大阪大学、人工知能が人と同じ視線を獲得「詰め込み教育」はだめ

大阪大学は9日、情報量を最大化する自発的な学習を行ったビジョン・トランスフォーマー（ViT）と呼ばれる人工知能が、人間と極めてよく似た場所を見るように「育つ」ことが発見されたことを発表した。

大阪大学大学院生命機能研究科ダイナミックブレインネットワーク研究室北澤茂教授と大阪大学大学院医学系研究科脳生理学研究室山本拓都氏（博士課程）らは、動画を見るときの人間の視線計測データと人工知能（ViT）の「注意」を比較して、情報量を最大化する自発的な学習（DINO法の学習）をした人工知能が人間と極めてよく似た場所を見るように「育つ」ことを発見した。

一方で、画像識別を行うように「詰め込み」型の教育を受けたViTは、人間とは違うところを見るようになった。

DINO法の学習をした人工知能は、一切「顔」の概念を教えていないのに、テレビ番組や映画のシーンを見せると、その場の主役を選んでその顔を見るようになった。さらに、視覚心理学で注意の研究に使われる人工的な画像に対しても、人間とよく似た場所を見ることが明らかになった。

ViTには、複数の注意の主体（ヘッド）が設定されている。さらに詳しく注意のヘッドを解析したところ、人間とよく似た場所に注意を向けるグループ1、場面に登場する人や物全体に注意を向けるグループ2、さらに背景だけに注意を向けるグループ3、の3群に分かれることが明らかになった。

伝統的な心理学では、心は世界を注意の対象である「図」とそれ以外の「地」に分離するとされてきた（図地分離）。同研究のDINO法で育てたViTは、図を図の全体（グループ2）と図の中心（グループ1）に分けていた。人間の視線がグループ1と一致したことから、人間もViTのように世界を3群に分けて理解している可能性が示唆される。

同研究の成果は、人と相性が良い人工知能の開発や、人間にとって自然な教育・学習法の開発・評価に応用されるものと期待される。

同研究成果は、5月21日に国際神経回路学会の機関誌電子版「Neural Networks」に掲載された。