イリノイ大学アーバナ・シャンペーン校のグレンジャー工学部の新たな研究は、脳の最も初期の感覚皮質が情報を「受動的に受け取る」だけでなく、意思決定のプロセスにおいて予期せぬ積極的な役割を果たしていることを示した。この発見は、脳の階層的かつ段階的な処理に関する長年主流の古典的なモデルに疑問を投げかけます。研究チームは、このよりダイナミックで双方向のインタラクティブなニューラル組織化手法が、将来的に低エネルギー消費と高効率の人工知能アーキテクチャに新たなインスピレーションをもたらすと期待されていると考えています。

伝統的な見解では、脳の意思決定プロセスは一般に一方向の「ボトムアップ」階層経路に従うというものです。つまり、情報は視覚、聴覚、体性感覚などの初期感覚野から入り、徐々に高次の連合皮質および前頭皮質に伝達され、最終的にこれらの「高次中枢」で統合と意思決定が完了します。この理解に基づいて、畳み込みニューラル ネットワークなどのほとんどの人工知能システムは同様の階層構造を採用しており、情報が一定の方向に沿って層ごとに処理され、最上位レベルで「決定を出力」した結果として知能が認識されます。しかし、自然知能の理解が深まるにつれて、この単純化しすぎた「組立ライン」モデルに疑問を抱く学者が増えてきました。

この研究は、イリノイ大学電気・コンピュータ工学部教授のユーリー・ヴラソフ氏が主導し、論文は米国科学アカデミー紀要（PNAS）に掲載された。研究チームは脳をシステムレベルから再検討することを選択し、脳を進化によって形づくられた「自然知能」システムとみなして、一方向のシリアル処理チェーンではなく、異なる脳領域間のフィードバックループと双方向の情報の流れを強調した。この枠組みの下では、意思決定は、高次の領域によって「一方向に発行される」命令としてではなく、複数の脳領域間の継続的な相互作用および共創の結果として見なされます。

自然知能の際立った特徴は、高い効率とエネルギー節約です。複雑な知覚、認知、意思決定タスクを完了する際の人間の脳のエネルギー消費は、今日のほとんどの人工知能システムのエネルギー消費よりもはるかに低いです。この効率性の源泉を理解するために、研究チームは特定の機能モジュールに限定されるのではなく、アーキテクチャ全体から出発し、異なる領域間の連携を検討します。ヴラソフ氏は、脳が意思決定の計算をアーキテクチャレベルでどのように組織化するかを理解することで、エンジニアリングコミュニティがより効果的で、より省エネで、より「スマート」な次世代の人工知能システムを設計するのに役立つことが期待されると述べた。

具体的な実験計画の観点から、研究者らは脳の最も初期の処理段階、つまり感覚と知覚を担う領域に焦点を当てた。彼らはマウスを使った実験を行い、動物が仮想現実の廊下を移動できるようにし、触手を通して環境を感知し、右か左かを知覚的に決定した。このプロセス中、研究者らは、一次体性感覚皮質（S1）の反応パターンに特に注意を払いながら、マウスの脳の広い領域のニューロンの活動を記録しました。

その結果は予想外でした。意思決定に関連する信号は、伝統的に「基本的な感覚を処理するだけ」とみなされてきた一次体性感覚野で明確に捕捉されました。これは、意思決定プロセスが高次皮質の「後端」でのみ開始されるのではなく、脳の最前線にある感覚処理段階ですでに明白な意思決定表現が現れていることを示している。言い換えれば、初期の感覚領域は単に「生データ」をパッケージ化してアップロードするだけではなく、非常に早い時点でのアクションの選択のエンコードに関与します。

さらなる分析により、一次体性感覚皮質の活動は単独で発生するのではなく、高次の脳領域からのフィードバックによって大きく調節されることが判明しました。このトップダウンのフィードバック信号は、ボトムアップの感覚入力とともに、S1 の神経活動のパターンを形成します。脳は「知覚から意思決定まで」という単一の経路に沿って直線的に進むのではなく、複数のレベル間のフィードバックループを通じて継続的に情報を交換し、外部情報の解釈と行動の選択を完了することがわかります。

Vlasov氏は、脳の「ニューラルコーディング」はまだ解読されていない言語のようだが、これらのフィードバックループと動的な相互作用をシステムレベルから理解することで、人工ニューラルネットワークの設計に貴重なインスピレーションをすでに提供できる可能性があると指摘しました。現在の人工知能には、意思決定レベルにおいて明らかな欠点がまだあります。ただし、自然知能は、同じタスク、またはさらに複雑なタスクの下で、現代のハードウェア システムよりもはるかに低いエネルギー消費で計算を完了できます。この背後にある建築上の経験は、エンジニアリング コミュニティが「自然から学ぶ」に値します。

この研究は「より良いAI」を構築するための工学的青写真を直接提供するのに十分ではありませんが、研究チームは人工知能を再考するための視点を提供すると信じています。研究者は、脳がどのように情報を整理して処理するかを系統的に研究することで、アーキテクチャ、エネルギー効率、意思決定メカニズムの観点から人工知能の改善を導くための一連の応用可能な原則を要約することが期待されています。将来の AI システムは、厳密な階層化と一方向の通信フレームワークから脱却し、代わりに、生物学的な脳に似た、より動的なフィードバックと並列相互作用構造を導入する必要があるかもしれません。

次に、ヴラソフ氏のチームは、神経活動の急速な時間的ダイナミクスの研究に焦点を当て、時間次元での脳活動の変化の追跡を継続する予定です。彼らは、より高い精度で神経信号を測定および分析するための新しいツールを開発しており、より高い時間分解能のデータから意思決定にフィードバック ループがどのように関与しているかを明らかにしようとしています。彼の見解では、これらのフィードバック ループが時間内にどのように活性化され、異なる処理レベル間でどのように形成および再構築されるかを確認することによってのみ、自然知能の動作を真に理解し、それを新世代の人工知能アーキテクチャの設計基盤に変換することができます。