オハイオ州立大学の研究者たちは、ハトが現代のコンピュータAIモデルと非常によく似た方法で問題に取り組んでいることを発見しました。本質的には、ハトは「連合学習」と呼ばれる「総当たり型」学習法を用いていることが判明しました。このように、ハト、そして現代のコンピュータAIは、人間の思考パターンを混乱させる複雑な問題にも解決策を見つけることができます。
新しい研究の主著者でありオハイオ州立大学の心理学教授であるブランドン・ターナー氏は、アイオワ大学の心理学教授であるエドワード・ワッサーマン氏と協力し、iScience に掲載された新しい研究を行った。
- ハトは非常に広範囲の視覚分類課題を解決できる
- これらのタスクのいくつかは高度な認知と注意のプロセスを必要とするようですが、計算モデルはハトがそのような複雑なプロセスを展開しないことを示唆しています。
- 単純な連想メカニズムでハトの成功を説明できるかもしれない
ターナー氏はオハイオ州立大学のニュースブログに対し、この研究はハトの学習方法がコンピューターAIに似ているという強い直感から始まったと語った。初期の研究で、以前の考えや観察結果は裏付けられた。「ハトの学習を導くメカニズムが、現代の機械学習やAI技術を導く原理と驚くほど類似していることを示す、非常に強力な証拠を発見しました」とターナー氏は述べた。
ハトの「連合学習」は、人間や他の霊長類では解決が難しい複雑な問題の解決策を見つけることができる。霊長類の思考は一般的に選択的注意と明示的な規則の使用によって制御されるため、一部の問題解決には支障をきたす可能性がある。
この研究では、ハトに4種類の課題を与えてテストしました。より簡単な課題では、ハトは時間の経過とともに正しい選択を学習し、成功率が約55%から95%に向上することがわかりました。最も複雑な課題では、研究期間中にそれほど大きな改善は見られず、55%からわずか68%にまで低下しました。しかしながら、この結果はハトのパフォーマンスとAIモデルの学習パフォーマンスの間に密接な類似点があることを示しました。ハトと機械学習はどちらも、連合学習と誤り訂正技術の両方を用いて、意思決定を成功へと導いているようでした。
ターナー氏は、人間とハトとAIの学習モデルに関するコメントで、さらなる洞察を提供しました。彼は、ルールを作っても問題を単純化できず、タスク放棄につながるため、一部のタスクは人間にとって非常にフラストレーションの溜まるものだと指摘しました。一方、ハト（そしてAI）の場合、一部のタスクにおいて「この力ずくの試行錯誤と連想学習によって、人間よりも優れたパフォーマンスを発揮できる」と述べています。
Tom's Hardware の最高のニュースと詳細なレビューをあなたの受信箱に直接お届けします。
興味深いことに、この研究は、フランスの哲学者ルネ・デカルトがニューカッスル侯爵への手紙（1646年）の中で、動物は単なる獣のような機械、つまり有機的な反応の衝動に従うだけの凶暴な機械に過ぎないと主張したことを想起させている。
オハイオ州立大学のブログの結論は、人間が伝統的にハトを愚か者として見下してきたことを浮き彫りにしていました。今、私たちはあることを認めなければなりません。コンピューターAIの最新の最高峰の技術的成果は、ハトのような比較的単純な力ずくの学習メカニズムに依存しているのです。
この新しい研究は、今後のコンピュータサイエンスに何らかの影響を与えるでしょうか？AI/機械学習に携わる人々やニューロモルフィック・コンピューティングを開発する人々にとって、この研究は有益な共通点となるかもしれません。
マーク・タイソンはトムズ・ハードウェアのニュース編集者です。ビジネスや半導体設計から、理性の限界に迫る製品まで、PCテクノロジーのあらゆる分野を網羅的にカバーすることに情熱を注いでいます。
