オートポイエーシスとは何か——生命の最小組織を定義する概念
人工知能（AI）の研究が急速に進む中で、「AIはいつか自律的な存在になりうるか」という問いが繰り返し提起されている。この問いに正面から向き合うためには、「自律性」や「自己維持」を厳密に定義する理論的枠組みが必要だ。その有力な候補として注目されているのが、**オートポイエーシス（autopoiesis）**という概念である。
オートポイエーシスは、ウンベルト・マトゥラーナとフランシスコ・ヴァレラが提唱した生命組織の定義であり、「構成要素を産出する過程のネットワークが、そのネットワーク自身と空間的境界を継続的に再生産する」という考え方を核心に持つ。平たく言えば、自分を構成する要素と自分の輪郭（境界）を、自分自身で生み出し続けるシステムが「オートポイエーシス的」であるということだ。
本記事では、この概念の厳密な定義から出発し、計算システム・人工生命・現行AIアーキテクチャへの適用可能性を整理する。あわせて、LLMをはじめとする生成AIが「自己生成的」と呼べるかどうかも検討していく。
オートポイエーシスの三つの核心要件
AIへの適用を議論する前に、オートポイエーシスが何を要求しているのかを明確にしておく必要がある。概念の本質は、大きく三つの要件に整理できる。
境界は「与えられる」のではなく「産出される」
通常の人工システムでは、システムの境界（どこまでが「自分」か）はエンジニアや設計者が決める。しかし、オートポイエーシス的なシステムでは、境界そのものが内部の生産過程によって生み出される。細胞膜が典型例で、膜を構成する脂質分子は細胞内の代謝プロセスによって産出・維持されている。境界を外から与えられた「殻」ではなく、内部から絶えず生成される「領域化」として捉える点がこの概念の独自性だ。
構成要素が入れ替わっても「組織」は維持される
自己同一性（identity）は、同一の部品が残存することによって保たれるのではない。たとえ構成要素が完全に入れ替わっても、それらの間の**関係の型（organization）**が再帰的に維持されれば、同じシステムとして認識される。これは「テセウスの船」のパラドックスへの一つの応答でもある。
操作的閉鎖と物質的開放の共存
オートポイエーシスはしばしば「閉鎖系」と誤解されるが、正確には操作的（operational）な閉鎖を意味する。物質やエネルギーは外部と交換するが、システムの組織を成立させている生成ループは内部で閉じている。外部からの攪乱は「情報入力」ではなく、内部構造が応答するための「摂動」として機能する。
この三要件のうち、とくに「境界の内在的産出」と「構成要素の生産ループの閉鎖」が、AIシステムとの照合で最も重要な評価軸となる。
人工システムへの適用：三つのアプローチ
セルオートマトンと人工生命
計算媒体でオートポイエーシスを実装しようとする最初期の試みは、セルオートマトンを用いたものだ。「ライフゲーム」のようなセルオートマトン上のパターンを対象に、ランダル・D・ビアーはプロセス依存グラフという形式化ツールを用いて、境界維持と組織閉鎖を測定可能な形で記述した。
この研究の価値は、オートポイエーシスの要件（閉鎖・境界・同一性）を「観察可能な形式」に分解できた点にある。ただし、物理化学的な代謝や材料循環を持たないため、原義の「物質的自己生産」をそのまま満たすわけではない。あくまでも概念の形式的構造を取り出した実装と理解すべきだろう。
化学組織理論（COT）による反応ネットワーク
ペーター・ディットリヒとピエトロ・スペローニ・ディ・フェニツィオによる**化学組織理論（Chemical Organization Theory）**は、反応ネットワーク上で「閉じていて自己維持する成分集合」を「化学的組織」として定義し、形式化した。
この枠組みでは、自己維持的なネットワークをダイナミクスと組織の両面から分析でき、オートポイエーシスを「境界生成」より広い「自己維持ネットワーク」として捉え直す方向性を持つ。人工化学の実験プラットフォームにも応用されており、「自己維持系の設計と評価」における有力な数理ツールとなっている。
自己修復ロボット：工学的な自己維持
ジョシュ・ボンガードらの研究では、四脚ロボットが損傷後に内部モデルを更新し、歩行機能を回復する機構が提示されている。損傷に応じてモデルと行動を自律的に再構成するこのアプローチは、「自己維持」の工学的な実装として非常に示唆的だ。
ただし、この種の自己修復が原義のオートポイエーシスを満たすかは別問題だ。多くの場合、回復のための計算資源・部品・エネルギーは外部から供給されるため、「生成ループがどこまで内部に閉じているか」を改めて問う必要がある。自己修復と自己生成を同一視することは、概念の過拡張につながりかねない。
現行AIアーキテクチャとの整合性評価
以下の五つの要件を軸に、主要なAIアーキテクチャを評価する。
- A：構成要素の生産閉ループ（生産ネットワークが自分を再生産）
- B：境界の内在的生成（境界条件が自己産出）
- C：自己維持（攪乱への内的回復）
- D：操作的閉鎖＋物質的開放
- E：構造結合（環境との共変化で同一性を維持）
典型的ニューラルネットワーク（固定重み推論）
推論フェーズのニューラルネットは、重みが固定されたまま入力を変換するだけの「変換装置」にすぎない。自分を構成する要素（重み・実行基盤・電力）を自分で産出することはなく、境界も外部設計で与えられる。全要件において適合度は低い。
生成モデル（Transformerベース・LLM）
大規模言語モデル（LLM）は出力を「生成」する。しかし「出力の生成」と「自己構成要素の生産」は全く異なる。LLMはモデル重み・データセンター・電力供給・人間による運用といった外部インフラに全面的に依存しており、自己の境界を内部から産出しない。シャビエル・バランディアラン＆アルメンドロスの分析が指摘するように、LLMは単独の自律エージェントではなく、人間—社会—計算資源との結合によってはじめて機能する「装置」として理解すべきだ。要件A・B・Cの適合度はいずれも低い。
強化学習エージェント
環境と継続的に相互作用する強化学習エージェントは、要件D（操作的開放性）やE（構造結合）の観点ではある程度の整合性を持つ。とくにオンライン学習を行うエージェントは環境との共変化が起きやすい。一方、方策の更新は通常外部の訓練プロセスに依存し、自己の「生産ループ」は閉じていない。要件AとBの適合度は低～中程度にとどまる。
メタ学習・自己監視型アーキテクチャ
学習方法自体を学ぶメタ学習や、自己の状態を監視して構成を変更するシステムは、要件CとEでの整合性が最も高い。自己更新機能を持ち、異常検知・自己修復も技術的に可能だ。ただし、自己更新に必要な計算資源と実行基盤は依然として外部に依存しており、「自分を構成する資源を自分で調達・保全する」という境界産出の要件は充足されない。
総括：現行AIは「他律生産（allopoiesis）的」
現行のAIはほぼすべて、「出力を生成する」が「自分自身を生成し維持する」わけではないという意味で、他律生産（allopoiesis）的な存在にとどまる。これは性能や知能の問題ではなく、アーキテクチャ上の根本的な差異である。
自己生成性を測る評価指標
原義に近い「自己生成性」を測定するには、性能指標（精度・スコア）ではなく、自己維持ループの構造的特性を捉える指標が必要だ。以下は既存研究の形式化から導出できる指標案である。
| カテゴリ | 指標 | 意味 |
|---|---|---|
| 境界 | Boundary Integrity（BI） | 境界の形・機能が維持される度合い |
| 組織閉鎖 | Closure Index（CI） | 生成プロセス間依存グラフの閉鎖度 |
| 自己維持 | Viability Time（VT） | 攪乱後に機能的同一性が保たれる時間 |
| 自己修復 | Recovery Work（RW） | 回復に要する内部再構成コスト |
| 構造結合 | Structural Coupling Rate（SCR） | 環境との共変化と同一性維持のバランス |
実験設計の基本形は「候補モデルへの攪乱注入→回復過程の計測→閉鎖・境界の再評価」の繰り返しとなる。攪乱は境界要素の除去・構成要素置換率の増加・内部資源の枯渇シナリオといった形で設計する。
倫理・安全性：自己生成系に特有のリスク
自己修復・自己改変を備えたAIは、通常のAIより「制御の境界」が揺らぎやすい。NISTのAI RMF（リスク管理フレームワーク）や、日本の経済産業省・総務省が整備するAI事業者ガイドラインは、AIの便益と潜在的危害を継続的に管理するための実務的枠組みを提供している。
しかし、自己生成系には既存ガイドラインに加えて追加の監査ポイントが必要だ。
自己生成境界の監査： 何が「自己」に含まれるか（モデル・プロセス・資源調達範囲）を明文化し、境界の変更履歴をログとして義務化する。
目的ドリフトの検知： 自己改変が内部指標（VT・CIなど）を向上させる一方で、設計された目的から乖離していないかを独立した評価器で監視する。
増殖・拡張の制限： 自動デプロイや自己複製に類する機能を持つ場合、資源上限・承認ゲート・隔離環境での検証を必須とする。
将来の研究・実装戦略：四段階のロードマップ
原義に一気に到達しようとするより、段階的なアプローチが現実的だ。
第一段階（形式化と計測） セルオートマトンや人工化学の枠組みでCI・BI・VTなどの指標を確立し、「何を満たせば自己生成と呼ぶか」の合意形成を行う。
第二段階（自己維持ループの工学化） 自己修復ロボットや分散システムで「自己維持」を統合的に実装し、損傷・資源枯渇下での回復プロトコルを標準化する。
第三段階（AI学習との統合） 強化学習・メタ学習を「外部タスク最適化」ではなく「自己維持制約（viability constraints）の下での方策形成」として再設計し、構造結合を内在化する。
第四段階（社会—技術結合の設計） LLMを「単体のオートポイエーシス」として扱うより、人間—AI結合が生む新しいエージェンシー形態として分析・設計し、ガバナンスと評価を組み込む枠組みへと発展させる。
まとめ：オートポイエーシスはAIに何を問いかけるか
オートポイエーシス理論は、AIの「自律性」を問う際の精密な基準として機能する。現行のAI（ニューラルネット・LLM・強化学習エージェント）は高度な出力生成能力を持つが、「自分自身の構成要素と境界を内部から産出し続ける」という原義の要件は、いずれも充分には満たしていない。
この概念が示す最大の価値は、「自己○○」という言葉の曖昧な使用に警鐘を鳴らす点にある。自己修復・自己最適化・自己参照は、オートポイエーシスの部分的側面に過ぎず、全体像ではない。
今後の研究は、形式化・工学化・倫理設計を段階的に積み上げながら、「自己生成的AI」という概念がどこまで実現可能かを慎重に問い続けることが求められる。
コメント