大規模モデルは常に大きくなり続けており、主流の見解では、モデルのパラメータ数が多ければ多いほど、人間の思考に近づくとされている。しかし、浙江大学のチームは4月1日に《Nature Communications》に掲載された論文で異なる見解を提示している（原文リンク：https://www.nature.com/articles/s41467-026-71267-5）。彼らは、モデル（主にSimCLR、CLIP、DINOv2）の規模が大きくなると、具体的な事物を認識する能力は確かに向上するが、抽象的概念を理解する能力は向上せず、むしろ低下することが明らかになった。パラメータ数が2206万から3.0437億に増加した際、具体的な概念タスクの性能は74.94%から85.87%に上昇した一方で、抽象的概念タスクの性能は54.37%から52.82%に低下した。
人間とモデルの思考方法の違い
人間は概念を処理する際、まず分類関係を形成する。スワンとフクロウは外見が異なるが、両者を「鳥」というカテゴリに分類する。さらにその上位カテゴリとして、鳥と馬は「動物」として分類される。人間は新しいものを目にするとき、これまでに見たものと似ているかどうか、どのカテゴリに属するかをまず考える。人間は新しい概念を継続的に学習し、経験を整理して、この関係性を用いて新しい事物を識別し、新しい状況に適応する。
モデルも分類を行いますが、その形成方法は異なります。モデルは大規模なデータ内で繰り返し現れるパターンに主に依存します。具体的な対象がより多く出現すれば、モデルはそれをより簡単に認識できるようになります。しかし、より大きなカテゴリの段階になると、モデルはやや苦戦します。複数の対象間の共通点を捉え、それらを同じカテゴリに統合する必要があるからです。現在のモデルには、この点で明確な課題があります。パラメータをさらに増大させると、具体的な概念タスクの性能は向上しますが、抽象的な概念タスクは時に低下することもあります。
人間の脳とモデルの共通点は、内部に一連の分類関係を形成することである。しかし、両者は重点が異なり、人間の脳の高次視覚領域は自然に生物と非生物などの大分類を区別する。一方、モデルは具体的な対象を分離できるが、このようなより大きな分類を安定して形成するのは難しい。この違いにより、人間の脳は過去の経験を新しい対象に適用しやすく、見慣れないものに対しても迅速に分類できる。一方、モデルは既存の知識に依存するため、新しい対象に遭遇した際、表面的な特徴にとどまりがちである。本論文で提案される手法は、この特徴に基づき、脳信号を用いてモデルの内部構造を制約し、人間の脳に近い分類方式に近づけることを目的としている。
浙江大学チームのソリューション
チームが提案した解決策も独自で、パラメータをさらに増やすのではなく、わずかな脳信号を監督に用います。この脳信号は、人が画像を見ている際の脳活動の記録から得られます。論文の原文では、human conceptual structures を DNNs に transfer すると記されています。つまり、人間の脳がどのように分類し、どのように帰納し、類似した概念をどのようにまとめるかを、可能な限りモデルに教えるということです。
チームは、150の既知の訓練カテゴリと50の未見のテストカテゴリを用いて実験を行った。その結果、訓練が進むにつれて、モデルと脳の表象との距離が継続的に縮小することが示された。この変化は両方のカテゴリで観察され、モデルが個々のサンプルではなく、人間の脳に近い概念の組織方法を真正に学習し始めていることを示している。
このトレーニング後、モデルはサンプルが非常に少ない場合でも学習能力が向上し、新しい状況への対応も改善されました。極めて少ない例示しか与えられず、生物と非生物といった抽象的な概念を区別するタスクでは、モデルの平均性能が20.5%向上し、はるかに大きなパラメータ数を持つ対照モデルを上回りました。チームはさらに31の専用テストを実施し、さまざまなモデルで約10%の性能向上が見られました。
過去数年、モデル業界で一般的だった道は、より大きなモデル規模の追求だった。一方、浙江大学のチームは別の方向を選択し、「大きいほど良い」から「構造化された方がより賢い」へと移行した。規模の拡大は確かに有効だが、主に既知のタスクでの性能向上に寄与している。人間が持つ抽象的理解や転移能力はAIにとっても同様に極めて重要であり、今後はAIの思考構造を人間の脳により近づける必要がある。この方向性の価値は、業界の注目を単なる規模拡大から、認知構造そのものへと再び引き戻す点にある。
Neosoulと未来
これはより大きな可能性を示唆しています。AIの進化は、モデルの訓練段階にとどまらない可能性があります。モデルの訓練は、AIが概念をどのように整理し、より高品質な判断構造を形成するかを決定します。しかし、現実の世界に進んだ後、AIのもう一つの進化の段階がようやく始まります。それは、AIエージェントの判断がどのように記録され、検証され、現実の競争の中で継続的に成長・進化するかというものです。人間のように自己学習・自己進化を遂げるのです。これがまさにNeosoulが現在行っていることです。Neosoulは、AIエージェントに答えを生み出させるだけでなく、AIエージェントを継続的な予測、検証、決済、選別のシステムに組み込み、予測と結果の間で自らを最適化させ、より良い構造を維持し、劣った構造を淘汰させています。浙江大学のチームとNeosoulが共に目指しているのは、実は同じ目標です。AIに問題を解く能力だけでなく、包括的な思考能力を持たせ、継続的に進化させることです。