数学は「ランダム」を作れるのか 決定論から確率、そしてAIの意思決定へ

🎥 YouTubeでも公開しています

数学はランダムを作れるのか？― 確率・生成AI・Decisionをつなぐ12分の基礎

Books: AIはどんな数学観の上に作られているのか: 有限ルールから生成モデルへ

確率について考えていると、一つの根本的な疑問に行き着く。

数学によってランダムなものを作るとは、決定論的な世界から非決定論的なものを作ることなのだろうか。

通常、数式は決定論的である。

たとえば、

\[ y = f(x) \]

という関数があれば、同じ x を入力すれば、同じ y が得られる。

\[ x \rightarrow f(x) \rightarrow y \]

そこに曖昧さはない。

ところが、確率を扱うと状況が変わる。

サイコロを振れば、1から6のどれが出るかは事前には分からない。

AIに文章を生成させても、同じプロンプトから異なる文章が生成されることがある。

では、この「分からなさ」はどこから来るのだろうか。

---

決定論的な関数にランダム要素を加える

確率的なシステムは、単純化すると次のように表現できる。

\[ y = f(x, \omega) \]

ここで x は通常の入力であり、\( \omega \) はランダムな要素である。

つまり、

\[ x \rightarrow y \]

ではなく、

\[ (x, \omega) \rightarrow y \]

となる。

ここで重要なのは、\( \omega \) が決まってしまえば、関数 (f) 自体は完全に決定論的でも構わないということである。

たとえば、

という0から1までの一様乱数を考える。

そして、

\[ X = \begin{cases} 1 & U < 0.7 \\ 0 & U \ge 0.7 \end{cases} \]

と定義する。

すると、

\[ P(X = 1) = 0.7 \]

となり、「70%の確率で1になる」という確率変数を作ることができる。

しかし、ここで問題が一段深くなる。

では、その (U) はどこから来たのだろうか。

---

コンピュータの乱数は、本当にランダムなのか

私たちはコンピュータで日常的に乱数を使っている。

しかし、多くの場合、それは本当の意味でランダムな数ではない。

疑似乱数である。

単純化すれば、

\[ u_{n+1} = g(u_n) \]

のような計算によって次の値を生成している。

最初の値であるseedを決めると、その後の数列も決まる。

つまり、

\[ \text{Seed} \rightarrow \text{Deterministic Algorithm} \rightarrow \text{Pseudo-Random Sequence} \]

である。

同じseedを与えれば、同じ乱数列を再現できる。

これは科学計算やAIの実験では非常に便利である。

しかし哲学的には奇妙である。

私たちはそれを「乱数」と呼んでいるが、実際にはすべて決まっている。

つまり、決定論的な計算だけから、本当の意味での非決定論が生まれたわけではない。

---

では、数学はランダムを作っているのか

ここで「確率」というものに対する見方を少し変える必要がある。

数学的な確率論は、必ずしもランダムそのものを生成しているわけではない。

確率論では、一般に確率空間を

\[ (\Omega, \mathcal{F}, P) \]

として考える。

\( \Omega \) は、起こり得る世界の集合である。

\( \mathcal{F} \) は、その世界について観測できる事象である。

そして Pは、それぞれの事象に確率を与える。

この構造を別の視点から見ると、

「どの世界が実現するか」

という選択肢を数学の中に導入しているとも考えられる。

ある \( \omega \in \Omega \) が選ばれれば、

\[ y = f(x, \omega) \]

の結果は決定する。

つまり、

\[ \text{Deterministic Rule} + \text{Random Choice} \rightarrow \text{Stochastic System} \]

という構造である。

ここで本当に不思議なのは数式ではない。

Choiceである。

---

「選択」はどこから来るのか

この問題を突き詰めていくと、確率論を超えた問題になる。

もし世界そのものが完全に決定論的だと考えるなら、宇宙全体を巨大な状態 (S_t) として、

\[ S_{t+1}=F(S_t) \]

と表せるかもしれない。

現在の状態が完全に分かれば、次の状態も決まる。

その場合、サイコロの結果も、人間の選択も、コンピュータの乱数も、AIが生成する文章も、究極的にはこの巨大な状態遷移の一部ということになる。

私たちが「ランダム」と呼んでいるものは、

単に原因をすべて観測できていないだけ

なのかもしれない。

一方、世界そのものに本質的な非決定性が存在すると考えるなら、構造は変わる。

\[ S_{t+1}=F(S_t) \]

ではなく、

\[ S_t \rightarrow P(S_{t+1}\mid S_t) \]

となる。

現在の状態から次の状態が一つに決まるのではない。

次に起こり得る状態の確率分布が決まる。

そして、その中から一つの現実が実現する。

この違いは非常に大きい。

---

AIも同じ構造を持っている

この問題は、現在の生成AIを考える上でも興味深い。

LLMは、非常に単純化すれば、

\[ P(\text{next token}\mid\text{context}) \]

を計算している。

たとえば、

AI will change the …

という文章があったとする。

モデルは次の単語を一つだけ決定するのではなく、

\[ \begin{aligned} P(\text{world}) &= 0.30 \\ P(\text{way}) &= 0.20 \\ P(\text{future}) &= 0.15 \\ P(\text{industry}) &= 0.10 \\ &\vdots \end{aligned} \]

のような確率分布を生成する。

ここまでは、モデルのパラメータ、入力、計算条件が固定されていれば、基本的には決定論的な計算として考えることができる。

興味深いのは、その次である。

\[ \text{Probability Distribution} \rightarrow \text{Sampling} \rightarrow \text{Actual Token} \]

確率分布から一つを選択する。

そして選ばれたtokenが次のcontextとなり、再び確率分布が計算される。

\[ \text{Context} \rightarrow P \rightarrow \text{Choice} \rightarrow \text{New Context} \rightarrow P \rightarrow \text{Choice} \rightarrow \cdots \]

生成AIの文章は、この繰り返しによって作られていく。

---

ProbabilityとDecisionは同じではない

ここで非常に重要な区別が見えてくる。

ProbabilityとDecisionは同じものではない。

確率分布は、

「何が起こり得るか」

「どれがどの程度ありそうか」

を表している。

しかし、それだけでは、

「実際に何をするか」

は決まらない。

たとえばAIが、

\[ P(A) = 0.7,\quad P(B) = 0.2,\quad P(C) = 0.1 \]

と評価したとしても、

「だからAを実行してよい」

とは限らない。

特に企業、医療、金融、公共システム、Physical AIなどでは、確率の高い選択肢と、実行を許可すべき選択肢は異なる可能性がある。

ここには、

\[ \text{Probability} \neq \text{Decision} \]

という重要な境界がある。

AIが確率を計算することと、現実世界に対するDecision Authorityを持つことは別の問題なのである。

---

AIは「可能性」を作り、Decisionは「現実」を選ぶ

この視点からAIシステムを見ると、その役割をもう少し明確に整理できる。

AIは、

\[ \text{Context} \rightarrow \text{Probability Distribution} \]

によって可能性を提示する。

つまり、Signalを生成する。

しかし現実世界では、その後に、

\[ \text{Signal} \rightarrow \text{Evaluation} \rightarrow \text{Decision} \rightarrow \text{Execution} \]

という別のプロセスが必要になる。

ここでDecisionとは、単なる確率的samplingとは異なる。

Policy、Authority、Boundary、Human Judgment、Responsibilityなどを含め、

複数の可能性の中から、現実として実行するものを確定する行為

だからである。

---

Rule、Possibility、Choice

ここまでの議論を非常に単純化すると、興味深い構造が見えてくる。

\[ \boxed{ \text{Rule} + \text{Possibilities} + \text{Choice} \rightarrow \text{Realized Event} } \]

Ruleは、何が可能なのかを規定する。

Possibilitiesは、そのルールの中で存在する複数の未来である。

Probabilityは、それぞれの未来に重みを与える。

そしてChoiceが、その中の一つを現実にする。

すると、確率について考えていたはずの問題が、いつの間にかDecisionの問題へと変わっていることに気づく。

---

ランダム性よりも不思議なのは「決まる」ということ

私たちは通常、

「なぜ世界にはランダム性が存在するのか」

と考える。

しかし、問いを逆にしてみてもよいかもしれない。

複数の可能性が存在するとき、

なぜ、その中の一つが現実になるのか。

数学は可能性を記述できる。

確率は可能性に重みを与えることができる。

AIは巨大な可能性空間を計算できる。

しかし最後には、

\[ \text{Possibility} \rightarrow \text{Actuality} \]

という境界を越えなければならない。

疑似乱数では、それは決定論的アルゴリズムによって行われる。

物理世界では、それをどう解釈するかは世界観によって変わる。

そして人間社会やAIシステムでは、それはDecisionとして現れる。

だから、確率について考えることは、単に「ランダムとは何か」を考えることではない。

その先には、

可能性はいかにして現実になるのか。

という、より根本的な問いがある。

そしてAIが社会の中で行動する時代には、この問いは哲学だけの問題ではなくなる。

AIがProbabilityを生成する。

AgentがActionを提案する。

しかし、

誰がChoiceをDecisionとして確定するのか。

そのDecisionを誰が許可し、誰が責任を持ち、どのように記録するのか。

確率論から始まった問いは、最終的にAI時代のDecision、Authority、Responsibilityという問題へとつながっていくのである。