最近の研究で驚くべき関係が明らかになった

最近発表された研究は、賢い人は思考が速いという広く信じられている考えに疑問を投げかけます。 この研究では、問題解決能力の尺度である流動性知能が高い人は、IQが低い人よりも難しい課題を解決するのに時間がかかることが判明した。

で結果が発表されました ネイチャーコミュニケーションズ、人間の知能のより深い理解に貢献し、神経科学、心理学、人工知能を含むさまざまな分野に潜在的な影響を及ぼします。

研究者らは、ヒューマン コネクティビティ プロジェクトのデータに基づいてパーソナル ブレイン ネットワーク モデル (BNM) を作成しているときに、この発見に遭遇しました。 BNM は、異なる脳領域間の相互作用に基づいて脳の活動を模倣します。 各脳領域は、脳画像データから推定された構造的接続に基づいた興奮性および抑制性の集団モデルによって表されました。

「私の研究は脳のシミュレーションに焦点を当てています」と、筆頭著者であり、ベルリン・シャリテ大学ベルリン保健研究所の上級研究員であるマイケル・シャーナー氏は述べた。 「私はMRIデータから人間の脳のコンピューターモデルを構築しました。これは、 バーチャルブレインプロジェクト。 脳モデルの改良に取り組んでいたとき、私たちは知能に関する経験的データを発見しました。」

脳シミュレーションを現実世界のデータと比較するために、研究者らはペン行列推論テスト (PMAT) を受けた 650 人の参加者からのデータを分析しました。 このテストは、流動的な知能を測定するために設計された、難易度の高いパターン マッチング タスクで構成されていました。

知能の高い参加者は、テストの問題が単純な場合にのみ速かった。 しかし、より高度な問題解決が必要な、より困難なタスクに直面した場合、より高い知能を持った参加者は、正しい解決策を見つけるのにより多くの時間を要しました。

「最も驚くべき考えは、知能検査が行われて以来（1890年頃）、賢い人は頭の回転が速いため賢いという思い込みが常にあったということだ。結果は、そうではないことが判明した！」とシャーナー氏は述べた。

これまでの研究では、知能が高い人ほど反応時間が速い傾向があることが示されています。 しかし、この研究の結果は、反応時間が必ずしも知能を示すわけではないことを示し、この概念に疑問を投げかけました。 研究者らは、意思決定の速度と正確性の間のトレードオフを提案しており、これは、速い思考と遅い思考に関する経済学や心理学などの分野の理論と一致しています。

研究者らは、脳領域間の同期が問題解決に役割を果たしていることを発見しました。 より同期した脳は問題解決に優れていますが、必ずしも速くなるとは限りません。 同時実行性が高くなったことで、より優れた証拠の統合とより堅牢な作業記憶が可能になりました。 この発見は、個人の脳ネットワーク モデルで観察された動的な原理に基づいています。

「同期が低下することで、脳の意思決定回路は結論に早く到達する一方、脳領域間の同期が高まると、手がかりの統合が改善され、より堅牢な作業記憶が可能になります」と、この研究の主著者であるシャリテ大学のペトラ・リッター氏​​は説明した。

直感的には、それは驚くべきことではありません。より多くの時間があり、より多くの証拠を検討すれば、問題を解決し、より良い解決策を考え出すためにより多くの投資をすることになる、とリッター氏​​は続けました。 「ここでは、これを実験的に示すだけでなく、観察されたパフォーマンスの違いが個人の脳ネットワーク モデルにおける力学的原理の結果であることを示します。」

「私が驚いたのは、知能が脳の同期に関係しており、それが興奮と抑制のバランスに依存しているということです」とシャーナー氏はPsyPostに語った。

この研究では、生物学的ネットワークが意思決定にどのような影響を与えるかを理解するために、観察データを補完するツールとして脳シミュレーションを使用しました。 最終的な目標は、脳の働きを理解するための理論的枠組みを開発し、この知識を生物からインスピレーションを得たツールやロボット アプリケーションの開発に応用することでした。 研究者らは、生物学的に現実的なモデルが将来的に古典的な AI システムを上回る可能性があることを示唆しました。

「現在では、私たちが想像しているよりももっともらしい方法で人間の意思決定をシミュレートすることが可能になっています。たとえば、ChatGPTを見たときに機能する知能などです」とシャーナー氏は述べた。 「生物学的知能と人工知能の仕組みには根本的な違いがいくつかあります。」

この研究は、知能、意思決定速度、脳ネットワークのダイナミクスの関係について貴重な洞察を提供しますが、考慮すべき制限もいくつかあります。 研究で使用された個人用 BNM は、実際の人間の脳のシミュレーションと簡略化に基づいています。 それらは脳のダイナミクスを理解するための有用なフレームワークを提供しますが、依然として抽象的な概念であり、脳の構造と機能の複雑さをすべて捉えているわけではありません。

「私たちは脳をリバースエンジニアリングすることで人間レベルの知能（汎用人工知能）を構築したいと考えていますが、今回の研究はその方向への一歩にすぎません」とシャーナー氏は説明した。 「やるべきことはまだたくさんあります。たとえば、より直接的な学習機能を備えた、より詳細な脳モデルが必要です。」

研究、 “ネットワーク アーキテクチャが近隣地域にインスピレーションを得たコンピューティングの意思決定をどのように形作るかを学びますマイケル・シャーナー、グスタボ・デコ、ペトラ・リッターが執筆。