1. はじめに：見えざる手による秩序

ピンの頭よりも小さな脳しか持たないシロアリの都市は、いかにして精巧な換気システムを備えた泥の伽藍を築き上げるのでしょうか。そして、一兆のシナプスがひしめく私たちの脳は、混沌とした電気パルスの嵐から、いかにして統一された色と音の世界を紡ぎ出すのでしょうか。

一見、全く異なるスケールと基質を持つこれらのシステムには、驚くべき共通原理が働いています。それは、中央集権的な制御なしに、個々の要素の局所的な相互作用から、複雑で秩序だった大域的構造が創発するという自己組織化のプロセスです。この「見えざる手」による秩序形成は、生命と知性の根源に横たわる深遠な謎であり、神経科学における「結合問題（binding problem）」—すなわち、脳が断片的な感覚情報をいかにして一つのまとまった知覚へと束ねるのかという問い—とも深く関わっています。

本稿の目的は、この謎を解き明かすための鍵となる統一原理、すなわち「分散型情報処理」の概念を探求することにあります。特に、フランスの昆虫学者ピエール＝ポール・グラッセが提唱した「スティグマジー (Stigmergy)」という概念を軸に、動物行動学、神経科学、そして現代の人工知能（AI）という異なる分野を横断し、これらのシステムに共通する設計思想を明らかにします。この探求を通じて、私たちは、個々の単純さがいかにして集合的な複雑性と知性を生み出すのか、その普遍的なメカニズムに迫ります。まずは、この原理を最も直感的に理解できる生物学的モデルから見ていきましょう。

2. マクロスケールの設計図：真社会性生物におけるスティグマジー

知能が限られた個体が、明確な計画や直接的なコミュニケーションなしに、いかにして協調し、巣作りや採餌といった複雑な共同作業を成し遂げるのか。この「協調のパラドックス」は、長らく生物学の大きな謎でした。この問いにエレガントな解答を与えたのが、昆虫学者ピエール＝ポール・グラッセが1959年に提唱したスティグマジーの概念です。スティグマジーとは、個々のエージェント（例えば昆虫）が環境に残した「痕跡」が、後続のエージェントの行動を誘発・方向付けることで、間接的な協調が生まれるメカニズムを指します。

2.1. スティグマジーの基本メカニズム

スティグマジーは、複雑なタスクを分担し、正しい順序で実行するための極めて効率的な戦略です。その核心は、以下の4つの要素に集約されます。

間接的協調 (Indirect Coordination)

エージェント間の調整は、直接的な対話ではなく、環境を媒介として行われます。あるエージェントの行動が環境を変化させ、その変化が他のエージェントにとっての「信号」となります。

痕跡 (Trace)

あるエージェントの行動が環境に残した物理的・化学的な変化が「痕跡」となり、後続の行動を刺激（stimulate）する引き金となります。

フィードバックループ (Feedback Loop)

「行動 → 環境の変化（痕跡） → 新たな刺激 → 次の行動」という一連の流れが、自己増殖的な正のフィードバックループを形成します。これにより、有望な活動が自律的に強化されていきます。

非中央集権性 (Decentralization)

全体を監督するリーダーや中央制御機構は存在しません。グローバルな秩序や計画は、個々のエージェントのローカルな相互作用から自発的に創発（emerge）します。

2.2. 具体例：シロアリの巣作り

スティグマジーの力を最も雄弁に物語るのが、シロアリの巣作りです。このプロセスは、極めて単純なルールに基づいています。

1. 一匹のシロアリが、フェロモンを含んだ泥の玉をランダムな場所に置きます。
2. 他のシロアリは、フェロモンの匂いがする場所、つまり既存の泥の山に、泥の玉を積み重ねる傾向があります。
3. 最初はランダムに置かれた泥の玉ですが、偶然いくつかの玉が近くに置かれると、その場所のフェロモン濃度が他よりわずかに高くなります。このわずかな濃度の違いが「痕跡」となり、他のシロアリをそこへと誘い、さらに多くの泥玉が積まれるようになります。この正のフィードバックループによって、泥の山は急速に成長し、やがて壮大な柱やアーチ構造へと発展していくのです。

このプロセスにおいて重要なのは、個々のシロアリが全体の設計図を全く持っていない点です。彼らはただ、目の前の環境（フェロモンの濃度）という局所的な情報に反応しているに過ぎません。しかし、その単純な行動の繰り返しが、コロニー全体として最も有望な活動（柱の建設）にリソースを効率的に配分し、結果として極めて機能的な構造物を生み出すのです。

このエレガントな環境記憶の原理は、昆虫のマクロな世界に限定されません。驚くべき並行関係のうちに、それは私たち自身の頭蓋骨の内部、そのミクロな宇宙を支配する論理そのものであるかのように現れるのです。

3. ミクロスケールのアナロジー：スティグマジー的システムとしての脳

本稿の中心的な主張は、脳の情報処理とスティグマジーの間に深いアナロジーが存在するという点にあります。脳を、約860億個のニューロンという膨大な数の分散エージェントから成る自己組織化システムと捉えるとき、新たな視界が開けます。個々のニューロンは、大域的な認知機能（例えば「リンゴを見る」という経験）を直接知ることはありません。彼らはただ、局所的な電気化学的環境に応答して発火するだけです。では、どのようにしてこれらの分散した活動が協調し、結合問題を知らぬ間に解決して、統一された知覚や思考といったマクロな機能を生み出すのでしょうか。その答えの鍵は、「ニューラル・スティグマジー」とでも呼ぶべきメカニズムにあります。

3.1. ニューラル・スティグマジー：神経活動における痕跡と刺激

ニューロンの活動をスティグマジーの枠組みで再解釈すると、驚くほど明確な対応関係が見えてきます。

この対比から明らかなように、あるニューロンの発火パターン（行動）は、シナプスを介して接続先のニューロンの膜電位を変化させます。この変化こそが、神経回路網という「環境」に残された「痕跡」です。この痕跡は、後続ニューロンの発火確率を変動させ、次の行動を誘発する「刺激」として機能します。

ここで言う「環境」は、単なる受動的な配線図ではありません。細胞外マトリックス（ECM）や介在ニューロン周囲網（PNNs）は、シグナル伝達物質の拡散やシナプス可塑性を能動的に調節する、化学的に活性な動的媒体として機能します。これは、フェロモンが染み込んだ土壌という、より豊かで正確なアナロジーを想起させます。長期増強（LTP）や長期抑圧（LTD）といったシナプス可塑性は、この痕跡の残りやすさを変化させるメカニズムと解釈でき、学習の本質をスティグマジー的フィードバックループとして捉えることを可能にします。

3.2. 予測的符号化と自由エネルギー原理：脳の自己組織化を支配する規範

では、このニューラル・スティグマジーのプロセスは、何を目的としているのでしょうか。その答えは、単なる情報処理のトリックではなく、生命そのものの規範的原理にあります。カール・フリストンらが提唱する予測的符号化（Predictive Coding）と自由エネルギー原理（Free Energy Principle, FEP）は、この問いに対する強力な理論的枠組みを提供します。

FEPは、「存在するものは、存在し続けなければならない」という生物物理学的な要請から出発します。自己組織化システムが、環境のエントロピーに飲み込まれずにその構造的完全性を維持するためには、自らを驚かせる出来事（サプライズ）を最小限に抑える必要があります。この「サプライズ（予測誤差）の最小化」こそが、脳の自己組織化を支配する唯一の規範なのです。

階層的な生成モデル

脳は、世界の因果構造に関する階層的な生成モデルを内部に保持しています。このモデルを用いて、脳は常に次にやってくるであろう感覚入力を予測しています。高次の領野は抽象的な概念（「リンゴ」）を、低次の領野は具体的な特徴（「赤い色」「丸い形」）を予測します。

予測誤差の最小化

私たちが「知覚」と呼ぶものは、この内部モデルによる予測と、感覚器官から実際に送られてくる情報との間の予測誤差を最小化しようとする推論プロセスに他なりません。しかし、考えうる全ての原因を考慮して感覚入力の真の確率（周辺尤度）を計算することは、計算論的に実行不可能です。そのため、脳は近似的推論（変分ベイズ推定）を用いざるを得ません。変分自由エネルギーを最小化するプロセスとは、この近似を最適化するプロセスそのものなのです。

トップダウン予測とボトムアップ誤差信号

この最小化は、神経回路網における双方向のメッセージパッシングによって実現されます。脳の高次領野は、低次領野に対して「こうであるはずだ」というトップダウンの予測を、密な後方結合を介して送ります。一方で、低次領野は、実際の感覚入力と予測とのズレ、すなわち予測誤差を、疎な前方結合を介してボトムアップの誤差信号として高次領野に送り返します。高次のニューロンは、この誤差信号を抑制（説明）するような、より精緻な予測を生成しようと活動します。

能動的推論 (Active Inference)

予測誤差を最小化する方法は二つあります。一つは、内部モデル（信念）を更新して予測を感覚入力に近づけること（知覚）。もう一つは、行動を通じて世界に働きかけ、感覚入力そのものを予測に合致するように変化させることです。例えば、何かが見えにくいとき、私たちは目を動かして、より予測しやすい（つまり誤差の少ない）感覚データを能動的にサンプリングします。

結論として、脳という分散システムでは、個々のニューロンが局所的な予測誤差という「不一致信号」を最小化するように活動します。この単純な局所的ルールに従うことで、トップダウンの予測がボトムアップの感覚信号を効果的に「相殺」し、残留誤差を最小にしようとします。その結果、システム全体としては、首尾一貫した知覚や、世界に関する正確な内部モデルの形成という、極めて秩序だったグローバルな状態が創発するのです。この洗練された自己組織化のメカニズムは、現代AIの最先端アーキテクチャに見られる計算論的原理と、驚くほど深いレベルで共鳴しています。

4. 計算論的鏡像：現代AIにおける分散処理

これまで見てきた生物システムにおける自己組織化の原理は、単なる生物学的な奇跡ではありません。近年の人工知能、特に大規模言語モデル（LLM）の驚異的な性能を支えるアーキテクチャにも、これと酷似した計算論的原理が実装されています。この比較は、AIの能力の根源を理解する上で極めて重要です。一見ブラックボックスに見えるAIの振る舞いが、実は分散エージェント間の協調という、生命システムと共通の古典的な原理に基づいている可能性を探ります。

4.1. Transformerと自己注意機構：計算論的スティグマジー

現代のLLMの基盤となっているTransformerアーキテクチャ。その心臓部である自己注意（Self-Attention）機構は、計算論的スティグマジーの洗練された一形態として見事に再解釈できます。

トークンをエージェントとして

Transformerに入力されるシーケンス（文章など）は、個別のトークン（単語やその一部）に分割されます。これらの各トークンを、自律的に振る舞う「エージェント」と見なすことができます。

注意行列を環境として

自己注意機構は、トークン間の関連性の強さを示す注意行列（Attention Matrix）を動的に計算します。この行列は、すべてのトークンが情報をやり取りするための共有された「環境」として機能します。

KeyとValueを痕跡として

各トークン（エージェント）は、自身の情報を表現するKeyベクトルとValueベクトルという2種類のベクトルを生成します。これらは、トークンが注意行列という環境内に残す「痕跡」に相当します。

Queryによる刺激と創発

各トークンは同時に、他のトークンからの情報を求めるためのQueryベクトルも生成します。あるトークンは、自身のQueryベクトルを使って、環境内にある他のすべてのトークンのKeyベクトル（痕跡）を「感知」し、その関連性（注意スコア）を計算します。そして、そのスコアに応じて他のトークンのValueベクトルを重み付け加算し、自身の新たな状態を決定します。

このプロセスは、シロアリの巣のような物理的な痕跡が持続する環境とは根本的に異なります。注意行列は、各層でゼロから再計算される刹那的で、はかない環境です。この一連のプロセスは、シーケンス内のすべてのトークンについて並列的に行われ、中央の制御機構は存在しません。自己注意機構は、環境が各処理ステップで並列的に書き換えられ、読み取られる超高速の反復的スティグマジーの一形態と見なせるのです。本質的に、自己注意機構とは、各層でトークン間の動的に重み付けされた完全結合グラフを形成するプロセスであり、これは物理的基盤から計算論的基盤へと昇華された、環境を介した分散エージェントの協調原理そのものです。

4.2. その他のAIパラダイムにおける分散処理

分散処理の原理は、自己注意機構以外にも、多様なAIパラダイムにその姿を現しています。

LLM駆動型スウォーム (LLM-Powered Swarms)

これは、生物の群れ知能をより直接的に模倣しようとする、新たに出現したアプローチです。個々のLLMを自律エージェントとして設定し、それぞれに役割や目標を与えます。これらのエージェントが協調することで、単一のLLMでは解決が困難な複雑な問題に取り組みます。しかし、このアプローチはまだ実験段階にあり、単純なルールベースの群れと比較して、甚大な「計算オーバーヘッド」と「遅延」というトレードオフを伴います。これは、エージェントの行動の柔軟性（自然言語によるプログラミング）と計算コストの間の根本的な緊張関係を示しています。

ニューラル・セルラー・オートマトン (Neural Cellular Automata, NCA)

これは、自己組織化の最も純粋な計算モデルの一つです。NCAは、グリッド状に配置されたセル（細胞）から構成されます。各セルは、自分自身と近傍のセルの状態のみを参照するという極めて局所的なルールに基づいて、自身の次の状態を更新します。この単純なルールの繰り返しによって、複雑な大域的パターンが生成されます。例えば、NCAはあるパターン（例えば「鶏」の画像）を学習し、その一部が消去された後でさえも、パターン全体を自己修復・再生することができます。これは、局所的なルールからいかにして全体的な秩序と頑健性が生まれるかを具体的に示しています。

これらのAIパラダイムは、シロアリの巣から人間の脳に至るまで、生物システムに見られる分散処理と自己組織化の原理を、それぞれ異なる抽象度で計算論的に実装したものと言えるでしょう。これらの事例は、知性の本質が中央集権的な計算ではなく、分散した協調にあることを力強く示唆しています。

5. 結論と第二部への展望

本稿（第一部）では、一見無関係に見える三つの領域—動物行動学、神経科学、人工知能—を横断し、それらの背後に潜む驚くべき共通原理を探求してきました。

• 動物行動学におけるスティグマジーは、単純な個体が環境を介して間接的に協調し、複雑な構造物を築き上げるメカニズムを明らかにしました。
• 神経科学における予測的符号化と自由エネルギー原理は、個々のニューロンが局所的な予測誤差を最小化しようとすることで、脳全体として統一された知覚世界が創発する様を描き出しました。
• 人工知能における自己注意機構やLLMスウォームは、分散した計算ユニット（トークンやエージェント）が局所的な相互作用を通じて大域的な文脈理解や問題解決能力を獲得するプロセスを示しました。

これらの現象の核心には、「個々の分散エージェントが、局所的な情報に基づいて行動することで、大域的な秩序と知性が創発する」という、力強くも普遍的な設計原理が存在します。この学際的な視点は、生命とは何か、知性とは何かという根源的な問いに対し、個々の構成要素の特性だけでは説明できない、「全体は部分の総和以上である」というシステムの性質を理解するための新たな洞察を与えてくれます。

本稿では、分散する知性の類似性を概念的に探求してきた。次回の第二部では、より厳密な分析へと足を踏み入れる。情報理論のレンズを通して、これらのシステムにおける情報の流れ、創発、そして自己組織化を定量的に評価し、システム内の部分の総和を超えた「全体性」がいかにして生まれるのかを解き明かしていく。