Carnegie Mellonの脳モデル、現実の試験に直面
Carnegie Mellon Universityは、特定のNeuroAIの主張によってGoogle Newsに取り上げられた。機械学習モデルが、人間の視覚野の一部が画像にどう反応するかを予測できるというものだ。この研究は、脳研究を活動の記録から、その予測へと移行させる。ただし、神経信号を予測するモデルが、生物学的な視覚の仕組みを自動的に説明するわけではない。
この区別こそが中心的な緊張関係だ。Maggie Hendersonのチームは、神経活動に関連する血流変化を測定する機能的磁気共鳴画像法、すなわちfMRIのデータを収集している。研究者はその後、深層ニューラルネットワーク内部で生成される表現と、これらの測定値を比較する。
このアプローチは、神経科学と人工知能の長年にわたる相互交流を土台としている。初期のニューラルネットワークは生物学の概念を取り入れた。いま神経科学者は、知覚の検証可能なモデルとしてコンピュータビジョンシステムを利用している。
この逆転は新たな機会を生む一方で、難しい科学的問いも投げかける。モデルは、脳自身のプロセスとは異なる計算に依存しながら、記録された脳活動と一致する可能性がある。したがって予測は出発点であり、最終的な説明ではない。
Google Newsの見出しが実際に示していること
Carnegie MellonはAIを、思考を読み取ったり人が見るすべてを再現したりする機械ではなく、神経科学のための予測ツールとして扱っている。
この話題は、Carnegie Mellonが2026年8月24日に広範なNeuroAIプログラムを説明した後、Google Newsを通じて浮上した。公開された説明は、完成済みの単一製品を発表するものではなく、複数の関連プロジェクトを結び付けている。
心理学の助教授であるHendersonは、脳が視覚入力を物体や場面の表現へと変換する仕組みを研究している。彼女のチームは、人々が画像を見る間にfMRIデータを記録する。その後、異なる視覚領域にわたる反応を予測する計算モデルを構築する。
モデルは、深層ニューラルネットワークが学習した内部特徴を利用する。特徴とは、形状、質感、色、物体の同一性といった情報をネットワークが識別するのに役立つパターンだ。研究者は、こうした特徴が人間の脳データに見られるパターンを予測できるかを検証できる。
これは重要だ。従来の脳イメージングでは、完全な計算上の説明を伴わない相関関係が得られることが多い。ある領域が課題中により活発になるとしても、その観察だけでは、どのような計算が行われているのかは特定できない。
刺激から計算可能なモデルは、より踏み込んだ段階に進む。画像や音のような物理的入力を受け取り、予測される神経反応を生成する。科学者はその予測を、人や動物から測定された反応と比較できる。
Carnegie Mellonの別の研究者であるJenelle Featherは、こうしたモデルを、刺激から直接神経予測へと至るシステムとして説明した。彼女の研究には、人工ネットワークが、生物学的な感覚システムに似た形で情報を保持・破棄するかを検証する取り組みも含まれる。
最新の報道を、Carnegie Mellonが個人の私的な視覚体験を再構成した証拠と解釈すべきではない。引用された研究は、制御された入力に対する反応の予測に焦点を当てている。これは、脳活動だけから未知の画像を復号することとは異なる。
この区別はまた、この研究を臨床的な脳読解の見出しから切り分ける。Hendersonのプロジェクトは、知覚に関わる表現を研究している。fMRIスキャンから信念、記憶、意図を抽出する一般的な手法を確立したものではない。
それでもCarnegie Mellonのプログラムは、具体的な方法論上の変化を示している。研究者は、活動がどこに現れるかを問うだけでなく、計算モデルがその活動を予測するかを検証できるようになる。
同大学のNeuroAI programは、この視覚研究を聴覚、ブレイン・マシン・インターフェース、適応型AI、神経回路マッピングとも結び付けている。これらのプロジェクトは、記述的な測定を反証可能な予測を生み出すモデルへ転換するという目標を共有している。
Google Newsの枠組みは、この構想を脳の「画像感覚」に関する簡潔な見出しへと圧縮している。根底にある話はもっと慎重だ。AIは候補となる説明を提供し、実験がそれらの説明が耐えられるかを判断する。
視覚野の予測がいま重要な理由
この機会は、より優れた神経測定と、研究参加者が見た同じ複雑な刺激を処理できるコンピュータモデルの組み合わせから生まれている。
従来の視覚神経科学実験では、棒、点、制御されたパターンなど、単純な刺激がよく使われていた。こうした実験は、特定のエッジ方向に反応するニューロンなど、本質的な原理を明らかにした。
自然な場面には、はるかに多くの変数が含まれる。街路写真には、顔、車両、影、文字、奥行きの手掛かり、重なり合う物体が含まれる可能性がある。各特徴の寄与を分離することは困難になる。
コンピュータビジョンネットワークは、実用的な中間表現を提供する。その層は、ピクセルを次第に抽象度の高い特徴へと変換する。研究者は、こうした変換が視覚野全体で測定された変化に似ているかを問うことができる。
この比較では、人工ネットワークが脳の文字どおりの複製だと主張する必要はない。ネットワークは複数の候補モデルの一つとなる。その予測は記録データと照合して検証できる。
このアプローチがより有用になったのは、機械学習モデルが未編集の画像を大規模に処理できるためだ。また、モデルの適合に使われなかった画像についても、予測される反応を生成できる。
未知の刺激への一般化は決定的に重要である。学習時の観察結果だけを再現するモデルは、統計的パターンを記憶しているだけかもしれない。新しい反応を予測できるモデルは、再利用可能な何かを捉えたという、より強い証拠を提示する。
研究者には、全体的な精度だけでは足りない。二つのシステムが類似した予測スコアを達成しても、異なる内部メカニズムを使っている可能性がある。モデルは質感を利用する一方、人は形状や文脈により強く依存するかもしれない。
この問題は、この分野で最も身近なベンチマーク文化に圧力をかける。AI研究では、固定データセットでの性能が重視されることが多い。神経科学には、通常の画像で同程度のスコアを示す場合であっても、競合するメカニズムを区別する実験が必要だ。
Carnegie Mellonの研究は、より豊富な測定値を備えたデータセットを構築する広範な取り組みの一部に位置付けられる。MICrONSプロジェクトは、神経活動の記録と、マウス視覚野における物理的接続の詳細な再構築を組み合わせた。
このプロジェクトでは、約20万個の細胞と5億を超える接続を含む、1立方ミリメートルの組織をマッピングした。研究者は、同じ組織を極めて高い解像度で再構築する前に、視覚刺激への反応を記録した。
この組み合わせが重要なのは、活動と解剖学的構造が通常は別々の実験から得られるためだ。MICrONSにより、研究者は配線、神経反応、計算的振る舞いが同じ組織片の中でどう関係するかを調べられる。
Carnegie MellonのXaq Pitkow教授は、これらの層を結び付けるモデルの開発に協力した。研究者はモデルに視覚場面を与え、神経反応を予測し、その予測を記録された活動と比較できる。
MICrONS brain mapは、当初の研究者が予想していなかった問いも支えている。公開データセットにより、他チームは測定プロセス全体を繰り返すことなく、代替モデルを検証できる。
この基盤が、NeuroAIがいま注目を集める理由を説明している。この分野には、より高性能なモデル、より大規模なデータセット、より精密な測定、そして標的を絞った実験を設計するツールがある。これらの要素は、知能をめぐる哲学的議論を実証的な比較へと変えられる。
予測と説明こそが真の対立軸
主な競争は神経科学対AIではない。予測精度と、生物学的計算に忠実な説明との間にある。
モデルは、誤った理由で神経反応を予測できる。この可能性は機械学習でよく知られており、分類器が意図された物体ではなく背景パターンを利用することがある。
同じ危険は脳モデルにも当てはまる。ネットワークは、その特徴が有用な画像統計を追跡しているために活動と相関する可能性がある。その相関は、脳が同じ方法でそれらの特徴を計算していることを確立するものではない。
そのため研究者には、それ以外では同じように成功して見えるモデルを分離する介入が必要だ。通常の写真は、多くの有能なモデルが同様に分類するため、この役割を果たせないことが多い。
Nikolaus Kriegeskorteと共同研究者は、合成された「論争的刺激」の利用を提案している。これは、競合するモデルが異なる予測を出すよう設計された画像だ。研究者は次に、同じ画像を人間や動物に提示する。
曖昧な画像は、あるモデルには3のように、別のモデルには7のように見えるかもしれない。人間の判断は、どのモデルが生物学的知覚によりよく一致するかを示し得る。両モデルが失敗する場合もあり、その際には別の理論が必要であることが明らかになる。
この戦略は、意見の不一致を実験上の資産へと変える。高い平均相関を称賛するのではなく、科学者は競合する説明が分岐する事例を探す。
ColumbiaのZuckerman Instituteによる2026年の議論は、同じ課題を実行するモデルでも異なる計算を使う可能性があることを強調している。そのmodel disagreementアプローチは、脳らしいAIに関する広範な主張に対する重要な対抗軸を提供する。
解釈可能性は第二の課題を生む。大規模なニューラルネットワークには、数百万から数十億の調整可能なパラメータが含まれ得る。その複雑さにより、神経活動を正確に予測していても分析が難しくなる可能性がある。
2026年2月のCarnegie Mellonの報告は、別のチームが視覚野モデルをはるかに小さな形に圧縮しようとした取り組みを紹介した。得られたモデルは、予測精度を高く保ちながら数千倍も単純だった。
こうしたコンパクトなモデルは、研究者が個々の神経反応に関連する特徴を調べる助けとなった。例には、顔の中の目や視覚パターン内の点に対する感度が含まれた。
要点は、単なる計算効率ではない。より小さなモデルは、研究者が実験室での仮説へと翻訳できる関係性を明らかにし得る。
その研究に関わったCarnegie MellonのMatt Smith教授は、個々のニューロンを理解するために巨大なネットワークは必要ないと主張した。compact vision modelsは、予測能力を維持しつつ科学的なアクセス可能性を高めるよう設計された。
圧縮があらゆる説明上の問題を解決するわけではない。単純化されたモデルは、生物学的に不正確なままであり得る。また、元のネットワークで重要だったメカニズムを隠してしまう可能性もある。
しかし圧縮は、実験のためのより明確な標的を生み出す。研究者は、提案された特徴が異なる画像、文脈、被験者にわたって一貫してニューロンを駆動するかを検証できる。
したがって、最も強力なNeuroAIのワークフローには複数の段階が含まれる。まず大規模モデルが予測構造を特定する。次に研究者がその構造を単純化または解釈する。最後に、標的を絞った実験がそれを反証しようと試みる。
その一連の流れこそが、科学的モデリングとパターンマッチングを分ける。現在のGoogle Newsの話題も、予測スコアだけで終えるべきではない理由はここにある。意味のある成果は、失敗させるために設計された実験を予測が乗り越えたときに得られる。
脳地図は測定上の隔たりを解消しない
NeuroAIモデルは、研究者が測定できるもの、研究対象となる種、統制実験と自然な知覚の違いによる制約を依然として受けている。
Hendersonのヒト研究は、個々の電気的インパルスを直接記録せずに広範な空間カバレッジを提供するfMRIに依存している。その信号は、神経活動に関連する血中酸素化の変化を反映する。
この間接的な信号は、知覚の基盤となる神経イベントよりも遅れて届く。モデルはfMRIパターンを予測できても、それを生み出した高速な計算の連鎖を捉えていない可能性がある。
ヒトのfMRIは、多数のニューロンにまたがる活動も平均化する。異なる2つの細胞メカニズムが、似た大規模測定を生み出すこともある。研究者は、ある領域との一致を完全な神経学的説明として扱わないよう注意すべきだ。
MICrONSははるかに細かな解剖学的・細胞レベルの詳細を提供するが、主要な視覚データセットはマウスの大脳皮質に由来する。マウスの視覚は価値ある研究を支える一方で、解剖学、行動、生態学的要請の面でヒトの視覚とは異なる。
これらのプロジェクトは、単一の統合されたヒト脳モデルを構成するのではなく、相互に補完し合う。ヒトのイメージングはヒトの知覚との関連性を提供する。動物の記録と組織再構築は、生きた人では一般に得られない解像度を提供する。
自然な行動にも別の隔たりがある。スキャナー内で固定画像を見る参加者は、通常の条件で世界を知覚しているわけではない。日常的な視覚には、眼球運動、動き、行為、記憶、変化する目標が含まれる。
SCENE、すなわちSimons Collaboration on Ecological Neuroscienceは、この制約の一部に取り組んでいる。この10年間の取り組みには8,000万ドルの支援があり、現実的な環境において脳が知覚をどのように行動へ変換するかを研究する。
研究者たちはアフォーダンス、すなわち環境が提供する行為の可能性を検討している。椅子は座ることを可能にし、開けた道は移動を可能にする。
この重点は、対象を認識することから、行動にとって何が重要かを判断することへと移す。同時に、より厳しいモデリング要件も生まれる。有用なシステムは、感覚入力を文脈、不確実性、行動と結び付けなければならない。
SCENEの規模は、この研究方向への長期的な確信を示している。それは、現在のニューラルネットワークがすでに関連するメカニズムを備えていることを保証するものではない。
Carnegie MellonのSCENEイニシアチブは、機械学習を神経記録と行動実験に組み合わせている。その期間の長さにより、チームは理論を構築し、データを収集し、失敗後にモデルを改訂する時間を得られる。
もう一つの不確実性は、個人間の違いに関わる。脳の解剖学的構造、経験、注意、スキャン条件は、測定された反応を変えうる。あるグループに適合させたモデルが、別のグループへきれいに一般化するとは限らない。
研究者は循環的な評価にも注意しなければならない。モデル選択とテストが密接に関連する画像や測定に依存している場合、性能は実世界での一般化が正当化する以上に強く見えることがある。
独立したデータセットは、より良いテストを提供する。機器、参加者、分析上の選択が異なる場合、とりわけ研究室間での再現は確信をさらに強めるだろう。
将来の臨床応用に関する主張には、特に慎重さが必要だ。健全な感覚活動の予測モデルが、そのまま治療モデルになるわけではない。医療への応用には、安全性の証拠、患者ごとの検証、測定可能な利益が求められる。
Featherは、補聴器と人工内耳を含む可能性のある道筋について述べている。研究者は健全な聴覚系をモデル化し、障害をシミュレートし、より健全な神経コードの回復を目指す処理を設計できる可能性がある。
これは研究の方向性であり、確立された臨床的成果ではない。モデルの仮定は、デバイス、患者、環境、変化する神経系をまたいで成り立たなければならない。
同じ慎重さは、ブレイン・マシン・インターフェースや視覚回復にも当てはまる。より良いモデルは、標的や実験を提案できる。しかし、臨床試験や患者アウトカムの直接測定に取って代わることはできない。
これらの限界はNeuroAIを無効にするものではない。興味深い相関から、信頼できる知覚の説明へ進むために必要な作業を定義するものだ。
脳モデルはいかに人工知能を再構築しうるか
NeuroAIの双方向的な価値は、AIシステムを単により人間らしく見せることではなく、機械を改善する生物学的原理を見出せるかにかかっている。
コンピュータビジョンはすでに、神経科学の言語と構造を借用してきた。人工ニューロン、階層的処理、受容野は生物学的な着想を反映しているが、現代のシステムは実際の脳とは大きく異なる。
新たな交流は、現在のAIに何がなお欠けているのかを問う。動物は継続的に学習し、変化する条件下で行動し、あらゆる課題に対して何百万ものラベル付き事例を与えられなくても適応する。
Aran NayebiのCarnegie Mellonでの研究は、工学的な目標の源として動物の学習を研究している。彼のグループは、生物学的エージェントが各段階で慎重に規定された目的に依存せず、どのように探索し行動を調整するかを調べている。
この道筋が重要なのは、高いベンチマーク性能が脆弱性を隠しうるためだ。コンピュータビジョンシステムは馴染みのある画像を正確に分類できても、質感、照明、視点の小さな変化で失敗することがある。
生物学的な視覚は、速度と柔軟性を組み合わせている。文脈、過去の経験、動き、不確実性を利用する。NeuroAI研究者は、それらの性質のどれが曖昧な比較ではなく、特定の計算から生じるのかを特定しようとしている。
MICrONSを用いたPitkowの研究は、その一例を示す。彼の分析では、一貫した視覚パターンに感受性を示す一方、周囲の場面にも反応するように見えるニューロンが特定された。
こうしたニューロンは、文脈を無視せずに物体境界を表現する助けとなる可能性がある。そのバランスは、雑然とした、または未知の環境で稼働する人工システムにとって重要だ。
研究者たちは、単純な人工画像と自然に近い場面に対する反応の違いも観察した。画像の自然さは、神経選択性と文脈依存性の両方を変化させた。
この結果は、統制された刺激が現実世界の視覚についてすべてを明らかにするとは限らないことを警告している。また、AI評価には単一の厳選されたベンチマークではなく、多様な環境を含めるべきだとも示唆する。
コンパクトな脳モデルは、もう一つの工学的な道筋を示す可能性がある。小型で解釈可能なモデルが、大規模ネットワークの有用な挙動を保持できれば、開発者はどの計算が本質的かを研究できる。
この過程は、より小さなシステムがより大きなシステムから有用な挙動を学ぶ、機械学習における知識蒸留に似ている。神経科学は別の目的を加える。蒸留された表現は、生物学的処理に関する仮説を生み出すべきだ。
こうした仮説は最終的に、ロボティクス、適応型インターフェース、感覚プロステティクス、効率的な知覚システムに影響を与える可能性がある。しかし、生物学的な類似性が自動的な製品主張になってはならない。
システムは、脳に似ていなくても有効でありうる。逆に、モデルがある神経測定を再現しても、それだけでより安全、信頼性が高い、あるいは知的になるわけではない。
したがって開発者は、生物学的制約が何をもたらすのかを問うべきだ。それはサンプル効率、適応、エネルギー使用、不確実性の扱い、あるいは分布シフトへの耐性を改善するのか。
Google Newsを通じてこの研究を追うチームにも、同じ規律が当てはまる。有用な研究ワークフローは、原論文、機関的な文脈、競合する解釈、未解決の問いを保持すべきだ。
パーソナルナレッジベースは、研究者がこれらの資料を時間をかけて結び付ける助けになる。目標は、より多くの見出しを集めることではない。主張と後の結果を比較するために必要な証拠を保持することだ。
NeuroAIがプロダクト開発者にとって重要になるのは、その原理が研究室の外でのテストを乗り越えたときだ。それまでは、汎用人工知能の完成済みの設計図ではなく、生産的な仮説の源であり続ける。
Google Newsのサイクル後に注目すべき3つのシグナル
次の段階は、識別力のある実験、被験者横断の検証、より自然な行動から得られる結果によって判断されるべきだ。
第一のシグナルは、研究者が主要モデル同士の予測を意図的に食い違わせるために設計したテストを公表するかどうかだ。平均予測スコアは有用だが、2つのシステムが同じメカニズムを使っているかを明らかにすることはほとんどない。
論争を呼ぶ刺激は、より鋭いテストを提供する。Carnegie Mellonのモデルが曖昧な画像や敵対的画像に対するヒトの反応を予測できれば、生物学的解釈はより強くなる。
失敗もまた有益な情報になる。すべての候補モデルが同じ反応を誤って予測するなら、重要な計算が欠けている証拠が得られる。
第二のシグナルは、人、データセット、研究室をまたぐ一般化だ。モデルは、開発に用いた参加者やスキャン条件を超えて測定値を予測すべきである。
独立した再現は、結果が特定の前処理パイプラインや画像コレクションに依存する可能性を下げる。また、新たな参加者ごとにどれほどのキャリブレーションが必要かも明らかにする。
臨床研究では、このシグナルは不可欠となる。個別化デバイスには個人ごとの適応が必要だが、利用者間で移転可能な信頼できる基盤も必要である。
第三のシグナルは、孤立した画像からシーケンスと能動的行動へ向かう進展だ。Carnegie Mellonの研究者たちはすでに、動画と時間依存の知覚を重要な次のステップとして特定している。
動画は、モデルに動き、変化する文脈、時間的連続性を追跡させる。能動的な課題には、意思決定、眼球運動、結果が加わる。
SCENEの生態学的な焦点は、このテストのより長期的な形を提供する。モデルは最終的に、静止した脳が選択された画像にどう反応するかだけでなく、不確実性の下で知覚がどのように行動を導くかを説明しなければならない。
これらのシグナルは、読者が次のGoogle Newsの見出しをどう解釈するかを形作るべきだ。より高い予測スコアは、工学的な根拠を強める。しかし、そのテストが競合するメカニズムを識別しない限り、科学的な問いを決着させるものではない。
現在の研究が重要なのは、神経科学に対して、精密な形で失敗しうるモデルを与えるからだ。それは、AIが視覚を解読したという大まかな主張よりも価値がある。
Carnegie Mellonは、信頼できるNeuroAIプログラムを中心に研究者、データセット、協働体制を組織してきた。Hendersonのヒトイメージング研究は、画像を予測される皮質反応と結び付ける。MICrONSは活動を微視的な配線と結び付け、SCENEは自然環境における行動へと前進を促す。
このプログラムの最も強い期待は、方法論にある。AIは計算論的な説明を、神経科学者が検証、棄却、圧縮、洗練できるほど迅速に提案できる。
最大のリスクは、解釈の過度な拡張だ。予測は説明と取り違えられ、生物学的な類似性は知能と取り違えられうる。
読者は、こうした隔たりを露わにする実験を追うべきだ。モデルの予測を食い違わせる画像、人をまたいで移転する結果、現実世界での動きを乗り越える予測に注目してほしい。
これらのテストが、Carnegie Mellonがより良い視覚モデルを見つけたのか、それとも現在の測定値へのより良い適合を得ただけなのかを決める。次のNeuroAIに関する主張を説得力あるものにするのは、あなたにとってどのような結果だろうか？
