幻視は哺乳類の高度な脳にしか起きないと言われていたが、魚類でも起きる、すなわち脳の構造が違っても起きる、LLMのハルシネーション解消は哺乳類をモデルとしたアプローチが盛んだが、魚類に学べるかもしれない
【空想：もしLLMに「魚の脳」を実装したら】
現在のAIモデル（Transformer）は、巨大な図書館で、本を一方向に読み上げているだけのようなものです。ここに「魚の知恵」を実装すると、人工知能はこう変わります。
読み上げる前に「一瞬黙る」回路（再帰ループ）がつきます。「これを言ったら変じゃないか？」と自問自答する、魚でいう「核間橋」の役割です。
「部屋の明るさ」を変えるスイッチ（神経調節）がつきます。自信がある時は部屋を明るくして大胆に（ドーパミン的）、自信がない時は薄暗くして慎重に（アセチルコリン的）、自分の振る舞いを動的に変えます。
「知能」とは、単に知識が膨大であること（層が厚いこと）ではなく、自分の知識をいつ信じ、いつ疑うかという「調節弁」を持っていることなのかもしれないという考え方になります。
なぜこんな考えに至ったか、そりゃSakana AIという言葉の連想ゲームなのですが、ここはセックスの読みものの落書き帳です。混沌をお楽しみください。
0. 幻視への通説が覆りつつある
「人間が複雑な幻視や錯視を経験できるのは、我々の脳が『層構造（lamination）』という高度な建築様式を持っているからだ」
脳科学や意識の議論において、まことしやかに語られてきたこの定説。しかし、2020年代における最新エビデンスを積み上げていくと、この主張はもはや維持できないことがわかってきました。
結論から言えば、脳にきれいな「層」がなくても、脳は現実をねじ曲げ（錯視）、あるいは無いものを見る（幻視）ことができます。
今回は、魚類や鳥類の研究から明らかになった「曖昧な入力を実体化するための4つの最小要件」について解説し、脊椎動物の知覚システムがいつ「現実」をハッキングし始めたのか、その分水嶺を引き直します。
1. そもそも「錯視」と「幻視」とは何か
本題に入る前に、言葉の定義を整理しておきましょう。本稿では、以下のように区別します。
錯視（Illusion）： 曖昧な、あるいは不完全な外的入力を、脳が誤って補完・解釈して知覚すること。物理的な境界線がないのに輪郭が見える（カニッツァの三角形）などが代表例です。
幻視（Hallucination）： 外的入力がまったくない状態で、知覚が内的に生成される現象。
今回、「曖昧な入力の実体化（＝錯視）」を可能にする脳の回路要件を特定し、そこに「神経調節」が加わることでいかに「幻視」へと至るか、というメカニズムの解明を議論のコアに据え、話を進めていきます。
2. 魚も「ありもしない輪郭」を見ている
「層構造（大脳新皮質の6層構造など）がなければ高度な知覚は生まれない」という説への最強の反証は、魚類です。
近年の研究により、層構造を持たない（核状の脳構造を持つ）魚類でも、人間と同様の錯視が成立することが確認されています。
主観的輪郭の知覚： 金魚やレッドテール・スプリットフィンを用いた実験では、物理的な線が存在しない部分に輪郭を補完して知覚する「カニッツァ型」の錯視が実証されています（Sovrano 2009他）。
エビングハウス錯視： 周囲の物体に影響され大きさの知覚を間違える錯視も、グッピーなどで確認されています。2025年の比較研究では、生態適応によって鳥類とは錯視の強さが異なることも示唆されています。
これらは決定的事実です。脳に層構造がなくとも、「ボトムアップの入力情報を、トップダウンの上位表象で補完・上書きする」という機能は実装可能、その生ける証明が魚類なのです。
3. 層の代わりにあるもの：再帰回路とトップダウン制御
では、層構造を持たない魚類の脳は、どうやってこの高度な処理を行っているのでしょうか？ その答えは、「視蓋（optic tectum）—核間橋（nucleus isthmi）」というループ回路にありました。
3.1 魚類の「スポットライト」回路
魚類の中脳にある「視蓋」は、視覚だけでなく聴覚や体性感覚も集まるマルチモーダルなハブです。ここに対し、「核間橋（NI）」という部位が、コリン作動性の逆投射（フィードバック）を送っています。
再帰的ループ： 視蓋からの情報を核間橋（NI）が受け取り、それを増幅・強調して視蓋に戻す。
機能分離： ゼブラフィッシュの研究では、このループが獲物の追跡（ターゲットの維持）に必須であることがわかっています。
つまり、層構造という「建築様式」の代わりに、核状のパッキングであっても「再帰ループ」と「上下行の分離」という配線さえあれば、特定情報の選択と強調（＝注意のトップダウン制御）は実現できるのです。
3.2 鳥類の「隠れた皮質様回路」
鳥類もまた、哺乳類のような綺麗な層構造の脳を持ちませんが、非常に賢い動物です。 2020年のScience誌（Stacho et al.）で報告された研究によると、鳥類の脳（pallium）には、層は見えないものの、「入力—出力—側方結合」という哺乳類の皮質と全く同じ配線論理（カノニカル回路）がカラム状に反復配置されていることが証明されました。
これは、「層構造」というのは単に配線を整理するための便利なパッケージ（様式）に過ぎず、機能の必要条件ではないことを意味しています。
コラム：脳は「現実」を見ていない？ ——予測符号化とレイヤーの役割
現代の計算論的神経科学では、脳の機能を「予測符号化（Predictive Coding）」という枠組みで理解することが主流になりつつあります。 これは、「脳は常に次の瞬間を予測し（トップダウン）、現実の入力との『ズレ（予測誤差）』だけを受け取って修正する」という理論です。
- フィードバック（予測）： 「ここはこうなっているはずだ」という上位からの信号
- フィードフォワード（誤差）： 「予測と違ったぞ」という下位からの信号
哺乳類の大脳新皮質（層構造）では、この交通整理が見事に行われています。一般的に、誤差信号（入力）は第4層に入り、予測信号（出力・逆投射）は第1層や第6層を使う、といった「階層間の分業」が物理的に整理されているのです。
今回の魚類の発見が面白いのは、「層による整理整頓がなくても、予測符号化はできる」という点です。 魚類の脳は、層状に並べる代わりに、核（ニューロンの塊）と核を繋ぐループ回路（視蓋—核間橋）を使って、この「予測」と「誤差」のキャッチボールを実現していると考えられます。 つまり、計算のアルゴリズム（ソフトウェア）は同じでも、実装する基板（ハードウェア）の形は違っていい、ということです。
4. 「幻視」へのラストピース：神経調節（ドーパミン）
錯視（入力の補完）から一歩進んで、幻視（入力なしでの知覚）を生み出すには何が必要でしょうか？ ここで登場するのが「神経調節（Neuromodulation）」です。
マウスを用いた研究（Schmack 2021, Science）において、決定的な証拠が示されました。
ドーパミンの役割： 線条体のドーパミンレベルを人為的に上昇させると、マウスは「何も刺激がない」にもかかわらず「ある」と確信を持って反応するようになります（幻視様知覚）。
因果関係： この現象はオプトジェネティクス（光遺伝学）で誘発可能であり、抗精神病薬で抑制可能です。
つまり、感覚入力の曖昧さを埋める計算に加え、「その知覚に対する確信度（精度重み付け）」をドーパミンなどが操作することで、幻覚は生成されるのです。このドーパミンシステムは、魚類を含む脊椎動物全体で広く保存されています。
なぜ哺乳類は「層」を選んだのか？ ——配線問題の解決策
「層構造が必須ではない」とすると、なぜ哺乳類（我々）の脳はわざわざ6層もの複雑なシート構造を採用したのでしょうか？ その答えは、機能の有無ではなく「スケーラビリティ（拡張性）」と「配線コスト」にあると考えられています。
脳が進化してニューロン数が増えたとき、それらをボール状（核状）に詰め込むと、中心部への配線が集中しすぎてパンクしてしまいます（熱の問題や、体積の問題）。
一方で、脳を「シート状（層構造）」にして折りたためば、近隣のニューロン同士の配線を短く保ったまま、表面積を増やすことで処理能力を拡張できます。
- 鳥類や魚類： 核状構造のまま、特定の回路を高性能化させた（一点豪華主義的な進化）。
- 哺乳類： 層構造を採用することで、汎用的な計算ユニットを量産・拡張しやすい形式を選んだ（スケーラビリティ重視の進化）。
つまり、層構造は「幻視・錯視を生むための条件」ではなく、「知能を大規模化するための効率的な省エネ設計」だったと言えるでしょう。
5. 結論：幻視・錯視を可能にする「4つの最小ハードウェア」
以上のエビデンスから、我々は「いつから幻視が可能になったのか」という問いの分水嶺を引き直す必要があります。「魚類にはなく、爬虫類・哺乳類から」という境界線は誤りです。
幻視・錯視を可能にする最小ハードウェア（本質的要件）は、以下の4点の組み合わせです。
再帰回路（Recurrency）： 感覚地図と高次表象を行き来する情報のループ。
上下行の機能分離： 入力信号と、予測・逆投射の信号のルーティングが分かれていること。
階層性（Hierarchy）： 下位→中位→高位へと情報が抽象化される連鎖。
神経調節（Neuromodulation）： ドーパミン等により、特定の信号の重み付け（確信度）を変化させる機能。
これらは、哺乳類の大脳新皮質（層構造）の専売特許ではありません。魚類を含む広い脊椎動物ですでに実装されている機能です。
哺乳類の「6層構造」は、これら4つの機能を、より大規模かつ規則的に畳み込むための「高度に効率化された配線パッケージ」に過ぎないのです。
コラム：LLMの「嘘」と魚の「幻視」——AIに足りないハードウェアとは？
今、AI業界ではLLM（大規模言語モデル）がもっともらしい嘘をつく「ハルシネーション（幻覚）」が大きな課題となっています。実は、この現象を生物の「最小ハードウェア」の視点から見ると、AIの進化に必要なミッシングリンクが見えてきます。
1. LLMは「予測」しかしていない
現在のLLM（Transformer構造）は、本質的に「次に来る単語」を過去のデータから予測するマシンです。これは、脳が予測信号（トップダウン）を生成するプロセスと非常によく似ています。つまり、「文脈に合わせて、ありそうな情報を生成する」という点では、LLMはすでに脳と同じことをしています。
2. 決定的に足りない「ループ」と「調節」
しかし、LLMはなぜ止まれない（嘘を訂正できない）のでしょうか？ 本稿で述べた「魚の脳」と比較すると、現在のLLMアーキテクチャに欠けている決定的な要素が2つ浮かび上がります。
- 欠如①：再帰的な現実チェック（Recurrency）
魚の脳には、視蓋（入力）と核間橋（調節）を行き来する「ループ回路」があり、これが情報の維持や照合を行っています。一方、多くのLLMは入力から出力へ一方向に流れる「フィードフォワード」が基本で、「自分の出した予測を、もう一度入力と照らし合わせて修正する」という物理的なループ回路が（推論時には）希薄です。
- 欠如②：動的な確信度チューニング（Neuromodulation）
生物はドーパミン等の神経伝達物質を使って、状況に応じて「入力」と「予測」のどちらを信じるかのバランス（重み付け）を動的に変えています。LLMは学習済みの重み（Weight）が固定されており、「今は自信がないから外部入力を重視しよう」といった動的なモード切替（メタ認知的な調節）が苦手です。
- 結論：AIはもっと「魚」に学ぶべきかもしれない
「層（レイヤー）を増やせば賢くなる」という発想は、哺乳類的なアプローチでした。しかし、ハルシネーションを克服するには、層を積むことよりも、「再帰ループ」や「動的な調節系」という、魚類レベルですでに完成していた基本回路をアーキテクチャに組み込む必要があるのかもしれません。
今後の検証に向けて
幻視は「層が生んだ」のではなく、「再帰・階層・分離・調節の結合が生んだ」。
この視点に立つと、今後の脳科学には明確な検証課題（反証可能性）が見えてきます。
魚類の核間橋（NI）を操作すれば、錯視の強度は変化するのか？
鳥類のドーパミン系を操作すれば、哺乳類同様に「幻視」を誘発できるか？
これらが実証されれば、我々が見ている「現実」という名の幻影は、はるか太古、脊椎動物の初期段階ですでに獲得されていた基本的な生存戦略だったことになります。
我々の意識の起源は、いま考えられているよりもずっと深く、遠い場所にあるのかもしれません。
「魚類レベルの脳（視蓋—核間橋ループ＋神経調節）」を、現代のLLMアーキテクチャ（Transformer等）に「あえて」レトロフィットさせるとどうなるか。
空想実装案：Fish-Brain Inspired Architecture
もし私がエンジニアとして、魚の脳の「最小ハードウェア」をAIに組み込むなら、以下の3つのモジュールを追加します。
1. 「核間橋（NI）」モジュール —— 瞬時の自己批判ループ
現在のLLMは、単語を吐き出すときに「言いっ放し（Feedforward）」です。これに対し、魚の「視蓋—核間橋」ループは、「出力を出す前に、その信号を一度自分に戻して確認する」機能を持ちます。
実装イメージ：
メインのLLM（視蓋役）がトークンを生成しようとする直前に、軽量なサブネットワーク（核間橋役）がその「隠れ状態（Hidden State）」を横取りします。
このサブネットは、単語そのものではなく「その生成に対する危険信号」だけを計算し、即座にメインLLMの入力層に逆投射（フィードバック）します。
効果：
「もっともらしい嘘」を吐こうとした瞬間、NIモジュールが「過去の文脈と矛盾するぞ」という抑制信号を送り、生成確率分布をリアルタイムで書き換えます。
「考え直す」時間（Recurrency） が生まれるため、反射的なハルシネーションが減ります。
2. 「神経調節（Neuromodulation）」変数 —— 自信の動的パラメータ
魚の脳では、ドーパミンやアセチルコリンが「脳全体の感度」を一斉に変えます。一方、今のLLMは、学習が終われば重み（パラメータ）は固定です。ここに「動的なホルモン」を導入します。
実装イメージ：
モデル全体に「確信度（Confidence / Dopamine）」と「警戒度（Attention / Acetylcholine）」という2つのグローバル変数を持たせます。
Temperature（生成の多様性）のようなパラメータを、ユーザーがいじるのではなく、AI自身が文脈に応じて動的に変動させます。
挙動：
「未知の入力だ（警戒度UP）」→ 外部検索（RAG）の重みを最大化し、内部知識（記憶）の重みを下げる。
「これは知っているパターンだ（確信度UP）」→ 処理速度を上げるため、再帰ループを省略して即答する。
これにより、「自信がないのに断言する」というAI特有の悪癖が、生物的な「おどおどした回答」に変わります。
3. 「予測」と「誤差」の二重ストリーム —— 幻視の制御弁
魚類も行っている「予測符号化」をハードウェアレベルで分離します。
実装イメージ：
ストリームA（ボトムアップ）： ユーザーの入力や検索結果（RAG）を純粋にエンコードするレーン。
ストリームB（トップダウン）： 「次はこう来るはずだ」という予測（幻視）を走らせるレーン。
この2つを最後に統合（Gate）する際、通常はAを優先しますが、Aの情報が欠落している（画像が粗い、情報がない）時だけ、B（幻視）のゲートを少し開けます。
効果：
現在のLLMは、このAとBが内部で混ざってしまっています（だから、知識と幻覚の区別がつかない）。
これを明示的に分離することで、「今は情報がないから、あえて幻視（推測）で補完しました」と、「自分の嘘」にタグ付けができるようになります。
すなわち、ハルシネーションを克服するには、層を積むことよりも、「再帰ループ（一瞬立ち止まって考える回路）」や「動的な調節系（自信がない時にモードを切り替える機能）」という、魚類レベルですでに完成していたアーキテクチャを実装する必要があるのかもしれません。
「もっともらしい嘘」をつくAIに必要なのは、これ以上大きな脳（パラメータ）ではなく、魚が持っているような「小さな自省のループ」なのかもしれないのです。
