粗視化とは何か｜巨大な状態空間を目的に合わせて圧縮する

粗視化（coarse-graining）とは、世界のすべてを同じ細かさで扱うのではなく、目的に必要な違いだけを残して状態をまとめることである。

情報を雑に捨てることではない。何を同一とみなし、何を区別し、どの誤差まで許し、どこで計算を止めるかを決める操作である。

簡単な仕事でも組合せ爆発する

レンタカーを10台貸し出す場合を考える。車を顧客へ渡して返してもらうだけなら、簡単に見える。しかし実際には、多くの状態を同時に扱う。

• 予約ステータス
• 顧客と車両の割当
• 貸出場所と返却場所
• 貸出時刻と延長
• 車種、色、付属品
• 車両ごとの整備状態
• 保険、事故、キャンセル
• 土地、設備、人員
• 料金、原価、純利益

各項目に複数の選択肢があり、それらを掛け合わせると、状態数は容易に十億を超える。さらに時間変化を加えれば、可能性は一段と増える。

これは単純な足し算ではなく、選択肢の直積である。条件を追加するたびに、探索対象が掛け算で増える。

人間は十億通りを解いていない

それでも人間の運用が成立しているのは、十億通りを完全に解いているからではない。

担当者は「いま、この顧客へ、この車を渡してよいか」という局所問題を確認する。在庫システム、予約画面、料金表、整備記録、保険約款を使い、その時点で必要な情報だけを読む。

人間の作業記憶は狭いため、状態を外部へ逃がす。

• 場所に覚えさせる
• 手帳やチェックリストへ書く
• 画面に表示する
• 制度や業務ルールへ固定する
• マスターデータとクラウドへ保存する

クラウド上には巨大な状態空間がある。しかし人間はその全体を同時に読まない。必要なエッジだけを選び、何を読むか、何を捨てるか、いつ止めるかを決める。

粗視化は「同じもの」を決める

たとえば車両の色が収益へ影響しない場面では、赤と青を同じ在庫として扱える。一方、顧客が色を指定した場合には区別が必要になる。

同じ二台でも、目的によって粒度が変わる。

粗視化の中心は、最も細かく見ることではなく、目的に応じて区別を切り替えることである。

トークン数と状態空間は違う

AIの入力可能なトークン数を増やしても、事業の全状態を列挙できるとは限らない。

トークンは文字列の量である。状態空間は、予約、車両、時間、価格、設備、法令、人員などの関係が作る可能性の総体である。十億トークンを扱えることと、十億通りの状態遷移を正しく生成・検証できることは同じではない。

AIは、入力と出力の範囲が閉じている仕事に強みがある。しかし、組織の外側で条件が変化し、何を同じとみなし、何を捨てるかをその都度決める仕事には、外部から境界と停止条件を与える必要がある。

細かく見れば勝てるわけではない

高解像度のセンサーには、より多くの状態を区別できる可能性がある。しかし細かくするほど、データ量、ノイズ、消費電力、通信量、記憶量、較正コストが増える。

顕微鏡で象の皮膚を精密に見ても、それが象のどの部分か分からなければ、象を移動させる仕事には使えない。反対に、ミリメートル単位しか見えなくても、目的に合った経路と境界を定義できれば、作業を完了できる。

解像度の高さと、意思決定の質は同じではない。

コーヒーカップを運ぶ場合

ロボットに陶器のカップとコースターを渡し、大理石のテーブルまで運ばせる場合を考える。「カップを置く」という一文だけなら単純である。しかし実際の作業には、連続的に変わる条件がある。

• カップとコースターの位置
• 指先と取っ手の接触状態
• 陶器を割らない把持力
• 床とテーブルの高低差
• 歩行中の姿勢と重心
• 周囲を移動する人
• テーブル表面の摩擦
• カップを離す順序

全関節の全姿勢を最初から列挙すれば、状態数は爆発する。人間も全状態を計算しているわけではない。視覚、触覚、平衡感覚から、次の一歩と次の接触だけを局所的に選ぶ。

ここで「カップの原子配列」まで見る必要はない。一方、陶器に亀裂があるか、表面が濡れて滑るかは無視できない。目的に対して必要な差だけを残すことが粗視化である。

粗視化の誤り

粗視化には二種類の失敗がある。

事故率を下げるために全データを集めると、今度は判断が遅れて運用できなくなる。反対に、処理を速くするために状態をまとめすぎると、異常車両と正常車両を同じものとして扱う危険がある。

粗視化は一度決めて終わる設定ではない。実測との残差が許容損失を超えたときには、境界を細かくする必要がある。残差が小さい領域は粗いまま保ち、意思決定へ影響する領域だけ解像度を上げる。

粗視化に必要な四つの決定

巨大な状態空間を有限資源で扱うには、少なくとも次の四つを決める。

1. 下界：これより粗くすると目的を達成できない
2. 上界：これより細かくしても費用に見合わない
3. 同値関係：どの状態を同じものとして束ねるか
4. 停止条件：どの水準で十分として処理を終えるか

粗視化は、完全な世界模型を作る方法ではない。有限のセンサー、メモリ、時間、資本を使って、目的物を出力するための計算境界を作る方法である。

AI時代に重要になる理由

物質宇宙の構成要素は有限でも、組合せから生じる状態空間は巨大である。有限なセンサーとコンピューターは、それらをすべて同一解像度で観測・保持・計算できない。

したがって、知能には必ず粗視化が必要である。汎用知能の核心的な課題は、単純な計算速度だけではない。

• 空間のどこを見るか
• どの時間幅で変化を追うか
• どのエネルギー帯を信号とするか
• 解像度間の情報損失をどう制御するか
• 目的を満たしたとき、いつ停止するか

勝敗を決めるのは、最小粒子を見る能力ではない。目的に適した解像度を選び、異なる解像度を接続し、実行可能な出力へ変換する粗視化の質である。

『P vs NP経営』の詳細はこちら https://link.amazon/B04IEdYsn