科学者たちは、大規模言語モデル（LLM）と人間の脳が、アーキテクチャやエネルギー消費が大きく異なるにもかかわらず、言語を処理する方法に驚くべき類似性があることを明らかにしました。
Google Research、プリンストン大学、ニューヨーク大学、エルサレム・ヘブライ大学による共同研究では、人間の脳内の神経活動が、自然な会話中にLLMの内部コンテキスト埋め込みと線形に一致することが判明しました。研究者たちは、両者が「次に来る単語を事前に予測する」「予測と実際の入力を照合して驚きを計算する」「文脈埋め込みを用いて単語の意味を表現する」という3つの基本的な計算原理を共有していることを発見しました。
「深層言語モデルが生成する単語レベルの内部埋め込みは、言語理解や産出に関わる既知の脳領域における神経活動パターンと一致することを示しました」と、研究者らはNature Neuroscience誌に発表した論文で述べています。
しかし、重要な違いも存在します。LLMは数十万語を同時に処理できる一方で、人間の脳は言語を一語ずつ逐次的に処理します。さらに、人間の脳はわずか約20ワットの電力で高度な認知処理を実現しており、現代のLLMが必要とする膨大なエネルギーとは対照的です。
「脳ネットワークは、単にニューロンや層、接続を増やすのではなく、より多様な神経細胞タイプと、異なるモジュール内での選択的な接続性を持たせることで効率性を実現しています」と、Nature Human Behaviour誌に掲載された研究は説明しています。
さらに驚くべきことに、BrainBenchの研究者たちは、LLMが神経科学の実験結果の予測において人間の専門家を上回ることを発見しました。彼らの特化型モデル「BrainGPT」は81%の精度を達成し、神経科学者の63%を大きく上回りました。人間の専門家と同様に、LLMも自信を持って予測した場合に精度が高まる傾向が見られました。
これらの発見は、脳に着想を得たコンピューティングがAIの効率性を飛躍的に高める未来を示唆しています。研究者たちは、生物学的ニューロンにより近いスパイキングニューラルネットワーク（SNN）の研究を進めており、省エネルギー型の捜索救助ドローンから高度な神経義手まで、幅広い応用が期待されています。
LLMがますます脳に近い処理を進化させる中で、人工知能と生物学的知能の境界はますます曖昧になり、認知の本質に関する深い問いを投げかけています。