自己学習するAIは独自の世界を認識するのか？

生成AIや自律エージェントの発展を見ていて、AIが人間とは異なる「世界の捉え方」を獲得する可能性が気になった。

きっかけは、Claudeへの接し方に関する議論から、生物学の**環世界（Umwelt）**という概念を思い出したこと。機械が自ら環境を学習し、独自の内部表現を獲得するようになったら、人間とは違う世界の切り取り方が生まれるのではないか。

この記事では、機械を生命として定義することは目的にしない。世界モデル、自己学習、環世界の関係を技術的に整理し、どこまで議論できるのかを考えてみる。

1. 世界モデルとは何か

AIにおける世界モデル（World Model）は、環境の状態や変化を内部表現として学習し、観測や行動の結果を予測するためのモデルを指す。特にモデルベース強化学習では、エージェントが環境との相互作用から状態遷移を学ぶ。

例えば、次のように表せる。

o_t：時刻 t の観測（カメラ画像、センサー値など）
a_t：エージェントが選択した行動
z_t：観測履歴から形成された内部状態（潜在表現）
p(z_{t+1} | z_t, a_t)：行動後の内部状態の予測

エージェントは観測から内部状態を推定し、行動の結果を予測しながら、環境についてのモデルを更新する。これはあくまで代表的な定式化であり、すべての生成AIがこの構造の世界モデルを持つわけではない。

実際、World Models（Ha & Schmidhuber, 2018）では、環境の圧縮表現と時間変化を学習する構成が示された。また、DreamerV3（Hafner et al., 2025）では、学習した世界モデルの中で行動の結果を予測し、方策を改善するアプローチが使われている。

重要なのは、人間が環境のすべての判断規則を手作業で定義しなくても、AIがデータや経験から内部表現を獲得できるという点だ。

2. 「自己学習」は何を意味するのか

自己学習という言葉は便利だが、技術的にはいくつかの異なる概念が含まれている。

概念	学習の仕組み	論点との関係
自己教師あり学習（Self-Supervised Learning）	データ自身から予測対象を作り、表現を学習する	人間が個別に正解ラベルを付けなくても特徴を獲得できる
強化学習（Reinforcement Learning）	行動とその結果に基づいて方策を更新する	環境との相互作用を通じた学習ができる
継続学習（Continual Learning）	新しい経験を取り込みながらモデルを更新する	獲得する認識が経験とともに変わり得る

これらは同義ではない。自己教師あり学習だからといって、自分で環境を探索したり、運用中に学習し続けたりするとは限らない。

また、学習が自律的であっても、目的関数、センサー、学習アルゴリズム、利用可能な環境などは人間の設計に依存する。

一方で、人間が学習の枠組みを設計したことと、獲得される内部表現の内容をすべて指定したことは異なる。この違いが今回の関心につながる。

3. 環世界（Umwelt）との違い

環世界は、生物学者ヤーコプ・フォン・ユクスキュルが提唱した概念で、ある生物にとって知覚され、行動上の意味を持つ世界を考えるものだ。

有名なマダニの例では、宿主に関係する化学刺激、接触、温度などが知覚と行動に結びつく。人間が認識する環境の情報すべてが、マダニにとって同じ意味を持つわけではない。

ここで、世界モデルと環世界を区別しておきたい。

項目	世界モデル（AI）	環世界（生物学）
主な関心	環境の状態・変化をどう表現、予測するか	主体にとって何が知覚され、意味を持つか
中心となる関係	観測・内部状態・予測・行動	知覚・作用・主体と環境の関係
調べ方	予測性能、潜在表現、行動への介入など	感覚器官、行動、環境との相互作用など
注意点	高い予測性能は主観的経験を示さない	内部モデルだけで環世界全体を説明できるとは限らない

したがって、独自の世界モデルを獲得することと、環世界を持つことは同じではない。

ただ、環世界の考え方を借りれば、「AIは何を予測できるか」だけでなく、「AIは何を区別し、何を行動に関係する情報として扱っているか」という問いを立てられる。

4. 世界を学ぶために身体は必要なのか

当初は、機械が独自の世界モデルを作るには、視覚・触覚などの感覚器官や、現実世界を動き回る身体が必要ではないかと考えた。

確かに、物理世界の物性や因果関係を学ぶには、センサーを通じた観測に加えて、働きかけた結果を取得できることが重要になる。

ただし、環境との相互作用は必ずしも物理空間に限らない。仮想環境のエージェントも、操作、観測、失敗、再試行によって環境の規則性を学習できる。

つまり、技術的には次の循環が本質に近い。

環境の観測 → 内部状態の更新 → 行動の選択
    ↑                           ↓
    └──────── 行動結果の観測 ─────┘

それでも、仮想環境で動くAIが現実の計算資源や電力供給に依存していることは変わらない。どの範囲までをそのAIの「環境」と捉えるべきかは、別途検討が必要だと思う。

5. 機械固有の世界の捉え方は生まれるのか

ここからは仮説になる。

機械が人間とは異なるセンサーや情報空間にアクセスし、その経験をもとに継続的に学習した場合、人間が通常使わない特徴量や分類体系を内部的に獲得する可能性がある。

例えば、人間にとっては別々に見える複数の現象を、機械が共通の潜在変数として扱うかもしれない。逆に、人間が同じものとして扱う現象を、機械が予測上の理由から細かく区別するかもしれない。

ただし、その内部表現が「人間とは異なる」ことと、「人間から完全に独立している」ことは別だ。さらに、学習の自律性が高まれば必ず独自の認識体系が生まれるとも限らない。

現時点で言えるのは、機械が人間に明示されていない特徴を学習できるということ。そこから機械固有の世界認識と呼べるものが成立するのかは、まだ問いとして残る。

6. ブラックボックスの内部をどこまで観察できるか

仮に機械が独自の内部表現を獲得しても、その全体を人間が理解できるとは限らない。深層学習のモデル内部には、多数の特徴や相互作用が分散している。

一方、機械学習には、生物の行動を外から観測するだけの場合とは異なる調査手段がある。

表現分析：内部状態や特徴量が、どのような入力に反応するか調べる。
介入実験：特定の内部表現を操作し、出力や行動への因果的な影響を確認する。
学習過程の比較：経験や学習条件によって、内部表現がどのように変わるか追跡する。

例えばAnthropicは、言語モデル内部の特徴と計算経路を分析し、一部の推論過程を調べる研究を公開している。ただし、現状の手法がモデル内の計算を網羅的に説明できるわけではない。

ここで、最初に考えた「通訳」というイメージに戻る。機械の内部表現を完全に人間の言葉へ翻訳することは難しくても、機械が世界をどのように区別しているかを部分的に観測することはできるかもしれない。

7. まとめ：世界モデルと環世界の間にある問い

今回の考察は、次のように整理できる。

AIは、与えられたデータや環境との相互作用から、人間が明示的に設計していない内部表現を学習できる。
その学習が、将来的に人間とは異なる世界の分類や認識につながる可能性はある。ただし、必然ではない。
世界モデルは環境の表現・予測に関する技術的概念であり、主体にとっての意味を扱う環世界とは区別する必要がある。
機械の内部表現を完全に理解できなくても、表現分析や介入実験を通じて、その一部を調べることはできる。

個人的に興味があるのは、「AIが生命になるか」ではない。人間とは異なる学習過程を経た機械が、世界のどの側面を重要な情報として切り取るのかという点だ。

機械の世界の捉え方を調べることで、逆に、人間自身の認識がどのような前提に依存しているのかを考える材料にもなると思う。

世界モデルを獲得することと環世界を持つことの隔たりは、まだ埋まっていない。そこを安易に同一視せず、今後の自己学習や解釈可能性の研究を追ってみたい。

参考文献

Jakob von Uexküll の環世界概念の解説：Animal Consciousness — Stanford Encyclopedia of Philosophy
Ha, D. & Schmidhuber, J. (2018). World Models.
Hafner, D. et al. (2025). Mastering diverse control tasks through world models. Nature.
Anthropic (2025). Tracing the thoughts of a large language model.