認知科学とAI - AI入門 - はとはとプロジェクト

※画像は生成AIによるイメージです。

1. 認知科学とAI

1.1 相互影響

認知科学とAIは相互に影響し合う分野。

方向	内容
認知科学 → AI	脳の仕組みがAI設計のヒント
AI → 認知科学	AIが認知の計算モデルを提供

1.2 歴史的つながり

1950年代：認知革命、AI誕生、共通の起源
1980年代：コネクショニズム（PDP）
2010年代〜：深層学習と神経科学の再接近

1.3 主要な問い

AIは人間の認知をモデル化しているか？
人間とAIの「理解」は同じか？
脳の原理はAI改善に役立つか？

2. 予測処理

2.1 予測処理理論

脳は「予測マシン」であるという理論（Clark 2013, Hohwy 2013）。

脳は常に感覚入力を予測
予測と実際の入力の差（予測誤差）を最小化
トップダウン予測 vs ボトムアップ誤差信号

2.2 予測符号化

階層的予測:
上位層 → 予測を生成 → 下位層へ送信
下位層 → 予測誤差を計算 → 上位層へ送信

学習 = 予測誤差を減らすように内部モデルを更新

2.3 LLMとの類似性

観点	予測処理	LLM
目的	感覚入力の予測	次トークンの予測
学習	予測誤差の最小化	交差エントロピー最小化
表現	生成モデル	確率的言語モデル

2.4 含意

予測が知能の基盤かもしれない
LLMの成功は予測の力を示唆
ただし：同じ原理 ≠ 同じ実装

3. 自由エネルギー原理

3.1 概要

自由エネルギー原理（Free Energy Principle、Friston）：

生物システムは自由エネルギーを最小化する。

3.2 変分自由エネルギー

F = KL[Q(s) || P(s|o)] - log P(o)

F: 変分自由エネルギー
Q(s): 内部状態（信念）
P(s|o): 観測oを与えた真の事後分布
P(o): 観測の確率（モデルエビデンス）

F最小化 ≈ 予測誤差最小化 ≈ 驚き最小化

3.3 能動的推論

予測を変えるか、世界を変えるか：

知覚：内部モデルを更新して予測誤差削減
行動：環境を変えて予測に合わせる
両方で自由エネルギーを最小化

3.4 AIへの応用

Active Inference：FEPに基づくエージェント設計
探索と活用のバランス
目標志向的な行動の生成

4. 脳とニューラルネット

4.1 類似点

脳	ニューラルネット
ニューロン	ユニット/ノード
シナプス結合	重み
階層的処理	多層構造
可塑性	学習（重み更新）

4.2 相違点

観点	脳	NN
計算	スパイク（時間符号化）	実数値（レート符号化）
学習	局所的（Hebbian等）	大域的（誤差逆伝播）
構造	高度に再帰的	主に順伝播
エネルギー	〜20W	〜数百kW（大規模モデル）

4.3 脳に学ぶAI

Spiking Neural Networks：スパイクベースの計算
Neuromorphic Computing：脳型ハードウェア
Attention：注意機構は脳の注意から着想
Sleep / Dreaming：オフライン学習への示唆

4.4 表現の類似性研究

DNNと脳の表現を比較：

視覚野の階層とCNN層の対応
言語野とTransformer層の対応
類似性はあるが、因果関係は不明

5. 身体化認知

5.1 概要

身体化認知（Embodied Cognition）：

認知は身体と環境との相互作用から生まれる。

脳だけでなく身体が認知に関与
環境との相互作用が重要
記号接地問題への一つの回答

5.2 LLMへの批判

身体化の観点からのLLM批判：

身体的経験なしに真の理解は可能か？
テキストだけで意味を獲得できるか？
「接地されていない」記号操作

5.3 反論と議論

言語自体が経験を符号化している可能性
マルチモーダルモデルによる部分的接地
「理解」の定義自体が問題

5.4 ロボティクスとの統合

身体化AIへの取り組み：

LLMによるロボット制御
視覚-言語-行動の統合
World Models：環境のシミュレーション

6. 参考文献

予測処理

Clark, A. (2013). "Whatever next? Predictive brains, situated agents, and the future of cognitive science" Behavioral and Brain Sciences
Hohwy, J. (2013). "The Predictive Mind" Oxford University Press

自由エネルギー原理

Friston, K. (2010). "The free-energy principle: a unified brain theory?" Nature Reviews Neuroscience

脳とNN

Yamins & DiCarlo (2016). "Using goal-driven deep learning models to understand sensory cortex" Nature Neuroscience
Schrimpf et al. (2021). "The neural architecture of language: Integrative modeling converges on predictive processing" PNAS

身体化認知

Varela, Thompson & Rosch (1991). "The Embodied Mind" MIT Press
Bender & Koller (2020). "Climbing towards NLU: On Meaning, Form, and Understanding in the Age of Data" ACL