ロボットは、ロボットのプログラミングをする人間よりも上手に問題を解決することができるでしょうか。

　理論上、この答えは、"yes"です。適切な自律学習機構を備えたロボットは、試行錯誤によって学習し、ロボットの製作者の能力を越えて成長することができるのです。この学習は、どのようにして実行されるのでしょうか。これは、我々の「Dragonプロジェクト」における中心的課題です。「Dragonプロジェクト」の前身である「Piraiaプロジェクト」において、我々はロボット・セルフ・シミュレータに関する研究を行ってきました。ロボット・セルフ・シミュレータは、ロボット自体が動作している間に、ロボットの制御コンピュータ内で動作します。そして我々は、人間の意識に類似するいくつかの点について、この「ロボットの意識」が迅速かつ有効な自律学習への鍵であることを示しました。さらに、比較的複雑なロボット移動タスクの理論を検証しました。

　我々は、ロボット・セルフ・シミュレータを使用して、ロボットとその静的環境との相互作用をシミュレートすることができました。これは、他のエージェントによる制約のない世界に適していますが、実世界においては、オフィスであれ地雷原であれ、ロボットがいつでも単独で存在するわけではなく、複数の共存者と協調しなければなりません。すなわち、ロボットには他のエージェントおよびそれらの対話や意識をシミュレートする能力が必要になります。ロボット自体と静的環境にのみ注目した単純なシミュレータでは不十分なのです。換言すれば、ロボットにおいてはある意味で最高レベルの意識機能を実現しなければならないということです。我々は現在「Dragonプロジェクト」でこの概念と、これに関連する問題についての研究を進めています。

■自律型ロボットの学習

　我々は、複雑であっても故障に強い分散リアルタイムシステムのプログラミングと制御の方法を研究しています。自律型ロボット、すなわち長時間にわたって単独で行動できるロボットは、このようなシステムの例です。

　なぜ、常にオペレータを配置してロボットを監督することができないのでしょうか。たとえば、水中や、オペレータが病気になって病院にアクセスできない位置からロボットがオペレータを援助しなければならないなどの特定の状況では、ロボットとの有効な対話が不可能な場合があります。処理が早すぎて、人間のオペレータがついていけない場合もあります。また、操作が少なくてオペレータが監視しているという感触が全くなかったり、複雑すぎてオペレータが操作できなかったりする場合もあります。

　ロボットは、独力で学習するために、さまざまな動作方法を試行し、すべての試行結果を評価し、さらにそれぞれの動作がどの程度適切に作用するかを記憶することができます。続いて、ロボットはこれらの候補の中で最適な結果が得られた動作に集中できます。評価の基準は事前にプログラミングされていることが必要ですが、適切な戦略を見出す細かい作業については、ロボット自体に委ねることができます。

　この学習戦略の大きな問題点は、時間がかかるということです。ロボットは、すべての試行を実際に行わなければなりません。それも、一度に実行できるのは一試行に限られます。最適な解法を見つけるためには、多くの候補の中から探索することが必要です。自由度が多い場合は、特にこのことが重要になります。

■ロボットが愚鈍な機械を越えるためには？

　「ロボット」という呼び名は、コンピュータ内蔵の動く機械に広く使用されています。ある意味で、これは普通の機械と全く変わりません。コンピュータによって制御されてはいても、単なる意志のないゾンビのような機械と区別できるだけの特性を見つけるのが難しいと思うことがあります。

　このような特性の1つが、ある種の自己意識、すなわちロボット自体に内在するソフトウェア・シミュレーション・モデルを持っていることではないでしょうか。単純な機械では、自己意識はそれほど有効な特性ではありません。しかし、自律型ロボットなどの複雑なリアルタイムシステムでは、複数の利点があります。

　試行錯誤の学習において自己意識能力があれば、ロボットは可能な限りの試行をすべて実行する必要がなくなります。そのような試行をシミュレートするだけで充分だからです。高速のシミュレータを使用すれば、非常に多くの候補の中から探索を行うことができます。異なるプロセッサ間で候補を分割することによって、並列にシミュレーションを行うこともできます。このシミュレータとは、一般的な意味のシミュレータです。"if-then"ルールの小さな集合としてのシミュレータを実装すれば十分な問題もあれば、シミュレータが微分方程式を解かなければならない問題もあります。

■そしてロボットが愚鈍なロボットを越える

　相互に制約のある環境において、ロボットが遭遇するエージェントの挙動は、簡単なニュートン力学では推測できません。質の高い予測を得るには、他のエージェントの意識をシミュレートできるように、すなわち他のエージェントのシミュレーションをシミュレートできるように、単純なシミュレータを拡張する必要があります。重大な問題は、どのような方法で他のエージェントの意識モデルを獲得するかということです。これは、学習に関する本質的な問題です。

　他のエージェントの意識モデルを入手するには、2つの方法があります。1つは観察、もう1つは対話です。

　前者の場合、ロボットは知覚データに基づいて他のエージェントに関する推断を行います。これは、一部の特性については有効な手法ですが、他のエージェントの意識（本質的にシミュレーション・プログラム）などの抽象的な情報を伝達するのは困難です。このような情報を送信する可能性は、むしろ後者の対話という方法にあります。

　動物の高度な意識は、その対話能力と相互に深い関連があると思われます。ロボットが協同するための重要な条件は、ロボットの対話能力、すなわちロボットがロボット・インターリングア（ロボットの国際語）を操る能力であることが推測されます。このような言語は、基本的な要素から抽象概念を形成する十分な表現力を備えている必要があります。そうすれば、ロボットは通信チャネルのみによりシミュレーション・モデルの伝達とブートストラップを実行できます。

　一般に人間の特性であると考えられている感情移入やそれに類似した概念は、シミュレーションのシミュレーションとして発生します。たとえば、ゲームなどの戦略的な状況においては、より高度なシミュレーションが望ましいのです。このような高度なシミュレーションのシミュレーションを実行できるロボットは、初めから本当の人間であると思われるような態度を示せるかもしれません。

■自律学習機能SICS研究室

　自律学習機能SICS研究室は、スウェーデンのストックホルムに近いKistaという町にあります。現在、フルタイムのMartin NilssonとパートタイムのBjorn Levinの2人の研究者を擁しています。

　我々は、適切な実験的証明を伴う確かな理論の確立に努めており、純粋な理論家および専門分野の実験科学者の方々による批評、提案、議論、および訪問を大いに歓迎します。

(mn@sics.se)