脳を本当に理解したいなら、何が必要でしょうか。

よく聞く答えは「もっとデータを」です。何千、何万というニューロンを同時に記録し、配線図（コネクトーム）を丸ごと描き、強力なアルゴリズムで解析すれば、いずれ脳の仕組みが見えてくるはずだ――。

2017年、二人の研究者がこの楽観に、ユニークな方法で待ったをかけました。仕組みが100%わかっている機械に、神経科学の手法をそのまま当てはめてみたのです。選ばれたのは、1970年代に生まれ、初期の家庭用ゲーム機やパソコンに使われたマイクロプロセッサ「MOS 6502」。もし脳研究の道具が本当に強力なら、この小さなチップの仕組みくらいは見抜けるはずです。

結果は、ちょっと笑えて、かなり考えさせられるものでした。

01発端：「生物学者はラジオを直せるか？」

この研究には、有名な“元ネタ”があります。

2002年、細胞死（アポトーシス）を研究していた生物学者ラゼブニク（Lazebnik）さんが、学術誌『Cancer Cell』に「生物学者はラジオを直せるか？」というエッセイを書きました。

もし生物学者が、壊れたラジオを生物と同じやり方で調べたら――。同じラジオを大量に集め、金属の粒を撃ち込んで部品をランダムに壊し、「この部品が壊れると音が出なくなる」と記録していく。壊れると困る部品には名前をつけていく。でも、それでラジオが直せるほど理解できるだろうか？　ラゼブニクさんは、部品のリストを集めることと、システムを理解することは違う、と皮肉ったのです。

2017年の論文の著者、ジョナス（Jonas）さんとコーディング（Kording）さんは、このエッセイを出発点にしました。ただし、ラジオは脳と比べると単純すぎる。そこで、もっと複雑で、なおかつ人間が完全に理解している装置として、マイクロプロセッサを選んだのです。

02方法：チップを「モデル生物」として扱う

使われたのは、MOS 6502というチップです。初期のアップル社のパソコンなどに使われ、アタリ社の家庭用ゲーム機（VCS）にも、ほぼ同じ中身の兄弟チップ（6507）が載っていました。

脳研究では夢のような「全部の同時記録」や「一つずつの破壊」も、このチップなら何度でもできる。データ不足という言い訳がきかない、理想的な実験環境です。

03結果1：「ドンキーコング専用トランジスタ」の正体

まず、損傷実験です。トランジスタを1個ずつ壊して、それぞれのゲームが起動するかを調べました。

• 1,565個は、壊しても3本とも問題なく動いた
• 1,560個は、壊すと3本とも動かなくなった
• 200個は、2本のゲームだけを止めた
• 186個は、1本のゲームだけを止めた

（数字は論文の記載どおりです。足すと3,511個になり、総数3,510個と1個ずれますが、原文のままにしています。）

最後の186個は「そのゲームに特化した部品」に見えます。「ドンキーコング・トランジスタ発見！」と見出しをつけたくなるところです。

ところが、著者たちは、これらがゲーム専用の働きをしているわけではないと指摘します。実際には、全加算器（足し算の回路）のような単純な機能を担う部品でした。あるゲームで重要に見えるかどうかは、部品の役割を間接的にしか示さず、ほかのゲームにも当てはまるとは限りません。損傷の結果は、そのとき何のプログラムが動いていたかに左右されるのです。

04結果2：脳に「そっくり」なデータ、でも中身は見えない

ほかの手法でも、似たことが起きました。

• チューニングカーブ：画面のピクセルの明るさに、きれいに「反応」しているように見えるトランジスタが見つかった。でも、それらはピクセルの明るさを直接扱う部品ではなかった
• 集団の相関：トランジスタどうしの一対一の相関は弱いのに、全体としては強く協調していた。これは実際の神経データでもよく報告されるパターン
• 局所場電位（LFP）：チップの領域ごとの活動をまとめると、脳の信号に似た周波数の特徴（おおよそべき乗則にしたがうパワー）や、領域ごとの「リズム」が現れた。でも著者らによれば、その周波数や場所は計算の副産物で、情報の流れについてはほとんど何も教えてくれなかった
• グレンジャー因果：領域どうしの影響関係を推定すると、正しいつながりも一部見つかったが、実際とは違う結論も出た
• 次元削減：3,510個の状態を少数の成分にまとめると、成分はクロック信号や読み書きの切り替え信号とよく対応した。けれど、それで「プロセッサがどう計算しているか」がわかるわけではない

まとめると、どの手法も「脳研究で見たことがあるような、面白い構造」は見つけた。でも、命令を読み、計算し、記憶するというチップの階層的な仕組みは、ほとんど浮かび上がらなかったのです。

著者たちは、データの量が問題なのではなく、今の解析アプローチそのものが、意味のある理解にたどり着けないおそれがある、と結論づけました。

05「理解した」とは、どういう状態か

では、チップを「理解している」とはどういうことでしょう。著者たちは、視覚研究者マー（Marr）らが示した3つのレベルを手がかりにしています。

1. 計算のレベル：そのシステムは何の問題を解いているのか
2. アルゴリズムのレベル：どんな手順で解いているのか
3. 実装のレベル：それを物理的にどう作っているのか

プロセッサなら、エンジニアは三つのレベルを行き来しながら、「命令を読み込む部分」「計算する部分」「記憶する部分」がどうつながり、入力が出力にどう変わるかを説明できます。神経科学の手法は、主に実装のレベルのデータを大量に集めるものです。そこから上のレベルへ自動的にたどり着ける保証はない、というのがこの研究の警告でした。

06研究史の中の位置づけ

この論文は、巨大データ時代の神経科学に向けた方法論のチェックとして位置づけられます。

背景には、2010年代に世界各地で始まった大型の脳研究プロジェクトがあります。記録技術が進み、何千ものニューロンを同時に測れるようになった一方で、「そのデータから何がわかれば“理解”なのか」という問いは、置き去りにされがちでした。

チップの研究が示したのは、解析手法の“検定試験”という発想です。正解のわかった系（チップや、人工ニューラルネットワーク、シミュレーションした神経回路）で、手法が正しい答えを取り出せるかを先に確かめる。これは、統計の世界で「答えがわかっている人工データで手法を検証する」のと同じ考え方で、神経データ解析でも重視されるようになっています。

07まとめ

神経科学の手法でゲーム機のチップを調べたら、「ドンキーコング専用」に見える部品も、脳波そっくりのリズムも見つかった。でも、チップの仕組みはほとんど見えなかった。

この研究は「脳研究は無駄だ」と言っているのではありません。データを集めることと、仕組みを理解することは別の仕事だ、そして道具は正解のわかった相手で先に試そう、という提案です。次に「脳の○○を担う部位を発見」というニュースを見たら、それは「ドンキーコング・トランジスタ」ではないか、少しだけ疑ってみてください。