サミュエル・ガーシュマン『知性はバイアスでできている』詳説
サミュエル・ガーシュマン『知性はバイアスでできている』詳説
書誌情報
- 原題：What Makes Us Smart: The Computational Logic of Human Cognition
- 著者：Samuel J. Gershman（ハーバード大学心理学教授・計算認知神経科学研究所所長）
- 原著出版：Princeton University Press, 2021
- 邦訳：高橋達二・長谷川珈訳、講談社選書メチエ
- 訳者チームは『心はこうして創られる』（Andy Clark著）と同じ
I. 本書の根本的問い
人間の知性の核心には根本的なパラドックスがある。知覚、言語、推論において、既存のいかなる機械も人間の能力と柔軟性には及ばない。それにもかかわらず、私たちは日常的に思考プロセスの失敗を露わにするような誤りを犯している。
これが本書の出発点です。
「なぜ人間はこれほど賢く、かつこれほど愚かなのか」
この問いに対して、ガーシュマンは従来の認知心理学とは根本的に異なる答えを提示します。
従来の答え（カーネマン的立場）：
バイアスは合理性からの逸脱であり、システム1（直感）とシステム2（熟慮）の二重構造から生じる欠陥である
ガーシュマンの答え：
認知的誤りは無秩序なものではない。それらはむしろ、時間・エネルギー・記憶という制約のもとで、効率的な推論と意思決定のために最適化された脳の不可避的帰結である。
これは単なるニュアンスの違いではありません。バイアスを「欠陥」と見るか「仕様」と見るかという、認知科学のパラダイムをめぐる根本的対立です。
II. 著者の立場：計算論的認知科学
ガーシュマンとは何者か
サミュエル・ガーシュマンはハーバード大学心理学部教授であり、計算認知神経科学研究所の所長を務める。彼はベイズ推論・強化学習・記憶の計算論的モデリングの第一人者です。
本書が採用する方法論は**計算論的認知科学（Computational Cognitive Science）**です。これは：
- 脳を「情報処理システム」として捉え
- その処理を数学的・計算論的に定式化し
- 行動データと神経データの両方から検証する
という立場です。Tomさんの関心領域（予測処理理論・精神病理の計算論的モデリング）と直接接続する知的基盤を持っています。
III. 本書の二つの中核概念
ガーシュマンは人間の知性を支配する二つの根本原理を提示する。第一は帰納バイアス（inductive bias）：限られたデータに基づいて推論を行うシステムは、データを観察する前に何らかの形で仮説を制約しなければならない。第二は近似バイアス（approximation bias）：限られたリソースで推論と意思決定を行うシステムは、近似を行わなければならない。
この二概念が本書全体の背骨を形成しています。
A. 帰納バイアス（Inductive Bias）
概念の起源
帰納バイアスはもともと機械学習の概念です。**「帰納問題（the problem of induction）」**はデイヴィッド・ヒュームにまで遡ります：有限のデータから無限に多くの仮説が整合的に導けるとき、なぜある仮説を選ぶのか？
機械学習における答え：**事前に仮説空間を制約する（バイアスをかける）ことなしに汎化は不可能である。これを機械学習の理論的基盤として定式化したのが、Wolpertの「フリーランチなし定理（No Free Lunch Theorem）」**です。すべての仮説に等しく開かれたシステムは、いかなるタスクでも平均的に優れていることができない。
認知への応用
帰納バイアスとは次のことを意味する：限られたデータに基づいて推論を行うシステム（自然的であれ人工的であれ）は、データを観察する前に何らかの形で仮説を制約しなければならない。なぜ観察前に仮説を制約したいのか、直感に反するように思えるかもしれない。しかし、もしすべての仮説が許容されるなら、あらゆるデータのパターンと整合する仮説が膨大な（場合によっては無限の）数存在することになる。推論システムが不可知論的であればあるほど（すなわち帰納バイアスが弱ければ弱いほど）、正しい仮説についての不確実性は大きくなる。
つまり、バイアスはノイズではなく、推論を可能にする前提条件である。
具体的な帰納バイアスの例
単純性バイアス（Simplicity Bias / Occam’s Razor）：
- 人間は複雑な説明より単純な説明を好む
- 機械学習における正則化（regularization）と同型
- これがなければ過適合（overfitting）が生じ、汎化ができない
因果バイアス：
- 相関より因果を優先して解釈しようとする傾向
- 「雨が降ったから地面が濡れた」を「地面が濡れたから雨が降った」より好む
- 因果構造の事前仮定なしに因果推論は不可能
規則性バイアス：
- ランダムな配列にもパターンを見出そうとする（本書第7章「パターンをみる」に対応）
- これが「ギャンブラーの誤謬」を生むが、同時に統計的規則の高速学習を可能にする
B. 近似バイアス（Approximation Bias）
リソース制約としての認知
脳は完全なベイズ推論を実行することができません。理由は明快です：
- 組合せ爆発：すべての可能性を計算するには指数関数的な計算量が必要
- エネルギー制約：脳は体重の2%ながら全エネルギーの20%を消費する
- 時間制約：実時間での意思決定には処理速度の限界がある
これらの制約のもとで**「近似アルゴリズム」**を使用することが合理的です。しかし近似は必然的に系統的誤差（バイアス）を生みます。
近似の具体的メカニズム
サンプリングとしての認知：
- 人間の確率判断を「精密なベイズ計算」ではなく「モンテカルロサンプリング」として理解する
- 少数サンプルからの推論は必然的に分散が大きく、系統的歪みを持つ
- これが確率判断の多くのバイアスを説明する
ヒューリスティクスの再解釈：
- カーネマン的解釈：ヒューリスティクスは「近道」であり、エラーを生む欠陥
- ガーシュマン的解釈：ヒューリスティクスはリソース制約下での最適近似アルゴリズム
IV. 章別内容の詳細解説
第1章：ヒトは賢いのだろうか？
本書の問題設定の章。二つの対立する見方を提示します：
悲観的見方（Kahneman/Tversky流）：人間は非合理的であり、バイアスは克服すべきエラーである
楽観的見方（Gigerenzer流）：人間は「生態学的合理性（ecological rationality）」を持ち、実環境では適応的に振る舞う
ガーシュマンはこの対立を計算論的枠組みで統合しようとする第三の立場を打ち出します。
第2章：合理的な錯覚
知覚的錯覚（エビングハウス錯視、月の錯視など）をベイズ推論の観点から解析します。
鍵となる主張：
- 視覚系は「客観的現実」を再現しようとしているのではなく、過去経験に基づく事前確率（prior）と感覚データを統合した最適推定を行っている
- 錯覚は「間違い」ではなく、通常の環境では正確に機能するシステムが特殊な刺激条件で系統的誤差を示すもの
「脳は客観的現実にアクセスできない。かたや、合理的かどうかというのは、五感から得た情報を脳がどう使うかという話である。ならば合理的に誤ることは完璧に可能だ。つまり帰納バイアスという概念は、合理的な情報処理システムはかならず誤ると言っているに等しい。」
これは予測処理理論（Helmholtzの「無意識の推論」→ Friston）と完全に整合します。
第3章：帰納バイアスの構造と起源
帰納バイアスがどこから来るのかを論じます。主要な起源として：
進化的起源：
- 祖先環境において適応的だったバイアスが遺伝的に固定された
- 統計的規則性の学習（例：因果関係の非対称性）
発達的起源：
- 幼児期の学習経験による獲得
- 言語・文化による伝達
ベイズ的統合：
- 進化と学習の両方を事前確率（prior）として定式化できる
- 長い進化史と個体の経験がともに「脳が持つ世界モデル」を形成する
第4章：人の振りみてわが振り学ぶ（社会的学習）
社会的学習における**過模倣（overimitation）**の現象を論じます。
子どもは大人の行動を、たとえ非因果的な部分でも忠実にコピーします。チンパンジーはこれをしない。これは「愚か」に見えますが、計算論的に見ると：
- 文化的知識は非因果的な部分にも意味が宿っている場合がある（儀式、社会規範など）
- 何が重要で何が冗長かを判断する能力が未発達な段階では、全コピーの方が期待値が高い
この議論は宗教・儀式の進化論的説明（第9章）への伏線となります。
第5章：よい質問とは（能動的情報探索）
**能動的推論（active inference）**と情報獲得の効率性を論じます。
確認バイアス（confirmation bias）の再解釈：
- 従来の解釈：人は自分の仮説を支持する証拠ばかりを探す「欠陥」
- ガーシュマンの解釈：**ポジティブテスト戦略（positive test strategy）**は、多くの状況でベイズ的に最適な情報獲得戦略である
例：「この薬が効くか？」を検証するには、「この薬を飲んだ患者」を観察する（ポジティブテスト）方が、「飲まなかった患者」を観察するより情報量が多い場合が多い。
第6章：絶対に論破されない方法（信念の頑健性）
**補助仮説（auxiliary hypotheses）**の役割を論じます。
科学哲学におけるデュエム＝クワイン命題（いかなる単一の仮説も単独でテスト不可能）の認知科学的応用です。
人が反証に抵抗する理由：
- 核となる理論を守るために補助仮説を修正する
- これは非合理ではなく、理論構造の維持という合理的戦略である
- ただし過度な補助仮説の付加は反証不能性（unfalsifiability）につながる
陰謀論・疑似科学の計算論的解釈：これらも「反証を補助仮説で吸収するシステム」として形式化できます。
第7章：パターンをみる
**パターン認識バイアス（apophenia）**を論じます。
人間はランダムな刺激にもパターンを見出します。この傾向の計算論的解釈：
- 環境には実際に統計的規則性が存在することが多い
- 偽陽性（存在しないパターンを見る）コストより、偽陰性（存在するパターンを見逃す）コストの方が通常大きい
- 従って、パターン検出の閾値を低く保つことが適応的
この議論は進化精神医学とも接続します：妄想的な解釈傾向は「パターン検出感度の高すぎる設定」として理解できます。
第8章：人は一貫しているか？（選好の一貫性）
行動経済学が記述する選好の非一貫性（フレーミング効果、損失回避など）を再解釈します。
**メタ選好（metapreferences）**という概念：
- 人間の選好は状況依存的に見えるが、これは「文脈情報を組み込んだ高次の選好」として一貫しているとも解釈できる
- 損失回避：単純な非合理ではなく、損失の主観的重みを大きく設定することが適応的な環境が存在した
第9章：天翔けるティーポットと空飛ぶスパゲッティモンスター（宗教と超自然的信念）
本書の中でも特にKonさんの関心と交差する章です。
ラッセルのティーポット、ドーキンスの「スパゲッティモンスター」など、宗教的信念の非合理性を指摘する議論を取り上げながら、ガーシュマンはそれを計算論的に再解釈します。
超自然的信念の適応的価値：
- 見えない行為者（agency）を推定する傾向（過剰エージェンシー検出）は、捕食者検出の副産物として進化した
- 「あれは風の音か、捕食者か」に対して「捕食者かもしれない」と想定する傾向が生存に有利
- 宗教的信念はこの過剰エージェンシー検出の産物
社会的凝集機能：
- 儀式・共通信念は集団の協調問題を解くコミットメント装置として機能する
- これは第4章の過模倣論と接続する
第10章：脳は節約上手（効率的符号化）
**効率的符号化理論（efficient coding theory）**を論じます。
脳の神経資源は有限であり、情報の圧縮（符号化）が必要です。この制約から生じる知覚の系統的歪みを論じます：
- 対数スケールでの大きさ判断（ウェーバー＝フェヒナー則）
- カテゴリ的知覚（色・音の離散化）
- これらはすべて限られた神経資源を最大限活用するための近似として理解できる
情報理論（Shannonエントロピー）と知覚心理学の統合が本章の核心です。
第11章：言語を設計するには
言語の設計原理を計算論的視点から論じます。
自然言語の特徴（曖昧性、冗長性、文脈依存性）が一見「非効率」に見えながら、なぜこのような形になっているかを問います。
情報理論的解釈：
- 自然言語は送信者と受信者の共有知識（common ground）を最大活用することで、伝達効率を最大化している
- 曖昧性は「文脈から解消可能」な場合のコスト削減戦略
- ジップの法則（高頻度語は短い）も効率的符号化の表れ
人工言語（ロジバンなど）の設計論との対比も論じられます。
第12章：ランダムさを使う（確率的推論の利点）
確率的・ランダムな要素が認知に果たす積極的役割を論じます。
これは本書の最も反直感的な議論の一つです。「ノイズ」は除去すべき雑音ではなく、いくつかの文脈では：
- 探索と活用のトレードオフ（exploration-exploitation） の解決に確率的判断が有効
- **アニーリング（焼きなまし法）**の類比：時折ランダムな選択をすることで局所最適解を脱出できる
- 意思決定における「気まぐれ」の適応的機能
V. 本書の理論的位置づけ：関連する諸理論との対話
カーネマン（Kahneman）との対比
| 側面 | カーネマン | ガーシュマン |
|---|---|---|
| バイアスの評価 | 合理性からの逸脱・欠陥 | 制約下での最適解・仕様 |
| 理論枠組み | 二重過程理論（システム1/2） | ベイズ計算論 |
| 実践的含意 | バイアスを矯正する | バイアスの構造を理解する |
| 合理性概念 | 規範的合理性（normative） | 制約合理性（bounded+computational） |
ギーゲレンツァー（Gigerenzer）との関係
ガーシュマンはギーゲレンツァーの「生態学的合理性」と方向性を共有しつつ、より厳密な数学的基盤（ベイズ理論・計算論）を提供します。
ギーゲレンツァー：「ヒューリスティクスは実環境で機能する」（実証的主張） ガーシュマン：「なぜそのヒューリスティクスが機能するかを計算論で説明できる」（理論的説明）
予測処理理論（Friston）との関係
本書は予測処理理論を直接の主題とはしていませんが、深い理論的連続性があります：
- ベイズ脳仮説の共有
- 知覚を「事前確率と感覚データの統合」として捉える点
- 「誤り」を最適推論の産物として捉える点
ただしガーシュマンの特徴は、ベイズ推論の「近似」という次元を前景化している点にあります。Fristonの自由エネルギー原理は完全ベイズ推論に近い形式を持つのに対し、ガーシュマンはリソース制約下での近似ベイズを強調します。
VI. 本書の意義と批判的評価
意義
1. パラダイム転換の論理的明示化
ガーシュマンは、人間の認知バイアスを知性の外部性（cognitive externalities）として捉え、それらはデータとリソースの制約に応答した帰納バイアスと近似バイアスという二つの根本原理から生じると主張する。これらのバイアスは知性にとって不可欠でありながら、思考の失敗として認識されるような副作用を生み出す。
2. 学際的統合
ガーシュマンは心理学、経済学、哲学、物理学、法学など多くの分野から素材を引き出している。これにより、現実世界の意思決定における合理的理論の力についての説得力のある大局的証言が生まれている。
3. AI研究への接続
機械学習における帰納バイアスの議論と人間認知の議論を統一することで、人間知性とAIを共通の計算論的枠組みで理解する視点を提供します。
批判的論点
1. 「合理性」概念の循環性
「制約下での最適解」として何でもバイアスを正当化できるなら、その理論は反証可能か、という問いが生じます。いかなる誤りも「ある制約を想定すれば最適」と言えてしまう危険性があります。
2. 規範的問いの回避
バイアスが「計算論的に理解できる」ことと、バイアスを「矯正すべきか」は別問題です。ガーシュマンは記述的説明に徹することで、規範的問いを部分的に回避しています。
3. 個人差・文化差の扱い
計算論的枠組みは普遍的傾向を記述しますが、バイアスには顕著な個人差・文化差があります。この多様性を本書の枠組みがどこまで説明できるかは未解決です。
VII. 精神医学・精神病理論との接続
Konさんの専門領域との接続として特に重要な論点を整理します。
精神病理の「帰納バイアス」モデル
ガーシュマンの枠組みは精神病理を以下のように概念化する可能性を開きます：
統合失調症のパターン過検出：
- 第7章「パターンをみる」と直結
- 妄想的観念形成 = パターン検出の閾値設定の病的変化
- 関係念慮：無関係な出来事に自己関連的パターンを見出す = 「自己を行為の標的とする」という帰納バイアスの過剰適用
うつ病の近似バイアス：
- 将来予測における負の偏り = 負の事象に対するサンプリング偏重
- 反芻思考 = 過去データへの過剰フィッティング
不安障害の過剰エージェンシー検出：
- 第9章の超自然的信念論と接続
- 脅威の過大評価 = 脅威エージェントの過検出バイアス
強迫症の確認行動：
- 安全性確認の強迫的繰り返し = 不確実性の過大評価による過剰な証拠収集
予測処理精神病理学との統合的理解
Fristonの予測処理理論（精密度の誤った重み付けによる精神病理の説明）とガーシュマンの帰納バイアス論は、相互補完的な説明水準を提供します：
- Friston：神経計算の動的メカニズム
- Gershman：統計的推論の構造的制約
VIII. まとめ：本書の核心命題
本書の核心は以下の一文に集約できます：
「合理的な情報処理システムは必ず誤る。そして人間の誤り方は、合理的なシステムが誤るべき仕方と一致する。」
これは：
- バイアスを「欠陥」から「構造的特性」へと再概念化する
- 認知の誤りと認知の成功を同一のメカニズムの二側面として統一する
- 「人間らしさ」の計算論的基盤を明示する
という三重の意義を持ちます。
本書はカーネマン『ファスト＆スロー』が描いた「バイアスとの戦い」という物語を根底から問い直し、「バイアスと共に生きる」という知性の新たな自己理解を提示していると言えます。
どの章の議論、あるいは精神病理論・予測処理理論・進化論との接続について、さらに掘り下げますか？
