あなたは、ロボットに世界を理解させる方法を教えようとしているところだと想像してください。現在、ほとんどのロボットは、画像を見たり言葉を読んだりして、それらを結びつけようとすることで学習しています。彼らは通常、これを「平坦な」精神空間、つまり巨大で終わりのない方眼紙のような場所で行います。この平らな紙の上では、すべては単なる「点」であり、点と点の距離が、ロボットにとっての類似性を表します。しかし、現実の世界は平坦ではありません。層になっています。「犬」は「動物」の一種であり、「動物」は「生き物」の一種です。このような階層構造（大きな一般的な概念が頂点にあり、その下に小さく具体的な詳細が枝分かれしていく構造）は、平らな紙の上に描こうとすると、すべてが押しつぶされて乱れてしまいます。

この問題を解決するために、科学者たちは「双曲空間」と呼ばれる異なる種類の幾何学を用い始めました。これは、平らなシートではなく、巨大に広がるサンゴ礁や、遠くへ行くほど広くなる漏斗（じょうご）のような形だと考えてください。この形状であれば、複雑で層状の情報であっても、混み合うことなく大量に収めることができます。これは、最も一般的な概念（「動物」のように中心付近にあるもの）から、最も具体的な詳細（「疲れ果てたゴールデンレトリバー」のように端の方にあるもの）へと整理するのに最適です。しかし、ここが難しいところです。もしロボットが時間をかけて新しいことを学んでいくとしたら、どうなるでしょうか？このサンゴ礁のような形に新しいレッスンを加え続けていくと、形全体が歪んだりねじれたりして、ロボットが昨日学んだことをすべて忘れてしまう可能性があります。これは「破滅的忘却」と呼ばれ、賢く学び続けるAIを構築する上での大きな問題となっています。

この論文は、まさにその問題に取り組んでいます。研究者のJiahong Liu氏とそのチームは、次のように問いかけました。「この曲がった、サンゴのような世界の中で、古い記憶を壊すことなく、どうすればロボットに新しいことを教えられるだろうか？」彼らは、ロボットに新しいことを教えるためには、単に脳を自由に更新するだけでは不十分であることを発見しました。代わりに、サンゴ礁の形を保ったまま、非常に特定的で厳格な方法で知識を動かさなければならないのです。彼らは「HMCL（Hyperbolic Multimodal Continual Learning）」という新しい手法を構築しました。これは、厳格な建築家のように、既存の構造を歪ませることなく、あらゆる新しいレッスンが完璧に適合するように保証するものです。彼らの実験によれば、この手法は古い手法よりもはるかに優れており、いくつかのケースでは忘却を最大88%も減少させつつ、新しいタスクを効果的に学習できることが示されています。

曲がった脳の物語

セットアップ：漏斗の中で学ぶロボット
あなたがロボットのために図書館を作っているところを想像してください。ほとんどの図書館は平らな床の上にあり、本はただ列になって並べられています。しかし、私たちのロボットの図書館は、巨大で魔法のような漏斗（それが双曲空間です）の中に建てられています。この漏斗の中では、最も重要な一般的な本（「科学」や「芸術」など）は狭い上部に位置し、下へ進むにつれて棚が広がり、何百万もの具体的な本（「量子物理学」や「印象派の絵画」など）を収めることができます。この形状は素晴らしいものです。なぜなら、ロボットがすべてのつながりを見ることができるからです。特定の書物は、常にその一般的なカテゴリーの「下」に位置することになります。

ロボットは画像を見たりテキストを読んだりして、この漏斗の中でそれらを一致させようと学習します。しかし、生活は止まりません。毎日新しい本が届きます。ロボットは、古い本を二度と見ることなく、一つずつ新しい本を学ばなければなりません。これが「継続学習（continual learning）」です。

問題：漏斗の歪み
通常、ここで災難が起こります。ロボットが新しい本を学ぼうとする際、スペースを作るために棚を押し動かしてしまいます。通常の平らな図書館であれば、これは問題ありません。しかし、私たちの魔法の漏斗においては、棚を押し動かすことは建物全体の形を変えてしまうのです。「科学」のセクションが押しつぶされたり、「芸術」のセクションが伸びすぎてしまったりするかもしれません。

ロボットの記憶は、物事を理解するために漏斗の形状に完全に依存しているため、形が変わるとロボットは混乱してしまいます。犬の写真を見て、突然それが猫だと判断したり、「プードル」が「犬」の一種であることを忘れてしまったりするかもしれません。古い知識はただ消えていくのではなく、歪み、壊れてしまうのです。研究者たちはこれを「破滅的忘却」と呼んでいます。それは、新しいことを学ぶたびにロボットが記憶喪失になるようなものです。

発見：動きの黄金律
チームは、漏斗が壊れる理由は、ロボットが知識を間違った方向に動かしているからだと気づきました。彼らは深い問いを立てました。「どのような動きが、漏斗の形を完璧に保つことができるのか？」

彼らは驚くべき答えを見つけました。形を守るためには、ロボットは知識をランダムに揺らすことはできません。代わりに、何か新しいことを学ぶたびに、メモリ構造全体を非常に特定的で同期された方法で回転させなければならないのです。回転する地球儀を持っているところを想像してください。地図を破ることなく新しいステッカーを貼りたい場合、ステッカーが既存のグリッドに完璧にフィットするように、地球儀全体を回転させなければなりません。ゴムをただ引き伸ばすことはできないのです。

論文は、ロボットがすべてを覚えているためには、「共有された回転（shared rotation）」をすべての記憶に適用しなければならないことを証明しています。これは、画像と説明（例えば「犬」と「犬」という言葉）の関係が常に同じ距離に保たれなければならず、また階層（動物の下に犬がいること）も常に同じ深さを保たなければならないことを意味します。もしロボットが他の方法で学習しようとすれば、漏斗は壊れてしまいます。

解決策：HMCL
この発見に基づき、チームは「HMCL」と呼ばれる新しいトレーニング手法を構築しました。HMCLを、ロボットの脳における厳格な門番だと考えてください。ロボットが新しいタスクを学ぼうとするたびに、HMCLは提案された変更をチェックします。

• 「おい、君は『犬』のカテゴリーを広げようとしているのか？ダメだ、それは漏斗を壊してしまう！」
• 「全体を完璧に回転させようとしているのか？よし、それは許可される。」

HMCLは、ロボットがこれらのような完璧な回転として機能する更新のみを行うように強制します。それは単に推測するのではなく、数学を用いて、ロボットが形状を壊さずに学習できる正確な方向を計算します。それは、ロボットに、漏斗の幾何学的な形状を維持する方向にのみ動けるような補助輪を与えるようなものです。

結果：記憶喪失の減少と学習の向上
チームは、動物の写真を識別したり、画像を文章と一致させたりといった現実世界のタスクを用いて、さまざまな種類のロボットの脳（バックボーン）でテストを行いました。彼らは、この漏斗の形状を知らない古い手法と、新しいHMCL手法を比較しました。

結果は明白でした。古い手法は記憶において非常に劣っていました。彼らは以前学んだことをほとんどすべて忘れてしまい、「忘却スコア」は（完璧を0とするスケールにおいて）非常に低い値（例えば -6.46）を示しました。しかし、HMCLを用いると、忘却は劇的に減少しました。あるテストでは、忘却スコアが -6.46 からわずか -0.74 に改善されました。これは、88.5%もの忘却減少です！

ロボットは単に記憶力が良くなっただけではありません。より速く新しいことを学べるようになりました。形状が安定していたため、ロボットは図書館が崩壊することなく、新しい本をどんどん追加し続けることができたのです。研究者たちは、これが異なるタイプのロボットや異なる種類のタスクに対して有効であることを示し、幾何学的な正しさを保つことが、賢く学び続けるAIの秘訣であることを証明しました。

なぜこれが重要なのか
この論文は、単に「これは機能する」と言っているだけではありません。「なぜ機能するのか」を説明しています。AIに永遠に学び続けてほしいのであれば、単にデータを投げ込むだけでは不十分であることを伝えています。私たちは、その知識の「形」を尊重しなければなりません。ロボットの脳を平らなシートではなく、曲がった広がる世界として扱い、その曲線を尊重する動きを強制することで、過去を記憶しながら未来を受け入れ、真に成長し続ける機械を構築することができるのです。