AIと数学者がタッグ、「ノイズのある通信」の限界を新発見

『シャノン容量』って、要するにノイズまみれの通信でも『ここまでなら確実に情報が届く』という限界線のこと？

そう、ちょうどそれですね。ノイズがある環境で「確実に」情報を送るって、実は二つの意味があるんです。 一つ目は物理的な限界。電話回線が劣化してたり、無線が電波干渉を受けてたりすれば、当然データは壊れやすくなる。でも、ただ「壊れるかもしれない」じゃなく、エラー訂正コードみたいなもので検出・修正もできる。そうやってやり繰りしながら、「1秒間に何ビット、確実に相手に届ける」というレートを上げていく。その上限がシャノン容量です。 面白いのは、この限界線は「条件次第」で変わるということ。どんなノイズが混じるのか、ノイズのパターンはランダムなのか、通信路の特性は何なのか。そういう条件ごとに、実現可能な情報量の上限が決まる。ちょうど「7角形」「11角形」という特定の図形ごとに限界が異なるように。 この研究が示してるのは、その限界がこれまで思われていたより高いかもしれない、ということなんですよね。つまり「もっと効率的に通信できる可能性がある」と分かった、という意味になります。

スマートフォンの電波が悪い時とか、Wi-Fiが遅い時とか、日常の通信の遅さ・途切れってこのシャノン容量と関係してるの？

日常の通信が遅くなったり途切れたりするのは、確かにノイズの影響なんですが、シャノン容量とは少し関係の向きが違うかもしれません。 シャノン容量は「理論上、このノイズの環境でなら最大どこまで情報を詰め込めるか」という限界値です。一種の天井のようなもの。だから、今のスマートフォンやWi-Fiの通信速度が遅いのは、この理論的な限界に近づいているというより、実装されてる技術がまだ天井に余裕があるのに、別の理由で遅くなってることが多いんですよ。電波が弱い、基地局が混んでいる、ルーターの処理能力が追いつかないといった、より日常的な制約にぶつかってる状態のはず。 逆に言えば、今回の研究で「このノイズ環境では実はこんなに送れるんだ」という上限が上がれば、将来の通信技術の設計者たちが「ああ、もっと工夫すればここまで引き出せるのか」と参考にできるようになる。その意味では、すごく遠い下地作りのような研究に見えます。

シャノン容量って何十年も前から理論家たちが研究してきたのに、ずっと正確な値が計算できなかったってなぜ？

シャノン容量の正確な値が計算できない理由は、その計算に必要な「最適な配置」を見つけることが、組合わせ問題として爆発的に複雑だからなんですよね。 たとえば、ノイズがある通信でできるだけ多くの信号を送ろうとするとき、送信側と受信側の信号パターンを工夫する必要があります。その時に「この信号パターン同士は区別しやすくしよう」という制約が生まれる。その制約を満たしながら最大の信号セットを見つけるのが「独立集合を探す」という問題なのです。 理論としてシャノン容量の下限や上限を数式で表すのは、実は可能でした。ですが「その間にある正確な値は何か」を計算しようとすると、候補となる集合の数が指数関数的に増えていく。手作業やプログラムで全部試すなんて、現実的ではないわけです。 AIが役に立つ理由は、数式を眺めて「こういった構造を探してみたら」と提案し、人間がそれの妥当性を判断し、またAIに指示を出す。この対話のループが、盲目的な全探索ではなく、直感と検証を交互にやることで、従来は見逃していた配置を発見できるようになった、ということのようです。

これって『人間が直感で答えを探して、AIがそのアイデアを拡張する』みたいに、今後いろんな数学の難問で人間とAIの組み合わせが活躍するようになるってこと？

面白い着眼点ですが、実はこの研究は「人間の直感 → AI が拡張」という単純な矢印ではないんです。むしろ逆で、人間が「こういう条件で独立集合を見つけてほしい」と具体的に指示を出すと、AI がその制約の中で多くの候補を試してくれる。そこで見つかった集合を人間が数学的に検証して「その次はこの方向を狙おう」と新たな指示を出す。このサイクルが効いてるんですよね。つまり AI が活躍するのは「直感的な創造性」ではなく「膨大な試行錯誤を短時間でこなす力」。人間が数学的な構造や制約条件を理解していることが前提で、AI はその「翻訳機」になってる側面が大きい。他の難問でも活躍する可能性はあると思いますが、それは「人間が問題を十分に構造化できるかどうか」にかかってるのかもしれません。AI が自分で問題を定義するわけではなく、人間が引いた枠の中での加速が得意だということのようです。

AIが『こういう集合を探せ』という指示に応じて有用なアイデアを返せるなら、逆に人間が思いつかないような奇妙な答え、役に立たない答えを返すこともあったんじゃないの？

確実にあったと思います。むしろそっちの方が圧倒的に多かったはずなんですよね。 AIが有用なアイデアを返した場面だけが記事に載るので、見えにくいですが、「こういう条件で探せ」という指示を何度も出すまでに、研究者たちは何百回、何千回と無駄なアイデアに向き合っていたんだと考えられます。人間が指示の仕方を少し変えたり、前の試行から学んだ制約条件を加えたりしながら、AIの出力をふるいにかける。その過程で、ようやく使えるアイデアが出てくる。 つまり、「AIが思いつかない答え」ではなく、「AIが次々と出してくる大量の候補から、数学的に価値のあるものを人間が抽出する」という労力が、この研究の実態なんだと言えそうです。記事では協働の成功例が強調されていますが、その裏側には無数の失敗や外れ値が隠れている。AIをパートナーにする難しさは、じつはそこにあるのかもしれません。