Quantifying task-relevant representational similarity using decision variable correlation
この論文は、分類タスクにおける「意思決定変数相関（DVC）」という新たな手法を用いて、画像分類モデルとサル（V4/IT 野）のタスク関連表現を比較した結果、モデル間の類似性はサル間と同等である一方、モデルとサルの間では一貫して低く、モデルの性能向上や大規模データによる事前学習、敵対的訓練によってもこの乖離が解消されないことを示しています。
原論文は CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) でライセンスされています。 これは査読を受けていないプレプリントのAI生成解説です。医学的助言ではありません。この内容に基づいて健康上の判断をしないでください。 免責事項の全文を読む
この論文は、**「AI（人工知能）の『目』と、サル（そして人間）の『目』が、同じものを見ているときに、本当に同じように『考えて』いるのか？」**という疑問に、新しい方法で答えを出そうとした研究です。
これまでの研究では、「AI と脳の仕組みが似ている」という意見と、「全然違う」という意見がぶつかり合っていました。この論文の著者たちは、その混乱を解きほぐすために、**「決定変数相関（DVC）」**という新しいものさしを開発しました。
以下に、難しい専門用語を使わず、日常の例え話を使ってこの研究の内容を解説します。
1. 従来の「ものさし」の限界：なぜ混乱していたのか？
以前は、AI と脳を比べるために、主に 2 つの方法が使われていました。
- 方法 A（構造の比較）： 「AI の内部の回路図と、脳の神経の配線図を比べて、形が似ているか？」
- 例え： 2 人の料理人が使っている「包丁の形」や「鍋の材質」を比べて、似ているか確認する。
- 方法 B（結果の比較）： 「AI と人間が同じ写真を見て、同じ答え（正解）を出せるか？」
- 例え： 2 人が同じ料理大会に出場して、同じ順位を取れたか確認する。
しかし、これらには問題がありました。
- 構造が似ていても、**「何のために使っているか（目的）」**が違えば、意味がありません。
- 結果（正解率）が似ていても、**「運良く正解した」のか、「本当に同じロジックで考えて」**いるのか区別がつかないことがあります。
2. 新しい「ものさし」：DVC（決定変数相関）とは？
この論文で提案されたDVCは、**「二人が同じ写真を見て、心の中で『これは猫だ！』と判断する瞬間の『思考の振動』が、どれだけ同期しているか」**を測る方法です。
🍎 アナロジー：「リンゴかオレンジか」のクイズ大会
想像してください。2 人の参加者（A さんと B さん）が、リンゴとオレンジの写真を次々と見せられ、「どちらですか？」と答えるクイズ大会があるとします。
- A さん（脳）： 色を見て判断する。
- B さん（AI）： 形を見て判断する。
【従来の方法の問題点】
- 正解率だけ見る方法： 二人とも 90% 正解しました。「すごい、似ている！」となります。でも、A は色で、B は形で見ているので、「思考のやり方」は全く違います。
- 構造を見る方法： 二人とも「右脳を使っている」というだけで、「似ている」と言われても、中身がどう動いているかはわかりません。
【DVC のすごいところ】
DVC は、**「1 枚 1 枚の写真に対して、二人が『これはリンゴだ！』と心の中で感じる『勢い（決定変数）』が、同じタイミングで上がったり下がったりしているか」**を測ります。
- もし、A さんが「これはリンゴだ！」と強く感じた写真で、B さんも「リンゴだ！」と強く感じていれば、「思考の同期（DVC）」は高いです。
- もし、A が「リンゴだ！」と感じたのに、B が「ちょっと違うかも…」と感じていれば、同期は低いです。
重要なのは、DVC は「正解かどうか」ではなく、「二人が同じ写真に対して、同じように『迷い』や『確信』を持っているか」を見る点です。
3. 驚きの発見：AI は「上手になるほど、脳と遠ざかる」
この新しいものさし（DVC）を使って、AI とサルの脳（V4/IT 領域）を比べたところ、予想外の結果が出ました。
📉 発見 1：AI が ImageNet（画像認識の大会）で高得点を取れば取るほど、脳との「思考の同期」は下がる
- これまでの常識： 「AI がもっと賢くなり、正解率が高くなれば、脳の仕組みに近づくはずだ」と思われていました。
- 実際の結果： 逆でした！ 正解率が高い AI ほど、サルの脳との「思考の同期（DVC）」は低くなりました。
- 例え： AI が「正解を出すための最短ルート（裏技）」を覚えすぎてしまい、人間が「自然に感じている感覚」とは違う、AI 独自の「計算の癖」を身につけてしまったようです。
🛡️ 発見 2：「敵対的攻撃」に強くしても、脳には近づかない
- AI に「少しだけ画像をいじると間違える」という弱点（敵対的攻撃）を克服させるトレーニングをしました。
- 結果： AI 同士は「同じ弱点を克服した仲間」として似てきましたが、サルの脳との同期はむしろ下がりました。
- 例え： 二人の料理人が「火災に強い鍋」を作ろうとして、同じ素材を使いましたが、その結果できた料理は、人間が普段食べている料理とは全く違う味になりました。
📚 発見 3：もっと大量のデータで学習させても、脳には近づかない
- 画像の数を何倍にも増やして学習させても、結果は同じでした。AI は「大量のデータ」から「人間とは違うルール」を学び取ってしまっているようです。
4. なぜ、従来の研究と結果が違うの？
以前の研究では「AI と人間の間違いのパターンが似ている」と言われていましたが、この論文は**「それは単なる『勘違い』だった」**と指摘しています。
- 従来の方法（コホンのカッパ）： 「正解率の差」や「答え方の癖（バイアス）」に大きく影響されます。
- 例え： 二人とも「リンゴ」と答える癖があるだけで、「似ている」と誤判定されてしまう。
- DVC の方法： 「正解率」や「癖」を排除して、**「純粋に思考の同期」**だけを見ます。
- 例え： 二人とも「リンゴ」と答えても、その「リンゴだ！」と感じる瞬間の心の動きが違えば、「似ていない」と正しく判定します。
5. まとめ：これからどうなる？
この研究は、「AI をもっと賢くする（正解率を上げる）こと」と「AI を脳のようにする（人間らしくすること」は、実は別の問題であることを示しました。
- これまでの道： 「もっとデータを集めて、もっと大きな AI を作れば、脳に近づく」という「力押し」の戦略。
- 新しい視点： 「正解率」だけでなく、「思考のプロセス（DVC）」が脳と合っているかを確認する必要がある。
結論：
今の AI は、人間が「自然に感じている世界」を、全く異なる「計算のルール」で理解して正解を出している可能性があります。AI を本当に「脳のようなもの」にするには、単に正解率を上げるだけでなく、「人間がどう感じているか」という思考の同期を重視した新しいトレーニングが必要なのかもしれません。
一言で言うと：
「AI がテストで満点を取れるようになったからといって、それが人間の『考え方』と同じだとは限らない。実は、AI は人間とは全く違う『魔法の計算』で正解を出しているかもしれないよ」という、AI と脳の関係性についての重要な発見です。
自分の分野の論文に埋もれていませんか？
研究キーワードに一致する最新の論文のダイジェストを毎日受け取りましょう——技術要約付き、あなたの言語で。