人間の「勘」をAIが学ぶ時代へ
ベテラン医師が患者を一目見て異変を察知する瞬間、熟練職人が材料の状態を手触りで判断する場面――こうした「直感的判断」は、豊富な経験に裏打ちされた暗黙知に支えられています。しかし、その背景にある認知メカニズムは長らく謎に包まれてきました。
近年、脳科学とAI技術の急速な発展により、この「説明できないけれど分かる」という人間特有の能力の解明が進んでいます。fMRIやEEGなどの脳活動計測技術と、ディープラーニングに代表されるAI技術が融合することで、直感や暗黙知の神経基盤が明らかになりつつあるのです。
本記事では、直感的判断に関与する脳内ネットワーク、AIによる暗黙知のモデル化、そして熟練技能継承への実践応用について、最新の研究成果を基に解説します。
直感的判断を支える脳のメカニズム
眼窩前頭皮質（OFC）：瞬時の全体把握を担う領域
直感的判断において中心的な役割を果たすのが眼窩前頭皮質（OFC）です。Volzとvon Cramonによる2006年のfMRI研究では、点描画像を見て「これは何かに見える」と直感的に判断する際、内側OFCが活性化することが示されました。興味深いことに、この活動は被験者が意識的に認識する前に生じていたのです。
OFCは不完全な情報から素早く全体像を推測し、詳細な探索の必要性を判断するゲーティング機能を持つと考えられています。磁気脳波計測（MEG）による研究では、刺激提示後わずか0.3秒でOFCの活動が増大し、これが物体認識を担う側頭葉の活動に先行することが確認されています。
海馬システム：経験に基づく予測の基盤
直感には記憶システムの関与も不可欠です。海馬を中心とする海馬-嗅内皮質系は、過去の経験と新たな情報を結びつける役割を果たします。特に注目されているのが海馬のシャープウェーブリップル（SWR）と呼ばれる高速波（約140-200Hz）です。
2025年の最新展望研究によれば、SWRは睡眠中や安静時に過去の記憶を再生し、将来の行動をシミュレーションする現象であり、直感の神経基盤として機能している可能性があります。これは「経験に基づくパスファインディング」メカニズムとして、不確実な状況での次の一手を直感的に導く内部シミュレーションに寄与していると考えられています。
大脳基底核とスキル学習：暗黙知の神経基盤
繰り返しの経験から形成される暗黙知には、大脳基底核（特に尾状核）が深く関与しています。Wanらの研究では、特定技能領域で経験を積むにつれて尾状核の活動が増大し、これが直感的判断の精度向上と相関することが報告されました。
基底核は意識にのぼらないパターン学習やプライミングを通じて、「経験に裏打ちされた勘」を形成します。ただし、この機能は情動状態に影響を受けやすく、不安が高まると暗黙記憶の想起が妨げられることも分かっています。
身体感覚と前部島皮質：「腹の虫」の正体
「gut feeling（腹の虫）」として表現される直感には、前部島皮質が関与しています。島皮質は内臓感覚や身体状態のモニタリング（内受容感覚）に関わり、その精度が直感の「当たっている感じ」に影響を与えます。
fMRI研究では、直感的判断時には両側の前部島皮質が強く活動し、これがOFCと結びついて「直感が当たっていそうだという感覚」を生み出している可能性が指摘されています。つまり、直感的判断では無意識下の情報処理に加えて、身体反応を介した現象的なシグナルが伴うのです。
AIが実現する暗黙知の形式知化
ディープラーニングによるパターン学習
人間の暗黙知をAIで再現する試みが加速しています。ディープラーニングは、人間が言語化・形式化できない判断基準でも、膨大なデータからパターンを自律的に学習できる可能性を持ちます。これは哲学者ポラニーが指摘した「人は説明できる以上のことを知っている」というパラドックスを、ある意味で克服する存在といえます。
最新の外科手術ロボット研究では、熟練医の手技データを深層学習することで、医師の勘所を再現可能であるという成果が報告され始めています。また、囲碁AIが人間には思いつかない一手を打つまでに進化したことも、AIがデータから暗黙知に相当する知識を獲得した証左といえるでしょう。
直感的物理判断のモデル化
日常的に働かせている物理的直観もAI研究の対象です。DeepMindのPilotoらは2022年、発達心理学の知見に着想を得て幼児並みの物理直感を持つAIモデルを開発しました。
乳幼児研究で用いられる「期待違反パラダイム」に倣い、大規模シミュレーションデータでモデルを訓練した結果、物体の永続性や固体性、連続性など、離散的で概念的な物理法則をモデルが自発的に獲得したのです。重要なのは、このモデルが物体単位の表現を内部に形成していた点で、これは人間の認知と合致する結果でした。
模倣学習による技能継承：成功と失敗の両面から学ぶ
NECが2022年に発表した「行動模倣学習技術」は、熟練者の暗黙知をAIに継承させる画期的なアプローチです。従来の模倣学習では成功事例のみを大量に集める必要があり実用上の課題となっていましたが、この技術では失敗事例からも学習できる枠組みを導入しました。
具体的には、敵対的生成ネットワーク（GAN）の考え方を応用し、「成功事例を模倣するAI」「成功事例を見分けるAI」「失敗事例を見分けるAI」という3種のモデルを競合・協調させています。これにより、成功と失敗の両側面から精度を高め、データ不足や偏りを克服しています。
医療現場のデータ（処置内容と患者経過）を学習すれば、経験豊富な医療従事者の判断をAIが再現し、現在の患者状態に対して最適な処置を提案できる可能性があります。
脳とAIの表現の類似性
視覚処理における対応関係
脳科学とAIの比較研究も重要なテーマです。畳み込みニューラルネットワーク（CNN）を物体認識タスクで訓練すると、その内部層の応答特性が霊長類の視覚野に類似することが確認されています。
具体的には、CNNの浅い層は一次視覚野V1のガボールフィルタ様の特徴検出と対応し、中間層はV4野の曲率や形状表現と一致し、最深部の層は下側頭葉（IT）皮質ニューロンの応答をよく予測します。Yamins & DiCarloらの研究やCichyらのfMRI/MEG解析により、CNNの各層と脳の各視覚野との対応関係が数量的に示されています。
さらに、Brain-Scoreという評価基盤を用いた研究では、高性能なネットワークほど生物の脳に類似した表現を持つことが確認されています。これは、進化や学習によって脳とAIが類似する効率的表現に収束する可能性を示唆しています。
言語処理とTransformerモデル
Transformerベースの言語モデルについても、脳活動との対応を探る研究が進んでいます。GPT-2などのモデルの各層表現を用いて被験者の脳応答を予測した研究では、モデルの複数層にわたる表現が人間の言語ネットワーク（ブローカ野や側頭葉など）の活動パターンを説明できることが示されました。
特に、BERTなどのTransformerモデル内の注意ヘッドが特定の文法関係を選択的に捉えており、これが人間の脳内で文法を処理する際の機能局在と対応する可能性があります。大規模で文脈を考慮するTransformerほど人間の文脈的意味表現に近づくという報告もあり、高度なディープラーニングモデルが人間の暗黙知的なルールや感覚を獲得する可能性を示しています。
実践例：熟練技能のAI活用
ライフサイエンス実験の技能継承
東京大学生産技術研究所を中心とした「BioSkillDX」プロジェクト（2025年開始）は、ライフサイエンス実験現場に着目した先進的な取り組みです。ベテラン研究者が持つ「コツ」や「勘所」といった高度な実験技能の暗黙知をAIで可視化・データ化することを目指しています。
熟練者の経験や勘に基づくノウハウをセンサーやログデータから収集し、AIが解析・抽出することで、非熟練者でも迷わず実験を遂行できるよう個別最適なフィードバックや手順書（プロトコル）を提示するシステムを開発中です。これにより実験の再現性向上や新人育成の効率化、研究スピードの向上が期待されています。
建設業界での暗黙知伝承
Wangらの2025年の研究では、建設作業の専門家からマルチモーダルデータ（映像・音声・動作・生体情報など）を収集し、クロスモーダルな深層学習で重要な知識パターンを同定した上で、複合現実（MR）空間にその知識を埋め込む訓練システムを構築しました。
実験の結果、従来手法に比べて技能習得が32.4%高速化し、作業精度も22.4%向上、さらに習得した知識の長期保持率も有意に高まったと報告されています。特に、状況判断力や適応的問題解決能力といった暗黙知の側面で効果が大きく、暗黙知を形式知化した学習の有効性が実証されました。
伝統工芸の技術継承
岩手県盛岡市の南部鉄器職人・田山貴紘氏は、自身が徒弟修行を経て得た技能を言語化しAIに学習させることで、若手育成期間の大幅短縮に挑戦しています。熟練の職人が何十年もかけて体得する「勘所」をセンサーデータなどから抽出し、技能習得プロセスをモデル化する試みです。
田山氏は「父（60年のキャリア）の技能は言わば半世紀にわたるディープラーニングの成果」と述べ、従来の育成モデルを理解して初めてテクノロジー導入による革新が可能になると指摘しています。型作り作業における砂の湿り気具合を「重い・軽い」「強い・弱い」といった言葉で表現する職人の感覚に着目し、その背後にある定性的判断をデータ化する取り組みは、従来30年かかる熟練を10年以内で可能にすることを目指しています。
まとめ：直感の科学とAIの共進化
脳科学とAIの融合研究により、人間の直感や暗黙知という未解明の認知メカニズムに新たな光が当たっています。fMRIやEEGによる脳活動計測と計算論的モデルの両輪で、直感的判断を生み出す神経回路や動的特性が徐々に明らかになってきました。
一方でAIは、人間が言語化できない巧みな判断基準をデータ駆動で学習し、実用面でも専門家の勘を支援・代行できるレベルに近づいています。脳と人工ニューラルネットの比較から得られた知見は、AIモデルの解釈性向上や新たなアーキテクチャ開発にフィードバックされ、逆にAIから得た洞察が脳の理論モデル構築に貢献するという双方向の共進化も起こり始めています。
もっとも、人間の直感には情動や身体性、創造性といった未だAIで完全には再現しきれない側面も存在します。しかし、脳科学とAIの学際的挑戦が進めば、「経験に裏打ちされた直感」という人間知の神秘を解き明かし、社会に有用な形で活かす道が開かれていくでしょう。
直感の科学とAIの発展が融合することで、人とAIの協調による新たな知の創出が期待されています。熟練技能の継承、医療診断の支援、創造的問題解決など、様々な領域で暗黙知の形式知化が進み、人類の知的活動を拡張する可能性を秘めているのです。
コメント