人間もAIも「わかる」には到達できない！！

　　　　　　コラム

導入: “わかったつもり”の一瞬

会議室で部長が資料をペラリめくり「これで問題ないな」と言い切る。現場の若手は「大丈夫かな…」と思いつつも、こう返すしかない。あるいはSNSで専門家の意見を読んで「さすがプロは違う」と納得した気になる瞬間――どちらもどこか「わかったつもり」の空気が漂う。けれど実際には、誰も本当に全体を理解していないかもしれない。人は本当は「わかる」のではなく、一度仮にモデルを置いてみて、あとから調整する――そんな心の動きをしているのかもしれない。

「理解」より「仮に置く」と較正

学術研究でさえ、モノゴトを完全に説明できる保証はない。「知っている」と「説明できる」の間には大きなギャップがあるという研究（説明深度の錯覚）が示す通り、人は「わかった」と思い込んでいても、実際に詳しく説明してみると答えられないことが多い[1]。このように、私たちの「わかっているつもり」は表面的であいまいなモデルに過ぎず、常に較正（キャリブレーション）（※仮のモデルや予測を実際と合わせる作業）が必要になる。説明深度の錯覚は「いざ説明してみると自分が思ったほど知らなかった」と気づかせ、意外と謙虚にさせるという。「受け売りの確信」に陥る危険もある。つまり本や他人の受け売り知識をただ持っていると、自分でもよく知っているかのように錯覚し、現場で確認せずに確信してしまいがちだ。

学問の分業と専門化の歴史

かつては「学問全体＝哲学」と考え、万物を統合しようと試みた時代もあった（自由七科・百科全書派）。しかし近代に入り、実験科学の発展はむしろ専門化を促した。オルテガ・イ・ガセットは、19世紀末には「知るべきすべてのことのうち一つの特定分野だけしか知らない人間」が現れたと指摘する[2]。つまり19世紀は百科全書的人間の指導のもとで個別化の準備段階だったが、次世代には専門化が主流となり、一つの科学の中でも自分の研究する極小部分だけを知る人間型が出現したという[2]。それまでは「全体がわかる人」と「何もわからない人」の二分できたが、専門家はそのどちらにも属せなくなったのだ。

専門家と権力勾配

専門化によって得られた知見は確かに文明の基盤ではあるものの、一方で専門家には意外な弊害も生む。オルテガは「専門家は自分の狭い宇宙の部分については非常によく『識っている』が、それ以外は完全に無知である」と警告する[3]。にもかかわらず、専門家は専門外の分野に対しても持ち場のつよい自信と傲慢さを見せがちだ[4]。組織では専門性が権威や発言力と結びつき、力関係＝権力勾配が生まれる。権力ある立場の専門家は、たとえ自分の本当の理解が不十分でも、専門外に「わかったつもり」を拡大して振舞いやすい。つまり構造上、専門知識はしばしば推測や受け売りを伴った確信となり、人や組織に伝播する。この点はオルテガが指摘した「新しい大衆の反逆」の一面と言えよう。

AIにおける“誤情報”と較正の課題

AIにも独自の歪みがある。AIは「バイアスが無い」とは言えないが、人間的なバイアスとは種類が異なる。代表的なのが“ハルシネーション”と呼ばれる現象で、AIが事実に基づかない情報を生成してしまうことだ[5]。専門家と同じくAIも「知らない」と言う代わりに自信満々で誤った答えを返すことがある[6]。実際、ある専門記事は「AIモデルは最尤のそれっぽい答えを返す傾向があり、知らないときに『わからない』と言えないとハルシネーションになる」と指摘している[7]。さらに、AI評価では「当てずっぽうで当てれば得点」という旧来のスコア文化が問題視され、精度とキャリブレーション（自信度と正答の一致）は別物であるとされる[8]。つまり、AIも含めて“わかったつもり”のモデルは常に再調整が必要であり、確信と真実がずれる点を見逃せない（逆に、AIが意図的に「わからない」と答える能力を磨く方が安全だとも言われる[9]）。

なぜ行動が先行するのか

理解が揃わないままでも、実社会では行動を始めざるを得ない局面が多い。一つには危機や変化の速度が速く、全員の「わかり」が揃う前に決断しなければ間に合わないからだ。会議や組織では、ある程度「粗い確信」を共有して次へ進まざるをえないこともある（組織の専制性）。また、人間の脳には「やる気」が出る前に行動を始めるメカニズムがある。脳科学的には“やる気は始めた後に出てくる”とも言われ、作業を始めるとドーパミンが分泌され徐々に集中状態に入る現象（作業興奮）が知られている[10]。逆に、分かっていても前に進めない現象もある。「わかっちゃいるけど、できない」のは意志の弱さではなく、脳の報酬系のせいかもしれない。疲労やストレスで前頭前野の機能が低下すれば、いざ行動すべき時に「今やらなくてもいいや」となりやすい。要するに、認識と行動のギャップは脳の構造的性質でもある（人間は「不快を避ける」仕組みを持ち、面倒なタスクを前にすると避けようとする[11]）。そうした事情もあって、完全理解よりもまず「まず動く」が現実的な場面は少なくない。とはいえ行動主義だけではなく、「理解が追いつかなくても再校正しながら進むしかない」という心構えが現実的だ。

小さな較正ルール（読者への提言）

今日からできる小さな「較正」のコツを考えてみよう：

· 予測として書く。 意見や結論を書くときは「～となるかもしれない」という予測形で示し、あとで事実と比べて確認する癖をつける。

· 反例を添える。 自分の説に対して「こんな場合には違うかもしれない」と一つだけでも反例を考えて加えてみる（例外を探す）。

· 当事者に検証質問する。 会議や現場で受け手に「それで問題は解決しそうですか？」「具体的にどう使いますか？」など短い問いを投げ、実地と合っているか確認する。

専門家であろうとAIであろうと、私たちの「わかった」はせいぜい仮置きのモデルに過ぎない。だからこそ粗めでも良いから確信を持ちつつ、常に疑いと較正を忘れずに行動する。

参考文献

: 説明深度の錯覚[1]、オルテガ『大衆の反逆』[2][3][4]、AIとハルシネーション[5][6][8]、脳科学と先延ばし[10]。

[1] 説明深度の錯覚 - 一人学際

https://scrapbox.io/hitorigakusai/%E8%AA%AC%E6%98%8E%E6%B7%B1%E5%BA%A6%E3%81%AE%E9%8C%AF%E8%A6%9A

[2][3][4] 「専門家」であることの罠 『大衆の反逆』より｜じんぶん堂

https://book.asahi.com/jinbun/article/13267998

[5] ハルシネーション | 用語解説 | 野村総合研究所(NRI)

https://www.nri.com/jp/knowledge/glossary/hallucination.html

[6][7][8][9] ハルシネーションはなぜ起こる？企業がいま見直すべきAI評価の新常識 - GPT Master

https://chatgpt-enterprise.jp/blog/ai-hullucination/

[10][11] 何でも先延ばしにしてしまうのは、性格ではなく脳のメカニズム？｜名古屋,心療内科,メンタルクリニック,精神科

https://nagoya-meieki-hidamarikokoro.jp/blog/procrastination/

https://chatgpt.com/s/dr_69434e9832a88191b63d55b7ec718474

　　　　いろいろ作成しました

人間もAIも「わかる」には到達できない
私たちは「理解」しているのではなく、ただ「較正（カリブレーション）」しているだけである。
https://gemini.google.com/share/a8759451e736

人間もAIも「わかる」には到達できない
私たちが「わかった」と感じる時、それは真実への到達ではなく、
ただの「暫定モデルの較正（キャリブレーション）」に過ぎないのかもしれません。
https://gemini.google.com/share/2f89150cecb2

フラッシュカード
https://gemini.google.com/share/cb8e4714f3e0

クイズ
https://gemini.google.com/share/a3828253f763

　　　　難しい解説

了解の幻影と較正の果てしなき旅路：人間と人工知能における「わかったつもり」の現象学的・工学的考察

序論：到達不能極としての「完全な理解」

我々が日常的に用いる「わかった（了解した）」という感覚は、対象の本質を完全に把握したという客観的な到達点を示すものではない。現代の認知科学、哲学、そして人工知能（AI）研究が交差する領域において、この「わかった」という感覚は、認知的な負荷を軽減し、行動を開始するための「一時的な停止信号」あるいは「行動許可証」として再定義されつつある。本報告書では、「人間もAIも真の『わかる』には到達できず、せいぜい『わかったつもり』の較正（キャリブレーション）を行うに過ぎない」という暫定モデルを基軸に据え、その構造とダイナミクスを包括的に論じる。
ホセ・オルテガ・イ・ガセットが20世紀初頭に予見した「専門化の野蛮」は、現代の高度に分業化された社会と、ブラックボックス化したAI技術によって新たな局面を迎えている。一方で、池谷裕二らに代表される最新の脳科学的知見は、人間の意識が行動の「原因」ではなく、行動の「結果」を追認する装置であることを示唆しており、我々の主体性や理解という概念そのものを揺るがしている。さらに、大規模言語モデル（LLM）が頻発する「幻覚（ハルシネーション）」と、その確信度（Confidence）のズレは、知性というものが本質的に確率論的な賭け（Bet）であることを露呈させた。
本稿は、これらの多様な領域を横断し、断定を避けつつも、我々がいかにして「わかったつもり」という不完全なモデルを運用し、破綻を回避しながら「較正」し続けることができるかを探求するものである。

第一章：説明深度の錯覚（IOED）と認知の脆弱性

1.1 「わかっている」という感覚の解剖

我々は日々、スマートフォン、水洗トイレ、あるいは資本主義経済といった複雑なシステムの中で生活し、それらを「理解している」と感じている。しかし、その理解の実体は極めて希薄である。イェール大学の心理学者レオニード・ローゼンブリットとフランク・カイルが提唱した「説明深度の錯覚（Illusion of Explanatory Depth: IOED）」は、この認知的な落とし穴を実証的に明らかにした1。
彼らの実験において、被験者は当初、自転車やミシンのメカニズムを深く理解していると自己評価する。しかし、「なぜ（Why）」ではなく「どのように（How）」動くのか、その因果の連鎖をステップ・バイ・ステップで説明することを求められると、多くの被験者が沈黙し、言葉に窮する1。その直後に再評価を行うと、自己評価は劇的に低下する。この現象は、我々が保持している知識が「対象の構造的理解」ではなく、「対象の操作的親和性（使い慣れていること）」に過ぎないことを示唆している。

表1：知識のタイプとIOEDの影響度比較

知識のタイプ
具体例
IOEDの影響度
特徴

説明的知識 (Explanatory)
トイレの洗浄機構、原発の仕組み
極大
因果関係の連鎖が必要。最も過大評価されやすい領域1。

手続き的知識 (Procedural)
自転車の乗り方、泳ぎ方
小
言語化できなくても身体が実行可能であれば「知っている」とされる。

事実的知識 (Factual)
フランスの首都、元素記号
中
クイズ形式。知っているか否かが明確で、錯覚の余地が少ない。

物語的知識 (Narrative)
映画のあらすじ、歴史の物語
小
一貫性が重視され、厳密な因果メカニズムは問われないことが多い。

1.2 「なぜ」と「どのように」の認識論的断絶

IOEDの研究において重要な示唆は、「なぜ」という問いと「どのように」という問いが、全く異なる認知プロセスを要求するという点である。「なぜ税金が必要か」という問いに対しては、抽象的なイデオロギーや道徳的価値観に基づく回答が可能であり、これらは検証が困難であるため、知識の欠落が露呈しにくい1。
対照的に、「どのように税金が徴収され、配分されるか」という問いは、具体的なメカニズムの記述を要求する。「どのように（How）」という問いは、システムを構成する部品間の物理的・制度的な接触点を暴き出し、我々の知識がいかに断片的（Sparse）であるかを白日の下に晒す。スローマンとファーンバックが指摘するように、我々の知性は個人の頭脳に完結しているのではなく、他者や環境、技術の中に分散して存在しており（Knowledge Community）、我々はそのアクセスの容易さを「自分の知識」と混同しているのである1。

1.3 認知の外部化とブラックボックスへの依存

現代社会において、この「知識の外部化」は加速の一途をたどっている。検索エンジンや生成AIの普及により、「知っていること」と「検索すればわかること」の境界線は限りなく消失しつつある。これは適応的な戦略である反面、システムのブラックボックス化に対する脆弱性を増大させる。
「わかったつもり」でいることは、平時には効率的なヒューリスティックとして機能する。しかし、システムが破綻した瞬間（災害、恐慌、AIの誤作動）、我々はその「つもり」がいかに根拠のないものであったかを思い知らされることになる。この時、我々が直面するのは単なる「無知」ではなく、「知っていると思っていたものが、実は何も知らなかった」という認識論的な崩壊である。

第二章：脳科学が解体する「意識の主導権」と行動の先行性

2.1 「やる気」の神話を解体する：行動が意識を作る

「わかったから行動する」「やる気があるから勉強する」という因果モデルは、我々の素朴な直感に反して、脳科学的には支持されにくい。脳研究者の池谷裕二は、側坐核（Nucleus Accumbens）や淡蒼球（Pallidum）といった脳深部の構造に注目し、この因果関係を逆転させるモデルを提唱している4。
一般に「やる気」と呼ばれる心理状態は、脳内における神経伝達物質（ドーパミン等）の分泌によって現象的に知覚されるものであるが、この分泌をトリガーするのは「実際の行動（身体運動）」である。クレペリンが提唱した「作業興奮」のメカニズムが示すように、作業を開始し、身体からのフィードバック信号が脳に入力されることで初めて、脳は「やる気モード」へと較正（チューニング）される4。

2.2 淡蒼球と線条体：無意識の自動操縦システム

意識的な「理解」や「決断」を司るとされる大脳新皮質（特に前頭前野）に対し、大脳基底核（線条体、淡蒼球など）は、より原初的で強力な行動制御システムを形成している。

• 線条体（Striatum）： 入力を受け取り、どの行動プランを実行するかを選別する「門番」の役割を果たす。報酬予測に基づいて行動と結果の結びつきを学習する7。

• 淡蒼球（Pallidum）： 線条体からの信号を受け、運動を実行するための抑制を解除する（ブレーキを外す）役割を持つ9。

池谷は、淡蒼球を動かすための「スイッチ」として、以下の4つを挙げている6。これらはすべて、論理的な理解よりも、身体性や環境との相互作用を重視している。

表2：淡蒼球を活性化させる4つのスイッチ（池谷裕二・上大岡トメ『のうだま』より）

スイッチ
メカニズムと実践
脳科学的背景

Body (身体を動かす)
とにかく動き始める。笑顔を作る、姿勢を正す。
身体動作のフィードバックが情動・意欲系を駆動する（作業興奮）。
Experience (いつもと違う体験)
新しい環境、非日常的な刺激に触れる。
海馬の場所細胞（Place cells）等の活性化が新しいシナプス結合を促す6。
Reward (ごほうび)
小さな達成感と報酬を設定する。
ドーパミン報酬系による強化学習。予測誤差の解消が快感となる。
Ideomotor (なりきる)
理想の自分や成功イメージを演じる。
運動のシミュレーション（イメージ）は実際の運動と同じ脳領域を活性化させる（ミラーニューロン系）6。

2.3 作話（Confabulation）と「後付けの納得」

脳は「空白」を嫌う臓器である。入力情報が不足していたり、行動の理由が不明確であったりする場合、脳は無意識のうちに整合性のあるストーリーを捏造する。これを「作話（Confabulation）」と呼ぶ10。
マイケル・ガザニガによる分離脳患者の研究は、左脳（言語野）がいかに優れた「解釈装置（Interpreter）」であるかを劇的に示した。右脳への指令で左手が取った行動に対し、理由を知らない左脳は「なぜなら〜だからだ」と即座にもっともらしい嘘をつく。重要なのは、本人がそれを「嘘」とは認識せず、「真実の理解」だと確信している点である。
我々の日常的な「わかった」という感覚も、この作話機能の産物である可能性が高い。複雑な現実世界の事象に対し、脳は入手可能な断片情報を繋ぎ合わせ、因果関係という名の物語を構築する。論理的に辻褄が合った瞬間に訪れる快感（アハ体験）は、真理への到達ではなく、単に「認知的不協和が解消された（ストーリーが完成した）」というシグナルに過ぎない。脳にとって重要なのは、事実の正確さよりも、精神的な安定と行動の決定力を維持するための一貫性なのである。

第三章：専門化の野蛮とオルテガ的転回

3.1 「博識な無知者」の誕生

スペインの哲学者ホセ・オルテガ・イ・ガセットは、その主著『大衆の反逆』（1930）において、近代科学の発展が逆説的に生み出した人間類型を「専門家（Specialist）」として厳しく批判した。オルテガによれば、専門家とは「宇宙の極めて狭い領域については非常によく知っているが、それ以外については驚くほど無知である」人物である12。
彼らは決して「無知な人」ではない。しかし「賢者」でもない。オルテガは彼らを「博識な無知者（learned ignoramus）」と呼んだ。彼らの最大の問題は、自分の専門領域で培った権威と自信を、全く異なる領域（政治、社会、芸術など）にまで無自覚に拡張し、そこで素人同然の断定を行うことにある。これはまさに、現代におけるIOEDの社会的・職業的発露と言える。

3.2 文明の自然物化と「感謝なき享受」

オルテガはまた、現代人（大衆）の特徴として、高度な文明や技術をあたかも「自然物」であるかのように享受する態度を挙げている12。スマートフォンが繋がること、病気が治ること、治安が維持されていることを、あたかも太陽が昇るのと同じような「当たり前の自然現象」として受け止め、それを維持するために払われてきた歴史的な努力や、背後にある複雑なシステムへの想像力を欠いている。
この態度は、現代のAIユーザーの心理と重なる。我々はChatGPTやGoogle検索が答えを出す背後にある、膨大な計算資源、電力消費、データラベリングを行った労働者、そしてアルゴリズムの複雑性を捨象し、単なる「魔法の箱」として利用する。この「ブラックボックスへの無批判な依存」は、システムが予期せぬ挙動（ハルシネーションやバイアス）を示した際に、我々をパニックに陥らせる。我々はシステムの「わかり方（How）」を知らず、ただ出力という「果実」だけを貪っているからである。

3.3 技術的卓越と人間的統合の欠落

オルテガの指摘で痛烈なのは、「科学は、凡庸な、あるいは凡庸以下の能力しか持たない人間によって進歩してきた」という分析である13。科学の分業化と機械化は、全体像を把握できない人間でも、狭い領域の歯車を回すことでシステム全体に貢献できる仕組みを作り上げた。
これは現代のAI開発の現場において、より先鋭化している。巨大なニューラルネットワークの挙動の全貌を理解している人間は、もはや開発者の中にも存在しない可能性がある。パラメーター調整を行うエンジニアも、データセットを作成する人間も、それぞれが「部分」を担当しているに過ぎない。AIというシステム自体が、オルテガの言う「専門家の野蛮」を構造化した存在であり、全体的な統合や「なぜ（Why）」という目的論的視点を欠いたまま、局所的な最適化（Howの追求）のみを暴走させているように見える。

第四章：AIの幻覚と確率論的「わかったつもり」

4.1 LLMの現象学：意味なき記号操作

大規模言語モデル（LLM）は、本質的に「確率的な単語予測器（Probabilistic Next-Token Predictor）」である。テラバイト級のテキストデータを学習したLLMは、「ある単語の次にどの単語が来る確率が高いか」という統計的規則性を極めて高い精度で獲得している。しかし、そこに人間のような「意味の理解（Grounding）」が存在するかは議論の余地がある。
LLMは「17世紀のフランス」という概念を、歴史的実在としてではなく、「17世紀」「フランス」というトークンと共起しやすい単語群のベクトル空間上の位置関係として処理している。したがって、AIにとっての「正解」とは、事実（Fact）との合致ではなく、文脈（Context）における確率的なもっともらしさ（Plausibility）である。

4.2 ハルシネーション：自信満々の虚構

「幻覚（ハルシネーション）」とは、AIが事実無根の情報を、さも真実であるかのように流暢に生成する現象を指す。これはAIの欠陥（Bug）というよりは、その生成原理（Feature）に由来する不可避な特性である14。

• 知識の空白の埋め合わせ: AIは「わかりません」と答えるよりも、何らかの回答を生成するよう（特に初期のRLHF段階で）動機づけられている場合が多い。不確実な領域において、AIは確率的に最も繋がりやすい単語を選んで「作話」を行う。これは人間の脳が行う作話と機能的に酷似している16。

• 迎合性（Sycophancy）: AIはユーザーのプロンプトに含まれるバイアスや期待に同調する傾向がある。「地球平面説の証拠を挙げて」と言われれば、科学的事実よりもユーザーの期待（証拠の提示）を優先し、虚偽の情報を生成するリスクが高まる15。

4.3 確信度較正（Confidence Calibration）のパラドックス

AI研究における重大な課題は、モデルの「自信（Confidence）」と「正確さ（Accuracy）」の乖離である。理想的なモデルは、正答率が低い時には確信度も低く出力すべきである（較正されている状態）。しかし、近年の研究によれば、特にRLHF（人間からのフィードバックによる強化学習）を経たモデルは、人間好みの流暢な回答を生成する能力と引き換えに、較正機能が悪化し、誤った回答に対しても極めて高い確信度を示す傾向がある（Overconfidence）17。

表3：人間とAIの「幻覚」と「確信」の比較

特性
人間 (Human)
人工知能 (AI/LLM)

幻覚のメカニズム

記憶の再構成・作話 (Confabulation)

意味的一貫性を保つために細部を捏造する。海馬や前頭葉の機能4。

確率的トークン予測

文脈的に最も確率の高い単語を繋げる。事実との照合は行わない14。


確信度の源泉

認知的な流暢性 (Fluency)

情報処理がスムーズに行われた時に「正しい」と感じる（アハ体験）。

ロジット (Logits) / 確率分布

学習データ内でのパターンの強さ。RLHFによる「自信ある振る舞い」への報酬づけ17。

較正のエラー

IOED / ダニング・クルーガー効果

理解していないことを理解していると過信。特に「仕組み」の説明で露呈1。

未較正 (Miscalibration)

間違っている時ほど自信満々に語る傾向（SycophancyやRLHFの副作用）19。

修正の契機

他者との対話・失敗

「どうやって？」という問い詰めや、予期せぬエラーにより気づく。
外部ツール・検証器 (Verifier)

RAG（検索拡張）や、批判的検証モデルによるフィードバック20。

AIの「わかったつもり」は、人間以上に厄介である。なぜなら、AIは疲れを知らず、感情的な動揺も見せず、常に冷静で権威あるトーン（Professional Tone）で嘘をつくからである。ユーザーはこの「トーン」に騙され、AIの確信度を無批判に受け入れてしまう。

第五章：較正（Calibration）への実践的アプローチ

5.1 「真理」から「較正」へのパラダイムシフト

以上の議論から導かれる結論は、人間もAIも、世界を完全に「わかる」ことは不可能であるという冷厳な事実である。我々が手にしているのは、現実の完全なコピー（写し）ではなく、行動するために最適化された「暫定モデル」に過ぎない。
したがって、我々が目指すべき知的態度は、「正解」を一度で手に入れようとする静的な真理探究ではなく、自らのモデルと現実とのズレ（予測誤差）を絶えず計測し、微調整し続ける動的な「較正（Calibration）」のプロセスである。

5.2 スーパーフォーキャスティング：予測と修正の技術

フィリップ・テトロックによる「超予測（Superforecasting）」の研究は、この較正の実践において極めて示唆に富む22。数万人の一般人を対象とした予測トーナメントにおいて、CIAのアナリストをも凌駕する成績を収めた「スーパーフォーキャスター」たちは、特別な専門知識を持っていたわけではない。彼らに共通していたのは、思考のスタイル（OS）であった。

• 頻繁な更新: 新しい情報が入るたびに、予測を微修正する。一度の決定に固執しない。

• 粒度の高い確率思考: 「起こるか、起こらないか」の二元論ではなく、「65%の確率で起こる」といった細かい数字で考える。これにより、結果が出た後の検証（スコアリング）が可能になる25。

• 外部視点（Outside View）: 個別の事例の特殊性に囚われる前に、類似事例の統計的ベースレート（基準率）を確認する26。

彼らは、自分の判断が「賭け（Bet）」であることを自覚している。アニー・デュークが提唱する「Thinking in Bets」も同様であり、結果の良し悪し（Resulting）だけで意思決定の質を判断せず、不確実性の中でいかに適切に確率を見積もったかを重視する27。

5.3 認識的較正（Epistemic Calibration）と対話

日常会話においても、我々は無意識に較正を行っている。会話分析の研究によれば、人々は相手の反応を見ながら、自分の主張の強さ（断定か、推測か）をリアルタイムで調整している29。相手が疑問の表情を浮かべれば、「...だと思う」とトーンを弱め、同意が得られれば強める。この相互作用こそが、独りよがりな「わかったつもり」を社会的に妥当なレベルに着地させるメカニズムである。
AIとの対話においても、この較正プロセスを意識的に導入する必要がある。AIの出力を鵜呑みにするのではなく、「その確信度は？」「反論はあるか？」「別の視点（プレモーテム：事前検死）で失敗要因を挙げて」と問いかけることで、AIの潜在的な不確実性を引き出し、ユーザー自身の理解も深めることができる31。これは、AIを「正解製造機」としてではなく、「思考の較正パートナー（壁打ち相手）」として再定義するアプローチである。

5.4 知的謙虚さ（Intellectual Humility）というOS

最終的に求められるのは、「知的謙虚さ（Intellectual Humility）」という基盤である33。これは卑屈さとは異なる。自分の知識が可謬的（Fallible）であり、常に修正の余地があることを認める強さである。
オルテガが批判した「専門家」は、この謙虚さを欠いていた。彼らは自分の狭い知識の成功体験に閉じこもり、外部からのフィードバックを遮断した。対照的に、較正を続ける者は、自分の知識の限界（「ここまでしかわからない」という境界線）に敏感である。脳科学的に言えば、これは前頭前野によるメタ認知機能（自分の認知を認知する能力）を働かせ、線条体や淡蒼球による自動的な反応を監視・抑制することに相当する35。

表4：較正を促進するための実践的ツールキット

手法・概念
概要
期待される効果

プレモーテム (Pre-mortem)
プロジェクト開始前に「完全に失敗した」と仮定し、その原因を議論する（事前検死）31。
「計画錯誤」や「楽観性バイアス」の抑制。見落としていたリスク（Howの欠落）の発見。

「どのように」を問う (Ask How)
意見や主張に対し、「なぜ」ではなく詳細なメカニズムの説明を求める1。
IOEDの打破。知識の浅さの自覚と、具体的な因果モデルの構築。

ベイズ的更新 (Bayesian Updating)
新しい証拠に応じて、事前確率（信念）を事後確率へと修正する26。
固執の回避。絶対的な正解ではなく、確率的な確からしさの継続的な改善。

ウィトゲンシュタインの定規
定規でテーブルを測る時、我々はテーブルだけでなく定規（測定者自身）も測っている38。
観測者自身のバイアスや、使用しているモデル（AI含む）の特性への自覚。

結論：永遠のベータ版としての知性

我々が辿り着いた暫定モデル――

「人間もAIも“わかる”には到達できず、せいぜい“わかったつもり”の較正をするだけ」

――は、決してニヒリズムではない。むしろ、それは「絶対的な正解」という重圧から我々を解放し、より柔軟で強靭な知性へと導く道標である。

オルテガが恐れた「慢心」とは、較正を止めた状態、すなわち「自分はすでにわかっている」と信じ込み、更新を拒絶した精神の硬直化であった。池谷裕二が示した脳の可塑性は、我々が行動し続ける限り、脳は常に環境に合わせて書き換えられ、較正され続けることを教えてくれる。そしてAIの幻覚は、知性というものが本質的に「確率的な賭け」であり、常に誤りのリスクを孕んでいることを、鏡のように我々に突きつけている。

「わかる」というゴールテープは存在しない。あるのは、無限に続くアプローチ（漸近）のプロセスだけである。この不確実な霧の中で、自らの「わかったつもり」を常に疑い、新しいデータ、他者の視点、そしてAIという異質な知性との対話を通じて、認識の精度をわずかずつ、しかし着実に高めていくこと。その謙虚で粘り強い「較正」の営みこそが、人間とAIが共存する未来において、唯一信頼に足る「知恵」の形なのである。

引用文献

1. The Illusion of Explanatory Depth - The Decision Lab, 12月 18, 2025にアクセス、 https://thedecisionlab.com/biases/the-illusion-of-explanatory-depth

2. Illusion of explanatory depth - Wikipedia, 12月 18, 2025にアクセス、 https://en.wikipedia.org/wiki/Illusion_of_explanatory_depth

3. How Much Do We Really Know? - Hidden Brain Media, 12月 18, 2025にアクセス、 https://www.hiddenbrain.org/podcast/how-much-do-we-really-know/

4. 池谷：脳がうまくはたらくことにも興味があるでしょうが, 12月 18, 2025にアクセス、 https://www.sths.ed.jp/ws/wysiwyg/file/download/98/56525

5. 「簡単にやる気を出す方法を教えてください！」→脳研究者「やる気なんて存在しない」 - 新R25, 12月 18, 2025にアクセス、 https://r25.jp/articles/928885314722267137

6. やる気スイッチを入れよう！！, 12月 18, 2025にアクセス、 https://www.toyama-h.tym.ed.jp/wp-content/uploads/2018/09/cae49307be30d80703d141b9cb119694.pdf

7. Distinct Regions of the Striatum Underlying Effort, Movement Initiation, and Effort Discounting - PMC - PubMed Central, 12月 18, 2025にアクセス、 https://pmc.ncbi.nlm.nih.gov/articles/PMC8555699/

8. The Role of the Dorsal Striatum in Reward and Decision-Making | Journal of Neuroscience, 12月 18, 2025にアクセス、 https://www.jneurosci.org/content/27/31/8161

9. のうだま やる気の秘密 - 地方独立行政法人山梨県立北病院, 12月 18, 2025にアクセス、 https://www.ych.pref.yamanashi.jp/kitabyo/books/1478/

10. Cognitive-motor interactions of the basal ganglia in development - Frontiers, 12月 18, 2025にアクセス、 https://www.frontiersin.org/journals/systems-neuroscience/articles/10.3389/fnsys.2014.00016/full

11. Prefrontal cortex and basal ganglia contributions to visual working memory - PMC, 12月 18, 2025にアクセス、 https://pmc.ncbi.nlm.nih.gov/articles/PMC2964236/

12. Jose Ortega y Gasset Quotes About Virtue, 12月 18, 2025にアクセス、 https://www.azquotes.com/author/5380-Jose_Ortega_y_Gasset/tag/virtue

13. José Ortega y Gasset - Wikiquote, 12月 18, 2025にアクセス、 https://en.wikiquote.org/wiki/Jos%C3%A9_Ortega_y_Gasset

14. AI Hallucinations Explained: Turning Errors into Innovation - Presidio, 12月 18, 2025にアクセス、 https://www.presidio.com/technical-blog/ai-hallucinations-explained-turning-errors-into-innovation/

15. LLM hallucinations aren't bugs: The real challenges are confidence and context - SignalFire, 12月 18, 2025にアクセス、 https://www.signalfire.com/blog/llm-hallucinations-arent-bugs

16. When AI Lies: Understanding AI Hallucinations, 12月 18, 2025にアクセス、 https://saharaai.com/blog/ai-hallucinations

17. CritiCal: Can Critique Help LLM Uncertainty or Confidence Calibration? - arXiv, 12月 18, 2025にアクセス、 https://arxiv.org/html/2510.24505v1

18. Improving Large Language Model Confidence Estimates using Extractive Rationales for Classification - ACL Anthology, 12月 18, 2025にアクセス、 https://aclanthology.org/2025.gem-1.49.pdf

19. LLMs are Overconfident: Evaluating Confidence Interval Calibration with FermiEval - arXiv, 12月 18, 2025にアクセス、 https://arxiv.org/html/2510.26995v1

20. Confidence Calibration for Multimodal LLMs: An Empirical Study through Medical VQA - MICCAI, 12月 18, 2025にアクセス、 https://papers.miccai.org/miccai-2025/paper/1840_paper.pdf

21. Taming Object Hallucinations with Verified Atomic Confidence Estimation - arXiv, 12月 18, 2025にアクセス、 https://arxiv.org/html/2511.09228v1

22. Ten Commandments for Aspiring Superforecasters - Farnam Street, 12月 18, 2025にアクセス、 https://fs.blog/ten-commandments-for-superforecasters/

23. Superforecasting reality check: Evidence from a small pool of experts and expedited identification - PubMed Central, 12月 18, 2025にアクセス、 https://pmc.ncbi.nlm.nih.gov/articles/PMC7333631/

24. Superforecasting - Floris Wolswijk, 12月 18, 2025にアクセス、 https://floriswolswijk.com/superforecasting/

25. Superforecasting tips and techniques - Then Do Better, 12月 18, 2025にアクセス、 https://www.thendobetter.com/investing/2019/7/13/superforecasting-tips

26. Superforecasting: The Art and Science of Prediction - Typeshare, 12月 18, 2025にアクセス、 https://typeshare.co/Nauman/posts/superforecasting-the-art-and-science-of-prediction

27. Thinking in Bets: Making Smarter Decisions When You Don't Have All the Facts - Thinkr.org, 12月 18, 2025にアクセス、 https://thinkr.org/newsletter/thinking-in-bets-making-smarter-decisions-when-you-dont-have-all-the-facts

28. Thinking In Bets - Making Smarter Decisions When You Don't Have All The Facts by Annie Duke | mikegorlon, 12月 18, 2025にアクセス、 https://www.mikegorlon.com/News/thinking-in-bets---making-smarter-decisions-when-you-don't-have-all-the-facts-by-annie-duke

29. Epistemic calibration: Achieving affiliation through access claims and generalizations, 12月 18, 2025にアクセス、 https://benjamins.com/online/prag/articles/prag.20036.kos

30. Epistemic calibration: Achieving affiliation through access claims and generalizations - University of Helsinki Research Portal, 12月 18, 2025にアクセス、 https://researchportal.helsinki.fi/en/publications/epistemic-calibration-achieving-affiliation-through-access-claims/

31. How to Run Pre-Mortem Exercises [Templates Included] | Atlassian, 12月 18, 2025にアクセス、 https://www.atlassian.com/team-playbook/plays/pre-mortem

32. Use a Pre-Mortem to Identify Project Risks Before They Occur - Mountain Goat Software, 12月 18, 2025にアクセス、 https://www.mountaingoatsoftware.com/blog/use-a-pre-mortem-to-identify-project-risks-before-they-occur

33. Intellectual Humility: Foundations and Key Concepts - JSTOR Daily, 12月 18, 2025にアクセス、 https://daily.jstor.org/reading-list-intellectual-humility-foundations-and-key-concepts/

34. Situation-Based Contingencies Underlying Wisdom-Content Manifestations: Examining Intellectual Humility in Daily Life - PubMed, 12月 18, 2025にアクセス、 https://pubmed.ncbi.nlm.nih.gov/29474696/

35. Calibration Research: Where Do We Go from Here? - Frontiers, 12月 18, 2025にアクセス、 https://www.frontiersin.org/journals/psychology/articles/10.3389/fpsyg.2012.00229/full

36. Enhancing the Calibration Accuracy of Adult Learners: A Multifaceted Intervention - Digital Scholarship@UNLV - University of Nevada, Las Vegas, 12月 18, 2025にアクセス、 https://oasis.library.unlv.edu/cgi/viewcontent.cgi?article=2569&context=thesesdissertations

37. Time bandits: How they are created, why they are tolerated, and what can be done about them | Request PDF - ResearchGate, 12月 18, 2025にアクセス、 https://www.researchgate.net/publication/222023018_Time_bandits_How_they_are_created_why_they_are_tolerated_and_what_can_be_done_about_them

38. A Practical Tier List of Epistemic Methods: Why Literacy Beats Thought Experiments - Reddit, 12月 18, 2025にアクセス、 https://www.reddit.com/r/PhilosophyofScience/comments/1mpk9i9/a_practical_tier_list_of_epistemic_methods_why/

https://gemini.google.com/share/87d642f98e0b

　　　　　「わかるへ」のアプローチとしての　シン・ネクシャリズム

　　　　　　関連

https://amzn.asia/d/23F2UDB