AI。いまや誰の口にも上る流行り言葉であり、あらゆるものを…いや、すべてを革命する約束をする技術です。そして当然のことながら、健全な懐疑――いや、露骨な軽蔑すら伴う形で――受け止められています。「信頼できない」と言う人もいます。「幻覚を見せる」と嘆く人もいます。「本当の仕事を理解していない人たちの杖だ」と批判する人もいます。
聞き覚えはありますか？あるはずです。というのも、これは「私たちの最も深く抱いている前提に挑もうとする」変革的な道具と人類が格闘したのは、これが初めてではないからです。私たちはこの映画を見たことがあります。主役は…ほかでもない、統計です。
数字が疑われていたころ：懐疑の簡単な歴史
「データが示している」と言っただけで、尊重ではなく疑いの目を向けられる時代を想像してみてください。それが、統計が初期に抱えていた20世紀前半の状況です。単なるニッチな懸念ではなく、主流でした。核物理学の父とも称されるアーネスト・ラザフォードのような著名な人物は、有名な言葉として「もしあなたの実験が統計を必要としているのなら、より良い実験を行うべきだった」と述べました。痛いですね。
そして、マーク・トウェインの辛辣な皮肉――彼によって広められたが、彼が最初に言い出したわけではないとされる――「嘘には3種類ある。嘘、えげつない嘘、そして統計だ」。これは場違いな感想ではありませんでした。統計は、せいぜい複雑な現実の怪しげな単純化であり、最悪の場合は欺瞞のための道具になり得る、という広く共有された考えを反映していました。統計は還元的で危険で、「本物」の科学を損なうものだと見なされ、少なくとも真面目な知的営みをする人が頼るものではない――そう考えられていました。
認識の転換が起きたのは、人々が数字の本質的な信頼性について突然考えを変えたからではありません。結果が、決定的になったからです。
統計を不可欠にした先駆者たち
統計の本当の力は、雄弁な議論によってではなく、それを現実の課題を解決するために使った人々によって実証されました。命を救い、その過程で政策形成にも影響を与えたのです。
フローレンス・ナイチンゲールは単なる看護師ではありませんでした。彼女はデータの先見者でした。クリミア戦争の間、彼女は統計的な図表――有名な「バラの図」――を用いて、衛生状態の悪い病院では、戦闘による傷よりも予防可能な病気によって兵士が亡くなっていることを示しました。彼女のデータは単に興味深かっただけではなく、軍の医療実践への痛烈な告発でした。そこから、数えきれない命を救う根本的な改革につながりました。彼女は病人に関心を寄せただけでなく、なぜ病気になるのかを数字で証明したのです。
そして次に現れたのがロナルド・A・フィッシャーです。近代の数理統計における揺るぎない設計者でした。フィッシャーは、私たちがいま当然の前提として受け取っている基礎概念を開発しました。つまり仮説検定、p値、そして実験デザインのための厳密な原則です。彼の土台となる仕事がなければ、近代医学、農業、そして数え切れない科学分野は、信頼できる方法論を欠いたままだったでしょう。1925年に出版された彼の「Statistical Methods for Research Workers（研究者のための統計的方法）」は、エビデンスに基づくあらゆるものの基盤を築きました。
さらに重要な公衆衛生の具体例で、家まで連れて帰るように考えるならリチャード・ドールとオースティン・ブラッドフォード・ヒルを挙げましょう。1950年代に、彼らの画期的な統計研究は、喫煙と肺がんの関連を決定的に証明しました。逸話的な証拠がそれを示唆していたとはいえ、統計は反駁の余地のない証明を与えました。肺がん患者の90％以上が喫煙者だったのです。これは、個々の直感や観察では把握しにくい真実でしたが、統計は巨視的な視点によって、そのことをはっきりさせました。
AIの鏡：同じ曲、別の楽器
そして時代は進み、今日ではAIへの懐疑の合唱が、驚くほどよく似た調子で歌われています。
- 「信頼できない。」 おもしろいことに、統計も誤用されたり、誤解されたり、基礎となる前提を理解せずに適用されたりしたときには、かなり信頼性が低かったのです。ゴミを入れればゴミが出る、というやつです。ほかにもいろいろあります。
- 「間違いをする／幻覚を見せる。」 どんな道具でも、特に初期の未熟な段階では、間違いをします。パーソナルコンピュータの初期のころ、あるいはお気に入りのプログラミング言語の最初期のバージョンを思い出してください。完璧なものは生まれません。作られ、改良され、反復され、洗練されていくのです。
- 「何でも言えるように操作できる。」 これは典型的な統計への批判です！「告白させる」までデータを拷問すれば、何でも言わせられる――よくある言い回しですよね。それでも、私たちは統計を禁止しませんでした。誤用に対抗するために、倫理的ガイドラインやベストプラクティス、統計リテラシーを整備したのです。
- 「本当の仕事を理解していない人の杖だ。」 ラザフォードさん、こんにちは！これは、AIが理解を置き換えるのではなく補完するというよりも、置き換えるのだという感覚を反映しています。恐れているのは、AIが生成したコードや文章、洞察が、真の専門性の代わりになることです。
つまり本当の問題は、当時も今も、根本的にはその「道具そのもの」ではありません。問題は、その道具が私たちに直面させることです。
- 統計は、人の直感がどれほど強固であっても、大規模なデータに直面するとしばしば間違っていることを受け入れさせました。
- AIは、人の認知そのもの、つまり考えること・創り出すこと・問題を解くことが、部分的に自動化され、拡張され得ることを受け入れさせています。
両者は、同じ深く根ざした前提に挑戦しています。すなわち、人間の判断、直感、そして知的な努力は、すべての状況において、何かしら唯一無二で代替不可能だ、という前提です。
軽視による見えない代償
1900年に統計を軽視したと想像してみてください。そうすれば、現代の医学、疫学、エビデンスに基づく政策の発展、そして今日の世界を形作る科学的な厳密さのすべてを見逃すことになります。数えきれない病気の媒介経路の発見も、ワクチンの有効性も、社会規模での公衆衛生に関する理解も、逃してしまうでしょう。これは単なる機会損失ではなく、前見の大失敗です。
では、2026年にAIを全面的に退けることは、私たちに何をもたらすのでしょうか？創薬のブレークスルー、パーソナライズされた医療、気候モデリング、材料科学、そしてまったく新しい形の創造性や問題解決といったものを見逃すかもしれません。私たちは、世界が、私たちが相手にしようとしなかったツールによって加速して進んでいるのに、古いパラダイムにしがみついた世代になる危険があります。
批判的なエンジニアであるとは、限界を理解し、出力を精査し、堅牢なシステムを作ることです。それは、砂の中に頭を突っ込むこと、強力な道具を手当たり次第に拒むこと、あるいは懐疑を超えて見通せなかった人々が犯した歴史的な間違いを繰り返すことを意味しません。歴史から学びましょう、よね？
参考文献：
- ナイチンゲール、F（1858）。英国陸軍の健康に影響する事柄に関するメモ。
- フィッシャー、R・A（1925）。研究者のための統計的方法。Oliver and Boyd。
- ドール、R、& ヒル、A・B（1950）。喫煙と肺の癌腫。英国医学雑誌（British Medical Journal）、2(4682)、739–748。
- ギジェレンツァー、G、スワイトリンク、Z、ポーター、T、ダストン、L、ビーティ、J、& クルーガー、L（1989）。偶然の帝国：確率が科学と日常生活をどう変えたか。ケンブリッジ大学出版局。
- ポーター、T・M（1986）。統計的思考の台頭、1820–1900。プリンストン大学出版局。
