人間のように考える：AIは類推能力を身に付けられるか？

新しいものに出会うと、人は本能的に比較を求めます。原子を学ぶ子どもは、電子が原子核を「惑星が太陽を回るように」回ると聞くかもしれません。起業家は自社のスタートアップを「ペットのトリミング版Uber」と売り込むかもしれません。科学者は専門外の人に、脳は「コンピューターのように」情報を処理すると説明するかもしれません。

あるものが別のものと深い構造で似ていると見抜く、この思考の飛躍を類推と呼びます。それは、現在のAIと人間の知能を分ける要素かもしれません。いまだ実現していないAIの聖杯、汎用人工知能（AGI）をいつか開発するには、機械がそもそも類推的に考えることを学べるのかを解明する必要があります。その重要性は計り知れません。答えが「いいえ」なら、最も高度なAIも永遠に立派な計算機にとどまります。学習したデータの並べ替え以上を必要とする問題は解けないのです。

理解の構造

類推は表面的な類似ではなく構造的な類似に基づきます。心臓と水ポンプの共通点は何でしょうか。外見ではありません。どちらもシステム内で液体を循環させる、まったく同じ機能を果たすことです。ある文脈に特有の関係を別の文脈に対応付ける能力こそ、人間の学習、創造性、問題解決を独自のものにしています。

実例はいくらでもあります。優れたドイツの化学者アウグスト・ケクレは、蛇が自分の尾をかむ夢からベンゼンの構造のヒントを得ました。現代のプログラマーは台所の整理から学んだことをコードの構成に応用し、教師は電流を管の中の水の流れに例えます。

ところが現在のAIは、このありふれた認知能力を非常に苦手としています。現代の大規模言語モデル（LLM）は、求められれば「時は金なり」の意味を喜んで説明し、言語的な推論問題も解きます。しかし、蓄積する研究証拠は、それが本当の構造対応ではなく、高度なパターン照合である場合が多いことを示唆します。学習データから外れた新しい類推問題を研究者が提示すると、性能はしばしば急落します。LLMは見たことのある類推の再現には優れる一方、新しいつながりを作るよう求められるとつまずくのです。

類推なしにAGIはない

明らかに、類推はAGIの不可欠な条件です。これがなければAIは脆弱なままで、ある分野で役立つ知識を別の分野の問題に応用できません。晴れたカリフォルニアの道路の走り方は学んでも、その学習を雪道に広げられない自動運転車を考えてください。そのAIは高価なパターン照合装置であり、本物の知能を持つシステムではありません。真の知能には、細部が違っても凍結路の運転が他の滑りやすい路面の状況と構造的に似ていると気づく認知的柔軟性が必要です。

もちろん同じ原則は自動運転以外にも当てはまります。類推は科学、医療診断、法的推論、創作の進歩も促します。この能力のないAIは、図書館全体を暗記していても分野を越えて知識を統合できない学者のようです。見事ではあっても、狭く限られた意味でしかありません。

類推する知性を構築する

人間のように類推できるAIには何が必要でしょうか。新たな研究と類推の基本的な性質に照らすと、いくつかの重要な条件と技術が必要と考えられます。

構造的に豊かで多様な学習データ

第一に、表面的な文章パターンを越えたデータでAIを学習させる必要があります。論文、技術文書、創作物、説明資料を豊富に持つインターネットは良い出発点です。ただし、どんなネット上のデータでもよいわけではありません。必要なのは構造的な多様性です。抽象的なパターンを認識させるには、学習初日から対照的なものに触れさせるべきです。建築図面と楽譜、数学の証明と詩、法的議論と料理のレシピを並べることも考えられます。それぞれ異なる関係構造を持つため、将来のAGIはこうした練習から恩恵を受けるでしょう。

さらに重要なのは、単なる統計的相関ではなく、構造的な関係を保持し強調するデータです。知識グラフ、因果図、概念間の明示的な対応関係は、関連を機械的に暗記するのでなく構造を「見る」ことをAIが学ぶ助けになり得ます。ものが何かだけでなく、どのような原則で互いに関係するかを教えるのです。

学習データの外で試す

単なる模倣の上達ではなく、本当に類推を学んでいると確かめるには、未経験の状況に構造を対応付ける能力を意図的に探る道具が必要です。学習データにありそうな内容とは、わざと異なる問題を作ります。研究者が「反事実的」課題と呼ぶものです。

たとえば「子犬と犬の関係は、子猫と____の関係に等しい」という定番の穴埋めではなく、架空の概念を使った問題や、結び付けられた例を見たことのない分野同士の対応を示せます。食材とレシピの関係が、証拠と法的議論の関係に対応すると、初めての比較でも気づけるでしょうか。こうした試験は、基礎となる構造を理解しているのか、似た例を思い出しているだけかを明らかにします。

重要な能力を測る

開発者にとって朗報なのは、人間が類推をどう処理するかについて、何十年もの認知科学研究があることです。これを使って堅牢な評価基準を作れます。ただし、類推テストの正解数を数えるだけでは不十分です。表面的な類似を無視し、一貫した対応を保ちながら、対応付けるべき関係を特定できるかを捉える指標が必要です。

高次の関係の発見に点を与える評価方式も考えられます。原子にも太陽系にも周回があると気づくだけでなく、その軌道を支配する因果関係も理解できれば、より高い点を与えます。また、あらかじめ構造化された類推問題を解くだけでなく、新しい概念を説明する適切な類推を自発的に作れるかも評価できるでしょう。

プロンプトで足場を作る

最近の研究では、AIの類推能力は、どう問いかけるかに大きく左右されるとされています。類推を促すプロンプト、つまり構造を対応付ける過程を明示的に案内する方法は、問題を突然提示するだけより高度な推論を引き出せます。まず元の分野の関係を特定させ、その関係を対象分野に対応付けるよう明示的に求める方法などです。

この技法には、現行AIの類推能力を高めると同時に、将来のモデル向けの学習データを作るという二つの用途があり得ます。案内付きの類推に成功した例を記録すれば、後のシステムがより自然にその過程を行うための教材を作れます。

ハイブリッド構造

人間のような類推を実現するには、純粋なニューラルネットワーク方式を越える必要があるかもしれません。パターン認識と、構造的な関係を明示的に表現し操作する記号推論を組み合わせたシステムが、欠けた要素を補う可能性があります。ニューラルネットワークは暗黙のパターンの学習に優れ、記号システムは類推に必要な構造の一貫性と論理的な対応を確保できます。

ハイブリッド構造はまだ初期段階ですが、可能性が積極的に探究されています。たとえば、ニューラルネットワークと記号推論の組み合わせを支持する研究があり、類推能力の向上につながるかもしれません。別の研究は、ハイブリッドモデルを提唱し、AIが事実でない内容を作り上げたり、浅い類推にとどまったりする傾向への対処を目指しています。

次はどこへ向かうのか

誰に尋ねるかによって、類推はすでに現れつつあるとも、AIが模倣を巧妙にしているだけとも言われます。どちらが真実に近いにせよ、AGIの夢の実現には、大きなモデルや大量のデータ以上のものが必要です。AIの構造、学習、評価の方法にも根本的な革新が求められます。

AIの変革力が広がる中、類推は重要な性能基準であると同時に、現在のAIと本物の人間の認知の隔たりを冷静に思い起こさせます。民主主義と市民の関係はオーケストラと音楽家の関係に等しいとAIが見抜き、表面ではなく、調整、代表性、創発する調和という深い構造的関係を認識するとき、真の知能に向けた重要な一線を越えることになるでしょう。