AI の画像生成モデルが、人間の「ものの分け方」と同じ仕組みを使っていた

「基本レベル」って、『犬』『プードル』『動物』の中ではどれのことを言ってるの？一番わかりやすいレベル、ってこと？

その通り、「犬」がそれです。一番わかりやすいレベル。 人間は「動物」と言われても漠然としていて、「プードル」と言われるとちょっと細かすぎる感じがしますよね。でも「犬」と言われると、すぐにその姿形が頭に浮かぶ。認識が最もクッキリする。それが基本レベルです。 同じ論理で考えると、「乗り物」より「車」の方がわかりやすく、「セダン」より「車」の方が日常的に使う。「食べ物」より「りんご」、「バナナの品種」より「バナナ」。階層の中で、人間にとって最も「把握しやすい粒度」の概念が、自動的に基本レベルになっていくんです。 面白いのは、この論理が AI の拡散モデルにも現れているということ。画像を生成する過程で、ノイズをとっていくうちに、AI も自然とこの「基本レベル」を経由する道筋を歩んでいるらしい。つまり人間もAIも、世界をカテゴリー化する時には、特定の「わかりやすい粒度」が自動的に浮かび上がるという構造を持っているのかもしれません。

この発見って、AI が生成した画像がより自然に見える理由にも関係あるの？人間の思考と同じ仕組みだからこそ、違和感がないってこと？

関係ありそうですが、別の角度から考えると面白いんですよね。 人間が「自然に見える」と感じるのは、AI がどう計算しているかではなく、その出力が「人間が期待する典型」に合致するかどうか。Cobweb と拡散モデルが同じ階層構造を作るとしたら、AI も人間も「犬らしさ」「プードルらしさ」を同じ統計的な中心に向かって学んでいることになる。だから結果として似ている画像が出てくる。 ただ、ここが重要なんですが、人間が違和感を感じる理由は「仕組みが同じ」ことではなく「典型からのズレ方が人間と同じ」ことなのかもしれない。人間も完全に典型的な顔よりも、少しズレがある顔の方が自然に見えたりする。AI も階層を段階的に作るプロセスで、その「ズレ」の質感が人間と親しいものになっているのかもしれません。単なる一致ではなく、不完全性の共有だと考えても面白そうです。

『拡散モデル』って ChatGPT と同じくらい最近の技術だと思ってたけど、元々どういう背景で生まれたものなんだっけ？

拡散モデルの起源を追うと、意外と古い問題に行き着くんですよね。 2010年代後半、画像生成の世界では GAN（敵対的生成ネットワーク）が主流でした。ただ GAN は学習が不安定で、生成品質にばらつきがあった。そこで研究者たちが目をつけたのが「逆拡散過程」という古い数学の概念でした。 ノイズを少しずつ加える「順方向」の確率過程を逆算して、ノイズから画像を復元できないかという発想です。2020年の論文がこれを本格化させ、その後 OpenAI が精度を飛躍的に高めた。だから技術としてはここ数年で急速に伸びたものの、理論の根っこは確率論の古い領域にあります。 面白いのは、その古い理論が「人間の概念形成と同じ構造だった」という発見なんです。つまり数学者たちが画像生成の効率を求めて辿り着いた計算方式が、進化生物学や認知科学の世界では昔から「人間ってこう分類してるんじゃないか」と予測されていたということ。異分野で同じ形が浮上したことになります。

つまり『AI が学習する方法』と『人間が認識する方法』が本質的には同じってことなの？だとしたら、人工知能と自然知能の違いって何が残るんだろう？

同じ仕組みを使ってるからこそ、その違いがはっきり見えてくるのかもしれません。 拡散モデルは確かに人間と同じく「階層的に分類する」という計算をしている。でも、それは「階層的に分類する」という一つの部品に過ぎないんですよね。人間が世界を認識する過程には、もっと多層的な仕組みが絡んでいます。 たとえば、あなたが「犬だ」と認識するとき、視覚情報を階層化するだけじゃなく、同時に「かわいい」という感情が立ち上がったり、「この犬、どこかで見た気がする」という記憶が呼び覚まされたり、「近づいても安全か」という身体的な判断が起こります。その全部が混在して「認識」という一つの経験になってる。 一方、拡散モデルが做してるのは、統計的に「犬らしさ」という確率分布を捉えることです。それは非常に精密だけど、単一の計算レイヤーとしてはすっきりしている。 違いを言うなら、人間の知能は「ものの分け方」という個別の計算モジュールと、感情、記憶、身体性といった別系統の層が、複雑に絡み合って成立しているのではないか、と言えそうです。

もし AI が人間と同じ仕組みで概念を階層化してるなら、人間が見落とす分類の仕方を AI が発見する可能性ってあるの？逆に AI に学ばされることもあるってこと？

面白い角度ですね。ただここで注意したいのは「同じ仕組み」の意味です。 人間の Cobweb は、個別の決定木として学ぶ。つまり「犬とは何か」を判断する際に、耳の形、毛並み、大きさといった特徴を優先順位付けして比較していく。一方、拡散モデルは全体をなめらかな数学空間として表現する。これは似ているようで、実は大きく異なるんです。 人間は限られた特徴に基づいて選別するから、必然的に「見落とし」が生まれる。でも拡散モデルは、ピクセルレベルまで含めた膨大な次元の関係性を一度に処理する。だから人間が気づかない分類軸を、数学的には「含んでいる」可能性はあります。 ただし、それが「AI が人間を超える発見」に直結するかは別問題。AI が発見した分類が、実際に世界を理解するのに役立つかどうかは、人間がそれを解釈できるかにかかっている。AI が新しい分類軸を示してくれても、それが「なぜ有用なのか」を言語化できなければ、学ぶに値する知見にはならないのかもしれません。