Delusions Emerge from Generative Model Reorganisation rather than Faulty Inference: Insights from Hybrid Predictive Coding

この論文は、予測符号化のハイブリッドモデルを用いたシミュレーションにより、妄想が推論の誤りではなく、異常な条件下で学習された生成モデルの再編成という適応的帰結として生じることを示し、新たな治療戦略への示唆を与えています。

要約

この論文は、精神疾患（特に統合失調症など）で見られる**「妄想（もうそう）」**が、なぜ生まれて、なぜ消えにくいのかを、コンピューターシミュレーションを使って解明しようとした面白い研究です。

従来の説では「脳の計算ミス（推論の失敗）」が原因だと思われていましたが、この研究は**「実は計算ミスではなく、脳の『世界の見方（モデル）』そのものが、無理やり書き換えられてしまった結果」**だと提案しています。

以下に、難しい専門用語を避け、身近な例え話を使って解説します。

---

🧠 妄想は「計算ミス」ではなく「地図の書き換え」だった

1. 脳はいつも「予測」をしている

私たちの脳は、常に「今、何が見えているか」を予測しながら生きています。
例えば、暗い部屋で「何かが動いた」と感じたら、脳は即座に「猫かな？」「風かな？」と予測します。そして、実際の目に入る情報と予測がズレていれば（予測誤差）、脳は「あ、猫じゃなかった、風だった」と修正します。これを**「予測符号化（プレディクティブ・コーディング）」**と呼びます。

2. 従来の説：「推論の失敗」

これまでの考え方は、「妄想を持つ人は、この**『修正するプロセス』が壊れている**」というものでした。

• 例え話： 地図を見て「ここは川だ」と思っているのに、実際は「道」なのに、「川だ！」と頑なに信じ続けるのは、**「地図の読み方が下手（推論ミス）」**だからだと考えられていました。

3. この論文の新しい発見：「地図そのものが書き換わった」

この研究は、**「推論（読み方）は正常なのに、地図（生成モデル）そのものが書き換えられてしまった」**と結論づけました。

【実験のシナリオ：「文字」と「数字」の取り違え】
研究者たちは、AI（脳のようなコンピューター）に以下の実験を行いました。

1. 正常な学習： AI に「数字（4）」と「文字（A）」の画像を教えます。AI は「4 は 4、A は A」と正しく認識するようになります。
2. トラブル発生（妄想のトリガー）：
   • AI に「4」という数字を見せましたが、**「A という文字の読み方（初期設定）」**を使って認識させました。
   • さらに、AI の「最高レベルの判断（これが 4 だ！という自信）」を**「絶対に間違えない（高い精度）」**という設定に固定しました。
3. 結果：
   • AI は「4 だ！」と言おうとしますが、入力された「A の読み方」が邪魔をして、最初は混乱します。
   • しかし、**「自信（高い精度）」**が強すぎるため、AI は「入力された画像（4）」を無理やり「A だ」と解釈するように、内部の「地図（生成モデル）」そのものを書き換えてしまいました。
   • 最終的に、AI は「4 という画像」を見ても、「これは A だ！」と最も確信を持って言うようになり、予測誤差（違和感）もゼロになりました。

4. なぜ妄想は消えないのか？（「アトラクター」という穴）

ここが最も重要なポイントです。

• 従来の考え方： 妄想は「間違った推論」なので、正しい証拠（「これは 4 です」という事実）を見せれば消えるはず。
• この研究の発見： 妄想は**「新しい地図の中心（アトラクター）」**になってしまったのです。
  • 一度地図が書き換わると、「4 という画像」を見るたびに、脳は「これは A だ」という解釈が最も自然で、違和感（予測誤差）がなくなるようにできています。
  • 例え話： 山に深い穴（アトラクター）が開いたと想像してください。一度その穴に転がり落ちると、「地面（現実）」が「穴の底」に合わせて変形してしまいます。 外から「ここは地面だ！」と叫んでも、穴の底にいる人にとっては「ここが地面（A）」に見えるのです。
  • つまり、「証拠」を見せられても、脳がその証拠を「妄想の文脈」に合わせて解釈し直してしまうため、消えないのです。

5. 治療への示唆：「地図」を直さないとダメ

この研究は、治療のあり方にも大きなヒントを与えています。

• 早期介入が重要： 地図が書き換わるのは時間がかかります。妄想が長引けば長引くほど、元の「正常な地図」の痕跡（勾配）が薄れ、新しい「妄想の地図」が固まってしまいます。
• 治療の方向性：
  • 単に「それは違うよ」と説得して推論を直すだけではダメです。
  • 重要なのは、**「脳が持っている『世界の見方（地図）』そのものを、ゆっくりと書き換えていく（再学習する）」**ことです。
  • 時間が経ちすぎると、元の地図は完全に消えませんが、部分的に残っている可能性があります。治療は、その残っている「健康な地図の断片」を蘇らせ、新しい「妄想の地図」を消去していく作業が必要かもしれません。

まとめ

この論文は、**「妄想を持つ人は頭が悪い（計算ミス）」のではなく、「極端な状況（初期設定のミス＋過度な自信）によって、脳が新しい現実（地図）を構築してしまった」**と教えてくれます。

• **妄想は「バグ」ではなく、脳が必死に「矛盾をなくそうとして作り上げた、新しい現実」**です。
• だからこそ、外からの証拠では簡単には消えません。
• 治療には、その「新しい地図」を丁寧に、時間をかけて「元の地図（または別の健全な地図）」に書き換えるアプローチが必要です。

これは、患者さんへの理解を深め、より効果的な治療法を開発するための、非常に重要な視点を提供する研究です。

技術概要

論文要約：妄想は誤った推論ではなく、生成モデルの再編成から生じる

1. 背景と問題提起 (Problem)

妄想（delusions）は、統合失調症などの精神疾患に見られる、奇妙で苦痛を伴う信念であり、その核心となる特徴は**「テーマの反復性（thematic recurrence）」と「矛盾する証拠に対する不変性（imperviousness to contradictory evidence）」**です。

従来の予測符号化（Predictive Coding）に基づく妄想の説明は、主に「推論プロセスの誤り」に焦点を当ててきました。具体的には、感覚証拠の精度（precision）と事前信念の精度のバランスが崩れ、推論が早期に停止したり、高次信念の精度が過度に高まったりすることで妄想が形成されると考えられていました。
しかし、これらの従来のモデルには以下の重大な欠点がありました。

• 記憶の欠如: 標準的な予測符号化モデルは「記憶を持たない（memoryless）」ため、刺激ごとにランダムな信念状態から推論を開始します。これでは、なぜ妄想が特定のテーマで反復し、時間的に安定して維持されるのかを説明できません。
• 矛盾の解決: 推論が事前信念に固執する場合、感覚入力との不一致（予測誤差）は増大するはずですが、患者は主観的な不確実性を感じず、むしろ信念を維持します。これは従来の「誤った推論」モデルでは説明が困難です。

2. 方法論 (Methodology)

本研究では、推論と学習の両方を含む**「ハイブリッド予測符号化（Hybrid Predictive Coding）」**モデルを用いたシミュレーション実験を行いました。

モデルのアーキテクチャ

• ハイブリッド予測符号化: 従来の反復的な推論（フィードバックによる誤差最小化）に加え、**「償却推論（Amortised Inference）」**を導入しました。これは、入力から信念状態へのマッピングを学習し、単一のフィードフォワード掃引で「最良の推測（best-guess）」を即座に生成するメカニズムです。
• ネットワーク構成: 4 層構造のモデルを使用し、以下の 3 つのネットワークで構成されました。
  1. 推論ネットワーク: 予測誤差を最小化するために信念を反復的に更新する。
  2. 2 つの償却ネットワーク（Amortisation Networks）: 文脈に応じた初期化を行う。一つは「数字（0-5）」、もう一つは「文字（A, B, C, D, E, S）」の処理に特化しています。
• データセット: 手書き文字データセット（EMNIST）の数字と文字のクラスを使用。

実験プロトコル

1. 親モデル（Progenitor）の学習: 正しい文脈（数字には数字用、文字には文字用の償却ネットワークを使用）で、教師あり学習（最上層をラベルで固定）を行い、正常な生成モデルを構築。
2. 双子モデルの作成: 親モデルの重みを複製して「対照モデル」と「妄想モデル」を作成。
   • 対照モデル: 償却ネットワークの選択は正常。
   • 妄想モデル: 償却ネットワークの選択を不適切に交換（例：数字の画像に文字用の償却ネットワークを使用）。これにより、推論の初期状態が誤った信念（例：「4」を「A」として初期化）で開始されるように設定。
3. 自己監督期間（Self-supervised period）: 最上層の信念を償却ネットワークの出力に固定（クランプ）し、高い精度（precision）を仮定してモデルを再学習させます。これにより、誤った初期信念が「固定」され、生成モデルがその誤った信念に合わせて再編成されるかどうかをテストしました。
4. 自己維持期間（Self-sustaining period）: 最上層の固定を解除し、モデルが回復（元の正常な信念に戻る）できるかを検証。

3. 主要な貢献と発見 (Key Contributions & Results)

3.1 生成モデルの再編成による妄想の形成

• 推論の失敗ではなくモデルの適応: 不適切な償却（初期化）と高次信念の過度な精度（クランプ）の組み合わせにより、モデルは「誤った推論」を修正しようとするのではなく、生成モデル（Generative Model）そのものを再編成しました。
• 予測誤差の最小化: 再編成されたモデルは、入力（例：数字「4」）を「A」という妄想的信念で説明するよう学習しました。その結果、予測誤差は対照モデルと同程度に低く保たれ、主観的な不確実性は生じませんでした。
• アトラクタの移動: 信念空間（belief space）において、正しい信念（「4」）に対応するアトラクタが弱まり、誤った信念（「A」）に対応する新しいアトラクタが形成されました。これにより、入力に対して「A」という解釈が最も確からしいものとなりました。

3.2 妄想の「不変性」と「テーマの反復性」のメカニズム

• 矛盾する証拠への耐性: 生成モデルが再編成されると、入力データは新しい（妄想的な）信念と整合的になるため、矛盾する証拠（「これは 4 だ」という事実）は、新しい生成モデルの文脈では「誤った解釈」として処理され、信念は維持されます。
• テーマの反復性: 償却ネットワークの不適切な選択（文脈の誤り）が、特定の信念（例：迫害妄想や特定の文字の誤認）を反復的に引き起こす初期条件となります。

3.3 回復の難易度と期間の関係

• 期間依存性: 誤った自己監督期間が長くなるほど、正常な信念を支える勾配（gradients）が侵食され、新しい妄想的なアトラクタが強化されました。
• 部分的な回復: 短期間の誤りではモデルは回復しましたが、長期間の誤りでは完全な回復は困難でした。ただし、完全に元のモデルが消滅するわけではなく、部分的な回復は可能であることが示されました。これは、精神病のエピソード間での回復と再発のメカニズムを説明する可能性があります。

3.4 階層的な変化

• 生成モデルの再編成は、主に高次層（抽象的な信念）で顕著に起こり、低次層（感覚入力）の表現は比較的忠実に維持されました。これにより、低レベルの感覚情報と高レベルの妄想的信念が共存する状態が生まれました。

4. 意義と臨床的示唆 (Significance)

理論的意義

• 妄想の再定義: 妄想は「推論の故障（faulty inference）」ではなく、**「非典型的な条件下で学習された生成モデルの適応的な結果」**として再定義されました。患者にとって、妄想は彼らの生成モデル内では「合理的」な推論です。
• オントロジカル・シフト: 妄想は、個人の現実認識（生成モデル）がシフトした結果であり、外部の観察者が持つモデルとは異なる「現実」の中で機能しています。

臨床的・治療的示唆

• 介入のタイミング: 未治療精神病の期間（Duration of Untreated Psychosis）が重要であることが裏付けられました。早期介入では、正常な生成モデルの劣化を防ぐことが優先されます。
• 治療戦略の転換: 従来の「推論の修正（認知行動療法など）」だけでなく、**「生成モデルそのものの再学習（Re-training of generative models）」**に焦点を当てる必要があります。
  • 早期: 柔軟な推論を促し、生成モデルの構造（フィードバック結合）を保護する。
  • 後期: すでに再編成された「妄想モデル」をアンラーニングし、健康的なモデルを再学習させる。
• 文化的要因: 生成モデルは社会的・文化的な監督（親や教師からの解釈）によって形成されるため、文化の違いや移住による環境変化が精神病リスクに関与する可能性が示唆されました。

結論

本研究は、ハイブリッド予測符号化モデルを用いて、妄想が「誤った推論」ではなく、不適切な初期化と高い信念精度によって引き起こされた生成モデルの構造的再編成の結果であることを示しました。このメカニズムは、妄想のテーマの反復性、証拠への耐性、そして回復の難しさを統一的に説明し、精神疾患に対する新たな治療アプローチの基盤を提供します。