ディープラーニングとグローバルワークスペース理論

深い学習の最近の進歩により、人工知能（AI）は、多くの感覚、知覚、言語、認知タスクで人間レベルのパフォーマンスに近いことができました。しかし、脳に触発された斬新な認知アーキテクチャに対するニーズが高まっています。グローバルワークスペース理論（GWT）とは、専門モジュールのネットワーク間に情報を統合および配信する大規模システムを指し、認知と認識の高レベルの形式を作成します。私たちは、深い学習技術を使用してこの理論の明示的な実装を検討する時が熟していると主張します。複数の潜在スペース（明確なタスクのために訓練されたニューラルネットワーク、明確な感覚入力および/またはモダリティ）間の監視されていない神経翻訳に基づいてロードマップを提案して、ユニークなアモーダルグローバル潜在ワークスペース（GLW）を作成します。GLWの潜在的な機能的利点が、神経科学的意味とともにレビューされます。

Recent advances in deep learning have allowed artificial intelligence (AI) to reach near human-level performance in many sensory, perceptual, linguistic, and cognitive tasks. There is a growing need, however, for novel, brain-inspired cognitive architectures. The Global Workspace Theory (GWT) refers to a large-scale system integrating and distributing information among networks of specialized modules to create higher-level forms of cognition and awareness. We argue that the time is ripe to consider explicit implementations of this theory using deep-learning techniques. We propose a roadmap based on unsupervised neural translation between multiple latent spaces (neural networks trained for distinct tasks, on distinct sensory inputs and/or modalities) to create a unique, amodal Global Latent Workspace (GLW). Potential functional advantages of GLW are reviewed, along with neuroscientific implications.