中国科学院の脳・知能先端研究センターの研究室で、科学者チームは初めて、個々のニューロンが柔軟に意思決定できる小型コンピューターのように働く仕組みを明らかにした。これは単なる新たな発見ではない——人間の脳がなぜあらゆるアルゴリズムよりも速く効率的に新しい課題をこなせるのかを理解するうえで、何十年にもわたり妨げとなってきた空白を埋めるものだ。
今日のAIシステムはニューロン間の結合——「駅と駅をつなぐ道」——を模倣しているにすぎない。新たな研究は、ニューロン自体がその内部で複雑な計算を行い、わずかな例から素早く仮説を立て、法則性を一般化できることを示している。これは、人間がいくつかの例で学ぶのに、AIは何百万もの例を必要とする理由を説明するものだ。
CASの科学者たちはもう何年も前から神経生物学と計算科学の交差点で研究を続けてきた。神経ネットワークのマッピングや脳の可塑性の研究に関する彼らの過去の業績が、この飛躍の土台を作った。制度的・技術的な制約——十分な分解能を持つ機器の不足——が長く進展を妨げてきたが、蓄積された経験と最先端設備へのアクセスによって、まさに今、前進を遂げることが可能になった。
公的な発表は「次世代AI」への可能性を強調しているが、真の関心はより深いところにある。この仕組みをアルゴリズムに統合すれば、システムの消費電力を劇的に減らし、適応性を高められる可能性がある。発表された内容と実際との隔たり：この発見は単に「着想を与える」ものではなく、アーキテクチャにおける根本的な違い——生物学的なものとデジタルなもの——を指し示している。
モデル学習の高いコストによりAI業界への圧力が高まるなか、この発見は神経技術で主導権を握ろうとする中国の戦略の自然な延長線上にあるように見える。それは一つのパターンを裏付けている。すなわち、中国の科学研究チームは応用分野で競争優位を得るために、脳の基礎研究へ体系的に投資しているのだ。
手を覚えるだけでなく、新しい対戦相手に合わせて戦略全体を即座に組み替えるチェス選手を想像してほしい——新たな説明によれば、ニューロンはまさにそのように働く。これにより、「結合」をコピーするだけでは柔軟性が得られない理由が理解できる。細胞の内部の「論理」もコピーする必要があるのだ。
この発見は、生物学的知能と人工知能の隔たりがデータの量にあるのではなく、計算の組織化そのものにあることを示している。次の一歩は、単にパラメータを増やすことではなく、生きた脳に着想を得た質的に異なるアーキテクチャなのだ。
