見えるものは予測できるが、予測できるものはしばしば見えていない

Hatched by tttt

May 29, 2026

1 min read

3 views

86%

価格を当てるモデルは、人生も当てられるのか

同じキャビンなのに、なぜ価格が違うのか。同じDNAなのに、なぜ人生の結果が違うのか。

この2つの問いは、驚くほど似ています。どちらも、私たちはつい「原因はひとつで、結果はそれに比例する」と考えがちです。しかし現実はもっと厄介です。価格はサイズだけで決まらないし、遺伝子も配列だけで運命を決めない。むしろ本当に重要なのは、入力と出力のあいだにある見えない層です。

機械学習では、その見えない層をノイズ、交絡変数、選択バイアスとして扱います。生物学では、エピジェネティクスとして現れます。言い換えれば、世界は「何が入ってきたか」だけでなく、「それがどう読まれ、何が強調され、何が無視されたか」で形づくられているのです。

私たちが測っているのは、しばしば原因そのものではなく、原因の使われ方である。

この視点に立つと、データサイエンスと生命科学は別々の分野ではなく、同じ問いに対する別の言語だと見えてきます。

入力が同じでも結果が違う理由, それは世界が線形ではないから

線形回帰は、非常に強力ですが、同時に非常に素朴です。特徴量が増えれば出力がこう変わる、と一本の直線で説明しようとします。ところが実際の世界では、影響は足し算ではなく、条件付きで変化します。

たとえば、キャビンの価格。水辺に近いほど高いとしても、その影響はサイズによって違うかもしれません。小さなキャビンでは「景色の良さ」が価格に大きく効くが、大きなキャビンでは「広さ」の方が支配的になる。つまり、同じ特徴が、別の特徴によって意味を変えるのです。

これは単なるモデリングの不便さではありません。現実そのものの性質です。世界の多くの現象は、単独の要因で決まらず、相互作用の網の目で決まります。だからこそ、同じ入力でも別の出力が出る。モデルが間違っているというより、世界がそもそも一枚岩ではないのです。

この構造は、生物にもそのまま当てはまります。DNA配列が同じでも、食事、ストレス、胎内環境、睡眠、社会的な安定性によって、遺伝子の読み出し方は変わる。遺伝子は設計図ですが、設計図は本棚に置いてあるだけでは家になりません。誰が、どのページを、いつ、どんな順番で読むかが必要です。

ここで重要なのは、「本体は変わっていないのに結果が変わる」ということです。線形回帰でいうノイズや交絡変数は、エピジェネティクスでは遺伝子発現の制御機構として現れる。見かけ上の違いを生むのは、しばしば本体そのものではなく、その周辺の条件です。

エピジェネティクスは、遺伝子版の特徴量エンジニアリングである

エピジェネティクスを「遺伝子のスイッチ」と説明するのは便利ですが、少し静かに言い直すなら、これは生物が自分の入力をどう解釈するかを調整する仕組みです。DNA配列は変わらない。それでも、化学的な標識や調節によって、ある遺伝子は読まれやすくなり、別の遺伝子は沈黙する。

機械学習に引きつけて考えると、これは特徴量エンジニアリングに似ています。たとえば、キャビンの「水辺までの距離」をそのまま入れるのではなく、「1平方メートルあたりの価格」や「水辺との距離とサイズの掛け算」を特徴量に変換すると、モデルは初めて現実の構造を捉えやすくなります。つまり、同じデータでも、どう表現するかで見えるパターンが変わるのです。

エピジェネティクスも同じです。栄養、ストレス、胎内環境は、遺伝子そのものを書き換えるのではなく、どの遺伝子をどの強さで使うかを変える。オランダの冬の飢饉の例が示すのは、まさにこの点です。胎内で経験した環境が、その後の代謝や病気のリスクに影響し、場合によっては次世代にも及ぶ。ここで起きているのは、DNAの改変ではなく、読み方の履歴が残ることです。

この視点は、努力論にも修正を迫ります。人は「才能があるかないか」で世界を単純化しがちですが、実際には才能は静的な属性ではありません。栄養、安心、安全、睡眠、反復、フィードバックが、能力の発現を決める。才能とは、種ではあっても、常に芽を出すとは限らない。逆に、種が小さくても、条件が整えば大きく育つ。

遺伝子は運命ではない。条件に応答する、可塑的なシステムである。

この一文は、機械学習にも完全に通じます。モデルはデータそのものではなく、データの分布に反応します。分布が変われば、同じモデルの振る舞いも変わる。人間も同じです。家庭、学校、職場、睡眠、食事、ストレスの分布が変われば、同じ人でも出力は変わる。私たちは固定された機械ではなく、環境に合わせて再調整されるシステムなのです。

予測精度より大事なもの, それは「何を見落としているか」

多くの人は、良いモデルとは予測が当たるモデルだと考えます。半分は正しいですが、半分は危険です。なぜなら、高い予測精度は、しばしば見えない偏りの上に成り立つからです。訓練データではよく当たるのに、別のデータでは急に崩れる。これは機械学習だけの話ではありません。

人間の理解も同じです。たとえば「ストレスがある家庭では子どもの成績が下がりやすい」という観察があっても、その背後には睡眠不足、食事の質、親の可処分時間、住環境、慢性的な不安などが絡んでいるかもしれません。私たちはつい一つの原因を見つけた気になりますが、実際には多くの変数が同時に動いています。

ここで使える強力な考え方が、予測と説明を分けることです。予測は当てること。説明は構造を理解すること。線形回帰は前者に強い一方、後者には限界がある。エピジェネティクスも、現象の一部は説明できても、全体の因果網を完全には語れない。だからこそ、どちらの分野でも、最も重要なのは「当たっているか」だけではなく、「何を見落としているか」なのです。

このとき役立つのが、3つの問いです。

入力は本当に観測したい原因か
出力は単独の結果か、それとも複数の過程の合成か
見えていない第三の変数が、両方を動かしていないか

この3つは、キャビンの価格にも、子どもの健康にも、組織の成果にも、ほぼそのまま適用できます。たとえば、業績が高いチームを見て「優秀な人材が多いからだ」と言うのは簡単です。しかし実際には、心理的安全性、会議設計、上司の介入度、情報の流通速度といった交絡変数が、出力を大きく左右しているかもしれない。

つまり、現実を理解するとは、単に相関を見つけることではありません。相関の裏にある条件付き構造を発見することです。

いちばん実用的な教訓は、世界を直線で見ないこと

この話の本質は、機械学習の技術論でも、遺伝学の知識でもありません。もっと広い認識論の話です。私たちは、世界を単純な入力と出力の対応表として見たがります。だが実際の世界は、入力が変わるたびにルールも少しずつ変わる、文脈依存のシステムです。

だから、良い問いは「何が原因か」だけでは足りません。むしろ、どの条件下でその原因が効くのかと問うべきです。水辺に近いことは、どんなサイズのキャビンにも同じだけ価値を与えるわけではない。栄養状態は、どの遺伝子にも同じように作用するわけではない。教育も、どの子にも同じ順で効くわけではない。世界は平均値ではなく、条件付きの分岐でできています。

この見方は、私たち自身の自己理解も変えます。「自分は向いていない」と結論づける前に、どんな環境なら出力が変わるのかを考えるべきです。睡眠が変われば集中力が変わる。読書の習慣が変われば思考の回路が変わる。安心感が変われば、挑戦への反応が変わる。これらは精神論ではなく、入力の再設計です。

最終的に、賢さとは「何が本質か」を早く見抜く能力ではなく、何が条件で、何が結果で、何がそのあいだを媒介しているかを見分ける能力なのかもしれません。モデルが世界を完全には捉えられないように、人間の一つの物語も人生を完全には説明しません。けれど、だからこそ私たちは、直線ではなく地形として世界を見る必要があるのです。

Key Takeaways

結果だけで原因を断定しない。 価格、健康、能力の違いには、見えていない交絡変数が潜んでいる可能性が高い。
「本体」ではなく「読み方」を見る。 DNA配列やデータの値だけでなく、それがどう解釈され、どう表現されるかが重要。
相互作用を探す。 水辺の近さの価値がサイズで変わるように、ほとんどの要因は単独ではなく組み合わせで効く。
予測と説明を分ける。 当たるモデルが、必ずしも世界を理解しているモデルとは限らない。
環境を変数として扱う。 睡眠、食事、ストレス、安心感は、能力や健康の出力を大きく変える入力である。

結論: 私たちは運命を読む存在ではなく、条件を編集する存在である

線形回帰は、世界を一本の線に押し込めようとします。エピジェネティクスは、世界がもっと柔らかく、もっと条件付きで動くことを教えます。両者を合わせて見ると、一つの大きな真実が浮かび上がります。私たちは、固定された本体によって生きているのではない。環境に応答し続ける可変のシステムとして生きているのです。

だから、未来を考えるときに必要なのは、運命を当てることではありません。何がスイッチを押し、何がノイズを増やし、何が読み方を変えるのかを理解することです。世界は直線ではなく、編集可能な条件の集合です。見えるものをそのまま信じるより、見えない条件を問い直すほうが、私たちははるかに賢くなれるのです。