--- title: "心、脳、人工の世界・シミュレーション・シミュレーション仮説" url: https://simulation-hypothesis.com/ja/simulations/minds-computation description: "ニューロン、脳、人工生命、そして機械が学ぶシミュレートされた世界。 人々が実際に動かしているシミュレーションの分類の一部。" license: https://creativecommons.org/licenses/by/4.0/ credit: "Ross Allan Dahl、シミュレーション仮説（simulation-hypothesis.com）" --- [シミュレーション](https://simulation-hypothesis.com/ja/simulations)分野 11/18 # 心、脳、人工の世界 ニューロン、脳、人工生命、そして機械が学ぶシミュレートされた世界。 脳のシミュレーションと、人工エージェントが暮らし、そこから学ぶために作られた世界のシミュレーション。限られた意味ではありますが、シミュレーション仮説は、ここですでに現実になっています。学習するエージェントを中に入れた、シミュレートされた世界を、私たちはもう作っているのです。 ## 脳 ### 詳細なニューロンモデル ホジキンとハクスリーにしたがい、ひとつのニューロンを、イオンチャネルをもつ枝分かれした電気ケーブルとして扱います。 答える問い: このニューロンの形は、それが計算する内容をどう変えるでしょうか。 含まれないもの： 一つのニューロンの細かい化学は、いまも数個の電流に単純化されています。 動かすのに必要： 約10^12 FLOPS 概算 ノートパソコン、ニューロン1個をリアルタイム 最初の年： 1952 Huxley は、ホジキン・ハクスリー方程式を手回し計算機で手計算し、活動電位1つにつきおよそ3週間かけました。のちにコンピューターがそれを引き継ぎました [出典](https://www.physoc.org/about-us/history-archives/historicalhighlights/hodgkin-and-huxleys-modelling-of-the-action-potential/) シミュレーションのツリーで: [手計算のホジキン–ハクスリー](https://simulation-hypothesis.com/ja/trees/simulations?n=min-hh) [微分方程式](https://simulation-hypothesis.com/ja/simulations/methods#m-equations)粒度：細胞 ### 大規模な脳回路 皮質の一部に似た回路につながれた、数百万のスパイキングニューロン。 答える問い: 配線だけから、脳のリズムと応答を再現できるでしょうか。 含まれないもの： 配線はたいてい統計的で、その動物の実際に測定された結合ではありません。 動かすのに必要： 約10^15 FLOPS 概算 大学のクラスター、皮質の一部に数時間 最初の年： 2006 2006年までに、大脳皮質コラムの初期の大規模シミュレーション シミュレーションのツリーで: [新皮質の微小回路](https://simulation-hypothesis.com/ja/trees/simulations?n=min-markram) [微分方程式](https://simulation-hypothesis.com/ja/simulations/methods#m-equations)[ネットワークモデル](https://simulation-hypothesis.com/ja/simulations/methods#m-network)粒度：細胞 ### 全脳ネットワークモデル 脳の領域を、測定した配線でつないだノードとして表し、スキャンに合わせて当てはめます。 答える問い: 一つの領域の損傷は、脳全体の活動をどう変えるでしょうか。 含まれないもの： 地域は単一の点として扱われ、その内部の細部はすべて失われます。 動かすのに必要： 約10^14 FLOPS 概算 大学のクラスター、シミュレートした1シナリオにつき数分 最初の年： 2008 2008年までに、拡散MRIの配線に当てはめた初期の全脳ネットワーク・モデル モデル： [人間](https://simulation-hypothesis.com/ja/entities/human) [ネットワークモデル](https://simulation-hypothesis.com/ja/simulations/methods#m-network)[微分方程式](https://simulation-hypothesis.com/ja/simulations/methods#m-equations)粒度：集団 ### シミュレートされた小さな生き物 線虫の302個のニューロンのように、ごく小さな動物の神経系全体を、仮想のシャーレの中のシミュレートした身体につなぎます。 答える問い: 配線図だけで、その行動を生み出すのに足りるでしょうか。 含まれないもの： 配線図だけでは、その動物の行動を、今も完全には説明できません。 動かすのに必要： 約10^12 FLOPS 概算 ノートパソコン、神経系全体をリアルタイム 最初の年： 1997 1997年までに、1986年の線虫のコネクトーム地図に基づく初期のシミュレーション シミュレーションのツリーで: [OpenWorm](https://simulation-hypothesis.com/ja/trees/simulations?n=min-openworm) [微分方程式](https://simulation-hypothesis.com/ja/simulations/methods#m-equations)[リアルタイム](https://simulation-hypothesis.com/ja/simulations/methods#m-real-time)粒度：細胞 ### ニューロモルフィック・ハードウェアのシミュレーション ニューロンやシナプスのように振る舞う回路を、方程式をソフトウェアで1段ずつ計算する代わりに、ハードウェアに直接組み込んだチップ。 答える問い: ニューロモルフィック・ハードウェアは、脳と同じ計算を、はるかに少ない電力でこなせるでしょうか。 含まれないもの： 実際のニューロンには、その発火をまねて作った回路よりはるかに豊かな化学があります。 動かすのに必要： 約10^13 FLOPS 概算 ニューロモルフィックの研究用チップ、リアルタイム 最初の年： 1989 Carver Mead による、初期のシリコン・ニューロンと網膜の回路 [リアルタイム](https://simulation-hypothesis.com/ja/simulations/methods#m-real-time)[微分方程式](https://simulation-hypothesis.com/ja/simulations/methods#m-equations)粒度：細胞 ### 脳の病気と発作の広がり てんかんや認知症のように、異常な電気活動や誤って折りたたまれたタンパク質が、シミュレートした脳のネットワークを広がっていきます。 答える問い: 発作はどこで始まり、どこまで広がるでしょうか。 含まれないもの： 本物の脳の病気の経路は、どれも異なります。このモデルが示すのはパターンであって、ひとりの患者についての予測ではありません。 動かすのに必要： 約10^13 FLOPS 概算 病院または大学のクラスター、患者モデル1つにつき数分 最初の年： 1997 1997年までに、脳内の発作の広がりの初期のネットワーク・モデル [ネットワークモデル](https://simulation-hypothesis.com/ja/simulations/methods#m-network)[微分方程式](https://simulation-hypothesis.com/ja/simulations/methods#m-equations)粒度：集団 ### コネクトームに制約された全脳モデル 昆虫の脳の測定済みの配線をすべて使い、単純なニューロンモデルと組み合わせたニューラル・シミュレーションで、刺激がどのように行動を生むかを予測します。 答える問い: 配線だけで、脳が感覚を行動に変えるしくみを予測できるでしょうか。 含まれないもの： シナプスの強さとニューロンのダイナミクスは、単純な規則から仮定されています。 動かすのに必要： 約10^12 FLOPS 概算 約13万個のニューロンからなるスパイキングネットワーク 最初の年： 2024 A Drosophila computational brain model reveals sensorimotor processing (2024) [出典](https://doi.org/10.1038/s41586-024-07763-9) [ネットワークモデル](https://simulation-hypothesis.com/ja/simulations/methods#m-network)[微分方程式](https://simulation-hypothesis.com/ja/simulations/methods#m-equations)粒度：細胞 ### ニューラル・マスモデルと場のモデル ニューロンの集団を1つか2つの平均活動の変数に縮約し、領域全体のリズムと波を得ます。 答える問い: 興奮と抑制は、集団のあいだにどんな集団的なリズムを生み出せるでしょうか。 含まれないもの： 個々のニューロンは、平均の中に消えてしまいます。 動かすのに必要： 約10^9 FLOPS 概算 ノートパソコン、数秒 最初の年： 1972 1972年までに、Wilson と Cowan『Excitatory and inhibitory interactions in localized populations of model neurons』 [出典](https://doi.org/10.1016/s0006-3495%2872%2986068-5) [微分方程式](https://simulation-hypothesis.com/ja/simulations/methods#m-equations)[連続体の場](https://simulation-hypothesis.com/ja/simulations/methods#m-continuum)粒度：細胞 ### 機能的なスパイキング脳モデル 想起、数え上げ、手書きの数字の模写などの認知課題をこなすように作った、スパイキング・ニューロンのモデルのネットワーク。 答える問い: ニューロンでできたモデルは、脳が扱う課題をこなせるでしょうか。 含まれないもの： 課題の数は少なく、配線は測定されたものではなく設計されたものです。 動かすのに必要： 約10^15 FLOPS 概算 大学のクラスター、数時間 最初の年： 2012 2012年までに、Eliasmith ら『A large-scale model of the functioning brain』（Spaun） [出典](https://doi.org/10.1126/science.1225266) [ネットワークモデル](https://simulation-hypothesis.com/ja/simulations/methods#m-network)[微分方程式](https://simulation-hypothesis.com/ja/simulations/methods#m-equations)粒度：細胞 ### アトラクター記憶ネットワーク 単純な素子のネットワーク。結合がパターンを安定した状態として記憶し、部分的な手がかりから完全な記憶へ落ち着きます。 答える問い: ネットワークは、断片から記憶の全体をどうやって思い出せるでしょうか。 含まれないもの： 容量は小さく、本物のニューロンははるかに複雑です。 動かすのに必要： 約10^8 FLOPS 概算 ノートパソコン、数秒 最初の年： 1982 1982年までに、Hopfield『Neural networks and physical systems with emergent collective computational abilities』 [出典](https://en.wikipedia.org/wiki/Hopfield%5Fnetwork) [ネットワークモデル](https://simulation-hypothesis.com/ja/simulations/methods#m-network)[微分方程式](https://simulation-hypothesis.com/ja/simulations/methods#m-equations)粒度：細胞 ### コネクトームに基づく昆虫の脳モデル 測定された配線図からハエの脳全体をシミュレートし、各ニューロンとシナプスは再構成から取っています。 答える問い: すべての結合がわかったとき、配線だけから、どんな行動が導かれるでしょうか。 含まれないもの： シナプスの強さとニューロンの化学は、測定されたものではなく推定です。 動かすのに必要： 約10^14 FLOPS 概算 ワークステーション、シミュレートした1秒につき数分 最初の年： 2024 2024年までに、Dorkenwald ら、成体のハエの脳の配線図、および Shiu ら、それに基づいて作った計算モデル [出典](https://doi.org/10.1038/s41586-024-07763-9) [ネットワークモデル](https://simulation-hypothesis.com/ja/simulations/methods#m-network)[微分方程式](https://simulation-hypothesis.com/ja/simulations/methods#m-equations)粒度：細胞 ## 人工生命と複雑系 ### セルオートマトン 単純な規則に従うセルの格子です。ジョン・コンウェイのライフゲームが代表例で、グライダーや自己複製体、さらには実際に動くコンピューターまで育ちます。 答える問い: どれほど単純な規則から、どれほどの複雑さが育つでしょうか。 含まれないもの： 単純な規則が、現実の物理系や生物系にきれいに対応することはまれです。 動かすのに必要： 約10^12 FLOPS 概算 ノートパソコン、巨大な格子が数秒 最初の年： 1970 ジョン・コンウェイのライフゲーム シミュレーションのツリーで: [手で遊ぶライフ](https://simulation-hypothesis.com/ja/trees/simulations?n=life-life) [インタラクティブ・モデルを動かす](https://simulation-hypothesis.com/ja/simulations/run#toy-life) [セルオートマトン](https://simulation-hypothesis.com/ja/simulations/methods#m-cellular-automata)粒度：ルール ### デジタル進化 自己複製するコンピュータープログラムが、シミュレートされた機械の中で、変異し、プロセッサの時間を奪い合います。 答える問い: 進化は、一段ずつ観察できる複雑な特徴を発明できるでしょうか。 含まれないもの： プログラムは人工的なコンピューターの世界の中で進化するもので、実際の生化学ではありません。 動かすのに必要： 約10^12 FLOPS 概算 デスクトップ、一晩で数百万世代 最初の年： 1953 Barricelli による、高等研究所のコンピューターでの数値進化の実験 [出典](https://www.ias.edu/ideas/2012/george-dyson-ecp) [進化的](https://simulation-hypothesis.com/ja/simulations/methods#m-evolutionary)粒度：ルール ### 進化した仮想の生き物 物理シミュレーションの中で身体と脳をともに進化させ、泳ぎ、歩き、跳ぶことを学ばせます。 答える問い: 進化を誘導しないとき、進化はどんな体と行動を生み出すでしょうか。 含まれないもの： 進化した歩き方は、生物のものとはまったく違って見えることがよくあります。シミュレートした物理が、現実の世界とわずかに違うからです。 動かすのに必要： 約10^13 FLOPS 概算 集団を進化させるのに数時間かかる、デスクトップまたは小規模なクラスター 最初の年： 1994 カール・シムズは、物理シミュレーションの中で泳いだり歩いたりする生き物を進化させた [進化的](https://simulation-hypothesis.com/ja/simulations/methods#m-evolutionary)[リアルタイム](https://simulation-hypothesis.com/ja/simulations/methods#m-real-time)粒度：物体 ### 自己組織化臨界 砂山に砂粒を一粒ずつ足していくと、あらゆる大きさの雪崩が現れます。 答える問い: 地震、火事、絶滅が同じ統計に従うのはなぜでしょうか。 含まれないもの： 実際の地震や火災には特有の物理があり、砂山はそれを戯画化しているにすぎません。 動かすのに必要： 約10^11 FLOPS 概算 ノートパソコン、大きな砂山でも数秒 最初の年： 1987 Bak、Tang、Wiesenfeld の砂山モデル [インタラクティブ・モデルを動かす](https://simulation-hypothesis.com/ja/simulations/run#toy-sandpile) [セルオートマトン](https://simulation-hypothesis.com/ja/simulations/methods#m-cellular-automata)粒度：物体 ### 群知能アルゴリズム 痕跡を残したり、隣を真似したりする単純な仮想エージェント。アリや鳥から借りたもので、経路選択やスケジューリングのような抽象的な問題を解きます。 答える問い: 単純な模倣と、道しるべをたどる動きだけで、難しい最適化問題を解けるでしょうか。 含まれないもの： テストした適切に設定された問題ではうまくいきます。現実の不規則な問題では、さらに調整が必要です。 動かすのに必要： 約10^11 FLOPS 概算 ノートパソコン、1回の実行に数秒から数分 最初の年： 1992 マルコ・ドリゴの蟻コロニー最適化アルゴリズム [インタラクティブ・モデルを動かす](https://simulation-hypothesis.com/ja/simulations/run#toy-flock) [エージェントベース](https://simulation-hypothesis.com/ja/simulations/methods#m-agent-based)[進化的](https://simulation-hypothesis.com/ja/simulations/methods#m-evolutionary)粒度：ルール ### ランダム・ブーリアンネットワーク ランダムに配線され、それぞれが少数の相手に応じてオンとオフを切り替えるスイッチで、ネットワーク全体が落ち着くのか、いつまでも変動し続けるのかを調べます。 答える問い: スイッチのネットワークがカオス的になるには、どれくらいの配線が必要でしょうか。 含まれないもの： ランダムな配線は、実際の細胞や脳の、慎重に進化した配線の粗い代用品にすぎません。 動かすのに必要： 約10^11 FLOPS 概算 ノートパソコン、ネットワーク1つにつき数秒 最初の年： 1969 Stuart Kauffman による、遺伝子スイッチのランダムネットワーク [ネットワークモデル](https://simulation-hypothesis.com/ja/simulations/methods#m-network)[セルオートマトン](https://simulation-hypothesis.com/ja/simulations/methods#m-cellular-automata)粒度：ルール ### 連続セル・オートマトン セルの状態、空間、時間が連続的なセル・オートマトンで、なめらかな自己組織化する生き物を生みます。 答える問い: 連続的なセルオートマトンには、どんな生命のようなパターンが現れるでしょうか。 含まれないもの： 規則は人工的で、実際の化学をモデル化したものではありません。 動かすのに必要： 約10^11 FLOPS 概算 GPUでの格子の更新 最初の年： 2018 Lenia: biology of artificial life (2018) [出典](https://arxiv.org/abs/1812.05433) [セルオートマトン](https://simulation-hypothesis.com/ja/simulations/methods#m-cellular-automata)粒度：ルール ### ニューラル・セルオートマトン 各セルが小さなニューラルネットワークをもち、局所ルールを学習して、格子が目標のパターンを成長させ、修復します。 答える問い: 局所的な学習ルールで、全体のパターンを成長させ、自己修復させられるでしょうか。 含まれないもの： 目標のパターンは小さく、規則は発見されたのではなく学習させたものです。 動かすのに必要： 約10^11 FLOPS 概算 小規模な微分可能学習 最初の年： 2020 Growing Neural Cellular Automata (2020) [出典](https://distill.pub/2020/growing-ca/) [セルオートマトン](https://simulation-hypothesis.com/ja/simulations/methods#m-cellular-automata)[学習したエミュレーター](https://simulation-hypothesis.com/ja/simulations/methods#m-learned)粒度：ルール ### 自己複製するプログラムのスープ ランダムなプログラムの集まりが偶然に相互作用し、そこから自己複製するプログラムが現れます。 答える問い: 複製子は、設計に組み込まなくても現れるでしょうか。 含まれないもの： 結果を決めるのは言語の選び方であり、それは化学からはかけ離れています。 動かすのに必要： 約10^10 FLOPS 概算 数百万の小さなプログラムの相互作用 最初の年： 2024 Computational Life: how well-formed, self-replicating programs emerge from simple interaction (2024) [出典](https://arxiv.org/abs/2406.19108) [進化的](https://simulation-hypothesis.com/ja/simulations/methods#m-evolutionary)[確率過程](https://simulation-hypothesis.com/ja/simulations/methods#m-stochastic)粒度：ルール ### 人工化学 ルールに従って反応する抽象的な分子の集まり。本物の化学がなくても、自己を維持する構造が現れます。 答える問い: 自己を維持する化学的な組織は、単純な反応のルールから生まれるでしょうか。 含まれないもの： 分子は記号であり、実際の結合エネルギーと幾何は存在しません。 動かすのに必要： 約10^9 FLOPS 概算 ノートパソコン、数時間 最初の年： 1991 1991年までに、Fontana の AlChemy、第2回人工生命会議で発表 [出典](https://en.wikipedia.org/wiki/Artificial%5Fchemistry) [ルールと状態](https://simulation-hypothesis.com/ja/simulations/methods#m-rules)[確率過程](https://simulation-hypothesis.com/ja/simulations/methods#m-stochastic)[エージェントベース](https://simulation-hypothesis.com/ja/simulations/methods#m-agent-based)粒度：分子 ### 進化ロボティクス シミュレートしたロボットの制御器や身体を、課題の成績で選抜しながら、何世代にもわたって進化させます。 答える問い: ロボットの脳と身体は、設計するのではなく、育種できるでしょうか。 含まれないもの： シミュレーションで進化させた制御器は、実機でしばしばうまく動きません。 動かすのに必要： 約10^14 FLOPS 概算 大学のクラスター、数日 最初の年： 1993 1993年までに、Cliff、Husbands、Harvey『Evolving visually guided robots』 [出典](https://doi.org/10.7551/mitpress/3116.003.0051) [進化的](https://simulation-hypothesis.com/ja/simulations/methods#m-evolutionary)[リアルタイム](https://simulation-hypothesis.com/ja/simulations/methods#m-real-time)[微分方程式](https://simulation-hypothesis.com/ja/simulations/methods#m-equations)粒度：物体 ### 連続的な人工生命 連続的な状態、空間、時間をもつセル・オートマトンで、動きまわる自己組織化した生き物のようなパターンを生み出します。 答える問い: 規則が離散的ではなくなめらかだと、どんな生き物のような形が現れるでしょうか。 含まれないもの： パターンは生き物に似ていますが、実際の生物学には従っていません。 動かすのに必要： 約10^11 FLOPS 概算 ゲーミングPC、リアルタイム 最初の年： 2018 2018年までに、Chan『Lenia: Biology of Artificial Life』（arXiv 1812.05433） [出典](https://arxiv.org/abs/1812.05433) [セルオートマトン](https://simulation-hypothesis.com/ja/simulations/methods#m-cellular-automata)[連続体の場](https://simulation-hypothesis.com/ja/simulations/methods#m-continuum)粒度：ルール ### 人工免疫モデル 抗体のようなエージェントの集団が、選択とネットワークの効果によってパターンを認識することを学びます。 答える問い: 認識システムは、局所的なやりとりだけでどう適応するでしょうか。 含まれないもの： 免疫学の発想を計算に借りたもので、実際の免疫応答を較正したモデルではありません。 動かすのに必要： 約10^8 FLOPS 概算 ノートパソコン、数時間 最初の年： 1986 1986年までに、Farmer、Packard、Perelson『The immune system, adaptation, and machine learning』 [出典](https://doi.org/10.1016/0167-2789%2886%2990240-x) [エージェントベース](https://simulation-hypothesis.com/ja/simulations/methods#m-agent-based)[ネットワークモデル](https://simulation-hypothesis.com/ja/simulations/methods#m-network)[進化的](https://simulation-hypothesis.com/ja/simulations/methods#m-evolutionary)粒度：細胞 ### コアウォーの戦い 小さなアセンブリ言語で書かれたプログラムが、共有のシミュレートされたメモリの制御をめぐって戦い、互いを上書きします。 答える問い: メモリ全体が戦場のとき、どの自己複製プログラムが生き残るでしょうか。 含まれないもの： この機械は作りものの命令セットなので、そこで学んだことは実際のマルウェアには対応しません。 動かすのに必要： 約10^7 FLOPS 概算 ノートパソコン、1回の戦闘につき数秒 最初の年： 1984 1984年までに、Jones と Dewdney の Core War、Scientific American に掲載 [出典](https://en.wikipedia.org/wiki/Core%5FWar) [ルールと状態](https://simulation-hypothesis.com/ja/simulations/methods#m-rules)[離散事象](https://simulation-hypothesis.com/ja/simulations/methods#m-discrete-event)[進化的](https://simulation-hypothesis.com/ja/simulations/methods#m-evolutionary)粒度：ルール ## 人工の心のための世界 ### 強化学習の環境 人工エージェントが行動し、報酬を得て、何百万回もの試行を通じて上達する、シミュレートされた世界。 答える問い: エージェントは、試行錯誤だけでこの技能を学べるでしょうか。 含まれないもの： 単純化した世界で学んだ技能は、現実の複雑さにそのまま移せるとは限りません。 動かすのに必要： 約10^15 FLOPS 概算 GPUのクラスター、数日分のシミュレートした経験 最初の年： 1992 1992年までに、TD-Gammonが自己対戦でバックギャモンの戦略を学習した [リアルタイム](https://simulation-hypothesis.com/ja/simulations/methods#m-real-time)[学習したエミュレーター](https://simulation-hypothesis.com/ja/simulations/methods#m-learned)粒度：物体 ### マルチエージェントのAI社会 多数のAIエージェントが一つの世界を共有し、それぞれ自分の目標、記憶、会話を持ちます。 答える問い: 多くの人工エージェントがいっしょに暮らすと、どんな社会的な振る舞いが現れるでしょうか。 含まれないもの： 社会的に見える振る舞いも、訓練の設定に合わせて調整された狭い技にすぎないことがあります。 動かすのに必要： 約10^15 FLOPS 概算 GPUのクラスターで、多数のエージェントを並列に実行 最初の年： 2017 2017年までに、ひとつの世界を共有する多数の学習エージェントの初期の実験 [エージェントベース](https://simulation-hypothesis.com/ja/simulations/methods#m-agent-based)[学習したエミュレーター](https://simulation-hypothesis.com/ja/simulations/methods#m-learned)粒度：物体 ### 合成した学習データ 写真のようにリアルな場面を、無数のバリエーションでレンダリングして、視覚システムを訓練します。 答える問い: レンダリングした画像だけで訓練したシステムは、現実の世界を見られるでしょうか。 含まれないもの： レンダリングされた場面は現実よりきれいなので、訓練されたシステムは、実世界のノイズに惑わされることがあります。 動かすのに必要： 約10^14 FLOPS 概算 レンダーファームまたはGPUクラスター、データセット1つにつき数時間 最初の年： 2016 2016年までに、画像認識システムを訓練する、初期のレンダリング済みデータセット [リアルタイム](https://simulation-hypothesis.com/ja/simulations/methods#m-real-time)粒度：物体 ### 学習された世界モデル 世界で次に何が起こるかを予測するニューラルネットワーク。その世界の、遊べる場面を生成できるほどの精度があります。 答える問い: ネットワークは、世界を見ているだけで、その世界をシミュレートすることを学べるでしょうか。 含まれないもの： 長期の予測は、物理的に一貫したものから離れていきます。 動かすのに必要： 約10^15 FLOPS 概算 大型のGPUクラスター、数日間の訓練 最初の年： 2018 Ha と Schmidhuber は、ゲームのような場面を予測し、夢として生成するネットワークを訓練した [学習したエミュレーター](https://simulation-hypothesis.com/ja/simulations/methods#m-learned)粒度：場 ### 自己対戦による戦略の訓練 人工のエージェントが、抽象的な戦略ゲームで自分のコピーと繰り返し対戦し、ラウンドごとに上達します。 答える問い: 自分自身の過去以外に教師がいなくても、戦略はどこまで強くなれるでしょうか。 含まれないもの： 同じエージェントのコピーに対して調整した戦略には死角が生じることがあり、別の相手ならそこを突いてきます。 動かすのに必要： 約10^16 FLOPS 概算 大型のGPUクラスター、数日間の自己対戦 最初の年： 1959 Arthur Samuel のチェッカー・プログラムは、自分自身との対戦で学習した [学習したエミュレーター](https://simulation-hypothesis.com/ja/simulations/methods#m-learned)[ゲーム理論](https://simulation-hypothesis.com/ja/simulations/methods#m-game-theory)粒度：ルール ### AI安全性のレッドチーミング環境 人工のエージェントを誘惑して望ましくない行動をさせるよう作ったシミュレートした環境。配備する前に、失敗を見つけられます。 答える問い: どんな条件のもとで、このシステムは本来あってはならない振る舞いを示すでしょうか。 含まれないもの： レッドチームが探そうと思いついた故障しか検査しません。 動かすのに必要： 約10^14 FLOPS 概算 研究チームのGPUサーバー、テストスイート1つにつき数時間 最初の年： 2016 2016年までに、強化学習エージェントのための初期の敵対的テスト環境 [エージェントベース](https://simulation-hypothesis.com/ja/simulations/methods#m-agent-based)[学習したエミュレーター](https://simulation-hypothesis.com/ja/simulations/methods#m-learned)粒度：ルール ### 身体性をもつ家庭用シミュレーター エージェントが見て、動いて、物を操作できる3Dの仮想の家。身体性をもつAIの訓練とテストに使われます。 答える問い: エージェントは、仮想の家で課題を学び、それを本物の家に移せるでしょうか。 含まれないもの： 物体の物理と場面の種類は限られています。 動かすのに必要： 約10^12 FLOPS 概算 リアルタイムのレンダリング、多数の並列インスタンス 最初の年： 2017 AI2-THOR: an interactive 3D environment for visual AI (2017) [出典](https://arxiv.org/abs/1712.05474) [リアルタイム](https://simulation-hypothesis.com/ja/simulations/methods#m-real-time)[ルールと状態](https://simulation-hypothesis.com/ja/simulations/methods#m-rules)粒度：物体 ### 終わりのない環境の生成 学習用の世界は、エージェントが学ぶにつれて自動で作られ、変異していくので、課題の難しさと多様さが増え続けます。 答える問い: 環境の生成器は、役に立つ新しい課題を作り続けられるでしょうか。 含まれないもの： 探索は、その環境ファミリーが表現できるものに限られます。 動かすのに必要： 約10^15 FLOPS 概算 環境とエージェントの集団 最初の年： 2019 Paired Open-Ended Trailblazer (POET) (2019) [出典](https://arxiv.org/abs/1901.01753) [進化的](https://simulation-hypothesis.com/ja/simulations/methods#m-evolutionary)[学習したエミュレーター](https://simulation-hypothesis.com/ja/simulations/methods#m-learned)粒度：ルール ### エージェントのためのシミュレートされたウェブ環境 実在のウェブサイトの自己ホスト型のコピーで、言語モデルのエージェントが課題をこなし、最終状態の確認で採点されます。 答える問い: エージェントは、現実的なウェブサイトで、複数の段階からなる課題をこなせるでしょうか。 含まれないもの： サイトは静的なコピーで、課題の種類は限られています。 動かすのに必要： 約10^13 FLOPS 概算 環境のリセットと多数のモデル呼び出し 最初の年： 2023 WebArena (2023) [出典](https://arxiv.org/abs/2307.13854) [ルールと状態](https://simulation-hypothesis.com/ja/simulations/methods#m-rules)[学習したエミュレーター](https://simulation-hypothesis.com/ja/simulations/methods#m-learned)粒度：ルール ### 推薦システムのシミュレーター 設定を変えられる、シミュレートしたユーザー集団と商品カタログ。レコメンドのアルゴリズムの訓練とテストに使います。 答える問い: 推薦アルゴリズムは、ユーザーとの多数のやりとりの中でどう振る舞うでしょうか。 含まれないもの： ユーザーの行動は仮定されたもので、測定されたものではありません。 動かすのに必要： 約10^10 FLOPS 概算 安価な並列の実行 最初の年： 2019 RecSim: a configurable simulation platform for recommender systems (2019) [出典](https://arxiv.org/abs/1909.04847) [エージェントベース](https://simulation-hypothesis.com/ja/simulations/methods#m-agent-based)[確率過程](https://simulation-hypothesis.com/ja/simulations/methods#m-stochastic)粒度：ルール ### ニューラル・ゲームエンジン ゲームプレイの録画で訓練した拡散モデルが、プレイヤーの操作から次のフレームを生成し、ゲーム自体のエンジンに取って代わります。 答える問い: ニューラルネットワークは、遊べる速度で対話的なゲームを動かせるでしょうか。 含まれないもの： 記憶は短く、長くプレイするうちに細部がずれていきます。 動かすのに必要： 約10^15 FLOPS 概算 学習は重く、推論は一つのアクセラレーターでリアルタイムに動きます。 最初の年： 2024 Diffusion models are real-time game engines (2024) [出典](https://arxiv.org/abs/2408.14837) [学習したエミュレーター](https://simulation-hypothesis.com/ja/simulations/methods#m-learned)[リアルタイム](https://simulation-hypothesis.com/ja/simulations/methods#m-real-time)粒度：ルール ### 対話型の生成世界 モデルがラベルなしの動画から学習し、ユーザーが1フレームずつ行動できる、操作可能な世界を作ります。 答える問い: 遊べる世界を、画像だけから生成できるでしょうか。 含まれないもの： 一貫性とフレームレートには限りがあり、物理が保証されているわけではありません。 動かすのに必要： 約10^17 FLOPS 概算 大規模な動画学習 最初の年： 2024 Genie: generative interactive environments (2024) [出典](https://arxiv.org/abs/2402.15391) [学習したエミュレーター](https://simulation-hypothesis.com/ja/simulations/methods#m-learned)粒度：ルール ### 学習型の実世界インタラクティブ・シミュレーター 操作を条件とする動画モデルが、各コマンドのあとにロボットやエージェントが何を見るかを予測し、手作りのシミュレーターに取って代わります。 答える問い: 学習したモデルは、行動が現実にもたらす結果をシミュレートできるでしょうか。 含まれないもの： 長い展開は幻覚を起こし、物理的な正確さも検証されていません。 動かすのに必要： 約10^17 FLOPS 概算 大規模な動画と行動のデータセットで学習します 最初の年： 2023 Learning interactive real-world simulators (2023) [出典](https://arxiv.org/abs/2310.06114) [学習したエミュレーター](https://simulation-hypothesis.com/ja/simulations/methods#m-learned)粒度：ルール ### 生成型の運転ワールドモデル 速度と操舵を条件とする動画モデルが、車からの視点で起こりうる将来の場面を生成します。自動運転の訓練とテストに使います。 答える問い: ある運転操作のあと、どんな交通の場面が続きうるでしょうか。 含まれないもの： 生成された場面は、物理やまれなケースの振る舞いに反することがあります。 動かすのに必要： 約10^17 FLOPS 概算 大規模な動画モデルの学習 最初の年： 2023 GAIA-1: a generative world model for autonomous driving (2023) [出典](https://arxiv.org/abs/2309.17080) [学習したエミュレーター](https://simulation-hypothesis.com/ja/simulations/methods#m-learned)粒度：ルール ### シミュレートされたロボットサッカー ソフトウェアのプレイヤーの2チームが、ノイズのある感覚でピッチの一部しか見えないまま、シミュレートされたスタジアムでサッカーをし、協力と戦略を試します。 答える問い: 独立したソフトウェアのプレイヤーは、ライバルのチームに勝てるほどうまく連携できるでしょうか。 含まれないもの： ピッチ、ボール、ロボットの体は理想化されているので、成功が示すのは戦術であって、実際のハードウェアの扱いの上手さではありません。 動かすのに必要： 約10^9 FLOPS 概算 ワークステーションで、1試合分をリアルタイム。 最初の年： 1998 Noda らによる Soccer Server。マルチエージェントシステムの研究のためのツール。 [出典](https://doi.org/10.1080/088395198117848) [エージェントベース](https://simulation-hypothesis.com/ja/simulations/methods#m-agent-based)[リアルタイム](https://simulation-hypothesis.com/ja/simulations/methods#m-real-time)[ゲーム理論](https://simulation-hypothesis.com/ja/simulations/methods#m-game-theory)粒度：集団 ### ソフトウェア開発エージェントのサンドボックス エージェントに実際のコードのプロジェクトと不具合報告を与えます。エージェントはサンドボックスの中でファイルを編集し、テストを実行します。修正が通ったかどうかで採点されます。 答える問い: AIエージェントは、助けなしで、実際のソフトウェア・プロジェクトの本物のバグを直せるでしょうか。 含まれないもの： テストに通ることは、正しい修正であることと同じではありません。また、これらのプロジェクトは、ソフトウェア全体のごく一部にすぎません。 動かすのに必要： 約10^15 FLOPS 概算 数千回のモデルの実行で、それぞれに多数の呼び出しとテスト実行があります。 最初の年： 2023 Jimenez らによる、言語モデルのための実際の GitHub の課題を集めた SWE-bench。 [出典](https://arxiv.org/abs/2310.06770) [学習したエミュレーター](https://simulation-hypothesis.com/ja/simulations/methods#m-learned)[リアルタイム](https://simulation-hypothesis.com/ja/simulations/methods#m-real-time)[ルールと状態](https://simulation-hypothesis.com/ja/simulations/methods#m-rules)粒度：ルール ### デスクトップ・コンピューターのエージェント環境 本物のプログラムが入った完全な仮想コンピューターをエージェントに与えます。エージェントは画面を見て、クリックして入力し、課題を達成できたかで採点されます。 答える問い: AIエージェントは、人間と同じようにコンピューター上の作業をこなせるでしょうか。 含まれないもの： 作業は決まった台本どおりですが、実際の仕事は終わりがなく、中断され、ほかの人と分担されます。 動かすのに必要： 約10^15 FLOPS 概算 数千回の実行で、それぞれ仮想マシンと多数のモデル呼び出しを動かします。 最初の年： 2024 Xie らによる、実際のコンピューター環境でエージェントを評価するベンチマーク OSWorld です。 [出典](https://doi.org/10.52202/079017-1650) [学習したエミュレーター](https://simulation-hypothesis.com/ja/simulations/methods#m-learned)[リアルタイム](https://simulation-hypothesis.com/ja/simulations/methods#m-real-time)[ルールと状態](https://simulation-hypothesis.com/ja/simulations/methods#m-rules)粒度：ルール [◂ 都市、インフラ、運用](https://simulation-hypothesis.com/ja/simulations/cities-operations)[数学と計算 ▸](https://simulation-hypothesis.com/ja/simulations/mathematics-computation)