Perceptual sensitivity is explained by optimization for ecological tasks

人間の聴覚は、都市の騒音の中でかすかな囁きを聞き取ったり、遠くのエンジンの音から鳥の鳴き声の微妙なピッチを区別したりできる、生物学的な工学の驚異です。しかし、この素晴らしい感覚には明確な限界があります。耳が音量、音程、あるいはタイミングの差を検知できる最小の差異が存在し、その閾値を下回ると、二つの音は区別できなくなります。1世紀以上にわたり、科学者たちはなぜこうした限界が存在するのかを説明しようとしてきました。伝統的な答えは単純なものでした。私たちの生物学的な仕組みが不完全であるというものです。カメラのセンサーに粒状のノイズ（グレイン）があったり、マイクロフォンに静電気のヒスノイズが入ったりするように、人間の脳は内部ノイズ、つまり信号をぼやけさせる神経細胞のランダムで混沌とした発火によって制限されていると考えられてきました。この見解は、私たちの感度は、自分自身の神経ハードウェアの信頼性の低さによって上限が決まっていることを示唆していました。

しかし、異なる考え方が支持を集めつつあります。それは、私たちの聴覚の限界は、脳がいかにノイジーであるかによって決まるのではなく、脳が何をすべきかによって決まるというものです。「効率的符号化（efficient coding）」として知られるこの視点は、感覚システムは現実世界における特定の課題を解決するために進化によって高度に調整された楽器であると提唱しています。もし脳が、人混みの中で友人の声を聞き分けたり、茂みに潜む捕食者の位置を特定したりすることに最適化されているならば、それらのタスクに役立たない微細な差異を表現するためにエネルギーを無駄遣いすることはないでしょう。この見方において、聴覚の限界は欠陥ではなく、特徴なのです。つまり、日常生活の要求によって引かれた境界線なのです。

このアイデアを検証するため、研究者たちは人間の耳と脳を模倣するように設計されたコンピュータモデルを構築しましたが、そこには決定的なひねりが加えられていました。モデルに聴覚の仕組みに関するルールをプログラミングする代わりに、自然なタスクを実行するように学習させたのです。具体的には、音がどこから来ているのかを見つけ、言葉や声、あるいは犬の鳴き声や波の砕ける音といった環境音を認識するというタスクです。モデルは、音の信号を脳へと運ぶ繊維の束である聴神経をシミュレートしたバージョンから始まり、子供が聞き方を学ぶように、試行錯誤を通じてこれらの生態学的な問題を解決する方法を学びました。そして研究者たちは、単純な問いを投げかけました。もしシステムが、生存し現実世界をナビゲートすることだけに最適化されているならば、自然に人間と同じ聴覚の限界を持つようになるのだろうか？

その答えは、驚くべきことに「イエス」でした。研究者たちは、最も微かなトーンから最も複雑なリズムに至るまで、数百の異なるシナリオにわたって、微細な音の差を検知するモデルの能力を測定しました。彼らは、数十年にわたる心理学研究から得られた、人間の聞き手による数千の測定結果と比較しました。モデルは、人間の聴力テストを一度も見たことがなく、人間が達成すべき閾値についても教えられていないにもかかわらず、人間のパフォーマンスと密接に一致する結果を出しました。モデルは人間が識別できないほど小さな差を識別することはできず、人間が苦労するのと全く同じ種類の音に対して苦戦しました。このことは、人間の聴覚の限界が主に神経のランダムなノイズによるものではなく、私たちの脳が日常生活の特定のタスクに最適化されていることによって生じていることを示唆しています。

この一致が単なる偶然ではないことを確実にするため、研究者たちはいくつかの対照実験を行いました。まず、学習前のモデルをテストし、シミュレートされた耳からの生の入力のみを使用しました。この未学習のバージョンは感度がはるかに低く、人間が容易に聞き取れる多くの差異を見逃しました。次に、現実世界のナビゲーションではなく、聴力テストに合格すること自体を目的として訓練されたモデルをテストしました。このバージョンのモデルは超人的になり、人間が識別できるよりもはるかに小さな差異を検知しました。これは、モデルがより高い感度を持つ能力を備えていたものの、その「人間らしい」限界は、自然な行動のために訓練された時に初めて現れたことを証明しました。モデルが指示なしに人間の限界とこれほど密接に一致した事実は、脳の感度が、ハードウェアがいかにノイジーであるかではなく、何が有用であるかによって決定されていることを示しています。

この研究では、モデルのどの部分にこれらの人間らしい限界が現れるのかについても調査が行われました。研究者たちは、脳における処理の異なる段階に対応する、コンピュータネットワークの異なる層を詳細に調べました。彼らは、情報がネットワークの深部へと進むにつれて音の識別能力が向上し、モデルが異なるタスクに特化し始める段階で、最終的に人間らしいパターンに落ち着くことを見出しました。これは、知覚の限界が耳の部分で固定されているのではなく、脳が情報を理解して世界を意味づけるプロセスの中で形成されることを示しています。

もちろん、いくつかの相違点もありました。モデルはある側面では人間より優れており、別の側面では劣っていました。例えば、一つの音が別の音を隠してしまう複雑なマスキング現象において、モデルは苦戦しました。また、非常に高い音のピッチに関する人間の聞こえ方を完全には捉えきれませんでした。これらの不一致は、内耳による音の圧縮の複雑で非線形な仕組みや、ピッチに使用される特定のタイミング機構など、モデルが逃した具体的な生物学的詳細を指し示していると考えられます。しかし、これらは例外であり、大多数の聴覚タスクにおいて、モデルの挙動は人間のパフォーマンスをほぼ完璧に反映していました。

この研究の意義は重大です。それは、人間の知覚の境界が恣意的なものや、単なる生物学的な不完全さの結果ではないことを示唆しています。むしろ、それらは環境の要求に合わせて精緻に調整されたシステムの成果であるように見えます。脳は、音響世界のあらゆる可能性を表現しようとするのではなく、生存と相互作用のために必要なものを表現します。日常生活のタスクに対して最適化することで、システムは自然と、人間が備えているのと同じ限界に到達するのです。これは、内部ノイズが「なぜ私たちはすべてを聞き取れないのか」という理由の主要因であるという、長年の信念に異を唱えるものです。むしろ、私たちは世界をナビゲートするために必要とされる通りに、正確に、かつそれ以上に良くない程度に、必要以上に鋭敏に聞いているのだということを示唆しているのです。