はじめに
「人は語りうる以上のことを知っている」——哲学者マイケル・ポランニーが提唱したこの暗黙知概念は、ChatGPTをはじめとする大規模言語モデル（LLM）の時代において、新たな重要性を帯びています。
私たちは自転車の乗り方を体で知っていても、そのバランスの取り方を完全に言語化することはできません。また、知人の顔を一瞬で見分けられても、その判断根拠を論理的に説明するのは困難です。このような「語りえぬ知」が、AIの知識理解にどのような影響を与えるのでしょうか。
本記事では、暗黙知の基本概念からAI研究への影響、そして現在のLLMが直面する課題まで、体系的に解説していきます。
暗黙知とは何か – ポランニーの「語りえぬ知」概念
暗黙知の定義と特徴
暗黙知（tacit knowledge）とは、経験や身体活動を通じて習得されるものの、明確に言語化・数式化できない知識を指します。ポランニーは「知っていること（knowing how）」と「知っているということ（knowing that）」を区別し、前者の重要性を強調しました。
暗黙知の典型例には以下があります：
- 身体的技能：自転車乗り、楽器演奏、職人の手仕事
- 認知的判断：顔認識、空気を読む能力、美的センス
- 専門的直観：医師の診断勘、投資家の市場感覚
これらの知識は、実践を通じて蓄積される一方で、マニュアル化や体系的な教育が困難という特徴があります。
形式知との関係性
暗黙知に対置される形式知（明示知）は、言語や論理で明示的に表現できる知識です。科学法則、数学の定理、業務マニュアルなどがその代表例です。
重要なのは、これらが対立するものではなく、相互補完的な関係にあることです。科学者の新発見も、直観的ひらめき（暗黙知）を理論という形式知に昇華するプロセスと捉えることができます。
AI研究における暗黙知の壁 – ポランニーのパラドックス
古典的AIが直面した限界
初期のAI研究では、人間の知能を記号操作や論理ルールの集合として実装しようと試みました。しかし、現実世界の曖昧さや文脈依存性に直面し、多くの困難に陥りました。
ポランニーのパラドックスと呼ばれる現象が、この困難を象徴的に表しています：
- 人間にとって容易な感覚・運動スキル（運転、顔認識）はAIには困難
- 人間に難しい論理計算はAIには容易
この逆説は、人間が暗黙知によって処理するタスクほど、コンピュータに教えることが困難であることを示しています。
エキスパートシステムの挫折
1980年代まで盛んだったエキスパートシステムでは、専門家の知識をif-thenルールで明文化しようとしました。しかし以下の問題に直面しました：
- 知識獲得の困難：専門家から知識を聞き出す作業の煩雑さ
- 暗黙知の言語化不可能性：専門家自身が説明できない判断プロセス
- 文脈依存性：状況に応じて変化するルールの複雑さ
これらの経験は、暗黙知を形式知化することの根本的困難を浮き彫りにしました。
大規模言語モデルが獲得する暗黙知の特徴
データ駆動による暗黙知学習
21世紀に入り、機械学習、特にディープラーニングの発展により状況は変化しました。LLMは明示的に文法規則を教わるのではなく、大量テキストから言語使用のパターンを統計的に学習します。
この学習プロセスは、人間の言語習得に類似しています：
- 暗黙的なルール獲得：文法書を読まずに自然な表現を身につける
- 文脈依存の意味理解：同じ単語でも状況に応じた使い分け
- 文化的ニュアンスの学習：敬語、皮肉、婉曲表現の適切な使用
LLMの暗黙知的特徴
最新の研究では、LLMが以下のような暗黙知的特徴を示すことが指摘されています：
- 説明不可能な推論：適切な回答を生成できるが、その理由を明確に説明できない
- 文脈依存の判断：同じ質問でも文脈により異なる適切な回答を選択
- 社会的規範の学習：明示的に教えられていない文化的ルールの習得
これらは、まさにポランニーが指摘した「語りうる以上のことを知っている」状態に相当します。
LLMの暗黙知の限界
一方で、LLMの暗黙知には重要な制約があります：
身体性の欠如
- 物理的経験に基づく暗黙知を獲得できない
- 常識的な物理法則の理解に欠ける
- 身体感覚を伴う技能の習得は不可能
データ依存性
- 学習データの偏りが知識の偏りに直結
- 特定の文化圏・言語に限定された理解
- 訓練データにない状況への対応困難
ChatGPTは本当に理解しているのか – 確率的オウム批判
「確率的オウム」論争
LLMの理解能力を巡っては激しい議論が続いています。エミリー・ベンダーらによる「確率的オウム」批判は、その代表例です。
批判的立場の主張：
- LLMは統計的パターンマッチに過ぎない
- 本質的な意味理解を伴っていない
- 訓練データの継ぎ接ぎによる表面的な応答
擁護的立場の反論：
- 行動から判断すれば有意味な理解を示している
- 文脈に応じた適切な判断能力を発揮
- 単純なデータ模倣を超えた洞察の提示
シンボルグラウンディング問題
LLMが直面する根本的課題の一つが、記号と現実世界との対応関係の欠如です。
例えば「リンゴ」という単語について：
- 人間：実物を見て、触って、食べて意味を理解
- LLM：テキスト上の記述から概念を推測
この体験の欠如が、LLMの理解の表面性を示すという批判があります。
「中国語の部屋」との類比
哲学者ジョン・サールの思考実験「中国語の部屋」も、LLM議論に再登場しています。
- マニュアル通りの記号操作で適切な応答を生成
- 外部から見れば理解しているように見える
- しかし内部には真の意味理解が存在しない
この類比は、LLMの統計的処理が真の理解と言えるかという根本的問いを提起しています。
暗黙知の形式化はどこまで可能か
ハリー・コリンズの三分類
社会学者ハリー・コリンズは、暗黙知を性質の異なる三種類に分類しました：
1. 関係的暗黙知
- 単に状況や情報共有の問題で明示化されていない知識
- 本質的には形式知化可能
- 例：企業の秘密技術、専門用語の定義のずれ
2. 身体的暗黙知
- 身体や感覚に根ざした技能・知識
- 科学的解析により部分的に形式知化可能
- 例：職人技のロボットによる再現
3. 集合的暗黙知
- 文化や社会に埋め込まれた知識
- 完全な明示化は不可能
- 例：空気を読む能力、文化特有の作法
コリンズは、集合的暗黙知のみが「真の暗黙知」であり、決して完全には形式知化できないと主張しました。
AI開発への示唆
この分類は、AI開発における戦略的判断に重要な示唆を与えます：
- 関係的暗黙知：データ共有・知識ベース化で対応
- 身体的暗黙知：センサー・ロボット技術で克服
- 集合的暗黙知：依然として人間固有の領域
現在のLLMは主に言語領域での集合的暗黙知に挑戦していますが、その限界も明確になりつつあります。
今後のAI開発における暗黙知と形式知のバランス
ハイブリッドアプローチの必要性
現在のAI研究では、暗黙知と形式知の統合が重視されています。純粋にデータ駆動のアプローチではなく、人間が構築した明示的知識を組み合わせる方向性です。
具体的なアプローチ例：
- LLMに論理チェック機能を組み合わせ
- 外部知識ベースとの連携による事実検証
- ルールベースとニューラルネットワークのハイブリッド設計
説明可能性と透明性の課題
暗黙知に依存するAIシステムには、説明可能性の問題が付きまといます。特に医療診断や法的判断など重要な意思決定においては、AIの判断根拠を人間が理解できることが不可欠です。
この課題に対して、以下のような取り組みが進んでいます：
- メカニスティック・インタープリタビリティ研究
- Chain-of-Thoughtによる推論過程の言語化
- 人間による検証可能な中間ステップの設計
倫理的考慮事項
暗黙知を扱うAIシステムには、倫理的な配慮も必要です：
- バイアスの内包：訓練データの偏りが判断に影響
- 文化的感受性：特定の文化的背景に依存した判断
- 責任の所在：説明困難な判断の責任問題
これらの課題に対処するには、技術的解決策だけでなく、社会的な合意形成も重要です。
まとめ
暗黙知と大規模言語モデルの関係は、AI理解における重要な観点を提供しています。ポランニーの「語りうる以上のことを知っている」という洞察は、現在のLLMの能力と限界を理解する上で依然として有効です。
重要なポイント：
- LLMは一定の暗黙知的能力を獲得したが、身体性や物理的経験の欠如により限界がある
- 「確率的オウム」か「真の理解」かという議論は継続中で、行動ベースの評価が重要
- 暗黙知の完全な形式化は不可能だが、種類に応じた戦略的アプローチが有効
- 今後のAI開発では暗黙知と形式知のバランスの取れた統合が鍵
AI技術の進歩は著しいものの、人間の知の全領域を機械が完全に代替することは当面困難と考えられます。むしろ、それぞれの特性を活かした協調的な関係性の構築こそが、持続可能なAI社会の実現につながるでしょう。
コメント