第8部 第一章
学びの地図

「AIが文章を書く」「AIが絵を描く」——この表現が当たり前になった今、私たちは「書く」「描く」という行為の意味を改めて問い直す必要がある。第1話はその問いの出発点だ。

従来のAIは「分類」と「予測」を得意とした。画像の中の猫を識別する、明日の株価を予測する——どちらも既存のパターンに照らして「答えを出す」行為だ。しかし生成AIは違う。与えられた文脈から、存在しなかったテキスト・画像・音楽を「組み立てる」。前者は参照であり、後者は再構成だ。

ハルの問い「なぜAIは作文が書けるの？」は、実は深い問いだ。なぜなら、「書く」という行為が人間の創造性の核心だと信じてきたからこそ、その問いは刺さる。第1話後編では、「生成＝組み合わせ直す技術」であることを確認しながら、それが「創造」と呼べるかどうかを宙吊りにする。

コンピュータが誕生した時代、「賢い機械」のイメージは「正確にルールを実行する機械」だった。専門家の判断を「もし〜ならば〜する」という論理の連鎖として記述し、機械に実行させる——これがエキスパートシステムの発想だ。

この方式の根本的な限界は、「現実の複雑さはルールで書ききれない」ことにある。言葉の微妙なニュアンス、文化的な背景、例外の例外——人間は無意識に処理しているが、ルールとして明示化できないものが膨大にある。この壁を乗り越えたのが、機械学習のアイデアだ。

「ルールを書く代わりに、データを見せる。」これが転換の核心だ。ディープラーニングはさらに進んで、何百億というデータを何千万というパラメータ（重み）に圧縮し、「なぜそう判断するか説明できないが、高精度で判断する」AIを生み出した。透明性の喪失と引き換えに、能力の飛躍的向上を得た。

ChatGPTをはじめとする現代の言語AIは、驚くほどシンプルな原理の上に成り立っている。「与えられたテキストの続きとして、最も確率の高い単語を選び続ける」——これだけだ。

しかしこの「シンプルな原理」が、インターネット上のほぼすべてのテキストで訓練された時、何が起きるか。何兆ものトークン（単語・記号の断片）の統計的なパターンが、何百億というパラメータに圧縮される。その結果、モデルは言語の表面的なパターンだけでなく、概念同士の関係性、文体の特徴、論理の流れまで「確率の分布」として内包することになる。

重要なのは、このモデルが「意味を理解している」わけではないという事実だ。モデルには「りんご」が何かを知らない。あるのは「りんご」というトークンが他のトークンと共起する確率の分布だけだ。にもかかわらず、その出力は意味を持っているように見える——これが「錯覚のメカニズム」の核心であり、第3話が正面から向き合う問いだ。

2016年3月。囲碁の世界王者・李世ドルは、Googleのプログラムに4敗1勝で敗れた。衝撃的だったのは、AlphaGoが「ありえない手」を指したことだ。ベテラン棋士が「悪手」と思った着手が、数十手後に鮮やかな布石だったことが判明した。AIが「直感」を発揮したように見えた瞬間だった。

しかし、AlphaGoに感情はない。直感もない。あるのは、何百万局もの棋譜と自己対戦から得た膨大な確率分布だ。「ありえない手」は人間の経験的なパターン認識が「低確率」と判定していただけで、AlphaGoが計算した確率では優位だった。「考えているように見える」と「考えている」の間には、深い溝がある——のか、それとも人間の思考もまた精緻な確率計算なのか。

第4話後編で登場する「AIは鏡だ」という比喩は示唆的だ。私たちがAIに「知性」を見出すとき、私たちはAIに映る自分自身を見ているのかもしれない。擬人化は、知性の証明ではなく、人間の認知の証明かもしれない。

人類は何千年もの間、「知識はどこかにある」という前提で生きてきた。石板、羊皮紙、活版印刷、百科事典、インターネット——媒体は変わっても、知識は「記録されたもの」であり、人間がそこへ「行って」「参照する」ものだった。インターネットの検索エンジンすら、この枠内に収まる。ウェブページは「どこかにある」文書であり、検索は「そこへのルート案内」に過ぎない。

生成AIが起こした転換は、この前提を覆した。「知識は問いの形に応じて生成されてこちらへ来る」——これが断層の現在形だ。「料理で光合成を説明して」と問えば、料理で光合成を説明した文章が「生成」される。その文章はどこにも書かれていなかった。問うことではじめて存在する。

第5話後編が提起する問いは、この転換の社会的含意だ。問いの質が答えの質を決める時代に、「よい問いを立てられない」ことは何を意味するか。かつては「知識を知っているかどうか」が差を生んだ。今は「何を問うかを知っているかどうか」が差を生む——この転換は、学びの在り方をも根本から変える。