人工知能と認知モデルの統合：一般的な認知モデルを用いた生成ネットワークの拡張

Core Concepts

一般的な認知モデル(CMC)を用いて、生成ネットワークを人間の認知プロセスに統合する新しい理論的枠組みを提案する。

Abstract

本論文は、人工知能分野の生成ネットワークモデルと、認知科学の一般的な認知モデル(CMC)を統合する理論的枠組みを提案している。

主な内容は以下の通り:

1. CMCの主要な構成要素(知覚、作業記憶、運動、宣言的記憶、手続き記憶)について説明する。特に、手続き記憶を担う生産ルールシステムに注目する。

2. 生成ネットワークをCMCの各モジュールに接続する「パイプライン」アーキテクチャの問題点を指摘する。

3. 新しい「中間記憶(Middle Memory)」インターフェースを提案する。これにより、生成ネットワークの出力を中間層で処理し、中央の生産ルールシステムに渡すことができる。

4. CMCのモジュールを「影の生産システム」として再定義する。これにより、各モダリティの専門知識を活用しつつ、文脈情報も考慮した処理が可能になる。

5. 影の生産システムと中央の生産ルールシステムの相互作用により、記号的推論と統計的予測を統合できる可能性を示す。

6. この統合アーキテクチャが、因果推論やメタ認知といった高度な認知プロセスのモデル化に役立つと考察する。

Stats

生成ネットワークは人間の認知プロセスを完全にモデル化できないが、知覚、想像力、自然言語処理などの詳細なプロセスモデルを提供できる。
一方、伝統的な認知モデルは論理的推論や問題解決プロセスをよくモデル化できるが、生成能力が限られている。
両者を統合することで、人間の行動をより包括的にモデル化できる可能性がある。

Quotes

"Intelligent systems gain significant robustness by possessing both Good Old-Fashioned Artificial Intelligence (i.e., GOFAI or "symbolic") reasoning and connectionist statistical learning."
"Integrating traditional cognitive modelling approaches with generative networks may therefore yield architectures that are better able to support modelling the full range of human behaviour, and may broaden the range of problems solvable by a unitary AI system."

Key Insights Distilled From

Bridging Generative Networks with the Common Model of Cognition

by Robert L. We... at arxiv.org 03-29-2024

https://arxiv.org/pdf/2403.18827.pdf

Deeper Inquiries

人間の学習プロセスと生成ネットワークの学習プロセスの違いはどのように説明できるか?

人間の学習プロセスと生成ネットワークの学習プロセスの主な違いは、獲得されるルールや知識の取得方法にあります。人間は非常に少ない反復でルールを獲得しますが、ニューラルネットワークは多くの反復を通じてルールを獲得します。さらに、これらの学習されたルールは、人間の学習とは異なり、致命的な干渉に影響を受ける可能性があります。人間はルールの適用を忘れることがありますが、新しいルールを学んでも以前に獲得したルールが消えたり変化したりすることはありません。これらの観察から、人間のルール獲得システムは、ニューラルネットワークのルール獲得とは大きく異なることが示唆されます。これは、人間のルール学習システムがニューラルであるということを否定しているわけではありませんが、特別なニューラル構造を組み込むことで、これらの回路が認知を支援するようにスケーリングされる可能性があることを示唆しています。