スーパインテリジェンスの理解：集団知能への道
「スーパインテリジェンス」という用語は、論理や推論、創造性、直感などのさまざまなタスクにおいて人間の認知能力を超えることが期待されるAIシステムを指す際に、ますます使用されるようになっています。かつては遠い未来の可能性と考えられていましたが、現在では10年以内に実現する可能性が高いとされています。このことは政策立案者や研究者の間で大きな懸念を引き起こしています。一つの重要な懸念は、人間の価値観や道徳、目標を欠いた人工スーパインテリジェンス（ASI）の創造です。
このリスクを緩和するために、一部の研究者は人間の価値観に合ったAIシステムの設計を目指しています。たとえば、AnthropicはAIの行動を制御する原則のフレームワークを組み込む「憲法的AI」という方法に取り組んでいます。一方、OpenAIは「スーパアライメント」という戦略を追求しており、この重要な課題に20%の計算力を割り当てています。
しかし、この問題を考えると、スーパインテリジェンスを達成するためのより安全な道はないのか、という緊急の疑問が浮かび上がります。私が提唱するのは、集団スーパインテリジェンス（CSi）という概念です。私の過去10年間にわたるAI研究の焦点はこのアプローチに置かれています。CSiは、大規模なグループをつなげて、共同で複雑な問題を解決する能力を持つシステムを構築し、人間の価値観や倫理的配慮を意思決定プロセスに組み込むことを目指しています。
この手法は、魚の群れや昆虫のコロニーなど、社会的な生物に見られる自然な進化の一歩に合致しています。この現象は、魚の群れやミツバチの群れ、鳥の群れが中央集権的な制御なしで効果的に環境をナビゲートするのを可能にします。投票やアンケートに頼るのではなく、彼らはリアルタイムの双方向システム（群れ）を形成し、最適な解決策に集約します。
このモデルが魚や鳥に機能するなら、なぜ人間にも同様に機能しないのでしょうか？
この疑問が、私は人間のグループがスーパインテリジェントなシステムとして機能できるかどうかを研究する動機となりました。2014年に、私は生物の群れを模倣するためにUnanimous AIを設立し、最初の手法として非言語的方法を利用し、数百人のユーザーがAIアルゴリズムによって信念のレベルを分析されながら、グラフィカルなパックを動かし協力して質問に回答しました。
私たちのシステムは、さまざまな事象に関するグループ予測を効率的に生成し、懐疑的な声を驚かせました。例えば、2016年にはCBSの記者がケンタッキー・ダービーの予測を依頼し、私たちのグループの予測に賭けて大きな利益を得た事例があります。この実績は、集団スーパインテリジェンスの可能性を示しています。その後の学術研究は、金融予測から医療診断に至るまで、さまざまな分野でのスワームAIの応用を検証しています。
しかし、真のスーパインテリジェンスを実現することは依然として難題です。従来の方法では狭い問題にしか対処できませんでした。包括的な人間主導のスーパインテリジェンスを作るためには、技術が複雑な問題についての熟慮を促進するために適応可能である必要があります。最も強力な人間の道具である言語を活用することが重要です。
しかし、多くの人が一貫したリアルタイムの会話に参与することを可能にすることは、課題を伴います。研究によれば、生産的な議論に最適なグループサイズは4人から7人程度です。それを超えると、会話のダイナミクスが関与する対話から断片的な独白へと変わってしまいます。この制約は、最近のAIの進展、特に大規模言語モデル（LLM）の登場によって克服される希望が見えてきました。
新しい技術である会話型スワームインテリジェンス（CSI）は、最大2百万の参加者がリアルタイムで会話できるようにすることで、複雑な問題を話し合う方法を革新します。この技術は、スワーム知能に典型的な自然な増幅を引き出します。魚の群れのコミュニケーションメカニズムに触発された私たちは、このアイデアを人間に応用しました。ハイパースワームと呼ばれる概念を利用し、大規模なグループを重複する小グループに分割します。たとえば、1,000人のネットワークを小さなグループにセグメント化し、並行会話を促進し、熟慮を深めます。
ただし、並行グループを作るだけではスワームインテリジェンスを達成するには不十分です。情報はサブグループ間で流れる必要があります。これは、魚に見られる側線器官を模倣したAIエージェントを取り入れることで実現されます。LLMによって駆動されるこれらの観察エージェントは、全体の参加者にわたって洞察を抽出し、伝達する役目を果たします。
最近の研究では、サー・フランシス・ゴルトンの1906年の実験から適応した推定タスクを通じてこの概念をテストしました。240人の参加者がジャーの中のガムボールの数を推定しましたが、個々の推定値はばらつき、平均誤差は55%に達しました。それに対して、統計的な平均を取った結果は精度が25%に改善され、ChatGPTの推定は42%の誤差率に近づきました。
最も注目すべきは、会話型スワーム手法が個人やChatGPTよりも優れており、驚くべき12%の誤差率を達成したことです。この統計的に有意な結果は（p ≦ 0.0001）、我々の研究が実現可能な道を示唆しています。
ランキング
