人間のように考える：AIはアナロジー推論を開発できるか？

新しいものに直面したとき、人間は本能的に比較を求める。原子について学んでいる子供は、電子が原子核を「太陽の周りを公転する惑星のように」周回することを聞くかもしれない。起業家は、自分のスタートアップを「ペットの美容のためのUber」として売り込むかもしれない。科学者は、脳が情報を「コンピューターのように」処理することを一般の人に説明するかもしれない。

この精神的な飛躍 – 一つのものが別のものとどのように似ているかを見つけること – はアナロジー推論と呼ばれ、現在の形態の人間の知能とAIを区別するものかもしれない。もし私たちがいつの日か真正のAGI（Artificial General Intelligence）を開発するのであれば、アナロジー推論を学ぶことがAIシステムに可能かどうかを知る必要がある。賭けは高すぎる。もし答えが「いいえ」であれば、最も洗練されたAIシステムは、単なる高性能な計算機に過ぎない。彼らは、学習データの単なる並べ替え以上の問題を解決することができない。

理解のアーキテクチャ

アナロジー推論は、表面的な類似性ではなく、構造的な類似性のレベルで機能する。たとえば、心臓と水ポンプはどのように似ているのか？確かに、それらの物理的な外見ではない。彼らが同じ機能、つまりシステム内で流体を循環させることを行うという事実である。人間の学習、創造性、問題解決が独特なものであるのは、この関係を一つのコンテキストから別のコンテキストにマッピングする能力があるからである。

現実世界の例は数多くある。例えば、有機化学者のアウグスト・ケクレは、蛇が自分の尾を咬む夢を見て、ベンゼンの構造についてのヒントを得た。今日、プログラマーは、コードを構造化するためにキッチンの整理のレッスンを適用し、教師は、電流を水がパイプを通って流れるのと比較して説明する。

しかし、現在のAIシステムは、この共通の認知スキルを非常に難しく見なしている。プロンプトに応じて、最新のLLM（Large Language Model）は、「時間は金である」ということの理由を説明したり、言語的推論のパズルを解決したりする。ただし、増え続ける証拠は、彼らが本物の構造マッピングではなく、洗練されたパターンマッチングに従事していることを示唆している。研究者がこれらのモデルに、学習データから逸脱した新しいアナロジー問題を提示すると、パフォーマンスはしばしば低下する。これは、LLMが以前に見たアナロジーを再現することに優れているが、新しい接続を築くことが求められるときに失敗するためである。

アナロジー推論なしにAGIはなし

明らかに、アナロジー推論はAGIの基本的な機能である。アナロジー推論がなければ、AIシステムは脆弱で、あるドメインで得られた知識を別のドメインで問題を解決するために適用することができない。例えば、日向のカリフォルニア州の通りを運転することを学んだ自動運転車が、雪の道を運転する方法を推論できない場合を考えてみよう。自動運転車のAIシステムは、高価なパターンマッチングシステムであり、本物の知能を持つシステムではない。真の知能を得るためには、氷の上を運転することが滑らかな表面上を運転することと構造的に似ていることを認識する認知的柔軟性が必要である。

同じ原則は、自動運転車以外のドメインにも適用される。アナロジー思考は、科学、医療診断、法的推論、創造的な取り組みにおける進歩も促進する。アナロジー能力のないAIシステムは、図書館の全ての本を暗記しているが、学問を超えてその知識を統合できない学者に似ている。印象的ではあるが、狭い意味でのみである。

アナロジー・マインドの構築

人間のようなアナロジー推論を可能にするAIシステムを開発するには、何が必要か？新しい研究とアナロジー思考の基本的な性質に基づいて、いくつかの重要な条件と技術が必要である。

構造的に豊かで多様な学習データ

最初の要件は、AIシステムが表面的なテキストパターンを超えたデータで学習することである。インターネットは、科学論文、技術文書、創造的な作品、説明的なコンテンツの膨大なリポジトリであり、良い出発点となる。ただし、どんなインターネットデータでもよいわけではない。構造的な多様性が必要である。つまり、AIシステムを抽象的なパターンを認識するように学習させるには、開発者はトレーニングの初期段階から対比を提示する必要がある。トレーニングデータには、建築の青写真と音楽のスコア、数学の証明と詩、法的議論と料理のレシピが含まれる可能性がある。各ドメインは異なるタイプの関係構造を体現しているため、将来のAGIはこのようなエクササイズから利益を得ることができる。

さらに重要なのは、このデータが構造的な関係を保存し、強調する必要があることである。知識グラフ、因果図、概念間の明示的にマッピングされた関係は、AIシステムが構造を「見る」ことを学び、機械的に関連性を記憶するのではなく、関係を学ぶことを助けることができる。AIに、物事が何であるかではなく、どのように関係しているかを教えるのと同じである。

学習セットを超えたテスト

AIシステムがアナロジー推論を学んでいることを確認するには、学習データから逸脱した新しいアナロジー問題を解決する能力をテストするツールが必要である。これには、「反事実」タスクと呼ばれるものを構築することが含まれる。

例えば、AIに標準的なアナロジーを完成させるのではなく、発明された概念を使用した問題を提示するか、ドメイン間の関係をマッピングすることを求めることができる。AIは、食材とレシピの関係が法的証拠と法的議論の関係と平行していることを認識できるか、それは特定の比較を見たことがないとしても。こうしたテストは、システムが根本的な構造を理解しているか、単に類似の例を思い出すかを明らかにする。

重要なものを測定する

AI開発者にとっての良いニュースは、人間がアナロジーをどのように処理するかについて、数十年の認知科学研究があるということである。開発者は、この研究を使用してアナロジー推論のための堅固な基準を開発することができる。ただし、これらの基準は、単にアナロジー・テストでの正解の数を数えるのではなく、AIシステムが関係をマッピングする際に、関係のどれが重要であるかを識別し、表面的な類似性を無視し、整合性を維持する能力を測定する必要がある。

これには、関係の識別を報酬とするスコアリング・システムが含まれる可能性がある。例えば、AIは、原子と太陽系が両方とも軌道上にあることを認識するだけでなく、軌道を支配する因果関係を理解することができれば、スコアが高い。別の能力を評価することができるのは、AIが新しい概念を説明するために適切なアナロジーを自発的に生成できるかどうかである。

プロンプティングによるサポート

最近の研究によると、AIのアナロジー推論能力は、プロンプトの方法によって大きく影響される。アナロジー・プロンプティング – モデルを構造マッピングのプロセスを通じて明示的に導く – は、単に問題を提示するよりも洗練された推論を引き出すことができる。ソース・ドメインでの関係を識別することを最初にシステムに求め、次にターゲット・ドメインへの関係をマッピングすることを明示的に要求することが含まれる。

このテクニックは、双方の目的を達成することができる。現在のAIシステムのアナロジー能力を向上させるだけでなく、将来のモデルにアナロジー推論を教えるためのトレーニングデータを生成することもできる。ガイド付きアナロジー推論の成功した例を記録することで、将来のシステムがこのプロセスをより自然に従事するように教えることができる。

ハイブリッド・アーキテクチャ

人間のようなアナロジー推論を達成するには、純粋なニューラル・ネットワーク・アプローチを超えて進む必要がある。パターン認識とシンボリック推論を組み合わせたハイブリッド・システム – 構造的な関係を明示的に表現し操作する – が、欠けているピースを提供する可能性がある。ニューラル・ネットワークは、暗黙的なパターンを学習することに優れているが、シンボリック・システムは、アナロジー推論が要求する構造的な整合性と論理的なマッピングを強制することができる。

ハイブリッド・アーキテクチャはまだ初期段階にあるが、研究者はその潜在性を積極的に探究している。いくつかの研究では、ニューラル・ネットワークとシンボリック推論を組み合わせることを提案し、アナロジー能力の向上につながる可能性がある。別の研究では、ハイブリッド・モデルを推進し、AIモデルのアナロジー推論を浅い方法で行う傾向を解決する。

次にどこへ?

誰に聞いても、アナロジー推論はすでに現れているか、AIは単にミミックリーを改善しているか、どちらか一方である。どちらの立場が真実に近いかはわからないが、AGIの夢が実現するためには、より大きなモデルやより多くのデータだけでは十分ではない。AIシステムの構造、トレーニング、評価方法における根本的な革新が必要である。

AIの変革的な能力が展開するにつれて、アナロジー推論は、パフォーマンスの重要な基準と、AIの現在の能力と真正の人間の認知の間のギャップを思い起こさせるものとなる。AIシステムが、民主主義が市民に対して何であるかとオーケストラが音楽家に対して何であるかを認識し、表面的な特徴ではなく、調整、表現、出現する調和についての深い構造的な関係を認識することができるようになると、真正の知能への重要なしきい値を超えることになる。