ただの夢想です。実現するには時間も考えも足りないので、忘れないうちに言語化しておきます。

実現したいこと

• コンセプト
  • 心を感じるような人工的な知能を実現すること
    • 条件反射ではない、なにか考えているような印象を与えてくれる
    • 常に学習し続けていて、変化を伴う
  • 「疲れている」と伝えれば、それに共感してくれたり、自身のことを話してくれたりするイメージ
  • 知りたいことが返ってこなくても良い。むしろ何か見えないダイナミクスを感じさせてくれる挙動が大事
  • 知識の抽出だけではなく、知識の使い方をも自律的に発見する
• シミュレーション
  • ユーザ（私）と体験をある程度共有出来るような環境
  • グリッドワールドでも良い。その中に、時間や環境（温度や明るさ）、空腹感などの外的変動要素が含まれていること
  • 「今日は暑いね」と言えば、「暑いとは温度が比較的高いこと」など体験に基づいて内的に理解出来ていること

要素技術

情報表現も記憶も全ては動的であり、それを制御するための力学系を有すること

• 機構

  • 基本は深層ニューラルネットのように徐々に抽象化されていく仕組み
  • ただし層数は事前に決まらず、ニューロン同士の結合有無組み合わせ、再帰的な回路、時間発展によって、機能的に深層構造と同等の機能が動的に実現される
  • 結合の仕方を他のニューラルネットの状態によって制御出来れば、状況によって最適な構造（表現能力）を動的に用いることが出来る
  • ある２つの情報が、同じカテゴリとして表現したいときもあれば、明確に区別したいときもあり、Attention機構（回路構造の指定）によって動的に制御される
  • 結合有無に関しては、MC Dropoutのようにある種のランダムを持たせて、いくらか学習が進んだあとに、エントロピー的計算により既知未知をある程度算出できる

• 学習方法

  • 常に学習し続けても破綻しない
  • 誤差逆伝搬だと追加学習や並列学習に難があるので、Equilibrium Propagationのようなローカルな方法が望ましい
  • 誤差を求めるための正解値みたいなものは基本的に明示されず、自身の行動を決める上で、その情報表現が適切か不適切かを指標とする
  • 言い換えると、全ては時系列の予測学習であり、予測が出来るように学習していくことが基本的な戦略
    • 時系列の先が同じであれば、表現は近くなるといった、CBOWとかskip-gramのイメージにも近い

• 記憶

  • 大脳皮質の役割で、まだあまり議論されていないように思える
  • hopfield型NNのようにアトラクタを有する力学系で実現される
    • 追加学習をしても過去の記憶は壊れない。ただし、想起しづらくなることはある
  • AからBの予測を単に関数近似ではなく、神経力学系上の時間発展が可能とする連想記憶によって実現される
    • これによりA->B、B->Cを個別に学習しておくだけで、A->Cの三段論法的な表現も自動的に獲得される
  • 様々な角度の連想記憶は、力学系の部分空間の切り替えによって動的に制御される

• 探索

  • 根底にあるのは欲求や感覚であり、持って生まれるものとする
  • 明示的なゴールは基本的に与えられない
  • ご飯は食べれば食欲は満たされるポジティブな情報として、嫌なことは最終的に痛みに結びつきネガティブな情報として表現できる
  • また、既知未知を表現できることで、知識欲を満たすように自律的な探索行動もできる
  • そうやって、ネガティブなことを避けつつ、ポジティブなことを追い求めていく中で、徐々に外界情報が内部表現として整理されていく
  • そうした中で、ユーザ（私）との共通認識みたいなものも生まれて、コミュニケーションも取れるようになるはず

書きかけであり、適宜追記するし、画像も用意する