人類は知識の作り方を学んだが、理解の伝え方はまだ学んでいない
人類が今日ほど情報にアクセスできた時代はかつてありませんでした。
実質的に誰もが、わずか数秒で量子力学の教科書、世界最高峰の大学の講義、プログラミングのドキュメント、遺伝学の科学論文、経済学、歴史学、工学、あるいは医学のコースを見つけることができます。
そして人工知能（AI）の出現により、この情報の大部分を自力で探す必要すらなくなりました。質問を投げかければ、答えが返ってくるからです。
一見すると、私たちは「知識へのアクセスの問題」を解決したように思えます。
しかし、私たちはそれよりもはるかに重要な問題を解決していません。
情報へのアクセスは、理解へのアクセスではない。
極めて価値の高い情報を含む完全に正確な科学的テキストを人に与えたとしても、その人に実質的に何も伝わらないということは起こり得ます。
なぜなら、情報を理解するために、人間はすでに何かを理解していなければならないからです。
そしてまさにここに、現代の知識伝達システムにおける根本的な問題の一つが存在しています。
概念――理解の基本単位
私たちは、情報を言葉、ページ、本、講義、学習時間、データ量といったもので測ることに慣れています。
しかし、人間の思考の仕組みはそれとは異なります。
私たちは自分の頭の中に本を保管しているのではありません。
私たちは**概念（コンセプト）**を構築しています。
概念とは、人間が認識し、頭の中で再構築し、次の何かを理解するために使用できる、完結した意味の単位のことです。
たとえば、「圧力」という単語それ自体は知識ではありません。
ある人にとっては、ほとんど忘れてしまった学校の定義がその背後にあります。
エンジニアにとっては、物理モデルの体系そのものです。
配管工にとっては、水の振る舞い、管の直径が変わったときに何が起こるか、なぜシステムが音を立てるのか、どこに問題が生じるのかといった実践的な経験をも伴います。
単語は同じです。
しかし、その背後にある概念は異なります。
その逆もまた然りです。人間は、受け入れられている科学用語を一切知らなくても、あるアイデアを完璧に理解していることがあります。
たとえば、結果が大きくなりすぎたときにはシステムが自ら作用を減らし、結果が小さくなりすぎたときには作用を強めるという仕組みを、その人は理解しています。
その人はすでにメカニズムを理解しているのです。
ただ、「負のフィードバック（ネガティブ・フィードバック）」という用語が存在することを知らないだけかもしれません。
だからこそ、用語と概念は同じものではありません。
用語とは標識です。
概念とは、人間の頭の中でその標識の背後に広がるものです。
この違いは些細なことに思えるかもしれませんが、教育に対する見方を根本から変えるものです。
人間は知識を線形に蓄積するわけではない
学習を「頭の中に情報を順番に詰め込んでいく作業」と捉える考え方は、あまりにも原始的です。
実際には、もっと別のことが起きています。
人間は、すでに存在する概念を通して、新しい概念を習得します。
最初は、複雑なアイデアを長々と説明しなければなりません――例え話や身近な現象を通して。
やがて、その人はそれを理解します。
そのあとで、その構造全体を短い名前へとパッケージ化することができます。
今や、こう言うだけで十分です。
「負のフィードバック」
――すると、その人の頭の中にはすでに知っているモデルが展開されます。
複数段落の情報が、たった2つの単語に変換されたのです。
しかし、さらに重要なことがもう一つ起きています。
新しい概念を、さらに次の概念を理解するために使えるようになったのです。
したがって、学習のプロセスは次のようなものではありません。
知識 ＋ 知識 ＋ 知識 ＋ 知識
むしろこうです。
理解する → 圧縮する → 再利用する → それを介してより複雑なことを理解する → 再び圧縮する。
人間は、自身の思考の言語を常に再構築しています。
このシステムが豊かであればあるほど、より複雑な情報を短いメッセージで伝えることができるようになります。
ある人にとっては全く意味不明なフレーズが、別のひとにとっては数秒で膨大な量の知識を伝えることができるのです。
まさにこの理由から、2人の人間が同じ科学論文を読んだとしても、そこから得られる情報の量が実際には全く異なるということが起こり得ます。
情報の伝達は、理解の伝達を意味しない
次のような文を想像してみましょう。
現代のシステムは、学習者の認知負荷（cognitive load）と前提条件（prerequisites）を考慮に入れながら適応型学習パス（adaptive learning paths）を構築するために、ナレッジトレーシング（knowledge tracing）をナレッジグラフ（knowledge graphs）と組み合わせて使用しています。
専門家にとっては、これは完全に自然でコンパクトな表現かもしれません。
しかし、大多数の人々にとっては、これは情報のゴミ箱に過ぎません。
そのアイデアを理解する能力がないからではありません。
メッセージが、まだ自分の頭の中に存在しない概念を用いてコード化されているからです。
ほぼ同じ思想を、別の形で表現することもできます。
コンピュータは、その人がすでに何を理解しているか、他にどのような知識が必要か、そしてあまりにも多くの新しいことを同時に学ばせずにすむためにはどのような順番で提供するのがベストかを、段階的に判断することができます。
これで、メッセージはまったく異なるオーディエンスにも理解できるようになりました。
本質的な情報はほとんど変わっていません。
変わったのは、**そのコード化の方法（伝え方）**です。
ここから、極めて重要な原則を導き出すことができます。
優れた説明とは、発信者が知っていることだけで決まるのではない。それは、受信者がすでに何を知っているかによって決まる。
万人に共通して優れた説明など、そもそも存在しないのかもしれません。
科学的知識はますます圧縮されていく
あらゆる分野が発展するにつれて、独自の言語が生まれます。
これは不可欠なことです。
専門家同士が、毎回ゼロから基本概念を説明し合うのは無意味です。複雑な構造には名前が与えられ、思考の新しい構成要素へと姿を変えます。
1つの用語が、1ページ分の説明の代わりを果たすようになります。
これは極めて効率的な情報の圧縮です。
しかし、それには代償が伴います。
そのような用語を解凍（アンパック）するためには、人間が事前に相応の概念を所有していなければなりません。
そのため、発展したあらゆる分野は、徐々に独自のデコーダー（翻訳装置）を作り出していきます。
物理学者は物理学者を理解する。
生物学者は生物学者を理解する。
経済学者は経済学者を理解する。
プログラマーはプログラマーを理解する。
この問題は、学問の境界線において特に顕著になります。
高度な専門家が、隣接する分野の論文を開いてみたところ、テキストの大部分がほとんど理解できないことに気づく、ということが起こります。
個々の単語を読むことはできる。
しかし、その背後にある概念を解凍することができないのです。
ここにパラドックスが生じます。
人類はますます多くのことを知るようになっているが、個々の人間にとって人類の全知識へのアクセスはますます困難になっている。
現代の教育は間違った課題を解決しようとしている
従来の教育は、通常「教科」から始まります。
これがシラバスです。
これがトピックの順序です。
これが1学期目です。
これが2学期目です。
これが参考文献リストです。
そして、何千人ものまったく異なる人々を、このルートに沿って無理やり導こうとします。
しかし、人間によって頭の中はそれぞれ異なります。
ある人はすでに必要な概念の半分を知っている。
別の人はいくつかの基礎が欠けている。
3番目の人はアイデア自体を完璧に理解しているが、専門用語を知らない。
4番目の人は用語を知っており定義を繰り返すことはできるが、その背後にある概念は実際には存在しない。
5番目の人は、コースの80%が一生不要になるような、たった1つの具体的なスキルを求めてやって来た。
私たちは人間を学習プログラムに適応させようとしています。
しかし、逆にする方がより合理的です。
教科から始めてはならない。目的から始めなければならない
ある人が特定のスキルを身につけたいと望んでいるとしましょう。
「プログラミングを学ぶ」のではなく、たとえば次のような目的です。
自分のビジネスのために、簡単なデジタルツールを自分で作る方法を学ぶ。
これは全く異なる課題の設定です。
ここから、次のような問いを立てることができます。
その特定のスキルを得るために、この個人が本当に理解する必要があるのは何か？
その人はすでに何を理解しているのか？
どの概念が欠けているのか？
伝統的に学ばれてきたもののうち、現代のテクノロジーがすでに必須ではないものにしてしまったのは何か？
表面的な知識で十分なものは何か？
深く理解しなければならないものは何か？
途中のどの概念を完全にスキップできるのか？
すると突然、従来の「数千の架空の知識単位」に相当する長い道のりを、200にまで短縮できることが判明します。
結果の質を落とすことによってではありません。
現在の技術的世界において、特定の目的を持つその個人にとって必要のない情報を削除することによってです。
テクノロジーは、かつて必須だった古い知識を常に破壊し続ける
パーソナルコンピュータの黎明期には、ユーザーにコマンド win でグラフィカルシェルを起動する方法を教える必要が実際にありました。
ウィンドウとは何か、アイコンとは何か、ダブルクリックとは何かを説明しなければなりませんでした。
今日、膨大な数の人たちにとって、この知識が役立つことは一生ありません。
テクノロジーが、そのレベルの複雑さを隠してくれたからです。
しかし、教育には巨大な惰性があります。
私たちは相変わらず、歴史的に形成された連鎖に基づいてプログラムを作り続けています。
Dを理解するために、まずAを学び、次にB、そしてCを学べ。
しかし、現代の世界ではすでに次のようなことが可能です。
A → D.
あるいは完全にこうです。
D.
AIのおかげで、このプロセスは現在特に急速に進んでいます。
5年前には必須の専門能力であったものが、明日にはインテリジェントシステムの内部的な技術詳細へと変わるかもしれないのです。
したがって、必須概念の連鎖は固定されたものであり得ません。
それは絶えず見直されなければならないのです。
人工知能は、学習の別のアーキテクチャを可能にする
現代のAIシステムが登場する前は、このような形で知識の伝達をパーソナライズすることは実質的に不可能でした。
教科書の著者は、テキストのバージョンを1つしか書くことができませんでした。
教師はある程度まで説明を聴衆に合わせることができますが、何百人もの生徒一人ひとりの正確な知識モデルを常に維持することは物理的に不可能です。
AIは、異なる方法で働くことができます。
システムは、特定の個人の概念の生きたモデルを段階的に構築していくことができます。
単なる：
数学の理解度――72%
ではなく、次のように：
この概念はよく理解している； これは使っているが、メカニズムは理解していない； これは別の名称で知っている； ここで必要な因果関係が欠落している； この用語はその人にとって馴染みがないが、アイデア自体はすでに理解している。
こうなると、説明という作業は計算可能なものになります。
そこには以下が存在します。
個人の目的；
その人の現在の概念のシステム；
人類の知識の巨大なグラフ；
現代の技術的可能性。
私たちが探すべきなのは、現在の状態から必要なスキルへと個人を導く、最小限の変化の連鎖です。
最小化すべきなのは学習時間ではない
私たちは通常こう尋ねます。
どうすればこのコースをより早く説明できるか？
これは二次的な問いです。
最初の問いはこうでなければなりません。
そもそも、なぜ人間がこのコース全体を学ばなければならないのか？
プログラムに1000の概念が含まれている一方で、個人の目的には100で足りる場合、1000すべてを高速化することは悪い最適化です。
まずは900を捨てなければなりません。
残りの100のうち、一部はその人がすでに知っています。
いくつかは、より一般的なモデルに置き換えることができます。
いくつかは、「こういう分野が存在し、いつそこに頼ればいいかを知っている」程度で十分です。
深く理解する必要があるものも確かに存在します。
その上ではじめて、説明を最適化することに意味が生まれます。
私たちは人間の脳に20倍の速さで学習させ強いることはできません。
しかし、学ぶ必要があるものの量を20倍に減らすことは、時として可能なのです。
これは、人間の成長を加速させるための全く異なるアプローチです。
その上で、最小経路は人それぞれ異なる
ある制御システムを人に説明する必要があるとしましょう。
エンジニアにとっては、数学的に説明するのが最も分かりやすいでしょう。
プログラマーにとっては、プログラムの状態とフィードバックループを通して説明するのが分かりやすいでしょう。
起業家にとっては、価格と需要の変化を通して説明するのが分かりやすいでしょう。
配管工にとっては、圧力とバルブを通して説明するのが分かりやすいでしょう。
これは4つの異なる概念ではありません。
十分に近しい内部モデルに到達するための、4つの異なるアプローチです。
理解が生じた後で、こう言うことができます。
一般的な形では、これはこのように呼ばれます。
これで、専門用語は未知の単語ではなくなりました。
それは、すでに存在する概念を指す圧縮された標識になったのです。
次の説明は、すでにその概念を介して構築することができます。
だからこそ、学習システムは人間とともに常に変化し続けなければなりません。
今日その人に必要な説明は、半年後にはうんざりするほど幼稚なものになっているでしょう。
その人の内部デコーダーが変化したからです。
ということは、システムの言語も変化しなければならないということです。
まず最初に、人は「学び方」を学ばなければならない
しかし、どんなテクノロジーよりも深い問題が存在します。
膨大な数の人々が、学習の瞬間に何が起きているのかを全く理解していません。
人はコースに参加します。
講義を聞きます。
ある時点で、何が起きているのか理解できなくなります。
それでも聞き続けます。
その後の説明は、すでに理解できなかった概念の上に積み上げられていきます。
20分後には3つの概念が理解できていません。
1時間後には教材の半分が分からなくなっています。
そして、その人はこう結論づけます。
「自分は頭が十分によくないんだ」。
しかし、問題の技術的な描写は全く異なるものである可能性があります。
理解の連鎖の中に、1つのノードが欠落している。
おそらく、講師がすでに知っているものとして用語を使ったのでしょう。
おそらく、因果関係を飛ばしたのでしょう。
おそらく、その特定の人にとっては例を用いて最初に示した方が分かりやすかったような抽象概念を使ったのでしょう。
おそらく、その中間教材全体が、その人のタスクにとってそもそも全く不要なものだったのでしょう。
したがって、人間に教え込むべき最初のスキルの一つは、自分自身の「理解できてなさ」の診断です。
「自分は物理が分からない」ではなく：
この説明の中でAとBは分かるが、なぜBからCが導かれるのかが分からない。
あるいは：
単語Xの意味が分からない。
あるいは：
メカニズム自体は理解できるが、なぜここでそれが使われるのかが分からない。
理解できていないことは、その人の評価の対象ではなくなります。
それは、概念の連鎖における具体的な技術的不具合となり、発見して修正することができるものになります。
それこそが「学び方を学ぶ」ということです。
AIは、知的な格差を広げることも、縮めることもできる
ここで、もう一つの問題が浮かび上がります。
私たちはよく、誰もが使えるAIは人々の知的水準を均すだろうと仮定します。
しかし、それは必ずしも真実ではありません。
同じモデルに同じようにアクセスできる2人の人間を想像してみましょう。
1人目はこう使います。
作ってくれ。
AIが作る。
その人は結果を受け取る。
2人目はこう使います。
なぜこうなったのか？ここにはどんなオルタナティブがあるか？自分は何を理解していないのか？どんなより一般的な原則に似ているか？他にどこで使われるか？私たちは今、どんな前提を暗黙のうちに受け入れたのか？
AIが答える。
その答えが、新しい質問を生む。
新しい答えが、新しい概念を作り出す。
新しい概念によって、その人は以前なら思いつくことすらなかった質問ができるようになる。
ここに正のフィードバックが生まれます。
理解 → より鋭い質問 → AIのより高度な活用 → 新しい理解 → さらに鋭い質問。
したがって、AIへのアクセスが同じであっても、まったく異なる結果をもたらす可能性があります。
ある人にとっては、主として生産性が向上するだけです。
別の人にとっては、人間そのものが同時に成長します。
そして、彼らの間の格差は縮まるどころか、急速に拡大していく可能性があります。
このような場合、AIは知的分散の増幅器となります。
結果の複雑さは、もはや人間の複雑さを示さない
これは人類にとって新しい状態です。
かつては、比較的強い相関関係が存在していました。
より複雑なものを作り出すためには、人間自身がより有能にならなければならなかった。
AIはこの関係性を徐々に引き裂きつつあります。
人間は、プログラミングをほとんど理解していなくても、ソフトウェア製品を作り出すことができます。
適切な分析手法を身につけていなくても、複雑な分析レポートを手に入れることができます。
内部の仕組みをほとんど理解していなくても、プロセスを管理することができます。
これは必ずしも悪いことではありません。
しかし、根本的な違いが生じます。
人間が作り出した結果の複雑さ ≠ 人間自身の知的複雑さ。
人間は、その中に含まれる複雑さのほとんどをAIから輸入することによって、膨大な量の知的に複雑な生産物を生み出すことができます。
したがって、生産性はもはや人間の発達の十分な指標とは見なせなくなります。
私たちは別の問いを投げかけなければなりません。
この作業を終えた後、人間の頭の中で何が変化したのか？
しかし、すべての作業を「授業」に変えてはならない
ここから、誤った結論を導き出すのは容易です。
つまり、AIは毎回、人間に自ら考えさせ、自分がしていることすべてを説明させなければならないのだ。
これでは、知的自動化の意味そのものが破壊されてしまいます。
人間の注意（アテンション）には限界があります。
利用するすべてのツールの内部構造を、人間に無理やり学ばせるわけにはいきません。
まさにこの理由から、**「最小限必要な概念」**というアイデアが中心的な役割を果たすようになります。
システムは次のように区別できなければなりません。
これは人間が理解する必要がある；
これについては、それが存在することを知っていれば十分である；
これは特定の状況が発生したときにだけ必要になる；
これは完全に機械に任せることができる。
目的は、人間の知識を最大化することではありません。
目的は、最小限の認知的コストで、理解し行動する能力を最大化することです。
概念が情報の最終単位となる
ここから、1つのアーキテクチャの原則が導かれます。
論文ではない。
本ではない。
レッスンではない。
コースではない。
学問分野ではない。
概念（コンセプト）である。
巨大な情報構造が必要とされるのは、1つの概念を構築するために長い説明の連続が必要な場合がある、という理由からに過ぎません。
しかし、最終的な結果は「読み終えたページ」ではありません。
結果とは、人間がさらに先に活用することができる、頭の中に生まれた意味の構造です。
したがって、概念は同時に知識の基本単位であり最終単位であると見なすことができます。
基本単位である――なぜなら、さらなる学習はすでに習得された概念から構築されるからである。
最終単位である――なぜなら、情報の伝達というタスクは、テキストを読んだときではなく、必要な概念が世界モデルの中で首尾よく再構築されたときに終わるからである。
テキストは移動手段（トランスポート）である。
用語は住所である。
説明はデコードの方法である。
概念は結果である。
おそらく、私たちには新しい「知識伝達の理論」が必要である
古典的な情報理論は、信号の伝達という問いに素晴らしく答えてくれます。
しかし、人間の学習においては、どれだけの情報が伝達されたかを知るだけでは不十分です。
1ギガバイトのテキストを伝達しても、受信者の頭の中をほとんど何も変化させないことはあり得ます。
一方で、たった一言を発するだけで、領域全体の認識を塗り替えることもできます。
ということは、私たちが関心を寄せるべきは別の数値となります。
「どれだけの情報が伝達されたか」ではなく：
受信者の概念システムにおいて、どのような有益な変化が、どのような認知的コストで起きたのか？
これによって、学習の効率性を別の角度から定義することができます。
優れた説明とは、最も網羅的なものではありません。
最も科学的なものでもありません。
最も短いものでもありません。
最大多数の細部において最も正確である必要すら必ずしもありありません。
優れた説明とは、最小限の人間の注意のコストで、次の必要な行動や理解のための十分に正確な概念を作り出すものです。
そして、その概念が次のステップの構築材料となるのです。
普遍的な教育から、生きた概念システムへ
結果として、全く異なるアーキテクチャが生まれます。
唯一の正しいコースなど存在しない。
固定された前提条件（prerequisites）のセットなど存在しない。
唯一の最適な説明など存在しない。
状態 H₀ にある人間が存在する。
彼が獲得したいスキル T が存在する。
世界とテクノロジーの現在の状態 W が存在する。
そして、いくつかの最小限の変換が存在する。
H₀ → H₁ → H₂ → … → T
各遷移は、概念の誕生または再構築である。
各遷移の後、ルートを再計算することができる。
新しい概念によって、次の3つのステップを飛び越えることができたかもしれない。
古いギャップが見つかったかもしれない。
人間がすでに自力で必要なつながりを構築していたかもしれない。
テクノロジーが変化し、知識の枝全体がもはや不要になったかもしれない。
だからこそ、グラフは生きていなければならない。
そして、人間のモデルも生きていなければならない。
主たる課題――それは「人間の発達のスループットを向上させること」
人間の生理機能の変化は緩慢です。
人間の記憶力を単純に10倍にしたり、コンピュータのスピードで複雑なモデルを脳に吸収させたりすることはできません。
しかし、今日の学習コストの膨大な部分は、生理機能によって決まるものではありません。
それは、情報のルーティングの拙さによって決まっています。
私たちはすでに知っていることを教えている。
未知の用語を通して説明している。
二度と必要にならない詳細を伝えている。
歴史的に形成された前提条件を無理に学ばせている。
異なる人々に同じ説明を使っている。
用語の認識と、概念の理解を混同している。
その後の連鎖全体をブロックしてしまう小さなギャップを見落としている。
そして、人類の巨大な知識の空間の中で、人間自身に自力で道を探すよう強いている。
AIによって、私たちはこれらすべての損失にほぼ同時に挑むことが初めて可能になります。
脳をより速くすることではない。
道をより短くすること。
人により多くの情報を提供することではない。
より少なく伝えること――しかし、その人間が理解へと変えることのできる、まさにその情報を伝えること。
全員にすべてを知ることを強いることではない。
さらなる前進を可能にする、最小限十分な概念システムを一人ひとりに提供すること。
そして、おそらくこれが、人工知能の時代における教育の最も重要な変革の一つとなるでしょう。
なぜなら、人類の問題は、もはや情報の不足ではないからです。
問題は、利用可能な情報を理解へと変えるために、今日どれだけの人生の時間が要求されるかという点にあるのです。
