私たちは「現実」を見ていない？脳の驚くべき仕組み「予測符号化」とは
私たちは目の前にある世界をそのままビデオカメラのように網膜で捉え、脳に送り込んでいると思っていませんか？しかし、現代の脳科学はその常識を完全に覆しています。私たちの脳は、無意識のうちに常に一歩先の未来をシミュレーションし、その「予測」と「現実」のズレだけを処理しているのです。この仕組みを「予測符号化（プレディクティブ・コーディング）」と呼びます。
今回は、この脳の根本的なメカニズムについて、歴史的な名著から最新の研究論文、さらにはAI（人工知能）との驚くべき共通点や、予測と現実のズレが私たちの「心」へどのような影響を及ぼすと考えられているか、分かりやすく解説します。
1. 予測符号化の金字塔：Rao & Ballard (1999) 論文の衝撃
脳が予測によって動いているという理論を、数理モデルを用いて世界に知らしめた記念碑的な論文があります。それが1999年に『Nature Neuroscience』誌に掲載された、Rao氏とBallard氏による研究です。
https://homes.cs.washington.edu/~rao/Rao-Ballard-NN-1999.pdf
視覚野のフィードバック結合は上位レイヤーからの予測を伝え、フィードフォワード結合は予測と実際の活動との間の残差エラー（誤差）を伝えている。この階層的な予測戦略こそが、自然画像を効率的に符号化するための脳のメカニズムである。
―― Rajesh P. N. Rao & Dana H. Ballard (1999) "Predictive coding in the visual cortex"わかりやすくいうと、脳の上の部分（高い階層）は『次はこう見えるはず』という予測を下に送り届けています。逆に下の部分（目が入ってきた情報）は、その予測と実際の景色の『ズレ（誤差）』だけを上に報告します。この上下一体のキャッチボールがあるからこそ、脳は目の前の景色をムダなエネルギーを使わずに、超ハイスピードで処理できるのです。
彼らは、脳の視覚野を模した階層的なニューラルネットワークを構築し、風景などの「自然画像」をひたすら学習させましたAIにたくさんの景色をただ見せて学習させたところ、人間が『こうやって線を見分けなさい』と教えたわけでもないのに、AIの中に『物の輪郭や、線の傾きを見分けるセンサー』が勝手に作り出されたのです。しかも驚くべきことに、そのセンサーは、私たちが目で見ているときに働く『脳の神経細胞（ニューロン）』と全く同じ仕組みをしていました。
さらに、視覚野の不思議な現象として知られる「エンドストッピング（線の長さが受容野からはみ出ると、ニューロンの活動がピタッと止まる現象）」も見事に再現されました。長くて連続する線は「次の領域にも続いているはずだ」と上位の脳領域が簡単に予測できるため、予測エラーがゼロになり、脳の活動が抑制されたのです。つまり、脳は「予測できる当たり前の情報」は徹底的にサボり、「予測を裏切る未知のエラー」だけを次の階層へ送っていることを証明しました。
2. 仮説から「科学的定説」へ
「予測符号化はあくまで理論上の仮説ではないか？」と思う方もいるかもしれません。しかし、これはすでに脳の標準OSとして、極めて有力な科学的定説になりつつあります。 特に大きな注目を集めたのが、国立精神・神経医療研究センター（NCNP）や東京大学などの共同研究グループが発表した2024年7月の最先端の論文（Communications Biology掲載）です。
研究チームは、自閉症スペクトラム症（ASD）のモデルである小型のサル（マーモセット）の脳活動を、高解像度電極を用いて直接記録する実験を行いました。
実験では、「同じ音が続くパターン（局所ルール）」と「そのパターンが全体の何割を占めるか（大域ルール）」という二重の予測が必要な環境にサルを置きました。 その結果、予測と異なる音が鳴った瞬間に、脳の側頭葉から前頭葉にかけて「予測エラーのシグナル」がリアルタイムに階層を駆け上がる姿が直接観測されたのです。 さらに興味深いことに、自閉症モデルの脳では、この「予測を立てるシステム」が不安定になっており、そのために感覚が過敏（感覚過敏）になってしまっていることも突き止められました。この強固な実験データは、私たちの脳が予測符号化を通じて世界を認識していること、そしてそのバランスが崩れると知覚の特性（生きづらさ）に直結することを示す決定的なエビデンスとなったのです。
3. 人工知能（深層学習）との驚くべき「一致点」
この脳の予測符号化の仕組みを理解する上で、最も分かりやすい補助線となるのが、現代のAI技術である「深層学習（ディープラーニング）」です。実は、脳の仕組みと深層学習には美しいほどの一致点があります。
- 階層による特徴の抽出： AI（特に画像認識を行うCNN）は、入力に近い層で「エッジ（線）」を検出し、奥の層に進むにつれて「顔のパーツ」「物体そのもの」というように、抽象度を上げながら特徴を捉えます。これは脳がLevel 1、Level 2と階層を上がるごとに視野を広げ、複雑な概念を予測していく構造と完全に一致しています。
- データからの自発的学習： 人間がルールをプログラミングするのではなく、大量の自然データを与えることで、ネットワークが勝手にエッジ検出器を形成していく学習プロセスも、脳と深層学習で共通しています。
- 誤差による最適化： 深層学習は「予測出力と正解データのズレ（損失関数）」を計算して賢くなります。脳もまた「トップダウン予測とボトムアップ入力のズレ（予測エラー）」を最小化するように、リアルタイムにニューロンの活動を修正しています。
4. 脳とAIの「相違点」：なぜ脳の方が圧倒的に高能率なのか？
しかし、現代のAIと人間の脳には、まだ決定的な「壁」が存在します。その違いをまとめたのが以下の表です。
| 項目 | 人間の脳（予測符号化） | 現代の一般的な深層学習（AI） |
|---|---|---|
| 情報の流れる方向 | 常時双方向（往復） 上が予測を送り、下がエラーを返す。 |
一方向（Feedforward / 順方向） 入力から出力へ一気に突き抜ける。 |
| エラー（誤差）の処理 | リアルタイム（動的） 世界を見ているその瞬間にエラーを打ち消し合う。 |
学習時のみ（事後処理） 過去の学習時（バックプロパゲーション）しかエラーを使わない。 |
| ニューロンの役割 | 「驚き（エラー）」だけを伝える 予測通りなら静かになり、省エネ化する。 |
「特徴の有無」を伝える パターンが見つかるほど激しく計算（電力を消費）する。 |
現代のAIは、画像1枚を認識するのにも膨大な数のニューロンをすべて一方向に走らせるため、大量の電力を消費します。一方で、人間の脳はわずか20W程度（電球1個分）のエネルギーで動いています。なぜなら、予測符号化によって「予測通りの当たり前の景色」を見ているときはニューロンの活動を完全に黙らせ、「予測と違った部分（驚き）」だけをピンポイントで動かす究極の超・省エネ運転（高能率）を行っているからです。
5. 「心の状態」や「学習効果」へ：予測符号化を人生に活かす
この予測符号化の理論は、単なる視覚の科学にとどまりません。私たちの精神や、日々の感情の起伏、学習の効率にも直結していると示唆されています。
予測符号化が教えてくれる「心」のトリセツ
① 感情の爆発は「期待と現実のギャップ」から生まれる
脳にとって、自分が抱いていた「事前予測（期待）」と、実際に起きた「現実」とのギャップは、巨大な「予測誤差（エラー信号）」として感知されます。 実は、私たちの「激しいイライラや怒り」といったネガティブな感情は、この処理しきれない予測誤差を、外部（相手や環境）をコントロールすることで強引に解消しようとする、脳の防衛反応（能動的推論）の正体でもあると考えられています。 「相手はこうしてくれるはずだ」という期待値が高ければ高いほど、裏切られたときの予測誤差は跳ね上がります。感情に振り回されないためには、「あらかじめ予測（期待値）を現実に合わせてチューニングしておく」ことが、脳科学的にも極めて有効な防衛策なのです。
② ギャップを減らせば、話は受け入れやすくなる
他人にアドバイスをしたり、新しい知識を学ぶとき、相手がすでに持っている知識（予測の枠組み）とのギャップが少ないと、脳はエラーを起こさず、すんなりとその話を「受け入れやすい」状態になります。コミュニケーションにおいては、相手の「前提となる予測」に丁寧に歩み寄ることが大切です。
③ 心の状態を安定させ、学習効果を劇的に高める
日常の環境やルーティンを整え、脳の予測エラーを最小限に抑えることで、脳の無駄なパニック（ストレス）が減り、心の状態を驚くほど安定させることができます。さらに、余った脳の計算資源を「意図的な学習」に集中させることができるため、結果として学習効果を最大限に高めることができるのです。
まとめ
脳は、過去の経験を総動員して「世界を先読みするシミュレーター」です。この予測符号化という完璧なシステムのおかげで、私たちは少ないエネルギーで効率よく世界を生き抜くことができています。
「期待と現実のギャップ」が私たちの心と脳を動かしている――この科学的事実を少し意識するだけで、日々の感情の整理や、学びへの向き合い方がガラリと変わるかもしれません。
