ユルゲン・シュミットフーバー

ユルゲン・シュミットフーバー（Jürgen Schmidhuber、1963年1月17日 - ）は、ドイツ出身の計算機科学者。人工知能、とりわけ人工神経回路網と深層学習の分野における先駆的な研究で知られる。

スイス・ルガーノのダッレ・モッレ人工知能研究所（IDSIA）の科学ディレクターを務めるほか、2021年以降はサウジアラビアのキング・アブドゥッラー科学技術大学（KAUST）で人工知能イニシアティブのディレクター、計算機科学プログラムの教授、および生成AI卓越センターの共同議長を兼務している。

弟子のゼップ・ホッフライターと共同で開発した長・短期記憶（LSTM）は、2010年代に音声認識・機械翻訳・手書き文字認識などの分野で広く実用化され、20世紀に発表された人工知能関連論文の中で最も多く引用された論文の一つとされる。

アメリカ合衆国のニューヨーク・タイムズは2016年、彼を特集した記事に「人工知能が成熟したとき、それはユルゲン・シュミットフーバーを『父』と呼ぶかもしれない」という見出しを付け、以後、複数のメディアが彼を「現代AIの父」「深層学習の父」などと形容している。シュミットフーバー自身はこうした呼称に対しては控えめな立場を取り、深層学習の先駆者としてウクライナのアレクセイ・イワフネンコの名を挙げている。

生涯・経歴 シュミットフーバーは1963年1月17日、西ドイツ・ミュンヘンで生まれ育った。10代の頃から科学と宇宙論に強い関心を持ち、物理学者となった弟とともに議論を重ねる中で、「自分自身よりも賢い自己改善型の人工知能を作り、それに未解決の問題を解かせた上で引退する」という生涯目標を早くから抱いたと語る。

ミュンヘン工科大学で計算機科学を学び、1987年に卒業論文「自己言及的学習における進化的原理」、1991年に同大学で博士号を取得した。指導教員はヴィルフリート・ブラウアーであった。1993年には同大学で教授資格（ハビリタツィオン）を取得している。

1995年、スイス・ルガーノのダッレ・モッレ人工知能研究所（IDSIA）に参加し、以後同研究所の中心的研究者として活動を続けている。2004年から2009年まではミュンヘン工科大学で教鞭を執り、2009年から2021年まではルガーノのルガーノ大学（USI）で人工知能学の教授を務めた。

2014年、教え子や研究協力者とともに、汎用人工知能の実用化を目指す企業NNAISENSEをルガーノに共同設立し、最高科学責任者(CSO)に就任した。同社は当初、金融・重工業・自動運転などへのニューラルネットワーク応用を掲げていたが、その後は金融市場向けの生成AIモデル「ラージ・インベスティング・モデル」（LIM）の開発に重心を移し、2025年にはドイツの資産運用会社ACATISに買収された。

2021年、サウジアラビアのキング・アブドゥッラー科学技術大学（KAUST）に人工知能イニシアティブのディレクターとして着任し、以後IDSIAとKAUSTを兼務している。同大学では生成AI卓越センターの共同議長も務め、医療・創薬・化学・ロボティクスなど幅広い分野へのAI応用研究を主導している。

学術的業績 シュミットフーバーの研究の中核は、再帰型ニューラルネットワーク（RNN）による系列データ処理と、自己改善的な学習アルゴリズムの理論化にある。

長短期記憶（LSTM） RNNにおける勾配消失問題の解決策として、ゼップ・ホッフライターとともに「長・短期記憶」（LSTM）、すなわちゲート機構を備えたRNNアーキテクチャを考案し、1997年に学術誌『ニューラル・コンピュテーション』に発表した。LSTMは発表当初こそ大きな注目を集めなかったが、2010年代に入るとGoogle・Apple・Amazon・Microsoftなどが音声認識・機械翻訳・スマートアシスタントに次々と採用し、モバイル機器上で日常的に利用される技術となった。

人工的好奇心と敵対的生成モデル シュミットフーバーは、1990年前後に自身が発表した「人工的好奇心」（Artificial Curiosity）と呼ぶ枠組み、すなわち予測を行うネットワークと予測誤差を最大化しようとするネットワークとを競わせる仕組みが、2014年にイアン・グッドフェローらが提案し広く普及した敵対的生成ネットワーク（GAN）の特殊形にあたると主張し、複数の論文や査読付き訂正記事で当時の非引用を指摘している。この主張をめぐっては、2016年の学会講演の場でグッドフェロー本人と直接やり取りする一幕もあり、両者の見解は現在も一致していない。

ゲーデルマシンと自己改善的問題解決 数学的に厳密な意味で「最適」であることが証明可能な自己改善型の汎用問題解決システムとして、クルト・ゲーデルの不完全性定理にちなむ「ゲーデルマシン」の概念を提案した。これは、自身のプログラムコードを書き換えることで性能を向上させる汎用人工知能の理論的定式化の一つである。

ハイウェイネットワークと超深層学習 2015年、弟子のルペシュ・スリヴァスタヴァおよびクラウス・グレフとともに、LSTMのゲート機構に着想を得て数百層規模の非常に深いニューラルネットワークを勾配降下法で直接学習可能にする「ハイウェイネットワーク」を発表した。この手法は、同年後半に発表された残差ネットワーク（ResNet）の設計に強い影響を与えたとされる。

深層学習史をめぐる論争 2015年、ヤン・ルカン、ヨシュア・ベンジオ、ジェフリー・ヒントンが学術誌『ネイチャー』に発表した総説論文「Deep Learning」に対し、シュミットフーバーは同年のうちに9項目からなる批判文を公表し、同論文がイワフネンコをはじめとする先行研究者への言及を欠いているとして異議を唱えた。この論争はその後も断続的に続いており、2024年から2025年にかけては、ジョン・ホップフィールドとヒントンに授与されたノーベル物理学賞についても、先行研究への評価が不十分であるとする見解を公表している。

自身の研究を包括的にまとめた総説論文「Deep Learning in Neural Networks: An Overview」（2015年）は900近い参考文献を持ち、分野の歴史的整理を試みたものとして広く参照されている。

主な著作・論文 J. Schmidhuber. Evolutionary principles in self-referential learning, or on learning how to learn: the meta-meta-... hook. Diploma thesis, Institut für Informatik, Technische Universität München, 1987. S. Hochreiter, J. Schmidhuber. "Long Short-Term Memory." Neural Computation, 9(8):1735-1780, 1997. J. Schmidhuber. "Learning Factorial Codes by Predictability Minimization." Neural Computation, 4(6):863-879, 1992. J. Schmidhuber. "Ultimate Cognition à la Gödel." Cognitive Computation, 1(2):177-193, 2009. R. K. Srivastava, K. Greff, J. Schmidhuber. "Highway Networks." arXiv:1505.00387, 2015. J. Schmidhuber. "Deep Learning in Neural Networks: An Overview." Neural Networks, 61:85-117, 2015. J. Schmidhuber. "Generative Adversarial Networks are Special Cases of Artificial Curiosity (1990) and also Closely Related to Predictability Minimization (1991)." Neural Networks, 2020. J. Schmidhuber. "Annus Mirabilis: 1990-1991." arXiv:2005.05744, 2020.

受賞・栄誉 2009年 - 欧州科学芸術アカデミー会員 2013年 - 国際ニューラルネットワーク学会ヘルムホルツ賞 2016年 - IEEE計算知能学会ニューラルネットワーク・パイオニア賞（「深層学習とニューラルネットワークへの先駆的貢献」に対して）

思想・考え方 シュミットフーバーは、現在主流の大規模言語モデル（LLM）による性能向上は、汎用人工知能（AGI）の実現とは異なる方向性の技術進歩だと位置づけている。彼は、「幼児が外部から大量のデータを与えられず、自ら行動して得た経験をもとに世界モデルを更新し、それを計画に役立てていく」点を強調し、企業が追求する短期的な株主価値の最大化と、科学が追求する未知の発見とは本質的に異なる目的を持つと指摘している。

意識や自己意識をめぐる議論についても独自の立場を取っており、これらは工学的に特別なものではなく、「より高性能な計算機とアルゴリズムの延長線上に実現しうる」と考えている。この立場は、人工知能を工学分野とみなすか、あるいは超知能的な新種の存在を生み出す神格的な領域とみなすかという論争において、シュミットフーバーが後者に近い立場を取っていることを示すものとして紹介されている。

また、研究業績の帰属（クレジット）の問題を科学界にとって本質的な課題と位置づけ、ある手法の発明者には発明者としての功績が、それを普及させた者には普及者としての功績が、それぞれ正しく帰属されるべきだという「クレジット割り当ての倫理」を繰り返し主張している。この立場から、2015年の『ネイチャー』総説論文批判をはじめとする一連の論争的な発信を行ってきた。

AIのもたらすリスクについては、既存の破滅的リスクを強調する立場とは距離を置き、AI技術の民主化――安価で強力かつ透明性の高いAIを誰もが利用できるようにすることこそが望ましい未来であるとの考えを示しており、2023年に一部の著名な科学者・起業家が署名した大規模AI実験の一時停止を求める公開書簡には署名していない。

発言 シュミットフーバーの思想の理解を助けるため、キーワードごとに分類した彼自身の説明等の発言を以下に引用する。

幼少期の目標 「10代の頃、物理学者としてアインシュタインのようになりたいと憧れていました。でも数年後には気づいたのです。自分の人生のうちに、どんな人間よりもずっと賢い人工の科学者を作り出せるかもしれない、そうすればその科学者が私には解けない問題をたくさん解いてくれて、私自身の限られた創造力を無限に増幅できるかもしれないと。この気づきが、その後の私の人生の方向を決めました。」 （原文："In the 1970s, as a teenager, I initially aspired to be a physicist like my awesome idol, Einstein. A few years later, I realized that within my lifetime, I might be able to create an AI scientist far more intelligent than any human, capable of solving many problems I couldn't, thus vastly amplifying my limited creativity. This realization set the course of my life."）

意識・自己意識 「一般論として申し上げれば、意識や自己意識というものは、世間で言われているほど大したものではないのです。」 （原文："Generally speaking, consciousness and self-awareness are overrated."）

研究業績のクレジット 「機械学習とは、そもそも功績を正しく割り当てるための科学なのです。機械学習コミュニティ自身が、そのメンバーへの適正な功績配分によって発展していきます。重要な手法を発明した人には、その発明の功績が認められるべきです。」 （原文："Machine learning is the science of credit assignment. The machine learning community itself profits from proper credit assignment to its members. The inventor of an important method should get credit for inventing it."）

汎用人工知能と大規模言語モデル 「今の大規模言語モデルをどれだけ大きくしても、人間のように学習する汎用人工知能にはあまり近づきません。赤ちゃんがどうやって学ぶかを考えてみてください。ウェブをダウンロードして学ぶわけではありませんよね。赤ちゃんは自分で考えた実験を通してデータを集め、それによって行動計画に使える適応的な世界モデルを少しずつ改善していくのです。」 （原文："It's just that the scaling of present LLMs has little to do with AGI that learns like humans learn. How does a baby learn? Not by downloading the web. It learns to collect data through self-invented experiments that improve its adaptive neural world model, which it can use for planning."）

超知能の未来像 「そう遠くない将来、超知能を備えたAIたちは太陽系に進出を始め、それから数百万年のうちには銀河系全体に広がっていくことでしょう。宇宙は、次なる、そしてさらに底知れない複雑さへの一歩を踏み出したがっているのだと私は思います。」 （原文："In the not too distant future, supersmart AIs will start to colonize the solar system, and within a few million years the entire galaxy. The universe wants to make its next step towards more and more unfathomable complexity."）

外部リンク

KAUST教員紹介ページ Google Scholar 著者ページ

脚注