AIはどこまで脳なのか？ J-spaceと生命なき知能の現在地

2026年8月12日 ・ 久保一成

#AI#LLM#Claude#AGI#J-space

J-spaceとは何か——AIは生命と身体を飛ばして脳を作り始めた

脳とAIは、逆の進化を辿っています。

生命は、30億年近く脳のない身体だけで生き、その後に脳を作り、最後に言語を作りました。LLMは反対に、言語から生まれ、生命と身体を飛ばして、いま脳の中身を作り始めています。

2026年7月、AnthropicはClaudeの中に、言葉にする前の「考えている途中の中身」を見つけたと発表しました。Claudeの中のクモをアリへ入れ替えると、答えの数字が8から6へ変わる。考えの途中経過は確かに存在していて、次の計算に使われている。この活動の集まりが、J-spaceと名付けられました。

一方で、脳は、経験によって自身を変えるモデルです。より厳密にいうと、自身を変えながら自己維持をするという、相反する性質を持っています。

現在の一般的なLLMにもAIエージェントにも、自己変化と自己維持を両立する能力はありません。 AIが本当に脳のような機能を持つには、AI本体の発明と同等かそれ以上の発明が必要です。

まずはAnthropicが発表したJ-spaceについて、紐解いていきましょう。

ClaudeのJ-space実験——クモをアリに変えると8が6になった

Claudeに、巣を張る動物の脚は何本か、と尋ねます。質問文にはクモという単語がありません。正解として出力されるのも、8という数字だけです。

それでもClaudeの中間層を調べると、最終回答が出る前に、spiderに対応する活動のパターンが現れていました。Claudeは、巣を張る動物からクモを取り出し、クモから脚の数を求めていたわけです。 研究者は、その途中にあるspiderの方向を、antの方向へ入れ替えました。すると答えは8から6へ変わった。

もう1つの実験では、首都、言語、大陸、通貨という別々の問いに、同じFranceからChinaへの交換を適用しました。するとパリが北京へ、フランス語が中国語へ、ヨーロッパがアジアへ変わった。

これらは、途中で生成された概念が、次の計算で実際に使われていた、という証拠です。

Claudeの内部には膨大な数値が流れています。研究者はその中から、特定の単語を言いやすくする方向を見つけました。少数の方向を組み合わせると、推論に使う内容の一部を読み書きできた。この活動の集合が、J-spaceです。

研究者の手法が、判断に関わる成分として説明できた内部活性の分散は、どの層でも全体の1割未満でした。 それでも、その成分を強く取り除くと、ステップを必要とするタイプの推論では、正答率がほぼゼロまで落ちました。一方で、文法の判定や感情の分類といった課題の正答率は、ほとんど落ちません。 J-spaceは、中間の結果を別の計算へ渡す推論ステップを支えていると考えられます。

J-spaceは、Claudeの内部に分散した活動の集まりです。質問に応じて、計算の途中に中間概念が表れます。その中間概念は、1つの計算だけに閉じません。フランスという概念なら、首都、言語、大陸、通貨を求める別々の計算に、共通して使われます。

内容を報告でき、推論にも使え、別の計算へも渡せる性質は、意識の研究でアクセス意識と呼ばれる機能に似ています。 J-spaceが意識の芽と錯覚されやすいのは、おそらくこの命名からです。 ただ、Claudeに感じ方の意識があるかどうかをこの研究は示したわけではありません。

そもそも人工ニューロンと脳細胞は、全くの別物だという認識から始める必要があります。

人工ニューロンと脳細胞は何が違うのか

LLMと脳の比較は、人工ニューロン1個と脳細胞1個を対応させるところから、すでに無理があります。

人工ニューロンは、前の層から来た数値それぞれに、接続の強さを掛けて足し合わせ、変換して次へ送る計算単位です。AIにおいては、この接続の強さが、ウェイトです。掛けて、足して、変換して、送る。これで全部です。

脳の神経細胞も、入力を受けて信号を次へ渡す点は似ていますが、同じ入力でも、細胞のどこに届くかで働き方が変わります。 直前に何をしていたかでも、変わる。1個の細胞が、そのつど違う計算をしているのです。

例えば、錐体細胞1個の振る舞いを人工ネットワークで真似ようとすると、5層から8層の人工ネットワークが必要でした。1個と1個の比較が、そもそも成立していません。

そして、使った際に起こることも違います。神経細胞は、過去の活動によって、接続の強さと、次の変わりやすさまで変わる。配備済みLLMでは、何億回使っても、人工ニューロンをつなぐウェイトは変わりません。

ネットワーク全体の動きも、違います。 脳では、信号が回路を行き来する再帰的な活動が、考えている内容の維持を支えます。 Claudeが次の1語を出す1回の計算では、信号は同じ回路を巡り続ける訳ではなく、ネットワークを順番に進みます。

そして最大の違いは、いまの活動が、次回の能力自体を変えるかどうかです。

何かを入れると、決まったやり方で答えが返ってくる仕組みは、関数と呼ばれます。 一般的な配備済みLLMは、学習で作られた、ウェイトが固定された巨大な関数です。会話中は入力ごとにJ-spaceの内容も変わりますが、ウェイト自体は変わりません。

脳では、入力ごとに、神経細胞の活動が変わりますが、神経細胞どうしの結びつき方自体も変わりえます。 だから、接続が変わった脳は、同じ入力にも、前とは違う考え方をします。

アルゴリズムで例えるなら、脳は、関数でありながら、その関数自体も変化する関数だと言えます。これは後半で説明します。

まずは、脳が、どうやって生まれたのかから確認しましょう。

生命は脳より先にあった——LLMは進化を逆から進む

生命は、脳より先に、食べ、代謝し、境界を保ち、環境へ応答する働きとして生まれました。 生命は30億年近く、脳なしで存続していたと考えられています。

大腸菌には、脳も神経もありません。 ところが、周囲の栄養が増えたかを直前の状態と比べ、良い方向なら直進し、悪くなれば向きを変えます。 感じて、判断して、動いて、結果を確かめる。この最小の循環は、脳はもとより、神経すら必要としないのです。

やがて一部の動物で神経の網が現れ、複数の系統で集中化が進み、脳が生まれました。 脳は、感じて動く循環を速くし、遠くの情報をまとめるために、後から加わったのです。

LLMは、この歴史を逆から進んでいます。

境界も代謝も空腹もないまま、人間が残した言語を学び、人間の思考によく似た答えを返せるようになった。

生命の歴史では、自己の維持が先にあり、神経が生まれ、脳が生まれ、言語は最後に生まれた。 LLMは反対に、言語から生まれ、次に推論を身につけ、いまから身体と自己維持を足そうとしている。

進化の順番が、反対です。

AIでは部品に見えるセンサーや、評価の仕組みや、記憶や、身体を動かす仕組みは、生命ではむしろ、脳を生んだ土台でした。 脳の学習は回路を変える一方で、土台となる生命の仕組みは、変わりすぎないように働きます。 この両立が、現在のLLMにはない性質です。

ホメオスタシスとは何か——脳は変わりすぎないように変わる

風邪を引いたら、熱が出ます。 ただ、数日で平熱に戻る。 指を切ったら、血が出ます。 ただ、数分で血は止まり、数日で傷も塞がる。 体温、水分、血糖、神経の活動を、変動しても壊れない範囲に保ち続ける。この働きが、ホメオスタシス、恒常性です。

マウスでも、水を飲み始めると、渇きを促す脳のニューロンが、すぐに活動を下げます。 血液の水分量は、まだ変化していません。それでも脳は、口から水が入ったという信号から、水が身体に届く前に、回復を先読みしていた。 ホメオスタシスは、崩れたものを戻す反応だけではなく、先回りして働きます。

脳も、ただ変化するモデルではありません。 変わりながら、変わらないようにできる相反する2つの仕組みを両立させています。

これは、少なくとも培養した新皮質ニューロンでは、細胞単位の調整として観測されています。 学習の中身は、細胞どうしのつながりの強さ、その強弱の差として刻まれています。 一方で、細胞には働ける範囲があります。静かすぎても、興奮しすぎても、信号を伝えられなくなる。 そこで細胞は、活動変化に応じて、興奮性入力全体をほぼ比例的に強めたり、弱めたりします。 つながりの相対的な強弱を大きく崩さず、反応のしやすさを整え直して、次の学びの余地を空けているのです。

ホメオスタシスが守っているのは、昔の状態というより、次も学べる状態です。 変化だけを許せば、変化する能力を自分で壊してしまうのです。 こうした神経細胞の動きは、秒の単位から睡眠まで、別々の速さで何層も重なっています。

ただ、経験で回路が作り替わる脳の性質——可塑性——は、良い方向にだけ働くわけではありません。 一部の慢性痛では、怪我が治っても、神経が過敏なまま戻らず、軽く触れただけで痛みになります。悪化した状態も、固定されるのです。

ホメオスタシスは、知性や正しさを保証するものではありません。 学習するシステムが、学習そのもので壊れるのを防いでいるのです。

AIは、この難題を解けていません。 だから、もっと単純な方法で、この問題を回避しています。

LLMのウェイトはなぜ固定されるのか——可塑性の喪失と破局的忘却

LLMは、脳のようなホメオスタシスを備えていません。 利用中は、モデルのウェイト自体を更新しないからです。

学習が終わり、配備された後は、AIのウェイトは固定されます。 会話の履歴や外部のメモリーで直ったように振る舞えても、それはAIの外側に置かれた記録で、ウェイトの更新ではありません。

この分離は、欠陥というより、工学上の選択です。

利用者の入力のたびにウェイトが変われば、昨日の能力を今日も使える保証がなくなり、悪意ある入力でモデルを壊せてしまいます。

もとより、基盤モデル自身が、利用中に安全にウェイトを更新し続ける方法も確立されていません。

基盤モデルは、事前学習の後にも、追加の事前学習や微調整を受けます。 ただ、追加の学習を順番に重ね続けると、以前はできていたことができなくなる場合があります。 これが破局的忘却です。

また、新しい課題を学ぶ能力自体も、落ちていくことが観測されています。 2024年に、アルバータ大学のチームがNatureに発表した研究です。この研究は、LLMではなく、画像認識と強化学習の継続学習を調べました。

モデルの中では、働かなくなる人工ニューロンが増えていました。 同時に、ウェイトは大きくなり、内部表現の実効ランクも低下していました。 学び続けたせいで、学べなくなる。可塑性の喪失、と呼ばれます。

使われていない人工ニューロンの一部を継続的に入れ替えることで、可塑性を保つ方法も示されていますが、追加学習だけで、以前の能力と学ぶ力を積み上げ続ける方法は確立されていません。

ゆえにLLMでは、会話中の活動が、そのままウェイトの更新へ再帰することはありません。

固定されたウェイトを使い、次の言葉を出す計算を繰り返します。 J-spaceが示したのは、その途中経過が、思った以上に豊かだということでした。 ただ、豊かというのは比喩であり、計算の途中経過であることに変わりはありません。 その場の活動を長期の学習に変える仕組みも、更新しながら全体を守る仕組みも、LLMにはありません。

J-spaceだけから、自己維持まで備えた汎用知能を連想することには、現状では無理があります。

AIエージェントの自己修繕——外部ハーネスで強くなってもLLMは成長しない

LLMの外側に、テストや採点や記録の道具を組み合わせてつなぐと、LLMは単体よりずっと高い能力を出します。 この外側の仕組みは、外部ハーネスと呼ばれます。失敗を見つけて直す循環を、外側から作れるからです。

分かりやすいのは、プログラミングです。

LLMがコードを書き、テストを走らせ、失敗を読み、直してまた試す。 いまのコーディングエージェントは、すでにこの循環を自律的に回し、書いて終わるだけのLLMより明らかに強い。

ただ、勘違いされやすいのですが、この循環が改善しているのは、LLMが外に書き出したコードのほうです。 LLMのウェイトは、何も変わっていません。 エージェントとして強くなっても、土台のモデルが成長したわけではないのです。

一方で、いまのAIが自分自身を直すのではなく、次のAIを育てる試みは、すでに始まっています。

DeepMindのSIMA 2は、仮想世界で自分でプレイし、Geminiが出す課題と、うまくできたかの見積もりから経験を貯め、次の世代のモデルを訓練しました。 同じモデルがその場でウェイトを直すことは、まだできません。ただ、AIを含む開発システムでは、世代をまたぐ改善が始まっています。

それでも、モデル自体の自己修繕には、多くの課題が残っています。

失敗を見つけ、原因がモデルなのか、センサーなのか、道具なのか、指示なのか、評価器なのかを切り分ける。 直す場所を選び、更新した後に、以前の能力と、学ぶ能力を検査する。点数だけ稼ぐ抜け道がないか調べ、悪化したら巻き戻す。

失敗が分かることは、この最初のステップにすぎません。 コードのテストが落ちても、原因が生成したコードとは限らない。テストの前提が間違っている。指示自体が矛盾している。失敗という信号は、結果が悪いと教えても、どこを直すべきかまでは教えません。

AIの知識も、交換の利く部品ではありません。1つのウェイトが複数の能力に使われ、1つの能力が多数のウェイトに散らばっている。誤答を1つ直す更新が、別の知識や安全性を壊します。

基盤モデルのウェイトを自律的に診断、更新し、広範な能力まで維持する汎用システムは、まだ示されていません。

LLMの土台の計算は、数式としては比較的単純です。 一方、ホメオスタシスには、無数の部分が絡み合います。個別の仕組みは数式で表せても、生体全体の多層な制御を工学的に再現できているわけではありません。 それを工学で作り、AIとつないで制御させる。 脳を模したAIを作ることは、自己維持と自己改善を1つのシステムに統合する、非常に難度の高い試みです。

Physical AIと世界モデルだけでは自己維持できない——人間型AGIの限界

AIを強化する仕組みとして注目されているのが、身体を持つPhysical AIと、行動の結果を予測する世界モデルです。 LLMに足りないものは、この2つが埋めてくれるという期待もあるようです。

たしかに、この2つがあれば、AIは世界がよく見えるようになります。 センサーが付けば、自分の行動で世界に何が起きたかを、言葉より細かく受け取れる。 世界モデルがあれば、行動する前に、次に何が起きるかをシミュレーション上で試せる。

ただ、ホメオスタシスは、予測するだけの仕組みではありません。むしろ、自分を維持する仕組みです。 体温を測り、水分を測り、神経の活動を測って、壊れない範囲へ引き戻す。マウスの脳が先読みしていたのも、外の世界ではなく、自分の身体の回復でした。

身体と世界モデルは、自己維持に必要な情報を増やします。ただ、それだけで、自分を維持するシステムになるわけではありません。 ロボットは、コップの位置を測れても、自分のウェイトのどこが壊れかけているかは測れません。

世界モデルは、環境や行動の結果を予測します。ただ、それだけでは、次の学習で自分が何を忘れるかまでは分かりません。 何を正常な範囲とし、どこを直し、悪化したらどこまで戻すのか。その基準と制御は、身体や世界モデルだけでは決まりません。 むしろ、身体と世界モデルは、モデルの学習や行動選択に使う情報を増やす仕組みとして期待されています。

そう考えると、AIの進化の方向は、すでに人間の脳を模したものではないように思います。

もし、人間の脳を模したものをAGIと定義するなら、その実現には、自己改善と自己維持を両立するシステムの発明が必要です。 それは、LLMの発明と同等、またはそれ以上のインパクトがある発明で、LLMの当然の進化ではありません。

だから、おそらくAIの開発は、すでに脳の複製を目指していない。 進化論的な淘汰圧を勝ち抜いた脳と、0ベースで設計できるAIはそもそも発明のあり方が違いますし、身につけさせたい能力が決まっているのならば、脳を模すことはおそらく最適解ではないからです。

LLMは、配備中はウェイトが固定されたモデルです。 いま起きている進化は、このモデルを、外側で束ねることです。 コードを書くモデルに、テストを回す仕組みをつなぐ。提案するモデルに、採点する仕組みをつなぐ。そして、いまのモデルが、次のモデルを訓練することはあり得る。 AIは現に、脳とは別のやり方で、脳よりも偏った特定の領域で賢くなり続けています。

AGIという言葉には、いまだ合意された定義がありません。 言い出した側の人たちでさえ、雑な用語になったと認めています。

ジェネラル、つまり汎用という言葉は、元々人間にできることの全体というニュアンスだった。 でも現実のAIは、人間の形へは進んでいません。 AGIという概念に意味が残るとしたら、モデルと外部システムの側から定義し直されたときでしょう。

J-spaceのニュースは、人間では一体に見えたものを、分解して見せました。

報告できることだけでは、感じているかは分からなかった。 思考することと、学習することは、別だった。 学習することと、自己修繕することは、別だった。 脳の機能と、生命の仕組みも、別だった。

Claudeの中でクモをアリへ変えると、8が6へ変わる。そこには確かに、中間の概念を共有する思考があります。

でもClaudeは、水を失わず、傷つかず、空腹にならない。 失敗のあとに眠って、明日の自分を維持する必要もない。そして、それで困っていない。

脳でも、生命でもなく、AIは、固定されたモデルを外部の仕組みとつなぎながら進化するシステムです。 人間型AGIのイメージとは違う方向へ、猛烈な速度で進んでいる。それがAIの客観的な現状です。