人間の「5は赤い」と思う時、AIはどう思うのか――同じ意味は、姿が変わっても同じなのでしょうか
＜２０２６年８月２４日以前のコンテンツ一覧はこちら＞
＜なんかAIがスピリチュアル系は進んでいるような気がするのですが・・・。大丈夫かなぁ。＞
＜本文＞
数字の「5」を見ると、赤く感じる人がいます。
月曜日は青い。数字の並びは、頭の中では一直線ではなく階段のように見える。文字にも色がある――。こうした感覚は「共感覚」と呼ばれています。
19世紀の英国では、すでにこうした人たちの見え方が図として記録されていました。フランシス・ガルトンが集めた資料には、同じ数字を見ているのに、人によって色も形も配置も違う様子が残されています。
ガルトンは知覚や統計の研究で知られる一方、優生学の成立にも深く関わった人物です。この歴史的背景を踏まえて図版を参照する必要があります。
重要なのは、誰の見え方が正しいかということではありません。
同じものを見ていても、頭の中にできる「表現」は同じではありません。
外にあるものは「対象」、そこから読み取る内容は「意味」、文章や画像や数値などの姿は「表現」、AIが最後に返すものは「答え」です。これらは関係していますが、同じものではありません。
共感覚とAIが同じ仕組みで動いているわけではありません。両者をつなぐのは、同じ対象が別の表現へ移るとき、何が残り、何が変わるのかという問いです。
AIにも「3は青い」のような連想があります
人間とAIの色の連想を比べた研究は、すでにあります。
2022年には、GPT-3に文字や数字から連想する色を答えさせ、人間の回答と比べる研究が行われました。AIの色の選び方は、共感覚者よりも、共感覚のない人が思い浮かべる色に近い傾向を示しました。
2025年にスタンフォード大学が紹介した研究では、通常の色覚を持つ人、色覚に特性のある人、そしてGPT-3.5の色の連想が比較されています。
色の見え方が違う人間同士でも、GPT-3.5との比較では、人間同士のほうが近い傾向を示しました。
なぜそうなるのかまでは、この結果だけでは分かりません。ただ、人間同士には、AIとの比較で共通する傾向が残っていたことは分かります。
一方、AIにも独特の連想があります。スタンフォードの記事では、意味を持たない造語「gricker」に対して、人間は灰色を選ぶ傾向があったのに、GPT-3.5は緑を選びました。意味のない言葉でさえ、人間とAIでは「なんとなく結び付く色」が違ったのです。
ただし、AIが「青」と答えたからといって、人間のように青を見ているわけではありません。
同じ答えが出ても、同じ見え方をしているとは限りません。
文章、画像、DNAでも「同じ規則」を学べるのでしょうか
この問題をもっと大きなスケールで調べた研究が、2026年9月に発表されました。
研究チームは、同じ抽象的な問題を、文章、ゲノム、整数列、時系列、画像、タンパク質という六つのまったく違う形に置き換え、それぞれのAIが例から規則を見つけられるかを調べました。
六つすべてで、ある程度「例から規則をつかむ」動きが確認されました。六つのうち五つでは、得意な問題・苦手な問題にも似た傾向が見られましたが、一つだけその傾向から外れました。
これは、AIが表面の文字や画像だけではなく、抽象的な課題構造を利用している可能性を示します。ただし、異なるAIの内部で同じ仕組みが動いていることまで証明するものではありません。
似ていることと、同じであることは別です。
AIは、文章に引っぱられることがあります
2026年の別の研究では、動画、音声、画像、文章の内容をわざと食い違わせ、AIがどの情報に引っぱられるかを調べています。
人間の正答率が約89%だったのに対し、いちばん成績の良かったAIでも約73%でした。失敗の多くでは一つの情報形式が他を押しのけ、注意の大半が文章側に集中する傾向も報告されています。
つまり「画像も音声も読めるAI」だからといって、全部を同じように理解しているとは限りません。
別の視覚推論ベンチマークでも、人間が約80%解けた問題に対し、上位のAIは50%未満でした。
文章・画像・音声など複数の情報形式を扱うAIは「マルチモーダルAI」と呼ばれます。しかし、扱えることと、うまく統合できることは別です。
たくさんの種類の情報を扱えることと、それらを人間のように統合できることは、同じではありません。
ここまでは「AIが理解する話」でした
ところが、AIエージェントになると事情が変わります。
AIが答えるだけなら、間違ったときに人間が確認して修正できる余地があります。
でもAIエージェントは、その先へ進みます。
PDFを読み、表を作り、別のAIに渡し、そのAIが要約し、その結果を使って発注したり、支払いの準備をしたり、システムを書き換えたりします。
さらにロボットや工場設備につながれば、現実の物まで動きます。
たとえば、次のような場面があります。
あるAIが請求書のPDFを読みます。
別のAIが、そこから金額と取引先を表にします。
さらに別のAIが、その表を見て「問題なし」と判断します。
そして最後のAIが支払いを準備します。
では、最初のPDFから最後の支払いまでの間に、数字や意味が変わっていないことを、あとから確認できるでしょうか。
もしOCRが一桁読み間違えたら。もし要約で重要な条件が落ちたら。もし英語から日本語へ訳したときに、例外条件の意味が弱くなったら。
人間同士の伝言ゲームなら、途中で意味が少しずつ変わることがあります。AIエージェント同士でも、変換の途中で情報が失われたり、別の意味に受け取られたりする可能性があります。
AIの世界でも「会話」と「成果物」を分け始めています
この問題に近い考え方は、AIエージェント同士をつなぐプロトコル仕様にも入り始めています。
Googleが公開し、その後Linux Foundationへ寄贈されたAgent2Agent Protocol、A2Aでは、AI同士の「会話」と、仕事として残す「成果物」を分けて扱います。いまは一社だけではなく、中立的な団体のもとで開発が進められています。
重要な情報を、単なるチャット履歴だけに頼ってはいけない、という考え方です。
これは人間の仕事でも自然な感覚です。会議で話したことと、正式な契約書は同じではありません。口頭で「大丈夫です」と言ったことと、承認済みの申請書も同じではありません。
AIの成果物は「最後に作ったファイル」ではありません
AIが作る成果物というと、PDFやExcel、画像などを思い浮かべます。でもAIエージェントの世界では、それだけではありません。
AIや人間の仕事について外に出され、あとから識別できる表現の単位を「Artifact」と呼びます。完成したPDFだけでなく、途中の表、JSON、状態記録、実行結果のReceiptなども含みます。
あるAIが作った表は、次のAIにとっては入力資料になります。あるAIが作った要約が、別のAIの判断材料になります。
つまり、AIの成果物は「完成品」であると同時に、次の仕事の「材料」でもあります。
必要になるのが、どの版を使ったのか、元は何だったのか、誰が変換したのか、途中で何が省かれたのか、という履歴です。
「誰が作ったか」だけでは足りません
最近では、AIエージェントが行う状態変更に署名を付け、データベース側が書き込み前に検証する設計例も紹介されています。
これは「誰がこの変更を行ったか」を後から確認するために役立ちます。
ただし、署名があるから内容まで正しいとは限りません。
署名があることと、内容が正しいことは別です。
内容が正しいことと、実行してよいことも別です。
たとえば、AIが正しく「100万円の支払いです」と読み取っていたとしても、そのAIに100万円を支払う権限があるとは限りません。
だから「正しい情報」と「実行してよいか」は分けた方がよいのです
こうしたAIの成果物や変換の履歴をつないで残す仕組みを、便宜上Artifact Hubと呼びます。これは既存の業界標準名ではなく、設計上の呼称です。
Kubernetes関連のパッケージを公開・検索する既存サービス「Artifact Hub」とは別の概念です。
Artifact Hubが扱うのは、元の資料が何だったのか、どの版を使ったのか、どのAIやツールが変換したのか、その変換をどこまで検証できたのか、といった「意味と仕事の履歴」です。
その一方で、情報の出どころが確認できたからといって、それだけで支払い、削除、送信、機械の動作まで許してよいわけではありません。
実行してよいかを確認することを中心に、必要なら停止し、実行後の顛末まで記録する仕組みをHuman Guarantee Ledger、HGLと呼びます。HGLは既存の標準名称ではなく、設計提案です。
「情報は正しいです」
と
「だから実行してよいです」
は別の確認です。
これは完全な空想でもありません。エストニア政府は2026年、AIエージェント向けのデジタルID、いわゆるAI ID codesの創設に向けて動き始めました。関連プロジェクトでは、AIに限定的で監査可能、そして取り消し可能な権限を持たせる技術的な枠組みや法的提案を検討しています。
公式説明では、「見るだけ」「文書を作る」「支払いを準備する」「この金額まで」といった具合に、AIに与える権限を細かく分ける考え方が示されています。
この「権限」は、まずシステム上の運用権限です。契約や法令に基づく法的な代理権そのものと、自動的に同じになるわけではありません。
止める仕組みは、もっと単純でよいのかもしれません
AIの世界では、何でも賢いAIに判断させたくなります。
でも、安全のための「停止」まで高度なAI判断に頼る必要はありません。
根拠が壊れている。通信が切れた。何を見て判断したのか追えない。
そんなときは、むしろ単純に止まる方が安全です。
工場の非常停止ボタンや安全インターロックと同じように、AIエージェントにも通常の処理系とは独立した停止経路が必要です。
しかも、その停止経路が普段のAIシステムに依存していたら、肝心なときに一緒に止まってしまいます。ですから停止のための権限や確認経路そのものも、通常のAI処理から切り離しておく必要があります。
共感覚からAIエージェントまでをつなぐ問い
最初は、「5が赤く見える人がいる」という話でした。
この問いは、文章と画像を扱うAI、AI同士の仕事の受け渡し、さらに支払いやロボットのような現実の行動までつながります。
でも、根っこにある問いは同じです。
世界そのものと、世界について作られた表現は同じではありません。
人間の頭の中でも違います。文章と画像でも違います。AIと人間でも違います。そしてAIからAIへ情報が渡るたびに、また少し姿が変わります。
これからAIエージェントが本格的に仕事をするようになれば、「最終的に正しい答えが出たか」だけでは足りなくなるでしょう。
どこから来た情報なのか。途中でどう変わったのか。何が失われたのか。誰がそれを信じ、どんな権限で行動したのか。そして最後に何が起きたのか。
そこまでたどれることが、AI時代の「信頼」の一部になります。
1883年に、人間の頭の中にあった数字の色や形を紙に描いた共感覚の図は、不思議な知覚の記録であると同時に、AIが仕事をする時代の「意味と表現」の問題を考える入口にもなります。
個別の出典、数値、地域別の事例、Artifact Hub / HGLの詳細設計は、付属資料 「世界マルチモーダル表象意味変換アトラス（Excel）」 を用意しています。本文はこの資料を読まなくても完結します。気になったテーマや根拠を詳しく確認したいときに参照してください。
主な参考資料
Kevin Dann, “Synaesthesia’s Colour Debut (1883),” The Public Domain Review, 2022.
https://publicdomainreview.org/collection/synaesthesia-diagrams-1883/Hidehiko Komatsu, Ami Maeno, Eiji Watanabe, “Origin of the ease of association of color names: Comparison between humans and AI,” i-Perception, 2022.
https://journals.sagepub.com/doi/10.1177/20416695221131832Katia Savchuk, “Blood Is Red, Math Is Blue. Does AI See Colors Like Me and You?”, Stanford Graduate School of Business, 2025.
https://www.gsb.stanford.edu/insights/blood-red-math-blue-does-ai-see-colors-me-youNathan Breslow et al., “Convergent Emergence of In-Context Learning Across Modalities,” arXiv:2609.14011, 2026（プレプリント）.
https://arxiv.org/abs/2609.14011Microsoft Research, “C³PO: Evaluating Cross-Modal Composition and Counterfactual Performance in Omnimodal Models,” 2026.
https://www.microsoft.com/en-us/research/publication/c3po-evaluating-cross-modal-composition-and-counterfactual-performance-in-omnimodal-models/Microsoft Research, “Mind’s Eye: A Benchmark of Visual Abstraction, Transformation, and Composition for Multimodal LLMs,” 2026.
https://www.microsoft.com/en-us/research/publication/minds-eye-a-benchmark-of-visual-abstraction-transformation-and-composition-for-multimodal-llms/Agent2Agent Protocol, Specification.
https://github.com/a2aproject/A2A/blob/main/docs/specification.mdGoogle Developers, “Google Cloud donates A2A to Linux Foundation,” 2025.
https://developers.googleblog.com/en/google-cloud-donates-a2a-to-linux-foundation/Google Developers, “Build zero-trust AI agents with Google's Agent Development Kit,” 2026.
https://developers.googleblog.com/build-zero-trust-ai-agents-with-googles-agent-development-kit/Government of Estonia, “Prime Minister Michal: Estonia to become first country to create digital identities for AI agents,” 2026.
https://www.valitsus.ee/en/news/prime-minister-michal-estonia-become-first-country-create-digital-identities-ai-agentsEstonian Information System Authority (RIA), “Reason Reserve / Aruait.”
https://ria.ee/en/state-information-system/artificial-intelligence/reason-reserve-aruait
