資料WG5-1 CiNet 西本様プレゼンテーション資料

総務省省 情報通信審議会 AI・脳研究WG 第５回 2016/4/15
脳研究と⼈人⼯工知能研究の接点：
実験神経科学の視点から
⻄西本伸志
1)  国⽴立立研究開発法⼈人 情報通信研究機構 脳情報通信融合研究センター
2)  ⼤大阪⼤大学 ⼤大学院医学系研究科
3)  ⼤大阪⼤大学 ⼤大学院⽣生命機能研究科
⾃自⼰己紹介：専⾨門分野（システム神経科学）
(1) ⼤大脳視覚野における情報処理理の理理解（神経⽣生理理学、動物）
神経回路路
⽪皮質刺刺⼊入型多点電極
(Utah Array)
V5/MT野細胞の時空間受容野
(2) ヒト⾃自然認知下における脳活動モデル化と脳情報解読（fMRI、ヒト）
A
underwater
animal
text
body
part
face
talk
person
man
mist
backpacker
athlete
room
structure
boat
hallway
3rd PC
wheeled
vehicle
car
2nd PC
fMRI（機能的磁気共鳴画像）
脳内知覚の映像化
B
脳内意味空間の定量量
text
structure
car
boat
wheeled
分野の国際プレゼンス
ヒト脳情報の解読/制御分野において⽇日本は⼀一定の国際プレゼンスがある
例例：川⼈人（ATR)、神⾕谷（京⼤大/ATR）、⻄西本（NICT）、…
Natureの特集等で分野を代表する
研究例例として度度々紹介（2012-‐‑‒）
Google⽶米国本社に呼び出されて
脳情報解読について講演（2015）
前提と概要
脳とは：
§  存在が確認されている唯⼀一の汎⽤用知能
§  ⼈人⼯工知能が幸せにするべき対象
↓
脳研究と⼈人⼯工知能研究が相互参照
することは有益なはず
↓
どうやって？
脳
↓
⽰示唆的な実験結果が直近5年年で出てきた
↓
今⽇日のお話：
§  ⼀一般（⾃自然）認知を司る脳神経活動の定量量理理解
§  脳内表象と深層学習表象の類似性
§  データ駆動型脳神経科学の促進へ
世界
⼈人⼯工知能
ヒト⾃自然知覚を⽀支える脳情報処理理の定量量理理解
知覚体験
脳活動
high
low
§  動画視聴中のヒト脳活動をfMRIで連続・全脳３次元記録
§  知覚体験（多次元時空間パターン）と脳活動（多次元時空間パターン）の関係を定量量的に
結ぶ（予測モデルを構築する）
ヒト⾃自然知覚を⽀支える脳情報処理理の定量量理理解
知覚体験
脳活動
high
エンコーディングモデル
デコーディングモデル
low
§  エンコーディングモデル（⼈人⼯工脳）
→脳型⼈人⼯工知能を開発するための数理理基盤
§  デコーディングモデル（脳活動解読機）
→何を感じて/考えて/意図しているかを解読するための数理理基盤
ヒト⾃自然知覚を⽀支える脳情報処理理の定量量理理解
知覚体験
脳活動
high
エンコーディングモデル
中間表象
（仮説）
映像、意味、印象、…
デコーディングモデル
low
§  エンコーディングモデル（⼈人⼯工脳）
→脳型⼈人⼯工知能を開発するための数理理基盤
§  デコーディングモデル（脳活動解読機）
→何を感じて/考えて/意図しているかを解読するための数理理基盤
初期視覚野脳活動のモデル化とデコーディング
(1) ⼈人⼯工脳訓練フェーズ
体験
脳モデル
脳活動
実際の知覚体験
初期視覚野脳活動から
推定した知覚体験
運動エネルギー
表象
(2) 脳活動解読フェーズ
体験
？
脳モデル
脳活動
(Nishimoto et al., 2011 Current Biology)
§  ⾃自然知覚下脳活動を運動エネルギー表象を⽤用いてモデル化
§  脳活動を解読することで知覚体験の映像化に（⼀一定精度度で）成功
§  応⽤用例例：画像を空想している時の脳活動から空想内容を推定
想起脳活動に基づくGoogle画像検索索 (Naselaris et al., 2015 NeuroImage)
⾼高次視覚野脳活動のモデル化とデコーディング
体験
⾃自然⾔言語
アノテーション
脳モデル
脳活動
⾃自然⾔言語
（word2vec）
表象
(Nishimoto and Kashioka 2015 patent pending; Nishida et al., SfN2015)
§  ⾃自然⾔言語処理理モデル(word2vec）由来の表象で脳活動モデル化に成功
§  客観的/主観的な知覚意味内容を脳活動から（⼀一定精度度で）解読
§  応⽤用例例：印象評定サービスとして今年年度度にも商⽤用化（株式会社NTTデータに技術移転）
wheeled
vehicle
3rd PC
脳が持つ世界観（意味空間）を定量量する
car
2nd PC
脳内意味空間
（主要３次元）
A
動物クラスタ
underwater
text
animal
text
body
part
face
talk
B
ヒトクラスタ
person
car
structure
man
boat
wheeled
vehicle
room
mist
backpacker
talk
athlete
man
face
body part
2nd PC
B
wheeled
vehicle
athlete
4th PC
乗り物クラスタ
backpacker
boat
hallway
car
2nd PC
(Huth, Nishimoto, Vu, Gallant, 2012 Neuron)
text
§  脳内における事物（男、ボート、霧…）間の表現類似度度を定量量化
§  ヒト、動物、乗り物等はそれぞれ別クラスタとして分布
car
boat
§  将来的には：ヒトと接する⼈人⼯工知能が持つべき世界観/常識識の”答え”
structure
wheeled
vehicle
例例：正しいAI「⼈人間どもは動物の⼀一種」 常識識的なAI「⼈人間は動物と違う！」
talk
room
man
underwater
animal
structure
3rd PC
hallway
person
room
2次元投射
mist
face
body part
mist
hallway
underwater
視覚経路路階層
深層学習と脳は似ている：階層的表象の類似性
§  脳と独⽴立立に学習した階層的表象が脳と
相同性を持つ（驚きの結果）
§  ⾃自然認知タスク（画像/動画認識識）最
適化を⾏行行ったら必然的に脳に似る？
深層学習(C3D)階層
Güçlü and van Gerven 2016
(Nishimoto et al., 2014 オープンデータ利利⽤用)
腹側経路路でも背側経路路でも
同様の階層的類似性
(Yamins et al., 2014;
Güçlü and van Gerven 2016)
§  より⾼高次の認知でも同様？
§  課題：脳データが少ない
データ駆動型脳神経科学とAIの融合を⽬目指して：もっとデータを！
§  ほぼ全てのヒト脳神経活動データ
個体あたりサンプル数（画像/刺刺激条件数）が10〜～数100程度度
特定の仮説検証が⽬目的 → 汎化が難しい
§  Nishimotoヒト⾃自然動画視聴下脳活動データ （2014)
個体あたりサンプル数7740（ヒトオープンデータとして世界トップレベル？）
DNNのファインチューニングぐらいには使える（Güçlü and van Gerven 2016）
§  ⽶米国Human Connectome Project (HCP, 2010-‐‑‒2015)
約45億円($40M)かけて1000⼈人以上について10〜～数100サンプル
“広い”ビッグデータ → 汎化が難しい/⽅方向性が異異なる
§  （提案）⽇日本版脳ビッグデータプロジェクト
個体あたり数万〜～数⼗十万サンプルのヒト⾃自然認知/脳活動対応データ
汎化/深層学習に耐える“深い”ビッグデータ → これから必要なデータ
多様な認知機能を対象としたデータ取得とモデル化
視聴覚認知
会話
ゲーム
…
個体脳から数10〜～数100時間（数万〜～数⼗十万サンプル）
§  多様な⾃自然認知条件下における脳活動と⾏行行動メタデータを従来より1-‐‑‒数桁多く集める
（視聴覚認知、会話、ゲーム、学習、購買、創造、SNS、倫倫理理、… )
§  多くの実験系と⼈人員が必要
（例例: MRI 10機/実験運⽤用/データ処理理 → HCP（$40M）相当？）
§  国研で⼤大規模データ取得を主導、⼤大学で個別の仮説検証
§  究極的には：⾼高次認知 → 判断 → … → ⼈人格のモデル化/再現
最後に：彼らがやること/私たちがやること
Googleplex, Mountain View, CA
2015年年6⽉月
Google Researchいわく
§  脳神経科学には⾮非常に興味がある
§  今のところは⼈人⼯工知能が最優先
§  研究は常に従来の1-‐‑‒数桁上を⽬目指す
§  共同研究が出来ないか考える
§  今のところGoogleは神経科学と⼈人⼯工知能を
直接関連づけようとはしていない（たぶん）
§  ただし神経科学者は随時採⽤用している
(AlphaGoのHassabis博⼠士も神経科学者）
彼らがやる前にやる
and/or
彼らも取らないリスクを取る