「方法論の工学」で世界の課題を解く――数理工学者・池田和司氏が語るAI時代の研究、教育、そして人間の価値（中編）

―本当に日本を代表する企業との産学連携案件に取り組んでおられるわけですね。ここからは、2026年3月に出版された共著書『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）のお話をお聞きしたいと思います。まずは、この本はどのような経緯で執筆に至ったのですか。 



もともとは出版社さんからお声がけいただきました。「機械学習やプログラミングなどの本は沢山出版されているものの、しっかりと背景が書いてある本がない」「理論的な面も踏まえた教科書が書けないですか」という依頼でした。僕は、どちらかというと理論屋なので、一つのアルゴリズムを一生懸命深掘りする方なので、「きついかな」と思ったのですが、「まあなんとかなるか」と思って始めてみたというのが経緯です。ただ、書き始めてみたら、やはりかなり大変でした。 

また、読者のターゲットもどうしようかと悩みました。そこで、これまで教科書を何冊か書いていらした共著者の丸野由希先生（現・関西大学ビジネスデータサイエンス学部准教授）に、「実はこういう枠組みでやっているのですが、どうでしょうか」と相談したところ、今回のような「Python を使って実践をするけれども、それに対する理論的な説明もついているという形の教科書にしたら良いのではないですか」と提案してくれたのです。 

それであれば、彼女が教鞭を執る「関西大学での教科書にも使えるのでは」ということになりまして、ならば「そこで使えるような教科書にしましょう」ということで何とか書き上げました。正直なところ、この共著については、僕より丸野さんの貢献の方が大きいので、あまり多くを聞かれても困ってしまいます。 

―『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』の想定読者は、データサイエンスを学びたい大学生やビジネスパーソンになるのでしょうか。 

そうですね。ブラックボックスではなくて、もう少し中身も知った上で使いたいという方に読んでいただければと思っています。 

―著書を執筆される上で、池田先生が特にこだわったポイントはどこですか。 

なるほど、なかなか難しい質問ですね。一つ目のポイントは、アルゴリズムの中身までわかるようにしようとしたことです。二つ目は学習効率を高めるためにも、手を動かして一つずつ、一歩ずつ理解を進めるような形にすることです。実は、これは僕ではなくて、丸野さんのアイデアなのですがね。受け取りをしてポンっと持ってきて動かしてみて、「はいできました」だけだとどうしても理解が浅くなってしまうからです。 

―共著書の丸野由希先生は、以前は池田先生の数理情報学研究室で研究員をされていらしたのですよね。 

はい。そうです。もともと本学で工学の博士号を取得しました。彼女は、京都女子大学現代社会学部の出身です。あそこは、実は現代社会学部と称しながらも、結構プログラミング教育をやる情報工学コースを作りました。せっかく、そういうコースで学び、プログラムスキルも身についているのに、「なかなかそれを生かすような職種に就けない」ということだったので、「やはり情報系の大学院で学んで、本当に情報化ができることを売りにして、これからのキャリアを築いていったら良いのではないか」と提案させてもらいました。 

もともと面識があったわけではありません。同学教授の先生が僕を見つけて連絡してきてくれたわけです。実は、間に共通の友人がいることが後々でになってわかったのですがね。その教授の先生も、「どこか情報系の良い大学がないかな」と思って旧校の先生に相談したらしいのです。その旧校の先生も、「NAISTの池田さんとか良いのでは」と勧めてくれて、それで紹介してくださり、本学に来たという流れですね。 

本学を出た後に、本当は京都女子大学に講師として戻るには良いタイミングでした。また、彼女を指導してくださった先生がちょうど定年退官される年だったので、Uターン就職して良いのではと思っていたのですが、一年足りなかったのです。それで、一年待たないといけなかったので、それならば一年間は本学で研究員として仕立てて、その後にその先生が引退された後の後任として、「何とか公募で頑張ってください」という形で、本学で一年間研究をやってもらったという感じですかね。彼女は、ウェアラブルデバイスや熱中症アラーム、心拍変動、ウェアラブルセンサー、心拍変動解析、機械学習などをキーワードとして研究活動を続けています。 

―池田先生は、2016年に宮崎大学で開催されたキャリア支援講演会で「博士たちのキャリア形成」と題する講演もされています。後進の方々のキャリア支援にも精力的に取り組んでおられるのですね。 

懐かしい話ですね。少々驚いてしまいました。これはですね、僕が宮崎県に行ったことがなかったというのが一番の理由でした。宮崎大学に学生時代からの知り合いがいたので、「何とか呼んでくれ」と言ったら、「キャリア支援というテーマで良ければ呼べますけれど」と言われて行ったという経緯があります。それで一応呼んでいただいたからには、「しっかりと講演をしないといけない」と思い、現地に向かいました。  

実は、先ほど言ったように本学は日本で初めて作られた大学院大学です。学生数も全部で1000人ぐらい、研究指導教員も100人ぐらいしかいない小さな大学院大学です。しかも、実験大学なのです。色々試せる。試してダメだったら戻せば良いみたいな感じで、大学院教育も色々とやっています。  

例えば、修士課程の方ですと、もう全面的に英語での講義を5年以上前から導入しています。あるいは今の本学のカリキュラムは、バイオ・情報・物質のそれぞれの基礎科目を担当するのですが、「情報は境界領域なのだから、物質もバイオも知らないといけない」ということで、私が担当する数理工学は「全部知っておきなさい」という教育方針を貫いています。なので、今は全部を必修化しています。 

また、入試科目に数学があるのですけれど、昔は「こんな問題が出ますよ」と3問ぐらいホームページに載せてあげていました。それだと受験生が自習をできないので、教科書制度に変更し、「この教科書から問題を出すので勉強してきなさい」というスタンスにしました。だから、今は本学の数学と言ったら「教科書を読んでいけば良い」、逆に「教科書一冊をすべて学ばないといけない」と思ってもらえているようです。そうした改革を結構私の提案でやってきました。色々とカリキュラムや教育体制には気を使っていますね。  

ただ、宮崎大学での講演は博士課程に関してであったので、どちらかというと博士になった後に、「どうやってアカデミアでキャリアを築くか」ということをデータに基づいて講演をしました。  

実は、大学教授は大体が65歳で定年を迎えます。就任するのは、大体45歳ぐらいなので、20年周期なのです。ところが、人口ピラミッドを見ると大体25年周期になっています。だから団塊世代の頃、当時は国立大学でしたし、国もどんどん人口が増えていたので、教員の人口もピークにありました。 

ご存じないかもしれませんが、アカデミアの人口にもピークがあります。団塊ジュニアの人口のピークのところには、実はアカデミア人口のピークは来ません。というのも、団塊ジュニアが教授適齢期になる前に、5年上の我々世代が皆教授になり、ポストを埋めてしまったからです。そういう話をして、「皆さんは自分にポストをくれる人が誰なのか、どれぐらいいるのかをしっかりと見極めなさい」みたいな講演をしました。 

―そうだったのですね。ここまでは池田先生の専門分野、お人柄、そして最近出版された共著書に関して、楽しいお話を聞かせていただきました。ここからは、より大きな領域でお話をお聞きしていきたいと思います。論点は4つです。一つ目は、池田先生の研究内容をもう少し深掘りさせてください。二点目は、池田先生は機械学習をご自分でやられていますが、最近はある意味、生成 AI が社会に大きな衝撃を与えています。この生成 AI に関する先生のお考えをお聞きしたいです。それから三点目が、AI 時代をどう共に生きるかという観点です。最後に、池田先生が思い描かれるAI と人間の未来を紐解かせていただきたいです。この4つのテーマでお話を進めたいと思います。 

まず、一つ目です。池田先生は非常に研究領域が広いので、少し的を絞りたいと思います。排便予測とうつ病、てんかんの脳疾患の研究、ここに関して少し深掘りをさせてください。あくまでも、お話いただける範囲で結構ですので。  

はい、わかりました。大丈夫です。 

―排便予測の研究から行きましょう。実際、腸音計測（腸の健康状態を評価するための重要な手段）によって AI を活用して排便予測や異常検知を研究されているとお聞きしています。具体的に言うと、その予測したデータを AI で解析して異常値を見ているという感じなのですか。  

研究費との関係で AIと名付けていますが、実際にはウェアラブル腸音計を開発し腸音を利用した排便時刻を推定するという研究に取り組んでいます。具体的には、ウェアラブル腸音計の開発、排便時刻推定アルゴリズムの開発、排便時刻予測の実証実験の3つを柱としています。 

ウェアラブル腸音計の開発では、多重マイク化及び信号処理技術により音を分離する技術の導入を想定しています。また、排便時刻推定アルゴリズムの開発では、機械学習アルゴリズムと逐次ベイズ推定（ベイズの定理[ある事象Bが起きた条件の下で、別の事象Aが起こる確率を計算する方法]を使った統計的推定方法）を組み合わせて実現する予定です。排便時刻予測の実験では、まずは電子聴診器により実証実験を行っているところです。 

―これはリアルタイムで計測して、排便予測をするのですか。 

最終目標としては非常に簡便なウェアラブルセンサーをつけておいて、常時計測しておいて、それを例えば「今から何分後」だと予測をしたとして、それが30分後だとわかったとします。30分であれば別に慌てて、30分で決め打ちする必要がないので、5分後にもう一回測って、残り25分ならそれでいいし、いや25分ではなくて22分であったら、それは修正すれば良いということです。  

ただ、排便予測は、要は10分前にあと10分経てば出ているとわかれば良いので、それ以外は別に当たらなくてもいいわけです。それがこの問題の特徴です。なので、常に音を取っている、あるいは間欠的（一定の時間を置いて起こったりやんだりする状態）でも良いのですが、時々取って予測をして、測り直す度にその予測を修正していくという形にすれば、どんどん精度を高めることができます。 

実際同じテクニックで「細胞分裂の時刻を予想してください」という依頼を、昔バイオロジストと共同研究した時に受けました。そこで使ったテクニックをそのままここで使えるということで考えました。ただ、現時点では圧倒的にデータが足りないですし、そもそも腸音で予測できるのかという辺りが問題になっています。今のところ、腸音に便の要素情報が含まれていることまでは立証できているのですが、どういう形で含まれているのかという部分はもう少し研究が必要です。ただ、この春まで頑張って研究に取り組んでくれていた学生が卒業してしまったので、今は「どうしようかな」と悩んでいるところです。  

―なるほど。社会課題の解決としては、非常にユニークな研究だと思います。ウェアラブルコンピューティングも必要になってくると思いますし、学習モデルをエッジコンピューティング（データが生成される現場近くで処理を行う分散型コンピューティング技術）として入れていかないといけません。ただ、学習データが多分なかなかないのではないかというのは、容易に推測できます。  

ありがとうございます。ただ、使っている時に「今便が出ましたよ」とボタンを押してもらったら、どんどん学習が進むので個人適用もできます。正直、初期値ではそんなに当たらなくても、長く使ってもらえばどんどん当たるようになるという仕組みにするつもりでした。  

―ある意味、医学・医療の現場では非常に有効活用できる研究だと思いました。ところで、うつ病やてんかんの脳疾患の研究に機械学習を活用されているという話もお聞きしています。これは、具体的に言うとどのようなアプローチをされているのですか。  

この辺りはどのデータが取れるかがポイントなので、基本的にはもともと本学で准教授をされていた吉本 潤一郎先生（現・藤田医科大学医学部 医学科 教授、NAIST客員教授）が中心になっていた研究プロジェクトです。僕はどちらかというと、吉本先生の相談に乗って「こんな風にやればできそうですよ」とアドバイスしていた程度です。なので、アプローチとしてはオーソドックスな機械学習のテクニックしか使っていません。 

データをどれだけ取ってくるかということでは、もちろん患者さんのデータはどうしてもナイーブなのでなかなか難しいです。その吉本先生が入っていた大型プロジェクトでデータを提供していただいて、それで「ある程度は予測できます」と実証したという形です。 ただ、このような研究は日本や世界では珍しくありません。そのため、「うちはここが強い」と主張できるのかというと、個人的にはあまり強くない気がします。米国の方がドラスティックですから、データを膨大に取ることができます。 

―電子カルテを含めたデータが出てきたものに対して、異常値等とかを含めて見られる状況ですかね。 

そうですね。実は僕が在籍するNAIST数理情報学研究室の久保孝富・准教授は、神経内科の医師だったのです。重度の障害者に出会った際に、「脳の機能を支援するツールを機械学習のアルゴリズムを応用して技術開発できないか」ということで研究者の道に転身しました。それだけに、医師の意見を気軽に取り込める環境にあります。そういう意味では単純に工学をやっている、いわゆる“AI屋さん”よりははるかにアドバンテージがあると思います。 

―そうですよね。なるほど、面白いですね。ここも、やはり社会課題を解決する医療は今後重要性がさらに高まっていくはずです。事実、日本はますます高齢化してきています。健康寿命も含めて、脳を長生きさせていかないといけません。なので、ある意味、より面白い研究だと思います。次のトピックは、生成 AI の衝撃という観点でお話をさせていただきたいです。池田先生、昨今は機械学習の本が次々と出版されています。少し抽象的な質問で大変恐縮なのですが、大規模言語モデル（LLM）の真の革新性は、池田先生のお立場から何だとお考えですか。 

僕は、LLMに対しては結構ネガティブです。「結局は検索ではないか」と思っています。サーチしているだけです。一応モデルを学習してサンプルそのものは再生しないことになっていますが、最近の研究では実は学習データをだいぶ再現できてしまうという論文もここ一、二ヶ月ぐらいでは話題になったりしています。だから当初から、「これってほとんど検索だよね」と僕は捉えています。 

―おっしゃる通りですね。 

さすがに仕組み的には確かに次の言葉、次のセンテンスを推定しますという仕組みは、原理的にはそれができるとは思います。しかし、そのためのパラメーター学習をどう考えるかといった時に、あれだけパラメーターが沢山あったら、その一歩先の予測を確率的にやりますではなくて、結局は検索して数の多いのを取ってきますみたいなのとほぼ同じではないかと思ってしまいます。  

―なるほど。 

それでも、最近は以前よりもだいぶすごいのが出てきているなという感じはします。ただ、本質的な部分は検索とほとんど変わらないではないかと思っています。もちろん、僕自体ヘビーユーザーではなくて、「多少は使ってみるか」くらいの使い方しかしていないので、「本当にそうか」と言われたら、「わかりません」としか言いようがないレベルですがね。 

―私も同感です。昨年までは池田先生と同じように、「確率論・統計的なアプローチでの文字の並びだ」くらいかなと思っていました。しかし、今年になって一気に変わってきたなという感覚があります。やはり、米・Anthropicが開発した次世代AI「Claude（クロード）」の出現が大きいですね。Claudeが出してくる言葉は「本当に数学的・統計的なアプローチだけで出ているのか」と疑ってしまうぐらい人間らしさがにじみ出ています。ある意味で「怖いな」と思ってしまうほどです。 

次に、これは池田先生の研究分野とは少し違うと思うのですが、やはり生成 AI が出てきて、「AI が人間の仕事を奪うのではないか」「AI は何でもできる」などという言説が今非常に多いと思います。「本当に AI に働かされる時代が来る」と以前もよく言われていました。私自身は「彼らは感情を持っていないから、まずそういう形にはならないだろう」と思っていたのですが、自分自身が日々 AI と向き合って打ち合ったりしているうちに、例えばお客様に提案する提案書を作成するにも、やはりレジュメを作ったりとか、アプローチのヒントをもらうようになっています。そうすると、自分がやっているのは、AI が出してきたものを単にファクトチェックしたり、整理しているだけであったりします。それだけに、やはり「AI に働かされている」というような感覚を最近抱くようになりました。池田先生はどう思われますか。

はい。すごく便利なツールだと思っています。実際、僕もよく使います。でも、使わされているのではなくて、結局ファクトチェックをするだけですが、ファクトチェックはAI ができないから人間がやっているわけです。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。  

―おっしゃる通りです。 

何にも使えないし、むしろ盲信しすぎてしまうと危なすぎます。 

―同感です。やはり、知識が必要です。経験や失敗を重ねてきて学ぶという人間の本質的な知識獲得のプロセスを経て、初めてそれが正しいか、正しくないかがわかるというヒューマン・イン・ザ・ループ（自動化システムやAIシステムの操作、監督、意思決定に人間が積極的に関与するプロセス）という考え方が重要になってくると思います。  

それも昔、生成 AI が出てくる前に、我々が単に Google で検索する時にやっていたことと本質的には同じですよね。キーワードを色々変えて、欲しいデータが出てくるように一生懸命検索を繰り返します。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。

―ありがとうございます。では、次のトピックに移らせていただきます。日本の企業や若者へのメッセージと題して、AI 時代をどう共に生きるかという形で、最初の質問をさせていただきます。池田先生は、多くの企業から「一緒に研究してほしい」というお声がけをいただけると思います。その一方、池田先生が企業側と向き合っていて、日本の企業の AI 活用に対する課題、足りていないものとか、「何か違和感がある」と感じることがありますか。

前提で、AI 絡みで僕に来ることはまずないです。実は。どちらかというとデータサイエンスとかです。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。ChatGPTが出てきたばかりの時に、大手家電メーカーの方から「講演をしてほしい」と言われ、「いやあ、僕はLLMについては手掛けていませんよ」と話したのですが、「このまま放っておくと上の方からLLMを使えという、天の声が降って来てしまう」「それが来る前に、『そんなのを使ってもこの程度しかできない』みたいなことを言ってほしいのです」と頼まれてしまいました。

―すごいですね。

だいぶ前の話ですけれどね。ChatGPTが出てきたばかりの頃ですから。とりあえず、上の人は噂で聞いて、「こんな使い勝手の良いものがあるらしいから使えばいいじゃないか」みたいなことを言い出してきたわけです。そうなると、下はなかなか「ノー」とは言えないのが、日本の組織の悪いところです。これは、いつの時代であっても変わっていません。むしろ、今の方が状況はひどいかもしれません。だから、すごく生産性が落ちているのに、やっても無駄だとわかっていることばかり一生懸命やっていたりしているわけです。

―一方ですね、企業のお話を聞いていると、最近特に今年になってからは、経営層の方が真剣に考えて指示してくるパターンが多いようです。データ分析にしても、 AI 活用にしても同様です。やはり色々なニュースが飛び込んでくるので、「うちはこのままではダメだ」という風に経営層の方が思われていて、逆に現場の方がリテラシー不足であったりすると感じる場面が増えてきました。

確かに現場の方も日々目先の目標を立てられて、それをやらないといけなかったりします。それは企業だけの話ではありません。はっきり言って、国立大学もまさに同じです。現場は短期の成果を求められて、そこで成果が出ないと次の研究費が取れないみたいな生活を続けてしまっています。本当はもっと余裕を持って研究に臨みたいのですがね。

―日本の教育にも課題があります。STEM（科学/Science、技術/Technology、工学/Engineering、数学/Mathematics）教育とか、やはり日本は遅れています。

知り合いのコンサルタントさんの言う話では、「やはり中期目標、中期計画にとらわれ過ぎていて、3年・5年先しか見ていないから、全体のトレンドが掴めない」とのことでした。見ている対象が本当に上司の評価だけなので、「世界に勝つかどうか」は、ある意味現場にとってはどうでも良いことになってしまっているという話は時々お聞きします。