルを訓練するための大規模なシミュレーションを計算資源で補うという構造になっています。対して昆虫の脳は、そのような人工的な手段に頼ることなく、現実世界での自律性を確実に実現しています。この対比は、私たちが現在進んでいる方向性そのものを根本から問い直すよう迫っています。
2.2 6億年の進化という人工シミュレーションでは追いつけない事前学習
Speaker： では、脳はどうやってこれを実現しているのでしょうか。脳は過去6億年にわたって、地球上での生命という100%忠実な物理シミュレーションの中で、完全並列かつ大規模に自律性の問題を解き続けてきました。これは人工的なシミュレーションでは、定義上、追いつくことが不可能なスケールの事前学習です。どれほど高性能なコンピュータを積み上げても、6億年分の物理的現実に根ざした並列学習には到底及びません。
しかし重要なのは、私たちはその進化の成果に追いつく必要はないということです。神経科学者たちは長年にわたり、様々な種の脳の秘密を、最新の技術を用いて解明し続けてきました。バーチャルリアリティを昆虫に装着して行動実験を行ったり、より大きな脳に着目した研究など、多様なアプローチが取られています。そしてこの流れの中でますます明らかになってきているのは、地球上で最も小さな脳を持つ生物に目を向けることが、自律性を理解する上で極めて示唆に富むという事実です。昆虫は特に、自律性を理解するための神経科学における模範的なモデルシステムとしてその価値を証明しつつあります。
3. 神経科学的知見と工学への応用
3.1 昆虫脳の解明：ショウジョウバエの中心複合体ナビゲーション回路
Speaker： 昆虫脳の代表例として、ショウジョウバエの脳を取り上げましょう。特に注目すべきは、その脳内にある「中心複合体（Central Complex）」と呼ばれる回路です。最新の遺伝学的技術と顕微鏡技術を組み合わせた標的行動実験を通じて、この回路が自律性の問題をどのように解いているかを詳細に解き明かすことができます。
この回路は昆虫脳におけるコアナビゲーション回路であり、「自分は今どの方向を向いているのか」「自分はどこへ向かいたいのか」という問いを解くための仕組みです。そして興味深いことに、この回路はあなたの脳内の細胞が空間における方向を解く仕組みとも共通点を持っています。つまり、進化的に非常に離れた種の間でも、自律的なナビゲーションという問題に対して、共通の解法が独立に生み出されてきたということです。この回路はおよそ10年以上前に米国の科学者たちによって初めて詳細に解明されました。
3.2 リング・アトラクター回路の実装による深層強化学習の性能向上
Speaker： このような神経科学的な理解が深まることで、私たちは実際にその回路をシリコン上に再現し、ロボット制御のための行動生成回路としてアルゴリズムに落とし込むことができます。そしてこれは既存のAIアプローチを補完するかたちで実際に機能します。
具体的な成果として、マンチェスター大学での研究を紹介しましょう。先ほど示したリング・アトラクター回路を標準的な深層強化学習アルゴリズムと組み合わせて実装したところ、学習データが限られたシナリオにおいて、性能が50%向上するという結果が得られました。ビデオゲームは機械学習アルゴリズムのベンチマーク問題として広く知られていますが、このリング・アトラクター回路はまさにそのビデオゲームという課題において顕著な改善をもたらしたのです。
もちろん現実世界はビデオゲームよりはるかに複雑です。しかし、このアプローチの核心は、脳が進化の過程で獲得した回路を、孤立した部品としてではなく、統合されたシステムの一部として工学的に活用するという点にあります。これまでのAI研究では、自然から部分的なヒントだけを切り取って利用するという過ちを犯してきました。イベントベースカメラのように人間の網膜の仕組みに着想を得たセンサーも、脳が視覚情報を処理する全体的な仕組みから切り離されてしまえば、それは部分的な解決策にすぎません。脳の統合的な自律性の解法を、そのすべての構成要素とともに全体として捉えることが、真の意味での応用への鍵となります。
4. 進化から学ぶ自律性設計の3つの教訓
4.1 教訓1：脳は運動のために進化した――観察だけでは世界を学習できない
Speaker： では、私たちはどこで間違いを犯してきたのでしょうか。それを解き明かすために、再び脳に立ち返る必要があります。ただし重要なのは、自然や脳から解決策の断片を切り取って孤立した形で利用するのではなく、進化が自律性という統合的な問題をいかにして解いてきたか、そのすべての構成要素を全体として見ることです。そこから私は3つの教訓を導き出すことができます。
第一の教訓は、「観察だけでは世界を学習することはできない」というものです。現代のほとんどのAIシステムは、大量のデータを観察することで学習するように設計されています。しかし脳の進化の歴史はそれとは根本的に異なる方向性を示しています。脳はまず「運動」の問題を解くために進化したのです。
この点を雄弁に示す生物がいます。ホヤ、あるいはウミシダとも呼ばれる海の生き物です。ホヤは生活環の中に移動する段階と、定着する段階の2つを持っています。移動段階では脳を持っていますが、岩などに定着して動かなくなると、その後に自分自身の脳を消化してしまうのです。脳の中に含まれる資源を解放するために。これは脳が進化によって解くように設計された問題が何であるかを完璧に示しています。動く必要がなくなれば、脳はもはや必要ない。つまり脳は本質的に、運動という問題を解くために存在しているのです。
この事実は現代のAI設計に対して鋭い問いを突きつけます。観察データをいくら与えても、それだけでは真の意味での自律的な知性は生まれないということです。身体を持ち、環境の中で実際に動き、行動することを通じてはじめて、世界の本質的な構造が学習されていく。これが進化の示す第一の教訓です。
4.2 教訓2：知覚入力の安定化――猛禽類の頭部固定が示す逆運動学的戦略
Speaker： 第二の教訓は、「知覚入力を安定化しなければならない」というものです。これを美しく示しているのが、獲物を探してホバリングする猛禽類の例です。空中で静止しながら地上を見下ろすその姿をよく観察すると、頭部が三次元空間の中でほぼ完全に固定されていることに気づきます。体は風や気流に対応して複雑に動き続けているにもかかわらず、頭だけはまったく動いていません。つまり体全体が、頭部を空間の中に完全に固定し続けるための複雑な逆運動学的問題を、リアルタイムで解き続けているのです。
なぜそのようなことをするのでしょうか。頭部を安定させることで、視覚入力の後段における処理が劇的に単純化されるからです。あなた自身の目も、まったく同じことをしています。走っているときでも、あなたの視界は一貫して安定しています。ところが体にカメラを装着して走った映像を後から再生すると、それはほとんど見るに堪えない、解釈不能な揺れに満ちた映像になってしまいます。目と脳が連携してその揺れを補正し、安定した視界を作り出しているからこそ、あなたは走りながらでも周囲の状況を的確に把握できるのです。
現代のAIシステムやロボットが見落としがちなのはまさにこの点です。センサーから入力される生のデータをそのまま処理しようとすれば、後段のアルゴリズムは膨大な計算負荷を背負うことになります。知覚入力をあらかじめ安定化させることで、自律性を実現するための下流のアルゴリズムをはるかにシンプルかつ堅牢にすることができる。これが第二の教訓です。
4.3 教訓3：Less is more――能動的低帯域サンプリングによる高次処理の単純化
Speaker： 第三の教訓は、「少ないほど豊かである（Less is more）」というものです。あなたは今、自分が一対の高精細4Kカメラで世界を見ているという錯覚を持っているかもしれません。しかし実態はそれとはかけ離れています。実際のところ、あなたの視覚システムは非常に低帯域なものです。目は環境を能動的にサンプリングしながら、重要なデータポイントだけを取得し、その間を補間・外挿することで高精細な視界という幻想を作り出しています。言い換えれば、自律性に必要な情報だけを抽出し、それ以外はできる限り早い段階で切り捨てているのです。これによって、自律性を実現するための下流のアルゴリズムが再びシンプルかつ堅牢なものになります。
これら3つの教訓――運動から始めること、知覚入力を安定化すること、そして必要最小限の情報だけを抽出すること――は、高次の自律性を構築するための基盤となるものです。そしてこれらはまさに、私が共同創業した企業であるOpteranのような先駆者たちが実際に産業応用として取り入れている解決策でもあります。
5. 産業応用と社会への提言
5.1 Opteranによる脳型ビジョンナビゲーションの実証と展開
Speaker： 今日はロボットを実演用に持参しませんでしたが、こうした脳に着想を得た極めてシンプルなアプローチを用いることで、実際に何が実現できるかをご覧いただきましょう。Opteranが開発しているビジョンのみによるナビゲーションソリューションは、自律性実現のための核心技術として、市販の計算機材だけを用いてエッジ上に展開することができます。事前学習は一切必要ありません。
これは自律性の問題へのアプローチとして、根本的に異なる方向性を示すものです。そしてこのアプローチは、現実世界へのAI展開を困難にしているエッジケースを堅牢に解決することができます。現代の大規模AIが苦手とする、訓練環境と現実環境のギャップ――いわゆるsim-to-realの問題――に対して、脳型アプローチは本質的に異なる解を持っています。なぜなら、そもそも人工的な訓練環境への依存を前提としていないからです。
5.2 AGIではなくAGA（人工汎用自律性）を目指すという方向転換の提案
Speaker： そしてこれはまだ旅の始まりにすぎません。私が主張してきたように、まず運動と空間知能の問題を解くことから始め、その上により複雑な認知能力を段階的に積み上げていくことができます。これはまさにOpteranと私の研究プログラムが進んでいる軌跡です。
ではこのすべての取り組みの目的は何でしょうか。私はその終着点が、定義も曖昧で、ある意味では望ましくもないAGI、すなわち人工汎用知能の実現を目指すことではないと考えています。そうではなく、目指すべきは「人工汎用自律性（Artificial General Autonomy、AGA）」の実現です。人類が長年抱いてきた、自律的なエージェントが私たちの傍らで共に働くという切実なニーズに応えること。そしてそれを、現実世界の雑然とした複雑さを堅牢に扱いながら、社会にとって根本的により持続可能で信頼性の高い方法で実現することです。
5.3 システム神経科学への社会的投資拡大という新たなムーンショット
Speaker： そこに到達するために、私は社会としてリソースをどこに投じるかを根本的に見直すべき時が来ていると提案したいと思います。より多くの計算資源を、より大きな環境コストを払いながら積み上げ続け、展開がますます困難になっている既存のAIアプローチを支え続けることに、これ以上注力すべきではありません。
そうではなく、私たちは新たな社会的ムーンショットを提案すべきです。それは、地球上に既に存在する真の自律性への解法、すなわち動物の脳についての理解をより急速に深めることです。システム神経科学の分野では着実に進歩が続いています。しかし想像してみてください――現在AIや既存の自律性アプローチに注ぎ込まれているリソースのほんの一部でも、システム神経科学に振り向けられたとしたら何が起きるか。たとえばコネクトームの解明を支援したり、ハエの脳の中でマイクロ回路がナビゲーション問題をどのように解いているかを解明する研究に充てられたとしたら。私たちはどこへ行けるでしょうか。そして地球と社会にとって、それはどれほど良い未来をもたらすでしょうか。