心を計算に回収するな、という話を計算で始める
「心も情報処理だ」と言った瞬間、認知科学者の半分が黙る。そして残りの半分は、少しほっとする。
これが問題の核心だ。
整いすぎた説明は、たいてい何かを捨てている。コンピュータサイエンスが認知科学に乗り込んでくるとき、その「整いすぎ」が起きやすい。モデルを作る。フィットする。「心が分かった」と言う。この回路が、あまりに短い。
では計算モデルが不要かといえば、そうでもない。問われているのはむしろ、計算をどう使うかだ。
仕様、手続き、アーキテクチャ。コンピュータサイエンスで見慣れたこの三分法を、認知科学に持ち込んでみる。何を解いているのか。どう解いているのか。何の上で動いているのか。この区別を保つだけで、議論の精度はだいぶ変わる。
第一の水準、「何を解いているか」は計算論の問いだ。ノイズだらけの入力から安定した知覚をどう得るか。不完全な情報のもとでそこそこ妥当な判断をどう出すか。システムが背負っている課題と制約を問う。
第二の水準、「どう解いているか」はアルゴリズムの問いだ。外から見た正答率が同じでも、内部手続きが違えば、反応時間も、誤り方も、学習の癖も変わる。この違いが観測に現れる、というのが認知科学にとって死活的に重要な点だ。
第三の水準、「何の上で走っているか」は実装の問いだが、脳に限定する理由はない。身体の形、感覚器の配置、道具の存在、環境に埋め込まれた手がかり。認知は頭蓋骨の中で完結しない。これは計算論の否定ではなく、計算の境界条件を拡張せよという要求として読むべきだ。
そして知覚の例を挙げれば、それは受け身の処理ではない。人は眼を動かし、身体を動かし、どの情報を取りに行くかを選んでいる。推論も同じだ。紙に書き、図を使い、他者の言い回しに依拠し、インタフェースに計算を肩代わりさせる。認知の境界は、個人の頭の外へとはみ出している。
ここで陥りやすい罠がある。モデルの評価を性能指標に還元すること、だ。機械学習モデルが高い正答率を示しても、それは入出力の一致に過ぎない。認知科学が問うのは過程の一致だ。誤答の型、反応時間の分布、視線の動き、錯視への脆弱性、発達差との対応。単一のベンチマークは、そのたびに少しずつ貧しく見えてくる。
だからコンピュータサイエンスの本当の貢献は、派手なシミュレーションにあるのではない。同じデータに適合する複数のモデルを、どこで見分けられるかまで含めて設計することにある。同じ正答率を示す二つのモデルが、反応時間、視線、EEG、発達差について異なる予測を出す。そこで初めて、実験によって理論を比較できる。仮説の形式化、計算資源制約の明示、モデル選択基準の厳密化。これはコンピュータサイエンスの得意領域だ。
もっとも、計算モデルには固有の偏りもある。測定可能なものを実体化しすぎる。平均的人間像を暗黙の規範にする。高性能モデルをそのまま人間理解に外挿すると、障害も発達差も文化差も、ノイズとして処理されかねない。モデルは中立な鏡ではなく、編集の入ったレンズだ。
だからといって、計算はいらない、という結論にはならない。
計算モデルは、何が説明できていて、何がなお説明できていないかを、逃げずに示すための道具だ。コンピュータサイエンスは認知科学の万能理論でも、単なる技術支援でもない。説明候補を形式化し、多層的なデータで吟味可能にする起点だ。
心を計算に還元することではない。計算を使って、心についての雑な語りを少し減らすこと。その程度の慎みが、おそらく一番まともな態度だと思う。