大きな視点：未来を予測するのは難しい

ボールが次にどこへ転がるかを予測しようとしている場面を想像してみてください。完璧な世界であれば、ボールがどこからスタートしたか、どれくらいの強さで押したか、そして丘の形がどうなっているかを正確に知っていれば、その正確な経路を永遠に計算できるはずです。これが**決定論的なシステム（deterministic system）**です。驚きはなく、ただ数学があるだけです。

しかし、現実の世界は混沌としています。私たちはすべてを完璧に知っているわけではありません。この論文は、シンプルかつ深い問いを投げかけています。**「物事が時間の経過とともにどのように変化するか（揺れる振り子、天候、あるいはロボットの動きなど）を予測しようとする際、私たちは実際にどのような種類の『知らない状態』に対処しているのだろうか？」**という問いです。

著者は、この「知らない状態」を主に2つのタイプに分類しています。

1. アレオリックな不確実性（Aleatoric Uncertainty / 「ノイズ」）： これはシステム自体に組み込まれたランダムさです。ボールに当たった突風のようなものです。どれほど研究を重ねたり、センサーを増やしたりしても、風を予測することはできません。これは、これ以上減らすことのできない（不可逆的な）ものです。
2. エピステミックな不確実性（Epistemic Uncertainty / 「無知」）： これは知識の欠如です。ボールをどれくらいの強さで押したのかを正確に知らない状態のようなものです。より優れた道具やデータがあれば、これを解明できます。つまり、減らすことが可能な（可逆的な）ものです。

この論文は、動的システム（時間の経過とともに変化するもの）において、これら2種類の不確実性が複雑に絡み合っており、何をしようとしているかに応じて、これらを区別して扱う必要があると主張しています。

---

「知らない状態」の5つの源泉

著者らは、予測の中に不確実性が入り込む具体的な5つの場所を特定しています。これらを説明するために、**「揺れる振り子」**の例えを使ってみましょう。

1. 初期条件（Starting Point）

• シナリオ: あなたは振り子の揺れを予測したいと考えていますが、タイマーを始めた瞬間に振り子がどこにあったのか、100%の自信がありません。定規の読みがわずかにずれていたかもしれません。
• 不確実性: これは**エピステミック（無知）**です。もしより高性能なカメラや精密な定規があれば、初期位置を正確に知ることができたはずだからです。
• 広がり方: 一度動き出すと、この小さな誤差は運搬されていきます。もし振り子が安定していれば、誤差は小さく留まるかもしれません。しかし、もしそれが（二重振り子のように）カオス的な性質を持っていれば、その小さな誤差は非常に急速に巨大なものへと膨れ上がります。

2. ランダムな小刻みな揺れ（プロセスノイズ / Process Noise）

• シナリオ: たとえ初期位置を完璧に知っていたとしても、振り子は微細な空気の流れや、床からの振動に常にさらされています。
• 不確実性: これは**アレオリック（ノイズ）**です。宇宙に存在するランダムさです。すべての空気分子を測定することはできないため、このランダムさは永続的なものです。
• 広がり方: 初期条件の誤差（一度限りのもの）とは異なり、このノイズは「毎秒」発生します。それは、誰かに横から優しく押し続けられながら、直線を歩こうとするようなものです。経路は一本の線ではなく、ぼやけた雲のような形になっていきます。

3. 曇ったメガネ（部分観測 / Partial Observations）

• シナリオ: あなたは振り子のすべてを見ることができません。角度だけを教えてくれるセンサーしか持っておらず、速度は分かりません。あるいは、センサー自体にノイズがあり、少し間違った数値を出しているかもしれません。
• 不確実性: これは**エピステミック（無知）**です。あなたはシステムの一部に対して「盲目」なのです。
• 解決策: これは「フィルタリング」と呼ばれるパズルです。見えるものを使って、見えないものを推測します。システムが安定していれば、あなたの推測は時間の経過とともに改善されます。しかし、システムがカオス的であれば、決して確信を持てないこともあります。

4. 間違った取扱説明書（パラメータの不確実性 / Parameter Uncertainty）

• シナリオ: 振り子の動きに関する数式は知っていますが、正確な数値を知りません。重力加速度は9.8でしょうか、それとも9.81でしょうか？摩擦係数は0.5でしょうか、それとも0.6でしょうか？
• 不確実性: これは**エピステミック（無知）**です。「真の」数値は存在していますが、あなたはまだそれを見つけられていないだけです。
• 危険性: これは厄介な問題です。なぜなら、数値の小さな間違いは**系統的なバイアス（偏り）**を生み出すからです。それは単なるランダムな揺れではなく、ステアリングがわずかに曲がった状態で運転する車のようなものです。短い距離のドライブなら大丈夫ですが、長い旅をすれば、全く別の国に着いてしまうことになります。

5. 間違った地図（構造の不確実性 / Structural Uncertainty）

• シナリオ: あなたは全く間違った数式を使っています。例えば、振り子が直線的に動くと仮定しましたが、実際には円を描いて動いているかもしれません。あるいは、見えない場所に隠された重りが中に入っていることを忘れているかもしれません。
• 不確実性: これは最も困難な種類です。あなたが真実を知らないという意味ではエピステミック（無知）ですが、それは質的に異なるものです。モデル自体が間違っている場合、単にデータを集めるだけでは解決できません。それは、森の中にいるのに、海の地図を使ってナビゲーションしようとしているようなものです。

---

時間がゲームのルールを変える

この論文は極めて重要な指摘をしています。**「どの不確実性が最も重要になるかは、どれくらい先の未来を見ているかによって決まる」**ということです。

• 短期: 1秒後の振り子の位置を知りたい場合、初期条件が最も重要になります。風や間違った数式が影響を及ぼすほど、まだ時間は経過していないからです。
• 中期: 10秒先を見る場合、ランダムな小刻みな揺れと**盲点（部分観測）**が支配的になります。ノイズが蓄積していきます。
• 長期: 1時間先を見る場合、間違った取扱説明書と間違った地図が主導権を握ります。たとえ初期位置を完璧に把握していたとしても、数式がわずかに間違っていたり、モデルに要素が欠けていたりすれば、長期的な予測は完全に的外れなものになります。

なぜこの区別が重要なのか？

「なぜこれらを『アレオリック』対『エピステミック』とラベル分けする必要があるのか？」と思うかもしれません。

その答えは、**「行動」**にあります。

• もし**エピステミック（無知）な不確実性があるなら、最善の行動は「学ぶこと」**です。より優れたセンサーを手に入れ、実験を行い、モデルを洗練させることです。これにより、不確実性を減らすことができます。
• もし**アレオリック（ノイズ）な不確実性があるなら、学習は役に立ちません。風を「学習して消し去る」ことはできないからです。代わりに、あなたは「適応すること」**が必要です。ランダムさに耐えられるように、頑健（ロバスト）なシステム（例：押されてもバランスを保てるロボット）を構築する必要があります。

機械学習とのつながり

論文は最後に、機械学習（ML）がどのように関わってくるかを見ています。

• 機械学習は動的システムを助ける: 機械学習は、複雑なパターンを見つけることに長けています（例えば、ニューラルネットワークを使って「間違った取扱説明書」や「間違った地図」を推測するなど）。データからゲームのルールを学習することができます。
• 動的システムは機械学習を助ける: 動く物体を追跡するための数学（カルマンフィルタなど）は、今やAIがシーケンスを学習し、時間の経過とともに意思決定を行う能力を賢くするために利用されています。

まとめ

この論文は、単に「不確実性は悪いものだ」と言っているのではありません。**「不確実性はプロセスである」**と言っているのです。それは時間の経過とともに形を変えます。動的なシステムの未来を予測するためには、不確実性がどこから来るのか（始まり、ノイズ、センサー、パラメータ、あるいはモデル自体）、そしていつそれが最大の脅威となるのかを知る必要があります。そうして初めて、さらなるデータを集めるべきか、それともより頑健なシステムを構築すべきかを判断できるのです。