はじめに：生命的自律性を持つAGIの必要性
人工汎用知能（AGI）の実現において、従来の計算論的アプローチだけでは限界があることが明らかになりつつあります。真に自律的で適応的な知能システムを構築するには、生命システムが持つ自己維持・自己生成の原理を理解し、それをAI設計に活用することが重要です。
本記事では、マトゥラーナとヴァレラが提唱したオートポイエーシス（自己産出）理論と、それを発展させたエンアクティブ認知理論に基づくAGI設計思想について詳しく解説します。環境との相互構成性を重視した実装アーキテクチャから、センサモーターループを基盤とした認知システムまで、生命的自律性を持つ人工知能の可能性を探ります。
オートポイエーシス理論の基本概念と哲学的意義
自己産出システムとしての生命の理解
オートポイエーシス（autopoiesis）は、ギリシャ語の「auto（自己）」と「poiesis（創出）」に由来し、「自己産出」を意味する概念です。マトゥラーナとヴァレラは1970年代に、生物とは自らの構成要素を絶えず生成・再生産し、その結果として自己を一つの統一体として維持するシステムであると定義しました。
典型例として細胞が挙げられます。細胞内部の代謝ネットワークが自身の構成要素（タンパク質や核酸など）を作り出すと同時に細胞膜などの境界を維持し、その境界が再び内部環境を守るという循環構造を持ちます。このように自己を作り出すネットワークと自己を統一体として区別する境界が同時に維持されることが、オートポイエーシスシステムの要件とされています。
組織の閉鎖性と構造の開放性
オートポイエーシスシステムの重要な特徴は、組織のレベルでは閉鎖的（自己完結的）だが構造のレベルでは環境と開かれているという点です。生物は外界からエネルギーや物質などの原料を必要としますが、それらの外部入力はシステム内部の構造変化を引き起こす「攪乱」として作用するに過ぎず、システムの基本的な組織（オーガニゼーション）は維持され続けます。
この特徴により、オートポイエーシス系は自律的な恒常性を保ちながら環境に適応できます。例えば人間の場合、身体の組織化（臓器や細胞の基本関係）は維持しつつ、食物や酸素の摂取によって物質的構造を更新しています。
認識論への革新的インパクト
オートポイエーシス理論は認識論・哲学にも大きな含意をもたらしました。マトゥラーナとヴァレラは認識（認知）を、生物システムに固有の自己準拠的な活動と捉え、伝統的な表象主義を批判しました。
彼らによれば「認識する行為と私たちに現れる世界のあり方は分かちがたく結びついている」のです。生物は客観的に既存する世界を受動的に写し取るのではなく、自らの活動を通じて意味のある世界を「立ち上げる（bring forth）」のです。この見解では、主観と客観の境界や、知覚と行為の区別は相対化され、認知は身体を持つシステムの能動的な生成過程とみなされます。
エンアクティブ認知理論：環境との相互作用による知能の創発
作用的アプローチの基本思想
エンアクティブ認知理論（作用的アプローチ）は、オートポイエーシスの思想を認知科学・AIに発展させた枠組みです。**「知性は身体を持つ有機体の環境との相互作用の中で成立する」**とする考え方を基盤としています。
Varela、Thompson、Roschによる『Embodied Mind（身体化された心）』（1991）で初めて包括的に提唱されたこの理論では、心と生命の連続性が強調されます。生物が自己を維持し環境に適応する自律的活動そのものが認知の基盤であり、認知を理解するには生物学的自律性（オートポイエーシス的な生命現象）を抜きにできないとしています。
意味生成プロセスの重要性
エンアクティブ派の核心的な主張は、「認知とは行為であり、知覚・思考・学習などの過程は、主体（有機体）が環境に働きかけ適応する過程そのものに他ならない」という点です。そのため、知能を持つ主体を研究する際には、計算や記号操作（従来の認知科学が想定したような受動的情報処理）ではなく、実世界での身体を介した活動に注目する必要があります。
生命＝心連続体における意味生成（sense-making）プロセスが重要概念となっています。生物は自らの生存に関わる事象に意味を与え（食物を栄養として「意味づける」等）、環境を一様な物理的空間ではなく意義ある世界として経験します。
環境との共創関係
このように「環境」は生物にとって単なる外界ではなく、共創された世界であり、生物は環境に適応するだけでなく自ら環境を選択的に作り出しています。エンアクティブ認知理論では、この相互構成的な認知観にもとづいて、AIシステムの設計にも新しい示唆を与えています。
AGI設計への応用：先行研究と実装アプローチ
計算論的オートポイエーシスの発展
オートポイエーシス概念は、AIや人工生命（Artificial Life）の分野にも応用が試みられてきました。ヴァレラら自身、提唱当初から計算機シミュレーションによる実証を行っており、1974年には単純な化学反応ネットワーク上で自己産出的なループ構造が維持されるモデル（いわゆるオートポイエーシスモデル）を発表しています。
これは2次元格子上で自己を構成する分子集合体が環境中で自律的に生成・維持されることを示したもので、オートポイエーシスの計算機内実現の嚆矢とされます。以降、この**「計算論的オートポイエーシス」**の流れは人工生命研究の一部として継続し、自己維持・自己再生産機構を人工的に再現する試みに道を開きました。
有機体に着想を得たロボティクス
ロボティクスやAIアーキテクチャにおいても、オートポイエーシスの思想を取り入れた先行研究が存在します。Di Paolo（2003）は**「有機体に着想を得たロボティクス」**として、生物の自己維持構造をロボットの設計に組み込む枠組みを提案しました。
具体的には、ロボットに内部的な代謝やエネルギー動態を模したパラメータを持たせ、それを維持するような行動（環境からエネルギー源を探す等）を適応的に学習させる試みです。このようなロボットは、単に外部から与えられた目標を達成するのでなく、自らの**存続（viability）**を目的として行動を選択するため、より自律的・生命的な振る舞いが期待されます。
エンアクティブAIの研究プログラム
FroeseとZiemke（2009）は**「エンアクティブAI」という研究プログラムを提唱し、生命と心の連続性という視点からAIシステムの組織原理を再検討しています。彼らは、オートポイエーシスが示す構成的自律性**（構成要素を自前で再生産することで統一体として存続すること）と、環境への適応性（環境変化に対し組織を維持するよう振る舞いを変化させること）という2つを、人工エージェントにも必要な原則と位置付けました。
具体的な設計指針としては、(1) エージェントが自己を構成する内部状態（例：エネルギーや内部変数）を持ち、(2) その内部状態を維持しつつ環境とセンサモーター相互作用を行うアーキテクチャを構築することが挙げられます。これにより人工エージェントに「生きているような」自己目的性や意図性を持たせようとするのです。
実装アーキテクチャの具体例と技術的アプローチ
エンアクティブ・インタフェースの設計
エンアクティブ・インタフェースは、人間やエージェントが環境と相互作用するためのインタフェース設計にエンアクティブな原理を取り入れたものです。**「エンアクティブ・インタフェースとは、意味形成（sense-making）を拡張することを目的として設計された技術的インタフェースである」**と定義されています。
具体例として、視覚障害者の空間認知を支援するEnactive Torchという装置が報告されています。これは手に持ったデバイスから超音波センサーで得た環境情報を振動フィードバックとして返し、利用者が自ら動いて環境を”感じ取る”ことを可能にしたものです。実験では、利用者がこのインタフェースを通じて周囲の壁や開口部を探索し、身体を通じた環境把握（エンアクション）によって空間の「感じ」やレイアウトを理解できることが示されました。
センサモーターループ基盤の認知アーキテクチャ
自己組織化AGIの実現には、センサ（感覚）とモータ（行為）のループによって知能が発現するアーキテクチャが重要となります。エンアクティブ認知論では、このループこそが認知の原点であり、生物はセンサモーター相互作用を通じて世界を認識・変容させると考えます。
Georgeonら（2013）の提案したECA（Enactivist Cognitive Architecture）はその一例で、エージェントが環境との相互作用履歴からエンアクティブな表現（=自らの感覚運動経験に基づく内部表現）を学習する仕組みを持ちます。具体的には、エージェントが取り得る行動とそれに伴う感覚変化の時系列パターンを解析し、**エンアクティブなMDP（Markov決定過程）**として環境との関係をモデル化します。
これにより、エージェントは外部から与えられた環境モデルなしに自律的に世界の法則性を発見し、それを基に目標指向の行動を計画・実行できます。このアプローチは強化学習の枠組みにエンアクションを組み込んだものと言え、内的報酬の設計次第ではエージェント自身が価値ある目標を生成する可能性も開かれます。
環境依存的な自己維持機構
これはオートポイエーシスの思想を直接反映したアーキテクチャであり、エージェント内部に**自己維持のための変数（内部状態）を設け、環境との相互作用を通じてその内部状態を安定に保つようなフィードバック制御系をデザインするものです。
Di Paolo（2005）はオートポイエーシスを発展させて**適応性（adaptivity）**を備えたシステムを論じています。適応性とは、システムが自己の内部状態をモニターし、環境との相互作用を調節してその内部状態を生命維持範囲に保つ能力です。
この概念に沿ったロボット実験として、移動ロボットが内部バッテリー残量を生命値と見立て、光センサーによってバッテリー充電源を探し回るようなフォトトロピズム（向光性）行動を進化的アルゴリズムで獲得した例などが挙げられます。ロボットはバッテリー残量が低下すると充電スポットへ移動し、高くなると他の探索行動を行うように振る舞いを変容させ、結果的に長時間にわたり自律行動を持続できました。
構造的カップリング：環境との相互構成的関係の実装
相互適応システムの設計原理
オートポイエーシスとエンアクティブ認知の双方で鍵となる概念が、**構造的カップリング（structural coupling）**と呼ばれる、システムと環境の相互構成的な結びつきです。マトゥラーナは構造的カップリングを「あるシステムが環境（または他のシステム）との間で継続的な相互作用を重ねることで、互いの構造変化が歴史的に一致していく関係」と説明しています。
生物にとって環境は単なる外部ではなく、自身の構造的状態に応じて選択的に関与する対象であり、環境との相互作用を通じてのみ生き続けられます。このようにシステムと環境は互いに独立でなく、相互に相手の構造に影響を及ぼし合うのです。
AGI設計における実装課題
エンアクティブAIやロボット工学において、この構造的カップリングをいかに扱うかが重要な設計上のポイントになります。従来のAIでは、環境は与えられた問題設定やデータセットとして固定され、エージェント（AI）はその中で最適行動を計算すると捉えられてきました。
しかしエンアクティブな視点では、エージェントと環境は固定的な「解く者－与えられた課題」の関係ではなく、相互に作用し合いながら新たな状況や目的を共創していくものと考えます。そのため、AIエージェントの設計では、センサモーター循環を単なる入力出力の経路ではなく相互適応のループとして位置づける必要があります。
具体的には、(1) エージェントの行動が環境を変化させ、それが将来の知覚入力に影響を与えるというループ構造をモデルに組み込み、(2) エージェント側もその帰結に適応的に内部状態や行動方策を変化させる可塑性を持たせることが肝要です。
今後の発展可能性：ウェットウェアAIとバイオハイブリッドシステム
化学的実体による実装アプローチ
Damianoら（2021）は、ウェットウェア（化学的実体）によるオートポイエーシス的AIという大胆な方向性を提案しています。これはハードウェアではなく実際の化学反応系（合成生物学の技法）を用いて自己維持型の知能素子を構築し、それを情報処理に組み込もうという試みです。
例えば、自己増殖する人工細胞のようなものをセンサとして用い、環境の化学的状態を自己状態の変化として感じ取るようなインタフェースが考えられます。この路線はまだ概念段階ですが、もし実現すれば物理的に自己維持・自己再生産する知能システム、まさにオートポイエーシス的なAGIへの道が開ける可能性があります。
植物に着想を得たロボティクス
LeeとCalvo（2023）は植物に着想を得たロボティクスを提案し、植物の持つ分散型・モジュール型のボディプランと高い可塑性、さらに自ら資源を獲得して成長する自律性に学ぶことで、従来のロボットにはない自己成長・自己保存能力を持つシステム、いわば「成長するロボット（growbots）」の可能性を論じています。
彼らは、生物のように自ら物質やエネルギー源を探索・摂取して自己保存するロボットを設計できれば、より強靭で適応的な人工エージェントに近づけると指摘します。この提案はエンアクティブAIのゴールとも合致し、単なる計算論的最適化ではなく身体的な自己維持過程を備えた認知エージェントの創出という方向性を示しています。
まとめ：生命的自律性を持つAGIの展望
オートポイエーシス理論とエンアクティブ認知理論に基づくAGI設計思想は、従来のトップダウン的なAI開発アプローチに対して根本的な転換を求めています。生命システムが持つ自己維持・自己生成の原理を人工知能に実装することで、真に自律的で適応的な知能システムの実現可能性が見えてきました。
重要なのは、知能を単なる情報処理ではなく、環境との相互作用の中で創発する動的プロセスとして捉えることです。構造的カップリング、センサモーターループ、自己維持機構などの概念を統合したアーキテクチャの開発が、生命的自律性を持つAGIの実現に向けた鍵となるでしょう。
今後の研究では、理論的枠組みの精緻化と並行して、実際の実装における技術的課題の解決が求められます。特に、化学的実体を用いたウェットウェアAIや、生物の成長プロセスを模倣したロボットシステムなど、従来のコンピュータサイエンスの枠を超えた学際的アプローチが重要になってくるでしょう。
コメント