人工知能と脳細胞比較で見る進化の今と課題

ここから始めよう - AIと脳細胞の違い・進化を体感し、理解を深めるヒント集

異なるAIモデルや人間の認知実験結果を3種類以上リストアップして比較する。
具体例が並ぶことで、人工知能と脳細胞それぞれの特徴や進化段階が視覚的に分かりやすくなるから。
ニューラルネットワーク構造図や脳神経回路模式図など、最低2点ビジュアル資料を収集して整理。
画像で層構造やノード数を見ることで、文章だけでは伝わらない複雑さ・規模感が直感的につかめる。
最新論文または公式発表から「特徴量抽出」「層数」など定量データを5件以上確認。
`賢さ` や `課題` の議論も具体的な数字付きなら説得力UP。現状把握と今後の展望に役立つ情報源になる。
"人間脳＝横幅広いネットワーク／AI＝縦に深い構造"という観点で、それぞれの強み・弱みを書き出す。
[横or縦]視点で整理すると両者の本質的な違い・限界が一目瞭然になり、新たな気づきにつながる。

知能の始まり？脳細胞で遊ぶ話

ニューラルネットワーク：知性はどこからやって来るんだろうか——いや、別に答え出そうとか、そんな大仰な話じゃなくて。たまに考えてしまう。自分でネットワークをゼロから組み立てたりすると、ああ、この一つ一つのニューロン、小さくて淡々とした存在がどうして集まるだけで「賢い」ふりを始めるのかって、そればっかり気になってしまう。まあ、実際には…いや、ごめんちょっと脱線するけど、最近読んだ小説にも似たようなテーマが出てきた気がする。ともあれ、本題へ戻すね。

機械学習とか人工知能――名前だけでもなんとなく近未来SFみたいじゃない？現実の発展も案外ドラマチックでさ、一つ進歩すると噂になるし、その裏では地味な失敗も山積み。でもそれもまた物語なのかな、と時々思ったりするわけで。この領域には驚くほど多様な出来事が詰まっている。浮き沈みに満ちていて、新しいテクノロジーや発見も次々飛び出してくるし、「こんなことまでできちゃうの？」と半信半疑になる瞬間もしょっちゅうあるし…。考えてみれば、人類が踏み入れてこなかった分野まで染み込むように広がっていった技術だからこそ、哲学的というか…変に深刻ぶった問いまで顔を覗かせ始めたのかもしれない。「知性とは何者なのか」、結局この根本的な疑問につまずいてばっかりいる感じ。

## 前提設定：「知性」について

これから「知性」という言葉を割と使い倒す予定なので、その都度曖昧にならないように、一応ここで定義しておこうと思います。まあ、本当に厳密に決めちゃうと息苦しくなるけど…。えっと、ざっくり言えば、

**適応能力（C1）：**　知性的システムとは、自分自身の経験を足場として行動パターンを書き換え、多岐に渡る環境下でも目的達成へ向け効果的に立ち回れるもの――こういうタイプ。（適応力だったり学習だったり目的志向性…ごちゃまぜだけど全部含まれてます）。…ところで、この手の定義付けを真面目につぶやいている自分もちょっと滑稽かな、と今更ながら思いつつ。本筋へ戻ります。

AI・機械学習のちょっと変な進化譚

【問題解決と推論（C2）：】知能システムというのは、うーん、なんだろうな。環境をきちんと認識して、その情報を頭の中で整理したりもできるし。まあ、知識を自分なりに表現して、それを基盤にして論理的な推論までもやってのける。新しい課題がいきなり出てきても、一応何とか対処できるっぽい。（ちなみに、ここには「問題解決」だとか「知覚」、あと「抽象化」とか「推論」とか…そういうあれこれが含まれているらしい。実際どうなんだろうね？）
3. 【コミュニケーション（C3）：】知能システムは他のエージェントとちゃんと相互作用できる能力も持っているみたい。えっと…要は、誰か――まあエージェントだけど――と何かしら効果的にやり取りするとき、その仕組みが働く感じ。

_【簡潔な基準の解釈：】_  

- 【適応能力（C1）】について言えば、目標を達成するために学習したり調整したりする力が中心かな。でも本当にそれだけで全部カバーできている気もしないんだけど…。今はそういう話だったよね？  

- 【問題解決と推論（C2）】の場合、「世界」というもの自体を理解しようとして、その理解に基づいて色々考察したり判断したり…そんな力に注目している。ま、と言いつつ、自分自身もそこまで整理できていないことが多いんだけどさ。  

- 【コミュニケーション（C3）】は、とにかく相互作用の能力、その一点に目線を置いている印象。

## AI開発の歴史概要

さて——AIや機械学習分野について、ここでは主だったマイルストーンでも軽く振り返ってみようと思う。本当にざっくばらんな確認になるけど…。機械学習というものは初期段階では―えっと、「数学的には複雑なのに構造としてはすごく単純」みたいなモデルしか作れてなかった時代もあった。それゆえ、この領域が発展していく中で持ち得た可能性にも…まあ一定程度以上の制約が生じていた、と考える向きもある。とはいえ、それだけじゃ説明し切れない部分もあるよね、多分。でもこの歴史を見ることで色々見えてくることもあるんじゃないかなあ—そんな気がする（疲れた時ほど過去ばかり見ちゃう）。

特徴量って誰が見つけるもの？ヒトvs.アルゴリズム

この手法の抱える主な課題、うーん…まあ正直いろいろあるけど、とりあえず挙げてみる。  

- **隠れた情報の学習**：データサイエンティストだとかエンジニアって、なんだかんだで予測に使う特徴量から追加の情報を絞り出そうとしてきたはず。つまり従来は人間が手作業で特徴量をチクチク作って、それに頼ってたわけで…。ふと立ち止まると、「適応的な学習者」っぽさが思ったより限定的だった気もする。[C1]  

- **複雑なデータの説明**：あと、従来型の機械学習って…実際、非線形で直感的には意味不明な動きを見せるようなデータセットへの説明力、やっぱり一部では課題残ってたらしい。[C2]</code></pre>

例えばだけど（例ばっかり考えても仕方ないかもしれないけど…）、監督学習環境下で住宅価格を予測しようとしているモデルがあったとする。家の長さ・幅・高さ――こういう与えられた特徴だけを使ってモデル訓練してみても、最適化できる範囲にはどうしても一定以上の制約が生じてしまうことがあるっぽい。あ、今ちょっと話それそうになったけど戻すね。この理由はというと、そのモデル自体が「直接」渡された特徴量しか見ていなくて、「住宅価格とこれら特徴量との間には単純な相関関係がある」と軽々しく仮定しちゃう傾向にあるから。でも現実問題としては、こうした表面的な特徴量の背後に隠れている要素──具体的に言えば家屋面積だよね──それも絡んできちゃう可能性が指摘されていたりする。ま、それくらい単純じゃないという話。

昔ながらの予測モデル、足りない何かと限界点

床面積って、なんか家の値段を決める上でけっこう大事な要素らしい。まあ、考えてみればそりゃそうだよね。でも…これを予測モデルに加えたら精度が良くなることもあるとか。ふむ、意外と単純じゃないかもしれないなあ。いや、実はそこまで単純じゃなくて、提供されたデータセットから他にも何か引っ張り出せる方法が存在する――それを「特徴量エンジニアリング（Feature Engineering）」と呼ぶんだけど。名前はやたら横文字で格好つけてる感じ。でもね、従来型の機械学習モデリング技術だと、新しい特徴量って自動的には見つからないんだよなあ、不思議だけど現実。えっと、そのために結局データサイエンティストとかMLエンジニアの経験則というか常識、妙な直感みたいなものに頼るしかなくて、自分たちで隠された情報を探し出さないといけないみたい。それって少し面倒臭い気もするし、一方でやりがいも…いや面倒臭さの方が勝つかな？　結局こういうモデルも一応はデータから何かを学び取れるわけだけど、「自律的」とは到底言えず、本当の意味で「人工知能（AI）」にはまだ遠い――そんな気もしてしまう。

## ディープラーニングの登場

さて、人間並みの知能を目指したAI開発は古くから続いてきたんだけど――ああ、1943年にウォーレン・マカロックとウォルター・ピッツって人たちが最初の計算論的ニューロンモデル、「マカロック＝ピッツ・ニューロン」を提案していたんだよね。正直、この辺りになるとなぜか専門用語ばっかり増える感じ。不意に話が逸れそうになったけど、とにかく、それによって人工ニューラルネットワークという概念の土台が作られた。彼らによれば、このシンプルなニューロン同士を組み合わせれば論理計算すらできる可能性について議論されていたようだ。

前段でも触れたように（繰り返しかもしれない）、機械学習最大の壁はやっぱり特徴抽出とか特徴量エンジニアリングなんだと思う。この部分はいまでも多くのMLエンジニアに重視されているし、下手すると眠れなくなるほど重要視されている節すらある。しかし、「知的」な洞察力で得たヒントを使ってモデル化するだけでは、本来目指すべきAI像にはどうしても限界が残ると言われたりする。この際だから正直に言うと、人間側から与える知識次第でシステムの自律性やインテリジェンスにも制約……いや足枷？　そんなものまで生じてしまうこともある、と聞いたことがある。ま、いいか。一応これくらい覚えておけば十分じゃないかな、多分。

人間脳のおどろき数字―億とか兆とか細胞数やばい

ここからなんだけど、私たちは、なんだろう…「最も基本的で効率的な知的機械」って言われる**人間の脳**にヒントを求め始めたんだよね。まあ、そもそも脳って何なの？という話になりそうだけど――ああ、話が逸れそう。戻すと、注目したいのはさ、人間の脳が**生物学的ニューロンのネットワーク**でできていること、そのうえ、とんでもなく複雑な構造しているって点かな。

実際さ、人間の脳には約**86 billion**個ものニューロンが詰まってるらしい。数字だけ見てもピンとこないかもしれないけど、本当に多いんだよ。で、それぞれのニューロンをつなぐシナプス（つまり接続部）の数はさらに凄くて――えっと、この部分考えてると頭痛くなるけど――その合計はほぼ**a quadrillion**（1,000,000,000,000,000）にも達する推定らしい。やばくない？

ふと思ったんだけど、この数値が現実感あるかというと…いや全然ないな。でもまあ、それはさておき、本筋に戻ると一般に脳にはこんな要素があるわけで：

- **ニューロン:** 人間の脳にはざっと_**86 billion**_個ほど存在していると言われている。

- **シナプス:** これはニューロン同士を繋げる役割を持つ接続部みたいなもので、その総数は_**a quadrillion**_（1,000,000,000,000,000）に及ぶとも。

- **その他の脳細胞:** ニューロン以外にもグリア細胞など様々な種類の細胞が含まれていて、これらも重要だって説。

…ところで、「知性」は結局どこに宿るものなのか？そんな疑問がまた頭をよぎったりするわけです。ま、いいか。

賢さはどこに宿る、神経細胞単体の不思議な無能さ

ニューロンにあるのか？ネットワークにあるのか？それとも単なる数の違いなのかな。うーん、気になるところだよね。でも、なんでこんなこと考えてるんだっけ…ああ、そうそう。もうちょっと深掘りしてみようと思ったんだった。本当に答えが見つかるのかは分からないけど。

## 知性の起源

人間の脳ってさ、すごく複雑に見える割には、なんだろう…根本的な視点から見ると案外シンプルな構造も持っているらしい。意外だよね。でもまあ、自然界で今知られている中では最も高い知性を持つとされてるわけで。それでも一部には驚くほど素朴な部分が観察できたりする。いや、本当なのかな、と自分でも思っちゃう。でも、「ニューロン」っていう究極的に単純な要素がその基礎になっているんだよね。

さて、その機能はどんなものなんだろう。たぶん段階を追って理解したほうが良さそうだけど…。あれ、何話してたっけ？　ああ、大事なのは過程だよね。

- **シグナル受容**：全てのニューロンはまず樹状突起という部分で神経伝達物質という化学物質を用いて信号を受け取ることになる。

- **シグナル処理**：こうした入力信号によってニューロン内では微細な電気的変化が生じる。一部の信号はニューロンを「興奮」状態にし（発火しやすくなる）、他方では逆に「抑制」作用となり（発火しづらくなる）場合も存在する。不思議だけど、それぞれ絶妙にバランスを取って働いているっぽい。

ま、いいか。また話逸れた気もするけど、とりあえずここまで押さえておけば十分じゃないかな…。

一個じゃダメだけど集まれば…ネットワーク魔法

ニューロンの本体、つまり**ソーマ**って、まあ一言で言えば「小さな計算機」みたいなものなんだ。そういうふうに説明されがちだけど、本当はそれだけじゃない気もして…。でも、とりあえず話を戻すとね、ソーマは受け取った全ての電気的変化をひたすら加算する作業をしているんだよ。実はこの地味な積み重ねが重要で、何かこう、見逃せない要素というか。

- **発火決定**：もしソーマ内で合計された電気的変化が特定の**閾値**を越えたなら、その瞬間ニューロンは「_**発火する**_」。短い単語だよね、「発火」。ま、それはさておき…ここでいう発火とは、自分自身の電気信号——つまり**活動電位（アクションポテンシャル）**——を、その長大なる「_**尾部**_」こと、いわゆる**軸索（アクソン）**から送り出す行為ってこと。うーん、この仕組み、本当に不思議。

そして想像してほしい。数十億個ものニューロンたちが、それぞれ複雑に連携しながら情報処理を繰り返す。その結果として環境変化や報酬ホルモン・罰ホルモンとかによる強化学習が起こって、「知的」と呼ばれるような学習経路も時折立ち上がったりするらしい。でも待って、一旦ここで立ち止まろう。「そもそも単一ニューロンのふるまい自体に知性なんて、本当に存在する？」――これ、大事な問いなんじゃないかな。

まあ答えとしてはNOと言われている。それは前に述べた知性の基準にも該当しないからだと思う。ただ理由についてもう少し考えてみると…。

<pre><code class="language-yaml">- **適応能力（C1）：**

結局ね、ニューロンによる信号受容・処理や発火決定そのものが全部、生化学的または電気的反応として最初からプログラムされていて。だから、「経験から学ぶ」とか「目標達成に向けて行動適応する」という話ではどうやら無いようなのさ。不完全燃焼感あるけど、現状ではそう解釈されているっぽい。本当にそれだけなのか…まだ分からない部分も多いけど、とりあえず今わかっている範囲ではそんな感じかな。

人工ニューロン誕生秘話と、現実との微妙な違和感

その「挙動」って、要するに発火するかどうかという話なんだけど、これがまあ入力信号が閾値に達したときの—ああ、なんだろう、直線的なメカニカルな結果に過ぎない。つまり、「目的」みたいなものとか適応的な判断はどこにも介在していない。たぶん多くの人はそう思わないかもしれないけど、本当にただスイッチが入るだけ。

- **問題解決と推論（C2）：** それでね、ニューロンというものは基本的に総和と閾値処理しかやっていなくて、「環境を知覚する」とか「知識を複雑な形で表現する」とか、「論理的推論を展開する」こともできなければ、「新しい問題を自分で解く」ことすら全然しない。ただ黙々と計算、それもかなり固定された手順のみ。ま、いいか。でも何度考えても、その働きだけ見れば「問題解決」と呼ぶには遠すぎる感じ。

- **コミュニケーション（C3）：** ニューロンは一応信号のやり取りをしているけど…いや本当は伝達というより中継器？電気化学的リレーの連続だよね。それでいて、「他エージェントとの効果的相互作用」というレベルでは全然なくてさ。文脈なんて理解しようともせず、その場その場の内部状態だけ頼りに一方通行で信号出すだけ。うーん、この辺急に眠くなるほど単調なのよね。でもまあ個々のニューロン単体じゃ「知能」はまず観察できなくて——でもネットワーク全体になると違う顔になるらしい。不思議だよね。その集合としてふるまう生物学的ニューラルネットワーク、それから超シンプル作業しか持たない大量要素（エージェント）組み合わせることで全体が「知性的」に振る舞える。この性質こそ、多分ウォーレン・マカロックみたいな先駆者たちへ現代_**人工ニューラルネットワーク**_構想への大事なヒントになったと言われている。ふっと脱線したけど、この話ここまで。

## パラダイムシフト：人工ニューラルネットワーク

さて、とりあえず人工ニューラルネットワークについて簡単に説明しようかなと思う。「人工」の名がついている通り、その基本部品は**人工ニューロン**というブロック単位で作られているんだよね。ただ、生物学ニューロンから着想されているとは言え、実際には有機物由来の神経細胞とは根本から違っていて…あっソフトウェア上のロジックやアルゴリズムによって設計・生成されるので、本当に動作原理ごとぜんぜん異なる感じ。その点について忘れちゃいそうだったから、一応強調しておくね。

層が重なるとできること増える謎、でもまだ謎だらけ？

ANN（人工ニューラルネットワーク）って、まあ最近よく聞くけど、構造自体は意外と単純だったりする。まず最初に「入力層」というのがあってね、そこには全ての入力パラメータが集まるんだ。なんか、生物学的ニューロンの感覚入力っぽいイメージ…なのかな？いや実際どうなんだろう、自分もちょっと疑問。でも一応そう言われている。

で、その次、「ニューロン／パーセプトロン」って呼ばれるやつが出てくる。この単一のニューロンには2つ要素があるらしい。一つ目は各入力に重み付けをして、その重要度によって調整しながらバイアスも加える線形関数。ここは数学っぽさ全開でちょっとだけ眠くなる部分かも…。えっと、それからもう一個、「活性化関数」ってやつがいて、このニューロンに与えられた値から出力値を決める役割を担うんだよね。不思議な感じ。

あとは「出力層」になるわけだけど、この構造ではスカラー量が結果として現れて、それ自体が次のニューラルレイヤーへの新たな入力パラメータになる仕組みになっている。…あれ？今何話してたっけ。そうそう、ともかく複数階層でこのニューロンを並べていき、前の層から受け取った情報を次々に渡すことで人工ニューラルネットワーク全体が出来上がるということ。それ以上については、まだ検討され続けている段階なんじゃないかな、多分。ま、いいか…。

言語モデルは本当に考えてる？次回へ続くモヤモヤ

次のブログでは、えっと、ニューラルネットワークの動作原理についてさらに深く掘り下げて語ろうかなと考えているんだけど…まあ、正直いって自分でもなぜあんなシンプルな数理的ブロック構造が自然言語処理だとかコンピュータビジョンみたいな巨大な課題に対して実際に働いてしまうのか、本当によく分からなくなる瞬間が時折ある。いや、不思議だよね。たぶん読者も「結局どういう仕掛けで全部理解できるようになるの？」と内心問い返したことあるでしょう。でも話を戻すと、今主流となっている大規模言語モデルはやっぱりディープニューラルネットワークを土台としていて、その上に「アテンション」と呼ばれるブロックまで積まれてたりして…この部分はまた後で詳しく述べます。

そしてさ、このニューロン群だとかその絡まり合ったネットワークが特定タスクで素晴らしい成果を挙げている――これはもう事実なんだけど、それだけですぐ「これぞ知性！」なんて断言できるものでもない気がしてきちゃう。なんというか、ちょっと立ち止まってしまう。一度脇道にそれるけれど、推論と言えば最近はDeepSeekとかGrokやOpenAIなどから新種の推論モデルも登場してきたよね。ただ本当に彼ら――いや、その大規模言語モデルたちが純粋に推論なるものを実際に遂行しているのか？そこにはどうも割り切れない余白が残されていて、「実は違う可能性も？」と思ったりする。ああ、この辺ちゃんと確かめたい。本筋へ戻ります。

このテーマについては今後も引き続きブログで取り上げていくつもりですので、ご興味ある方はぜひ続報を気長に待ってくださるとうれしい。ま、いいか。また疲れて脱線しそうになっちゃった。