Navigating Simply, Aligning Deeply: Winning Solutions for Mouse vs. AI 2025
チームHCMUS_TheFangsは、軽量でシンプルなアーキテクチャが視覚的な堅牢性に優れ、より深く高容量のモデルが神経学的アライメントにおいて優れていることを実証することにより、NeurIPS 2025のMouse vs. AIコンペティションの両方のトラックで勝利という結果を収め、最適なパフォーマンスはモデルのサイズを最大化することではなく、特定のタスク目標にアーキテクチャの複雑さを適合させることによって決まるということを明らかにした。
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
AIエージェントが、隠されたボールを探して3D迷路を駆け抜けるマウス（ネズミ）と競い合うコンテストを想像してみてください。しかし、ここにはひねりがあります。非常に異なる目的を持つ2人の審査員が存在するのです。
コンテスト：「マウス vs AI」
これは運転免許の試験のようなものです。
- トラック1（「悪天候」テスト）： 最初の審査員は、天候が変わってもAIが迷路を走行できるかどうかを見たいと考えています。突然霧が発生したらどうなるでしょうか？もし照明が点滅したり、日が暮れたりしたら？ここでの目標は**堅牢性（ロストバネス）**です。状況が混乱しても、AIは作業を継続できるか？という点です。
- トラック2（「脳スキャン」テスト）： 二人目の審査員は、AIがレースに勝つかどうかには関心がありません。代わりに、彼らが知りたいのは、AIの脳はマウスの脳と同じように機能しているのか？ ということです。彼らは、マウスが迷路を走っている間にニューロンが発火する様子を記録した19,000個の実マウスのニューロンデータを持っています。ここでの目標は**アライメント（整合性）**です。AIの内部処理は、生物学的なものと一致しているか？という点です。
大きな驚き：シンプル vs 複雑
University of Science, VNU-HCMのチーム（チーム HCMUS_TheFangs）は、驚くべき発見とともにこのコンテストに参戦しました。それは、**「万能な解決策は存在しない」**ということです。
1. 「悪天候」テスト（トラック1）に向けて：シンプルさを保つ
チームは、多くの層を持つ超複雑なAIの脳（ディープニューラルネットワークのようなもの）を構築しようと試みました。それは、AIに巨大で複雑な百科事典を丸暗記させるようなものでした。
- 起きたこと： 複雑なAIは、訓練用の迷路を完璧に暗記しましたが、霧が発生するとフリーズしてしまいました。あまりにも限定的すぎたのです。
- 勝利の解決策： 彼らは、極めて小さな2層の脳（「SimpleCNN」）へと切り替えました。これは、道路の一般的なルールは知っているものの、細部にこだわりすぎて考えすぎない、「街の事情に明るい地元の人」のようなものです。
- 秘伝のソース： 彼らは2つのシンプルなツールを追加しました。
- 正規化（Normalization）： これはサングラスをかけるようなものです。明るさや色の急激な変化を無視し、道の形だけに集中できるようAIを助けます。
- ゲーティング（GLU）： これはクラブのドアマンのような役割を果たします。有用な情報を取り入れつつ、ノイズや混乱を招く視覚的なスタティック（静止画の乱れ）を遮断します。
- 結果： このシンプルで「街の事情に明るい」AIは、**95.4%**というスコアで勝利しました。これは、奇妙な天候の中でも生き残るためには、スーパーコンピュータではなく、シンプルで適応力の高いシステムが必要であることを証明しました。
2. 「脳スキャン」テスト（トラック2）に向けて：深く進む
目標が「マウスの脳を模倣すること」に変わると、戦略は一転しました。小さなAIでは不十分だったのです。
- 問題点： マウスの脳は、巨大で複雑な階層構造を持っています。エッジ（端）、形、そして物体といったものを、同時に処理していきます。小さなAIでは、この深さを捉えることができませんでした。
- 勝利の解決策： 彼らは、16層の深いResNetを構築しました。これは、1,780万個のパラメータ（本）を持つ巨大な図書館のようなものです。これだけの「脳の力」があって初めて、マウスが世界を見る複雑で層状の仕組みを理解できるのです。
- 結果： この深く複雑なモデルは、神経アライメントにおいてトップの座を獲得しました。これは、生物学を模倣するためには、実際に大きく複雑な脳が必要であることを示しています。
「スイートスポット」の発見
チームはまた、学習時間についても奇妙なことに気づきました。普通なら、「AIを長く訓練すれば、より優れたものになる」と思うでしょう。
- 現実： それは直線的な関係ではありません。彼らは、異なるステップ数（60,000ステップから100万ステップ以上まで）で訓練されたモデルをテストしました。
- 発見： 最良のモデルは、多くの場合200,000ステップ付近で見つかりました。もし訓練を長くしすぎると（例えば100万ステップ）、モデルは逆に悪化してしまったのです。
- 比喩： これはテスト勉強に似ています。少ししか勉強しなければ、何も分かりません。ちょうど良い量だけ勉強すれば、満点が取れます。しかし、休みなしに何日も勉強し続けると、燃え尽きて基本を忘れ、初歩的なミスをし始めます。「完璧な」モデルとは、考えすぎてしまう直前で訓練を止めたモデルでした。
何が失敗したのか？
チームは多くの高度なアイデアを試しましたが、うまくいきませんでした。
- InceptionNet： 非常に複雑なアーキテクチャでしたが、単に何も学習することを拒みました。
- データ拡張（Data Augmentation）： 訓練画像を人工的に奇妙に見せる（雨や夜にするなど）ことで、AIを教えようとしました。驚いたことに、これはAIを悪化させました。それは、燃えている車の写真を見せて運転を教えようとするようなもので、AIを助けるどころか混乱させてしまいました。
- LSTM（メモリ）： AIに過去のフレームを記憶させる「メモリ」を与えてみました。しかし、これはAIが2Dの画像をクリアに見る能力を破壊し、動作をぎこちなくさせてしまいました。
まとめ
この論文は明確な教訓で締めくくられています。
- もし、変化する環境の中でタフで信頼できるAIが欲しいのであれば、シンプルさを保ってください。過剰な設計（オーバーエンジニアリング）は避けるべきです。
- もし、生物学を模倣するAIが欲しいのであれば、生命の脳の豊かさに匹敵する複雑さと深さが必要です。
チームは単に勝者を見つけただけではありません。「最高の」AIデザインとは、何を達成しようとしているかによって全く異なるものであることを示したのです。時には、シンプルさが勝り、時には、巨大な図書館が必要なのです。
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。