[論文レビュー] Programmatic Manipulation of Common Lisp Type Specifiers

Jim E. Newton, Didier Verna+1 more|arXiv (Cornell University)|Apr 3, 2017

Advanced Data Storage Technologies被引用数 103

ひとこと要約

本稿は、直接的な神経フィードバックループを通じた人間-AI統合のフレームワークを提案する。AIシステムは、沈黙した発話や手の動きといった人間の運動および感覚入力を学習し、リアルタイムの出力を提供することでループを閉じ、スキル習得および認知機能の強化を可能にする。主な貢献は、AIを単なるツールではなく、人間の能力の統合的拡張として再定義することであり、その例として口腔内運動からの音声生成や、ジェスチャーに基づく音声合成が挙げられる。

ABSTRACT

In this article we contrast the use of the s-expression with the BDD<br> (Binary Decision Diagram) as a data structure for programmatically<br> manipulating Common Lisp type specifiers. The s-expression is the<br> extit{de facto} standard surface syntax and also programmatic<br> representation of the type specifier, but the BDD data structure<br> offers advantages: most notably, type equivalence checks using<br> s-expressions can be computationally intensive, whereas the type<br> equivalence check using BDDs is a check for object identity. As an<br> implementation and performance experiment, we define the notion of<br> maximal disjoint type decomposition, and discuss implementations of<br> algorithms to compute it: a brute force iteration, and as a tree<br> reduction. The experimental implementations represent type<br> specifiers by both aforementioned data structures, and we compare<br> the performance observed in each approach.

研究の動機と目的

• AIを独立したツールではなく、人間の認知および運動制御の一部として統合的に捉え直す。
• リアルタイムのフィードバックループを通じて、AIが人間の感覚および運動能力を拡張できる方法を探る。
• AIシステムが自然な人間のスキル習得と類似した閉ループ学習プロセスの一部となることを実証する。
• 将来的な人間拡張のための侵襲的脳-AIインターフェースおよびネットワーク化された人間-AIシステムの可能性を調査する。
• 可視性（可視／不可視）と自律性（自己／他者）の観点から人間-AI関係を四つの象限に分類し、'人間-AI統合'を新たなパラダイムとして強調する。

提案手法

• 深層ニューラルネットワークを用いて、口腔内超音波画像を音声出力にマッピングし、沈黙発話からの音声生成を可能にする。
• ニューラルネットワークを用いて、手のジェスチャーと音声合成器のパrameterを結びつけることで、ジェスチャーに基づく発声を実現する。
• ユーザーがAIが生成する音声出力に基づいて運動パターンを調整するフィードバックループを構築し、自然な発話学習を模倣する。
• ヒューマンコンピュータインタラクション（HCI）および認知科学の原則を応用し、人間の神経プロセスに自然に統合されるシステムを設計する。
• 可視性（可視／不可視）と自律性（自己／他者）の両面から人間-AIインタラクションを四つの象限に分類し、'人間-AI統合'を将来的な中心的方針として位置づける。
• ホークの顕微鏡やエンゲルバートのマウスといった歴史的かつ人間拡張の事例と類似性を示し、AIを人間拡張の次なる段階として位置づける。

実験結果

リサーチクエスチョン

• RQ1 AIを人間の運動および感覚システムに統合することで、どのような新しい形の人間拡張が可能になるか？
• RQ2 閉ループフィードバックメカニズムは、人間がAIを介したスキルを学習・習得する際に果たす役割は何か？
• RQ3 人工ニューラルネットワークと生物学的ニューラルネットワークの統合は、従来のヒューマンコンピュータインタラクションとどのように異なるか？
• RQ4 AIをツールではなく、人間の認知および知覚の機能的拡張として捉えると、どのような意味合いが生じるか？
• RQ5 将来的な人間-AIシステムは、どのように設計されれば、自己主導的で身体的学習および能力再設計を支援できるか？

主な発見

• 運動によって生成される出力（例：沈黙発話からの音声）に対してAIがリアルタイムでフィードバックを提供することで、ユーザーは動きを微調整し、パフォーマンスを向上させることができ、自然なスキル習得と類似する。
• ニューラルネットワークを用いたシステムは、口腔内超音波画像を理解可能な音声に変換するのに成功しており、言語障害のある人々における通信可能性の実現可能性を示している。
• ジェスチャーに基づく音声合成システムにより、ユーザーは手の動きで表現的な発声を生成できるようになり、非言語的コミュニケーションの可能性を示している。
• 人間の運動制御とAIの統合は、自然な人間学習を模倣するフィードバックループを形成し、AIが人間神経系の機能的拡張として機能しうることを示唆している。
• 可視／不可視、自己／他者という四つの象限に基づく枠組みは、人間-AI関係を分類する有効な分類法を提供し、'人間-AI統合'が明確で有望なカテゴリとして浮き彫りになっている。
• 本稿は、将来的なHCIが、単にツールを改善するのではなく、AI統合を通じて人間そのものを再設計することに焦点を当てるべきだと主張しており、ツール指向から生物指向へのインタラクションデザインのパラダイムシフトを示している。