No one can live in my stead. (じぶんの代わりには、だれも生きられない）
補足A：共創AIは、あなたのデータから始まる
AIは、入力されていないことを知ることができません。テキストでプロンプトを入れなければ、AIにはあなたの呼吸、声の調子、表情、間、迷い、ふるまいはわかりません。あなたが何を試し、どこでつまずき、どう直そうとしたのかも、記録されなければ学習のしようがありません。
人間の活動の多くは、意識されないところで起きています。声の出し方、間の取り方、身体の反応、ためらい、くり返し、失敗のしかた。テキストとして考えて入力するものは、そのごく一部です。だから、一般的なAIは、文章づくりや情報整理には強くても、あなた固有の変化や、かけがえのない経験そのものには、まだ十分に近づけません。
エンパシームは、そこに取り組むためのしくみです。肉声の特徴を捉え、可視化し、視覚化します。声の長さ、強さ、リズム、間、変化を、見える形にします。また、結果だけでなく、日々のふるまい、続け方、つまずき、変化の流れも〈見える化〉します。
大切なのは、スコアだけではありません。結果だけを見ても、その人がどのように変わったのかは見えません。どこで失敗したのか。どう直そうとしたのか。何度くり返したのか。どんな言葉に励まされたのか。どんな時に続き、どんな時に止まったのか。そうしたプロセスに、その人固有の学びがあります。
つまり、かけがえのないあなた固有のことについてAIの助けを得るには、あなた自身のプラクティスが必要です。あなたの声、ふるまい、くり返し、気づき、変化がデータになります。そのデータがあってはじめて、AIは一般論ではなく、あなたに近い手助けに近づくことができます。
ここでいう共創AIとは、AIが一方的に答えをくれるものではありません。あなたが実践し、その結果や過程を残し、AIがそれを映し返し、次の実践につなげる。あなたとAIがともにデータをつくり、ともに学びの場をつくるものです。
単にAIを使うだけではありません。プラクティスを通して、親身になってくれるAIそのものを育てていく。あなたの声、あなたのふるまい、あなたの変化が、AIにとっての新しい入力になります。そして、その入力が蓄積されることで、AIは少しずつ、あなたの学びや変化に寄り添えるようになります。
エンパシームは、見えにくい声やふるまい、変化の流れを見える形にするしくみです。声をうつす。ふるまいをうつす。変化をうつす。そうすることで、じぶんのプラクティスをふりかえり、次の行動につなげる手がかりをつくります。
参考：
⚫︎ エンパシームは、Rhythm Mirror®、Hearing Mirror®、Context Mirror®、Empathy Interface®、Empathetic AI KurageSan®などを活用し、声、ふるまい、変化の流れを〈見える化〉します。エンパレットは、サイエンス・アート・テクノロジー・プラクティスをつなぐ学びのコンテンツと創作の場として活用します。
補足B：偶然出会ったことばが、あなたのふるまいになるまで
AIのしくみは、入力 → 変換 → 出力 です。人間の実践にも、似た流れがあります。
ことば、声、出会い、出来事が入り、心と身体の中で変わり、ふるまいとして外に現れます。その流れを、次のように見ることができます。
ひらめき（Inspiration） → ねがい（Aspiration） → 行動（Perspiration） → 気づき（Abduction）
⚫︎ Inspiration：外から入ってくるひらめき。偶然、出会うことば。誰かの声、出来事、風景、読んだ一文。毎日の営みの中で、ふいに入ってくるもの。
⚫︎ Aspiration：それを、じぶんの内から発するねがいに変えること。「こうありたい」「やってみたい」「もう一度試したい」という内側の動き。心の中で、Inspiration が Aspiration に変換される。
⚫︎ Perspiration：そのねがいが、身体を通ってふるまいになること。声に出す。書く。歩く。練習する。つくる。続ける。文字通り、汗をかくこと、努力の発揮です。
⚫︎ Abduction：あとから遡って気づくこと。なぜ、あのことばが心に残ったのか。なぜ、あの時、やってみようと思ったのか。点と点をつなぎ、意味に気づくこと。
共創AIとは、AIに答えを出してもらうだけではありません。じぶんが出会い、ねがい、ふるまい、ふりかえる。その実践の流れを、AIとともに見えるようにしていくことです。
Aspiration の語根には、「息」があります。同じ仲間に inspiration, respiration, perspiration, spirit があります。Inspiration は、息を吹き込まれること。そこから、ひらめき。Respiration は、呼吸。くり返し、整え、続けるリズム。Perspiration は、汗をかくこと。皮膚を通して息がにじみ出る、という感覚。Spirit も、もとは息、生命の息です。息は、ただの空気ではなく、いのちの動きとして感じられてきました。
補足C： AIの先人
AIは、数学をベースに、統計学、機械学習、コンピュータサイエンス、そして人間の目的が重なって働くしくみ。
⚫︎ 関数（入力と出力の関係を表す）
⚫︎ 線形代数（ベクトルと行列で、多次元の量と変換を扱う）
⚫︎ 確率・統計（不確実な中で、次に何が起きそうかを考える）
⚫︎ 機械学習（データから、重みや特徴表現を自動的に調整する）
⚫︎ コンピュータサイエンス（膨大な計算を実際に動かす）
⚫︎ ビジネス・教育・医療・社会の現場など（AIを何のために、どう使うかを考える）
AIにつながる先人たちを、ここではいくつかの流れに分けて見てみます。もちろん、ここに挙げるのはごく一部です。ほかにも多くの先人の発明があります。
❶ 関数と変換の流れ
⚫︎ルネ・デカルト：座標の発明。図形を数で表す道を開いた。
⚫︎ゴットフリート・ライプニッツ： 微積分と関数の発明。変化する量どうしの関係を数学で扱った。
⚫︎レオンハルト・オイラー： 関数記法 f(x) の普及。関数を数学の中心的な道具にした。
❷ ベクトルと行列の流れ
⚫︎ヘルマン・グラスマン：多次元量の数学化。ベクトル空間につながる考えを開いた。
⚫︎ジェームズ・シルベスター：matrix という言葉の導入。行列を数学の対象として扱う道を開いた。
⚫︎アーサー・ケイリー：行列計算の体系化。行列を変換の合成として扱えるようにした。
❸ 確率と統計の流れ
⚫︎トーマス・ベイズ：確率更新の考え。新しい情報によって見方を更新する道を開いた。
⚫︎ピエール＝シモン・ラプラス：確率的推論の発展。不確実な世界を数学で扱った。
⚫︎カール・フリードリヒ・ガウス：誤差と正規分布の数学化。測定と推定の基礎を築いた。
⚫︎ ロナルド・フィッシャー：現代統計学の基礎。データから推定し、比較し、判断する方法を体系化した。
❹ 計算機とアルゴリズムの流れ
⚫︎アラン・チューリング：計算概念の定式化。コンピュータ理論の基礎をつくった。
⚫︎ジョン・フォン・ノイマン：コンピュータ構成の定式化。プログラム内蔵型コンピュータの基礎を築いた。
⚫︎クロード・シャノン：情報理論の創始者。情報を数学で扱う方法をつくり、通信、符号化、計算、AIにつながる基礎を築いた。
❺ 機械学習と深層学習の流れ
⚫︎フランク・ローゼンブラット：パーセプトロンの発明。ニューラルネットワークの原型を示した。
⚫︎デイヴィッド・ラメルハート、ジェフリー・ヒントン、ロナルド・ウィリアムズ：
誤差逆伝播の確立。ネットワークが誤差から学ぶ方法を示した。
⚫︎ヤン・ルカン、ヨシュア・ベンジオ、ジェフリー・ヒントン：
深層学習の確立。多層ニューラルネットワークを現代AIの中心にした。
⚫︎トマス・ミコロフら：Word2Vec の発明。ことばをベクトル空間で扱う方法を広めた。
⚫︎アシシュ・ヴァスワニら：Transformer の発明。現在の大規模言語モデルの基盤をつくった。
出典・参照：以下の論文、エンパレットなど
(1) 深層学習の全体像
Yann LeCun, Yoshua Bengio, Geoffrey Hinton “Deep Learning” Nature, 2015
https://www.nature.com/articles/nature14539
深層学習とは何かを大きく整理した代表的な総説論文。多層のニューラルネットワークが、画像、音声、ことばなどのデータから特徴表現を学習できることを示し、現代AIの全体像を位置づけています。
(2) 誤差を小さくして学習する（back-propagation）
David E. Rumelhart, Geoffrey E. Hinton, Ronald J. Williams “Learning representations by back-propagating errors” Nature, 1986 https://www.nature.com/articles/323533a0
ニューラルネットワークが、自分の出した答えと望ましい答えのズレを測り、その誤差が小さくなるように内部の重みを調整する方法を示した重要論文（誤差逆伝播）。本文の「やってみる、ズレを知る、直す、くり返す」に対応します。
(3) ことばをベクトル空間に置く（Word2Vec）
Tomas Mikolov, Kai Chen, Greg Corrado, Jeffrey Dean “Efficient Estimation of Word Representations in Vector Space” arXiv, 2013 https://arxiv.org/abs/1301.3781
単語を、意味の近さや関係を計算できるベクトルとして表す方法を示した論文。単語の意味を辞書的な説明として持つのではなく、文脈の中でどのことばと近く現れるかによって、数のまとまりとして表します。本文の「ことばをベクトル空間に置く」という説明の中心にあります。
(4) 予測と文脈計算の基盤（Transformer）
Ashish Vaswani, Noam Shazeer, Niki Parmar, Jakob Uszkoreit, Llion Jones, Aidan N. Gomez, Łukasz Kaiser, Illia Polosukhin “Attention Is All You Need” NeurIPS, 2017
https://arxiv.org/abs/1706.03762
現在のLLMの基盤となった Transformer を提案した論文。文章の中で、どのことばがどのことばに関係しているかを attention によって計算します。論文では、再帰構造や畳み込みを使わず、attention mechanism を中心にした Transformer を提案したと説明されています。ChatGPT、Gemini、Claude などの大規模言語モデルの基礎にあります。
(5) Hinton博士について
Geoffrey Hinton博士は、現代AI、特に深層学習の基礎をつくった代表的な研究者です。John Hopfield博士とともに、人工ニューラルネットワークによる機械学習を可能にした基礎的発見と発明によって、2024年のノーベル物理学賞を受賞しました。また、Yoshua Bengio博士、Yann LeCun博士とともに、深層ニューラルネットワークを現代コンピューティングの中核にした功績で、2018年のチューリング賞も受賞しています。
作（文・挿絵・声にすることば）：坂口立考
出典・参照：共創 AI 英語 サイエンス＆アートラボ 2026、以下のエンパレットなど
共創AI と未知のじぶん：こうやって見たら、AIも違って見える
「入力→変換→出力」の原理 エンパレットシリーズ目次
AIはことばの変換機｜AIの見え方が変わる①
① 「書きことば」を出し入れする機械
② AIは、関数
③ ことばを、ベクトルに変える
ことばの多次元空間｜AIの見え方が変わる②
④ ことばの関係を計算する
⑤ 何を生成しているのか
⑥ 機械学習：自分で修正して、答えに近づく
⑦ 一般には強いが、個別は知らない
中学数学から見えるAI｜関数・座標・ベクトルで見え方が変わる③
⑧ AIの土台は、中学生の数学
⑨ なぜ、AIは魔法の箱に見えるのか
AIのしくみをじぶんにつなげる｜AIの見え方が変わる④
⑩ 原理はある。でも、全過程は追いきれない
⑪ まとめ：AIは代わりに生きてはくれない
じぶんとつなげる共創AI｜AIの見え方が変わる⑤
補足A：共創AIは、あなたのデータから始まる
補足B：偶然出会ったことばが、あなたのふるまいになるまで
補足C： AIの先人