今日の内容 現代の科学は 哲学の伝統的な問題である概念形成あるいは抽象の問題に どこまで迫っているのだろうか? 人工知能の研究は 心と世界あるいは抽象と具体の哲学的問題に どのような光を ( あるいは影を ) もたらすのか? コンピュータは概念をもつことができるか? 近年の深層学習によるブレークスル

人工知能の哲学入門

池田真治

富山大学・人文学部 哲学分野准教授

今日の内容

•  現代の科学は、哲学の伝統的な問題である概念形成ある いは抽象の問題に、どこまで迫っているのだろうか？ •  人工知能の研究は、心と世界あるいは抽象と具体の哲学 的問題に、どのような光を（あるいは影を）もたらすのか？ •  コンピュータは概念をもつことができるか？ •  近年の深層学習によるブレークスルーは、心の哲学にど のようなインパクトをもつのか？ 2

コンピュータは考えることができるか

•  第三次人工知能ブームの到来。 •  コンピュータは人間のように考えることができ るのか？ •  人間がもっているような仕方で、高次に抽象 的な概念を、人工知能は持つことができるの だろうか？ 3

「概念」とは何か

•  「人間がもっているような高次に抽象的な概念」 とはそもそも何だろうか？ •  「無限」、「完全な円」、「自由」、「存在」、「神」な どの観念を、人工知能は持てるのだろうか？ →「観念」とは何か。「概念」とは何か。 　 「抽象化」とは何か。 4

機械は意味を理解するか

•  コンピュータとは、記号を操作して情報を処理す る構文論的なプログラム。 •  コンピュータは人間と同じような仕方で、「意味の 理解」をもつのだろうか？ •  人間がもつような「意味」の「理解」を、物理的な 機械も持ちうるのだろうか？ →「意味」とは何か。「理解」とは何か。 5

科学と哲学の問題を接続する

•  概念を形成するという人間の抽象化の能力を、 機械でどう実現するか。 →科学の現代的問題。 　　「ディープ・ラーニング」というブレーク・スルー。   •  「概念形成の問題」あるいは「抽象の問題」 →哲学の伝統的問題。 6

深層学習と抽象の問題

•  深層学習＝抽象化？ •  特徴量＝概念？ コンピュータは具体的な事物や現象から抽象化 して概念をえるという人間の思考の能力を実現 しているか？ 7

記号接地問題

•  記号をそれが意味するものと結びつけられるかという問題。 •  コンピュータは記号の「意味」がわかっていないので、記号 をその意味するものと結びつけることができない。 •  「シマウマ」が「シマシマのあるウマ」だと記述できても、「シ マウマ」というシンボルと、それを意味するもの（実際に存 在するシマウマ）をグラウンディング（接地）させることがで きない。 •  →「外界と相互作用できる身体がないと概念はとらえきれ ない」という「身体性」のアプローチ。

フレーム問題

•  あるタスクを実行するために、どれだけの関係事項を 想定すれば良いのかという問題。 •  関係ある知識だけを取り出してそれを使うという、人 間ならごく当たり前にやっている作業を機械に行わせ ることの難しさを示す問題。 •  コンピュータが「無数の関連のないものを無視する能 力を実現することができるか」という問題 –  ヒューバート L・ドレイファス［1972,1979］『コンピュータに は何ができないか―哲学的人口知能批判』産業図書 1992。

身体的アプローチ

•  ドレイファスによれば、人口知能研究は次の 前提によって初めから限界づけられている。 •  【前提】・・・世界は要素原子論の概念によっ て説明できる［⇔世界はデジタル化可能？］ •  ドレイファスの主張・・・感覚知覚は規則に従 う運命にある従来のデジタル・コンピュータに よっては実現されえない。

身体的アプローチ

•  ドレイファスは、「フレーム問題」が生じるのは、 まさにこの前提が関連しているという。 •  人口知能研究者には「身体」のはたす役割へ の洞察が欠落しており、「心をもたないという ことがデジタル・コンピュータの限界になるの と同じく、身体をもたないこともその限界にな る」と主張する。

媒介説と接触説

•  「媒介説」・・・観念や表象といった心に内的な対 象を介してのみ外的世界の認識が成立するとい う理論。 •  われわれを捉えて離さない固定的な概念枠組み （「描像」）として、内部にある心はその外部にあ るものについて何らかのもの（観念や言語）を介 してのみ何かを知るとする「媒介説」がある。 •  デカルト主義的な内部-外部の二元論的枠組み。

媒介説と接触説

•  「接触説」・・・媒介説が前提する主体／世界 の二分法的世界理解を拒否し、「世界内存 在」として主体を捉え、身体を通じた世界との 様々なかかわり合いのなかで認識が形成さ れるとする理論。 •  仲介者によってではなく実在と直接触れ合う ことによって知識の獲得を説明する。

接触説（身体的アプローチ）

•  ハイデガーやメルロ＝ポンティ、ウィトゲン シュタインなどの哲学者に依拠して、思考や 知識を身体的・文化的文脈に埋め込む理論。 すなわち、　人間が身体を備えた社会的・文 化的主体としてあるという側面を重視。 •  ドレイファスらは接触説の立場に立ちながら、 多元的で頑強な実在論を擁護していく。 – ヒューバート・ドレイファス／チャールズ・テイラー 『実在論を立て直す』法政大学出版局、2016.

ディープラーニング

•  「深層学習」とは、ヒントンが2006年に開発した、 ニューラルネットワークにおいて多段の層をもつ 機構を用いた学習の手法。 •  その手法はパターン認識の能力を飛躍的に向 上させ、顔認証を含む物体認識や単純なゲーム の攻略などの情報処理に対して、これまでにな い圧倒的な性能を発揮。 •  人工知能の実現の障害とされた、フレーム問題 や記号接地問題の解決（解消）が期待される。 15

ディープラーニングの仕組み

•  上の層から下の層へ行くにつれて、無駄を省 き、情報を圧縮させる。 •  入力層と出力層のあいだにある中間層（隠れ 層）を形成するニューロンの数を減らしたり増 やしたりすることを繰り返すことで、抽象化と 一般化を実現し、必要な「特徴量」を抽出する。 •  こうすると、回路の中での情報の表現が、層 が進むに連れて高次の概念を表すようになる と期待できる。 16

ディープラーニングの仕組み

入 力 中間層 出 力 17

ディープラーニングの応用例

•  画像認識 •  音声認識 •  物体検出・物体認識 •  自然言語処理 •  コンピュータゲーム、アルファ碁（_{Deep Mind）} •  歩行者検出（_{Google Map）} •  自動運転技術 •  医療、etc. 18

何が「ブレークスルー」なのか

•  これまで、外界から与えられたデータのどこ に注目し、何を特徴量として問題とされている 情報を表現するかは、人間の能力に頼るほ かなかった。 •  しかし、深層学習により、機械が特徴量を自 動的に抽出できるようになる。 →ブレークスルー

パターン認識と機械学習

•  機械学習・・・「_{if-then」などの論理的構造に} よっては明示的に表現しにくい、パターン認 識や運動の認識などの暗黙的な知識を学習 させる目的で始まった。 •  ボルツマンマシン・・・観測データの生成的な 確率モデルとして位置づけられるニューラル ネットワーク。深層学習の基盤として用いられ ている。

深層学習

•  現在では、確率的モデル、確定的モデル、回 帰結合やより複雑なニューラルネットワークモ デルが提案され、それらを組み合わせた複合 的な深層学習が研究されている。

深層学習

•  「表現学習」representa@on learning –  人手で有望そうな候補をたくさん作り、データを使っ た学習でその中から選択する、という折衷的なアプ ローチ。 –  自然言語処理などでよく行われている。 •  「畳み込みニューラルネットワーク」convolu@onal neural network; CNN –  「ネオコグニトロン」・・・生物の脳の視覚神経系の構 造からヒントを得て、単純細胞層（S層）と複雑細胞層 （C層）を組み合わせた神経回路からなる。 –  入力に近い層では「エッジ」などの局所的な特徴が抽 出され、後段に行くほど大域的な特徴が抽出される。

ネオコグニトロンの構造

ネオコグニトロンによる特徴抽出

本質的情報の抽出

•  「観測データに内在する本質的な構造を、しかも、 単純な構造ではなく、簡単な構造から複雑な構 造へと階層化された潜在構造を捉えた情報表現 をデータからの学習によって獲得する」『深層学 習』p.5 •  深層学習では、観測データから本質的な情報を 抽出した内部表現や特徴を学習する。 –  Marr(1970):視覚情報処理の本質は、大脳皮質にし ろ機械学習にしろ、「観測可能な情報から観測不可 能だが生存に重要な本質的情報を推測すること」

深層学習の意義

•  今までの機械学習では特徴量を事前に指定 する必要があったが、深層学習では特徴量を 自動抽出できる。 •  深層学習は、観測データに内在する本質的 な情報を抽出する。 •  深層学習は、パターン認識タスクや予測タス クにおいて、極めて良い性能をもつ。

哲学的意義

•  どうやって特徴量を抽出するか、をコンピュータ で実現するために考案された、特徴量の抽出の ためのさまざまな規準は、抽象や概念形成の問 題に照らしても、極めて有意義。 •  例えば、情報量、独立性、説明性、スパース性、 不変性、ロバスト性（頑健性）、平滑性 •  こうした規準は、抽象概念がもつべき規準を考え させてくれる。 •  神経系をモデルにはしているが、特徴抽出に関 して良い性能が出せればいいので、身体との類 似性はそこまで必要ないのかもしれない。

ディープラーニングの課題

•  深層学習はまだはじまったばかり。 •  深層学習で得られた内部表現がなぜ良い性能につながる のか、まだよくわかっていない。 •  また深層学習で得られた内部表現には解釈の困難なもの が多い、という問題。（つまり、結果として得られた内部表 現が、最適なものになっている保証はない） •  理論的にも不十分な点、解明されていない点が多い。 → 研究や発展の余地。

参考資料

•  松尾豊、『人工知能は人間を超えるか　ディープラーニング の先にあるもの』、角川EPUB選書、2015。 •  ヒューバート L・ドレイファス、『コンピュータには何ができない か―哲学的人口知能批判』、黒崎政男・村若修 [訳]、産業図 書、1992。 •  ヒューバート・ドレイファス／チャールズ・テイラー、『実在論を 立て直す』村田純一[監訳]、法政大学出版局、2016。 •  人工知能学会[監修]、『深層学習』、近代科学社、2015。 •  甘利俊一、『脳・心・人工知能』、講談社ブルーバックス、 2016。 •  福島邦彦、「神経回路モデル「ネオコグニトロン」」 2010、 hTp://dbnst.nii.ac.jp/pro/detail/498