AI時代にこそ必要となる｢IQ以外の知性｣って何？

2024年6月28日 21時0分

東洋経済オンライン

みんなの感想は？

コンピュータやAIが発達した時代に必要とされる「IQ以外の知性」とは、どんなものでしょうか（写真：metamorworks／PIXTA）

AIの進化は私たちに何をもたらし、社会をどう変革していくのか。その答えを探るべく、日本の情報工学をリードする第一線の研究者で、師弟の間柄でもある暦本純一さんと落合陽一さんが「AI時代の知性」をテーマに語った。

本稿では、その対談をまとめた著書『2035年の人間の条件』からの抜粋で、AI時代に必要とされる「IQ以外の知性」について紹介する。

数学の概念は教育で身につけるしかない

──IQ以外で測る知性には、どんなものがあるのでしょうか。

落合：微分の考え方ができる人って、頭が良くて勉強も得意だと思うんですよ。でも、それはIQテストでは測れないんじゃないですかね。

暦本：距離じゃなくて速度とか、速度じゃなくて加速度みたいな話？

落合：そうです。たとえば理系の研究者は、1変数のパラメータをちょっとずつ動かしたときどうなるかとか、2変数だと動きがどう変わるのかとか、あるいは時間を止めて考えてみたりとかしますよね。加速度を固定するなら、速度をちょっと動かして考えてみようとか。

ロボットの動きを分析するには、時間を止めたり、X軸かY軸を固定したりするじゃないですか。物事の仕組みを理解したり、変化を分析したりするときは、そういう思考法が求められる。

理系の研究者だけじゃなく、スポーツ選手もこれが得意だと思いますけどね。たとえば野球の投手が腕の振り方を変えようと思ったら、それ以外の体の動きは変えずに、いろいろな腕の動きで投げたボールがどうなるかを比較するでしょう。これは知性の中でも重要な要素だと思いますけど、生活の中でそれを考える人はあまりいない。

暦本：加速度の話ぐらいまでは実用の範囲内だから、生活感覚でわかりますね。

でも解析学のイプシロン─デルタ論法※1になると、無限という概念を把握しないと理解できない。実用を超越した抽象的な数学だから、教わっても最初は何の話をしているのかわからない状態になる。イプシロン─ デルタは高校で教えるんだっけ？

※1　イプシロン─デルタ論法（ε─δ論法）　解析学（極限や収束などの概念を扱う数学の分野）で、実数値のみを用いることで関数の極限を厳密に定義する方法。ニュートンとライプニッツが創設した微分積分学は、実数の範囲では定義できない無限小や無限大の概念を用いていたが、1860年代にイプシロン─デルタ論法が完成したことで、無限小や無限大という概念を使わずに収束や連続が定義できるようになった。

落合：いえ、大学1年生ですね。

生活から超越しすぎている複素数

暦本：たぶん理系の大学生でも、最初は「なんじゃこれは」と思うでしょ。見たことのない記号もたくさん出てくるし。微分に限らず、数学にはそういうところがありますよね。算数は、なんとなく身体感覚でわかるんです。円周を直径で割ったものが円周率とか、その求め方はわからなくても、何の話をしているかはわかるじゃないですか。

でもイプシロン─デルタとか、あるいは複素数などは、生活から超越しすぎていてわけがわからない。

もっとも、生活に密着しているはずの実用的な概念でも、身体感覚ではわからないものもあります。金融の「複利」なんかがそうですよね。利息を元本に組み込むので、エクスポネンシャル※2に増えていくんだけど、直観的には毎年同じ額だけ増えていくような気がするんです。

たとえば小学1年生が幅跳びか何かで30センチ跳べたとして、「明日から毎日1パーセントずつ距離を伸ばそう」といわれたら、とりあえず次は3ミリだから、できそうな気がするじゃないですか。でも、次の1パーセントは3ミリより長い。本当に1パーセントずつ記録を伸ばしたら、卒業までに月まで届いちゃうかもしれないわけです（笑）。

複利計算とはそういうものですけど、これは直観的にはわからないので、教育で身につけるしかないでしょうね。

その概念が身についていないと、会話が成り立たないこともあります。コロナ禍のときも、両対数グラフ※3が理解できないために、おかしな状況分析をする人がいました。AIという家庭教師がいても、そういう数学的な概念がわからないと、教わったことの意味がわからないかもしれない。投げる質問もトンチンカンなものになるだろうし。

※2　エクスポネンシャル（指数関数的）　「y=a^x」を、aを底とするxの指数関数という。その特徴は「倍々ゲーム」で値が大きく変化すること。これを「エクスポネンシャルな変化」という。人間は直観的にグラフが1、2、3、4……と直線的（リニア）に変化すると感じやすいが、指数関数的変化では1、2、4、8……といった具合に増え、途中から急激に値が大きくなる（1から始まった直線的な変化がになったとき、エクスポネンシャルな変化では1024になっている）。

※3　両対数グラフ　縦軸と横軸がどちらも対数スケール（対数目盛り）になっているグラフ。対数スケールのグラフは、目盛りごとに値が倍々で増えていくので（ふつうのグラフが目盛りごとに10ずつ増えていくとしたら、対数グラフは目盛りごとに10倍、100倍、1000倍……と増えていくイメージ）、桁数が大きく異なる値の変化をおおまかに把握しやすい。ただし対数スケールの意味を知らないと、倍々の変化を直線的な変化だと勘違いしやすいので、注意が必要。たとえば「10」と「1万」は大きく離れた値だが、対数スケールでは「1」と「4」になるので、近い値に見えてしまう。

落合：たしかに、そうした変化を直線的な変化と勘違いしていたら、議論にならないですよね。それこそテクノロジーも指数関数的に進歩するので、AIも「まだこんなものか」と侮っていると、あるとき急激に精度が向上します。そういう感覚は、学校の数学教育で基礎をつくるしかないかもしれない。

「三角関数は役に立たない」論の愚かしさ

暦本：いま、高校の数学では線形代数※4やってないでしょ？

※4　線形代数　線形空間（ベクトル空間）を研究する数学理論。行列や行列式が重要な役割を持つ。微分積分と並んで、物理学、工学、経済学などで不可欠な実用数学である。

落合：やっていないと思いますね。3次元正方行列の固有値、固有ベクトルは大学からです。

暦本：だから、大学に入って「VRの研究をしたい」という学生たちが、みんな座標変換で詰まるんですよ。3次元グラフィックスって線形座標のかたまりなので、座標変換がわからないと何もわからない。そういう分野の研究を推進したいなら早くから線形代数をやっておくべきなんです。

ところが統計やコンピュータは積極的に教えたがるのに、なぜかその基礎となる線形代数は軽視する。重みづけのチョイスが謎なんですよね。

たしかに統計の知識は一見すると役に立ちそうなんだけど、本当はその前段階として線形代数をやっておいたほうが、じつは応用が利く。データサイエンス的なことは、それこそチャットGPTに聞けば何でも教えてくれるけど、理解の前提となる微分や線形代数がわからないと、教わったことの意味がわからない。そういう意味で、いまは数学を教える順序がちょっと崩れているんじゃないか。

落合：僕が仕事で使う数学は、解析と線形代数ですね。

暦本：コンピュータのない時代は、3×3の行列のかけ算を手計算でやるのはすごく面倒くさかった。だから線形代数の勉強はあまり楽しくなかったけれど、いまはコンピュータで計算すればいいので、昔よりだいぶ楽になったはずですけどね。

落合：楽だと思いますよ。だから、もっと早くからやったほうがいい。そうじゃないと、なんでチャットGPTが動いているかわからないまま使うことになるんです。「開けたらベクトルじゃん」といっても、何のことかわからずポカンとされてしまう。

暦本：じつは、単に行列のかけ算をしているにすぎないからね。かけ算しているだけであんなにちゃんと素敵に振る舞うんだから不思議だけど。

落合：裏側の数学はけっこうシンプルですよね。ひたすらかけ算をしまくっている。微分にしても、コンピュータの中では差分法※5ばかりですし。

※5　差分法　微分方程式を差分方程式で近似して解く方法。関数f(x)でhを一定の有限値とするとき、Δf(x)=f(x+h)-f(x)を「f(x)の差分」という。差分を限りなくゼロに近づけたとき（h→0）の極限は微分と考えられるので、微分積分と同じ理論を使うことができる。