8．問題解決

８．　問題解決
（１）問題解決とは
（２）ヒューリスティクス
（３）「問題の表象」の重要性
（４）進化論的視点
（５）人工知能と深層学習
（１）問題解決とは Problem Solving
•  認知心理学的視点：目的的な行為はいか
にして可能なのか。
•  人や機械にパズルなどを解かせる研究が
多い。
（１）問題解決とは Problem Solving
•  古典的研究：Kohler(1927)
AHA!=洞察学習
•  問題解決の3つのポイント
（１）目標志向性
（２）下位目標への分割
（３）オペレータ（operator）の選択
•  オペレータ：ある状態を別の状態へ移行さ
せる行為や手続き。
（１）問題解決とは Problem Solving
•  人間の行為の多くには明確な目的がある。
•  従って人間の行為は「問題解決的」である。
•  ドラクエから人生まで。
（１）問題解決とは Problem Solving
•  古典的研究：Kohler(1927)
（１）問題解決とは Problem Solving
•  問題解決＝「問題空間内を検索する過程」
その方法
（１）アルゴリズム(algorism, 計算手順）
四則演算、2次方程式の解など。
（２）ヒューリスティクス(heuristics,発見法）
明確なアルゴリズムがない状態で、問題空
間内を探索する（だいたいの当たりをつけて、いく
つかの可能性を試みる）
認知心理学・人工知能研究はもっぱらヒューリス
ティクスに関心がある。
1
（２）ヒューリスティクス ①　差異低減法 difference-reduction method
•  初期条件と目標状態の差異をとにかく減ら
す（類似度を高める）という方略。
•  順番が重要。
•  類似性ばかりに注目すると失敗する。
①　差異低減法
②　手段-目標分析
③　アナロジーの使用
（２）手段-目標分析 means-end analysis
（２）手段-目標分析 means-end analysis
•  基本的には、差異低減方略と同じ。
•  ただし差異を低減できない場合には柔軟
に下位目標を設定し直すことが可能。
•  つまり「回り道」ができる。
•  Newell and Simon のGPS(general
problem solver) で採用された。
•  GPSはこれによって「ハノイの塔」を解くこ
とができた。
②　手段-目標分析 1.現状から目標へと進む
②　手段-目標分析 ２．差異を低減する
成功
現状と目標を比
較し、
もっとも大きな差
異を検出せよ。
差異検出
下位目標：
差異を低減せよ
失敗
差異なし
成功
失敗
差異低減の
ためのオ
ペレータ
を発見せ
よ
オペレータ
と現状を差異
オペレータ
比較し、
検出
最も重要検出
な差異を
検出せよ
発見できず
失敗
失敗
下位目標：
差異を低減
せよ
差異なし
オペレータ適用
2
「子供を保育所へ送る」 オペレータの発見
• 
• 
• 
• 
• 
• 
• 
• 
現状と目標の差は=自宅と保育所の距離
「距離」を低減するオペレータ＝車
現状と目標の差は＝車が故障
「故障」を除去するオペレータ＝修理工場
現状と目標の差は＝工場へへ連絡してない
「連絡してない」を除去するオペレータ＝電話
現状と目標の差は＝電話は隣の部屋
「隣の部屋」を除去するオペレータ＝隣の部屋へ
行く
②　手段-目標分析
「子供を保育所へ送る」 差異の低減
• 
• 
• 
• 
• 
隣の部屋に行き、電話をかける
工場に連絡がつき、工場から人が来る
車を修理し、直る
子供を乗せて車で出発
子供を保育所へ送ることに成功
前頭前野
•  Kotovsky, Hayes and Simon(1985)
「ハノイの塔」で、被験者はしばらく単純な
差異低減を試みた後にMEに移行。
・Goel and Grafman(1995)
前頭前野損傷者は、IQが正常でも、「ハノ
イの塔」の成績が極端に悪く、特に「回り
道」で困難を示した。
•  長期的に満足のいく結果を得るために、短
期的な満足感を先送りにするという選択肢
を制御する能力。
•  じっくり物事に取り組む＝知性と社会的
人格の核となる能力。
• ヒトの進化の５００万年で、脳の大きさは３
倍になったが、前頭前皮質の大きさは6倍に
前頭前野
③　アナロジー Analogy
•  ある問題の解法を別の問題に応用する。
•  「胃ガンの放射線治療」問題
•  胃ガンには放射線治療が効果的。しかし
治療に必要な線量を照射するとガン以外
の組織も破壊してしまう。
•  機械的アナロジーで失敗する場合も。
3
（３）　「問題の表象」の重要性
•  問題解決には適切なオペレータの選択が
重要である。
•  しかしオペレータの選択は、問題そのもの
をどう表象するか、という「視点」に依存す
ることがある。
①　機能的固着 Functional Fixedness
•  Duncker(1945)
①　機能的固着 Functional Fixedness
•  Maier(1931) １０分以内=３９％のみ。
②　構えの効果 Set effects
•  Lunchins(1942)　水桶問題
•  Einstellung効果とも呼ぶ。
②　構えの効果 Set effects
③　孵化効果 Incubation effects
•  Safren(1962)
•  手続き的ではない、意味的知識についても構え
の効果が見られる。アナグラム問題におけるリス
ト構造の効果。構造化されたリストは、されてい
ないリストより早い。
（Kmli,graus,teews,recma,foefce,ikrdn)
(epn, itpuerc, idaro,reapp, noir, upc)
•  構造化＝７．４秒、非構造化＝１２．２秒
•  歴史上の、科学発明発見物語
•  Silveira(1971) 安物ネックレス問題
•  はずすのに２００円、つなぐのに３００円。１５００円でやっ
てほしい。
4
（４）　進化論的視点
•  「４枚カード問題」における内容効果
•  抽象型：４枚のカードがある。表に数字、裏
にアルファベット。「３ならD」というルール
があるとして、これが正しいかどうかを確
かめるには最低どのカードをめくればいい
か。
•  ３　５　D　K
•  非常にむつかしい。正答率１０％程度。
（４）　進化論的視点
•  「４枚カード問題」における内容効果
•  Cosmides(1989):この現象は、ヒトが社会
生活の中で「裏切り者検知能力」を進化さ
せた結果生じている。ヒトの持つ高度な認
知能力は、社会的問題（他者との関係）を
解決するために進化した。
（４）　進化論的視点
•  「４枚カード問題」における内容効果
•  主題型：４枚のカードは４人の人物を表す。
表に年齢、裏に飲み物。「飲酒は２０歳以
上」が守られているかどうかを確かめるに
は最低どのカードをめくればいいか。
•  酒　茶　２５　１６
•  ほとんどの被験者が正解。
（５）　人工知能と深層学習
•  人工知能（AI）研究は、認知心理学とと
もに始まった。
•  研究者が大言壮語して研究費を獲得し
ては失敗、ということが続いた。
•  3回か4回くらいのブームがあった。
• 
• 
• 
• 
（５）　人工知能と深層学習
①　第１次ブーム（１９６０年代）
第１次ブーム（１９６０年代）：推論と探索
第２次ブーム（１９８０年代）：知識システム
第３次ブーム（２０１０年代）：機械学習
現代では「深層学習 deep learning」に
よってさらなる研究の飛躍が期待されて
いる。
•  推論と探索：あらゆる選択肢をしらみつ
ぶしに調べる。
•  手段ｰ目標分析とほぼ同じで、回り道を
考えながら現状と目標の差異を低減する。
•  これで「ハノイの塔」を解いた。
•  オセロ、チェス、将棋、囲碁の研究へ。
•  しかしオセロでさえ選択肢が10の６０乗
もある。
5
①　第１次ブーム（１９６０年代）
•  この方向性は、計算速度の向上のおか
げでいくつかの成果を上げた。「力まかせ
」である。
•  １９９７年、IBMのdeep blue がチェスの
世界チャンピオンを撃破。
①　第１次ブーム（１９６０年代）
・　２０１２年、ボンクラｰズが日本将棋連盟
会長（米長邦雄永世棋聖）を撃破。
•  ２０１４年、将棋電王戦で将棋ソフトが人
間相手に４勝１敗。
（東大の６７０台のコンピュータを結合し、１
秒間に３億手を読んだ）
しかしこれは将棋に特化したソフトで、他の
ことは何もできない。
②　第２次ブーム（１９８０年代）
Semantic Network
②　第２次ブーム（１９８０年代）
②　第２次ブーム（１９８０年代）
•  知識システム：人間の意味記憶のような
ものを構築する。
•  人工の「意味ネットワーク」である。
•  ELIZA(1964)はカウンセリングのような
対話ができた。「つらいんです」「何がつ
らいのですか？」　•  「エキスパート・システム」の開発。
•  「人工無能」もsiriやツイッター上の「ボ
ット」も同じ原理。
•  ２０１１年、IBMの「ワトソン」はクイズ番
組で全米チャンピオンを撃破。（ウィキペ
ディアに接続していた）
•  ２０２１年までに東大合格を目指す「東ロ
ボくん」プロジェクト。
•  おもしろいおもちゃが作れる。
•  しかし真に「意味」を理解しているわけで
はない。
•  翻訳はすごく苦手。文脈などを入力する
ことが困難だから。
•  Time flies like an arrow.
•  「タイムというハエは一本の矢が好きだ。
6
③　第３次ブーム（２０１０年代）
•  機械学習(machine learning)
ネットの情報を取り込んで自ら学習するシ
ステム。
Google検索はこの原理を駆使している。
現代の人工知能は、探索推論、知識シス
テム、機械学習を巧妙に組み合わせて
いる。
神経回路網モデル
Neural Network Modeling
•  脳の神経細胞（ニューロン）のしくみを模
倣した機械学習のシステム。
・単純パーセプトロンの時代（１９５０年代末）
•  逆伝播法による並列分散処理（PDP)モ
デルの時代（１９８０年代）
•  深層学習の時代（現在）
神経回路網モデル
単純パーセプトロンの時代
（１９５０年代末）
・解ける問題に限界があることが数学的に証明された。
・現在のニューラルネットの基礎となっている。
・「小脳パーセプトロン説」
逆伝播法によるPDPモデルの時代
（１９８０年代）
• 
• 
• 
• 
PDP（並列分散処理モデル）
誤差逆伝播法（Backpropagation）
「教師信号」をネット内で逆に入力する。
入力層と出力層の間に「隠れ層」がある。
3層以上のモデルは1967年に甘利俊一
が発表した。
7
深層学習の時代（現在）
深層学習の時代（現在）
•  隠れ層を何層も作る。
•  すさまじい計算量が必要となるが、コン
ピュータの能力の向上により、実用化さ
れた。
深層学習の時代（現在）
•  Google(2012)は、ユーチューブの画像１
０００万枚を入力して、「ネコ認識」に成功。
•  ネット上の大量のデータ（いわゆるビッグ
データ）と、超高速計算で初めて可能に
なった。
•  人工シナプス100億個からなるネットワ
ークを構成し、1000台のコンピュータを
結合して3日かかって計算した。
深層学習の時代（現在）
•  たいへんな時代になってきた。
•  しかしヒトのニューロンは数百億個。
•  ニューロンの結合（シナプス）の数は天
文学的。Googleもまだまだ。
•  近い将来にヒトをしのぐ人工知能が登場
するのか？
•  Singularity（技術的特異点）
8

Download Report