賢いAIは、すべてを考えない：予測と調査を変える「選択的知性」の設計

未来を予測するAIと、ウェブを調査するAI。両者は別々の技術に見える。しかし、どちらも同じ失敗に悩まされている。

問題を解くために、すべてを一度に処理しようとすることだ。

時系列予測では、巨大なモデルがあらゆるパターンを同時に学習しようとする。自律エージェントでは、ひとつの長大な思考ループが、すべての調査、判断、実行を引き受けようとする。その結果、前者は計算資源を浪費し、後者は終わりのない探索に陥る。

ここから導ける重要な仮説がある。知性のスケールは、知識量だけでなく、必要な能力だけを適切な瞬間に呼び出す能力によって決まるということだ。

この視点に立つと、専門家を選択的に起動する時系列モデルと、調査を小さな課題に分割して実行するエージェントは、同じ設計思想の異なる表現に見えてくる。

全部を考えることは、知性ではなく浪費である

巨大なモデルを作れば、能力は自動的に高まるように思える。実際、時系列データを大量に学習し、非常に多くのパラメータを備えたモデルは、さまざまな予測課題に対応できる可能性を持つ。しかし、モデルの全能力を毎回稼働させる必要はない。

たとえば、電力需要の予測を考えてみよう。夏の午後に需要が急増するパターン、休日の需要低下、工場の操業スケジュール、地域ごとの気候差。これらは同じ「時系列」という形式を持つが、未来を決める要因は異なる。

寒波の到来を予測するときに、観光シーズンのホテル予約パターンを同じ強度で参照する必要はない。金融市場の変動を予測するときに、毎週繰り返される店舗の在庫変化を中心に考える必要もない。

ここで有効なのが、混合専門家、つまり複数の専門的な処理系を用意し、入力ごとに一部だけを起動する設計である。モデル全体は大きくても、各予測で使う計算量は限定できる。重要なのは、巨大さそのものではなく、巨大な能力を条件付きで使えることだ。

これは人間の専門知識にも似ている。医師は、医学書を一ページ目から最後まで読み直してから、毎回診断するわけではない。症状を見て、循環器、感染症、神経など、関係しそうな知識の回路を優先的に呼び出す。知識の多さと、知識の検索経路の巧みさは別の能力である。

本当に効率的な知性とは、すべての能力を使う知性ではない。必要な能力を、必要な順序で使う知性である。

調査エージェントの失敗は、推論不足ではなく構造不足だった

オンライン調査を行うエージェントにも、同じ問題が現れる。ひとつのエージェントに「このテーマについて包括的に調べ、情報を集め、比較し、結論を書け」と指示すると、処理は複雑になりすぎる。

エージェントは検索結果を読んで、次の検索語を考え、また別のページを開き、そこで見つけた疑問をさらに調べる。新しい情報が新しい疑問を生み、疑問がまた検索を呼ぶ。明確な終了条件がなければ、調査は進んでいるように見えながら、実際には中心課題から離れていく。

この状態は、単にAIの推論能力が低いから起きるのではない。仕事の構造が、ひとつの処理主体に対して大きすぎるから起きる。

解決策は意外なほど単純である。まず調査全体を小さな下位課題に分割し、その後で各課題を実行する。たとえば「家庭用蓄電池の市場を調査する」という依頼なら、次のように分けられる。

• 市場規模と成長率を確認する
• 主要な製品分類を整理する
• 導入コストと回収期間を比較する
• 規制と補助金を調べる
• 利用者が指摘する故障や不満を確認する
• 情報源の信頼性と調査時点を記録する

この構造では、各下位課題が異なる情報源、検索語、評価基準を持つ。市場規模を調べるときに必要な専門性と、利用者の不満を調べるときに必要な専門性は同じではない。調査を分解することは、単に作業を小さくすることではない。異なる種類の問いに、それぞれ異なる認知モードを割り当てることである。

これは混合専門家の考え方と重なる。時系列モデルが入力の性質に応じて一部の専門家を呼び出すように、調査エージェントは下位課題の性質に応じて異なる検索と分析を呼び出す。

予測と調査に共通する四段階の設計

この二つの領域を組み合わせると、複雑な問題を扱うための一般的な設計図が見えてくる。私はこれを選択的知性の四段階と呼びたい。

1. 問いを適切な粒度に変換する

最初の課題は、答えを出すことではなく、問題の粒度を見極めることである。粒度が粗すぎると、必要な専門性を選べない。細かすぎると、全体像を失う。

「売上を予測する」は粗すぎる問いかもしれない。商品、地域、時間間隔、季節性、外部要因を整理して初めて、適切な予測単位が決まる。同じように「競合を調査する」も粗すぎる。価格、顧客層、流通、機能、評価を分けなければ、調査結果は情報の山になる。

良い分解は、作業を増やすのではなく、どの能力を使うべきかを明確にする。

2. 状況に応じて能力をルーティングする

次に、問題の特徴を見て、適切な専門家や処理方法を選ぶ。ここでいう専門家は、必ずしも人間の専門家とは限らない。特定のパターンに強いモデル、特定の情報源を扱う検索手順、特定の検証ルールも専門家になりうる。

たとえば、商品の需要予測では、短期の変動に強い処理系と、長期の季節性に強い処理系を使い分ける。政策調査では、政府資料を優先する経路と、現場の反応を探す経路を分ける。

重要なのは、ルーティングを偶然に任せないことだ。入力の特徴、目的、許容誤差、利用可能な時間を基準に、どの経路を選んだか説明できる状態が望ましい。

3. 局所的な答えを全体に統合する

専門家を分けるだけでは、断片が増えるだけである。各部分の答えを、共通の表現や評価軸に置き直す必要がある。

蓄電池の調査で、ある情報源は価格を税抜きで示し、別の情報源は設置費込みで示しているかもしれない。市場規模が出荷台数で示される一方、別の資料では売上高で示されるかもしれない。局所的には正しい情報でも、統合の基準がなければ比較は誤る。

予測でも同様である。短期パターンの専門家と長期トレンドの専門家が出した結果を、単純に平均すればよいとは限らない。予測対象によって、どちらの誤差を重く見るかが変わる。

したがって、統合層には共通の単位、共通の時間軸、共通の不確実性の表現が必要になる。

4. 停止条件と検証条件を持つ

自律性は、無限に動き続けることではない。どこまで調べれば十分か、どの程度の確度なら採用できるか、どの矛盾を人間に渡すかを決めることが自律性の核心である。

調査であれば、主要な下位課題がすべて埋まり、複数の独立した情報源で重要な数値を確認できた時点で止める。予測であれば、計算量を増やしても誤差改善が小さい場合に、追加の専門家を起動しない。

この考え方を式にすると、システムは単に「精度を最大化」するのではなく、次の比率を最大化するべきだろう。

意思決定に役立つ情報の増加量 ÷ 追加の計算、時間、複雑性

追加の検索や追加のモデル規模が、判断をほとんど改善しないなら、それは知性ではなく過剰処理である。

選択的知性の最大の敵は、誤りではなく誤った確信である

ただし、専門家の選択と問題分解には新しい危険もある。ルーティングが間違っていれば、システムは非常に効率よく、間違った経路を進む。

たとえば、異常な電力需要を単なる季節変動として扱えば、長期トレンドの専門家をどれだけ高性能にしても問題は解決しない。調査でも、競合企業の公式発表だけを調べる経路を選ぶと、宣伝されない不具合や顧客の不満を見落とす。

このため、選択的知性には探索の多様性が必要である。常に最も確からしい経路だけを選ぶのではなく、一定の割合で別の見方を試す。予測なら、通常とは異なる周期や外部要因を検討する。調査なら、公式情報、専門家の分析、利用者の記録、反対意見を意識的に組み合わせる。

ここで役立つのが、探索と活用のバランスである。活用とは、過去にうまくいった専門家や情報源を優先すること。探索とは、まだ十分に試していない経路を調べることだ。活用だけなら効率的だが、環境の変化に弱い。探索だけなら新しい発見はあるが、コストが膨らむ。

実務では、次のような運用が現実的だろう。

• 通常は過去の成功率が高い経路を優先する
• 異常値や予測誤差の急増時には、別の経路を強制的に試す
• 重要な結論には、異なる種類の情報源を最低二つ接続する
• ルーティングの判断自体をログに残し、後から誤りを分析する

効率化とは、考えないことではない。考える場所を選ぶことである。

今日から使える「選択的知性」の実践法

この設計思想は、巨大なAIシステムを構築する人だけのものではない。個人のリサーチ、事業計画、分析業務にもそのまま適用できる。

Key Takeaways

• 最初に答えを探さず、問いを分解する 「何が知りたいか」を、比較可能な下位課題に変換する。市場調査なら規模、顧客、価格、競合、リスクを別々に扱う。

• 課題ごとに情報源と判断基準を変える 公式統計は市場規模に向くが、利用者の不満を知るには不十分である。問いの性質に応じて、検索経路を使い分ける。

• すべての能力を毎回使わない 予測モデルでも、会議でも、必要な専門性だけを呼び出す。全員を参加させることが、必ずしも質を高めるとは限らない。

• 停止条件を先に決める 「もっと調べる」ではなく、「主要な論点を埋め、重要な数値を独立した情報源で確認したら終了」と定義する。

• ルーティングの誤りを疑う習慣を持つ 結果が悪いとき、個々の専門家の性能だけを責めない。そもそも、正しい専門家に問題を渡していたかを確認する。

結論：未来の知性は、巨大な頭脳ではなく、優れた編集者になる

これまでAIの進歩は、パラメータ数、学習データ量、計算能力の増加として語られがちだった。もちろん規模は重要である。しかし、規模をそのまま稼働させるだけでは、複雑な現実に対応できない。

現実の問題は、単一の種類ではない。短期と長期、規則性と例外、数値と物語、公式情報と現場の経験が混在している。だから必要なのは、何でも知っている単一の頭脳というより、問題を見て、適切な能力を選び、部分的な答えを統合し、十分なところで止める編集者である。

時系列予測における専門家の選択と、調査エージェントにおける課題の分解は、別々の技巧ではない。それらは、複雑さを消すのではなく、複雑さを管理可能な経路へ変換する方法である。

最も賢いシステムは、最も多く計算するシステムではない。問いの形を見抜き、必要な部分だけを深く考え、見落としの可能性を残しながら、適切な瞬間に判断を終えられるシステムだ。

そしてこれは、AIだけの話ではない。私たち自身も、すべてを読もうとするのではなく、問いを分け、専門性を呼び出し、証拠を統合し、止まる基準を持つとき、より少ない努力でより良い判断に近づける。

知性の未来を決めるのは、どれだけ多くを考えられるかではない。何を考えないかを、どれだけ正確に選べるかである。