論文の概要: A New Strategy for Artificial Intelligence: Training Foundation Models Directly on Human Brain Data

• arxiv url: http://arxiv.org/abs/2601.12053v1
• Date: Sat, 17 Jan 2026 13:38:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-21 22:47:22.440899
• Title: A New Strategy for Artificial Intelligence: Training Foundation Models Directly on Human Brain Data
• Title（参考訳）: 人工知能の新しい戦略:人間の脳データを直接ベースとしたトレーニング基礎モデル
• Authors: Maël Donoso,
• Abstract要約: 我々は、人間の脳データを直接ベースとした基礎モデルをトレーニングすることで、表面レベルの統計正規性を超えて、人工知能の新しい戦略を探求する。 本稿では、基礎モデルの現在の限界と、それに対応するために活用できる有望な脳領域と認知過程を分類する。 また,エージェント,汎用知能,人工超知能,倫理的,社会的,技術的課題や機会といった可能性についても論じる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: While foundation models have achieved remarkable results across a diversity of domains, they still rely on human-generated data, such as text, as a fundamental source of knowledge. However, this data is ultimately the product of human brains, the filtered projection of a deeper neural complexity. In this paper, we explore a new strategy for artificial intelligence: moving beyond surface-level statistical regularities by training foundation models directly on human brain data. We hypothesize that neuroimaging data could open a window into elements of human cognition that are not accessible through observable actions, and argue that this additional knowledge could be used, alongside classical training data, to overcome some of the current limitations of foundation models. While previous research has demonstrated the possibility to train classical machine learning or deep learning models on neural patterns, this path remains largely unexplored for high-level cognitive functions. Here, we classify the current limitations of foundation models, as well as the promising brain regions and cognitive processes that could be leveraged to address them, along four levels: perception, valuation, execution, and integration. Then, we propose two methods that could be implemented to prioritize the use of limited neuroimaging data for strategically chosen, high-value steps in foundation model training: reinforcement learning from human brain (RLHB) and chain of thought from human brain (CoTHB). We also discuss the potential implications for agents, artificial general intelligence, and artificial superintelligence, as well as the ethical, social, and technical challenges and opportunities. We argue that brain-trained foundation models could represent a realistic and effective middle ground between continuing to scale current architectures and exploring alternative, neuroscience-inspired solutions.
• Abstract（参考訳）: 基礎モデルは様々な領域で顕著な成果を上げてきたが、基本的な知識源としてテキストなどの人為的なデータに依存している。 しかし、このデータは究極的には人間の脳の産物であり、より深い神経の複雑さをフィルターで投影する。 本稿では,人間の脳データに基づいて基礎モデルを直接訓練することにより,表面レベルの統計正則性を超えた人工知能の新しい戦略を探求する。 我々は、ニューロイメージングデータが、観測可能な行動を通してアクセスできない人間の認知の要素に窓を開くことができると仮定し、この追加の知識は、古典的なトレーニングデータとともに、基礎モデルの現在の制限を克服するために使用できると論じる。 以前の研究では、古典的な機械学習モデルやディープラーニングモデルをニューラルネットワークパターンでトレーニングできることが実証されているが、このパスは高レベルの認知機能に対してほとんど探索されていない。 ここでは、ファンデーションモデルの現在の制限と、それらに対応するために活用できる有望な脳領域と認知プロセスを、知覚、バリュエーション、実行、統合の4つのレベルに分類する。 そこで我々は,ヒト脳からの強化学習(RLHB)とヒト脳からの思考の連鎖(CoTHB)の2つの方法を提案する。 また,エージェント,汎用知能,人工超知能,倫理的,社会的,技術的課題や機会といった可能性についても論じる。 脳が学習した基礎モデルは、現在のアーキテクチャを拡大し続け、代替の神経科学にインスパイアされたソリューションを模索する間、現実的で効果的な中核となるかもしれない、と我々は主張する。

関連論文リスト

• Artificial intelligence as a surrogate brain: Bridging neural dynamical models and data [9.300290334520481]
  人工知能(AI)の最近の進歩は、脳の計算的側面を構築する方法を変えつつある。 我々は、フォワードモデリング、逆問題解決、モデル評価を統合したAIベースの代理脳を構築する統一的な枠組みを導入する。 我々は、学習した代理脳が、力学系解析、仮想摂動、モデル誘導神経刺激のシミュレーションプラットフォームとして機能していることを強調した。
  論文  参考訳（メタデータ） (2025-10-11T18:23:10Z)
• 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)
• Shifting Attention to You: Personalized Brain-Inspired AI Models [3.0128071072792366]
  人間の行動洞察とミリ秒スケールのニューラルネットワークを微調整CLIPベースモデルに統合することで、修正されていないCLIPベースラインと比較して、行動性能が2倍になることを示す。 我々の研究は、適応型AIシステムを設計するための、新しい解釈可能なフレームワークを確立し、神経科学、パーソナライズドメディカル、人間とコンピュータの相互作用に幅広い意味を持つ。
  論文  参考訳（メタデータ） (2025-02-07T04:55:31Z)
• Augmenting learning in neuro-embodied systems through neurobiological first principles [42.810158068175646]
  本稿では,最近のバイオインスパイアされたモデル,学習規則,人工ニューラルネットワークのアーキテクチャについて述べる。 我々は、神経科学とAIのギャップを埋める可能性を持つANNを増強するためのフレームワークを提案する。 課題駆動のスパイクニューラルネットワークとニューロモルフィックシステムに生物物理学の原理を統合することで、スケーラブルなソリューションが提供されることを示す。
  論文  参考訳（メタデータ） (2024-07-05T14:11:28Z)
• Improving deep learning with prior knowledge and cognitive models: A survey on enhancing explainability, adversarial robustness and zero-shot learning [0.0]
  我々は、敵の防御を実現するために、現在および新興の知識インフォームドおよび脳にインスパイアされた認知システムについてレビューする。 脳に触発された認知法は、人間の心を模倣する計算モデルを用いて、人工知能や自律ロボットの知的な行動を強化する。
  論文  参考訳（メタデータ） (2024-03-11T18:11:00Z)
• Achieving More Human Brain-Like Vision via Human EEG Representational Alignment [3.860467813810253]
  非侵襲脳波に基づく人間の脳活動に対応する視覚モデル「Re(presentational)Al(ignment)net」を提案する。 我々の革新的な画像から脳への多層符号化フレームワークは、複数のモデル層を最適化することにより、人間の神経のアライメントを向上する。
  論文  参考訳（メタデータ） (2024-01-30T18:18:41Z)
• A Review of Findings from Neuroscience and Cognitive Psychology as Possible Inspiration for the Path to Artificial General Intelligence [0.0]
  本論は,神経科学と認知心理学の手法を検討することによって,人工知能の探求に貢献することを目的とする。 深層学習モデルによって達成された印象的な進歩にもかかわらず、抽象的推論と因果的理解にはまだ欠点がある。
  論文  参考訳（メタデータ） (2024-01-03T09:46:36Z)
• A Neuro-mimetic Realization of the Common Model of Cognition via Hebbian Learning and Free Energy Minimization [55.11642177631929]
  大規模なニューラル生成モデルは、意味的に豊富なテキストのパスを合成したり、複雑な画像を生成することができる。 我々はコモン・モデル・オブ・コグニティブ・ニューラル・ジェネレーティブ・システムについて論じる。
  論文  参考訳（メタデータ） (2023-10-14T23:28:48Z)

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。