はじめに：なぜ今、フッサールの時間論とAIを比較するのか
生成AIや時系列予測モデルが「過去の文脈を踏まえて次を出力する」とき、そこではどのような時間が扱われているのでしょうか。この問いを考える手がかりになるのが、エトムント・フッサールの『内的時間意識の現象学』です。
結論を先に述べると、両者には「過去を現在に保持し、現在の入力で状態を更新し、未来に開かれた構造をつくる」という機能的な類似があります。一方で、フッサールが扱うのは「時間経験がそもそもどう成り立つか」という問題であり、モデルと意識を同一視することはできません。
本記事では、まずフッサールの三項構造を整理し、次に主要な時系列モデルの時間表現を確認します。そのうえで両者の対応点と相違点を比較し、AI設計への示唆を考えます。
フッサールの内的時間意識とは：原印象・把持・予持の三項構造
フッサールは客観的な時間軸を前提にせず、「継起」や「持続」が経験として成立する条件を分析しました。その中心にあるのが、**原印象（Urimpression）・把持（Retention）・予持（Protention）**の三契機です。
把持は「記憶」ではなく、与えられ方の変様
原印象は、対象の「今」の相が直接与えられる契機です。ただし、それは孤立した点ではありません。直前の相を「たった今過ぎたもの」として保つ把持と、これから来るものへの開けである予持を、本質的に伴っています。だからこそ、私たちは音の連なりを個別の音ではなく、一つのメロディとして聴けるのです。
ここで大切なのは、把持と再想起の区別です。再想起は、完結した過去を改めて思い出す作用です。これに対して把持は、現在の知覚の内部で受動的にはたらきます。さらに、ある相が過去へ沈んでいくにつれて、その与えられ方そのものが連続的に変わっていきます。把持は「過去データのコピー」ではありません。
予持と時間の非対称性
把持と予持は鏡像の関係にはありません。過去はすでに与えられたものが変様したものです。未来はまだ与えられておらず、開かれた可能性として予持されます。予持は、後続の原印象によって「充足」されることもあれば、裏切られて驚きを生むこともあります。
この非対称性が、時間の不可逆性を支えています。原印象は把持へと変様しますが、元の原印象に戻ることはありません。
縦の志向性と意識流の自己統一
フッサールは後期草稿で、横の志向性と縦の志向性を区別しました。前者は対象の持続を構成し、後者は意識流そのものの統一を構成します。両者は別々の処理ではなく、一つの流れがもつ二つの側面とされます。この「自己構成する流れ」という考え方は、AIとの比較で特に慎重に扱うべき論点です。
AI時系列モデルは時間をどう表現しているか
RNN・LSTM・GRU：過去を内部状態へ折り畳む
Elmanが提案した単純RNNは、時間を固定された入力位置としてではなく、過去が現在の処理に及ぼす効果として内部状態に取り込みました。ただし、勾配降下法では長期依存の学習が難しいことが、Bengioらによって指摘されています。
LSTMは、メモリセルとゲートを導入してこの問題を緩和しました。GRUは、更新ゲートとリセットゲートによって構造を簡潔にしています。どちらも「何を保持し、何を忘れ、何を更新するか」を制御する点で、把持との類似が最も直観的に見えるモデルです。
Transformer・TCN：時間配置と受容野
Transformerは再帰を使わず、位置エンコーディングで順序を与え、self-attentionで離れた位置同士を直接結びつけます。自己回帰型ではcausal maskによって未来へのアクセスを遮断し、計算上の因果順序を保ちます。とはいえ、過去のトークンは離散的な位置の集合として残ります。そのため、流れとしての時間よりも、空間化された時間配置に近い表現だといえます。
TCNは、因果的畳み込みとdilationによって、過去の受容野を階層的に広げます。過去を一つの状態へ圧縮するのではなく、複数の遅延尺度をまとめて扱います。この点は、把持の連続体を計算論的に近似する試みとして興味深いものです。
状態空間モデル（S4・Mamba）とNeural ODE：流れとしての時間
S4などの状態空間モデル（SSM）は、連続時間の状態方程式を離散化し、系列を潜在状態の時間発展として扱います。HiPPOは、過去全体を有限次元の状態へオンラインで圧縮する問題を定式化し、時間尺度への頑健性を設計目標に据えました。Mambaは状態空間のパラメータを入力に依存させ、内容に応じて保持と忘却を選択します。
Neural ODEは、隠れ状態の時間微分そのものを学習します。Latent ODEやODE-RNNは、不規則な間隔で観測される時系列にも自然に対応できます。こうしたモデルでは、時間は独立したインデックスではなく、状態変化の内在的な法則として記述されます。
比較分析：どこが対応し、どこが対応しないのか
最も強い対応：把持と内部状態による履歴圧縮
RNN・LSTM・SSMは、過去の全履歴をそのまま保存せず、現在の処理に必要な形へ変換します。フッサールの把持も、過去を複製せず、変様させながら現在の経験に組み込みます。「過去を現在の状態へ変換する」という関係構造は、両者に共通しています。
ただし、「記憶ベクトル＝把持」という対応は成り立ちにくいと考えられます。モデルの状態は内容を表すものですが、把持は与えられ方の様態だからです。忘却ゲートによる減衰は数値の変化であり、把持の変様は時間的な位置づけそのものの変化です。
決定的な差異：予持は「予測」ではない
次トークン予測は未来の確率分布を出力します。一方、予持は予測結果を格納する別モジュールではなく、現在の知覚そのものを構成する契機です。期待された未来が、すでに現在の意味づけを変えているのです。予測処理理論とフッサールを比較する研究でも、予持を予測誤差の最小化に還元することは不十分だと指摘されています。
因果性・不可逆性・時間尺度の違い
モデルにおける「因果性」は、時刻tの出力を計算するときに未来の入力を参照しない、という情報アクセスの制約です。フッサールの方向性はそれより強く、「既充足の過去」と「未充足の未来」という様態の非対称性を含みます。causal maskだけでは、この非対称性は表現されません。
時間尺度についても注意が必要です。フッサールの三項構造は特定の秒数に結びついておらず、形式的には尺度を特定しない構造です。ただし、数学的なスケール不変性が示されているわけではありません。モデル側では、HiPPOが時間尺度への頑健性を明示的に扱っており、比較研究の接点として注目に値します。
フッサールの時間論がAI設計に与える示唆
比較から導かれる設計上の方向性は、次のように整理できます。
- 内容と時間様態を分離する：同じ過去内容でも、「今」「たった今」「遠い過去」で表現形式が変わるモデルを考える
- 予持を状態構成の原理にする：複数の未来仮説を保持し、その分布が現在の解釈を規定し、驚きによって過去の表現も更新される設計
- 二重志向性に相当する表現：同じ状態遷移から、対象の追跡と自己の時間的連続性を同時に構成する
- 過去と未来を異なる型として扱う：過去を既充足・変様済み、未来を未充足・可能的な潜在変数として区別する
これらは本比較から導いた仮説的な方向性であり、実装と検証はこれからの課題です。
まとめ：時間を「相互変様」として捉え直す
- フッサールの内的時間意識とAI時系列モデルには、過去の保持と状態更新という機能的な類似があります。ただし、両者の関係は同一性ではなく構造的アナロジーです。
- RNN/LSTMは履歴の内在化、Transformerは時間配置の関係統合、TCNは複数の遅延尺度、SSMとNeural ODEは連続的な状態の力学に、それぞれ強みがあります。
- 最大の相違は、把持が「与えられ方の様態」であること、そして予持が単なる予測ではなく現在を構成する契機であることにあります。
- AI設計への示唆は、記憶を長くすることではありません。記憶・現在・期待の相互変様そのものを、時間表現の基本単位とすることにあります。
今後は、この視点を予測処理理論や能動的推論との比較、さらに学習支援AIにおける「人間の時間経験」との協調へと広げていくことが考えられます。
コメント