脳全体のモジュール構成情報

モジュール構成情報は、機械学習モジュールおよびその接続情報です。 脳全体のモジュール構成情報は、脳全体についてのモジュール構成情報であり、全脳アーキテクチャ中心仮説を前提とした全脳アーキテクチャ・アプローチにおいては、この情報により認知アーキテクチャが構成されることを前提としています。

この情報は、全脳アーキテクチャ・アプローチのミッション・ステートメントの前半部分である「脳全体のアーキテクチャに学び〜」を体現するために非常に重要です。そして、この情報は認知アーキテクチャに制約を与えることから、「脳型制約」と呼ぶこともあります。

脳全体のモジュール構成情報の利用にあたって

利用するメリット

知識不足を補う

神経科学の知識が(ほぼ)なくても、モジュール毎に割り当てられた機能を接続するインタフェース制約を BriCA言語で記述して接続すれば脳型 AI 開発に貢献できる。

AGI への到達可能性

脳をガイドとしているので、いずれは人間レベルの AGI に到達できる見込みがある。

開発コストの削減

ある程度開発が進んだ後であれば、部品を置き換えれば認知アーキテクチャとして即稼働できる。

ロバスト性

困ったときに他のモジュールに助けられて、例外などに強くなるロバスト性を持つ。

利用するデメリット

モジュールを登録するコスト

開発しているモジュールの機能に応じて脳内の位置づけを決定し、それに応じて BriCA 言語でコネクションを記述するコストが発生する。

※ WBAI 側にアドバイザーがいれば緩和できる。

モジュールを登録するコスト

コネクションの決定にあたってインタフェースに制約が生ずる。

脳内の適切なモジュラリティを決定したり、ユーザ側のプログラムを適切に分割したりなどで対応する。

コネクトーム情報の活用とその課題

脳全体のモジュール構成情報の主要な情報源としては、様々な動物種における脳全体のメゾスコピックな接続(コネクトーム・データ等)が想定されています。

コネクトーム・データを BriCA言語上で表現すること自体も一つの技術課題です。 しかし仮に、「脳は機械学習モジュールに分解できる」という仮説を受け入れたとしても課題が存在し、今後の研究や検討が必要です。 以下に代表的な課題を列挙します。

  • 課題1:静的なモジュール間結合は密すぎて、認知アーキテクチャを構築するには不十分かもしれない。
  • 課題2:メゾスコピックなレベルでの神経集団のクラスタリングが、機械学習モジュールとすべきクラスタと一致する保証がない。
  • 課題3:特定の認知タスクを実行しているコンテクストにおいてのモジュール間の関係性を考慮すべきであろう。