情報から意味へ、意味から目的へ ― Knowledge Infrastructure の次に来るもの

Books: Knowledge Flow実践ガイド: 企業知識をAIが利用できる知識基盤へ変換する

長い間、私たちは、

「知能とは情報を扱う能力である」

と考えてきました。

より多くの情報を集める。

より多くの知識を蓄積する。

より速く検索する。

より正確に答えを生成する。

図書館からインターネットへ。

検索エンジンからRAGへ。

現代の情報技術の多くは、

この考え方の上に発展してきました。

しかし、

本当に情報と知能は同じものなのでしょうか。

AI時代が進むにつれて、

私たちは別の問題に直面し始めています。

それは、

「情報はある。では、どうするのか？」

という問いです。

シャノン情報理論の偉大さと限界

クロード・シャノンは、現代情報理論の基礎を築きました。

情報量を定量化する。

ノイズと信号を区別する。

通信を効率化する。

今日のコンピュータやインターネットは、

この偉大な理論の上に成り立っています。

しかし、シャノン自身は重要なことを述べています。

情報理論は、

「意味」

を扱わない。

ということです。

たとえば、

「明日は雨が降る」

という文章も、

「私はあなたを愛している」

という文章も、

確率構造が同じなら、

情報量は同じです。

シャノン情報理論が扱うのは、

不確実性の削減です。

意味そのものではありません。

そして、このことがAI時代において非常に重要になり始めています。

情報は意味ではない

生成AIは大量の情報を生成できます。

文章を書く。

要約する。

コードを書く。

分析する。

説明する。

しかし、情報が増えたにもかかわらず、

私たちは依然としてこう問い続けます。

「で、何が重要なのか？」

「結局どうするのか？」

「何を優先すべきなのか？」

情報そのものは、

行動を生み出しません。

そこには何かが欠けています。

Deaconが示した「意味は欠如から生まれる」という考え

Terrence Deaconは『Incomplete Nature』の中で、

非常に興味深い考えを示しました。

意味は情報の中に存在するのではない。

意味は、

欠如から生まれる。

という考えです。

私たちが傘を持つかどうかを考えるとき、

天気予報が意味を持つのは、

「雨に濡れたくない」

という目的が存在するからです。

医療データが意味を持つのは、

病気を診断したいという目的があるからです。

売上データが意味を持つのは、

売上を改善したいという目的があるからです。

目的がなければ、

情報は単なる記号の集合に過ぎません。

意味とは、

目的や制約との関係の中で初めて生まれるものなのです。

情報から意味へ

すると知能とは、

単純な

情報
↓
答え

ではありません。

むしろ、

情報
↓
意味
↓
目的
↓
意思決定

という構造を持っているのかもしれません。

情報は、

「何が存在しているか」

を教えてくれます。

意味は、

「何が重要なのか」

を教えてくれます。

目的は、

「何を達成したいのか」

を決めます。

そして意思決定が、

「何を行うのか」

を決めます。

現在の生成AIが得意としているのは、

情報の生成です。

しかし人間が本当に行っているのは、

意味を見出し、

目的を定め、

意思決定することです。

Knowledge Infrastructure の限界

現在のAIシステムは、

Knowledge Infrastructure

を中心に構築されています。

Knowledge Base

RAG

Knowledge Graph

Vector Database

Search

これらは、

「情報を保存し、検索し、生成する」

ための基盤です。

そして、それは非常に成功してきました。

しかし現場では、

最終的に必ず次の問いが残ります。

「で、それは何を意味するのか？」

「何を優先すればよいのか？」

「どう行動すればよいのか？」

つまり、

ボトルネックは知識ではなく、

意味になり始めているのです。

Meaning Infrastructure

Knowledge Infrastructureの次に必要になるもの。

それは、

Meaning Infrastructure

かもしれません。

Meaning Infrastructureが扱うのは、

知識そのものではありません。

• コンテキスト
• 制約
• 状況
• 関係
• 意図

です。

重要なのは、

「何の情報が存在するか」

ではありません。

「この情報は、この状況で何を意味するのか」

です。

同じ情報でも、

人によって意味は変わります。

部門によって意味は変わります。

環境によって意味は変わります。

Meaning Infrastructureとは、

その意味を共有し、

Context Entropyを下げるための基盤です。

Purpose Infrastructure

しかし、

意味が共有されても、

まだ問題は残ります。

人によって目的が違う。

部門によって優先順位が違う。

AIと人間で最適化対象が違う。

すると、

目的そのものが分裂してしまいます。

そこで必要になるのが、

Purpose Infrastructure

です。

Purpose Infrastructureが管理するのは、

知識ではありません。

目的です。

価値です。

制約です。

優先順位です。

トレードオフです。

アラインメントです。

その目的は、

答えを出すことではありません。

異なる主体が、

共通の方向へ進めるようにすることです。

Knowledge Infrastructure の次に来るもの

これまでの進化は、

Knowledge Infrastructure
↓
Meaning Infrastructure
↓
Purpose Infrastructure

という方向へ進むのかもしれません。

そして知能そのものも、

Information
↓
Meaning
↓
Purpose
↓
Decision

という階層を持っているように見えます。

Knowledge Infrastructureが答えるのは、

「何を知っているか」

です。

Meaning Infrastructureが答えるのは、

「それは何を意味するのか」

です。

Purpose Infrastructureが答えるのは、

「何を目指すのか」

です。

そして、

Decision Runtimeが答えるのは、

「何を行うのか」

です。

Runtime Societyへ

AI時代は知識の時代だと言われます。

しかし、

知識生成コストは急速にゼロへ近づいています。

これから本当に重要になるのは、

知識ではありません。

意味です。

そして、

意味よりもさらに重要になるのは、

目的の協調です。

人間とAI。

AIとAI。

組織と組織。

社会と社会。

それらは単に情報を交換しているのではありません。

意味を共有し、

目的を調整し、

意思決定を協調しているのです。

もしかすると、

Knowledge Infrastructureの次に来るものは、

より巨大な知識システムではありません。

Meaning Infrastructure。

そして、

Purpose Infrastructure。

それらが、

Runtime Societyを支える次世代の基盤になっていくのかもしれません。