🤖 AI

A Geometric Theory of Cognition for Machine Intelligence

本論文は、学習された潜在多様体上のリーマン勾配流から認知計算が創発する、機械知能のための幾何学的フレームワークを提案するものであり、これによりエージェントは、明示的なメモリモジュールを持たずとも、再帰型アーキテクチャに匹敵する堅牢な性能を実現しながら、表現、記憶、適応、および予測を統一することが可能となる。

原著者： Laha Ale

公開日 2026-06-09

📖 1 分で読めます☕ さくっと読める

CC BY 4.0

原著者： Laha Ale

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。 ✨ これは以下の論文のAI生成解説です。著者が執筆または承認したものではありません。技術的な正確性については原論文を参照してください。免責事項の全文を読む

あなたは、考える、学ぶ、記憶する、そして意思決定ができるロボットを作ろうとしていると想像してください。通常、エンジニアは、障害物を避けるための素早い反射システム、ルートを計画するための遅い思考システム、そして記憶を保存するための独立したハードドライブといった、異なる役割を持つ「部品」をロボットに与えることで構築します。

この論文は、異なるアイデアを提案しています。ロボットを別々の部品で構築するのではなく、単一の柔軟な幾何学的曲面の上で思考するロボットを作ることを提案しているのです。

以下に、その核心となる概念を簡単な比喩を用いて分解して説明します。

1. 「思考の形」（多様体）

ロボットの精神を、単なる事実のリストやコンピュータチップとしてではなく、一つの**景観（ランドスケープ）**として考えてください。

地形: 起伏のある、デコボコした表面を想像してください。この表面上のあらゆる点は、特定の精神状態（思考、記憶、または決定）を表します。
形が重要: この景観の形は平坦ではありません。急で滑りやすい部分もあれば、平坦で広い部分もあります。
「リーマン計量」: これは、単に地面の質感を意味する専門用語です。これは、ロボットが特定の方向に移動するのがどれほど「困難」か、あるいは「容易」かを伝えます。
- 急で滑りやすい斜面: ここでの移動は簡単で速いです。これは直感や素早い反射を表します。
- 厚く粘り気のある泥: ここでの移動は遅く、努力を必要とします。これは熟考や慎重な計画を表します。

2. 「目標の重力」（ポテンシャル）

ロボットは、食べ物を見つける、あるいはパズルを解くといった「良い」状態に到達したいと考えています。

ボール（ロボットの現在の思考）が丘を転がり落ちる様子を想像してください。
「丘」の形は、ロボットの目標（認知ポテンシャル）によって形作られます。ボールは自然と谷底へと転がり落ち、そこは最善の解決策を表します。
ロボットは単に直線的に転がるわけではありません。地面の質感（計量）に従って転がります。地面が滑りやすければ、素早く答えに到達します。地面が粘り気があれば、より良く、より安定した答えを見つけるために、その領域をゆっくりと探索します。

3. 速い思考と遅い思考（二重プロセス）

心理学者はしばとも、「システム1」（速い、直感的な思考）と「システム2」（遅い、論理的な思考）について語ります。通常、これらには二つの異なる脳の部位が必要だと考えられています。

論文の主張: 二つの部品は必要ありません。必要なのは、正しい形の景観だけです。
景観に急で滑らかな谷がある場合、ロボットはそこを駆け抜けます（速い思考）。
景観に深く、うねった峡谷がある場合、ロボットは時間をかけて進まなければなりません（遅い思考）。
ロボットは、同じ幾何学的表面の異なる部分を移動するだけで、自然に「速い」モードと「遅い」モードを切り替えます。

4. ハードドライブのない記憶

通常、コンピュータは過去の出来事を覚えるために、特定の「メモリ・モジュール」を必要とします。

論文の主張: この幾何学的な世界において、記憶とは景観の形そのものです。
もしロボットがある経路が報酬につながると学習した場合、その領域の「地面」はより滑らかで明確になります。ロボットは記憶を「検索」する必要はありません。世界の形が自然にロボットを導くのです。
この論文の実験では、センサーが遮られた（目隠しをしたような）状況においても、この幾何学的ロボットは複雑な記憶システムを持つロボットと同等にうまく対処できることが示されました。それは、自身の精神の幾何学が自身を軌道に乗せ続けていたため、どこへ行くべきかを「記憶」していたのです。

5. 実験が示したこと

著者らは、ロボットが迷路をナビゲートしたり、仮想の生物（アリのようなもの）を操作したり、あるいは目隠しをされた状態で動いたりするビデオゲームのような環境で、このアイデアをテストしました。

結果: この幾何学的ロボットは非常に安定していました。ゲームのルールが突然変わっても、パニックに陥ることはありませんでした。滑らかに適応したのです。
驚き: 伝統的な「メモリ・バンク」を持っていなかったにもかかわらず、このロボットは将来の出来事を予測し、情報の欠落している長い期間に対しても、複雑な記憶システムを持つロボットとほぼ同等の能力を発揮しました。
教訓: ロボットの内部世界の「形」があまりにもよく整理されていたため、それが独自の記憶であり、独自のプランナーとして機能したのです。

まとめ

この論文は、知能を、別々のレゴブロック（記憶用、速度用、論理用など）から組み立てる必要はないと示唆しています。代わりに、もしあなたが賢く形作られた幾何学的表面の上を動く精神を構築すれば、それらの能力（速度、遅さ、記憶、予測）は、表面の形から自然に創発されるのです。それは、車にエンジンとステアリングホイールを別々に用意する必要はないと言っているようなものです。もし道路を正しく設計すれば、車は自然に、進むべき場所へと自走していくのです。

技術要約：機械知能のための幾何学的認知理論

問題提起

現在の人工知能システムは、表現、記憶、適応、および予測を単一の計算フレームワーク内で統一することに苦慮している。既存のアプローチは通常、確率的推論、リカレントニューラルダイナミクス、あるいは記号的なルールベース構造といった、個別の計算伝統に依存している。これらの手法は、高速な直感的反応と低速な熟考的推論を、共通の基礎となる原理からどのように創発するかを説明することなく、別々のモジュール化されたコンポーネント（二重過程理論）として扱うことが多い。さらに、既存の理論は内部的な精神表現に関する互換性のない仮定を課しており、非定常な環境における適応的な知的行動の統一的な数学的記述の開発を妨げている。核心となる課題は、これら多様な認知的能力が、明示的なアーキテクチャの分割ではなく、共通の幾何学的原理から創発し得るかどうかを判断することである。

手法

著者らは、エージェントの内部的な認知状態 $\eta$ が微分可能な多様体 $\mathcal{M}$ 上で進化するという幾何学的フレームワークを提案している。このフレームワークは、以下の3つの核となる要素によって定義される：

リーマン計量 ( $G(\eta)$ ): 多様体には、学習された状態依存的なリーマン計量が備わっている。この計量は、表現の制約、計算コスト、および認知変数間の構造的依存関係を符号化する。これは認知空間の局所的な幾何学を定義し、異なる方向への移動における「コスト」を決定する。
認知ポテンシャル ( $J(\eta)$ ): このスカラーポテンシャル関数は、予測精度、表現の経済性、タスクの効用、および規範的要件といった複数の行動駆動力を単一の量へと統合する。このポテンシャルは、多様体上のランドスケープとして機能する。
リーマン勾配流: 認知ダイナミクスは、計量に関するポテンシャルの勾配流によって支配される：
$\frac{d\eta}{dt} = -G(\eta)^{-1}\nabla_\eta J(\eta)$
標準的なユークリッド空間の勾配降下法とは異なり、この定式化では、局所的な幾何学に基づいて実効的な学習率や座標間の結合が変化することを可能にする。

創発的なタイムスケールの分離:
本フレームワークは、二重過程現象（高速な直感 vs 低速な熟考）が、学習された計量の異方性から自然に創発することを仮定している。

高速ダイナミクス: $G(\eta)$ の固有値が小さい方向は、幾何学的コストが低いため、急速なアトラクタ駆動型の更新（直感的または習慣的な反応）を可能にする。
低速ダイナミクス: $G(\eta)$ の固有値が大きい方向は、幾何学的コストが高いため、保守的で低速な進化（熟考的な推論）をもたらす。
この分離は、幾何学に内在するものであり、システムの明示的なモジュール分解を必要としない。

アルゴリズムの実装:
著者らは、強化学習（RL）の設定において評価された3つの具体的なアルゴリズムを通じて、この理論を実装している：

Riemannian PPO: 近似ポリシー最適化（PPO）において、メタ学習された計量を使用する。
Riemannian Continual Learning: オンラインかつ非定常な設定に適用される。
Riemannian World Model: 潜在ダイナミクスの予測コーディングに基づく。

実験結果

本フレームワークは、観測のマスキング、長期的な感覚遮断、およびタスクの切り替えが行われる部分観測強化学習環境（MiniGridおよびAnt-v5）において評価された。

非定常性に対する堅牢性 (MiniGrid):
- 定期的なゴール切り替えを伴うタスクにおいて、Riemannianエージェントは、フィードフォワード（CNN）およびリカレント（RNN）のベースラインと比較して、より小さな「リターン・ショック」（即時的なパフォーマンス低下）を示した。
- しかし、Riemannianエージェントはいくつかの事例において、より高い「非回復率」を示しており、初期ショックへの堅牢性と回復速度の間のトレードオフを示唆している。
- 内部診断: Riemannianエージェントは、訓練を通じてより滑らかな計量コンディショニング（固有値の分散の低さ）と、より高い有効次元数を維持しており、これは表現がベースラインほど容易に低次元の部分空間へと崩壊（collapse）していないことを示している。
部分観測性とブラックアウト (Ant-v5):
- 観測マスキングおよび長期的な感覚遮断（最大500ステップ）の下で、Riemannianエージェント（表現およびダイナミクスの両方のバリアント）は、強力なPPO-GRUベースラインと同等のパフォーマンスを維持し、フィードフォワードPPO-MLPを大幅に上回った。
- 表現分析: PPO-GRUは完全な物理状態を再構成するための線形プローブ精度において高い値を示したが、Riemannian表現は特定の変数（例：速度）において再構成スコアが低かった。これは、Riemannianエージェントが物理状態のすべてを明示的に符号化するのではなく、タスクに関連する構造を選択的に保持していることを示唆しているが、それでもなお堅牢な制御を実現している。
世界モデルの予測可能性:
- 潜在空間の予測タスクにおいて、Riemannian表現は非常に予測可能な潜在ダイナミクスを示した。
- Riemann-Rep は、最も低い再帰的ロールアウト誤差と、長期間にわたるほぼ完璧な予測精度を達成し、長期間の一貫性の観点からPPO-MLPおよびPPO-GRUの両方を上回った。
- これは、学習された多様体構造が、明示的なリカレントメモリなしでも、モデルベースの推論に適した規則的で安定した潜在軌道を誘導することを示している。

主な貢献

統一された幾何学的フレームワーク: 本論文は、表現、記憶、適応、および予測を統一する単一の数学的原理（学習された多様体上のリーマン勾配流）を導入している。
創発的な二重過程ダイナミクス: 高速および低速の認知モードが、学習された計量の異方性から創発できることを、解析的および経験的に実証しており、直感的システムと熟考的システムの明示的なアーキテクチャ分離の必要性を排除している。
明示的なリカレンスなしでの堅牢性: 学習された潜在幾何学が、明示的なリカレントメモリメカニズムの代替として、観測損失やタスク切り替えに対してリカレントアーキテクチャに匹敵する堅牢性を達成できることを示しており、時間的一貫性のための明示的なリカレントメモリの必要性に疑問を投げかけている。
安定性と可塑性のトレードオフ: 本フレームワークは、潜在空間の幾何学そのものを通じて、適応と保持の間のトレードオフを制御するための原理的なメカニズムを提供している。

意義と主張

本論文は、認知計算のための幾何学的基礎を確立することを主張しており、力学系、表現学習、および世界モデルベースの知能を橋渡ししている。

理論的統一: 多様な認知プロセスに対して共有の数学的記述を提供しており、「安定性と可塑性のジレンマ」が潜在空間の幾何学によって自然に解決されることを示唆している。
リカレンスへの代替: 学習された潜在幾何学が、記憶と予測のための基盤となり、明示的なリカレントメモリメカニズムの有効な代替手段となり得ることを示唆している。
学際的な架け橋: 本アプローチは、認知科学（二重過程理論）と現代のAIを結びつけ、認知レジームがモジュール的な分解の結果ではなく、基礎となる幾何学の機能的な帰結であることを提案している。

著者らは、現在の評価が強化学習における中程度の次元の潜在空間に限定されていることを挙げ、その範囲について謙虚な姿勢を保っている。また、高次元の設定において密な計量テンソルの逆行列を計算する際の計算コストが依然として課題であること、および幾何学的メモリが明示的なリカレンスを上回る条件については、さらなる理論的調査が必要であることを認めている。それにもかかわらず、本研究は、複数のタイムスケールにわたって動作する、堅牢で適応的な機械知能への原理的な経路を提供している。