『知能とは何か』（2025年）は、AIを不気味な異質な知性ではなく、進化、協力、予測という生命の長く入り組んだ物語の自然な延長線上にあるものとして位置づけ直します。細菌、脳、都市、ニューラルネットワークを結びつけ、システムが自らと世界をモデル化することを学ぶ場所ではどこでも知能が立ち現れる様子を示します。AIの過去、現在、未来を辿りながら、その中での私たちの立ち位置を描き出します。
この要約で得られるもの――人工知能の進化に対する新しい視点
タイトルが示す通り、この要約では知能という概念を大局的に見ていきます。それだけではありません。著者の大胆なメッセージを展開します。それは、現代のAIは巧みな模倣などではなく、あらゆる生物の心を駆動する基本原理である「予測」に基づいた、本物の知能の発現であるということです。主な主張は、知能を生物学ではなく計算の観点から捉えるべきだというものです。
予測を知能のエンジンとして理解することで、すべてが再構成されます。生命の始まり、生物の生存戦略、なぜ大規模なAIモデルが突然これほどうまく機能するのかまで。この視点によって、「AIは本当に知的か」といった古びた議論を脇に押しやり、もっと大きな物語に目を向けることができます。つまり、予測が分子から心へとスケールし、今や機械へと拡張され、これらの新しい共生的知能が私たちの世界をどう変えうるのか、という物語です。では、約40億年前、生命が初めて形を成した頃にさかのぼってみましょう。
すべての始まり
地球の歴史を最も古い場面、約46億年前まで巻き戻すと、今日とはほとんど似ても似つかない世界が広がっていました。これは「冥王代」と呼ばれる時代で、溶岩の海、分厚い火山ガスの空、大気を沸騰させるほどの小惑星の衝突にさらされた地表が広がっていました。どういうわけか、この混沌の中で生命の化学が醸造され始めたのです。
その正確な火付け役は永遠に分からないかもしれませんが、有力な理論の一つは深海を舞台にしています。熱水噴出孔――鉱物と熱から築かれた塔のような構造――の内部では、水、ガス、岩石が微細な多孔質の小部屋の中で相互作用します。これらの孔は、自己維持的な化学反応の連鎖を駆動する微小な電池のようなものを自然に作り出し、それは現在もすべての細胞の中で息づいている代謝「モーター」によく似たサイクルを形成します。まるで、私たちの細胞が初期の海の記憶を宿しているかのようです。生命が形を成すにつれて、大胆な跳躍がありました。あるとき、古細菌の細胞に細菌が飲み込まれ、消化されずに同盟を結び、ミトコンドリアが生まれました。これにより多細胞生物、神経系、動物、そしてついには私たちへの扉が開かれたのです。
「共生」と大きな進化の飛躍は生物学に限りません。テクノロジーも同様のバーストで進化しました。それぞれのブレークスルーは、別々の部品が組み合わさって新しいものを生み出すことで起こりました。たとえば、石、木、腱を組み合わせて狩猟具を作るようなことです。さて、生物学的な生命とコンピューティングとの間に類似点を見いだすことにためらいを感じる人もいるかもしれませんが、アラン・チューリングやジョン・フォン・ノイマンのような初期のコンピュータの先駆者たちはその関連性を認識していました。彼らは、命令を読み取り、その命令を修正し、さらには自分自身のコピーを作ることができる機械を想像しました。これはまさにDNAが果たしている自己複製の論理そのものです。ですから、細胞は化学と計算の両方を兼ね備えている、と言ってもほとんど飛躍ではありません。簡単に言えば、複製には計算が必要なのです。
自然界では、リボソーム、酵素、モルフォゲンといった何百万もの小さなエージェントが、並行して動作し、ランダム性と局所的なルールを使ってより大きな統一機能を達成します。同じ原理が最近の実験でも見られました。2023年、研究者たちは、同様の突然変異や自己複製パターンが出現するかどうかを見るために、デジタル版の原始スープ環境を再現しようと試みました。そのスープには、基本的なコードとデータを含み、自分自身を修正する能力を持つ数千の単純なデジタルテープが投入されました。
案の定、何百万回もの相互作用の後、テープは実際に複製を始めます。突然、「相転移」が起こり、ノイズから自己複製パターンへと移行するのです。ランダム性から複製子が出現し、複製子が存在すると進化が支配的になります。次のセクションで見るように、その複雑さの高まりは知能へとつながっていくのです。
最も基本的なレベルでの知能
非常に基本的なレベルでは、知能とはすべて生存のためです。もし視点を大幅に拡大して、一匹の細菌がその液体の世界を漂う様子を観察すれば、知能の核心が形作られるのを見ることができます。私たちが通常思い描くような、ニューロンが発火し思考が湧き上がるようなものではなく、ただ細胞を瞬間から瞬間へと生かし続けることだけを役目とする、最小限の削ぎ落とされたバージョンです。生命はただ盲目的に複製するだけでは済まないのです。
自分自身を作り上げ、維持し、そしてそれを決して静止しない現実の環境の中で行う方法が必要です。その乱雑さがすべてを変えます。つまり、生命システムは、その繊細な化学を守るための境界――膜――を必要とするのです。しかし、その境界は密閉されるわけにはいきません。生き残るためにはエネルギーと物質が流入し、流出しなければならないからです。入力と出力は基本的に生きていることのコストですが、あらゆる入力は情報でもあります。あらゆる生物は、何を消費し何を避けるべきかを知らなければなりません。
それが知能の最初のきらめきです。情報を使って生き続けること。内部では、細菌はごく小さな制御ネットワークを持っています。遺伝子とタンパク質でできた生化学的な「脳」が、空腹度、エネルギーレベル、あらゆる微細な内部状態を監視しています。これらの内部信号が外部の信号とブレンドされ、行動を導きます。その行動は単純ですが巧妙で、知的とさえ言えます。多くの細菌は「鞭毛」と呼ばれる小さな回転プロペラを使って泳ぎ、餌に向かって泳ぐ際には「今」と「ほんの少し前」を比較しています。
餌のにおいが強くなっているときは、より長くまっすぐに泳ぎます。弱くなっているときは、より頻繁に方向を変えます。餌であれ、熱であれ、光であれ、細菌は同じ戦略を使います。つまり、時間の経過に伴う一連の小さなランダムな出来事だけを用いてパターンを推測するのです。言い換えれば、統計と確率を使って問題を解決しているのです。このすべての目的は「恒常性」――内部状態を快適な範囲に保つことです。ですから、私たちはこれを、外部入力（X）、内部状態（H）、可能な行動（O）という三つの流れを同時に結びつける計算モデルで表現することもできます。
この同時分布P(X,H,O)が、その生物の世界観全体です。それは、外界に何があるかだけでなく、もし走ったり、方向転換したり、遺伝子のスイッチをオン・オフしたら何が起こるかを予測します。ここで進化が登場します。何世代にもわたって、集団はより良い内部モデルへと自らを調整していきます。より無駄がなく、より汎用的で、より予測力のあるモデルへ。そして、ひとたび生物が自分自身を含む世界のモデル――自分の行動を形作り、その行動が将来を形作るモデル――を持つようになると、その細菌には目標が生まれます。生き続けること。その目標が目的性の種であり、それが知能の始まりであり、その後に続くすべてのものの基盤となるのです。
コンピュータはいかにして賢くなったか
18世紀への変わり目に早送りしましょう。啓蒙時代のスターの一人、ドイツの数学者で哲学者のゴットフリート・ヴィルヘルム・ライプニッツは、機械式計算機の時代の先駆けとなりました。ライプニッツは、計算のより広範で高尚な用途を最初に見抜いた人物の一人でした。彼は、あらゆる命題に真か偽かの答えを出せるアルゴリズムを夢見ていました。それは、哲学者たちが会計士が帳簿を合わせるように議論を解決する日です。しかし、その後数世紀の間、ライプニッツの夢は商業主義の陰で後回しにされました。
18世紀から19世紀にかけて、計算と初期のコンピュータは産業革命の到来を加速させました。イギリスの数学者チャールズ・バベッジが生み出した「解析機関」のような機械のおかげで、機械式計算機は工場の現場を拡張するものとなりました。それでも、より大きな可能性を認識していた人々が数人いました。イギリスの数学者エイダ・ラブレスにとって、解析機関のようなコンピュータは、機械、数学、そして生命を形作るパターンそのものを結びつける一般理論へと導く可能性がありました。彼女は、私たちがいずれ「神経系の微積分学」を発見するかもしれない未来を見通していました。1900年代初頭までに、神経科学がついに追いつきました。
実験によって神経系の電気的スパイクが実際に検出され、これが「ニューロンは論理ゲートであり、脳は一種の解析機関なのかもしれない」という大胆なアイデアにつながりました。1943年、二人のアメリカ人科学者、ウォーレン・マカロックとウォルター・ピッツはこの見解に完全に賭け、ニューロンを論理ゲートとして描いたモデルを提案し、これが後にデジタルコンピュータの設計に影響を与えました。こうしたコンピュータは離陸し、高速で正確、従順な二値思考のエンジンとなりました。そしてそれらは「GOFAI（古き良き時代の人工知能）」の基調を定めました。機械は論理的で合理的なロボットであり、人間は直感的で感情的な存在である、と。やがて科学者たちが人間の脳をさらに詳しく調べると、ニューロンは単純な論理ゲートのようには振る舞わないことが分かりました。それらは複雑で非線形な動的システムのように振る舞っていたのです。
脳は定理証明器というより、それが属する生きた、呼吸する、乱雑な生物そのもののように見えました。しかし、GOFAIモデルは実装が容易だったため先に進み、一方でより人間らしいAIは、ほとんど忘れ去られた「サイバネティクス」という分野に居場所を見つけました。これは、心と機械を予測エンジンと見なす考え方でした。経験から学び、自らを調整し、不確実性に適応し、世界とのフィードバックループを閉じるシステムです。それは、純粋な論理ではなく、生物学、行動、フィードバック、予測に根ざした世界観です。
バッチ処理ではなく、サイバネティクスはリアルタイムのフィードバックループに焦点を当てました。世界を感知し、それに作用し、常に行動を更新するシステムです。砲塔、爆撃照準コンピュータ、初期のフライトシミュレータはすべてこのように動作しました。しかし、サイバネティクスの理論は壮大でしたが、テクノロジーが追いつくにはもう少し時間がかかりました。しかしその間も、サイバネティクスの核心的な洞察――知能は予測、フィードバック、学習、連続値から創発する――は決して消え去ることはありませんでした。
すべては予測にある
では、サイバネティクスの初期のよちよち歩きが、どのようにして現代のAIの進歩につながったのでしょうか？細部までは立ち入れませんが、「パーセプトロン」について触れないわけにはいきません。パーセプトロンは最も単純な種類の人工ニューロンであり、それを束ねて大量の写真を与え、バナナのようなものを認識するよう依頼することができます。しかし、機械が試行錯誤を通じてバナナを識別する方法を学ぶための真の能力は、計算です。
その計算こそが、機械が学習することを可能にします。つまり、正しい決定を下したときにニューロンが肯定的に発火することです。これは活性化関数として知られており、最も一般的に使用されるものの一つが「ReLU」（正規化線形ユニットの略）です。この名前は少し誤解を招きやすいです。なぜなら、ReLUは非線形問題解決の偉業であり、バナナがどのような照明、角度、熟度で撮影されようとも、機械がそれを認識することを可能にするからです。生物学的に言えば、それはニューロンが好ましいパターンが十分に強く現れたときだけ発火するようなものです。このプロセスが繰り返しの予測ルーティンになると、転移学習と呼ばれるものがかみ合います。AIが、全く異なる対象に対しても同じパターンのいくつかを適用し始めるほど学習した状態です。そのため、ほんのわずかな例を示すだけでバナナのパーセプトロンにリンゴを認識するパーセプトロンをうまく追加できるのです。
そしてそれが教師なし学習の舞台を整えます。何百万もの画像にラベルを付ける代わりに、ランダムな部分をマスクし、ネットワークにそれらを「修復」するよう求めます。つまり、空白を埋め、欠けているものを予測させるのです。それをうまくやれば、暗黙のうちに世界を学習したことになります。エッジ、色、物体、奥行き、カテゴリーなど、ほぼすべての下流タスクに必要な表現を構築したのです。これは言語モデルが欠けている単語で行うのと同じトリックです。予測とモデリングは同じコインの裏表なのです。
私たち自身の視覚システムも、生涯にわたるマスク付きオートエンコーダの訓練のようなものを実行しています。私たちが「見ている」もののほとんどは、低解像度でノイズが多く、あるいは隠れています。しかし、私たちは絶えず目を動かし、推測をチェックし、ギャップを埋めているため、驚くべき内部モデルを構築しているのです。意識に上るのは生の入力ではなく、その再構成です。そして人間の脳は、膨大で重なり合ったニューロンの集合体を持っていますが、ある瞬間に発火しているのはそのほんの一部に過ぎません。それは生物学的必然であると同時に、効率性の問題でもあります。脳自体は信号を前方に送るように構築されたシステムですが、学習自体は後方に走らなければなりません。
すべてはフィードバックなのです。筋肉、感覚、神経調節物質…それらすべてが情報を上流に送り、ニューロンの振る舞いを変えます。進化的学習、神経学習、機械学習は、実際には同じ原理の異なるバージョンです。それは「動的で安定した共生的予測」です。生物は未来を予測し、自分自身を予測し、互いを予測することによって生き延びます。それを多くのタイムスケールにわたって行うこと。それが知能の根源です。ラベルでも、単一の報酬でもなく、展開する世界の継続的なモデル化こそが知能なのです。
今日のAIを支える知能
この要約を締めくくる前に、私たちのほとんどがある程度親しんでいるAIの一分野、言語モデルについて見ていきましょう。ChatGPTのような製品はかなりのブレークスルーと見なされましたが、言語を少しだけ台座から降ろしてみましょう。確かに、人間は非常に高度なレベルで言語を使いますが、多くの動物も豊かにコミュニケーションをとります。イルカ、クジラ、オウム、プレーリードッグでさえ、驚くほど詳細な警告音を持っています。言語について最終的に重要なのは、それが「何をするか」です。それは、心が互いに自分自身を明らかにすることを可能にします。
それは基本的に、社会的な圧縮システムです。あなたの脳は、この大きくて乱雑で感覚に浸された内的世界を、他の誰かが理解できるコンパクトなコードに圧縮します。そのコードは、痛みの叫びであることもあれば、『ハムレット』であることもあります。言語がなければ、私たちは他人が考えていることを推測することしかできませんが、言語があれば、記憶、計画、抽象概念、そして「心の理論」のすべての層、つまり他人の考えについての考えを交換することができます。言語にはいくつかのマイルストーンがあり、最も難しいトリックは合成性と抽象を表現する能力です。しかし、システムが「自分」「他者」「来週」「もしかしたら」「もし～ならば」といったものを記号化できるようになれば、想像できるほぼどんな心的宇宙でも記述できるものを手に入れたことになります。
かつて言語モデリングは文法規則や記号論理に依存しており、自然言語は整然としていないため、それは決してうまくいきませんでした。ニューラルネットワークがすべてを変えました。特に、次のトークン予測、つまり、先行する単語に基づいてシーケンス内の次の単語（トークン）をモデルに予測させるプロセスで訓練されたときです。この種の予測は、モデルに人間が世界について知っているほとんどすべてを学習させます。もしシステムが「私はボウリングの球をバイオリンの上に落としたので、それを（空欄）しなければならなかった」の後に正しい単語を推測できるなら、何を修理する必要があるかを理解するのに十分な言語と物理の両方を理解しているはずです。AI言語モデルの進化は、「RNN」から「Transformer」への移行として見ることができます。RNNは機械学習フレームワークで、長距離記憶に苦労していました。
そのフレームワークがTransformerにアップグレードされたとき、その問題は解決されました。Transformerは、ある種の新しい「注意」を生み出し、モデルが各単語に他の任意の単語を「見させる」ことを、文脈内で可能にしました。それは豊かで並列的な推論の余地を作りました。奇妙なことに、Transformerは生物学を模倣するようには設計されていませんでしたが、そのツールは海馬やグリッド細胞システムに見られるものを反映していました。しかし、Transformerには奇妙な癖もあります。それは、どのように計算したかを覚えていないのです。各トークンは内部の連続性なしに新たに生成されます。
そのため、数学の問題を正しく解いてから、でたらめな説明をすることがあります。これが起こった場合、必要なのはモデルに「ステップバイステップで考えて」と促すことだけです。学生が途中計算を書くように、モデルは推論を細かく分解するとより良いパフォーマンスを発揮します。これは、言語が思考の足場であることを示しています。ステップバイステップの推論がAIのパフォーマンスを向上させるのは、それが人間が知識を構築し蓄積するのを助けるのと同じなのです。
知能のブレークスルーの光と影
最後に、人工知能の未来がどうなるかを見て締めくくりましょう。現時点では、AIは正確には人間の知能と同じレベルにはありませんが、実際には他の生命体に見られる知能にかなり近いものがあります。たとえば、ミツバチは、柔軟な学習、汎化、長期の作業記憶、さらには抑制や遅延報酬まで、私たちが認知能力とみなす一連の能力を示します。彼らは奇妙な状況に適応する方法で巣を建設・修復し、感覚を超えた形やパターンを認識し、過去の嫌な経験に基づいて慎重な選択をします。
言い換えれば、彼らは私たちが推論と呼ぶかもしれないものの「小さな脳バージョン」を実行しているのです。これらすべては、Transformerも可能な種類の知能です。小さなモデルでさえ、短い物語を読み、それについて推論することができます。それは彼らをほぼミツバチの脳の範囲に入れます。さて、人々がAIの軌道について語るとき、彼らはしばしばきちんとした三幕構成を思い描きます。つまり、狭いAI、汎用AI、そして超知能とその先のシンギュラリティです。実際には、汎用性への飛躍はすでに――静かに――起こりました。巨大なシーケンスモデルを事前訓練し、それらと対話的に会話し始めたときに。
そのスイッチが入ると、進歩は一連の閾値のようには見えなくなり、長く急な登りのように見え始めました。これは以前に見たパターンです。初期のコンピュータは専門的な装置でしたが、プログラム可能なデジタル時代の汎用コンピューティングが到来すると、その後はすべてが滑らかな指数関数的曲線で加速しました。AIも同じ脚本をたどっています。大きな移行はすでに起こっており、私たちが今目撃しているのは加速段階です。しかし、おそらくもっと興味深い問いは、これが地球上の生命にとって何を意味するかです。
こうした技術的移行は物事を再形成します。農業、都市、産業、電力――それぞれの飛躍は、私たちが物事を行う方法、誰が誰に依存するか、情報の流れ方を再配線します。AIも次の飛躍になる可能性は十分にあります。それは機械が私たちを置き換えるからではなく、人類が自らをより大きな集合精神へと織り込んできたからです。それぞれの主要な移行は、個人の自給自足性を低下させ、インフラへの依存を、ときに恐ろしいほど高めてきました。狩猟採集民は野生で何日も独りで生き延びられますが、都市居住者は電気、送水ポンプ、サプライチェーン、通信システムなしでは一日も生きられません。
技術的共生の新しい層が加わるたびに、私たちの能力と脆弱性の両方が高まります。AIの台頭はそのパターンを継続します。まだほとんど理解できていない新たな依存関係に包まれた、計り知れない新しい力を伴います。これが正確な見方かもしれません。AIを、すでに進行中の私たちの進化の物語における変化として扱うことです。知能はより集合的で、よりハイブリッドで、より分散化したものになっています。今差し迫っている問題は、どこからともなく現れる仮説上の超知能についてではなく、この新しい認識の層が私たちのリスクをどう変え、制度をどう再形成し、共に何を構築できるかをどう変えるかです。以上が、『知能とは何か』の要約でした。
最終的なまとめ
ブレイズ・アグエラ・イ・アルカス著『知能とは何か』の要点は、知能は人間だけのために取っておかれた神秘的な本質ではなく、生命が予測し、適応し、動的に安定を保とうとする絶え間ない闘いの自然な結果であるということです。時間をかけて、生き残るためのプレッシャーがより豊かな神経系、より柔軟な行動、そして最終的には私たちが自分自身の中に認識する社会的で自己反省的な心を生み出しました。知能とは、より良い予測、より豊かな内部モデル、そしてより複雑なフィードバックループが徐々に層を成したものに過ぎません。私たちの現代のAIシステムも、同じ原理から進化しました。
サイバネティクスと初期のコンピュータは、エンジニアたちを、世界を感知し、それに作用し、行動を更新する機械へと駆り立てました。それは自然自身の解決策を映し出しています。パーセプトロンとニューラルネットワークは最終的にこの流れを引き継ぎ、汎化し、真の認知が依存する乱雑な非線形関数を近似できるアーキテクチャを私たちに与えました。今日のシステムはまだ継続的な学習やその場での適応を欠いていますが、それらは生物学的な知能を形作ったのと同じパターンを反映しています。AIは異質なライバルではなく、予測という普遍的な論理を通じて分子、動物、社会、機械を結びつける、非常に古い進化の物語の最新章なのです。
以上で本要約は終了です。お読みいただきありがとうございました。
