大学院生のころ、実験考古学の教授が学生に、丸い石で砂岩の板をたたいて、ドアフレームのボルトを受け止めるくぼみ——ドアソケット——を作るよう指示した。数週間後、その学生はクラスで成果を発表した。「砂岩を約1万回たたいたところ、割れてしまいました」と彼は言った。
このような経験は「個人学習（individual learning）」と呼ばれる。試行錯誤を通じて機能するもので、その量も膨大だ。強化学習（reinforcement learning）とも呼ばれるこの方法は、子ども、チンパンジー、カラス、そしてAIが、単純な道具を作ったりパズルを解いたりといったことを独力で学ぶ際によく用いられる方法である。
しかし個人学習には限界がある。どれほど試行錯誤を重ねても、いずれ改善は頭打ちになる。人類は数十万年にわたって投槍を投げ続けてきたが、パフォーマンスはほぼ横ばいのままだ。2024年パリオリンピックでの槍投げ金メダル記録は、1996年にJan Železnýが樹立した世界記録に約5%届かなかった。戦略ゲームの囲碁においてトップ棋士のレベルは1950年から2016年まで事実上横ばいであったが、そこで人工知能が状況を一変させた。
人類の歴史を通じて、個人学習のこうした限界はテクノロジーには当てはまってこなかった。1997年にIBMのDeep Blueが世界チェスチャンピオンのGarry Kasparovを破って以来、スーパーコンピュータは100万倍の速度を達成し、今ではチェスをはじめ多くの分野で日常的に人間を凌駕している。
なぜテクノロジーの進歩はこれほど違うのか？文化的進化とイノベーションを研究する人類学者としての私の研究が示すのは、個人のパフォーマンスとは異なり、テクノロジーは組み合わせと協働によって進歩するということだ。より多くの人々とアイデアがつながるにつれ、可能な組み合わせの数は超線形的に増大する。技術革新は協力者の数に比例してスケールするのである。
人類学者のMichael J. O’Brienとの共著『Collaborators Through Time』では、人類の存在を通じたこうしたパターンを明らかにしている。専門家同士の協働、世代を超えた継承、そして他の種との関わりを通じて、200万年にわたる技術的伝統がいかに発展してきたかを追った書である。
専門知識こそが鍵であった。伝統的なコミュニティは誰が専門家であるかを知っており、専門化と協働が一貫して種としての人間の成功を支えてきた。
テクノロジーが進歩し続ける理由についての私たちの洞察を、TECHという頭字語に集約できる。すなわち、伝統（tradition）、専門知識（expertise）、協働（collaboration）、そして人間性（humanity）である。
アシュール型握斧は人類が発展させた最古の技術の一つである。Didier Descouens/Wikimedia Commons, CC BY-SA
伝統と専門知識——不可欠な基盤
古人類学者によって記録された最も長い技術的伝統は、アシュール型握斧（Acheulean hand axe）である。この多目的石器は、私たちの人類祖先によって約100万年にわたって製作され、東アフリカの単一遺跡だけでも70万年間にわたって使用され続けた。人々は世代を超えて学び、練習し、洗練させた技術によってアシュール型石器を作り続けた。
その後、現生人類の小規模な先史時代の社会は、音楽、茅葺き屋根、種子の栽培、湿地への遺体の埋葬、キビ麺の製造、さらにはミイラとともに埋葬するためのチーズの製造といった、数千年にわたる専門知識によって繁栄した。
早くも2万2,000年前には、ガリラヤ湖（Sea of Galilee）周辺のコミュニティが薬用植物を含む100種類以上の植物を保存・利用していた。シャーマン——薬学的知識と治療の儀礼的専門家——は集団の生存を助けた。埋葬遺跡の考古学的証拠は、こうした専門家が数千年にわたって広く崇敬されていたことを示している。あるシャーマン女性は、イスラエルの洞窟で、カメの甲羅、イヌワシの翼、切断された人の足とともに埋葬されていた。
協働——時間と空間を超えた知識
伝統的な専門知識だけではテクノロジーは進歩しない。技術的進歩が生まれるのは、異なる形の専門知識が組み合わさったときである。
車輪は銅採掘のコミュニティから生まれた可能性がある。ある専門家がバルカン半島から銅を調達し、別の専門家が輸送し、また別の専門家が製錬した。紀元前4000年ごろには、さらなる専門家たちが車輪形のアミュレットの原型を銅で鋳造した。蝋のモデルを形成し、粘土で覆い、窯で焼き、溶融金属を型に流し込み、型を壊して取り出すという工程である。
輸送技術は古代の製品ネットワークを再編した。ユーラシアとアフリカ全土のコミュニティが車輪付きの乗り物や船を建造し、家畜化された馬やその他の荷役動物を飼育するにつれて、協働は大陸をまたいで拡大した。海上・陸上の交易が、鍛冶屋、書記、宗教学者、ビーズ職人、絹織物師、タトゥー職人らを結びつけた。
専門知識はしばしば都市とその周辺地域に分散し、都市は大陸横断的な製品ネットワークのハブとして機能した。古代エジプトでは、単一のコミュニティだけでミイラを作ることはできなかった。サッカラのミイラ製造の専門家たちは、油、タール、樹脂を供給する大陸規模のネットワークに依存し、これらの材料を防腐処理、エンバーミング、包帯による包み、棺の封印といった専門技術と組み合わせた。
ミイラ製造の場面に描かれた、ミイラ化と来世の神アヌビス。ミイラ製造に使われる素材は大陸全土から調達されていた。André/Wikimedia Commons, CC BY-SA
世界各地において、インダス文明からヴァイキング、モンゴル、ミシシッピ文明、インカに至るまで、国家や帝国はこうしたネットワークを拡大し、原材料・専門知識・完成品の交換を調整するハブとして機能した。こうした交換は非常に具体的なものになることもあった。中国の磁器は、アラビア語の金箔文字を加えた中東の商人を通じて、12世紀のイスラム系スペインの宮殿だけに向けて輸出されていた。
規模は変わっても、その構造は変わっていない。今日、グローバルな製品空間において、iPhoneは分散した専門知識と施設のネットワークから組み立てられている。
人間性——社会的学習
今日、AIは数千年にわたるTECHによる技術進歩のパターンを破壊しかねない。大規模言語モデルの多くは統計的に一般的な回答を生成するため、文化を均質化し、専門知識や独創性を薄める恐れがある。未使用の高品質な学習データ——専門知識の貯蔵庫——が希少になるにつれ、このリスクはさらに高まる。
これはフィードバックループを生み出す。低品質なコンテンツで大量に学習したモデルは時間とともに劣化し、推論能力や読解力の測定可能な低下をきたす可能性がある。一部の科学者は今、人間と大規模言語モデルが使い回された一般的なコンテンツの相互強化サイクルに陥り、関係者全員に「脳の腐敗（brain rot）」をもたらしかねないと警告している。ディストピア的な極端な事態がAIモデルの崩壊（model collapse）であり、これは自身の出力で大量に学習したシステムが無意味なものを生成し始める現象だ。
自身の過去の画像で学習したAIが生成した画像は、次第に劣化していく。M. Bohacek and H. Farid, CC BY-SA
「脳の腐敗」は、一部のAI先駆者たちが大規模言語モデルの人間レベルの知能の実現を疑問視するようになった理由の一つでもある。しかし私は、それは問題の立て方として誤りだと考える。AIモデルを継続的に改善するための鍵は、人類が数千年にわたって専門知識を維持してきたのと同じものだ——すなわち、人間の専門家をプロセスの中に組み込み続けること、TECHにおける「E（expertise）」である。いわば「笛吹き男効果」のように、知識を持つ少数者が、隣人の行動を模倣しようとする無知の多数者を導くことができる。
古典的な実験では、グッピーが仲間の後を追うことで、食物へと誘導するロボットの魚の後ろに群れをなして泳ぐようになった。最近の研究では、自律走行車が道路上の車のわずか5%を占めるだけで交通渋滞が緩和されることが示された。どちらの場合も、知識を持つ小さな少数者がシステム全体の行動を変えた。
人間と同様に、大規模言語モデルも社会的学習者であり、その学習はどちらの方向にも進みうる。設計者は、歴史を通じた人類の専門知識の蓄積をモデルが継続的に取り込めるようにすることで、モデルが改善し続ける可能性を高めることができる。そうすることで、人間とモデルが互いに学び合う条件が整う。
2010年代、DeepMindのAlphaGoは個人学習を通じて数百年にわたる人間の囲碁知識を再発見し、さらに人間が一度も試みたことのない戦略を編み出した。その後、人間の囲碁の名手たちはこれらのAIが生み出した戦略を自分たちのプレイに取り入れた。
十分に学習された大規模言語モデルはまた、膨大な科学的情報を要約し、陰謀論的思考から人々を脱却させ、さらには多様なグループが合意を形成するのを支援することで協働そのものを促進できる。こうした場合、学習は双方向に流れる。
アシュール型握斧からスーパーコンピュータに至るまで、人類のイノベーションは常に伝統、専門知識、協働、そして人間性に依存してきた。AIが専門知識を希薄化するのではなく、発見し信頼するように調整されるならば、古代の文字、市場、初期の政府と並ぶ、時を超えた協働者としての私たちの長い歴史における、次の偉大なテクノロジーとなりうるのである。
