生成AIは非常に便利な道具ですが、池田教授はその本質を「検索の延長」だと捉えています。だからこそ、出力の正しさを確かめる知識が、使う人の側に欠かせません。
生成AIの登場で「AIは何でもできる」という声も聞かれるようになりました。機械学習の理論を長く研究してきた奈良先端科学技術大学院大学の池田和司教授は、生成AIを便利なツールとして使いながらも、冷静な距離を保っています。
本記事では、池田教授へのインタビュー（聞き手：デフィデ株式会社 代表 山本哲也）をもとに、生成AIの本質とAIとの付き合い方、日本企業のAI活用の壁、理論と実践を往復する機械学習の学び方、そして排便予測や脳疾患などの研究事例を解説します。
この記事でわかること
・生成AIの本質を「検索の延長」と捉える見方
・生成AIを使う人に必要な知識とファクトチェック
・日本企業のAI活用の壁――経営層と現場、短期志向
・理論と実践を往復して機械学習を学ぶ意味
・排便予測や脳疾患研究に見る、データという制約
大規模言語モデル（LLM）の真の革新性はどこにあるのか――。池田教授の答えは、あえて慎重です。
LLMは、次に来る言葉を推定する仕組みです。原理的にはそれで文章を生成できますが、あれだけ膨大なパラメーターを持つと、確率的に一歩先を予測しているというより、検索して多くあるものを取ってきているのとほぼ同じではないか――池田教授はそう見ています。学習データをかなり再現できてしまうことを示す研究も話題になっているといいます。
「返ってくる言葉が自然言語というだけであって、やっている処理は Google 時代と変わらないというのが僕の感覚です。」
――池田教授
検索エンジンの時代、私たちはキーワードを変えながら、欲しい情報が出てくるまで検索を繰り返していました。生成AIへの指示の工夫も、本質的には同じだというのです。もっとも池田教授は、最近は以前よりずっとすごいものが出てきているとも認め、自身はヘビーユーザーではないため断定はできないとしています。
聞き手の山本は、提案書づくりでAIが出したものをファクトチェックし整理しているだけの自分に、「AIに働かされている」感覚を抱くことがあると打ち明けました。池田教授の見方は明快です。
「所詮提案しかできないので、使う人にそれなりの知識がないといけません。」
――池田教授
ファクトチェックを人間がしているのは、AIにはそれができないからです。「使わされている」のではなく、人間にしかできない役割を担っている。盲信しすぎれば危険だからこそ、使う人の知識が問われます。
実際、企業も同じ懸念を抱えています。帝国データバンクの2026年3月の調査では、生成AIを業務で活用している企業は34.5%で、活用上の懸念として最も多かったのは「情報の正確性」（50.4%）でした。
| 調査項目（生成AIに関する企業の動向調査） | 結果 |
|---|---|
| 生成AIを業務で「活用している」企業 | 34.5% |
| 懸念・課題：「情報の正確性」 | 50.4%（最多） |
出典：帝国データバンク「生成AIに関する企業の動向調査（2026年3月）」（有効回答1万312社）
「確かめやすい」AIで、ファクトチェックの負担を減らす
生成AIの出力を業務で使うなら、何を根拠にしているかを確かめられることが大切です。DEFiDEの「chai+」は、社内の文書やマニュアルを参照して回答するRAG型のAIチャットボットです。根拠となる社内情報に基づいて回答するため、正確性を確かめやすく、安心して活用できます。
池田教授のもとに企業から届く相談は、AIよりもデータサイエンスに関するものが中心です。その経験から、池田教授は日本企業の課題をこう指摘します。
「日本企業の何がダメかというと、上の人が技術を知らなすぎるというところです。」
――池田教授
ChatGPTが登場したばかりの頃、ある大手メーカーから「このままでは上から『LLMを使え』という指示が降ってくる。その前に『使ってもこの程度しかできない』と話してほしい」と講演を頼まれたことがあったといいます。技術を知らないまま上から指示が下り、現場は「ノー」と言えない――それが日本の組織の悪いところだと池田教授は語ります。
| 立場 | 指摘された課題 |
|---|---|
| 経営層 | 技術を十分に理解しないまま、話題のツールを「使えばよい」と指示してしまう（池田教授） |
| 現場 | 経営層が真剣にAI活用を考えるようになった一方、現場のリテラシー不足を感じる場面も増えている（聞き手・山本） |
| 組織の構造 | 企業も大学も短期の成果を求められ、3〜5年先の計画にとらわれて全体のトレンドをつかみにくい（池田教授） |
短期の成果に追われる構造は、企業に限りません。国立大学も同じで、成果が出なければ次の研究費が取れない状況が続いています。経営層と現場の双方が技術を理解し、長期的な視点を持てるかどうかが、AI活用の成否を分けるといえそうです。
池田教授は2026年3月、共著書『ここから学ぶ統計的機械学習 Pythonで実践！確率・統計から推定・学習理論まで』（科学情報出版）を刊行しました。出版社から「機械学習やプログラミングの本は多いが、背景をしっかり書いた本がない。理論も踏まえた教科書を書けないか」と依頼を受けたのがきっかけです。
読者像に悩んだ池田教授は、教科書の執筆経験がある共著者の丸野由希氏（関西大学ビジネスデータサイエンス学部准教授）に相談。Pythonで実践しながら、その理論的な説明もついている教科書にしようという提案を受け、形になりました。想定読者は、ブラックボックスではなく、中身を知ったうえで機械学習を使いたい人です。
丸野氏は、池田教授の研究室で博士号を取得し、研究員も務めた研究者です。プログラミングのスキルを生かせるキャリアを築けるよう、情報系の大学院への進学を池田教授が提案したことが、その歩みの始まりでした。
前編で紹介した排便予測の研究では、ウェアラブル腸音計の開発、排便時刻を推定するアルゴリズムの開発、実証実験の3つを柱にしています。複数のマイクと信号処理で音を分離し、機械学習と逐次ベイズ推定（新しいデータが得られるたびに推定を更新していく統計的手法）を組み合わせる計画です。
この問題の特徴は、10分前に「あと10分」とわかればよく、それ以外は当たらなくてもよいことです。例えば30分後と予測したら、5分後にもう一度測って修正すればよい。測り直すたびに予測を更新することで、精度を高めていけます。この手法は、かつて細胞分裂の時刻を予測する共同研究で使ったテクニックの応用です。使う人が「今出た」とボタンを押せば学習が進み、個人に合わせて精度が上がる仕組みも想定していました。
ただ、腸音に排便に関する情報が含まれていることまでは確認できたものの、データは圧倒的に不足しており、中心となっていた学生の卒業もあって、研究は岐路にあります。
うつ病やてんかんなどの脳疾患の研究では、元NAIST准教授の吉本潤一郎氏（現・藤田医科大学教授）が中心となった大型プロジェクトで提供されたデータを用い、機械学習によって「ある程度は予測できる」ことを実証しました。池田教授は、アプローチ自体はオーソドックスで、データを大量に集められる米国のほうが有利だと冷静に見ています。
一方、池田教授の研究室には、神経内科の医師から研究者に転じた久保孝富准教授がいます。医師の意見を気軽に取り込める環境は、工学だけの「AI屋さん」にはない大きな強みだといいます。
NAISTは、さまざまな教育改革を試せる「実験大学」でもあります。池田教授の提案も含め、次のような改革が進められてきました。
キャリア支援にも取り組む池田教授は、博士人材のキャリアをデータで考えることを勧めています。大学教授は45歳前後で就任し65歳で定年を迎えるため約20年周期ですが、人口は約25年周期で推移します。そのため団塊ジュニア世代が教授適齢期を迎える前に、上の世代がポストを埋めてしまう――自分にポストをくれる人が誰で、どれだけいるのかを見極めなさいというのが、池田教授のメッセージです。
A. 池田教授は、大規模言語モデル（LLM）は次の言葉を予測する仕組みではあるものの、膨大なパラメーターを持つことから、実態としては検索して多くあるものを取ってくるのとほぼ同じではないかと捉えています。返ってくる言葉が自然言語というだけで、キーワードを変えながら欲しい情報を探す検索と本質的には変わらないという見方です。
A. 池田教授は、生成AIは提案しかできないため、使う人にそれなりの知識が必要だと述べています。AIの出力をファクトチェックするのは人間の役割であり、盲信しすぎると危険です。便利なツールとして使いこなすには、出力の正しさを判断できる知識が欠かせません。
A. 池田教授は、経営層が技術を知らないまま「使えばよい」と指示し、現場が「ノー」と言えない組織のあり方を課題に挙げています。一方で聞き手の山本は、最近は経営層が真剣に考えて指示する一方、現場のリテラシー不足を感じる場面も増えたと指摘しました。池田教授は、企業も大学も短期の成果を求められ、長期的なトレンドをつかみにくい構造があるとしています。
A. 池田教授は、ツールをブラックボックスとして使うだけでなく、中身を知ったうえで使うことを重視しています。共著書では、アルゴリズムの中身まで理解できるようにすること、Pythonで手を動かしながら一歩ずつ理解を進めることにこだわりました。
A. 池田教授の研究では、腸音に排便に関する情報が含まれていることまでは確認できています。ウェアラブル腸音計で計測し、機械学習と逐次ベイズ推定を組み合わせて、測り直すたびに予測を修正する仕組みを目指しています。ただし、データがまだ圧倒的に不足しており、研究は発展途上です。
後編では、AI時代に若い世代が最も身につけるべき力として池田教授が挙げる「英語」とコミュニケーション力、そしてスポーツやロボットのデータ活用の可能性と限界について伺います。
経営層と現場、AIの理解に差はありませんか？
AI活用を進めるには、経営層と現場の双方がAIをどう使っているかを把握することが第一歩です。DEFiDEの「生成AIワークバリュー・スコア分析」で、組織の生成AI活用の状況を可視化し、次の打ち手を明確にできます。
▶ 前編：数理工学とは？「方法論の工学」で分野を越えて社会課題を解く
▶ 後編：AI時代に英語は必要か？翻訳AIでは伝わらないコミュニケーション力
▶ インタビュー全文：「方法論の工学」で世界の課題を解く（中編）