神経科学の手法でゲーム機のチップを調べたら？「脳がわかる」の意味を問うた実験

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する。配線図（コネクトーム）を丸ごと描く。それを強力なアルゴリズムで解析する。そうすれば、いずれ脳の仕組みが見えてくるはずだ――という考え方です。

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、マイクロプロセッサ「MOS 6502」。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チップです。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、生物学者ラゼブニク（Lazebnik）さんが、学術誌『Cancer Cell』にエッセイを書きました。題は「生物学者はラジオを直せるか？」。ラゼブニクさんは、細胞死（アポトーシス）の研究者です。

エッセイの中身はこうです。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――。まず、同じラジオを大量に集める。金属の粒を撃ち込んで、部品をランダムに壊す。そして「この部品が壊れると音が出なくなる」と記録し、その部品に名前をつけていく。でも、それでラジオが直せるほど理解できるだろうか？　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。ラゼブニクさんは、そう皮肉ったのです。

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ます。そこで、もっと複雑で、しかも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ました。アタリ社の家庭用ゲーム機（VCS）には、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、「全部を同時に記録する」ことも「一つずつ壊してみる」ことも、夢のような話です。でもこのチップなら、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、「そのゲーム専用の部品」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。ある部品を壊すと止まるゲームがあっても、それは、そのゲームのプログラムがたまたまその部品の計算を必要としていただけかもしれません。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2個ずつで比べると、相関は弱かった。なのに全体としては、強く協調して動いていた。これは実際の神経データでもよく報告されるパターンだ
• 局所場電位（LFP）：チップの領域ごとに活動をまとめると、脳の信号に似た波が現れた。周波数が高いほど信号が弱くなる形（おおよそべき乗則）や、領域ごとの「リズム」まであった。でも著者らによれば、それは計算にともなう副産物だった。情報がどう流れているかは、ほとんど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した。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た。成分は、クロック信号（チップ全体の動きのタイミングをそろえる信号）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、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。チップは、命令を読み、計算し、記憶するという何段階もの仕組みで動いています。その姿が見えなかったのです。

著者たちの結論はこうです。問題はデータの量ではない。今の解析のやり方そのものでは、意味のある理解にたどり着けないおそれがある。

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説明できます。「命令を読み込む部分」「計算する部分」「記憶する部分」がどうつながっているか。入力がどう出力に変わるか。一方、神経科学の手法の多くは、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。これが、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りました。その一方で、「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、解析手法にも“検定試験”が必要だという発想です。まず、正解のわかった相手で試す。たとえば、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す。そこで、手法が正しい答えを取り出せるかを先に確かめるのです。統計の世界では、答えがわかっている人工データで手法を検証するのが当たり前です。それと同じ考え方が、神経データの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ると、いろいろなものが見つかりました。「ドンキーコング専用」に見える部品も、脳の信号に似たリズムも。でも、チップの仕組みはほとんど見えませんでした。

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。提案は2つです。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ということ。そして、道具は正解のわかった相手で先に試そうということです。

次に「脳の○○を担う部位を発見」というニュースを見たら、少しだけ疑ってみてください。それは「ドンキーコング・トランジスタ」ではないか、と。