大阪大学大学院生命機能研究科ダイナミックブレインネットワーク研究室 北澤 茂　教授と大阪大学大学院医学系研究科脳生理学研究室　山本 拓都さん（博士課程）　らは、動画を見るときの人間の視線計測データと人工知能（ViT）の「注意」を比較して、情報量を最大化する自発的な学習（DINO法の学習）をした人工知能が人間と極めてよく似た場所を見るように「育つ」ことを発見しました。一方で、画像識別を行うように「詰め込み」型の教育を受けたViTは、人間とは違うところを見るようになりました。
DINO法の学習をした人工知能は、一切「顔」の概念を教えていないのに、テレビ番組や映画のシーンを見せると、その場の主役を選んでその顔を見るようになりました。さらに、視覚心理学で注意の研究に使われる人工的な画像に対しても、人間とよく似た場所を見ることが明らかになりました。
ViTには、複数の注意の主体（ヘッド）が設定されています。さらに詳しく注意のヘッドを解析したところ、人間とよく似た場所に注意を向けるグループ１、場面に登場する人や物全体に注意を向けるグループ２，さらに背景だけに注意を向けるグループ３，の3群に分かれることが明らかになりました。
伝統的な心理学では、心は世界を注意の対象である「図」とそれ以外の「地」に分離するとされてきました（図地分離）。本研究のDINO法で育てたViTは、図を図の全体（グループ２）と図の中心（グループ１）に分けていました。人間の視線がグループ１と一致したことから、人間もViTのように世界を3群に分けて理解している可能性が示唆されます。
本研究の成果は、人と相性が良い人工知能の開発や、人間にとって自然な教育・学習法の開発・評価に応用されるものと期待されます。
本研究成果は、2025年5月21日に国際神経回路学会の機関誌電子版「Ｎｅｕｒａｌ Networks」に掲載されました。