論文の概要: A Unified Geometric Space Bridging AI Models and the Human Brain

• arxiv url: http://arxiv.org/abs/2510.24342v1
• Date: Tue, 28 Oct 2025 12:09:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-29 15:35:37.105212
• Title: A Unified Geometric Space Bridging AI Models and the Human Brain
• Title（参考訳）: 統一された幾何学的空間ブリッジングAIモデルと人間の脳
• Authors: Silin Chen, Yuzhong Chen, Zifan Wang, Junhao Wang, Zifeng Jia, Keith M Kendrick, Tuo Zhang, Lin Zhao, Dezhong Yao, Tianming Liu, Xi Jiang,
• Abstract要約: 現代の人工ニューラルネットワークは、言語、知覚、推論において人間と競合している。 これらの人工システムが脳のように情報を整理するかどうかは、いまだに不明である。 ここでは、Brain-like Spaceという画期的な概念を紹介します。
• 参考スコア（独自算出の注目度）: 24.54324712609098
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: For decades, neuroscientists and computer scientists have pursued a shared ambition: to understand intelligence and build it. Modern artificial neural networks now rival humans in language, perception, and reasoning, yet it is still largely unknown whether these artificial systems organize information as the brain does. Existing brain-AI alignment studies have shown the striking correspondence between the two systems, but such comparisons remain bound to specific inputs and tasks, offering no common ground for comparing how AI models with different kinds of modalities-vision, language, or multimodal-are intrinsically organized. Here we introduce a groundbreaking concept of Brain-like Space: a unified geometric space in which every AI model can be precisely situated and compared by mapping its intrinsic spatial attention topological organization onto canonical human functional brain networks, regardless of input modality, task, or sensory domain. Our extensive analysis of 151 Transformer-based models spanning state-of-the-art large vision models, large language models, and large multimodal models uncovers a continuous arc-shaped geometry within this space, reflecting a gradual increase of brain-likeness; different models exhibit distinct distribution patterns within this geometry associated with different degrees of brain-likeness, shaped not merely by their modality but by whether the pretraining paradigm emphasizes global semantic abstraction and whether the positional encoding scheme facilitates deep fusion across different modalities. Moreover, the degree of brain-likeness for a model and its downstream task performance are not "identical twins". The Brain-like Space provides the first unified framework for situating, quantifying, and comparing intelligence across domains, revealing the deep organizational principles that bridge machines and the brain.
• Abstract（参考訳）: 何十年もの間、神経科学者とコンピュータ科学者は、知性を理解し、それを構築するという共通の野望を追求してきた。 現代の人工ニューラルネットワークは、言語、知覚、推論において人間と競合しているが、これらの人工システムは脳のように情報を整理するかどうかはほとんど分かっていない。 既存の脳-AIアライメント研究は、2つのシステム間の顕著な対応を示しているが、そのような比較は特定の入力やタスクに縛られておらず、異なる種類のモダリティビジョン、言語、マルチモーダルモデルがどのように内在的に組織化されているかを比較するための共通基盤を提供していない。 ここでは、脳のような空間という画期的な概念を紹介します。全てのAIモデルを、入力モダリティ、タスク、感覚ドメインに関係なく、その固有の空間的注意トポロジ組織を標準的な人間の機能的脳ネットワークにマッピングすることで、正確に位置し比較できる統一的な幾何学的空間です。 現状の大規模ビジョンモデル,大規模言語モデル,大規模マルチモーダルモデルにまたがるトランスフォーマーモデル151の広範な解析により,脳様度の漸進的な増加を反映した連続的な弧状形状が明らかになった。 さらに、モデルに対する脳類似度とその下流タスクパフォーマンスは「同一双生児」ではない。 Brain-like Spaceは、ドメイン間のインテリジェンスを座り、定量化し、比較するための最初の統一されたフレームワークを提供し、マシンと脳を橋渡しする深い組織原理を明らかにします。

関連論文リスト

• Mind Meets Space: Rethinking Agentic Spatial Intelligence from a Neuroscience-inspired Perspective [53.556348738917166]
  エージェントAIの最近の進歩は、自律的なタスク実行と言語に基づく推論が可能なシステムにつながっている。 人間の空間知能は、統合された多感覚知覚、空間記憶、認知マップに根ざし、非構造環境における柔軟でコンテキスト対応の意思決定を可能にする。
  論文  参考訳（メタデータ） (2025-09-11T05:23:22Z)
• Disentangling the Factors of Convergence between Brains and Computer Vision Models [11.560007214914465]
  我々は、人間中心の画像で訓練された最大のDINOv3モデルが、最も高い脳相似性に達することを示した。 これらの発見は、人工ニューラルネットワークが世界をどのように人間として見るかという、アーキテクチャと経験の間の相互作用を歪めている。
  論文  参考訳（メタデータ） (2025-08-25T17:23:27Z)
• Bridging Brains and Machines: A Unified Frontier in Neuroscience, Artificial Intelligence, and Neuromorphic Systems [30.78088656917387]
  この位置と調査論文は、神経科学、人工知能、ニューロモルフィックコンピューティングの出現する収束を識別する。 我々は,次世代AGIシステムの設計原則として,シナプスの可塑性,スパーススパイクに基づくコミュニケーション,マルチモーダルアソシエーションがいかに重要であるかを強調した。 我々は、シリコンの脳規模の効率を達成するために、フォン・ノイマンのボトルネックを破ることのできる新しい物理基板について論じる。
  論文  参考訳（メタデータ） (2025-07-14T18:43:05Z)
• Neural Brain: A Neuroscience-inspired Framework for Embodied Agents [78.61382193420914]
  大規模な言語モデルのような現在のAIシステムは、いまだに解体され続けており、物理的に世界と関わりが持てない。 この課題の核心は、人間のような適応性を持つエンボディエージェントを駆動するために設計された中枢知能システムであるNeural Brain(ニューラル・ブレイン)の概念である。 本稿では,2つの基本的な課題に対処する,エンボディエージェントのニューラルブレインの統一的枠組みを提案する。
  論文  参考訳（メタデータ） (2025-05-12T15:05:34Z)
• Brain-Model Evaluations Need the NeuroAI Turing Test [4.525325675715108]
  アラン・チューリングが提唱した古典的なテストは行動に焦点を当てており、人工エージェントの行動が人間の行動と区別できないことを要求している。 このポジションペーパーは、チューリングテストの標準的な定義はNeuroAIには不完全であると主張している。 これは、振る舞いのみを越えて拡張されるベンチマークであるNeuroAI Turing Test'と呼ばれる、より強力なフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-02-22T14:16:28Z)
• Brain-like Functional Organization within Large Language Models [58.93629121400745]
  人間の脳は長い間人工知能(AI)の追求にインスピレーションを与えてきた 最近のニューロイメージング研究は、人工ニューラルネットワーク(ANN)の計算的表現と、人間の脳の刺激に対する神経反応との整合性の説得力のある証拠を提供する。 本研究では、人工ニューロンのサブグループと機能的脳ネットワーク(FBN)を直接結合することで、このギャップを埋める。 このフレームワークはANサブグループをFBNにリンクし、大きな言語モデル(LLM)内で脳に似た機能的組織を記述できる。
  論文  参考訳（メタデータ） (2024-10-25T13:15:17Z)
• Brain-Inspired AI with Hyperbolic Geometry [44.99833362998488]
  経験的証拠は、双曲型ニューラルネットワークが自然言語処理、コンピュータビジョン、複雑なネットワーク分析などのタスクにおいてユークリッドモデルを上回っ、パラメータを少なくし、より良い一般化を示すことを示している。 その初期の採用にもかかわらず、双曲幾何学は、脳にインスパイアされた幾何学的表現を通じて機械学習モデルを改善することを約束している。
  論文  参考訳（メタデータ） (2024-09-04T19:58:25Z)
• Multimodal foundation models are better simulators of the human brain [65.10501322822881]
  1500万の画像テキストペアを事前訓練した,新たに設計されたマルチモーダル基礎モデルを提案する。 視覚的エンコーダも言語的エンコーダもマルチモーダルで訓練され,脳に近いことが判明した。
  論文  参考訳（メタデータ） (2022-08-17T12:36:26Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。