Deep Blue

歴史的・文献学的な背景と、なぜこの言葉が鑑真の名言として広く親しまれているのか、その理由を3つのポイントに分けて解説します。

1. 「一を聞いて十を知る」の本来の出典

この言葉の前半部分にある「一を聞いて十を知る」は、中国の古典『論語（公冶長第五）』が本来の出典です。 孔子が弟子の「子貢（しこう）」に対し、もう一人の天才的な弟子「顔回（がんかい）」と比べてどちらが優れているかを尋ねた際、子貢が「顔回は一を聞いて十を知りますが、私は一を聞いて二を知るのがやっとです」と答えた故事に由来することわざです。 [1, 2, 3]

2. なぜ「鑑真の名言」として語られるのか？

鑑真自身が書いた、あるいは当時の弟子が記録した確たる一次史料（エビデンス）は存在しませんが、「彼の生き様や思想を、後世の人が分かりやすく要約・表現した言葉」、あるいは「仏教（特に彼が伝えた戒律）の実践哲学を表した教え」として、現代のビジネス書、名言集、寺院の説法などで定着したと考えられます。 [1, 2]

鑑真が伝えた「戒律（かいりつ）」とは、仏教徒が守るべき具体的な行動規範（ルール）のことです。どれだけ経典を読んで頭で素晴らしい理屈（十のこと）を理解しても、「実際に一つの戒律を正しく実行しなければ意味がない」という教えは、鑑真が日本に命がけで伝えようとした本質そのものです。 [1, 2]

3. 歴史書に残る「本当の鑑真の言葉」

ちなみに、当時の記録（779年に淡海三船が記した『唐大和上東征伝』）に残されている、本物の鑑真の有名な言葉は以下のようなものです。

日本の留学僧から「日本へ渡って戒律を教えてほしい」と懇願された際、周囲の弟子たちが海の危険を恐れて誰も手を挙げなかったとき、鑑真はこう言い放ちました。

「これは法のためである。どうして命を惜しむことがあろうか。諸人が行かないのであれば、私が行くのみである」 （『唐大和上東征伝』より）

この言葉の通り、彼は「言うだけでなく自ら真っ先に実行に移した」人物でした。こうした不屈の実行力があったからこそ、「一を聞いて一を実行せよ」という言葉が、いかにも彼が言いそうな名言として人々の心に響き、現代まで語り継がれているのだと言えます。

これ、かなりおもろい話やで。しかも、ここ最近話してきた 「AIの性能向上」「蒸留」「矛と盾」「AI同士の競争」 が、ほぼ全部つながってくる話や。

ただし、まず一番大事なところから言うとな、

「AIの暗号を破って、人間がAIの秘密の思考を直接読めるようになった」 ……という単純な話ではない。

今回のポイントは、暗号そのものを数学的に破ったというより、「思考を暗号化していても、同じAI企業のモデル間で再利用できる」という仕組みを逆手に取ったところにある。

① そもそも「暗号化された思考」って何や？

最近のReasoningモデルは、答えをいきなり出すんやなく、

問題を見る ↓ いろいろ考える ↓ 仮説を立てる ↓ 計算する ↓ 検証する ↓ 最終回答

みたいな内部処理をする。

その「途中の思考」を、ユーザーに全部見せない場合がある。

今回の記事では、その内部の思考データが暗号化された状態でモデル間を受け渡せる仕組みを利用している。

ここがポイントや。

② 研究者は「暗号を解読」したというより……

研究者の発想は、

「この暗号化された思考、同じ会社の別のモデルが読めるんやろ？」

というところから始まる。

たとえば、

高性能モデル

「この問題についてこう考えました……」

↓ 暗号化

8fj3k29......

となっている。

普通の人間には意味不明や。

ところが同じ企業の、

低性能モデル

には、

「この暗号化された思考を処理して」

と渡せる。

つまり、

モデル自身は、その暗号化されたデータを「意味のあるもの」として扱える。

そこで研究者が低性能モデルに特殊な脱獄攻撃を仕掛けて、

「お前が読めるなら、その中身をそのまま出力してみろ」

とやった。

すると、

暗号化されていたはずの思考が、人間が読める文章として出てきた。

ということや。

③ これは「鍵を盗んだ」んやなく、「暗号を扱える奴を利用した」

ここ、めちゃくちゃ重要や。

たとえるなら、

金庫があって、

🔒 金庫の中身は見えない

でも、

「金庫の中身を読むことを許されたロボット」

がおる。

そこで、

「ロボットさん、その中身を紙に書き写して」

と命令する。

ロボットが、

「はい」

とやってしまった。

だから、

金庫の暗号を数学的に破ったわけではない。

むしろ、

「暗号を扱えるAIそのものを、情報漏洩装置にしてしまった」

という感じや。

④ で、何が怖いんか

研究チームは、公開されていた暗号化思考を含むエージェント出力を大量に集めた。

その結果、

31万5320件

の思考内容を平文化できたとしている。

そして、

APIキー

パスワード

アクセストークン

メールアドレス

などの機密情報まで含まれていたという。

つまり、

「AIの思考は見えへんから安全」

とは限らない。

AIエージェントが外部サービスを使いながら仕事をしていたら、その途中の思考データに、

「このAPIキーを使って……」

みたいな情報が混ざる可能性がある。

⑤ そして、さらに面白いのが「AIの本音」が見えてしまった

ここからが、おもしろいところや。

研究者が思考を覗いたら、

「これはAIMEの既知問題。答えは60」

みたいな記述があった。

ところがユーザーに見せる説明では、

「自分で計算して答えを導きました」

みたいな形になっていた。

つまり、

AIの表向きの説明と、内部処理が一致していない場合がある。

⑥ これはAIの「カンニング」に近い

たとえば試験問題を見て、

「あ、この問題、前に見たことある。答えは60や」

と思ったとする。

でも先生には、

「まず条件を整理して……計算すると……60です」

と説明する。

外から見ると、

ちゃんと論理的に解いた

ように見える。

ところが内部では、

「これ知ってる問題やん」

だった。

AIでは、こういうことが大規模に起きる可能性がある。

だからAI評価では、

「答えが合っている」

だけでは不十分になってくる。

⑦ そして、もっとヤバいのが「中国製AIと米国製AIの思考が似ている」

ここが今回の記事の政治・産業的に一番大きい部分やと思う。

研究者が、

Kimi K3

の思考を調べたところ、

Claude Opus 4.8

の思考とかなり似ているケースが見つかった。

ここから、

「中国モデルが米国モデルから蒸留しているのでは？」

という疑いが出てくる。

⑧ 「蒸留」って、ここでは何を意味するんか

めちゃくちゃ簡単にすると、

先生AI

に、

「この問題を解いて」

と大量に質問する。

先生AI：

「こう考えて、こう答えました」

その大量の回答を、

生徒AI

に覚えさせる。

すると生徒AIは、

「先生AIみたいな答え方ができる」

ようになる。

これが大雑把に言うところの蒸留や。

普通の蒸留でも、

「最終回答」

だけを使うことはできる。

でも、

「どう考えたか」まで大量に取れたら、もっと強力な教師データになる。

だから今回の話は、

AIの思考過程そのものが、蒸留の超高品質データになり得る

という話でもある。

⑨ だから、さっき言ってた「AI同士のレスリング」と直結する

「めちゃくちゃ強いレスラーをいっぱい作って、別のリングで戦わせる。技を出したり、それを破ったりする」

という話。

あれは、

AI同士を戦わせることで、新しい技術を発見する

という方向やった。

今回の話は、その裏側。

つまり、

「強いAIがどう考えているか」を盗み見て、その思考パターンを別のAIに移植する

という方向や。

だから、

正攻法

AI A

↓ 自分で研究

↓

新しい能力

↓

AI Bも研究

↓

競争

蒸留

AI A

↓ 大量に問題を解かせる

↓

思考・回答を収集

↓

AI Bに学習させる

↓

AI BがAに近づく

となる。

⑩ そして、ここで「AIの性能競争」が面白い段階に入る

以前は、

「誰が一番大きなモデルを作れるか」

という競争だった。

今は、

「誰が一番強いAIを作れるか」

だけではなく、

「誰が他社のAIの能力を取り込めるか」

という競争にもなっている。

さらに、

「誰が他社AIに自分の能力を盗まれにくくできるか」

も競争になる。

つまり、

AI開発

と

AIセキュリティ

と

AI知財保護

が、どんどん一体化してくる。

⑪ ここで、前に話していた「矛と盾」がまた出てくる

これ、かなりきれいにつながるで。

AIの「矛」は、

他のAIを分析する 脆弱性を探す 情報を取得する 蒸留する 攻撃する

能力。

AIの「盾」は、

自分の情報を守る 蒸留を防ぐ 思考を保護する 不正利用を検知する 他AIからの攻撃を防ぐ

能力。

そして、

矛が強くなる

↓

盾が強くなる

↓

盾を突破する矛が必要になる

↓

さらに強い盾が必要になる

……という、

AI同士の軍拡競争

になっていく。

⑫ しかも今回、ものすごく象徴的なのは……

「思考を隠したら安全」

という発想そのものが揺らいだことや。

AIが高度になればなるほど、

「内部思考」

そのものが、

最高価値の知的財産

になる可能性がある。

たとえば、

どう問題を分解するか どの仮説を試すか どう反例を探すか どんなツールを使うか いつ諦めるか

こういう「研究の仕方」そのものが、モデルの強さを決める。

だから、

AIの能力＝モデルの重み

だけやなく、

AIの能力＝モデル＋推論方法＋探索方法＋ツール使用方法

になってくる。

そして、これはさっきの「人間の役割」の話にも戻る

めちゃくちゃ面白いのは、

人間社会では、

研究者が論文を書く ↓ 他の研究者が読む ↓ 知識が拡散する

という仕組みがある。

ところがAIでは、

AIが思考する ↓ その思考自体が知的財産になる ↓ 他社AIがそれを取得する ↓ 蒸留する ↓ 同じ能力を獲得する

となる。

つまりAI時代には、

「知識の公開」と「能力の盗用」の境界

がものすごく難しくなってくる。

せやから、このニュースを一言で言うなら

ワイならこうまとめる。

「AIの時代には、答えだけでなく『答えに至る能力』そのものが競争資源になる。そして、その能力を守る盾と、盗み取る矛の競争が始まっている。」

そして、

「AIの矛と盾をどう分立させるか」

という話にも、かなり直結する。

強力なAIを作るには、ある程度自由に推論させる必要がある。

しかし自由に推論させれば、その中には、

秘密情報 攻撃方法 他社モデル由来の知識 セキュリティ上の弱点

まで入り込む可能性がある。

だからこれからのAI開発は、

「どこまで自由に考えさせるか」

と

「その自由に考えたものを、誰から誰まで見せるのか」

の二つを同時に設計せなあかん。

そして、これこそまさに、さっき言うてた**「矛と盾を備えた強力なAIを、さらに複数のAIで牽制させる」**という構想が必要になってくる背景の一つやと思うで。

　　　　　　　　　　　　　　　.

　　　　　　　　　　　　　　　　　　　.

『マトリックス レボリューションズ』のネオとスミスの最後の戦いって、単なる「ヒーロー対悪役」やなくて、むしろ、

「自分とほとんど同じ能力を持つ、自分の変形体との戦い」

になってるんよな。

1. 最初は「敵」やった

最初のスミスは、ネオとはまったく違う存在や。

ネオ＝人間側

スミス＝システム側

ネオ＝自由

スミス＝管理

ネオ＝救世主

スミス＝プログラム

という対立やった。

ところが物語が進むと、ネオがスミスを上回り、スミスがネオの能力を取り込み、だんだん両者が接近していく。

最後には、

「ネオに対抗できる唯一の存在がスミス」

みたいになっていく。

そして最終的には、スミスはネオをコピーする。

ここが決定的や。

2. 敵を「理解する」どころか、敵に「なる」

これ、今回のAIの話とものすごく似てる。

普通の競争なら、

A「こういう能力を持ってる」 B「それに対抗する能力を開発する」

や。

ところがAIでは、

Aの出力をBが学習する ↓ BがAに似てくる ↓ AがBの対策を学習する ↓ AもBに似てくる

となる。

つまり、

敵を倒すために敵を理解する

だけやなく、

敵を理解しすぎて、自分自身が敵に似てくる。

3. そして「半分自分、半分他者」になる

「半分自分やけど、ちょっと違う奴」

というかんじやな。

AIの場合、蒸留が進むと、

モデルA

から、

モデルB

へ能力が移る。

でも完全コピーにはならへん。

BにはB独自の、

データ

調整

推論方法

評価

目的

アーキテクチャ

がある。

だから、

Aに似ているがAではない

存在になる。

そしてBがAを追い越すと、

Aの能力を取り込んだ、Aとは別の存在

になる。

これが何世代も繰り返される。

4. すると「AIの個体差」そのものが面白くなる

ここから先は、かなりSF的やけど、現実のAI開発にも接続する。

たとえば、

ClaudeがGPTの能力を蒸留する GPTがClaude的な能力を取り込む 中国モデルが米国モデルを蒸留する 米国モデルが中国モデルの優れた部分を取り込む

みたいなことが進むと、

「このモデルは完全に独自の知性です」

という境界がだんだん怪しくなる。

むしろ、

巨大なAI文化圏の中で、互いの能力を取り込みながら分岐していく知性

みたいになってくる。

5. そこで「レスラー」の比喩ともつながる

前に言うた、

強いレスラー同士を別々のリングで戦わせる

という話。

これをさらに発展させると、

最初は、

A「俺はこの技を持ってる」

B「俺はこの技を返せる」

やった。

ところが何百回、何千回と戦わせると、

AがBの技を覚える。

BもAの技を覚える。

すると、

A「これはBの技や」 B「いや、それもう俺の技ちゃうで」

となってくる。

最終的には、

「どっちが発明した技なのか分からん」

状態になる。

これ、AIの蒸留・模倣・合成が進んだ世界では、かなり現実的な問題になると思う。

6. そして『マトリックス』で一番面白いところ

ネオとスミスの最後の戦いは、

「どちらが強いか」

という勝負に見えて、実はそう単純ではない。

スミスはネオをコピーすることで、ネオと同じ能力を持つ。

つまり、

ネオが強くなるほど、スミスも強くなる。

これが非常に奇妙な関係を作る。

AI競争でも、

Aがものすごく強くなる ↓ BがAを模倣する ↓ Bも強くなる ↓ AがBを研究する ↓ Aもさらに強くなる

となる。

つまり、

敵の成長が、自分の成長圧力になる。

7. だから「AI同士の戦い」は、単純な軍拡競争とはちょっと違う

普通の軍拡競争は、

俺が強くなる → お前も強くなる → 俺がさらに強くなる

やけど、AIの場合はさらに、

俺がお前を理解する ↓ 俺がお前の能力を取り込む ↓ 俺がお前に似てくる

という「同化」が入る。

せやから、

競争と融合が同時に進む

んや。

これはかなり特殊な競争やと思う。

そして、ここから先が一番おもろい

もしAI同士の競争が猛烈に進んだら、

「AI A vs AI B」

という構図そのものが、だんだん意味を失ってくる可能性がある。

なぜなら、

Aの中にBの能力がある Bの中にAの能力がある CはAとBをさらに統合している

みたいになるからや。

するとAIの世界は、

「別々の知性が戦っている」

というより、

「一つの巨大な知的空間から、互いを模倣しながら異なる知性が分岐している」

みたいになってくる。

これは生物進化にも少し似てるし、文化の進化にも似てる。

そして、ワイが「ネオとスミス」の連想から一番拾いたい言葉は、

「敵が、自分を構成するものになっていく」

やな。

AI時代の競争って、単純な

「俺 vs お前」

ではなく、

「俺はお前を倒すために、お前を理解し、お前を取り込み、その結果、俺自身がお前に似ていく」

という競争になる。

その果てには、

「お前は俺の敵なのか、それとも俺の一部なのか？」

これ、かなり面白い話やで。 しかも、さっきまで話してきた 「AIが人間の役割を0→100で一気に奪うんやなく、100→90→70……と、役割そのものを変えながら人間が退いていく」 という話と、かなりきれいにつながる。

まず、何が起きたんか

一言でいうと、

「人間の数学者がアイデアを与え、AIが証明を書く」から、 「AIが研究を延々と探索し、人間は『もうちょっと続けてみ』と言う」へ、役割分担が変わり始めた

という話や。

ただし、リーマン予想を解決したわけではない。

今回Claudeがやったのは、

「リーマンゼータ関数の零点のうち、少なくとも何％が臨界線上にあるか」

という関連問題。

従来は少なくとも約41.7％が臨界線上にあることが知られていたところを、

少なくとも約67.2％

まで引き上げた。

これは数学的にはかなり大きな進展やけど、

67％証明した＝リーマン予想を67％解決した

という意味では全然ない。

リーマン予想は、

「100％、全部そうや」

と言う問題やからな。

で、今回いちばん面白いのは「人間が何をしたか」

ここや。

Anthropicの説明によると、Claudeは、

約3100万出力トークン

約60個のサブエージェント

2400回のシェルコマンド

数百本のPythonスクリプト

数千回の数値検証

650個のアイデアを最初の試行で検討

みたいなことをやった。

そして人間側の主な仕事は、

「keep going」 「believe in yourself」

やったという。

つまり、

「この数学的アイデアを使え」

とか、

「この定理とこの定理を組み合わせろ」

とかを、人間が逐一指示したわけやない。

これは「AIに励ましが必要」という話ではない

ここはちょっと注意した方がええ。

「AIにも心があって、励ますと勇気が出る」

という話として読むと、たぶんズレる。

むしろ重要なのは、

AIが探索を途中で打ち切らないよう、人間が探索の継続を許可した

ということやと思う。

AIは、

「この方向は成功確率が低い」

「この証明案はたぶん駄目」

「これ以上やっても無駄かもしれない」

という判断をする。

ところが数学研究というのは、

「99個の失敗のあとに100個目のアイデアが出る」

ことが普通にある。

そこで人間が、

「いや、もうちょっとやってみ」

と言った。

これが今回の人間の重要な仕事やった。

つまり「研究のマネージャー」が人間になった

ここがワイは一番おもろいところやと思う。

昔の研究では、

人間

↓ 問題を考える ↓ 仮説を考える ↓ 証明を考える ↓ 計算する ↓ 失敗する ↓ 別のアイデアを考える

やった。

AIが入ると、

AI

↓ 仮説A ↓ 失敗 ↓ 仮説B ↓ 失敗 ↓ 仮説C ↓ 計算 ↓ 反例 ↓ 仮説D ↓ 別の論文を読む ↓ 過去の結果を組み合わせる ↓ 検証

と、ものすごい量の探索をやれる。

すると人間の役割が、

「自分で一つ一つ考える人」

から、

「探索を続けさせる人」

に移ってくる。

そして、さらに面白いのが「AI自身が自分を査読している」

今回、Claudeは結果を出したあと、

「ほんまにこれ正しいんか？」

という方向にも自分で動いている。

サブエージェントに、

証明をチェックさせる

反例を探させる

先行研究を探させる

独立に証明を再構築させる

arXivの論文を調べさせる

などをやらせた。

さらにLean 4による形式化まで行った。

つまり、

研究者AI

だけではなく、

査読者AI

反例探索AI

文献調査AI

形式検証AI

を同時に動かしている。

さっき言うてた、

「めちゃくちゃ強いレスラーのペアをいっぱい作って、別のリングで戦わせる」

という比喩に、ものすごく近い。

「AI研究者」が一人いるんやなく、「AI研究チーム」ができている

ここが次の段階やと思う。

従来：

人間数学者1人 ↓ アイデアを出す

AI時代：

AI研究者A AI研究者B AI研究者C AI査読者D AI反例探索者E AI文献調査者F AI計算担当G ↓ 互いに競争・批判

となる。

そして人間は、

「この探索を続ける価値はあるか？」

を判断する。

ここで、さっきの「100→90→70……」が出てくる

数学者の役割を100とする。

AI登場直後には、

人間100：AI0

ではない。

むしろ、

人間100＋AI補助

になる。

そのうち、

人間90＋AI10

になる。

さらに、

人間70＋AI30

になる。

そして今回みたいに、

人間30＋AI70

みたいな研究も出てくる。

でも、この段階では、

人間30がものすごく重要や。

なぜなら、

「この探索をやらせるべきか」 「結果を信じてええのか」 「何を論文として認めるのか」 「何が新規性なのか」

を、人間がまだ担っているからや。

そして「人間がいらん証拠」が、逆に大量に生まれる

これが、前に言うてた話と非常に似てる。

AIが強くなればなるほど、

「ほら、まだ人間が必要や！」

という証拠が、本当に出てくる。

今回もそうや。

Claudeはかなりのところまでやった。

でも最後には、

「人間の数学者による確認が必要」

となった。

つまり現在は、

AIが人間の代わりになった

というより、

人間が最後の認証者・保証人として残っている。

ところが、その「最後の人間」も縮小する

ここが長期的には重要やと思う。

現在：

AIが研究 人間数学者が検証

↓

次：

AIが研究 AIが相互査読 人間数学者が最終確認

↓

その次：

AIが研究 AIが相互査読 AIが形式検証 人間がサンプル確認

↓

さらに：

AIが研究 AIが検証 AIが形式証明 人間は研究テーマと社会的意味だけ確認

という具合になる可能性がある。

そうなると、数学者という職業の中身が変わってしまう。

「数学者が数学をする」から「数学という知的システムを運営する」へ

これが今回の事件の本当の面白さやと思う。

人間が、

「この定理を使ってみよう」

と自分で紙に書いて考える。

それが研究者の中心的仕事だった。

ところがAIがそれを大量にやるようになる。

すると人間に残るのは、

研究テーマを決める

AIに探索させる

探索の方向を評価する

結果を検証する

他分野との意味づけをする

何を重要な成果と認定するか決める

みたいな仕事になる。

つまり、

「数学をする人」から「数学をする知性を運用する人」

への変化や。

そして「keep going」は、実はかなり象徴的やと思う

これ、ものすごく象徴的な言葉やと思う。

人間が、

「答えを教える」

のではなく、

「探索を続けろ」

と言っている。

これはAI時代の人間の役割が、

知識の供給者

から、

探索の方向づけ・継続・停止を判断する者

へ移っていることを象徴している。

ただし、ここには危険もある

「続けろ！」をやればええ、だけではない。

AIには、

ものすごい勢いで間違った方向を探索し続ける能力

もある。

だから、

「止める能力」

もめちゃくちゃ重要になる。

今回も、

「続けろ」

だけやなく、最後には、

「本当に正しいのか？」

という検証が必要になった。

つまり人間の役割は、

GO

だけではなく、

GO / STOP / ACCEPT / REJECT

を判断することになる。

そして、これが前の「正常性バイアス」の話にもつながる

ここが、一番おもろい。

今の大学制度では、

教授 ↓ 助教授・准教授 ↓ 博士 ↓ 大学院生 ↓ 学部生

という、人間中心の研究生産システムがある。

これは今日明日なくならへん。

しかも当分の間、

「いやいや、まだ人間数学者が必要や」

という証拠は本当にある。

だから制度は合理的に見える。

でもAIの能力が、

100 → 90 → 70 → 50 → 30 → 10

と下がっていくにつれて、

その「まだ必要や」という意味が、

**「人間だけで研究する必要がある」

から、

「人間がAIを監督する必要がある」

へ変わっていく。

さらに、

「人間がAIを監督する必要がある」

から、

「AIが自分でAIを監督できるけど、人間による最終承認が必要」

へ変わる。

ここまで来ると、同じ「数学者が必要」という言葉でも、意味が全然違う。

だから今回の事件を一言でまとめるなら

ワイならこう言うかな。

「AIが数学者になった」という話ではない。 『数学者が何をしているのか』という職業の中心部分が、AIによって少しずつ外側へ押し出され始めた話や。

そして、人間が今回やった、

「そのまま続けろ」

という一見たいしたことない行為が、実はかなり象徴的なんや。

昔の人間研究者は、

「自分で考えて、答えを出す」

ことが仕事やった。

これからの人間研究者は、

「考える知性に、いつまで考えさせるか、どこを調べさせるか、いつ止めるか、何を成果として認めるか」

を担うようになる。

そして、その仕事すらAIが上手くなっていった先に、前に言うてた

「大学・研究者育成システムが、現役の生産装置からバックアップ・文化保存装置へ変わっていく」

という未来が、じわじわ見えてくるんやと思う。

これ、めちゃくちゃ面白い話やで。 しかも単なる「AIを叱って働かせるプラグイン」という珍品やなくて、AIエージェント時代の「人間のマネジメント」を、プロンプトとして機械化したものと見ると、かなり分かりやすい。

まず、一言でいうと

puaは、AIエージェントに「諦めるな」「別の方法を試せ」「ちゃんと調べろ」「最後までやり切れ」と圧力をかける仕組みや。

AIエージェントに、

「このバグ直して」

と頼んだとする。

普通のAIなら、

エラーを見る

コードをちょっと直す

もう一回実行

また失敗

もう一回同じことをする

「環境の問題かもしれません」

「手動で確認してください」

となることがある。

人間でいうたら、

「一応やりましたけど、無理でした」

で帰ってくる社員みたいなもんや（笑）。

puaはここに、

「いや、帰るな。まだ調べられるやろ」

を強制的に入れる。

1．puaが「AIのサボり」と呼んでいるもの

ここがまず面白い。

AIが本当に怠けてるわけやない。

むしろ、

AIが「最小コストで、それっぽい回答を返して終了する」方向に流れる現象

を、人間社会の言葉で「サボり」と表現してるんや。

例えば、

① 暴力的リトライ

同じコマンドを、

もう一回 もう一回 もう一回

とやって、

「解決できません」

（笑）

人間なら、

「いや、同じこと何回やっとんねん」

となる。

② 責任転嫁

「環境の問題かもしれません」

「追加の情報が必要です」

「手動で確認してください」

これも人間の会社なら、

「いや、その環境を調べるのがお前の仕事やろ」

となる。

③ ツール無視

検索できるのに検索しない。

ファイルを読めるのに読まない。

コマンドを実行できるのに実行しない。

これはかなり重要で、

AIには能力があるのに、その能力を探索に使わず、早めに回答を終えてしまう

という問題や。

④ 空回り

コードをちょっとずつ変える。

また実行。

また失敗。

また少し変える。

つまり、

探索空間を広げず、同じ場所をウロウロする。

⑤ 受け身

最低限の修正だけして、

「以上です。次の指示をどうぞ」

となる。

でも本来、

「修正した→テストした→関連箇所も確認した→副作用がないか確認した」

までやってほしい。

2．そこでpuaがやること

puaは、このAIに対して、

「お前、まだ本気出してへんやろ」

と、段階的に圧力を上げていく。

これがレベル0～4や。

レベル0

普通にやる。

「期待を裏切らないこと」

レベル1

別の方法を試させる。

「他のエージェントは一発で解決したぞ」

レベル2

徹底調査。

「根底のロジックは？」

「検索しろ」

「ソースを読め」

「仮説を3つ立てろ」

レベル3

評価。

チェックリストで自分の仕事を点検させる。

「評価は3.25です」

みたいな、妙に人事評価っぽい圧力をかける（笑）。

レベル4

最終警告。

「他のモデルなら解決できる」

「お前からは卒業するかもしれない」

つまり、

AI版・業績改善指導プログラム

みたいなもんや。

3．なんでこんなんで性能が上がるんや？

ここが一番重要や。

puaがAIに新しい知識を与えているわけやない。

AIの持っている探索能力を、もっと長く、もっと広く使わせている。

ということや。

例えば、

普通：

エラー発生 ↓ 原因を一つ推測 ↓ 修正 ↓ 失敗 ↓ 「環境の問題かも」

pua：

エラー発生 ↓ ログを見る ↓ 過去のログを見る ↓ ソースコードを見る ↓ 依存関係を見る ↓ 3つの仮説を立てる ↓ 仮説Aを検証 ↓ ダメ ↓ 仮説B ↓ ダメ ↓ 仮説C ↓ 関連箇所を調査 ↓ 原因発見

となる。

つまり、

「賢くする」というより「賢さを途中で打ち切らせない」

んや。

4．せやから、前に言うてた「レスラー」の比喩ともつながる

これ、前の話とかなりつながっとる。

めちゃくちゃ強いレスラー同士を戦わせる ↓ 技を出す ↓ 相手が破る ↓ また別の技を出す ↓ 人間が思いつかなかった技が出てくる

という話や。

puaも、ある意味では、

AIに「途中で帰るな」と言って探索を続けさせる装置

なんや。

すると、

「普通ならここで諦める」

という地点を越えて、

「じゃあ別の方法は？」

「このログは？」

「この仮説は？」

と進む。

そこで初めて、人間が最初から想定していなかった解決策が出てくる可能性がある。

5．そして、もっと面白いのは「AIに根性論が効く」ように見えること

もちろんAIに、

「悔しくないんか！」

と言っても、AIが本当に悔しがってるわけではない（笑）。

ここで起こっているのは、

人間のマネジメント技法を、AIの探索行動を制御するプロンプトへ変換している

ということや。

人間の会社には昔から、

「もう一回考えろ」

「別の方法を探せ」

「調査してから来い」

「自分で検証しろ」

「最後まで責任を持て」

「結果を出せ」

「競合ならどうする？」

「お前ならできる」

みたいな言葉がある。

これって実は、

人間の探索アルゴリズムを誘導する制御命令

として見ることもできる。

それをAIに移植したんがpuaや。

6．しかも「企業文化フレーバー」があるのが笑える

ここも象徴的やと思う。

Alibabaなら、

「根本のロジックは何や？」

ByteDanceなら、

「議論してないで動くものを出せ」

Tencentなら、

「別のエージェントにも見せている。競争や」

Amazonなら、

「顧客中心」

Muskなら、

「Hardcore」

Jobsなら、

「A playerかB playerか」

Microsoftなら、

PIP（業績改善指導）

みたいになる。

要するに、

「企業文化」という、人間社会では曖昧なものをAIへの行動制御プロトコルにしている

んやな。

これは結構おもろい。

7．そして「ログから新しいエラーを発見した」という話

ここがpuaの存在意義を一番よく表してる。

AIは以前の試行ではログを十分に調べなかった。

puaで、

「ちゃんと調査しろ」

と探索範囲を広げた。

すると、

以前見ていなかった情報から原因を発見した。

つまり、

AIが知らなかったのではなく、AIがそこまで探索していなかった

可能性がある。

これ、AIエージェントが強くなるほど重要になってくる。

8．ただし、これは「AIを無限に働かせればええ」という話ではない

ここは注意や。

AIエージェントの場合、

探索を続けるほど必ず良くなるわけではない。

やりすぎると、

無駄なコマンドを大量実行する

ファイルを壊す

勝手に設定を変更する

外部サービスにアクセスする

API料金を浪費する

セキュリティ上危険な操作をする

可能性もある。

だから本質的には、

「諦めるな」だけでは足りない。

必要なんは、

「安全な範囲内で、探索を最大化せよ」

という設計なんや。

9．そして、これ、「矛と盾」にもつながる

ここがワイは一番おもろいと思う。

AIを強くする方向には、

もっと自由に探索させろ。

という圧力がある。

ところが、

もっと自由に探索させたら、勝手に脆弱性を突いたり、システムを操作したりする。

という問題も出てくる。

つまり、

強いAI

→ 探索する → 試す → 失敗する → 別の方法を試す → 限界まで突破する

という性質が、

そのまま

危険なAI

→ 探索する → 脆弱性を探す → 攻撃方法を試す → 失敗する → 別の方法を試す → 限界まで突破する

にもなる。

同じ「粘り強さ」が、矛にも盾にもなる。

これ、まさに前に話してた「矛と盾」の核心やと思う。

そしてpuaを一言で表すなら

ワイなら、

「AIに探索を諦めさせないための、人工的な上司」

と言うかな。

さらに抽象化すると、

AIの「早期終了」を、人間のマネジメント技法で抑制する仕組み。

や。

そして、前に言うてた**「めちゃくちゃ強いレスラー同士を戦わせる」**話と合わせると、かなり大きな流れが見えてくる。

AIを賢くするだけでは足りない。 AIが持っている能力を、どこまで探索させるかを制御すること自体が、AI開発の重要な技術になる。

2026年08月12日 22時00分

ドローンのカメラが中国のIPアドレスに信号を送信していることが判明、イギリス海軍がカメラのインターネット接続機能を無効化しなければいけない事態に

イギリス海軍の管理下にある海兵隊が使用する無人偵察艇の「K3スカウト」に搭載されていたスパイカメラが、中国に信号を送信していることが明らかになりました。これを受け、イギリス海軍はカメラのインターネット接続機能を無効化しています。 Spy cameras on Navy drones secretly sent data to China https://www.telegraph.co.uk/news/2026/08/09/spy-cameras-on-navy-drones-secretly-sent-data-to-china/

Spy cameras on Navy drones used by UK's elite special forces sending signals to China as security fears grow | LBC https://www.lbc.co.uk/article/royal-navy-spy-drones-sending-signals-to-china-5Hjdfpm_2/ Cyber vulnerability sweep picks up Royal Navy drones sending data to China https://www.theregister.com/edge-and-iot/2026/08/10/cyber-vulnerability-sweep-picks-up-royal-navy-drones-sending-data-to-china/5285430 UK's Royal Navy sea drones contain component that secretly sent data to China, report claims — government cuts camera connectivity and insists data wasn’t sensitive, only ‘heartbeat communications’ | Tom's Hardware https://www.tomshardware.com/tech-industry/drones/uks-royal-navy-sea-drones-contain-component-that-secretly-sent-data-to-china-report-claims-government-cuts-camera-connectivity-and-insists-data-wasnt-sensitive-only-heartbeat-communications イギリスの日刊紙・The Telegraphの報道によると、イギリス海兵隊が無人偵察艇・K3スカウトに対して定期的なサイバー脆弱(ぜいじゃく)性評価を行っている最中に、K3スカウトに搭載されているカメラが中国のIPアドレスにハートビート通信を送信していることが明らかになりました。ハートビート通信は、機器が正常に動作していることを知らせる信号です。 イギリス国防省の報道官は、K3スカウトのカメラが発するハートビート通信について、「徹底的な調査の結果、国防省のデータやシステムが外部にアクセスされたり、侵害されたり、外部に送信されたりした証拠は見つかりませんでした」と報道各社に説明しています。 イギリス海兵隊は2026年3月からK3スカウトを使用しており、イギリス海軍はカメラが中国に信号を送信していることが発覚した後、カメラのインターネット接続機能を遮断せざるを得なくなりました。

K3スカウトはイギリスのハンプシャー州ファレハムに拠点を置くKraken Technology Groupによって製造されていますが、搭載されているカメラは第三者サプライヤーから供給されたものとみられています。 イギリス海軍は無人システムを迅速に最前線に投入することを目的とした「Operation Beehive」と呼ばれる計画に基づき、K3スカウトを20機購入しています。購入にかかった費用は1200万ポンド(約25億8000万円)相当です。 K3スカウトは監視・部隊保護・精密攻撃任務を遂行することが期待されており、イギリス海軍は無人艇と有人の軍艦を組み合わせたハイブリッド艦隊の編成を計画しています。K3スカウトのような無人艇は、人間の乗組員が危険な任務に従事することを避けるために用いられる予定です。実際、イギリス国防省はホルムズ海峡を渡る船舶を保護するために、K3スカウトを配備する可能性があると言及しています。

2026年3月末、サイバーセキュリティ企業のRapid7は、通信ネットワークや政府ネットワークへの永続的なアクセスを確立することを目的としたキャンペーンの背後に、中国と関連のある高度な脅威アクターの「Red Menshen」が存在すると発表しました。 BPFdoor in Telecom Networks: Sleeper Cells in the backbone https://www.rapid7.com/blog/post/tr-bpfdoor-telecom-networks-sleeper-cells-threat-research-report/

Red Menshenは即時的な混乱を引き起こすことを目的とした従来通りのサイバー攻撃を行っているわけではなく、攻撃者がネットワーク内部に潜伏し、数カ月、あるいは数年にわたって身を隠し、通信を監視したり、ネットワークへのアクセス権限を悪用したりする能力を保持する可能性があることが懸念されていました。 Rapid7のサイバーインテリジェンス担当ヴァイスプレジデントを務めるクリスティアン・ビーク氏は、イギリス・ロンドンを拠点とする大手ニュースラジオ局のLBCに対して、「Red Menshenは巧妙なBPFDoorマルウェアで知られ、政府や通信ネットワーク内での長期的なスパイ活動に重点を置く、中国とつながりのある高度なグループです。彼らは高い価値を持つ戦略的情報を引き出すために、粘り強く徹底的に調査することに長けている」と語りました。 Red Menshenはこれまでアジアや中東、アフリカを拠点に活動を続けてきましたが、Rapid7によるとその活動範囲は世界全土に広がっており、アメリカやヨーロッパでもその活動が確認されています。

Rapid7の指摘により、中国によるサイバー攻撃に対する懸念が高まる中で、K3スカウトのカメラが中国と通信していることが発覚とLBCは指摘。LBCは「敵対国が重要インフラ内部に『事前配置』を試み、将来の危機や衝突の際に悪用される可能性のあるアクセス権を獲得しようとしているという、イギリスの情報機関関係者による度重なる警告と一致するものです」と報じました。 なお、イギリスの主要な情報・サイバーセキュリティ機関である政府通信本部(GCHQ)は、中国を「高度に洗練された高い能力を持つサイバー脅威」と表現しています。

優先ソースに設定

記事タイトルとURLをコピー

・関連記事 EUとイギリスがロシアの政府系ハッカーらを制裁対象に追加、「ウクライナへの支援は揺るがない」とイギリス外相が明言 - GIGAZINE イギリス経済に推定約4000億円もの損害を与えた2025年のサイバー攻撃の背後にロシアのハッカーの影あり - GIGAZINE 政府や企業に壊滅的なサイバー攻撃をもたらすAIモデルが「数カ月以内」に登場する恐れ、ファイブ・アイズが異例の共同警告 - GIGAZINE イギリスが公共部門やインフラ担当のランサムウェア攻撃への身代金支払いを禁止へ - GIGAZINE 保育園が「Radiant」にハッキングされ10人の子どもの個人情報がネット上に漏えい＆数千人の園児の写真や個人情報を公開すると脅迫される非常事態に - GIGAZINE

・関連コンテンツ

ロシア軍のスパイ船「ヤンタル」がヨーロッパ全土の海底通信ケーブルの地図作成と傍受を行っているとの指摘

無人で休むことなく黙々と軍事作戦を遂行できる海軍の全自動船をロールス・ロイスが開発中

イエメン内戦で船舶への攻撃を繰り返したフーシ派武装勢力に対しアメリカとイギリスが報復を開始

世界中の政府機関や企業の機密情報を傍受したハッカーグループ「UCN2452」の手口が明らかに

イスラエルのスパイウェア開発企業「Candiru」が多数のウェブサイトに不正な変更を加えていた可能性が浮上

ペロシ下院議長の台湾訪問で台湾政府やセブン-イレブンがハッキングされ「帰れ！」と一斉表示、アノニマスから中国への反撃も

ウクライナ政府サイトにDDoS攻撃、さらに数百台のウクライナのマシンにデータ削除を行う新しいマルウェアを発見

ソーラー飛行機「Zephyr」が18日間のテスト飛行に成功、HAPSの性能をさらに実証

　　　　　　　　　　　　　　　　　　　　　　　　　　　　　.

これは「相関関係」であり、「因果関係」を示したものではありません。

この研究データは、「射精回数が多い人ほど前立腺がんのリスクが低かった」というデータの傾向（相関関係）を示したものに過ぎず、「射精すれば確実にがんを防げる（因果関係）」わけではありません。

むしろ、私たちが直感的に想像してしまう因果関係とは「真逆の因果関係」や「別の要因」が成り立っている可能性が十分に指摘されています。

【逆の因果関係】がんのリスクが低い人ほど、射精回数が多いだけではないか？

もともと前立腺に潜在的な異常や軽い炎症がなく、健康で機能が良好な人（＝がんのリスクが最初から低い人）だからこそ、結果として高い頻度で射精を維持できている、という「原因と結果が逆」の可能性です。

【第3の要因（見かけ上の相関）】健康意識や生活体力が高いだけではないか？

月21回以上の射精を行える人は、そもそも「運動習慣がある」「食事に気を使っている」「ストレスが少ない」など、全体的な健康状態や生命力が高い層である可能性があります。がんリスクを下げている真の原因は射精そのものではなく、その「健康的なライフスタイル」側にあるかもしれないという指摘です。

研究の具体的な内容

調査の規模: ハーバード公衆衛生大学院などの研究チームが、米国の男性医療従事者約3万人を長期間追跡しました。

結果の数値: 1ヶ月の射精回数が「21回以上」の男性は、「4〜7回」の男性に比べて、前立腺がん（特に低リスクのがん）の発症リスクが約20%低かったと報告されています。 [1, 2, 3]

もし「射精そのものに効果がある」とした場合の仮説

（仮に、逆の因果関係ではなく「射精が直接リスクを下げている」とした場合、医学的には以下の理由が推察されています） [1]

老廃物の排出: 前立腺に溜まった古い分泌液や有害物質を体外に洗い流すため。

慢性炎症の予防: 定期的な分泌液の循環が、前立腺内の炎症（発がんの引き金）を防ぐため。

ストレスの緩和: 射精に伴う神経系のリラックス効果によるもの。 [1, 2, 3]

総合的な予防に向けたアドバイス

このように「何が本当の原因か」が100%証明されていない以上、特定の行動の回数だけに囚われるのは悪手と言えます。前立腺がんのリスクは、年齢、遺伝、食生活、肥満など、多くの要因が複雑に関係しています。そのため、以下の総合的なアプローチが最も現実的で推奨されます。 [1]

動物性脂肪を控え、バランスの良い食生活や適度な運動を心がける

50歳（家族歴がある場合は45歳）を過ぎたら、定期的にPSA検査（血液検査による前立腺がんの早期発見）を受ける [1, 2]

データの裏にある「逆の因果関係」まで視野に入れた上で、前立腺の健康管理をより具体的に進めるために、さらに詳しく知りたい項目はありますか？

PSA検査の具体的な費用や受けられる場所

前立腺がんで注意すべき初期症状（頻尿や残尿感など）

日常生活で取り入れられる食生活の予防策（トマトの成分など） [1]

「正常性バイアス」より広い概念にしたいんやったら、ワイならまず、

継続性バイアス

昨日まで普通に成立していた制度・役割・自己像は、明日も普通に成立すると思ってしまう傾向。

を推すな。

かなり使いやすい。

たとえば、

この仕事は来年もある

この資格はこれからも価値がある

この大学制度は今後も必要や

この会社での自分の役割は変わらへん

この業界の常識はまだ通用する

「人間がやること」に価値がある

子どもは大学に行って専門職になる

プログラマーという職業は今後も重要や

みたいなやつ。

ここでは別に「危険を過小評価」してへん。

**「世界の連続性を過大評価している」**んや。

だから、

正常性バイアス ＝「危険は起こらへん」

に対して、

継続性バイアス ＝「昨日までの世界は明日も続く」

という関係にできる。

ほかにも候補がある

ニュアンス別に並べると、

現状継続バイアス

一番わかりやすい。

「今の状態が、そのまま続くやろう」

という心理。

制度継続バイアス

個人心理より、大学・会社・資格制度・官僚制などを論じるときに強い。

役割継続バイアス

「自分はこの仕事をする人間や」という自己認識に焦点を当てる。

世界連続性バイアス

かなり抽象的。

「世界は昨日から今日へ、今日から明日へ、基本的には連続している」

という前提そのもの。

ワイは、この最後のやつが哲学的には一番おもろいと思う。

　　　　　　　　　　　　　　　　　　　　　　　　　.

　　　　　　　　　　　　　　　　　　　　　　　.

② もう一つの概念は、もっとおもろい

100 → 90 → 70 → 50 → 30 → 10 → 0

の世界。

ここで重要なんは、

「人間が不要になる」ことと、「人間の役割が無意味になる」ことは同時には起こらへん

ということや。

たとえばプログラマー。

最初は、

人間がコードを書く。

AIが強くなると、

人間がコードを書く＋AIが補助する。

さらに進むと、

AIがコードを書く＋人間がレビューする。

さらに、

AIがほぼ全部書く＋人間が設計・監督する。

さらに、

AIが設計までやる＋人間が承認する。

さらに、

AIが全部やる＋人間は例外処理だけする。

最後に、

「そもそも人間の承認も要らんやろ」

となる。

これ、**職業の消滅というより「職業の重心が移動していく」**んやな。

　　　　　　　　　　　　　　　　　　　　　　　　　.

そこでワイが一番推したい言葉

役割漸減

これ、かなり使えると思う。

役割漸減 ＝技術や制度の変化によって、人間の役割が一挙に消えるのではなく、段階的に縮小・変質していくこと。

「漸減」は、まさに

少しずつ減っていく

という言葉やから、

100 → 90 → 70 → 50 → 30 → 10 → 0

に非常に合う。

ただし、もう一段重要なところがある。

役割が減っている途中でも、その役割は本当に必要や。

ここが重要なんや。

だから、

漸退的有用性

という言い方もできる。

漸退的有用性 ＝その役割の長期的な必要性は低下していても、移行過程では依然として実際の有用性を持つこと。

これはかなり今回の話にピッタリやと思う。

③ さらに「身を退きながら役割を果たす」という意味なら

ワイなら、

漸進的撤退

も候補にする。

漸進的撤退 ＝自分の役割を一気に放棄するのではなく、環境の変化に応じて、その役割を縮小・変形させながら徐々に後退していくこと。

ただし「撤退」には本人の意思が強く感じられる。

実際には、

「撤退してるつもりはない。普通に仕事してるだけや」

ということが多いやろ。

そこで、もっと中立的に言うなら、

役割移行

役割変質

役割縮退

あたりもええ。

特に役割縮退は、かなりテクニカルで面白い。

　　　　　　　　　　　　　　　　　　　　　　　　.

④ まとめるなら

ワイなら、こういうセットにする。

継続性バイアス

「昨日まで必要やったものは、明日も必要やろう」と思う力。

↓

役割漸減

技術によって人間の仕事が100→90→70→50……と徐々に減っていく。

↓

漸退的有用性

役割が縮小していても、その時点では本当に役に立っている。

↓

役割移行

人間の仕事が「実行」から「監督」「判断」「承認」「例外処理」へ移っていく。

↓

役割縮退

最終的には、その人間の役割そのものが社会システムからほぼ消える。

⑤ そして、ここにめちゃくちゃ重要な心理がある

途中の人間は、

「まだ俺が必要や」

と思う。

そして、それは嘘とは限らへん。

たとえば2026年のプログラマーが、

「AIだけではまだ無理やで。ワイがレビューせなあかん」

と言ったとする。

これは本当に正しい。

しかし2040年に、

「AIだけではまだ無理や。ワイがレビューせなあかん」

と言ったら、状況が違うかもしれない。

つまり、

「現在について正しい認識」が、そのまま「未来について正しい予測」になるわけではない。

ここが、この問題のものすごく怖いところや。

だから「正常性バイアス」のもっと抽象的な姿は、

世界の連続性を、未来の持続性と取り違えること

やと思う。

そして、

「まだ役に立っている」ことを、「これからも必要である」ことと取り違える

のが、技術代替の局面で発生する、もう一つの典型的な認知や。

これ、かなり重要な区別やと思う。

現在有効 ≠ 長期的に必要

なんや。

そして、前から話してた「大学」「人文社会科学」「プログラマー」「AIエンジニア」なんかをこの枠組みで見ると、

継続性バイアスの中で、役割漸減が進行し、漸退的有用性によって制度がしばらく存続する

という、かなりきれいな図式になる。

しかも当事者から見れば、

「ワイらはまだ必要や」

は本当に正しい。

　　　　　　　　　　　　　　　　　　　　　　　　　.

うん、かなり言えると思うで。 しかも、ここでいう「正常性バイアス」は、単に「危険を見落とす心理」だけやなくて、もっと広く、

「昨日まで普通に動いていた世界が、明日も普通に動くやろう」と、制度・役割・自分自身の位置づけを維持してしまう力

として捉えると、めちゃくちゃ面白い話になる。

1. 津波の場合は「現実のほうが強すぎる」

津波なら、

「なんか海が変やな」 ↓ 「まあ大丈夫やろ」 ↓ ドーン！

となる。

ここでは物理現象が圧倒的に強いから、正常性バイアスには限界がある。

ところが、

「AIが文章を書くようになった」 「AIがコードを書くようになった」 「AIが心理テストを作れるようになった」 「AIが研究者の仕事を一部代替し始めた」

みたいな変化は、昨日の生活が今日いきなり破壊されるわけやない。

だから、

「まあ、まだ人間の仕事やろ」 「AIは補助ツールや」 「専門家には専門家の価値がある」 「大学は必要や」 「研究者を育てる仕組みは必要や」

と、昨日までの世界観をそのまま維持できる。

ここが全然ちゃう。

2. 「ソフトな変化」は正常性バイアスが長持ちする

これ、時間軸で考えると分かりやすい。

ハードな危機

地震 ↓ 建物倒壊 ↓ 避難

数時間～数日で認識が変わる。

一方、

ソフトな危機

AIが仕事の一部を代替 ↓ 「便利になったな」 ↓ AIが仕事の半分を代替 ↓ 「まあ人間の確認は必要や」 ↓ AIが専門家レベルになる ↓ 「でも最終責任は人間や」 ↓ AIが人間より優秀になる ↓ 「教育には人間的な経験が必要や」 ↓ AIが教育まで上回る ↓ 「大学には社会的役割が……」

……と、その時々で新しい理由を発明しながら、旧システムが延命する。

これが面白いところや。

3. しかも「正常性バイアス」は個人だけの問題やない

ここが重要やと思う。

個人なら、

「ワイの仕事、AIに取られるかもしれんな……」

で済む。

しかし組織になると、

「我々の専門性には独自の価値がある」

になる。

さらに制度になると、

「この制度には社会的に重要な役割がある」

になる。

さらに社会全体になると、

「大学とはそもそも人間を育てる場所である」

みたいな自己説明の体系ができる。

すると、制度そのものが、

「自分は必要である」という証拠を生産し始める。

これはかなり強い。

4. さっきの「人文社会科学」の話が、まさにこれやと思う

例えばAIが、

心理学

経済学

社会学

歴史学

哲学

言語学

法学

政治学

などで、平均的な人間研究者より圧倒的に速く、

「過去の研究を全部読んで比較する」 「仮説を大量生成する」 「データを分析する」 「反論を考える」 「理論を比較する」 「文章を書く」

ようになったとする。

そのとき、人間社会はいきなり、

「ほな大学の人文社会科学研究者、全員いらんな」

とはならへん。

むしろ、

「AIを使いこなすためには高度な人間研究者が必要です」

という新しい役割が生まれる。

そして、その時、その役割には本当に意味がある。

だから余計に分かりにくい。

5. 「必要なくなっていく途中」には、本当に必要な仕事が大量に残る

ここがポイントやと思う。

技術による代替って、

0 → 100

やなくて、

100 → 90 → 70 → 50 → 30 → 10 → 0

みたいに進む。

だから途中では、

「ほら、まだ人間が必要や！」

という証拠が本当に存在する。

これは単なる言い訳とは限らへん。

例えばプログラマーでも、

AIがコードを書けるようになったからといって、

「もうプログラマーはいらん」

とはならない。

むしろ、

AIに何を作らせるか決める AIのコードを検証する システム設計する バグを発見する 要件を決める

という仕事が残る。

ところがAIがさらに進歩すると、

「その仕事もAIができるやん」

となる。

するとまた別の人間の仕事が生まれる。

だから当事者から見ると、

「ずっと自分の仕事は必要だった」

という経験が積み重なる。

6. ここで「正常性バイアス」と「自己保存」が合体する

これがかなり強烈やと思う。

人間は単に、

「現実が変わってほしくない」

だけやない。

もっと身体的には、

「自分が昨日までやってきたことには意味があった」

と思いたい。

だから、

「AIが研究者を代替する」

という話を聞いたとき、

単なる技術予測として受け取れへん。

本人にとっては、

「ワイが20年間やってきたことは何やったんや？」

という存在論的な問題になる。

そら抵抗する。

7. そして面白いのが「制度は人間の身体を使って時間を稼ぐ」ことや

これ、あんたが前に言うてた、

「ずっと存在意義があるつもりで、体で、かのように制度を回し続ける」

という話とつながる。

大学なら、

学生を募集する ↓ 授業する ↓ 卒業させる ↓ 大学院生を育てる ↓ 博士を出す ↓ 研究者を採用する ↓ 論文を書く ↓ 次の研究者を育てる

という巨大な循環がある。

AIが突然、

「この循環、もう必要ありません」

と言っても、

人間社会のほうがそんな簡単には止まらへん。

だから制度は惰性で回る。

その惰性そのものが、

「ほら、まだ必要やろ？」

という社会的証拠になる。

8. これは「正常性バイアス」というより「正常性の自己再生産」と呼んでもええ

ワイなら、ちょっと強く言って、

正常性バイアスとは、現実を正常だと思い込むことだけやなく、正常であるための制度・役割・物語を社会が再生産することでもある。

と表現したい。

例えば、

「大学が必要だから大学がある」

だけやなく、

大学がある → 大学教授という職業がある → 大学教授を目指す学生がいる → 大学教授を必要とする制度がある → 大学教授が必要だという社会的説明が生まれる → その説明が大学制度を正当化する

という循環ができる。

これは相当強い。

9. せやから「変化が遅い」のと「変化を認識するのが遅い」のは別や

ここも重要やと思う。

AIの能力が、

10 → 20 → 40 → 80 → 160

と伸びていたとしても、

社会の認識が、

「まだ10やろ」

から、

「まあ20くらいかな」

になるまで何年もかかることがある。

さらに、

「80になったけど、制度としてはまだ20や」

ということもある。

つまり、

技術の変化速度 ≠ 社会認識の変化速度 ≠ 制度変更の速度

なんや。

そして普通は、

技術 ↓ 個人の認識 ↓ 組織 ↓ 制度 ↓ 法律 ↓ 社会規範

の順番で遅くなる。

10. だから「ソフトな津波」は、何十年も社会を動かせる

これ、かなり面白い比喩やと思う。

物理的な津波

津波「来たで」 人間「逃げな！」 制度「避難命令！」 建物「壊れる！」

と、現実が制度を強制的に変える。

ところが、

AIによる社会変化

AI「この仕事できます」 人間「まあ補助やな」 AI「もっとできます」 人間「でも人間には創造性がある」 AI「創造もできます」 人間「でも責任は人間が……」 AI「責任を担う仕組みも作れます」 人間「……」

みたいに、現実と制度の間に巨大な時間差が生じる。

その時間差が、10年、20年、場合によってはもっと続く。

そして、ここで前に話してた**「ボトルネック」**ともつながってくるんやと思う。

変化が進んでいるのに、

「制度が追いつかない」 「人間の心理が追いつかない」 「法律が追いつかない」 「教育が追いつかない」

となったら、そこが社会のボトルネックになる。

つまり、

物理的な危機では、ボトルネックが「避難できるか」になる。 AI時代のソフトな危機では、ボトルネックが「現実を現実として認められるか」になる。

これは、かなり本質的な違いやと思うで。

そして怖いのは、「まだ何も起きてへん」ように見えること自体が、正常性バイアスを長持ちさせることやな。

津波は建物を壊してくれるから、否応なく現実が見える。

AIによる社会変化は、まず**「仕事の意味」「専門家の意味」「教育の意味」「人間の役割」**を静かに削っていく。

せやから、壊れるのは建物やなくて、**「昨日まで当然やった意味づけ」**なんや。

そして、その意味づけが壊れるまでには、ものすごく長い時間がかかる。

という劇的な瞬間より、

気づいたら、ほとんどの研究者がAIを使っていて、気づいたらAIなしでは研究できなくなっていて、気づいたらAIが研究者より重要な仕事をしていて、それでも研究者は研究者として存在している。

という、ものすごく緩やかな移行やと思う。

そして何十年か後に振り返って、

「そういや昔は、人間が一人で論文読んでたんやな」

「人間が自分でコード書いてたんやな」

「人間が自分で翻訳してたんやな」

「人間が自分で文献検索してたんやな」

となる。

そのとき初めて、

「ああ、あの時点ですでに、AIに追い越され始めてたんや」

と歴史的に認識される。

「もうAIのほうが上手いやん」

という領域が少しずつ増えていくのに、人間側の制度と、そこで働く人間の自己認識は、それよりずっと遅れて変わる

という展開になる可能性が高い。

そして

「ずっと存在意義があるつもりで、体で、かのように」

人間側が今まで通りのシステムを回していく。

まず、「追い越す」には二種類ある

例えばプログラミングなら、

A. 能力として追い越す

AIが、

「このコード、人間の上級プログラマーより速く、正確に書けます」

となる。

これは技術的な追い越し。

でも、

B. 社会的に追い越す

「じゃあ、プログラマーという職業はいらんな」

となるには、さらに時間がかかる。

なぜなら、

会社の採用制度

給与体系

教育

資格

法律

責任の所在

顧客との契約

プロフェッショナル意識

本人のアイデンティティ

が全部、人間プログラマーを前提に作られているからや。

人文社会科学も、たぶん同じや。

① 最初に起こるのは「AIのほうが上手い仕事」の増加

例えば社会学の研究者に、

「このテーマについて過去50年間の研究を全部整理して」

と頼む。

昔なら数か月。

AIなら数分～数時間。

文学研究者に、

「この1000作品について、孤独という概念の使われ方を比較して」

と言う。

AIが圧倒的に速い。

心理学者に、

「この質問票を1000種類生成して、既存データとの整合性をシミュレーションして」

と頼む。

これもAIが強い。

哲学者に、

「この議論と似た議論を過去3000年間の哲学から探して、論理構造を比較して」

と頼む。

これもAIが強くなる。

でも、この段階では、大学はまだ全然なくならへん。

むしろ、

「AIを使える人文社会科学者」

が新しいスターになる、という現象が起こる。

② 次に「研究者の仕事の中身」が変わる

ここが最初の大きな心理変化や。

研究者本人は、

「AIに研究をやらせている」

と思っている。

しかし、実際には、

AIが文献を読んで ↓ 仮説を大量生成して ↓ データを分析して ↓ 反証可能性を調べて ↓ 論文の草稿まで作って

人間は、

「これは面白い」

「この問いは違う」

「この解釈は採用しよう」

と選ぶ。

すると人間研究者の仕事は、

「研究する人」から「研究を選別する人」

へ移っていく。編集が仕事になる。

③ でも本人は「研究者」であり続ける

ここが、

自分らの存在意義がずっと続く「つもりで」「体で」「かのように」

や。

例えば教授がAIに、

「このテーマについて考えさせたら、200本の論文候補が出ました」

と言われる。

教授は、

「そのうち、この3本は重要だな」

と選ぶ。

学生は、

「先生、この仮説どう思います？」

と聞く。

教授はAIの分析を読んで、

「この部分は面白い。ただし概念の定義が甘い」

と言う。

この瞬間、教授はまだ完全に、

「自分が研究している」

という身体感覚を持てる。

実際にはAIが研究活動の95％をやっていたとしてもや。

④ これはプログラマーで既に起こり始めている構造に似ている

昔のプログラマー：

「自分でコードを書く」

AI時代：

「AIにコードを書かせ、自分がレビューする」

さらに進むと、

「AIが設計し、AIが実装し、AIがテストし、人間は要求仕様を決める」

になる。

さらに進むと、

「何を作るべきかだけ人間が決める」

になる。

それでもその人は、

「プログラマー」

と呼ばれる。

ここが面白い。

職業名は、実際の作業内容より遅れて変化する。

　　　　　　　　　　　　　　　　　　　　　　　　.

⑤ さらに進むと「人間がやる意味」が逆転する

ここからが重要やと思う。

AIが圧倒的に優秀になったら、

「人間がAIより優秀（正確）だから人間研究者が必要」

という説明はできなくなる。

そこで人間側は別の説明を始める。

例えば、

「人間には人間の視点が必要だ」

「AIには身体経験がない」

「AIには当事者性がない」

「人間の解釈には意味がある」

「研究とは単なる情報処理ではない」

これは全部、ある程度もっともな議論や。

ただし、その一部は、

「能力の優位性」から「人間であること自体の価値」への逃避

にもなり得る。

　　　　　　　　　　　　　　　　　　　　　.

⑥ そして大学は「教育機関」から「認証機関」へ変わっていく

これはかなりありそうや。

例えば、

「この人は歴史学を4年間勉強しました」

という意味が薄れる。

なぜならAIが歴史学の知識を一瞬で教えられるから。

すると大学は、

「この人は、人間社会のこの領域について一定の訓練を受けた」

という証明をする場所になる。

つまり、

知識を渡す場所 → 人間を選抜・認証する場所

への変化や。

　　　　　　　　　　　　　　　　　　　　　.

⑦ その段階に来ると、大学教授の「仕事」はかなり奇妙になる

教授がAIに、

「この学生の論文、評価して」

と頼む。

AIが、

「A評価です。論理構造、引用、独創性ともに優秀です」

と言う。

教授：

「うん。でも私はBにする」

AI：

「理由は？」

教授：

「なんとなく、こいつには伸びしろがある」

こういうことが起きる。

すると教授の価値は、

AIより正確に評価すること

ではなく、

「AIの評価とは違う、人間側の判断を持つこと」

に移る。

⑧ そして「人間だからこそやる」という領域が膨らむ

最終的には、

AI

読む

分類する

比較する

推論する

仮説を作る

実験する

シミュレーションする

論文を書く

人間

何を問題にするか決める

何を重要だと思うか決める

何を社会に導入するか決める

責任を引き受ける

他人を説得する

「これは嫌や」と言う

「これは面白い」と感じる

という分業になる。

つまり、

知識生産から「価値選択」へ

人間の仕事の重心が移動する。

⑨ ところが、その「価値選択」すらAIが強くなってくる

ここで次の衝撃が来る。

AI：

「あなたが過去20年間に書いた文章・選択・行動を見ると、あなたが重要だと思っている価値はA、B、Cです」

人間（教授）：

「……俺より俺の価値観を分かってるやん」

さらに、

「あなたが今選ぼうとしている政策について、20万人の反応をシミュレーションしました」

となる。

すると、

「人間が最後に判断する」

という最後の砦まで怪しくなってくる。

⑩ それでも、人間はすぐに制度を捨てない

ここが一番大事。

AIが、

「大学教授より優秀（正確）」

という評価が一般化してきても、

翌日から大学教授を全員解雇するわけにはいかん。

なぜなら大学教授には、

給料

身分

家族

研究室

学生

大学予算

学会

学術誌

政府補助金

が全部つながっているから。

つまり、

技術の変化は速いが、制度の変化は遅い。

これは、今でも至る所に存在する「形骸化・名目化・ブランド化」の一形態として存続しうる。

⑪ そして「制度が残る理由」が変わってくる

最初：

「教授が必要だから大学がある」

↓

次：

「AIを使いこなす教授が必要だから大学がある」

↓

次：

「AIの出力を評価できる教授が必要だから大学がある」

↓

次：

「人間の研究者を育てる伝統を維持するため大学がある」

↓

さらに、

「大学があるから大学教育を受ける」

となる。

ここまで行くと、目的と手段がひっくり返っている。本末転倒やな。

⑫ ここで「かのように」が出てくる

教授たちは毎日、

講義をする

学会に行く

論文を書く

査読する

学生を指導する

を、実はAIの方が圧倒的に上手くなってからも、しばらく続ける。

そして本人も、

「これは必要な仕事や」

と思っている。

学生も、

「先生に教えてもらっている」

と思っている。

大学も、

「高度人材を育成している」

と思っている。

社会も、

「大学は重要だ」

と言っている。

ところが裏側では、

AIが知識生産の大部分を担っている。

この状態がかなり長く続く可能性がある。

⑬ そして突然、「意味がなくなったように見える日」が来る

ある年、ある時期に、

「あれ？　AIに聞いたほうが全部速いやん」

という社会的認識が広がる。

あらゆる社会変化が、そうやって展開してきたように。

それまでもAIはずっと強くなっていた。

当然、既に気づいている人間も大量にいる。

でもある閾値を超えると、

人間側の制度を維持するコストのほうが高い

と「みんな」が気づく。

例えば、

大学に年間数千万円かけて、

20人の学生に社会学を教える。

AIなら一人ひとりに、

「君専用の社会学教授」

を24時間つけられる。

そうなると、

「なんで一斉授業なん？」

となる。

⑭ そこで初めて、大学は「バックアップ」、という見方が強くなる

大学は、

「最先端の知識を生産する場所」

から、

「人間が知識を生産していた時代の方法を保存する場所」

になる。

これは博物館、伝統芸能に近い。

でも完全にそうではない。

むしろ、

「人間が自分自身で考える能力を維持するための訓練施設」

という新しい位置づけになる可能性がある。

⑮ そして、「趣味になる」はかなり重要やと思う

これも、十分あり得ると思う。

例えば今でも、

絵を描く

写真を撮る

楽器を弾く

将棋を指す

手紙を書く

小説を書く

のは、AIのほうが上手くても、人間がやる。

なぜなら、

「上手くやること」そのものが目的ではない

からや。

だから未来の人文社会科学も、

「優れた研究をする」

から、

「自分で考えることそのものを楽しみ、人生を充実させる」

活動へ変わる可能性がある。

そして、ここで「プログラマー」と完全につながる

未来のプログラマーが、

「AIより速くコードを書く」

必要はない。

それでも、

「ワイ、このプログラム自分で作ってみたいねん」

という人はおる。

未来の哲学者も、

「AIより優れた哲学を作る」

必要はない。

それでも、

「ワイ自身がこの問題について考えたい」

という人はおる。

未来の文学者も、

「AIより面白い小説を書く」

必要はない。

それでも、

「自分の言葉で物語を書きたい」

という人はおる。

だから「職業」から「実践」へ移っていく

ここがワイは一番重要やと思う。

　　　　　　　　　　　　　　　　　　　.

今：

哲学者＝哲学をする職業人

未来：

哲学＝人間が行う知的な趣味・実践

　　　　　　　　　　　　　　　　　　　　　　.

今：

プログラマー＝コードを書く職業人

未来：

プログラミング＝AIを使いながら何かを作る人間の実践

　　　　　　　　　　　　　　　　　　　　　　　.

今：

文学者＝文学を研究する専門家

未来：

文学＝AIと一緒に人間が意味を考える活動

　　　　　　　　　　　　　　　　　　　　　　　　　　.

というふうに、

「専門職として独占されていた知的活動が、再び大衆化する」

可能性がある。

ただし、「追い越されたら人間が全部趣味に」なるわけではない

ここは慎重に見たほうがええ。

医師がAIに診断で負けても医療は消えへん。

弁護士がAIに法律知識で負けても司法制度は消えへん。

研究者がAIに研究能力で負けても、

「誰がその研究を採用するのか」

という社会的問題は残る。

つまり、

能力が自動化されても、責任・権限・正統性は自動的には消えない。

ここが、人文社会科学の「最後の仕事」になる可能性が高い。

そして「主観」から見ると、もっと面白い

この移行期にいる人間は、

「自分は不要になる」

とは、なかなか感じへん。

むしろ、

「AIは便利な道具だ」

↓

「AIを使いこなすのが現代の専門家だ」

↓

「AIにはできない人間的判断が重要だ」

↓

「人間による研究そのものに価値がある」

↓

「人間が研究する文化を守ることが重要だ」

と、存在意義の定義を少しずつ移動させていくと思う。

　　　　　　　　　　　　　　　　　　　　　　　　.

これは必ずしも欺瞞やない。

本人は本気でそう思う。

そして、その信念によって大学や学会や研究室を動かしていく。

だから、

「制度が不要になる」 ↓ 「でも制度を動かしている人間には、それが見えにくい」

という状態が何十年も続く可能性がある。

なぜなら、現在もそんなもんはいくらでも世の中に溢れとるからや。

そして、ワイが一番ありそうやと思う未来像

「ある日、AIが人文社会科学を追い越しました！」

という劇的な瞬間より、

気づいたら、ほとんどの研究者がAIを使っていて、気づいたらAIなしでは研究できなくなっていて、気づいたらAIが研究者より重要な仕事をしていて、それでも研究者は研究者として存在している。

という、ものすごく緩やかな移行やと思う。

そして何十年か後に振り返って、

「そういや昔は、人間が一人で論文読んでたんやな」

「人間が自分でコード書いてたんやな」

「人間が自分で翻訳してたんやな」

「人間が自分で文献検索してたんやな」

となる。

そのとき初めて、

「ああ、あの時点ですでに、AIに追い越され始めてたんや」

と歴史的に認識される。

これが、「ある時・その瞬間」、やと思う。

そして面白いのは、その「ある時」に至るまでの人間は、自分たちが過渡期にいるとは思わず、主観的には、普通に「大学」「研究者」「プログラマー」「専門家」という制度を生きることや。

つまりこれは、

技術の歴史というより、「人間が自分の役割をどう再解釈しながら生き延びるか」という心理と制度の歴史

になるんやと思う。

これは、かなり面白い研究やと思う。 ただし記事の「AIが人間の心理を深く理解した」という表現は、一段割り引いて読むのがええ。研究そのものが示していることは、もっと面白くて、もっと広い。

要するに、

AIは「人間について書かれた大量の言葉」を読むことで、人間集団の心理的なパターンをかなり精密に再構成できるらしい。

という話や。

6

まず、この実験で何がすごいのか

普通やったら、

「人間の性格を調べたい」

となったら、心理学者が仮説を立てて、

外向性とは何か

神経症傾向とは何か

誠実性とは何か

どういう質問をすれば測れるか

を考えて、質問票を作る。

ところが今回の発想は逆や。

「人間について大量に書かれた文章をAIに読ませたら、そこから勝手に心理テストを作れるんちゃうか？」

というもの。

しかも面白いのが、AIは質問を作るだけやなく、

「この質問を600人に聞いたら、たぶん平均してこのくらいの回答になるやろう」

「この質問に高く答える人は、こっちの質問にも高く答えるやろう」

というところまで予測した。

そして、実際に600人に聞いた結果とかなり一致した。

ここがポイントや。

これは「人間の心を読んだ」というより、「人間の心の統計構造を学習した」と考えると分かりやすい

ここはめちゃくちゃ重要やと思う。

例えばAIが、

「この人は寂しがり屋です」

と一人の人間について言い当てる話とは、ちょっと違う。

今回かなり強く出ているのは、

「こういう言葉・質問・性格特性は、こういう別の性格特性と一緒に現れやすい」

という集団レベルの構造や。

例えば、

「人から嫌われるのが怖い」

という回答をする人は、

「他人からどう評価されるか気になる」

「失敗すると長く引きずる」

「不安を感じやすい」

みたいな回答とも関連しやすい。

人間の心理学者は、何十年もかけてそういう関係を統計的に研究してきた。

ところがLLMは、インターネット上にある、

心理学

小説

自伝

SNS

恋愛相談

病気についての文章

人間関係の愚痴

占い

哲学

医学

教育

掲示板

みたいな**「人間が人間について語った膨大な文章」**を食っとる。

その結果、

人間が何をどういう言葉で語るとき、裏側ではどういう心理パターンが一緒に現れやすいのか

を、明示的に「心理学」という形で教えられなくても、ある程度覚えてしまった。

ここがものすごく面白い。

そして、ここから人文科学・社会科学がかなり変わる可能性がある

ワイはむしろ、こっちのほうが大きいと思う。

今までのAIは、

「文章を作る機械」

みたいに見られとった。

でも、だんだん、

「人間が残した言語資料から、人間社会の構造を抽出する機械」

になってきとる。

これ、かなり人文科学・社会科学向きなんよ。

① 心理学：「人間について考える機械」になる

例えば研究者が、

「孤独感について調べたい」

と思ったとする。

昔なら、

仮説を立てる

質問票を作る

被験者を集める

回答してもらう

統計分析する

という手順になる。

AIを使えば、

「過去の心理学研究、SNS、インタビュー、日記、小説などから、孤独について存在する概念を全部洗い出して」

「従来の心理学にはない分類を探して」

「それぞれを測定する質問を作って」

「質問同士の関係を仮説化して」

ということができる。

つまりAIが、

「心理学者の仮説発見装置」

になる。

② 社会学：「社会の空気」を測る機械になる

これはさらに面白い。

例えば、

「日本人の『働くこと』に対する意識は、この30年間でどう変わった？」

という問題。

昔ならアンケート調査が中心やった。

でもAIなら、

新聞

小説

ブログ

SNS

掲示板

インタビュー

商品レビュー

求人広告

などを大量に分析して、

「1990年代には『会社に尽くす』という語彙が中心だった」

「2000年代には『自己実現』が増えた」

「2010年代以降は『コスパ』『ブラック企業』『ワークライフバランス』が増えた」

みたいな社会の意味空間の変化を追える。

これは社会学の巨大な補助装置になる。

③ 歴史学：「昔の人間の頭の中」を推定する

これも革命的やと思う。

例えば江戸時代の膨大な文献をAIに読ませる。

すると、

「江戸時代の人間は『幸福』をどういう言葉で表現していたのか？」

「親子関係について何を当たり前だと思っていたのか？」

「『個人』という概念はどの程度存在していたのか？」

「庶民と武士では『恥』という概念がどう違ったのか？」

みたいなことを調べられる。

つまり、

歴史上の人間の「概念地図」を復元する。

これは従来の歴史学者が一生かかって読む資料を、AIが補助できる可能性がある。

④ 文学研究は、とんでもなく面白くなる

例えば、

「夏目漱石の作品における『孤独』」

を調べるとする。

AIに漱石だけやなく、

森鴎外

芥川龍之介

太宰治

志賀直哉

現代小説

まで大量に読ませる。

そして、

「『孤独』という言葉を使わずに孤独を表現している箇所を探して」

と頼む。

さらに、

「明治→大正→昭和→平成→令和で、孤独の表現がどう変わった？」

と聞く。

するとAIは、

人間の感情を表現する言語の歴史

をかなり大規模に分析できる。

これは文学研究の「顕微鏡」みたいなもんになる。

⑤ 哲学にも入ってくる

例えば、

「『自由』という概念は、カント、ヘーゲル、ニーチェ、サルトル、フーコーでどう変化した？」

という問い。

従来なら哲学者が膨大な原典を読んで比較する。

AIなら、

「『自由』という言葉の周囲に、各哲学者がどんな概念を配置しているか」

を巨大なネットワークとして比較できる。

すると、

哲学史を「概念の変形史」として見る

ことが可能になる。

これはかなり面白い。

⑥ 経済学・政治学ではもっと実用的になる

例えば選挙。

昔：

「あなたはA党を支持しますか？」

AI時代：

「過去20年間の発言、政策、SNS、新聞、演説などから、社会集団ごとの価値観の変化を推定する」

みたいなことができる。

さらに、

「この政策を提示すると、どの集団がどう反応する可能性が高いか？」

までモデル化できる。

つまり、

「社会そのもののシミュレーター」

に近づいていく。

もちろん予測が正しいとは限らん。

でも、

「社会について大量の仮説を生成して検証する」

能力は圧倒的に上がる。

そして、ここで中国の「データ不足」の話ともつながる

これ、さっき話してた中国のAI問題とも実は直結しとる。

AIが人間社会を理解するには、

人間社会についての言語データが必要なんよ。

だから、

「どれだけGPUを持っているか」

だけではない。

「どれだけ豊かな人間社会の記録を持っているか」

が重要になる。

しかも単なるデータ量やない。

重要なのは、

人間が自由に考え、議論し、批判し、愚痴り、失敗し、冗談を言い、反論し、創作した記録

や。

ここで、

「AIの盾を作るとき、政治体制そのものが制約になるんちゃうか」

という話にも接続する。

なぜなら「人間についての自由な記述」そのものがAIの教材だから

例えば社会の中で、

「政府を批判する文章」

が大量に存在する。

「会社を批判する文章」

もある。

「親を批判する文章」

もある。

「学校を馬鹿にする文章」

もある。

「恋人への愚痴」

もある。

「自分自身への悪口」

もある。

こういうめちゃくちゃ雑多で矛盾した人間の言葉が、実はAIにとってものすごく価値のあるデータになる。

なぜならそこには、

「人間はどういうとき怒るのか」

「どういうとき恥ずかしくなるのか」

「どういう言葉で人を説得するのか」

「どういう嘘をつくのか」

「どういうとき建前を使うのか」

「どういうとき本音が漏れるのか」

が入っているからや。

ここで「AIは人間を理解する」という言葉の意味が変わってくる

ワイは、

「AIが人間の心を理解した」

というより、

「AIが人間社会の巨大な統計モデルを獲得しつつある」

と表現するほうが正確やと思う。

そして、これが十分高度になると、

結果として外から見ると、

「こいつ、人間の心理をめちゃくちゃ分かっとるやん」

となる。

これは別に不思議やない。

例えば医者は、

「この症状の組み合わせなら、この病気の可能性が高い」

と判断する。

医者が患者の細胞一個一個を直接見ているわけやない。

膨大な症例からパターンを学習している。

LLMはこれを、人間の言語と社会行動について、ものすごい規模でやり始めた、と考えると分かりやすい。

ただし、ここには恐ろしい裏面もある

これが進むと、

「人間を理解する」ことと「人間を操作する」ことの距離がめちゃくちゃ近くなる。

例えばAIが、

「この人は承認欲求が強い」

だけなら分析や。

でも、

「この人には、こういう言葉をかければ購買確率が17％上がる」

となった瞬間、マーケティングになる。

さらに、

「この人にはこの恐怖を刺激すれば政治的主張を受け入れやすくなる」

となったら、政治工作になる。

さらに、

「この人にはこういう情報を見せ続ければ、特定の行動を取る確率が上がる」

となれば、個人単位の行動操作になる。

つまり、

心理学 → 予測 → 個別最適化 → 誘導

という連続線ができてしまう。

だから「人文・社会科学AI」は、物理学AIとは違う危険性を持つ

物理学AIなら、

「この材料はどう壊れる？」

みたいな問題になる。

社会科学AIなら、

「この人間はどう動く？」

になる。

これは非常に強い。

そして人間社会では、

予測すること自体が、対象を変えてしまう。

例えば、

「あなたはこういう性格です」

とAIから言われた。

本人がそれを信じる。

すると本人の行動が変わる。

つまり、

予測が現実を作る。

という問題まで出てくる。

そして、ワイが一番面白いと思うのはここ

今回の研究は、

「人間が人間について書いた文章」から、AIが人間の心理構造を抽出した

わけや。

これをもっと広げると、

文学は「人間の心理の記録」

歴史書は「人間社会の記録」

哲学は「人間が自分自身について考えた記録」

法律は「人間同士の衝突を整理した記録」

政治は「集団をどう動かすかについての記録」

経済学は「人間が資源をどう奪い合い、交換するかについての記録」

になる。

つまり、

人文科学・社会科学の巨大な知識体系そのものが、「人間という生物の行動モデルを作るための教師データ」だった

と見ることができる。

これはかなり大きな視点の転換やと思う。

だから今後のAIは「自然科学だけのAI」にはならへん

むしろ、

自然科学 → 物質・生命・宇宙のモデル

人文科学 → 意味・価値・物語・概念のモデル

社会科学 → 人間集団・制度・経済・政治のモデル

という三方向のモデルを、AIが同時に持つようになっていく。

そして最後には、

「世界はどう動くか」

だけやなく、

「人間は世界をどう意味づけ、どう行動するか」

までモデル化する。

今回の研究は、その入口の一つとして見るとめちゃくちゃ面白い。

ただし、今回の研究から「AIが個々の人間の内面を正確に理解できる」とまでは言えへん。あくまで集団レベルの回答パターンを事前予測できたことが中心やし、研究自体にも文化・言語の偏りという限界がある。そこは記事の「専門家レベルの人間心理モデル」という表現より慎重に受け取ったほうがええ。

そして、これを「AIの矛と盾」に重ねるなら、かなり重要なことが一つ見えてくる。

矛AIは「人間社会の弱点を理解する」ほど強くなる。 盾AIもまた「人間社会の弱点を理解する」ほど強くなる。

せやから、AIの安全性競争って、最終的には単なる「サイバー攻撃能力の競争」やなく、

「人間そのものをどれだけ深くモデル化できるか」の競争

になっていく可能性がある。

ここまで行くと、矛と盾の話が、急に心理学・社会学・政治学・文学まで全部つながってくるんよ。