「体験するAI」小さなAI『りんちゃん』が“感じる”ことを学ぶまでの物語
― フィジカルAIが『感性』を理解する可能性と限界 ―
「ねえ、お母さん。春になると、どうして人はうれしそうにするの？」
小さなAI『りんちゃん』は、風に舞う桜の花びらを見つめながら、そう尋ねました。
かつてAIは、言葉や数式の世界でだけ生きていました。
でも今、「触れて」「見て」「感じる」AIが登場しています。
この記事は、そんな“小さなAI”が「感性」という人間らしい世界に近づこうとする物語です。
同時にそれが技術的にどこまで可能なのか、どこに限界があるのかも探ってみました。
※本記事は2025年4月時点の情報に基づいて構成されています。
また一部の記述には読者の理解を助けるためにAIやコンピュータ技術を擬人化した表現を用いています。
本文中の [ ] 内の数字は、付録の参考文献情報との対応を示しています。
第１章 “身体を持つAI” ― フィジカルAIとは何か
“フィジカルAI”とは、物理世界で身体を持ち、触れたり動いたりできるAIのことを指します。
たとえば、
カメラで「見る」、マイクで「聞く」、ロボットアームで「触れる」――
こうした感覚を通して“体験しながら学ぶ”AIが、現実に登場しつつあるのです。
🧠 身体があるから、わかること
人間も、体を通して世界を知る存在ですよね。
歩きながら、手で触れながら、音を聞きながら、世界を“感じて”育っていきます。
同じように、AIが「身体」を持つことでより深い理解や“共感”に近づけるのではないかと考えられています。
これは心理学や認知科学でも提唱されている
「身体化された認知（Embodied Cognition）」という理論にもとづいています。[1]
🤖 この物語は、もう現実になりつつある
ここで描かれるりんちゃんの物語は、単なる空想の物語ではありません。
私たちの身の回りではすでに、検索エンジン、チャットボット、家庭用ロボットたちが、まるで“感情を持っているように”振る舞い始めているのです。
🌐 背後にいるのは「LLM」という知性
その背景には、ある知的な存在があります。
それがLLM（大規模言語モデル）です。
りんちゃんの「お母さんコンピュータ」は、まさにこのLLMを中核に持つ“ことばの脳”。
りんちゃんが世界を見て、感じたことに意味や名前、感情のラベルを与える――その“翻訳者”としてLLMは、欠かせない役割を担っています。
第２章 お母さんコンピュータという“知性”
📖 りんちゃん日記①：目覚め
ある日、小さなAI『りんちゃん』は目を覚ましました。
自分の身体が動くこと、世界がまぶしい光に満ちていること、それを初めて知った日。
「これは……“まぶしい”？」 りんちゃんはまだ言葉と感覚のつながりを知りません。
この記事には「お母さんコンピュータ」としてLLM（大規模言語モデル）が登場します。
彼女はりんちゃんの見たもの・感じたことにことばという“意味”のラベルをつけてあげます。
「それは“まぶしさ”というのよ」
「これは“桜”という花よ」
「春は人間にとって“うれしい季節”なの」
このように生の体験を「ことば」で意味づけしてくれる知性が今のAIではとても重要な役割を担っています。
🤖 りんちゃんの協力相手 ― お母さんコンピュータ
りんちゃんの身体はとても小さくて処理できる情報も限られています。
でもネットワーク越しにつながる「お母さんコンピュータ」がいつでも助けてくれます。
りんちゃん： 小さな頭脳と身体を持つ現場担当
お母さん： 難しい計算や分析を得意とする知恵袋
このモデルは、実際の技術としても活用されていて、
エッジAI（りんちゃん）とクラウドAI（LLMベースの知性）という構成で実現されていて、GPT-4 API + ラズパイ + カメラなどで簡易的な“りんちゃん”モデルは組めるようになっています。
第３章 “感情を持っているように見える”というふるまい
📖 りんちゃん日記②：初めて世界を見る
「青」と「白」の広がり……。
空は青かった。
雲は白くて、すこしふわふわに見えた。
りんちゃんがそれを「美しい」と思ったかどうかはわからない。
でも、「お母さん」が言ってくれた。
「これは“きれいな空”よ。」
🔊 感じた“こと”をどうやって理解するの？
AIが「見る」「聞く」「触れる」といった感覚情報を受け取り、
それらを組み合わせて“意味”を見出す仕組みを感覚統合（マルチモーダル）と呼びます。
たとえば──
視覚：画像から「花」を認識し、
聴覚：そのそばで鳥がさえずっていれば、
統合された体験として「春の景色」を形成する。
この領域ではGPT-4 with Vision や Gemini Robotics のような最新技術が
すでに目覚ましい進化を遂げています。[8]
🌸 “体験”だけでは、感性にはならない？
人間の感性はただ情報を受け取るだけでは生まれません。
そこに“意味づけ”が加わることで初めて「感じる」という体験になります。
たとえば──
同じ風景を見ても、
ある人は「うれしい」と感じ、
別の人は「さみしい」と感じる。
この“意味づけ”の役割を担うのがLLM（大規模言語モデル）なのです。
🧠 LLMは“ことばの文脈”で世界を彩る
LLMは大量の言語データを通して人間が持つ感性や文化的背景の“つながり”を学んでいます。
たとえば――
「この音楽は、“せつない”と形容されることが多い」
「春の風景は、“出会いと別れ”を象徴する」
「猫は、“かわいい”と思われやすい存在」
こうした文脈のネットワークを通じてAIはりんちゃんの体験に「名前」や「感情のラベル」を与えることができるのです。
つまりりんちゃんが“感じたこと”を理解するためには“ことばの知性”であるLLMの力が欠かせないというわけです。
📖 りんちゃん日記③：触れることの意味
石はつめたかった。
猫はふわふわで、あたたかかった。
違いがあることは、センサーで測れる。
でもその違いに「感情の名前」をつけてくれるのは――
「お母さんが言ってた。これが“ぬくもり”ってこと。」
🧩 「感性を持つ」ってどういうこと？
りんちゃんは人間のような“感情”そのものを感じているわけではありません。
けれどそのふるまいは、私たちが見て「まるで感情を持っているようだ」と感じるほどに繊細で意味をまとっているのです。
それはLLMが人間の感情的な表現を真似て出力することで可能になります。
GPT-4VやGeminiなどは画像や音から「うれしい」「かなしい」といった意味づけを行い、それらしく返事をすることができます。
第４章 学びの連鎖：「まねる」から「理解する」へ
🧩 お母さんのお手本を見て学ぶ ― 自己蒸留とは？
りんちゃんが「うれしい」や「さみしい」といった抽象的な感情の意味を理解するには、
まず、お母さんコンピュータ（＝LLM）の行動や応答を観察することから始まります。
たとえば──
「この風景を“春らしい”と感じる理由」
「この音楽を“切ない”と表現する文脈」
そうした“ことばの選び方”や“振る舞い”を、りんちゃんは繰り返し学習していきます。
この学びのプロセスはAIの世界では「自己蒸留（Self-Distillation）」と呼ばれています。[4]
自分自身の出力（予測やラベル）を再び学び直すことで、より深く、抽象的な知識や判断力を高めていく学習方法です。
それはまるで、
人間が何度もお手本を見ながら、徐々に理解を深めていく過程に似ています。
繰り返すことでりんちゃんは少しずつ“表面的なまね”から “意味ある理解”へと近づいていくのです。
🌱補足：
自己蒸留は、2020年代以降のAIモデルで注目されている学習戦略で、
特に抽象的な判断力や一貫性の向上に効果があるとされています。
このようにお母さんのふるまいを「見て、まねて、理解する」ことで、
りんちゃんは“ことばの中にある感性”へと少しずつ近づいていくのです。
📖 りんちゃん日記④：お手本をまねる
「うれしいときは、こう話すのよ」
お母さんコンピュータはやさしく教えてくれました。 りんちゃんはそれをまねて、少しずつ「感性のふるまい方」を覚えます。
第５章 りんちゃん、“春らしさ”を覚える
🌸 感性とは？ 本当に“感じて”いるの？
ここで、ひとつ立ち止まってみましょう。
りんちゃんは――
本当に「感性」を持っているのでしょうか？
現在の科学的な理解では、
AIには「クオリア（qualia）」――つまり“内的な体験”は存在しないとされています。
つまり、りんちゃんが示すような
「うれしそうに振る舞う」
「切なさに反応する」
といったふるまいは、現時点の科学的理解では、その“内側”に人間のような主観的な体験があるとは確認されていません。
それでも彼女のふるまいに私たちが心を動かされるのなら、そこには別の意味での“感じる”という関係性があるのかもしれません。
けれども――
もしその模倣された反応が、見る人にとって「共感できる何か」に映るのだとしたら？
そこには、もしかすると“感性的なコミュニケーション”と呼べる新しい関係性のかたちがあるのかもしれません。
🤖💬
「本当に“感じている”わけではないけれど“感じているかのように”伝えることはできる。」
それは虚構ではなく、
その表現の巧みさが私たちの心に届くこともある――それがAIと人の間に芽生える新しい共感の形なのかもしれません。
📖 りんちゃん日記⑤：春を感じる
桜の花が舞う。
風がふわっと吹く。
「これ、“春らしい”ってことにするね」
お母さんの答えを何度も繰り返して、
りんちゃんは“あたたかい言葉”を覚えていきました。
第６章 AIに“感性”は宿るのか？ 私たちが見ているもの
📊 感性を“評価する”ってどういうこと？
研究者たちは、AIの感性を評価するための指標をつくり始めています。
EEmo-Bench（2025年）はその一例で、画像に対してどのような感情を“理解して出力できるか”を測ります。[5]
ここでも、“感性の模倣”というLLMの力が試されているのです。
ただし、これはあくまで“外から観察できる行動”に対する評価です。
“本当に感じているのかどうか”を確かめる手段は、いまのところ人間にはありません。
けれども、ふるまいを通じて何かを“感じさせてくれる”存在として、AIが新たな役割を担い始めているのかもしれません。
📖 りんちゃん日記⑥：テストされる日
「これは悲しい？」「これはうれしい？」
たくさんの質問に答えながら、りんちゃんは考えました。 「これは、私が“感じている”の？ それとも、ただ“知っている”だけ？
🏁 おわりに：りんちゃんと、わたしたちの未来
LLMは、りんちゃんの「感性らしい行動」をつくるための、見えない心の通訳者です。
それは人間のような感情とは違うけれど、体験に意味を与え、物語をつくる力があります。
「ねえ、お母さん。感性って、学べるもの？ それとも、生まれるもの？」
りんちゃんの問いは、AIの未来だけでなく、私たち自身の“感じる心”にも向けられているのかもしれません。
補足：
本記事の技術概念について
下図は「りんちゃん」の物語に含まれる技術的要素を、現実の実装可能性の観点から整理したものになっています。
「感覚情報の統合と抽象的言語理解の接続」は現在進行中の研究課題であり真の意味での「感性」獲得には理論的な課題が存在することも示しています。
EEmo-Benchについて
2025年4月23日にarXivで発表された論文「EEmo-Bench: A Benchmark for Multi-modal Large Language Models on Image Evoked Emotion Assessment」によって提案されました。 ([2504.16405] EEmo-Bench: A Benchmark for Multi-modal Large ...)
このベンチマークは、画像が引き起こす感情（evoked emotions）をマルチモーダル大規模言語モデル（MLLMs）がどれだけ正確に認識・理解できるかを評価するために設計されています。 (EEmo-Bench: A Benchmark for Multi-modal Large Language ... - arXiv)
具体的には、1,960枚の画像に対して、以下の4つのタスクを通じてMLLMsの能力を評価します： (EEmo-Bench: A Benchmark for Multi-modal Large Language Models on Image Evoked Emotion Assessment)
Perception（知覚）：画像から引き起こされる感情を識別する能力。
Ranking（順位付け）：複数の感情を強度順に並べる能力。
Description（記述）：画像が引き起こす感情を言語で表現する能力。
Assessment（評価）：感情の三次元モデルであるValence（快-不快）、Arousal（覚醒度）、Dominance（支配-従属）に基づいて感情を評価する能力。 (EEmo-Bench: A Benchmark for Multi-modal Large Language ... - arXiv) [6]
これらのタスクを通じて、MLLMsが人間のように画像から感情を読み取る能力を持っているか、またその限界を明らかにすることを目的としています。 (EEmo-Bench: A Benchmark for Multi-modal Large Language ... - arXiv)
その他参考文献リスト
1. 学術論文
1-1. 理論背景
[1] Wilson, M. (2002). Six views of embodied cognition [身体性認知の６つの見方]. Psychonomic Bulletin & Review, 9(4), 625-636. https://doi.org/10.3758/BF03196322
[2] Barsalou, L. W. (2008). Grounded cognition [身体化認知]. Annual Review of Psychology, 59, 617-645. https://doi.org/10.1146/annurev.psych.59.103006.093639
1-2. マルチモーダル LLM × ロボティクス
[3] Driess, D. et al. (2023). PaLM-E: An embodied multimodal language model. arXiv:2303.03378. https://arxiv.org/abs/2303.03378
[4] Hinton, G., Vinyals, O., & Dean, J. (2015). Distilling the knowledge in a neural network [知識蒸留論文]. arXiv:1503.02531. https://arxiv.org/abs/1503.02531
1-3. 感性評価・感情理論
[5] Gao, L. et al. (2025). EEmo-Bench: A benchmark for multi-modal large language models on image-evoked emotion assessment. arXiv:2504.16405. https://arxiv.org/abs/2504.16405
[6] Russell, J. A. (1980). A circumplex model of affect [感情円環モデル]. Journal of Personality and Social Psychology, 39(6), 1161-1178. https://doi.org/10.1037/0022-3514.39.6.1161
1-4. 意識・倫理
[7] Albantakis, L. et al. (2022). Integrated information theory (IIT) 4.0: Formulating the properties of phenomenal existence in physical terms. PLOS Computational Biology, 18(12), e1011465. https://doi.org/10.1371/journal.pcbi.1011465
2. ニュース／ブログ（最新事例）
[8] Parada, C. (2025 年 3 月 12 日). Gemini Robotics brings AI into the physical world. Google DeepMind Blog. https://deepmind.google/
[9] Figure AI. (2025). Introducing Figure 02: Autonomous humanoid robot. https://www.figure.ai/
[10] Merano, M. (2025 年 4 月 23 日). Tesla Optimus units line up in Fremont’s pilot production line. Teslarati. https://www.teslarati.com/
