BRAIN and NERVE－神経研究の進歩60巻9号

2008年09月発行

特集 知・情・意の神経学

情と意をもつ脳型コンピュータ

著者： 辻野広司¹ 庄野修¹ 竹内誉羽¹

所属機関： ¹(株)ホンダ・リサーチ・インスティチュート・ジャパン

ページ範囲：P.1029 - P.1038

文献概要

はじめに

　人工知能研究の目的は，コンピュータ等を用い「コンピュータ上に人間のような知能」を実現することにある。この目的達成のため，この半世紀の間に多くの理論的研究がなされた。人工知能研究は，心理学・認知科学などにより培われてきた知見に基づいている。そこでは，心理実験などを用い，観測可能な人間の情報処理の性質を認知的処理モデルとして記述し，知能を計算機上で実現しようとしている。人工知能研究による知識蓄積は大きく，外部からの観測により知能の概観を捉えるという作業はかなり達成されたと考えてもよい。

　さて，これらの研究によりわれわれは知能を実現できたのであろうか？　コンピュータは確かに音声や画像を分類し，識別することができている。障害物を生物のように回避しながら移動するロボットもできた。部分的とはいえ脳の神経回路構造はシミュレートできるようになった。しかし，われわれが「人間のように賢い」と思える人工物はいまだ実現できていない。

　ところで，近年，「引きこもり」「いじめ」「キレる」「自殺」「虐待」「残虐犯罪」などが大きな社会問題となっている。また，情動障害，行動障害の子供たちも増えている。このような問題の原因には，いくつもの要素が関与していると考えられるが，その一要素に現在のコンピュータおよびコンピュータ社会も挙げられるのではないだろうか。コンピュータはわれわれの生活に便利さを与えた反面，大切な「人間らしさ」を奪っているようにも思える。現在のコンピュータは計算結果を出力することが目的であり，人間が人間らしさをなくすことに対しては無関心な道具である。その一方，人々の生活の中で長く使用されてきた道具は，その機能目的だけでなく，生活の中での一体感，やさしさ，愛着を持つように発達してきたように思える。そのような意味では，人間の道具としてのコンピュータの歴史はいまだ浅いのであろう。われわれは，今，「コンピュータ上に人間の知能」を実現するよりも「人間の道具としてのコンピュータに必要な知能」を考えるべきなのではないだろうか。そして，それはわれわれの「人間らしさをサポートするもの」であるべきではないだろうか？

　筆者らは，「人間らしさ」をサポートし，生活の中での一体感，やさしさ，愛着を醸し出す新しいタイプのコンピュータの実現を目指している。このようなコンピュータは，人が脳に持っているバランスのとれた動作原理に基づいて動作すると考え，その意味で，筆者らは「Brain-like Computer^1）」と呼ぶ。バランスとは知・情・意・体のバランスである。知は，情や意によって選択的に脳に蓄えられた記憶表現であり，認識や行動を行う際のデータベースともなる。情は，脳活動を制御し，意欲や学習と関係すると共に，認識や記憶などの処理機構を構成する駆動源である。意は，情と相互作用することで双方向的に意味付けられ，知に基づいた目標設定・意志決定を行う。これら知・情・意は，それらが駆動する体（身体機構，センサ，アクチュエータなど）を通し外界・身体状況と相互作用することで，生活の中での一体感，やさしさ，愛着を獲得していく。このようなバランスがとれた知能こそ，コンピュータに必要な知能であり，筆者らは「Associative Interacting Intelligence（AII）」と呼ぶ。本稿では，AIIの実現を目指し展開している，筆者らの研究を紹介する。

参考文献

1) Matsumoto G, Tsujino H: Design of a brain computer using the novel principles of output-driven operation and memory-based architecture. In: Cognition and Emotion in the Brain, International Congress Series 1250, Ono T, Matsumoto G, Llinas R, Berthoz A, Norgen R, Nishijo H, Tamura R (eds.), Elsevier, Amsterdam, 2003, pp529-546

2) Middleton FA, Strick PL: Basal ganglia and cerebellar loops: motor and cognitive circuits. Brain Res Brain Res Rev 31: 236-250, 2000

3) Alexander GE, DeLong MR: Microstimulation of the primate neostriatum. I. Physiological properties of striatal microexcitable zones. J Neurophysiol 53: 1401-1416, 1985

4) Schultz W, Dayan P, Montague PR: A neural substrate of prediction and reward. Science 275: 1593-1599, 1997

5) Reynolds JNJ, Hyland BI, Wickens JR: A cellular mechanism of reward-related learning. Nature 413: 67-70, 2001

6) Koos T, Tepper JM: Inhibitory control of neostriatal projection neurons by GABAergic interneurons. Nat Neurosci 2: 467-472, 1999

7) Hikosaka O, Takikawa Y, Kawagoe R: Role of the basal ganglia in the control of purposive saccadic eye movements. Physiol Rev 80: 953-978, 2000

8) Plenz D, Kitai ST: A basal ganglia pacemaker formed by the subthalamic nucleus and external globus pallidus. Nature 400: 677-682, 1999

9) Middleton FA, Strick PL: Basal ganglia and cerebellar loops: motor and cognitive circuits. Brain Res Brain Res Rev 31: 236-250, 2000

10) Bevan MD, Booth PA, Eaton SA, Bolam JP: Selective innervation of neostriatal interneurons by a subclass of neuron in the globus pallidus of the rat. J Neurosci 18: 9438-9452, 1998

11) Sato F, Lavallee P, Levesque M, Parent A: Single-axon tracing study of neurons of the external segment of the globus pallidus in primate. J Comp Neurol 417: 17-31, 2000

12) Thrun S, Burgard W, Fox D: Probabilistic Robotics. MIT Press, Cambridge, MA, 2005

13) Sutton RS, Barto AG: Reinforcement Learning: An Introduction. MIT Press, Cambridge, MA, 1998

14) Samejima K, Doya K: Multiple representations of belief states and action values in cortico-basal ganliga loops. Ann N Y Acad Sci 1104: 213-228, 2007

15) Rummery GA, Niranjan M: On-line Q-learning using connectionist systems. Technical Report CUED/F-INFENG/TR 166, Cambridge University Engineering Department, Cambridge, 1994

16) Takeuchi J, Shouno O, Tsujino H: Connectionist reinforcement learning with cursory intrinsic motivations and linear dependencies to multiple representation. In: Proceedings of 2006 International Joint Conference on Neural Networks (IJCNN), 2006, pp54-61

17) Doya K, Samejima K, Katagiri K, Kawato M: Multiple model-based reinforcement learning. Neural Comput 14: 1347-1369, 2002

18) Jaeger H: The ‘echo state' approach to analysing and training recurrent neural networks. German National Research Center for Information Technology, GMD Report 148, 2001

19) Kohonen T: Self-Organizing Maps, Springer-Verlag, Heidelberg, Berlin, 1995

20) Nishida S, Ishii K, Furukawa T: An online adaptation control system using mnSOM. In: Proceedings of 13th International Conference of Neural Information Processing (ICONIP), 2006, pp935-942

21) Barto AG, Singh S, Chentanez N: Intrinsically motivated learning of hierarchical collection of skills. In: Proceedings of the 3rd International Conference on Developmental Learning (ICDL), 2004