AIライブラリ
デジタル主権の二重構造
欧州の脱パランティアとアメリカン・ビッグテックの鎖
金景珍（キム・ギョンジン）, 弁護士
欧州の情報機関と国防省が米パランティアの分析ツールを排除し始めた2026年の記録です。フランス国内治安総局とドイツ連邦憲法擁護庁、オランダ国防省の置き換え決定、米国の輸出規制が同盟国の人工知能アクセスをわずか3日で遮断した事件、CLOUD ActとFISA 702条がもたらした域外管轄の実態を扱っています。欧州連合のクラウド・AI開発法（CADA）が定めた4段階の主権保証レベルと主権理由による契約解除権、ユーロスタック構想と3,000億ユーロの投資障壁に至るまで、全5章15節と結論2節で整理しました。
[AI書房] 第8章 ポスドク研究と学際的取り組み
デミス・ハサビス、Google人工知能の父
第3部 脳、心の設計図
第8章 ポスドク研究と学際的取り組み
金京鎮
探索 2009年のある遅い午後、アメリカのマサチューセッツ州ケンブリッジ、チャールズ川沿いを歩いていたデミス・ハサビスの頭の中では、二つの異なる世界が衝突していました。彼の背後には世界最高峰の工科大学であるMITがそびえ立ち、川の向こう岸にはハーバード大学の赤い煉瓦造りの建物が見えました。この地理的な風景は、当時のハサビスが置かれていた知的な立ち位置を正確に象徴する比喩のようでもありました。
彼はロンドン大学（UCL）で、記憶と想像力に関する脳科学の博士号を取得したばかりでした。通常の科学者であれば、ここで選択を迫られるはずです。「脳を研究する生物学者になるか、それともコードを書くコンピュータ・エンジニアになるか」。しかし、ハサビスは両方を選択しました。
彼はこれら二つの世界を繋ぐ架け橋になることを決意し、大西洋を渡ってMITのマグオーバー脳研究所（McGovern Institute）へと向かいました。彼が訪れたのは、トマソ・ポッジオ（Tomaso Poggio）教授の研究室でした。ポッジオ教授はコンピュータビジョン（Computer Vision）分野の巨匠であり、人間の脳が物を見る仕組みを数学的にモデル化することに生涯を捧げた人物でした。
ハサビスがここを選んだ理由は明確でした。当時、人工知能の研究は「冬」と呼ばれる停滞期にありましたが、ポッジオ教授の研究室だけは例外だったからです。そこでは、生物学的な脳の原理をコンピュータのアルゴリズムへと変換しようとする試みが、活発に行われていました。
ハサビスはここで、「脳を理解すれば知能を作ることができる」という自身の仮説を検証するための、完璧な環境に出会いました。この時期、ハサエビスはイギリスのウェルカム・トラスト（Wellcome Trust）財団から、「ヘンリー・ウェルカム・フェローシップ（Henry Wellcome Fellowship）」という非常に特別な支援を受けていました。このフェローシップは、若い科学者に対して、研究テーマと場所を自由に選択できる破格の権限と予算を付与するものでした。
おかげでハサビスは、特定の教授のプロジェクトに縛られることなく、自身の壮大な目標である「汎用人工知能（AGI）」に向けた基礎設計を築くことができました。
彼はMITとハーバードを自由に行き来しながら、当時の最高峰の知性と交流しました。ハサビスはハーバード大学の研究室を訪れて最新の脳スキャンデータを分析し、再びMITに戻ってはそのデータを処理するための機械学習モデルを構想しました。
この過程で、彼は生物学的な脳が持つ驚異的な効率性に注目しました。人間の脳は、わずか20ワット（W）程度のエネルギーだけで、複雑な世界を認識し、歩き、会話をし、新しいことを学びます。一方、当時のコンピュータは、膨大な電力を消費しながらも、猫と犬を区別することさえ困難でした。ハサビスは、この格差を埋める鍵は「計算神経科学（Computational Neuroscience）」にあると確信しました。
これは、脳の神経細胞が信号をやり取りする方法を数学的な公式に書き換える学問です。彼は、脳の視覚野が情報を段階的に処理する方法を、ディープラーニング（Deep Learning）技術に融合させる可能性を探求しました。MITの雰囲気は、情熱的でありながらも実用的でした。
ハサビスは現地の研究員たちと夜遅くまで議論を重ね、自身のアイデアを磨き上げました。彼は、以前に自身が作成したゲーム内の人工知能が示した限界を、痛切に感じていました。ゲーム内のキャラクターたちは、プログラマーがあらかじめ入力したルールの中でしか、賢く見えなかったのです。
しかし、ハサビスが求めていたのは、未知の環境に放り出されても自らルールを習得できるような、真の知能でした。彼はポジオ教授との研究を通じて、人間の脳が視覚情報を処理する際に見せる「階層構造」こそが、その答えの一つであることに気づきました。私たちが物を見る時、脳はまず単純な線や色を認識し、それらを組み合わせて形を作り、最終的に「これは自動車だ」という概念を形成するのです。
この生物学的な階層秩序は、後にDeepMindの人工知能が、画面上のピクセル（Pixel）を見るだけでブロック崩しゲームを攻略することを可能にする技術的基盤となりました。アメリカでの時間は、ハサビスにさらなる財産をもたらしました。それは「野心の大きさ」です。シリコンバレーとボストンの学術的な雰囲気の中で、彼は研究が単に論文を書くことで終わってはならないということを学びました。
偉大な研究は、世界を変える技術として具現化されなければなりませんでした。彼はここで出会った仲間たちに、「私たちは知能を理解するのだ」と臆することなく語りかけることがよくありました。ある人は彼を大口を叩く人間だと思ったかもしれません。
しかし、ハサビスの頭の中では、ゲーム開発者としての経験、脳科学者としての知識、そして機械学習という道具が、すでに一つに融合しつつありました。今や、これらすべての材料を携えて、故郷であるロンドンに戻り、人類史上最も大胆なスタートアップを開始する準備が整ったのです。ヘンリー・ウェルカム・フェローシップ（Henry Wellcome Fellowship）およびUCLゲッツビー計算神経科学ユニット。2010年、デミス・ハサビスはアメリカでの生活に区切りをつけ、ロンドンへと帰国しました。
彼の次の目的地は、ユニバーシティ・カレッジ・ロンドン（UCL）に位置する「ゲッツビー計算神経科学ユニット（Gatsby Computational Neuroscience Unit）」でした。一般の方々には馴染みのない名前かもしれませんが、人工知能の研究者にとって、ここは伝説的な聖地とも言える場所です。ここは、後にノーベル物理学賞を受賞することになるジェフリー・ヒントン（Geoffrey Hinton）教授が設立を主導した場所であり、世界中から最も聡明で数学的な頭脳が集まり、人類の知能の謎を解き明かそうとする場所でした。
ハサビスがここを選んだのは、偶然ではありませんでした。自分が構想していた「ディープマインド」という種を芽吹かせることができる、唯一の土壌であることを直感したのです。ハサビスがゲッツビー・ユニットに加わることができたのは、前述の「ヘンリー・ウェルカム・フェローシップ」のおかげでした。
このフェローシップは、彼に経済的な自由だけでなく、研究の方向性を自ら決定できる知的な独立性を保証してくれました。当時、ゲッツビー・ユニットはピーター・デイアン（Peter Dayan）教授が率いていました。デイアン教授は理論神経科学の大家であり、脳がいかにして学習し、報酬（Reward）を処理するのかを数学的に解明した人物でした。
ゲッツビー・ユニットは、脳科学と機械学習が融合する溶鉱炉のような場所でした。ユニットの雰囲気は非常に熱を帯びていました。研究者たちは、生物学的な脳の実験データと、複雑な確率統計学の間を絶え間なく行き来していました。
ハサビスはここで、長年の友人であり、後にディープマインドの共同創設者となるシェーン・レグ（Shane Legg）と出会いました。二人は昼食のたびに、大学の近くのサンドイッチ店やパブ（Pub）に座り、何時間も語り合いました。会話のテーマはただ一つ、「いかにして人間レベルの人工知能（AGI）を構築するか？」でした。当時の学界では、AGIという言葉を口にすることさえタブー視されるような雰囲気でした。
人工知能の研究は、特定の課題のみを解決する「特化型AI（Narrow AI）」の枠内に留まっており、人間のような汎用的な知能について論じることは、空想科学小説（SF）の類として扱われていました。
しかし、ゲッツビー・ユニットの自由で根本的な探求の雰囲気の中で、ハサビスとレグはその禁忌を破る勇気を得ました。ハサスビスはゲッツビー・ユニットで研究に励む間、「システム神経科学（Systems Neuroscience）」を深く掘り下げました。
これは、脳の個々の細胞ではなく、脳全体が一つのシステムとして、どのように情報を統合し、記憶を保存し、未来をシミュレーションしているのかを研究する分野です。彼は脳の「海馬（Hippocampus）」が果たす役割に注目しました。海馬は、私たちが眠っている間に、日中の経験をまるでビデオを巻き戻すかのように高速で再生（Replay）し、記憶を強化するのです。
ハサビスは、この生物学的なメカニズムこそが、人工知能の学習効率を飛躍的に高める鍵になると考えました。ここでの経験は、ハサビスに「ハイブリッド（Hybrid）」の力を教えてくれました。彼は純粋な脳科学者たちの間ではコンピュータ・アルゴリズムの明快さを語り、機械学習エンジニアたちの間では脳の柔軟性について語りました。
二つの集団が使う言語は異なりますが、結局のところ、同じ問いを解こうとしているのだと彼は気づきました。それはまさに、「知能とは何か」という問いです。ゲッツビー・ユニットで過ごした時間は、ハサビスがDeepMindを創業する直前の、最後のインキュベーティング期間でした。
彼はここで最新の理論を吸収するにとどまらず、それらの理論を実際に動作するコードへと実装する仲間を集め始めました。ゲッツビー・ユニットは、ハサビスに「学術的な厳密さ（Rigour）」という贈り物を授けました。彼は単に「いけそうだ」という直感に頼るのではなく、数学的に証明可能で、生物学的に妥当なモデルを構築する方法を学んだのです。
ここで築かれた理論的基盤は、後にAlphaGoが囲碁の複雑さを打破して勝利を収めるための糧となりました。ハサビスが2010年にDeepMindを設立した際、会社の初期メンバーの多くがこのゲッツビー・ユニットの出身者、あるいは同ユニットと縁のある人物であったことは、決して偶然ではありません。ヘンリー・ウェルカム・フェローシップが提供した時間と自由、そしてゲッツビー・ユニットという知的共同体は、若き日のハサビスを世界的なAIリーダーへと変貌させる決定的な試練の場となりました。「強化学習とドーパミン・システムの神経科学 ＋ 計算 ＝ 汎用学習の鍵」。ロンドンの曇り空の下でも、ユニバーシティ・カレッジ・ロンドン（UCL）の研究室は知的な熱気に包まれていました。ここで出会ったピーター・デイソン教授は、ハサビスが長年抱き続けてきた問いに答えを与えてくれる、
まさに「賢者」のようでした。ピーター・デイソンは計算神経科学（Computational Neuroscience）分野の先駆者の一人であり、私たちの脳がいかにして報酬を通じて学習するかを数学的に証明した人物でした。ハサスビスとデイソンの出会いは、あたかも1980年代のAppleにおけるスティーブ・ジョブズとウォズニアックの出会いのように、異なる才能が完璧に噛み合う瞬間でした。
彼らが共に探求した核心的なテーマは「強化学習（Reinforcement Learning）」でした。強化学習を簡単に説明するならば、子犬の訓練プロセスに似ています。子犬が「お座り」という命令に従って座ったら、おやつを与えます。すると、子犬は「座るという行動」と「おやつ（報酬）」を結びつけるようになり、次第にその行動がより正確になっていくのです。
しかし、ハサビスとデイビッドの関心は、これを生物学的な側面とコンピュータ・アルゴリズムの側面から同時に説明することにありました。ピーター・デイビッドは1990年代半ば、脳内における神経伝達物質「ドーパミン（Dopamine）」の役割を再定義しました。一般的にドーパミンは「快楽のホルモン」と考えられがちですが、デイビッドとその仲間たちは、ドーパミンが「報酬予測誤差（Reward Prediction Error）」を信号化している事実を突き止めたのです。
これは何を意味するのでしょうか。例えば、あなたが自動販売機でコーヒーを買おうとした際、小銭が出てこなかったと仮定してみましょう。このとき、あなたの脳は「コーヒーを期待している」状態から「何も得られなかった」という結果に直面します。期待と実際の結果の差、これこそが「予測誤差」です。このとき、脳のドーパミン細胞は活動を停止、あるいは急激に減少させ、「失望」という信号を送ります。逆に、もし自動販売機からコーヒーと一緒に、思いがけず一万円札が出てきたらどうでしょうか。期待値を大幅に上回る報酬が与えられたため、ドーパミン細胞は爆発的に反応します。これが「正の予測誤差」です。
ハサビスは、この生物学的な発見がコンピュータ科学における「TD学習（Temporal Difference Learning）」アルゴリズムと正確に一致していることに、震えるような感動を覚えました。コンピュータ科学者たちが機械を学習させるために考案した数学的公式が、実は数億年も前から私たちの脳内で働いていたのです。これは、とてつもない発見でした。
なぜなら、「人工知能を作るために、宇宙人の技術を発明する必要はない。すでに私たちの頭の中にある設計図を模倣すればよいのだ」という確信を与えてくれたからです。
ハサビスは、ピーター・デイソンとの共同研究を通じて、単にデータを分類するAIではなく、「自ら行動し、その結果から学ぶAI」の可能性を見出しました。当時、AI研究の多くは、写真を見て猫か犬かを判別する「教師あり学習（Supervised Learning）」に重点が置かれていました。つまり、正解が用意された問題を解く手法です。しかし、強化学習には正解がありません。
エージェント（AI）が環境と相互作用しながら、数万回もの試行錯誤を経て、自ら戦略を見つけ出していく方式です。これは、幼い子供が歩き方を学ぶ過程とよく似ています。転び、痛みを感じ、再び立ち上がることで、バランスの取り方を自ら習得していくのです。
この研究は、ハサビスに「汎用性（Generality）」に関する重要な手がかりを与えました。ドーパミン・システムは、私たちが自転車の乗り方を学ぶときも、楽器を演奏するときも、囲碁を打つときも、同様に機能します。つまり、脳にはあらゆる種類の学習を司る「一つの統合されたアルゴリズム」が存在するのではないか、という仮説が成立するのです。
ハサビスは、もしこの「一つのアルゴリズム」をコンピュータ上に実装できれば、そのAIは囲碁に強いだけでなく、タンパク質の構造を解明し、気候変動問題をも解決できるはずだと信じていました。ピーター・デイソンとの研究室で過ごした時間は、後にDeepMindが「汎用学習アルゴリズムを創る」という設立ミッションを掲げる際の、決定的な理論的基盤となりました。人間の脳に見出したAIアルゴリズムのヒント：DQNの理論的基盤。ハサビスがピーター・デイソンと共に研究して得た洞察は、2013年にDeepMindが発表した最初の成果である「DQN（Deep Q-Network）」として具体化されました。
DQNは、DeepMindがその名を世界に知らしめるきっかけとなり、Googleがロンドンの小さなスタートアップであった同社を5,000億ウォンを超える巨額で買収する決定打となった技術でした。この技術の核心となるアイデアは、驚くべきことに、ハサビスが博士課程で研究していた脳の「海馬（Hippocampus）」から着想を得たものでした。DQNは、1980年代の古典的なビデオゲームである「Atari」のゲームを、人間よりも上手くプレイできるように設計されました。
しかし、このAIにはゲームのルールは教えられていません。与えられたのは、画面のピクセル情報（視覚）とスコア（報酬）のみでした。最初はAIもランダムにボタンを押して的外れな行動をとっていましたが、時間が経つにつれて、自らスコアを獲得する方法を習得していったのです。
ところが、ここで一つ致命的な問題がありました。コンピュータが連続的なゲーム画面を学習する際、データ同士が酷似しすぎているため、
学習が不安定になったり、忘却が生じたりする現象が発生したのです。これは「破滅的忘却（Catastrophic Forgetting）」と呼ばれます。この困難を前に、ハサビスは脳科学者としての知見を活かしました。「人間は、どのようにして新しいことを学びながら、古いことを忘れないのだろうか？」
このプロセスを通じて、短期記憶が長期記憶へと強固に保存されます。ハサビスはこの生物学的な原理を、そのままAIのコードに適用しました。彼は、AIがゲームを通じて経験した数多くの場面や出来事を即座に破棄せず、「エクスペリエンス・バッファ（Experience Buffer）」という保存領域に蓄積させるようにしたのです。
そして学習の際には、現在の経験だけでなく、保存領域にある過去の経験をランダムに取り出して、同時に学習させました。これこそが、DQNの核心技術である「経験再生（Experience Relegation）」です。そして、それは大きな効果をもたらしました。
AIの学習は驚くほど安定し、性能は爆発的に向上しました。ブロック崩し（Breakout）において、DQNが見せた姿はこのようなものでした。最初はボールに当てることさえできなかったAIが、300回の学習後には完璧にボールを打ち返し、500回を超えると、誰も教えたことのない「タネリング（Tunneling）」という戦略を自ら発見したのです。
それは、ブロックの一端を集中的に削って穴を開け、ボールをその奥へと送り込むことで、残りのブロックを次々と崩していく高度な技術でした。デビッド・シルバーをはじめとするディープマインドの研究員たちは、深夜3時にモニターの前でこの光景を目の当たりにし、言葉を失いました。それは、機械が創造性を発揮した瞬間でした。
ピーター・デイジョンとの研究を通じて確立された「報酬による学習」理論と、ハサビスが脳科学から取り入れた「記憶の再生」メカニズムが融合して誕生したDQNは、単なるゲームAIではありませんでした。それは、生物学的知能の原理がシリコンチップの上でも機能し得ることを証明した、歴史的な出来事でした。脳で見出したヒントが、AIアルゴリズムの決定的なパズルのピースとなったのです。
この成功は、ハサビスに「私たちは正しい道を歩んでいる」という確信を与えました。この確信は、後に囲碁の盤上で人類を驚愕させることになるAlphaGo（アルファ碁）の誕生へと続く、壮大な旅の幕開けでした。
ハサビスにとってDQNは、人間の脳を模倣して作られた最初の「考える機械」の原型（プロトタイプ）でした。生物学的ニューロンと人工ニューロンの構造比較
