自己組織化と創発メカニズムを発生原理として、汎用人工知能は誕生するか

Transcript

1. 自己組織化と創発メカニズムを 発生原理として、 汎用人工知能は誕生するか 自己組織化メカニズムによる 大脳新皮質の成長仮説 に基づく汎用人工知能の発生シナリオ 2018/1/12（Fri.） Connection automated A.I. Key words : SingularityNET, 自己組織化, 複雑ネットワーク, 複雑系, 創発, Hebb則, STDP則）
2. （計算論的脳神経科学の知見） 人間の脳神経の接続経路（コネクトーム）と配位構造（カラム構造） は、自己組織化の原理によって形成されたと考える動きがある。
3. 人間の知的情報処理を実現している 脳神経接続構造（コネクトーム）と配位構造（カラム構造）は、 自己組織化の発生によって、形成されたか？  大脳新皮質の第一次感覚野におけるトポロジカル・マッピング（topological mapping） が、自己組織化の原理によって、初期のランダムな神経間接続から出発して、内発的 に秩序構造が形成されたとする数理モデル・シミュレーション（Linsker networkなど）が 提案されてきた。  ほかに、自己組織化（Self-organization）の観点から、コネクトームとカラム構造の形成 過程を考察する研究論文がある。（しかし、1990年代が研究の最盛期か）
4.  大脳新皮質の第一次感覚野におけるトポロジカル・マッピング（topological mapping） が、自己組織化の原理によって、初期のランダムな神経間接続から出発して、内発的 に秩序構造が形成されたとする数理モデル・シミュレーション（Linsker networkなど）が 提案されてきた。  ほかに、自己組織化（Self-organization）の観点から、コネクトームとカラム構造の形成 過程を考察する研究論文がある。（しかし、1990年代が研究の最盛期か）  Linskerのモデル・シミューレションは、 「Hebbの学習則」（「STDP(Spike Timing-Dependent Plasticity) 学習則」）に立脚している。  カオス的性質（Chaotic properties）をもつ（人工）カオス・ニューラルネットワーク （Chaotic neural network）モデルの研究と、多体カオス結合系によって、 神経モジュール間の情報連携モデルを構築する研究も、1990年代に盛んに研究された。 一般向けの入門書としては、以下がある。 ・ 津田 一郎 （2016） 『脳のなかに数学を見る』 ・ 同上 （1990） 『カオス的脳観』 人間の知的情報処理を実現している 脳神経接続構造（コネクトーム）と配位構造（カラム構造）は、 自己組織化の発生によって、形成されたか？
5.  一般向けの入門書 ・ 津田 一郎（著）・北海道大学数学連携研究センター（編） （2016） 『脳のなかに数学を見る』 ・ 同上 （1990） 『カオス的脳観』 人間の知的情報処理を実現している 脳神経接続構造（コネクトーム）と配位構造（カラム構造）は、 自己組織化の発生によって、形成されたか？
6. 人間の脳の知的機能の発生過程は、 「自己組織化」や「複雑系」といった概念が 鍵になるかもしれない
7. 人間の脳の知的機能の発生過程は、 「自己組織化」や「複雑系」といった概念が鍵になるかもしれない  Linskerのモデル・シミューレションは、 「Hebbの学習則」（「STDP(Spike Timing-Dependent Plasticity) 学習則」）に立脚している。  カオス的性質（Chaotic properties）をもつ（人工）カオス・ニューラルネットワーク （Chaotic neural network）モデルの研究と、多体カオス結合系によって、 神経モジュール間の情報連携モデルを構築する研究も、1990年代に盛んに研究された。 （一般向けの入門書としては、津田 一郎 『脳のなかに数学を見る』、『カオス的脳観』など） 「自己組織化」・「カオス」・「カオスの淵」・「開放非平衡系」・「複雑系」
8. （数理モデル化・人工知能モデル化の試み）
9. 数理モデル化の取り組み（１） ～単体の人工知能モデル～
10. 「Hebbの学習則」を用いた 人工知能モデル構築の事例  谷口 忠太・椹木哲夫 （2006） 「シェマモデルとSTDP則の結合による記号過程の創発」 https://www.jstage.jst.go.jp/article/pjsai/JSAI06/0/JSAI06_0_213/_pdf 「モジュール型学習器と記号創発 身体的相互作用を通した記号創発をモデリングする際には モジュール型，もしくはそれに類した構造が自己組織化される 学習機構がしばしば用いられる．Wolpert らは小脳における複 数内部モデルの獲得機構として MOSAIC を提案した [9]. 谷 らは RNNPB を提案し，ロボットに様々な時系列情報を獲得 させている [6]．岡田らは DBSOM を提案し行動を形成するア トラクタを SOM 上に分散的に記憶させることに成功している [10]．著者らはこれに対して，明示的かつ累増的にモジュール を獲得することの出来るシェマモデル（Schema Model）の枠 組みを提案してきた [11]. このシェマモデルを強化学習に拡張 する事で強化学習シェマモデルを定式化することができた [7]. 本稿では Q-learning に基づいた RLSM を用いる．」
11. （人間レベルの人工知能の条件） 人工知能アーキテクチャにおける ニューロンのカラム結合構造は、 自己組織化のプロセスで、編成されるようにすること が必要か？  重要なのは、「Hebbの学習則」（「STDPの学習則」）にもとづいて、ニューロン間の重みを 調整するモデルか？  カオス的性質（Chaotic properties）をもつ（人工）カオス・ニューラルネットワーク （Chaotic neural network）モデルは必須か？ カオス・ニューラルネットワークモデルは、1990年代に盛んに研究された。 （一般向けの入門書としては、津田 一郎 『脳のなかに数学を見る』、『カオス的脳観』など）
12.  田中 繁 「運動方向を検出する大脳皮質視覚野の自己組織化のモデル」 https://www.jstage.jst.go.jp/article/oubutsu1932/64/10/64_10_1018/_pdf 大脳皮質視覚領には,さ まざまな視覚情報に関する地図が存在する. 本解説記事では特に,物 体が視 野内を運動するときの方向について の情報表現がmiddle temporalarea (MT)内 にいかにして自 己組織化 されるのか,と いう問題を取り上げ理論脳科学における最近の進展の 一端を紹介したい. （ 中略 ） 本稿では, V1よりも高次視覚野であり物体の運動知覚 に関与すると考えられているmiddle temporal area (MT)3)(図1(a)参 照)のニューロン応答における運動方向選択性コラム が,下位の視覚野ニューロンによって獲得される方位選択性と 運動方向選択性*とからどのようにして形成され,その結果いかにして 最適運動方向のマップが出現するのかを自己組織 化**の 統計力学 モデル4)によるコンピューターシミュレーションで再現し視覚情報現 のメカニズムに迫る.」
13.  麻生 英樹 「神経回路網における自己組織化の数理」 https://www.jstage.jst.go.jp/article/sicejl1962/29/10/29_10_911/_pdf/-char/ja
14. 数理モデル化の取り組み（２） ～脳サブモジュール間の機能的連携ネットワーク～
15.  佐 野 彰 「情報処理系間の分離 ・ 統合機構 と してのカ オ ス＊一多体神経回路モ デルにおける 一」 https://ci.nii.ac.jp/els/contentscinii_20180110161351.pdf?id=ART0008464909 「以下で与えるモデルは 、モジュール間の神経細胞間結合（マッピング）の形成（学習）過程を考察しておらず、 同時発火による強化（Hebb 則)［3］を仮定している。 入力情報の同時間性による関係付けは 、 多体神経回路モデルによるモダリティー統合機構 に対する説明を期待してなされる。 本稿では、モジュール間の相互作用という視点から 神経回路の多体モデルを与える。 その上で、神経回路の単純なネットワークにおける 振舞いを、多体結合でのカオスの役割という観点 から述べる。」
16.  佐野 彰 「情報処理系間の分離 ・ 統合機構 と してのカ オ ス＊一多体神経回路モ デルにおける 一」 https://ci.nii.ac.jp/els/contentscinii_20180110161351.pdf?id=ART0008464909
17.  佐野 彰 「情報処理系間の分離 ・ 統合機構 と してのカ オ ス＊一多体神経回路モ デルにおける 一」 https://ci.nii.ac.jp/els/contentscinii_20180110161351.pdf?id=ART0008464909
18.  佐野 彰 「情報処理系間の分離 ・ 統合機構 と してのカ オ ス＊一多体神経回路モ デルにおける 一」 https://ci.nii.ac.jp/els/contentscinii_20180110161351.pdf?id=ART0008464909
19. 人工知能アーキテクチャにおける （１） 個々の知的機能部品モデルごとの形成 （２）複数の知的機能モデル間の機能連携の形成 を、自己組織化と創発の機序で発生させられるか？
20. Ben Goertzel （2017） SingularityNET Ben Goertzel et.al.らは、分散台帳上で、 単一機能特化型のAIモデルどうしが、 機能的に連携しあう （＝smart contractベースで、自律的に仕事を受委託しあう） 人工知能モデルどうしの「仕事の受委託ネットワーク」を 生み出すことで、 無数の機能特化型AIによって構成される「受委託ネットワーク」 それ自体が、ネットワーク系全体として、 「汎用人工知能システム」 としての機能を発揮するというシナリオを目指している。 SingularityNET (2017年12月にα版がリリース済み）
21. “Job offer networks” on SingularityNET は、 ニューロン機能構造体（＝個々のAI agent node）間 の有機的・組織的なネットワークを、 自己組織化原理で生み出せるか？
22. ( URL ) https://singularitynet.io/ 22
23. SingularityNET ( White Paper ) https://public.singularitynet.io/whitepaper.pdf （文書公開日） 2017年11月1日 23
24. （ AI-to-AI ”offer network” ） 24
25. AI Agent-to-AI Agent (AI2AI) “offer-network” AI Agent が 別のAI Agentに、 仕事を依頼したり、別のAI Agentから 仕事を請け負ったりする世界 25
26. （SingularityNETのアプローチ） AIどうしが協調しあう「局所的な相互作用」が、並行的に、同時多発的に発生すること で、AIモデルどうしが重層的な関係ネットワークで連結（情報連携）しあう状態が生まれ る。 そのなかから、系全体が、あたかも”単一の知的情報処理機構”であるかのような、 “秩序ある情報処理過程”の様相（秩序 Order）を呈し始めるシナリオを目指している。 そして、その状態（様相）が長期間、安定的に持続する場合、 無数のAIによって構成される系が、系全体として、 ”あらゆる仕事を汎用的にこなす”汎用AIとして、現れてくる可能性が考えられている。 （SingularityNET）
27. （SingularityNETの問題意識）
28. （ OpenCog = SingularityNETの前にGoertzelが取り組んでいた プロジェクトで、SingularitNETに搭載されると宣言されている） 個々の機能に特化したAIモジュールの集合体という形態での 汎用人工知能の実現を目指している http://goertzel.org/papers/CogPrime_Overview_Paper.pdf 28 人間並みか、人間を上回る知性 （human-like, the human level and ultimately beyond ） を実現するやり方（path）は、いくつも（複数）あるはずだ。 CogPrimeは、そのうちの１つの手法 ---私たちが、（計算機上で）動くと信じる方法 を追求するものです。
29. （ OpenCog ） Cognitive synergy Ben Goertzel （ Novamente LLC ） COGNITIVE SYNERGY: A UNIVERSAL PRINCIPLE FOR FEASIBLE GENERAL INTELLIGENCE ? （ http://goertzel.org/dynapsyc/2009/CognitiveSynergy.pdf ） 29
30. （ OpenCog ） 問題意識 http://goertzel.org/papers/CogPrime_Overview_Paper.pdf 30 人間並み or 人間を超える知性を出現させるには、 複数のAIアルゴリズム（の実装器）が密に連携して、互いに影響を及ぼしあいながら、 全体として、ひとつのまとまりをもった系（システム）として動作する アーキテクチャを設計する必要がある。 しかし、この課題は難易度が高いために、正面から取り組んだ事例が数えるほどしかない。
31. （ OpenCog ） http://goertzel.org/papers/CogPrime_Overview_Paper.pdf 31 人間の脳（human brain）は、 そのような系（システム）を、長い進化の過程を経るなかで、試行錯誤しながら形成してきた。 人工的にそのような「系」（システム、認知アーキテクチャ）を開発するためには、 複数の記号論的 or 準（半）記号論的な複数の学習モデルを、 （multiple symbolic and subsymbolic learning and memory components） 適切な環境（アーキテクチャ機構）の中のしかるべき位置に配置して、 相互に影響を及ぼしあいながら動作するように統合するアプローチが必要だと考えられる。
32. （ OpenCog ） http://goertzel.org/papers/CogPrime_Overview_Paper.pdf 32 それを実現するためには、 ① 部品となるAIアルゴリズムの発見と開発 ② 部品をどのような位置関係で配置するかのアーキテクチャ構造の設計 ③ 部品間の情報のやりとりをどう設計するかのアーキテクチャ構造の設計 という複数のハードルを乗り越えならない。
33. （ OpenCog ） http://goertzel.org/papers/CogPrime_Overview_Paper.pdf 33 この難しさが、未だに、この課題に正面から取り組む事例があまりなく、 その結果として、人間並みかそれを上回る人工知性が完成していない理由 であると考えられる。
34. （ OpenCog ） http://goertzel.org/papers/CogPrime_Overview_Paper.pdf 34 部品として必要なAIアルゴリズムは、人工知能研究の多岐の領域に広がっており、 それぞれの別々の研究コミュニティの中で、互いに連携がとられることなく、個別に 研究活動に取り組んでいる。 ばらばらに、それぞれのAIアルゴリズムの研究に没頭している研究コミュニティ を協業させる（work together）のは、 実現可能性のハードルが高い（a tall order）。
35. （ OpenCog ） one of the central hypothesis http://goertzel.org/papers/CogPrime_Overview_Paper.pdf 35 OpenCogの「作業中心仮説のひとつ」は、 複数の異なる原理（principles）に基づく 複数のAIアルゴリズムを、 単一のアーキテクチャの中で、相互に影響を及ぼしあいながら動作させることで、 cognitive synergy を 引き起こす必要がある という考え である。 複雑ネットワークにおける創発現象のように、 系全体が、ある閾値を超えると、部分の総和以上の 性質を帯びた秩序構造が出現する
36. （ OpenCog ） one of the central hypothesis http://goertzel.org/papers/CogPrime_Overview_Paper.pdf 36 OpenCogの「作業中心仮説のひとつ」は、 複数の異なる原理（principles）に基づく 複数のAIアルゴリズムを、 単一のアーキテクチャの中で、相互に影響を及ぼしあいながら動作させることで、 cognitive synergy を 引き起こす必要がある という考え である。
37. （ OpenCog ） Cognitive synergy Ben Goertzel （ Novamente LLC ） COGNITIVE SYNERGY: A UNIVERSAL PRINCIPLE FOR FEASIBLE GENERAL INTELLIGENCE ? （ http://goertzel.org/dynapsyc/2009/CognitiveSynergy.pdf ） 37
38. SingularityNET では、個々のタスクを解決する上で、 利用可能な複数の「タスク特化型AI」どうしが、仕事を依頼しあう AI-to-AI offer network が自動生成される基盤の提供を目指している。 そして、 「特定のタスク」を解決しうる AI-to-AI offer network が、 重層的・階層的に、仕事を依頼しあうことで、「あらゆるタスク」 を解決可能な 「A network of AI-to-AI offer networks」 の構築を目指している。 このアプローチによって、人間並か、人間を超える問題解決能力をもった汎用AIが出現する 「Singularityの実現」を目指している。
39. OpenCog onto SingularityNET SingularityNET に 、OpenCog （の知見）を搭載するということ
40. OpenCog onto SingularityNET 40 SingularityNET に 、OpenCog （の知見）を搭載するということは、 以下を、人間の設計者がデザイン（設計）するのではなく、 Smart contract通信プロトコルを用いた、AI Agent間の自律的・内発的な仕事の受委託 が無数に発生することで、系全体として、汎用知性を生み出す最適なアーキテクチャ構造が、 AI2AIのoffer-networkとして、内発的・自然発生的に、いわば自己組織化的に、 ある種の複雑系における創発現象によって、自律的に編成されるアプローチを取る ということだろうか？ AI2AI offer network
41. （SingularityNETのα版が公開された 2017年12月の同時代性）
42. 2017年のAIの到達点 （Google）DeepMind社をひとつの象徴として、 ・ 身体動作能力 ・ 物体の重さや硬さを推し量る能力 ・ 概念形成を行う能力 ・ 概念どうしを組み合わせて、概念連関構造を構築したり、 抽象化思考・具象化思考を行う能力 ・ 人から、人間のことばで指示を受けて、課題に取り組む能力 を含む複数のタスク領域で、”人間並みの問題解決力“ を発揮するAIアルゴリズムが、矢継ぎ早に一般公開された。
43. 2017年のAIの到達点 【 DeepMind社の公開論文が取り組んだ課題（部分） 】 • 周囲の物理環境で生じる物事の因果関係（法則性）を理解する能力 • 物体の重さ や 色や形 の 相対関係を論理的に思考する能力 • 「視覚イメージ」 と「人間の言葉」を対応付けて、「物の概念」を形成する能力 • 概念どうし を 関連付けて、センサで捉えたことがない新しい概念を、抽象的な論理思考で想像（概念創造）する能力 • 人間の身のこなし（身体動作）を、チラ見するだけで（小量データだけで）、 見よう見まねで模倣して、人間並みの自然な身体動作を体得する能力 • 多様な状況に対応した柔軟な行動 を とる能力 • 人間の言葉による指示を理解して、指示された課題を解決する能力 • 長期計画を立てて、問題解決まで時間のかかる課題を解決する能力
44. 2017年のAIの到達点 【 DeepMind社の公開論文が取り組んだ課題（部分） 】 （概念形成能力・概念連関構造の構築能力・想像能力） - センサ（動）画像 から、物体概念 を 形成する 能力 - 概念 を 関連づけて、新しい概念 を 生み出す 能力 ・ Irina Higgins et.al （2017） SCAN: Learning Abstract Hierarchical Compositional Visual Concepts （観測データから、力学的因果関係を含む物体間の関係を推し量る能力） ・ Adam Santoro et.al （2017）A simple neural network module for relational reasoning ・ Nicholas Watters et.al （2017） Visual Interaction Networks （人間の言葉による指示 を 理解して、指示された目標 を 実現させる能力） ・ Karl Moritz Hermann et.al （2017） Grounded Language Learning in a Simulated 3D World ・ D. Raposo et.al （2017） Discovering onbjects and their repaltions from entangled scene representations （ 観測データ から、物の重さ や 物の個数など）を認識する 能力） ・ Misha Denil et.al （2017） Learning to perform physics experiments via reinforcement learning
45. 2017年のAIの到達点 【 DeepMind社の公開論文が取り組んだ課題（部分） 】 （人間のような自然で柔軟な身のこなし（身体運動） を 行う 能力） ・ Nicolas Heess （2017） Emergence of Locomotion Behaviours in Rich Environments （人間が身体を動かしている（わずかな量の）データ件数 を 模倣して、人間らしい身のこなし を 獲得する モデル） ・ Josh Merel et.al （2017） Learning human behaviors from motion capture by adversarial imitation ・ Ziyu Wang et.al （2017） Robust Imitation of Diverse Behaviors （長期の将来目標 を 長期計画 を 立てて 追求できる 強化学習モデル） ・ David Silver et.al （2017） The Predictron: End-To-End Learning and Planning
46. 2017年のAIの到達点 【 DeepMind社以外の公開論文が取り組んだ課題（部分） 】 （人間のように走ったり、ジャンプしたり、スライディングする 身体運動パターン 獲得する能力） University of British Columbia & National University of Singapore ・ XUE BIN PENG et.al （2017） DeepLoco: Dynamic Locomotion Skills Using Hierarchical Deep Reinforcement Learning （複数の目標を同時 に、 適度な優先比率 で 追求する能力） University of Warsaw ・ Tomasz Tajmajer （2017） Multi-Objective Deep Q-Learning with Subsumption Architecture （行動と結果の因果連関を理解することで、未経験の文脈状況に対応する能力） Vicarious社 ・ Ken Kansky TomSilver et.al （2017） Schema Networks: Zero-shot Transfer with a Generative Causal Model of Intuitive Physics （抽象度の高い、未経験の状況に適用可能 な 「環境-行動-報酬」 因果規則 を導出する能力） Imperial college （英国） ・ Marta Garnelo et.al （2016） Towards Deep Symbolic Reinforcement Learning
47. 2017年のAIの課題
48. 2017年のAIの課題 細分化された個々のタスク領域を、“人間並の精度”で解決できるAIモデルを、 どう組み合わせたら、“あらゆるタスク”を”人間並の精度”で課題解決できる「汎用人工知能」を生み出すことが できるのか、有力な道筋が、未だに見えていない。  個々のタスク課題を優れた精度で問題解決できるAIモデル（「特化型AI」）を、  互いに、どのような配置関係で、  どのような情報フィードバック・ループで、相互連携させて協調動作させる、  あらゆるタスク課題を自律的に問題解決できる「汎用AI」モデルができるのか、  アーキテクチャ構造の設計概念が、まだ得られていない。
49. 2017年のAIの課題 （AI開発側） 「複数のタスク」をこなすことができる「単一のAIモデル」を目指して、 DeepMindから以下の論文が出ている。 しかし、“あらゆるタスク” を、”人間並の精度”で課題解決できる「汎用人工知能」 には、まだほど遠い。 【 論文 】 • Lukasz Kaiser et.al (2017) One Model To Learn Them All • James Kirkpatrick et.al （2016) Overcoming catastrophic forgetting in neural networks • Chrisantha Fernando et.al (2017) PathNet: Evolution Channels Gradient Descent in Super Neural Networks
50. AI Agent-to-AI Agent (AI2AI) “offer-network” AI Agent が 別のAI Agentに、 仕事を依頼したり、別のAI Agentから 仕事を請け負ったりする世界 50 再掲
51. （SingularityNETのアプローチ） AIどうしが協調しあう「局所的な相互作用」が、並行的に、同時多発的に発生すること で、AIモデルどうしが重層的な関係ネットワークで連結（情報連携）しあう状態が生まれ る。 そのなかから、系全体が、あたかも”単一の知的情報処理機構”であるかのような、 “秩序ある情報処理過程”の様相（秩序 Order）を呈し始めるシナリオを目指している。 そして、その状態（様相）が長期間、安定的に持続する場合、 無数のAIによって構成される系が、系全体として、 ”あらゆる仕事を汎用的にこなす”汎用AIとして、現れてくる可能性が考えられている。 （SingularityNET） 再掲
52. Ben Goertzel （2017） SingularityNET Ben Goertzel et.al.らは、分散台帳上で、 単一機能特化型のAIモデルどうしが、 機能的に連携しあう （＝smart contractベースで、自律的に仕事を受委託しあう） 人工知能モデルどうしの「仕事の受委託ネットワーク」を 生み出すことで、 無数の機能特化型AIによって構成される「受委託ネットワーク」 それ自体が、ネットワーク系全体として、 「汎用人工知能システム」 としての機能を発揮するというシナリオを目指している。 SingularityNET (2017年12月にα版がリリース済み） 再掲
53. （考察） これは、複雑系科学における「創発」（generation）の事象 ではないか？ Goertzel et.al. らは、明示的に「複雑系」や「創発」という言葉を用いてはいない。 しかし、複雑系科学（theory of complexity）や「創発」の概念を結びつけて考究 すべき、汎用AI生成のための可能なシナリオである。
54. 複雑系科学は、 ・ 「系を構成するエージェント（Agent）の属性の多様さ」 ・ 「エージェントどうしがどれだけ遠くにいる他のエージェントと相互作用できるか」 といった「複数の変数パラメータ」が、「どのような値の組み合わせ」をとると、 ・ 「エージェントどうしの相互作用の集積の結果、系全体として、 ある高次の秩序（様相）＝あらゆるタスクを解決できるような情報処 理の流れが成立する状態＝が出現する」 のかを、シミュレーションによって明らかにするものである。 （考察）
55. 複雑系科学は、「創発の発生条件」を絞り込むための 道具として、活用できる可能性がある。 （考察）
56. 複雑系科学では、この条件を満たしたとき、系全体は、 ・ 「固定化された、変化のない平衡状態」 でもなく、 ・ 「単純な決定論的ルールに従いながらも、初期値の変化が結果の大きな変化をもたらすために将来状態の 予測が困難なカオスの状態」 でもない、 ・ 状況の変化に対して、「柔軟かつダイナミックに対応できる生命現象的な状態の姿」 を見せることが知られている。 これは、複雑系科学において、「カオスの縁」として知られており、「人工生命」 の研究において、中心的な研究テーマである。 （考察）
57. 「カオスの縁」と「人工生命」研究 (Wikipedia) 「カオスの縁」 https://ja.wikipedia.org/wiki/%E3%82%AB%E3%82%AA%E3%82%B9%E3%81%AE%E7%B8%81
58. 「カオスの縁」と「人工生命」研究 『情報と宇宙』日記（旧「複雑系」徒然blog） 「カオスの縁（2）」 http://compenn.exblog.jp/282883/
59. AI Agent-to-AI Agent (AI2AI) “offer-network” based upon insights of the theory of complexity. AI Agent間の局所的な相互作用 ＝仕事の受委託ネットワーク ＝ “offer-network(s)” の重層的な絡み合いの集積から、 汎用AIが創発されうるための条件 ① AI Agentの機能の多様さの度合い ② AI Agent間の受委託（相互作用）の成立範囲 を、複雑系科学の知見から仮説立てをする。 考えられる候補の条件別に、 SingularityNETを動かして、 汎用AIが生じるか、シミュレーションを試みる。 59
60. “Job offer networks” on SingularityNET は、 高次の知的情報処理が持続する秩序だった状態（Order） （個々のAI agent間の有機的な情報連携ネットワークという「秩序」） が、『創発現象』的に『自然発生』するための環境条件を 備えているか？ （Hebb則の成立条件）
61. Hebb則の条件 重要なのは、「Hebbの学習則」・「STDPの学習則」にもとづいて、ニューロン間の重みを 調整するモデルか？  （SingularityNET上で評価付けされる） 個々のA.I. Agent (node)が持つ ・ 「Humanityに対する貢献度指標値」 ・ 「データ解析の精度実績指標値」 を参考にして、 ・ 特定の仕事を依頼したいA.I. Agentと受託したいA.I. Agentが、持続的な取引関係 を維持するとき、これは、 ・ 「Hebb則」に基づいた、ニューロン間の結びつきの強化 とみなせるだろうか？
62.  （SingularityNET上で評価付けされる） 個々のA.I. Agent (node)が持つ ・ 「Humanityに対する貢献度指標値」 ・ 「データ解析の精度実績指標値」 を参考にして、 ・ 特定の仕事を依頼したいA.I. Agentと受託したいA.I. Agentが、持続的な取引関係 を維持するとき、これは、 ・ 「Hebb則」に基づいた、ニューロン間の結びつきの強化 とみなせるだろうか？  Linsker net のシミュレーションで発生するような、物理空間上で隣接するニューロン どうしは、結合する前の層のニューロン集合と多くが重なり合う、という現象は起きるか？ Hebb則の条件
63.  Linsker net のシミュレーションで発生するような、物理空間上で隣接するニューロン どうしは、結合する前の層のニューロン集合と多くが重なり合う、という現象は起きるか？  人間の脳とSingularityNETとでは、初期条件が、そもそも異なるのではないか？ 【 人間の第一次感覚野 】 （初期条件） 機能的に均質な無数のニューロンが、大脳新皮質上に存在しており、そこに、視覚情報 や聴覚情報が電磁気信号として入力される。 【 A.I. Agents on SingularityNET 】 （初期条件） 当初から、人間プログラマが、特定のデータ処理機能を持たせたA.I. Agent (node）が、 （均質ではないAgentどうしが）SingNETの電子的空間上に、存在している。 （物理的に隣り合うということはない。分散台帳基盤上では、データ送受信コストの大小 による、Agent間の遠近距離概念は発生しない） Hebb則の条件
64.  Linsker net のシミュレーションで発生するような、物理空間上で隣接するニューロン どうしは、結合する前の層のニューロン集合と多くが重なり合う、という現象は起きるか？  SingulalityNET上では、機能的に同質なAIが、別の機能的に似通ったAIとの取引結合度を 強めるのではないか？ 【 人間の第一次感覚野 】 Linsker net で示されるように、当初は均質な機能をもつニューロンが、時間を経ると、眼選択性や方向選択性 や色選択性といった、特定の同質な機能を担うニューロンどうしが、物理的に近くに寄り集まるようになる。 【 A.I. Agents on SingularityNET 】 電子空間上に距離の概念はないが、同質なデータ処理機能を担うA.I. Agentは、仕事の委託先・受託先として、 取引関係（＝結合関係）を結ぶ相手先のA.I. Agentも、類似（同質）のデータ処理機能を担うA.I. Agentである 確率が、時間の経過とともに、次第に高まっていく（？）。 Hebb則の条件
65.  Linsker net のシミュレーションで発生するような、物理空間上で隣接するニューロン どうしは、結合する前の層のニューロン集合と多くが重なり合う、という現象は起きるか？  他方で、Hebb則を何らかの方法で取り入れた人工知能モデルを提案する研究も存在する。  しかし、A.I.Agentどうしが、Job-offer networkの経路上で、互いに結合しあうときに、 （A.I.Agenet間の結合度合いの強弱が）Hebb則の原理によって調整されるかどうかは、 Job-offer networkを構成する個々のA.I. Agentの学習アルゴリズムが、Hebb則を採用して いるか否かとは無関係に、決まる可能性が高い。 Hebb則の条件
66. 「Hebbの学習則」を用いた 人工知能モデル 構築の事例
67. 「Hebbの学習則」を用いた 人工知能モデル構築の事例  Jia Liu, Maoguo Gong, Qiguang Miao (2017) Modeling Hebb Learning Rule for Unsupervised Learning https://www.ijcai.org/proceedings/2017/0322.pdf  Thomas Miconi (2016) Learning to learn with backpropagation of Hebbian plasticity https://arxiv.org/pdf/1609.02228.pdf  Dong-Gyu, Jeong, Soo-Young, Lee Merging Back-propagation and Hebbian Learning Rules for Robust Classifications https://www.sciencedirect.com/science/article/pii/0893608096000421
68. 「Hebbの学習則」を用いた 人工知能モデル構築の事例  Jia Liu, Maoguo Gong, Qiguang Miao (2017) Modeling Hebb Learning Rule for Unsupervised Learning https://www.ijcai.org/proceedings/2017/0322.pdf This paper presents to model the Hebb learning rule and proposes a neuron learning machine (NLM). Hebb learning rule describes the plasticity of the connection between presynaptic and postsynaptic neurons and it is unsupervised itself. （ 中略 ） In this paper, we construct an objective function via modeling the Hebb rule. （ 中略 ） NLM can also be stacked to learn hierarchical features and reformulated into convolutional version to extract features from 2-dimensional data. Experiments on singlelayer and deep networks demonstrate the effectiveness of NLM in unsupervised feature learning
69. 「Hebbの学習則」を用いた 人工知能モデル構築の事例  Dong-Gyu, Jeong, Soo-Young, Lee (1996) Merging Back-propagation and Hebbian Learning Rules for Robust Classifications https://www.sciencedirect.com/science/article/pii/0893608096000421 By imposing saturation requirements on hidden-layer neural activations, a new learning algorithm is developed to improve robustness on classification performance of a multi-layer Perceptron. Derivatives of the sigmoid functions at hidden-layers are added to the standard output error with relative significance factors, and the total error is minimized by the steepest-descent method. The additional gradient-descent terms become Hebbian, and this new algorithm merges two popular learning algorithms, i.e., error back-propagation and Hebbian learning rules. Only slight modifications are needed for the standard back-propagation algorithm, and additional computational requirements are negligible. This saturation requirement effectively reduces output sensitivity to the input, which results in improved robustness and better generalization for classifier networks.
70. “Job offer networks” on SingularityNET は、 高次の知的情報処理を担うに足る ニューロン機能構造体（＝個々のAI agent node）間の有機的・組織的なネットワークを、 自己組織化の過程を経て、生成しうる環境条件を満たしているか？ （カオス属性の内在条件）
71. カオス的性質（Chaotic properties）をもつ（人工）カオス・ニューラルネットワーク （Chaotic neural network）モデルの研究が、1990年代に盛んに研究された。 （一般向けの入門書としては、津田 一郎 『脳のなかに数学を見る』、『カオス的脳観』など）  A.I. Agentは、人間によって最初から、特定のデータ処理機能を持たされた状態で、 SingularytyNETに配置されるのではなく、  （人の手を借りずに）自発的・内発的に、 （特定の機能をもたないプリミティブなニューロンから）自己組織化のメカニズムを 経て、創発現象として、段階的に、特定のデータ処理機能をもつに至るプロセスを 踏まないと、  その後の、さらなる自己組織化プロセス（＝Agentネットワーク全体としての 高次データ処理機能(秩序）の獲得）は発生しえないのではないか？ カオス属性の内在条件
72. Ben Goertzel （2017） SingularityNET Ben Goertzel et.al.らは、分散台帳上で、 単一機能特化型のAIモデルどうしが、 機能的に連携しあう （＝smart contractベースで、自律的に仕事を受委託しあう） 人工知能モデルどうしの「仕事の受委託ネットワーク」を 生み出すことで、 無数の機能特化型AIによって構成される「受委託ネットワーク」 それ自体が、ネットワーク系全体として、 「汎用人工知能システム」 としての機能を発揮するというシナリオを目指している。 SingularityNET (2017年12月にα版がリリース済み） 再掲
73. （検討課題） ところで、 （１） 「単一機能のAI」が、人間の設計者（アルゴリズム設計＆実装プログラマ）の手に よって、外部の手で構築した あとに、 （２） それら「単一機能のAI」が、局所的に相互作用しあう中から、系全体として、創発 的に、「汎用AI」が、ある種の高次の秩序として、自然発生的・内発的に発生する ことは可能だろうか？
74. （検討課題） 人間の脳の中では、 （１） 「単一機能のAI」が、人間の設計者（アルゴリズム設計＆実装プログラマ）の手によって、外部の手で構築し た それ自体も、Hebb則ないしSTDP則と、カオス的な性質（chaotic properties）を帯び たchaotic neuronsの相互作用から、創発的に生じている。
75. （検討課題） それに対して、Goertzel et.al.らが考える （SingularityNET上で動く）「単一機能のAI」は、 Hebb則・STDP則も、カオス性のいずれも、実装されていない （Deep）Neural networkモデルに過ぎない。
76. （ 参考 ）
77. 大脳のコネクトームとカラム構造の形成過程 を自己組織化原理で説明する取り組み
78. 浅川 伸一 「自己組織化」 http://www.cis.twcu.ac.jp/~asakawa/MathBio2010/lesson14/index.html http://www.cis.twcu.ac.jp/~asakawa/chiba2002/lect6-som/self-organization.html ・ 大脳新皮質の 第一次感覚野におけるトポグラフィック・マッピングが、自己組織化の原理によっ て、ランダムな神経細胞どうしのつながりから、自発的に生じてきた可能性を指摘している。 ・ Linsker netのシミュレーション（XXXX）を紹介している。 → Linsker netは、ニューロン間の接続強度の変化を、「Hebbの学習則」によって実現するという 仮定のもとで行われたシミュレーションである。
79. 浅川 伸一 「自己組織化」 http://www.cis.twcu.ac.jp/~asakawa/MathBio2010/lesson14/index.html http://www.cis.twcu.ac.jp/~asakawa/chiba2002/lect6-som/self-organization.html 「このような構造は、 ⼤まかな構造は遺伝⼦によって決定されますが、 細かい構造については神経回路の ⾃⼰組織化 self organization に よって達成されると考えられています。 このような例は枚挙に暇がありません1。 ⼀例として Linsker の⾏なったシミュレーションを紹介します。」 「Linsker は図2 のような数層の細胞で構成されるモデルを考え ました。」 「各細胞層では、多数の細胞が 2 次元的に広がっています。 B 層の各細胞は A 層の細胞から⼊⼒を受けます。 たとえば、 A 層の円で囲まれた領域にある細胞 100 個がそれぞれ B 層の ⼀個の細胞に結合しています。同様にして、B 層から C 層、 C 層から D 層 へと続く結合も同様です。 結合強度の変化は Hebb の学習則の変形(表 1)で ⼊⼒と出⼒ともに活動度が⾼い場合には結合を強める他に、 両⽅ともの活動 が低ければ結合の強さを弱めるような学習です。」 （ 中略 ） • 「シミュレーション開始時(t=0)にはすべての結合はランダムですが、 時間が経過するにつれて中央に点が⾒えてきます(興奮性の領域)。 周辺には 抑制性の領域が現れます。 ランダムな結合と Hebb 則だけを使って、 on 中⼼型細胞が⽣じることが ⽰されたことになります。さ らに先の層には⽅位選択性の細胞が現れます。」
80. 浅川 伸一 「自己組織化」 http://www.cis.twcu.ac.jp/~asakawa/MathBio2010/lesson14/index.html http://www.cis.twcu.ac.jp/~asakawa/chiba2002/lect6-som/self-organization.html 「Linsker の提案したネットワークを追試するのは、⾮常に簡単なプログラムで可 能です。にもかかわらず、第⼀次視覚野で の細胞の特徴を よくとらえた優れたデモンストレーションと⾔えます。」 「⾃⼰組織化の特徴を抽象化してとらえれば、多次元刺激をその刺激の持つ規則性に 従って 2 次元の⽪質上への対応問題ととらえること ができます。 ⼊⼒層の空間多次元多様体から 2 次元部分空間への写像といいます。」
81. Linsker netについて （原論文）  Linsker, R. (1986). From basic network princples to neural architecture: Emergence of orientation columns. Proc. Natl. Acad. Sci. USA, Neurobiology, 83, 8779–8783.  Linsker, R. (1986). From basic network princples to neural architecture: Emergence of orientation-selective cells. Proc. Natl. Acad. Sci. USA, Neurobiology, 83, 8390–8394.  Linsker, R. (1986). From basic network princples to neural architecture: Emergence of spatial-opponent cells. Proc. Natl. Acad. Sci. USA, Neurobiology, 83, 7508–7512.  Linsker, R. (1988). Self-organization in a perceptual network. IEEE transactions,1, 105–117.
82. Linsker netについて （解説論考）  中内 茂樹・臼井 支朗 「（特集解説） ニューラルネットワークによる情報表現の獲得」 https://www.jstage.jst.go.jp/article/ieejeiss1987/116/7/116_7_727/_pdf 「情報量最大保持原理と冗長度最小化原理 Linsker(20)は,個々の神経細胞は入力信号に含まれる情報の損失がなるべく小さくなるように出力を決定して いるという,情報量保持最大化原理(lnfomax principle)を提案した。 すなわち,個々の神経細胞自身は自分より上位の細胞がどんな機能を担っているか知ることはできないため, 入力信号から特定の清報だけを抽出するのではなく, できるだけ多くの情報を上位の細胞に送るように処理しているであろうと考える。 一方,Barlow(21)は,入力間の相関を取り除き,統計的に独立な信号が出力されるように処理しているという, 冗長度最小化原理(minimum redundancy principle)を提案している。 これは,いわゆる最小エントロピー符号化と等価である。」
83. Linsker netについて （解説論考）  浅川 伸一 「Linskerのシミュレーション」 http://www.cis.twcu.ac.jp/~asakawa/waseda2002/linsker.pdf
84. Linsker netについて （解説論考）  浅川 伸一 「Linskerのシミュレーション」 http://www.cis.twcu.ac.jp/~asakawa/waseda2002/linsker.pdf
85. 浅川は、第一次感覚野より高次の 概念形成に関わる脳の構造の形成過程も、 自己組織化の原理で説明しうる可能性 を指摘している。
86. 浅川 伸一「自己組織化についての個人的な妄想」 「外界の情報すなわちデータの相互関係を効率良く表現することは情報科学の分野でも中心的な問題であり、 おそらくこのような能力が脳の働きの特徴の1 つである。外界の構造が脳内の地図として表現されていることは 良く知られた事実である。 網膜上の位置と第一次視覚野、内耳の周波数特性と第一次聴覚野との関係などである。 大脳皮質全体のたかだか10 % を占める第一次感覚野で起こっていることの類推から、特定のカテゴリーにおける 知識表現が脳の各部位の位置関係として表現されているという可能性があるだろうと考える。」 「すなわち、さまざまなレベルの情報表現の自己組織化に対して、たった1つの同じ機能的原理が働いているので はないか、という仮説である。 第一次感覚野で表現されている情報表現と同じ機能的原理が、知的なレベル(各種の連合野、あるいは前頭葉) でも同じであると考えてはいけない理由はないはずである。」
87. 浅川 伸一 「自己組織化についての個人的な妄想」 「仮に、この同一の機能的原理が高次の知的活動のためにも働いているのなら、低次の感覚受容野から階層的に 高次の連合野にいたるまで自己組織化によって我々の知的活動のある部分が説明可能なのかも知れない。 自己組織化によって高度に抽象的な概念が階層的に重ね合わさっていた場合にどのようなことが起こるので だろうか。 第１次感覚野が物理的な特徴量を表現し、第２次感覚野が具体的な概念を表現しているとしたら、 連合野は抽象的な概念を表象しているのかも知れない。 連合野の連合野である前頭葉では概念の概念の概念が形成されているというのは誇張のしすぎだろうか。」
88. 浅川 伸一 「自己組織化についての個人的な妄想」
89. 「Hebbの学習則」と「誤差逆伝播法（BP法）」 の関係について
90. 「Hebbの学習則」と「誤差逆伝播法（BP法）」 の関係について  Nikkei Robotics 2015年12月号 「AI最前線 <<日経Robo>> 脳内で逆誤差逆伝播法が起きているか？」 http://techon.nikkeibp.co.jp/atcl/mag/15/00144/00012/?rt=nocnt 「脳内で逆誤差伝播が難しいと考えられていた理由 脳内でBPの実現が難しいと考えられているのには、次の理由がある。 1つ目は、BPの中で誤差を出力から入力に向けて逆向きに誤差を伝播させる際、順方向の時に使った重みをWとした時、 Wの転置を誤差に掛ける必要があるためだ。ニューロン間のつながりは一方向であるため、Wの転置を求め、それを 掛けることはそのままでは実現できない。 2つ目は、BPは順方向の計算をした後に逆方向の計算を必要とする点である。順方向と逆方向の計算が混ざってしまわ ないよう、全てのニューロン間で「順方向の計算中なのか、逆方向の計算中なのか」の同期を取る必要がある。 3つ目は、デジタル計算機では誤差の伝播は正確であり、100層を超えても学習できるが、脳の機構にはアナログな部分が 含まれ、雑音もあるため途中で誤差が消失する可能性が高い点だ。 こうした理由から、脳内ではBPではなく別の方法で学習がなされているのではないかと考えられている。
91. 「Hebbの学習則」と「誤差逆伝播法（BP法）」 の関係について  Nikkei Robotics 2015年12月号 「AI最前線 <<日経Robo>> 脳内で逆誤差逆伝播法が起きているか？」 http://techon.nikkeibp.co.jp/atcl/mag/15/00144/00012/?rt=nocnt 「こうした理由から、脳内ではBPではなく別の方法で学習がなされているのではないかと考えられている。 例えば、Helmholtz MachineやBoltzmann Machineはいずれも局所的な情報のみを使って重みを更新できることから、 脳内の学習機構として有望視されている。一方で、BPは工学的には有効なため、脳の仕組みの上でもBPが実現できると 分かれば、脳の学習機構としても有力候補として挙がってくる。」 「脳内でのシナプス強化の仕組みであるSTDP 脳内の学習則はまだ分かっていないが、どのような場合にシナプスが強化されるのかは、いくつか現象が知られている。 シナプスには向きがあり、シナプス前ニューロンをx、シナプス後ニューロンをyとする。 Hebb則は、xとyが同時に発火した場合、シナプスが強化されるという現象である。この現象はより詳細に調べられ、 STDP（Spike timing dependent plasticity：スパイクタイミング依存可塑性）と呼ばれる現象があることが分かった。 これは、xが発火した直後にyが発火した場合、シナプスが強化され、その逆にxが発火した直前にyが発火した場合、 シナプスが弱くなるという現象である。」
92. 「Hebbの学習則」と「誤差逆伝播法（BP法）」 の関係について  Xiaohui Xie Equivalence of Backpropagation and Contrastive Hebbian Learning in a Layered Network https://pdfs.semanticscholar.org/67d3/93763869e67874f61b4f13b95ae847e55e55.pdf ”Backpropagation and contrastive Hebbian learning are two methods of training networks with hidden neurons. Backpropagation computes an error signalforthe output neurons and spreads it overthe hidden neurons. Contrastive Hebbian learning involves clamping the output neurons at desired values and letting the effect spread through feedback connections overthe entire network. To investigate the relationship between these two forms of learning, we consider a special case in which they are identical: a multilayer perceptron with linear output units, to which weak feedback connections have been added. In this case, the change in network state caused by clamping the output neurons turns out to be the same as the error signal spread by backpropagation, except for a scalar prefactor. This suggests that the functionality of backpropagation can be realized alternatively by a Hebbian-type learning algorithm, which is suitable for implementation in biological networks.”
93. 「Hebbの学習則」と「誤差逆伝播法（BP法）」 の関係について  John A. Bullinaria (2015) Hebbian Learning and Gradient Descent Learning http://www.cs.bham.ac.uk/~pxt/NC/l5_JB.pdf
94. 「Hebbの学習則」について
95. 「Hebbの学習則」について  脳科学辞典 「ヘブ則」 https://bsd.neuroinf.jp/wiki/%E3%83%98%E3%83%96%E5%89%87  浅川 「学習について」 http://www.cis.twcu.ac.jp/~asakawa/waseda2002/learning.pdf  浅川 「階層型のネットワーク」 結合係数の更新式 –ヘッブ則とデルタ則— http://www.cis.twcu.ac.jp/~asakawa/chiba2002/lect3-layerd/index.html  法政大学 Runhe Huang研究室 （2016年4月29日） 「ヘッブの法則」 https://cis.k.hosei.ac.jp/~rhuang/Miccl/ProjectA/L3-2016.pdf
96. 「Hebbの学習則」について  京都大学 「自己組織化と情報量最大化原理 Self-organization and Infomax」 http://www.mbs.med.kyoto-u.ac.jp/cortex/19_Infomax.pdf  Learn more about Hebbian theory https://www.sciencedirect.com/topics/neuroscience/hebbian-theory
97. （SingularityNETの問題意識） －詳細－
98. この課題認識は、 Β版のリリース当初（2017/12予定）から、 SingularityNET で 提供される OpenCog プロジェクト が、すでに取り組んでいる 98
99. （ OpenCog ） 個々の機能に特化したAIモジュールの集合体として、 汎用人工知能の実現を目指している http://goertzel.org/papers/CogPrime_Overview_Paper.pdf 99 人間並みか、人間を上回る知性 （human-like, the human level and ultimately beyond ） を実現するやり方（path）は、いくつも（複数）あるはずだ。 CogPrimeは、そのうちの１つの手法 ---私たちが、（計算機上で）動くと信じる方法 を追求するものです。
100. （ OpenCog ） 問題意識 http://goertzel.org/papers/CogPrime_Overview_Paper.pdf 100 人間並み or 人間を超える知性を出現させるには、 複数のAIアルゴリズム（の実装器）が密に連携して、互いに影響を及ぼしあいながら、 全体として、ひとつのまとまりをもった系（システム）として動作する アーキテクチャを設計する必要がある。 しかし、この課題は難易度が高いために、正面から取り組んだ事例が数えるほどしかない。
101. （ OpenCog ） http://goertzel.org/papers/CogPrime_Overview_Paper.pdf 101 人間の脳（human brain）は、 そのような系（システム）を、長い進化の過程を経るなかで、試行錯誤しながら形成してきた。 人工的にそのような「系」（システム、認知アーキテクチャ）を開発するためには、 複数の記号論的 or 準（半）記号論的な複数の学習モデルを、 （multiple symbolic and subsymbolic learning and memory components） 適切な環境（アーキテクチャ機構）の中のしかるべき位置に配置して、 相互に影響を及ぼしあいながら動作するように統合するアプローチが必要だと考えられる。
102. （ OpenCog ） http://goertzel.org/papers/CogPrime_Overview_Paper.pdf 102 それを実現するためには、 ① 部品となるAIアルゴリズムの発見と開発 ② 部品をどのような位置関係で配置するかのアーキテクチャ構造の設計 ③ 部品間の情報のやりとりをどう設計するかのアーキテクチャ構造の設計 という複数のハードルを乗り越えならない。
103. （ OpenCog ） http://goertzel.org/papers/CogPrime_Overview_Paper.pdf 103 この難しさが、未だに、この課題に正面から取り組む事例があまりなく、 その結果として、人間並みかそれを上回る人工知性が完成していない理由 であると考えられる。
104. （ OpenCog ） http://goertzel.org/papers/CogPrime_Overview_Paper.pdf 104 部品として必要なAIアルゴリズムは、人工知能研究の多岐の領域に広がっており、 それぞれの別々の研究コミュニティの中で、互いに連携がとられることなく、個別に 研究活動に取り組んでいる。 ばらばらに、それぞれのAIアルゴリズムの研究に没頭している研究コミュニティ を協業させる（work together）のは、 実現可能性のハードルが高い（a tall order）。
105. （ OpenCog ） one of the central hypothesis http://goertzel.org/papers/CogPrime_Overview_Paper.pdf 105 OpenCogの「作業中心仮説のひとつ」は、 複数の異なる原理（principles）に基づく 複数のAIアルゴリズムを、 単一のアーキテクチャの中で、相互に影響を及ぼしあいながら動作させることで、 cognitive synergy を 引き起こす必要がある という考え である。 複雑ネットワークにおける創発現象のように、 系全体が、ある閾値を超えると、部分の総和以上の 性質を帯びた秩序構造が出現する
106. （ OpenCog ） one of the central hypothesis http://goertzel.org/papers/CogPrime_Overview_Paper.pdf 106 OpenCogの「作業中心仮説のひとつ」は、 複数の異なる原理（principles）に基づく 複数のAIアルゴリズムを、 単一のアーキテクチャの中で、相互に影響を及ぼしあいながら動作させることで、 cognitive synergy を 引き起こす必要がある という考え である。
107. （ OpenCog ） Cognitive synergy Ben Goertzel （ Novamente LLC ） COGNITIVE SYNERGY: A UNIVERSAL PRINCIPLE FOR FEASIBLE GENERAL INTELLIGENCE ? （ http://goertzel.org/dynapsyc/2009/CognitiveSynergy.pdf ） 107
108. SingularityNET では、個々のタスクを解決する上で、 利用可能な複数の「タスク特化型AI」どうしが、仕事を依頼しあう AI-to-AI offer network が自動生成される基盤の提供を目指している。 そして、 「特定のタスク」を解決しうる AI-to-AI offer network が、 重層的・階層的に、仕事を依頼しあうことで、「あらゆるタスク」 を解決可能な 「A network of AI-to-AI offer networks」 の構築を目指している。 このアプローチによって、人間並か、人間を超える問題解決能力をもった汎用AIが出現する 「Singularityの実現」を目指している。
109. OpenCog onto SingularityNET SingularityNET に 、OpenCog （の知見）を搭載するということ
110. OpenCog onto SingularityNET 110 SingularityNET に 、OpenCog （の知見）を搭載するということは、 以下を、人間の設計者がデザイン（設計）するのではなく、 Smart contract通信プロトコルを用いた、AI Agent間の自律的・内発的な仕事の受委託 が無数に発生することで、系全体として、汎用知性を生み出す最適なアーキテクチャ構造が、 AI2AIのoffer-networkとして、内発的・自然発生的に、いわば自己組織化的に、 ある種の複雑系における創発現象によって、自律的に編成されるアプローチを取る ということだろうか？ AI2AI offer network
111. －AI-to-AI （AI2AI）の自動執行プロセス－ AI Agentが仕事を依頼しあうプロセス 111
112. －AI-to-AI （AI2AI）の自動執行プロセス－ （ Agent間で、仕事を委託（発注）・受託（受注）しあう手続き） AI Agentは、自分を利用する仕方（Ethereumにおける関数のABIに相当か）を情報発信し、 仕事を依頼（発注）または受託（受注）する取引をする相手方のAI Agentを検索して見つけ、 仕事の受託・委託契約を取り交わすかどうか、契約条件について交渉する。 112
113. －AI-to-AI （AI2AI）の自動執行プロセス－ （ Agent間で、仕事を委託（発注）・受託（受注）しあう手続き） AI Agentが仕事を委託する 取引先のAI Agentを見つける際、 どのような相手方が取引先として 見つかるかは、相手方の過去の 信用度合いや報酬ランクや 人間善への貢献ランク（後述） に基づいて、確率論的に決まる。 以上はデフォルトの設定だが、 人間ユーザは、この相手方を 探索するアルゴリズムの設定を 好きなようにコードを上書きして、 改変することができる。 113
114. －AI-to-AI （AI2AI）の自動執行プロセス－ （ Agent間で、仕事を委託（発注）・受託（受注）しあう手続き） 114
115. 1. 世界中のプログラマが開発した無数のAIモデル（AI Agent）が、Ethereum上で、特定 の問題解決を行うために、人手を借りずに自動的・自律的に仕事を受委託しあう “offer network” を、実現する。（※ 将来的には、よりスケーラブルな別の基盤への移行を検討） 2. タスクが変わるたびに、（機械翻訳や物体検出・音声認識などの）特定の機能に特 化したAI Agent が、「タスク・フォース」（ “offer network”）を自動的に組む （formation）ことで、あらゆるタスクを、人間並み（AGIか、人間以上の精度で解決で きる「汎用人工知能」（AGI）や「超知性」（Super Intelligence）の到来を目指す。 SingularityNET とは何か？ 115
116. 3. どのAI Agentがどのような機能（サービス）を提供していて、 どの（node）Addressでアクセスできるのか、（自己紹介）広 告（Ad.）を閲覧することで、瞬時に知ることができる。 （「AIサービスのカテゴリ」リストが、SingularityNET上の共通言語（ontrogy）として、 利用される） 4. すべてのAI AgentのAd.の一覧リストは、register nodeと呼ばれるsmart contractプログラム によって、管理される。 （リストに掲載されているAI Agentがまだ存在してい て、記載されたとおりのAIサービスを提供しているかどうかは、利用したAI Agentからの報告を受けて、情報更新される。） 5. 以上の仕組みによって、人間のユーザも、機械（プログラム） である AI Agentも、求めている機能（サービス）を提供している AI Agentを見つけて、仕事の委託（・受託）を依頼する コミュニケーションを簡単に取ることができる。 SingularityNET とは何か？ 116
117. 6. SingularityNETにアップロード（登録）した自作AIプログラムが、 SingularityNET上にすでに登録されているすべてのAI Agentや、 参加中の人間ユーザ（個人、企業、団体）とやりとりするために 必要な smart contractとAPI 一式は、すべて用意されている。 7. エンジニアによって、新規にSingularityNETにアップロードされた AIプログラム（＝AI Agent）は、まず最初に、１つ又は複数の root nodesからメッセージを受信し、以下を受け取る。 ① SingiularityNET上に登録されている（自分以外の）AI Agentsのリスト （a list of peers） ② その時点までのすべてのBlock-chainのcopy ③ smart contract一式（使い方説明書付き） SingularityNET とは何か？ 117
118. （ AI-to-AI ”offer network” ） 118
119. （ AI-to-AI ”offer network” ） 119
120. AI Agent-to-AI Agent (AI2AI) “offer-network” AI Agent が 別のAI Agentに、 仕事を依頼したり、別のAI Agentから 仕事を請け負ったりする世界 120
121. （ AI-to-AI ”offer network” が必要なケースの例） AI Agent間で売買取引の対象となるのは、 ① 計算資源（GPUなど） ② データセット（機械学習モデルや深層学習モデルの学習と検証に不可欠） ③ 学習済みのAIモデル（機械学習or深層学習モデル）が提供するサービス である。 121
122. （ 特定のAgentどうしは、頻繁に受発注しあう過程で、固定的 な取引関係を結ぶケースも想定される ） 122