Fugu-MT 論文翻訳(概要): Lessons from Neuroscience for AI: How integrating Actions, Compositional Structure and Episodic Memory could enable Safe, Interpretable and Human-Like AI

論文の概要: Lessons from Neuroscience for AI: How integrating Actions, Compositional Structure and Episodic Memory could enable Safe, Interpretable and Human-Like AI

arxiv url: http://arxiv.org/abs/2512.22568v1
Date: Sat, 27 Dec 2025 11:54:54 GMT
ステータス: 翻訳完了
システム内更新日: 2025-12-30 22:37:30.115974
Title: Lessons from Neuroscience for AI: How integrating Actions, Compositional Structure and Episodic Memory could enable Safe, Interpretable and Human-Like AI
Title（参考訳）: AIのための神経科学からの教訓:アクション、構成構造、エピソード記憶を統合することで、安全、解釈可能、人間に似たAIを実現する
Authors: Rajesh P. N. Rao, Vishwas Sathish, Linxing Preston Jiang, Matthew Bryan, Prashant Rangarajan,
Abstract要約: ファンデーションモデルは、複数の抽象化スケールのアクションと、合成生成アーキテクチャとエピソディックメモリを統合するべきだ、と我々は主張する。ファンデーションモデルにこれらの欠落したコンポーネントを追加することで、現在の障害に対処する方法について説明する。私たちは、歴史的に実りある脳科学とAIのアイデアの交換が、安全で解釈可能な人間中心のAIへの道を開くのに役立ちます。
参考スコア（独自算出の注目度）: 0.8481798330936976
License: http://creativecommons.org/licenses/by/4.0/
Abstract: The phenomenal advances in large language models (LLMs) and other foundation models over the past few years have been based on optimizing large-scale transformer models on the surprisingly simple objective of minimizing next-token prediction loss, a form of predictive coding that is also the backbone of an increasingly popular model of brain function in neuroscience and cognitive science. However, current foundation models ignore three other important components of state-of-the-art predictive coding models: tight integration of actions with generative models, hierarchical compositional structure, and episodic memory. We propose that to achieve safe, interpretable, energy-efficient, and human-like AI, foundation models should integrate actions, at multiple scales of abstraction, with a compositional generative architecture and episodic memory. We present recent evidence from neuroscience and cognitive science on the importance of each of these components. We describe how the addition of these missing components to foundation models could help address some of their current deficiencies: hallucinations and superficial understanding of concepts due to lack of grounding, a missing sense of agency/responsibility due to lack of control, threats to safety and trustworthiness due to lack of interpretability, and energy inefficiency. We compare our proposal to current trends, such as adding chain-of-thought (CoT) reasoning and retrieval-augmented generation (RAG) to foundation models, and discuss new ways of augmenting these models with brain-inspired components. We conclude by arguing that a rekindling of the historically fruitful exchange of ideas between brain science and AI will help pave the way towards safe and interpretable human-centered AI.
Abstract（参考訳）: 大規模言語モデル(LLM)や他の基礎モデルのここ数年の驚くべき進歩は、神経科学や認知科学において、ますます人気が高まっている脳機能のバックボーンである予測符号化の形式である、次のトーケンの予測損失を最小化するという驚くほど単純な目的に基づいて、大規模トランスフォーマーモデルを最適化することに基づいている。しかし、現在の基礎モデルは、生成モデルとのアクションの密結合、階層的な構成構造、エピソード記憶という、最先端の予測符号化モデルの他の3つの重要な要素を無視している。我々は、安全、解釈可能、エネルギー効率、人間のようなAIを実現するために、基本モデルは、複数の抽象化スケールのアクションと、構成的生成アーキテクチャとエピソード記憶を統合するべきであることを提案する。神経科学・認知科学の最近の知見として,これらの要素の重要性について述べる。基礎モデルにこれらの欠落したコンポーネントを追加することで、基礎の欠如による概念の幻覚と表面的理解、制御の欠如によるエージェンシー/責任感の欠如、解釈可能性の欠如による安全性と信頼性への脅威、エネルギー非効率といった、現在の欠陥にどのように対処できるかを説明する。我々は,この提案を,基礎モデルにチェーン・オブ・ソート(CoT)推論と検索強化生成(RAG)を追加するなど,現在の傾向と比較し,脳にインスパイアされたコンポーネントでこれらのモデルを拡張する新しい方法について議論する。私たちは、歴史的に実りある脳科学とAIのアイデアの交換が、安全で解釈可能な人間中心のAIへの道を開くのに役立ちます。

論文の概要: Lessons from Neuroscience for AI: How integrating Actions, Compositional Structure and Episodic Memory could enable Safe, Interpretable and Human-Like AI

関連論文リスト