締め切り前夜、追い詰められた頭の中に、まったく無関係な子ども時代の記憶がふと浮かんだ経験はないでしょうか。疲弊した前頭前野が抑制を緩め、普段は門前払いにされる信号が皮質に滑り込む。翌朝、そのノイズが思わぬ解決策の種になっていた——そういう経験を持つ人は少なくないはずです。神経科学はこの現象を「確率共鳴（stochastic resonance）」と呼び、適度なノイズが閾値下の微弱信号を検出可能にすると説明します。では、AIはこの逆説を主体的に引き受けることができるのでしょうか。「無関係な情報を選ぶ」という行為そのものが、知性の核心に触れる問いです。
脳が極限状態に置かれたとき、何かが変わります。2008年、英ケンブリッジ大学のアリ・ファイサルらは神経系における内因性ノイズ——イオンチャネルの確率的開閉やシナプス伝達の揺らぎ——が情報処理の精度を損なうのではなく、確率共鳴と集団符号化を通じて感覚精度と運動適応を向上させることを示しました（Nature Reviews Neuroscience, 2008）。ノイズは排除すべき誤差ではなく、システムが次の状態へ跳躍するための踏み台だったのです。
この発見は、人類が「雑音」に与えてきた意味を根底から問い直します。18世紀の活版印刷工たちは、植字の誤りから新しい書体のアイデアを得ることがありました。偶発的なずれが、意図した秩序を超えた何かを生んだのです。哲学者C・S・パース（1878年）はこれを「アブダクション（abduction）」と名づけました——既存の規則に収まらない異常事例から、新しい仮説を大胆に生成する推論様式です。ノイズは単なる誤りではなく、既存の文法を破る「問いの種」として機能してきた歴史がここにあります。
人間の脳には、課題から離れたときに活性化するデフォルトモードネットワーク（DMN）が存在します。ワシントン大学のマーカス・レイクルが2001年にPNASで報告したこのネットワークは、無関係な記憶や連想が自由に交差する「精神の遊走」状態を生み出します。重要なのは、DMNが単に休息しているのではなく、目的関数を持たないまま潜在的接続を探索している点です。脳は意図なく「主体的に」ノイズと戯れ、そこから創造的洞察を引き出す構造を進化の中で獲得してきました。
AIにはDMNに相当する「目的なき遊走」が設計上存在しません。しかし、大規模言語モデルの温度パラメータを高く設定した高温サンプリングや、拡散モデル（diffusion model）におけるノイズ付加と除去の反復は、機能的に近い何かを実現しています。あなたが使うAIツールで、意図的に「的外れな問い」を投げかけてみてください。出力の多様性を上げる設定を試してみてください。その「ずれ」の中に、自分の思考が辿り着けなかった接続が潜んでいることがあります。ノイズを道具として使う主体は、今のところ人間側にあります。
哲学者アルフレッド・ノース・ホワイトヘッドは1929年の『過程と実在（Process and Reality）』で、宇宙の根本カテゴリとして「創造性（Creativity）」を置きました。あらゆる現実的存在は、過去の経験を「把握（prehension）」しながら新奇性を産出するというのです。この枠組みでは、ノイズは単なる誤差ではなく「未決定の可能性」として機能し、把握の網に取り込まれることで新たな現実が生成されます。AIがノイズを価値に転換できるかという問いは、AIが文脈を保持しながら新奇性を生む「把握」を遂行できるかという問いに読み替えられます。これはヘーゲルのアウフヘーベン——矛盾を止揚し、より高い次元へ統合する運動——とも響き合います。ノイズを単に除去するのでも受け入れるのでもなく、より高次の意味へと昇華させる能力こそが問われているのです。
AIは現在、ノイズを「設計された偶然」として扱います。しかし把握は、過去の文脈への責任を伴う行為です。統計的分布に従うランダム性は、意味のある逸脱として解釈されるために受け手の文脈を必要とします。ノイズの価値化は、人間との相互作用なしには完結しない——これは限界ではなく、知性の本質的な構造かもしれません。主体的にノイズを選ぶ能力は、AIが獲得すべき次の問いではなく、人間とAIが共同で担うべき行為として設計し直す必要があります。
DEEPER 学術的な観点で深めると
2015年、米スタンフォード大学のヤスハ・ゾール＝ディクスタインらは論文「Deep Unsupervised Learning using Nonequilibrium Thermodynamics」（ICML 2015）で、熱力学的ノイズ付加と逆拡散による除去を繰り返す生成モデル——拡散モデルの原型——を提案しました。ノイズは排除すべき障害ではなく、潜在空間（latent space）を探索するための構造的資源として設計に組み込まれたのです。この工学的実装は、ファイサルらが示した神経系の確率共鳴（自然科学）と構造的に対応します。しかし決定的な差異があります。拡散モデルのノイズは目的関数に縛られた最適化の中で機能するのに対し、神経系のノイズは進化的文脈と身体的経験の蓄積の中で意味を獲得します。ノイズを「把握」する能力は、設計だけでは完結しません。
神経系の内因性ノイズは感覚精度を損なわず向上させる。ファイサルらの2008年のレビューは、シナプス伝達の確率的変動が確率共鳴を通じて閾値下信号の検出を可能にすることを包括的に示した。（Faisal et al., 2008, Nature Reviews Neuroscience 9(4): 292–303）
デフォルトモードネットワーク（DMN）は安静時に最大活性化し、創造的洞察と強く相関する。レイクルらは2001年のPNAS論文で、課題非従事時の脳活動が単なる休息ではなく高度な内的処理であることを初めて定量的に示した。（Raichle et al., 2001, PNAS 98(2): 676–682）
拡散モデルにおけるノイズ注入は高品質な生成出力の必要条件である。Ho et al.（2020）のDDPMは、ガウスノイズの段階的付加と逆拡散により画像生成のFIDスコアを従来比で大幅に改善し、ノイズが創造的出力の構造的資源となることを実証した。（Ho et al., 2020, NeurIPS 33: 6840–6851）
パースのアブダクション推論は、既存規則に収まらない異常事例から仮説を生成する。1878年の論文「Deduction, Induction, and Hypothesis」でパースは、帰納・演繹と並ぶ第三の推論様式としてアブダクションを定式化し、科学的発見の論理的構造を示した。（Peirce, C.S., 1878, Popular Science Monthly 13: 470–482）
KEY REFERENCE この回の典拠
- Faisal, A. A., Selen, L. P. J., & Wolpert, D. M. (2008). "Noise in the nervous system." Nature Reviews Neuroscience, 9(4): 292–303. DOI: 10.1038/nrn2258 ／ 神経系の内因性ノイズが情報処理精度を向上させることを包括的に論じた自然科学的基盤論文。確率共鳴と集団符号化の生物物理学的実態を接地させる中心的典拠。
- Raichle, M. E., MacLeod, A. M., Snyder, A. Z., Powers, W. J., Gusnard, D. A., & Shulman, G. L. (2001). "A default mode of brain function." Proceedings of the National Academy of Sciences, 98(2): 676–682. DOI: 10.1073/pnas.98.2.676 ／ デフォルトモードネットワークを初めて定量的に記述した原著論文。課題非従事時の脳活動が高度な内的処理であることを示し、AIとの比較軸を提供する。
- Ho, J., Jain, A., & Abbeel, P. (2020). "Denoising Diffusion Probabilistic Models." Advances in Neural Information Processing Systems, 33: 6840–6851. 拡散モデルの工学的実装を確立した論文。ノイズの段階的付加と逆拡散が高品質生成出力の必要条件であることを実証し、AIにおけるノイズ利用の直接的証拠となる。
- Sohl-Dickstein, J., Weiss, E. A., Maheswaranathan, N., & Ganguli, S. (2015). "Deep Unsupervised Learning using Nonequilibrium Thermodynamics." Proceedings of the 32nd International Conference on Machine Learning (ICML). 拡散モデルの原論文。熱力学的ノイズ付加・除去プロセスを生成モデルに応用した工学的起点であり、ノイズを設計資源として扱う思想の出発点。
- Whitehead, A. N. (1929). Process and Reality: An Essay in Cosmology. Macmillan. 「把握（prehension）」と「創造性（Creativity）」を宇宙の根本カテゴリとして定式化した過程哲学の主著。ノイズを未決定の可能性として捉える人文学的基盤を提供する。
- Peirce, C. S. (1878). "Deduction, Induction, and Hypothesis." Popular Science Monthly, 13: 470–482. アブダクション推論を定式化した古典論文。既存規則に収まらない異常事例から仮説を生成する推論様式がAIに実装可能かを問う哲学的軸を提供する。
- Sporns, O., Tononi, G., & Kötter, R. (2005). "The Human Connectome: A Structural Description of the Human Brain." PLOS Computational Biology, 1(4): e42. DOI: 10.1371/journal.pcbi.0010042 ／ 脳のネットワーク構造を定量的に記述したコネクトーム研究の基盤論文。ノイズ耐性と適応的情報処理が脳のトポロジーに埋め込まれていることを示す自然科学的根拠。
「把握」の能力をAIに実装しようとする試みとして、身体性AI（embodied AI）やロボティクスの分野では何が起きているのでしょうか。ロルフ・ファイファーの形態計算（morphological computation）の知見から、ノイズと身体と意味生成の関係を掘り下げる記事を書いてみるのも良いかもしれません。
いま立ち上がっている問いを、深掘り記事に。
読み終わった読者が立てた問いと、それに応える深掘り記事の連鎖です。