人間にとって、象徴は私たちの周りの世界を理解する鍵であり、物体、アイデア、そしてそれらの間の関係性を解釈する方法です。

私たちは完全に類推に依存しており、それが現在のコンピューティング技術を極めて複雑で入り組んだものにし、現時点では時代遅れなものにしています。

人工知能 (AI) の人気の高まりと、OpenAI の ChatGPT ですでに見られる使用例は、必ずしも単なる「誇大宣伝」や株価の高騰を超える最良のアプリケーションではありません。

従来のコンピューティングでは、人工ニューラル ネットワーク (ANN) が何をしているのか、なぜそれほどうまく機能しているのかを完全に理解することはできません。また、透明性がまったくないことで、データがどのように収集され、分析されて、私たちが「進歩」と呼んでいる結果が吐き出されるのかを理解するのに大きな不利益が生じます。

「円」と「四角形」を区別できる ANN の次の例を考えてみましょう。

その区別を実現する方法の 1 つは明白です。つまり、1 つの出力レイヤーが円を示し、もう 1 つの出力レイヤーが正方形を示す場合です。

しかし、ANN に特定の形状の「色」（「赤」か「青」か）を識別させたい場合にはどうすればよいでしょうか。

「色」は完全に別のデータセットであるため、最終出力でその特徴を考慮できるようにするには追加の出力ニューロンが必要です。この場合、青い円、青い四角形、赤い円、赤い四角形にそれぞれ 1 つずつ、合計 4 つの出力ニューロンが必要になります。

さて、「サイズ」や「位置/場所」などの追加情報も考慮した計算が必要な場合はどうすればよいでしょうか?

特徴が増えるということは、特定の特徴（または特徴の組み合わせ）を「円」と「四角形」で定義する際に関連する各可能性を考慮する必要があるニューロンが増えることを意味します。

つまり、非常に複雑になります。

カリフォルニア大学バークレー校の神経科学者ブルーノ・オルシャウゼン氏は最近、あらゆる特徴の組み合わせに対応するニューロンを持つ必要性について語った。

「これは、私たちの脳が自然界のあらゆる変化を知覚する方法ではありません。あらゆる組み合わせに対応するニューロンを提案する必要があります」と彼は述べ、さらに、特定の実験で考慮したいと望んでいるあらゆる情報の組み合わせを説明するには、本質的に「紫色のフォルクスワーゲン探知機」または非常に難解なものが必要になると説明した。

「超次元コンピューティング」の登場です。

「超次元コンピューティング」とは何ですか?

超次元コンピューティングの核となるのは、複雑な画像から特定の情報 (メタデータなど) を解読し、その集合情報を「超次元ベクトル」と呼ばれる単一のエンティティとして表現するアルゴリズムの能力です。

従来のコンピューティングとは異なり、超次元コンピューティングでは、問題を記号的に解決することができ、ある意味では、超次元ベクトルに含まれるデータに基づいて特定の問題の結果を効率的かつ正確に「予測」することができます。

オルシャウゼン氏が他の同僚とともに主張しているのは、脳内の情報は大量のニューロンの活動によって表されるため、架空の「紫色のフォルクスワーゲン」の認識は単一のニューロンの活動によってではなく、集合的に紫色のフォルクスワーゲンを構成する数千のニューロンを通じて実現されるというものである。

同じニューロンのセットが異なる動作をすることで、ピンクのキャデラックなど、まったく異なる概念や結果が見られる可能性があります。

WIRED の最近の議論によると、鍵となるのは、車のアイデアやそのメーカー、モデル、色、またはそれらすべてを組み合わせた情報の各部分が、単一のエンティティ、つまり超次元ベクトルまたはハイパーベクトルとして表現されることです。

「ベクトル」とは、1、2、3 などの数字の順序付けられた配列に過ぎません。3D ベクトルは、3D 空間内の正確な点の x、y、z 座標の 3 つの数字で構成されます。

一方、「ハイパーベクトル」は、その次元空間内の点を表す数千または数十万の数値の配列です。たとえば、10,000 個の数値の配列を表すハイパーベクトルは、10,000 次元空間内の点を表します。

このレベルの抽象化により、柔軟性と、現代のコンピューティングを進化させ、人工知能 (AI) などの新しいテクノロジーと調和させる能力が得られます。

「これは私がキャリアを通じて最も興奮したことなのです」とオルシャウゼン氏は言う。彼や他の多くの人々にとって、超次元コンピューティングは、コンピューティングが効率的かつ堅牢で、機械による決定が完全に透明である新しい世界を約束するものだ。

「メタデータ」を超次元アルゴリズムに変換して複雑な結果を生成する

基礎となる代数は、システムが特定の答えを選択した理由を教えてくれます。これは、従来のニューラル ネットワークでは言えません。

これらのニューラル ネットワークが現実世界の物事をハイパーベクトルにマッピングし、その後、超次元代数が引き継ぐことを可能にするハイブリッド システムを開発することが、私たちが周囲の世界をよりよく理解できるように AI をどのように使用すべきかという核心です。

「これは、あらゆる AI システムに期待されるものです」とオルシャウゼン氏は言います。「飛行機やテレビを理解するのと同じように、AI を理解できるはずです。」

「円」と「四角形」の例に戻って、それを高次元空間に適用すると、「形状」と「色」の変数を表すベクトルが必要になりますが、変数に割り当てることができる値、「円」、「四角形」、「青」、「赤」を表すベクトルも必要になります。

最も重要なのは、これらのベクトルは、実際にこれらの変数を定量化できるほど十分に異なっていなければならないということです。

さて、オルシャウゼンの学生であるエリック・ワイスに注目しましょう。彼は2015年に、複雑な画像を、画像内のすべてのオブジェクト（色、位置、サイズ）に関する情報を含む単一の超次元ベクトルとして最適に表現する方法という、超次元コンピューティングの独自の能力の一側面を実証しました。

言い換えれば、画像のメタデータの非常に高度な表現です。

「私は椅子から落ちそうになりました」とオルシャウゼンさんは言う。「突然、ひらめいたのです。」

その瞬間、より多くのチームが、画像の分類など、ディープニューラルネットワークが20年前にすでに取り組んでいた「単純な」タスクを再現するための「超次元アルゴリズム」の開発に力を注ぎ始めました。

各画像に「ハイパーベクター」を作成する

たとえば、手書きの数字の画像で構成される注釈付きデータセットを取得する場合、この超次元アルゴリズムは各画像の特定の特徴を分析し、各画像の「ハイパーベクトル」を作成します。

各桁のハイパーベクトルの「クラス」を作成する

そこから、アルゴリズムは「ゼロ」のすべての画像のハイパーベクトルを追加して「ゼロの概念」のハイパーベクトルを作成し、それをすべての数字に対して繰り返して、数字ごとに 1 つずつ、合計 10 個の「クラス」ハイパーベクトルを生成します。

保存されたハイパーベクトルのクラスは、新しいラベルなし画像用に作成されたハイパーベクトルに対して測定および分析され、アルゴリズムがどの数字が新しい画像に最も一致するかを決定します（各数字のハイパーベクトルの事前定義されたクラスに基づきます）。

IBMリサーチが調査

3月に、チューリッヒのIBMリサーチのアバス・ラヒミ氏と2人の同僚は、ニューラルネットワークによる超次元コンピューティングを使用して、抽象視覚推論における古典的な問題を解決しました。これは、一般的なANN、さらには一部の人間にとっても大きな課題となっていました。

チームはまず、各画像内のオブジェクトを表すハイパーベクトルの「辞書」を作成しました。辞書内の各ハイパーベクトルは、特定のオブジェクトとその属性の組み合わせを表します。

そこから、研究チームはニューラル ネットワークをトレーニングし、画像を調べて双極性ハイパーベクトル（特定の属性または要素が +1 または -1 になる）を生成しました。

「ニューラルネットワークを意味のある概念空間に導くのです」とラヒミ氏は言う。

ここでの価値は、ネットワークが各コンテキスト画像と空白スロットの各候補に対してハイパーベクトルを生成すると、別のアルゴリズムを使用してハイパーベクトルを分析し、画像内の多数のオブジェクトの「確率分布」を作成することです。

言い換えれば、代数を使って、空いているスロットを埋めるのに最も可能性の高い候補画像を予測できるのです。そして、チームのアプローチは、ニューラル ネットワークのみのソリューションの精度が 61 パーセント未満だった問題セットで、ほぼ 88 パーセントの精度を達成しました。

私たちはまだ初期段階です

多くの利点があるにもかかわらず、超次元コンピューティングはまだ初期段階にあり、現実世界の問題に対して、これまでよりもはるかに大きな規模でテストする必要があります。たとえば、10億を超える項目または結果を効率的に検索して、特定の結果を見つける必要があります。

最終的には、これは時間とともに実現するでしょうが、人工知能の使用をどこでどのように適用し統合するかという疑問が生じます。

AI を活用した 40 分間の教会礼拝が、ドイツで初めての試みとして 300 人を超える参加者を集めた様子をご覧ください。

Hypemoonでギャラリー全体を見るにはここをクリックしてください