XNews

脳にインスパイアされたAIとLeCunインタビュー:世界モデルと神経科学の教訓

脳にインスパイアされたAIとLeCunインタビュー:世界モデルと神経科学の教訓

神経科学に基づく分析が、脳がAIに教える効率性、学習、堅牢性について解説します。

Key insights

脳は段階的な先天的事前知識と一般的な学習を用いてデータ効率の良い知性を実現する

マーブルストーンは、進化が時間的に段階的な先天的「ガイダンス」サブシステム(例:顔認識トリガー)を提供し、皮質が一般的なモデルを学習することを説明しています。この分離により、学習が専門的なドライブとセンサーによって支えられるため、生物は現在の大規模モデルよりもはるかに少ないデータから一般化することが可能です。

脳の構造は多モーダルで全方向的な推論を可能にする

次のトークン予測に最適化されたLLMとは異なり、脳は変数間の結合分布を学習し、クロスモーダル推論を可能にします(例:視覚から音を推測する)。この「全方向的」推論は、新しい文脈での堅牢な一般化を支援します。

物理的設計が極端なエネルギー効率と固有のサンプリングを生み出す

生物学的要因—ストレージと計算の共位置(シナプス)、サンプリングのための物理的イオンのランダム性、低電圧・低周波動作、まばらな活性化—は、脳の約20ワットの効率を説明し、低消費電力AIのためのハードウェアおよびアルゴリズムの機会を示唆しています。

形式的手法とコネクショノミクスがAIの厳密性と安全性を向上させる

形式的証明システム(リーン)とより豊かな構造的神経科学データ(コネクトーム)を組み合わせることで、より厳格な検証とより基盤のあるトレーニング信号を提供し、数学の証明可能な正確性と安全なAI行動を支援することができます。

Source posts