AI LITERACY TEXTBOOK
生物学から読み解く「考える力」の正体
タガル AI講師事業 教材
「考えなさい」は精神論ではない。
生き物は、考えるようにできている。
この教科書は、その証拠を5つの科学から読み解く
CHAPTER 01
Karl Friston（カール・フリストン）というロンドン大学の神経科学者が、ひとつの理論を提唱した。名前は「自由エネルギー原理」。難しそうだが、中身はシンプルだ。
脳は、外の世界で次に何が起こるかを常に予測している。そして実際に起きたことと照合し、ズレがあれば予測を修正する。この「予測→検証→修正」のループを、毎秒何百回も回している。
つまり「推論する」とは、特別な頭の良さではない。脳がデフォルトでやっている情報処理そのもの。呼吸と同じレベルで、常に動いている。
CHAPTER 02
Wolfram Schultz（ウォルフラム・シュルツ）というケンブリッジ大学の研究者が、サルの脳を観察する実験を行った。結果はこうだった。
さらに驚くべき発見がある。Gruberら（2014年）の研究では、好奇心が強い状態のとき、答えを聞く前からドーパミン系が活性化していた。
パズルが解けた瞬間の「あ！」という快感。あれは気のせいではなく、脳内で実際に化学反応が起きている。Mark Jung-Beemanの研究（2009年）では、洞察の瞬間に右脳で約40Hzのガンマ波バーストが観測されている。
CHAPTER 03
暑ければ汗をかく。血糖値が上がればインスリンを出す。酸素が足りなければ呼吸が速くなる。これを「ホメオスタシス（恒常性）」と呼ぶ。Claude Bernard（1865年）が発見し、Walter Cannon（1926年）が名づけた、生物学の基礎概念だ。
ここで重要なのは、脳も全く同じことをしているという点。環境が変わったら、頭の中の「世界のモデル」を更新して対応する。これが推論の生物学的な意味だ。
Peter Sterling（2012年）はさらに踏み込んで「アロスタシス（予測的調整）」という概念を提唱した。単に「ズレてから直す」のではなく、脳は事前に必要な資源を先読みして準備する。推論の本質は、この「先回り」にある。
CHAPTER 04
Donald Hebb（ドナルド・ヘブ）が1949年に発見した法則がある。
「一緒に発火するニューロンは、一緒に繋がる」
Neurons that fire together, wire together.
繰り返し使われた神経回路は、物理的に結合が強くなる。これを「神経可塑性」と呼ぶ。推論を担う前頭前野も例外ではない。
もっとも有名な実験がある。Eleanor Maguire（エレノア・マグワイア）が2000年に発表した、ロンドンのタクシー運転手の脳の研究だ。
さらにKlingbergら（2004年）の研究では、わずか5週間のワーキングメモリ訓練で、前頭前野と頭頂皮質の機能的結合が強化されることが確認された。鍛えた回路の効果が、訓練していない別の課題にまで波及する「転移効果」も起きた。
CHAPTER 05
Robin Dunbar（ロビン・ダンバー）の「社会脳仮説」（1992年）によると、霊長類36属のデータで、集団の規模が大きい種ほど脳の新皮質が大きい。複雑な社会関係を処理するために、脳が大きくなったという説だ。
つまり「考えなくても済む環境」で暮らす種より、「考えないと生き残れない環境」で暮らす種のほうが、脳が発達した。推論力は淘汰圧によって選ばれた能力だ。
そして決定的に面白いのは、推論する生き物は人間だけではないということ。しかも全く異なる進化の系統で、独立に推論能力を獲得している。
カラスは鳥類、タコは軟体動物、チンパンジーは霊長類。進化の系統が全く違うのに、それぞれ独立に推論能力を獲得した。これを「収斂進化」と呼ぶ。偶然ではなく、推論できることが生存に有利だったから、何度も独立に進化したという証拠だ。
CHAPTER 06
ここまで見てきた5つの事実をまとめると、生き物は「考えるように設計されている」ことがわかる。では、なぜ今あらためて「推論」が注目されているのか。
答えはシンプルだ。考えなくても済む環境が、急速に増えたから。
第4章で見た通り、推論回路は筋肉と同じだ。使わなければ細くなる。便利な環境に慣れて考えることをやめれば、脳の推論回路は退化していく。
AI業界でも同じ構造の問題が起きている。「パターンで即答するだけのAI」では足りない場面が増えたから、「考えるAI（推論モデル）」が必要になった。
| 既存モデル | 推論モデル | |
|---|---|---|
| やっていること | パターンで即答 | 考えてから答える |
| 人間で言うと | 反射神経で答える人 | 前提を疑ってから答える人 |
| 得意なこと | 翻訳・要約・検索 | 分析・計画・論理 |
| 弱点 | 前提を疑えない | 遅い |
CHAPTER 07
世界には正解がない。
しかし生き物は、成長し続ける本能を持っている。
その本能を実行するために必要な力が、推論力。
これは精神論ではない。
体温調節と同じレベルで、
生物に組み込まれた仕組みである。
だからこそ、意識的に推論する人だけが成長し続ける。
CHAPTER 08
推論が分岐の探索であるなら、何を探索しているのか。答えは「まだ確定していない未来の可能性」だ。
探索しているのは物理的な場所ではなく、可能性の空間（探索空間）だ。
これは第1章のFristonの予測コーディングそのものだ。脳は「次に何が起きるか」の予測を常に走らせている。推論とは、その予測を1つではなく複数走らせて比較すること。
CHAPTER 09
速度を上げる方法：探索空間を狭くする。
同じ種類の分岐を繰り返し経験すると、脳は「この枝は行き止まり」「この枝は有望」を事前に知っている状態になる。将棋のプロが一手3秒で打てるのは、思考を省略しているのではなく、探索しなくていい枝を瞬時に切り捨てられるから。初心者が100本の枝を探索するところを、プロは5本だけ探索して答えを出す。
正確性を上げる方法：シミュレーションの材料（参照点）を増やす。
脳が「もしこうなったら」をシミュレーションするとき、材料にしているのは過去に自分が見た・聞いた・体験した事実だ。材料には2種類ある。
両方に効く最強の方法：仮説→実行→検証のループを回す回数を増やすこと。
仮説を立てる（予測）→ 実行する（検証）→ 結果と照合する（修正）→ 当たっていたら報酬、外れていたら修正。このループ1回転が、推論回路の筋トレ1回に相当する。多くの人がここで止まるのは、「仮説を立てる」だけで「検証」をしないからだ。ループが回らないので回路が強化されない。
| 目的 | やること | なぜ効くか |
|---|---|---|
| 速度を上げる | 同じ種類の判断を繰り返す | 探索空間が狭くなる（不要な枝を切れる） |
| 正確性を上げる | 材料（直接経験＋他者の経験）を増やす | シミュレーションの解像度が上がる |
| 両方同時 | 仮説→実行→検証のループを回す | 予測精度が上がり、かつ回路が太くなる |
CHAPTER 10
AIの推論モデルが内部でやっていることは、人間の脳と同じだ。「答えの候補を複数生成し、矛盾がないか検証し、もっとも整合性が高いものを選ぶ」プロセス。
モデル間の性能差を決めているのはパラメータ数（＝神経回路の接続の数）だ。
| モデル | 立ち位置 | 推論の特徴 |
|---|---|---|
| Sonnet（中型・高速） | 経験5年の実務者 | 3〜5本の枝を同時検討。大半の仕事は速く正確にこなす |
| Opus（大型・重厚） | 経験20年の専門家 | 10〜20本の枝を同時検討。複雑な判断に強いが動きが重い |
| Fable（創造特化） | 小説家・ストーリーテラー | 探索の方向が「論理的正しさ」ではなく「表現の豊かさ」に向く |
具体的に何が違うか。3つある。
1. 同時に保持できる枝の数が違う。 人間で言うワーキングメモリの容量差。パラメータ数が多いモデルほど、同時に多くの可能性を検討できる。
2. パターンの蓄積量が違う。 パラメータが多い＝学習時に保存できたパターンが多い。だからOpusは「珍しい問い」にも対応できる。
3. 推論の深さが違う。 同じ推論でも、Sonnetが2手先まで読むところを、Opusは5手先まで読める。回路が太い分、1ステップの中でより多くの検証ができる。
CHAPTER 11
AIの推論モデルは急速に進化している。今のHigh effortの品質が、数年後にはLowで出る。推論コストはほぼゼロに向かう。全員がOpus級の推論をタダで使える時代が来る。
そのとき何が差になるか。「何を推論させるか」を決められる人。
推論モデルは問いを与えなければ動かない。どれだけ強力な推論エンジンがあっても、問いを立てる力がなければ使えない。第8章の探索空間の話だ。AIは探索を実行するが、「どの探索空間を探索するか」を決めるのは人間。間違った空間を探索させたら、どれだけ精度が高くても間違った答えが出る。
仮にAIが問いを生成できたとしても、その問いに「自分ごととして向き合う」のは人間にしかできない。AIは「この問いが重要である」と計算できるが、「この問いが気になって夜眠れない」という状態にはならない。
その「気になる」が第2章のドーパミン系の発火であり、推論の起動スイッチだ。問いが消えた世界は、「つまらない」ではなく「生きていない」。