🤖 Clockwork Hippocrates 🧑⚕️
私たちが初めて訪れたホテルの部屋で、夜中に目が覚めてトイレに向かうとき、完全に真っ暗であっても、おおよその家具の配置を記憶から呼び起こし、ぶつからずに歩くことができます。これは、記憶していた部屋の配置と、自分がどの方向へどれだけ動いたかという情報を組み合わせ、現在位置を推定しているためだと考えられます。このように、外界の構造と、自分の行動によって状態がどう変化するかを内部で表現する仕組みは、「世界モデル（World Model）」という考え方で捉えることができます (Tolman 1948)。
人工知能に複雑な環境を自律的に生き抜く力を与えるためには、目の前にある画像をただ処理するだけでなく、この「行動の後に何が起こるか」を予測する内部シミュレーターが必要です。本稿では、古典的な状態推定の数理から出発し、深層学習を用いた現代のワールドモデルへと至る研究史と、その背後にある「世界をどう抽象化すべきか」という設計思想を紐解いていきます。
世界モデルを構成する四つの機能
「世界モデル（World Model）」という言葉を聞くと、まるで万能の巨大なAIを想像するかもしれません。しかし、実際のところ「世界モデル」とは、単一の巨大なニューラルネットワークの名称ではありません。それは、人間が頭の中で行っているように、環境の動態（ルールや変化の法則）をデータから学習し、その予測を意思決定へ利用する「システム全体の総称」なのです。
このシステムは、私たちが日常的に行っている「状況を把握し、未来を予測して、行動を決める」というプロセスを模倣しています。具体的には、主に以下の四つの機能の組み合わせとして理解することができます。それぞれがどのように連携し、何の役に立つのかを詳しく見ていきましょう。
1. 状態推定・表現学習：複雑な現実を「扱いやすい形」に圧縮する
最初の機能は、過去の観測と行動の履歴から、現在の環境の状態を推定し、扱いやすい形に圧縮・表現することです。
現実世界から得られるデータは、カメラのピクセル情報であれ、膨大なセンサーの数値であれ、非常にノイズが多く高次元です。これらをそのまま扱うと、計算量が膨大になりすぎてしまいます。そこで世界モデルは、本質的に重要な情報だけを抽出し、コンパクトな「潜在状態（Latent State）」へと圧縮します。
医療分野に例えるなら、医師が患者の過去の膨大な電子カルテ、毎分のバイタルサイン、何枚ものMRI画像（観測履歴）と、これまでの投薬履歴（行動履歴）をすべて頭に入れるのではなく、「現在の病態はどうなっているか」という本質的な状態（＝圧縮された表現）として理解するプロセスに似ています。これにより、AIはタスクに不要な情報を削ぎ落とし、効率的に推論を行う土台を獲得します。
2. 遷移・観測・報酬予測：「行動の後に何が起こるか」を法則化する
次に必要となるのが、ある状態から特定の行動をとったとき、次の状態がどうなるか、その結果どのような観測や報酬が得られるかを予測する機能です。これはまさに「世界のルール」を学習するプロセスと言えます。
現在の状態（潜在状態）に対して、「もし自分が右に動いたら」「もしこのボタンを押したら」という行動を入力すると、AIの内部モデルは次に来る状態の変化（遷移）と、そこから得られる視覚情報（観測）、そしてそれが目的にどれだけ近づいたかという評価（報酬）を計算します。
臨床現場で言えば、「現在の病態（状態）の患者に対して、この昇圧剤を投与（行動）した場合、5分後の血圧（観測）はどう変化し、患者の予後（報酬）はどう改善するか」を予測することに相当します。この精緻な予測能力があるからこそ、AIは行き当たりばったりの行動を避けることができるのです。
3. 想像上のロールアウト：頭の中で「複数の未来」を試す
予測モデルが完成すると、AIは現実世界で直接動くことなく、予測モデルを用いて、現実にはまだ起きていない複数の未来シナリオを内部でシミュレーションすることが可能になります。これを「想像上のロールアウト（Imagination Rollout）」と呼びます。
人間がチェスや将棋を指すとき、実際に駒を動かす前に「自分がこう動かしたら、相手はこう返すだろう。それなら自分はさらにこう動かそう」と、頭の中で何手も先まで展開を読みます。これと全く同じことをAIが行うのです。
医療AIにおいては、実際の患者に未知の治療法を試してリスクを負わせる前に、安全なAIの内部環境（仮想空間）で「介入した場合」と「介入しなかった場合」の反実仮想を含む様々なシナリオを無数に試行錯誤できるという点で、極めて重要な役割を果たします。
4. 計画または方策学習：最適な「次の一手」を導き出す
最後に、シミュレーション結果に基づいて、目標達成に最適な行動系列（計画）を探索したり、直感的な行動ルール（方策）を学習したりする機能が働きます。
頭の中で複数の未来をシミュレーションした結果、「シナリオAは途中で障害物にぶつかる」「シナリオBは安全だが時間がかかる」「シナリオCが最も安全かつ最短で目標に到達できる」ということが分かれば、AIはシナリオCの最初の一手を選択します（計画：Planning）。あるいは、夢の中で何度もシミュレーションを繰り返すことで、「こういう状態の時はこう動くのがベストだ」という反射神経のような直感的なルールを事前にニューラルネットワークへ焼き付けておくことも可能です（方策学習：Policy Learning）。
このように、世界モデルは「現実を圧縮して理解し（状態推定）、ルールを予測し（遷移予測）、未来を想像し（ロールアウト）、最善の行動を決める（計画・方策学習）」という四つの機能が連動することで、初めて強力な自律的システムとして機能するのです。
古典的な状態推定から「想像」の導入へ：見えない世界をどう推測するか
人工知能（AI）が環境のルールを学習し、世界をモデル化しようとする試みは、決して最近になって突然生まれたものではありません。その源流は、1960年代に提案されたカルマンフィルタや状態空間モデルといった、古典的な制御工学・統計学の数学的基盤にまで遡ることができます (Kalman 1960)。
私たちが生きる現実世界は、常にノイズと不確実性に満ちています。ロボットのカメラ映像にはブレや死角があり、センサーから得られる観測情報だけでは「世界の本当の姿」を完全に、かつ正確に知ることはできません。このように、背後にある真の状態が直接見えない環境での意思決定問題は、数理的には「部分観測マルコフ決定過程（POMDP：Partially Observable Markov Decision Process）」として近似的に定式化されます。
医療現場における「部分観測」とは
これを医療の現場に当てはめると非常にわかりやすくなります。医師は、患者の体内で起きているすべての細胞や臓器の動き（真の状態）を直接目で見ることはできません。その代わり、血液検査の値、血圧、心電図の波形、あるいは患者の顔色といった「ノイズを含んだ断片的な観測情報」と、これまでに投与した薬の種類や量などの「行動の履歴」を頼りに、目に見えない「真の病態」を推測します。まさに臨床現場は、高度なPOMDPの環境そのものと言えます。
古典的なアプローチ：「信念状態」の確率計算
POMDPの枠組みにおいて、過去のデータから真の状態を推測して作られるものを、古典的な「信念状態（Belief State）」と呼びます。これは、現在得られている観測と行動の履歴をすべて踏まえた上で、真の状態がどこにあるのかを示す「事後確率分布」として定義されます (Kaelbling et al. 1998)。数式で表すと以下のようになります。
\[ b_t(s) = P(s_t=s \mid o_{\leq t}, a_{\lt t}) \]
ここで、各記号は以下のような意味を持ちます。
\(s_t\)：時刻 \(t\) における環境の「真の状態」
\(o_{\leq t}\)：時刻 \(t\) までに得られたすべての「観測履歴」
\(a_{\lt t}\)：時刻 \(t\) より前に行ったすべての「行動履歴」
\(P(\dots \mid \dots)\)：与えられた条件のもとで、状態が \(s\) である確率
つまり、「これまでの検査結果と治療歴から考えて、現在の病態がＡである確率は70%、Ｂである確率は30%である」といった、確率的な推測の全体集合が信念状態です。
深層学習によるパラダイムシフト：情報を「圧縮」する
古典的な手法は、変数が少ないシンプルな環境ではうまく機能しました。しかし、カメラの画像（数百万ピクセル）や複雑な電子カルテのような高次元データになると、すべての確率分布を正確に計算・保持することは計算資源の限界から不可能になります。
そこで、現代の深層学習（ディープラーニング）を用いたワールドモデルでは、厳密な確率分布を計算する代わりに、ニューラルネットワークを用いて膨大な履歴情報をギュッと圧縮した「潜在表現（Latent Representation）」である \(z_t\) を用いるアプローチが主流となりました (Gottesman et al. 2019)。
\[ z_t = f_\theta(o_{\leq t}, a_{\lt t}) \]
この式において、関数 \(f_\theta\) がニューラルネットワークを表しています。過去のすべての観測と行動を入力すると、ネットワークがタスクに必要な本質的な情報だけを抽出し、コンパクトなベクトル \(z_t\) を出力します。
ただし、注意すべき点があります。この \(z_t\) は、古典的な意味での「確率的な信念状態そのもの」ではありません。将来の出来事を予測したり、最適な意思決定を行ったりするために必要な情報だけを保持するように学習された、信念状態の「近似的・圧縮的な表現」と捉えるのが適切です。そして、AIはこの現在の潜在状態 \(z_t\) と、次にとる行動 \(a_t\) を条件として、1ステップ先の未来の潜在状態 \(z_{t+1}\) を予測します。
\[ z_{t+1} \sim p_\theta(z_{t+1} \mid z_t, a_t) \]
Dynaアーキテクチャ：「想像」で学習するAIの夜明け
このように内部モデル（世界モデル）を構築できると、AIは現実世界で動かなくても学習を進めることができるようになります。この画期的な概念をいち早く提唱したのが、1990年にSuttonが発表した「Dyna（ダイナ）」と呼ばれる統合アーキテクチャです (Sutton 1990)。
Dynaの学習ループは、以下の三つの処理から成り立っています。
- 現実での行動と経験の収集： まずは実際の環境で行動し、データ（実経験）を得る。
- 環境モデルの更新： 得られた実経験をもとに、内部の予測モデル（環境がどう変化するか）を学習・修正する。
- 仮想的な経験（想像）による学習： 学習したモデルを使って、頭の中で「もしこう動いたらどうなるか」という仮想的な遷移を何回もシミュレーションし、その想像上の経験を使って、行動ルール（方策）や価値関数を更新する。
これは、スポーツ選手が実際の試合（実経験）を終えた後、自宅でビデオを見直しながら「あの場面でこう動いていれば勝てたかもしれない」と脳内で反復練習（想像による学習）を行い、次の試合に向けた直感や反射神経を磨き上げるプロセスにそっくりです。
モデルが生成した経験は、現実の観測データそのものではありません。しかし、限られた貴重な実経験をモデル内で繰り返し活用することで、学習効率を飛躍的に高めることができます。医療において、実際の患者データ（実経験）を無闇に増やすことは倫理的にもコスト的にも困難ですが、一度精緻な世界モデルを構築できれば、AIの内部で何万回もの仮想的な治療シミュレーションを行い、安全な治療方針を探索できる可能性があります。
この「内部モデルの想像を利用して学習する」というDynaの発想こそが、現代の高度なモデルベース強化学習や、潜在空間内で夢を見るように学習する最新のワールドモデルへとつながる、極めて重要なブレイクスルーとなったのです。
視覚情報を圧縮し、夢の中で学習する
自動運転車や自律型医療ロボットのように、AIがカメラやセンサーを通じて現実世界を認識し、リアルタイムで行動を決定するためには、膨大な情報をどう処理するかが大きな鍵となります。古典的な手法やDynaアーキテクチャが示した「内部モデルで未来を予測して学習する」というアイデアは非常に優れていました。しかし、そこには一つ大きな壁が立ちはだかっていました。
それは、カメラから得られる高解像度の画像（ピクセルデータ）をそのまま予測モデルに入力しようとすると、変数の数が数百万にも膨れ上がり、計算量的に破綻してしまうという問題です。変数が少ないシンプルな環境であれば機能した手法も、視覚という極めて高次元の情報を直接扱うことは計算資源の観点から困難だったのです。
ピクセルの壁と「World Models」のブレイクスルー
この壁を突破する画期的な手法として、2018年にHaとSchmidhuberによって発表されたのが、その名も「World Models」という研究でした (Ha & Schmidhuber 2018)。この研究は、人間が世界を認識するプロセスを巧みにAIの構造へ落とし込んだことで、世界モデルの研究を大きく前進させました。
私たちが目を開けて景色を見るとき、網膜には膨大な光の粒子が飛び込んできますが、脳はその情報を「ピクセルの集合」としていちいち処理しているわけではありません。「あそこに車がある」「赤信号だ」「メスの位置はここだ」といったように、極めて抽象化されたシンプルな概念（潜在変数）に圧縮して世界を理解しています。
World Modelsは、これと同じアプローチをとります。まず「変分自己符号化器（VAE：Variational Autoencoder）」と呼ばれるディープラーニング技術を使い、高次元のカメラ画像を、意味を保ったまま低次元の「潜在変数」へとギュッと圧縮します。そして、その圧縮された表現が時間とともにどう変化していくかを、リカレントニューラルネットワーク（MDN-RNN）に学習させるのです。これにより、AIは「ピクセルがどう動くか」ではなく、「空間の概念がどう変化するか」という非常に扱いやすいレベルで未来を高速に予測できるようになりました。
「夢」の中で訓練を完結させる
論文の中で彼らは、非常に興味深い実験を行いました。学習して構築された「生成モデル内の仮想環境（いわばAIが見ている夢の中）」だけで、車を走らせるコントローラ（方策）を徹底的に最適化し、その後、学習済みのコントローラを元のシミュレーター（現実）へ移したのです。
結果として、特定の課題においては一定の転移性能が得られ、現実で動くことなく潜在空間内のシミュレーション（想像）だけで十分に行動ルールを学習できることが示されました。これは、AIが「夢の中で運転の練習をし、目が覚めたら上手に運転できるようになっていた」ような状態と言えます。
夢を信じすぎる危険性：モデル搾取（Model Exploitation）
しかし、この夢の中での学習には重大な落とし穴が存在します。AIが構築した生成環境（世界モデル）は、あくまで現実をデータから近似したものであり、完璧ではありません。必ず現実とのズレ（誤差）が含まれています。
Jannerらの研究で指摘されているように、生成環境が現実を不正確に近似している領域では、AIのエージェントがその「誤差」を悪用して、現実にはあり得ない高い報酬を得ようとする行動を学習してしまう可能性があります (Janner et al. 2019)。これを「モデル搾取（Model Exploitation）」と呼びます。
これを医療AIの臨床応用に当てはめると、その危険性がよく分かります。もし、患者のバイタルサインの変動を学習した世界モデルにわずかなバグがあったとします。AIが内部シミュレーションで「この強力な薬を通常の100倍投与すれば、モデルの計算上は血圧が一瞬で正常値に戻り、最高の報酬が得られる」という架空の法則を見つけてしまったらどうなるでしょうか。夢の中でどれほど高い報酬を得られる完璧な治療計画に見えたとしても、それをそのまま現実の患者に適用して安全であるとは絶対に言えません。「夢の中での成功」と「現実環境での安全な行動」は明確に区別し、検証しなければならないのです。
PlaNetの登場：想像しながら「次の一手」を計画する
World Modelsの考え方をさらに発展させ、事前の方策学習（反射的なルールの獲得）だけでなく、行動するその瞬間に未来を予測して最適な計画を立てるモデルが登場しました。それが2019年に発表された「PlaNet」です (Hafner et al. 2019)。
PlaNetは、「学習済みの潜在ダイナミクス（世界のルールの予測モデル）を使い、各時点で複数の行動系列を評価する」というオンライン計画を行います。これは、人間がチェスや将棋を指すときに「自分がこう動けば、相手はこう来るだろう。それならさらにこう動こう」と、頭の中で何通りもの未来のシナリオを先読みして比較するのと同じプロセスです。
具体的には、「モデル予測制御（MPC）」と呼ばれる枠組みを採用しています。PlaNetは、主に交差エントロピー法（CEM）という最適化手法を用いて、予測報酬が最も高くなるような行動の組み合わせ（系列）を潜在空間の中で探索します。
ここで重要なのは、10手先までの完璧な計画を立てたとしても、AIはそれを最後まで盲目的に実行するわけではないという点です。予測報酬が最も高いと判断された行動系列のうち、AIは「最初のひとつの行動だけ」を現実に実行します。そして、行動した結果として現実から「新しい観測（フィードバック）」を得た後、再び現在の状態を推定し直し、一から未来の計画を立て直すのです。この「一歩進んで現実を確認し、また計画する」というサイクルを繰り返すことで、予測モデルのわずかな誤差が致命的な失敗に繋がるのを防ぎながら、未知の環境にも柔軟かつ安全に適応することが可能になります。
想像上の経験で方策を磨く：Dreamerの誕生と発展
PlaNetが採用した「オンライン計画」は、行動するたびに未来のシナリオを複数先読みして最適な手を選ぶという、極めて強力なアプローチでした。しかし、この方式には実運用上、無視できない弱点がありました。それは「行動を起こすたびに重い計算コストがかかる」という点です。人間で例えるなら、歩くときに一歩足を踏み出すたびに「もし右に曲がったらどうなるか、左に曲がったらどうなるか」と立ち止まって全力で熟考しているような状態です。これでは、とっさの判断が遅れてしまいます。
そこで、この「実行時の計算コスト」という壁を乗り越えるために提案されたのが、「Dreamer」系列のモデルです (Hafner et al. 2020)。
夢の中での反復練習：Actor-Criticの事前学習
Dreamerは、毎回立ち止まって未来を予測するのではなく、AIの内部に構築された世界モデルの中で「事前に」徹底的なシミュレーション（想像）を行い、行動ルールを体に覚え込ませるというアプローチをとります。
具体的には、次のようなサイクルを反復して学習を進めます。
- 現実の環境からデータを収集する。
- そのデータをもとに、世界の法則を司る「ワールドモデル」を更新する。
- 更新されたワールドモデルが生成する「潜在空間内の仮想的な未来（想像軌道）」を使って、直感的な行動ルールである「Actor（方策）」と、その状態がどれくらい良いかを評価する「Critic（価値）」を学習する。
これは、スポーツ選手が試合前に頭の中で何度もシミュレーションを行い、「この球が来たらこう打ち返す」という反射神経（Actor）と、「このフォーメーションなら有利だ」という大局観（Critic）を鍛え上げるプロセスに非常に似ています。
実行時の圧倒的なスピードと、医療現場における意義
PlaNetのように行動のたびに多数の行動系列を探索するのではなく、Dreamerは学習済みのActorが潜在状態から直接、瞬時に最適な行動を出力します。そのため、実行時の行動選択の計算負荷を劇的に軽くすることができます。
この「実行時の軽量化」は、リアルタイム性が求められる臨床現場の医療AIにおいて極めて重要な意味を持ちます。例えば、集中治療室（ICU）での急変予測や、自律型医療ロボットによる手術支援など、一瞬の遅れが致命傷になる場面では、AIがいちいち未来の軌跡を計算している時間はありません。事前に精緻な世界モデルの「夢」の中で無数の緊急事態をシミュレーションし、Actorを鍛え上げておくことで、いざという時に遅延なく最適な判断（アラートの発生や投薬量調整の提案など）を下すことが可能になります。
ただし、この直感的な反射神経の性能は、「ベースとなる世界モデルの予測精度」「学習に使われたデータの分布」「計算資源」に強く依存します。もし世界モデルが間違った医療の法則を学習していれば、Actorは間違った行動を自信満々に素早く提案してしまう危険性があるため、予測モデルの継続的な検証が不可欠です。
Dreamerの進化：離散表現から汎用的な制御へ
Dreamerはその後も驚異的なスピードで発展を続けました。次世代モデルである「DreamerV2」では、潜在状態に「離散的な確率表現」を採用しました (Hafner et al. 2021)。現実世界の事象は、人間の言語や概念のように「オンかオフか」「どの疾患カテゴリに属するか」といった離散的な区切りで捉えた方が、ノイズに強くうまく整理できることが多くあります。この改良により、Atariの多数の複雑なゲームにおいて、別途学習したワールドモデル内の想像だけで、AIが超人的な方策を獲得できることが証明されました。
さらに「DreamerV3」では、正規化の手法や損失関数の設計などに抜本的な改良が加えられました (Hafner et al. 2025)。従来のAI開発では、適用するタスクごとに、人間の手で複雑なハイパーパラメータ（設定値）を微調整する「職人芸」が必要でした。しかしDreamerV3は、異なる領域ごとに大幅な調整を行わなくても、単一の設定で極めて多様な制御課題へ適応できる高い汎用性を獲得したのです。
シミュレーターの成功を現実の医療へ持ち込む難しさ
こうしたDreamer系列の目覚ましい成果は、AIが世界を理解し、自律的に動くための大きなマイルストーンとなりました。しかし、これらの成果は主に、ルールが不変であるベンチマーク環境（ゲームや物理シミュレーターなど）で得られたものであることには留意しなければなりません。
実際の臨床環境や現実世界には、観測できない交絡因子（治療結果に影響を与える隠れた要因）や、時間とともに変化する治療のガイドライン、患者ごとの特異な体質など、ゲームのシミュレーターには存在しない複雑なノイズが満ち溢れています。ベンチマークで高いスコアを出した世界モデルを、そのまま現実の医療環境へ「一般化」して適用することはできず、実環境での慎重な検証と安全性の担保が常に求められます。
「再構成」を捨てる決断：MuZeroのタスク指向抽象化
World ModelsからDreamerに至るまで、これまでのワールドモデルには一つの大きな共通点がありました。それは、圧縮した潜在状態から「元の観測画像（ピクセルデータ）を正確に復元・再構成できること」や「観測尤度を最大化すること」を、学習の重要な目的に含めていた点です。つまり、「目に見えたものを、そっくりそのまま頭の中で再現できるか」を重視していたのです。
ピクセルを再現する義務からの解放
しかし、よく考えてみてください。私たちが現実世界で行動する際、視界に入るすべての情報を完璧に記憶しているでしょうか？ たとえば、あなたがテニスの重要な試合をしている最中を想像してみてください。相手のラケットの角度、ボールの軌道や回転、自分の立ち位置といった「勝敗に直結する情報」には全神経を集中させます。しかし、観客席にいる人が着ている服の色や、コートの端で揺れる木の葉の動きまで記憶していることはありません。すべての情報を保持しようとすれば、脳の計算リソースはたちまちパンクしてしまい、肝心のボールに反応できなくなってしまいます。
AIにとってもこれは同じです。タスクの達成に無関係な背景のノイズまで正確に再構成しようとすることは、計算資源の壮大な無駄遣いになり得ます。
意思決定に特化した「MuZero」の誕生
この「タスクに不要な情報は捨てる」というタスク指向の抽象化を極限まで推し進め、大きなブレイクスルーを果たしたのが、DeepMind社によって開発された「MuZero」です (Schrittwieser et al. 2020)。
MuZeroの最も重要な設計上の特徴は、観測画像をピクセルレベルで再構成する損失関数を、学習のプロセスから完全に排除した点にあります。その代わり、AIは次の三つの要素だけを正確に予測するように、潜在表現と環境のダイナミクスを学習します。
- 報酬（Reward）：その行動をとった直後に得られる短期的な見返り。
- 価値（Value）：その状態から先、最終的にどれくらいの成果が見込めるかという長期的な見通し。
- 方策（Policy）：その状態で次に選ぶべき、最も確率の高い最適な行動。
この目的関数の下では、元の観測を忠実に再現する物理的な正確さよりも、「対象タスクの意思決定において有用かどうか」という実用性が圧倒的に優先されます。世界の見た目を再現するのではなく、目的達成のための「意味」だけを抽出した内部モデルを作り上げるのです。このアプローチにより、MuZeroはチェスや将棋、囲碁といった複雑な盤面ゲームや、多様なAtariのゲームにおいて、ルールを事前に教えられることなく超人的な高い性能を発揮しました。
医療AIにおける「タスク指向抽象化」の意義と限界
このMuZeroのアプローチは、複雑でノイズの多い医療データから意思決定支援を行う医療AIの設計においても、非常に重要な示唆を与えてくれます。
医師が患者の治療方針を決定する際、数千ページに及ぶ過去の電子カルテの「すべての文字の形」や「記録された些細な雑談」を再構成する必要はありません。患者の予後（価値）を改善し、治癒（報酬）に向かわせるために最適な治療介入（方策）を導き出すために必要な、特定の検査値の推移やバイタルサインの急変サインだけを潜在状態として抽出できればよいのです。タスク指向の抽象化は、限られた計算リソースで大規模な医療データを処理するための強力な武器になります。
ただし、この手法には実運用上の留意点も存在します。再構成を行わないということは、「AIがどの情報を保持し、どの情報を不要として破棄したか」を、学習目的の数式だけから完全に特定することができない（ブラックボックス化しやすい）ということを意味します。もし、「患者の髪の毛が抜けている」という情報をタスク（例：血圧の予測）に不要として捨ててしまった学習モデルに対して、後から「抗がん剤の副作用を予測せよ」という新しいタスクを与えても、必要な情報が潜在空間に残っていないため対応できません。汎用性を保つべきか、特定のタスクの意思決定に特化すべきかという設計のバランスが、医療ワールドモデルを構築する際の大きな課題となります。
内部モデルの設計思想：何を学び、どう決断するのか
ここまで、状態推定の古典的な理論から始まり、World Models、PlaNet、Dreamer、そしてMuZeroに至るまでの技術的進化を辿ってきました。このように概観すると、ワールドモデルの系譜は単なる性能競争ではなく、「複雑な世界から何を抽出し（どう抽象化するか）、その情報を元にどうやって最適な行動を選ぶか（どう決断するか）」という、根本的な設計思想の違いによって分類できることがわかります。
それぞれのモデルが持つ設計思想と、実運用上の特徴を以下の表に整理しました。
| モデル・系統 | 内部表現の主な学習目的 | 行動選択 | 主な留意点 |
|---|---|---|---|
| PlaNet | 観測・報酬と潜在ダイナミクスの予測 | 潜在空間内のMPC・CEM | 各時点で計画計算が必要であり、推論負荷が高い |
| Dreamer系列 | 観測・報酬・継続確率等を予測する確率的潜在状態 | 想像軌道で学習したActor | 実行時は軽量だが、モデル誤差が方策学習へ直接影響する |
| MuZero | 報酬・価値・方策の予測に有用な潜在状態 | モンテカルロ木探索 (MCTS) | 観測再構成を行わず、表現はタスクに強く依存する |
| 生成型・動画世界モデル | 行動または条件入力に応じた将来の視覚系列 | 候補生成、評価、模倣学習、計画など | 単一のアルゴリズムではなく、発展中の広い技術群 (Bruce et al. 2024 等) |
「モデル搾取（Model Exploitation）」という危険な罠
これらの高度なワールドモデルを、ゲームのシミュレーターから現実の環境へと持ち出して運用する際には、避けては通れない重大な課題が存在します。それが、先ほどもご紹介した、「モデル搾取（Model Exploitation）」と呼ばれる現象に対する安全設計です。
AIが学習する世界モデルは、あくまで限られたデータから現実の法則を「近似」したものであり、現実そのものではありません。そのため、学習データが豊富に存在する領域では正確な予測ができますが、学習データに存在しない未知の領域（分布外：Out-of-Distribution）では、予測の誤差が急激に大きくなります。ニューラルネットワークは「内挿（知っているデータの間を埋めること）」は得意ですが、「外挿（知らない領域を推論すること）」は非常に苦手だからです。
モデルベース強化学習を使ってAIに最適な行動（方策）を探索させると、AIは「真に有益な行動」を見つける代わりに、「モデルの予測誤差がたまたま大きな報酬を出力してしまうバグ（抜け穴）」を見つけ出し、それを徹底的に悪用しようとします (Janner et al. 2019)。つまり、現実には絶対にうまくいかない行動なのに、AIの頭の中（モデル上）では「この行動をとれば無限に報酬がもらえる！」と勘違いしてしまうのです。とくに、学習データでほとんど観測されていない状態や行動に直面した場合、この誤差を高い報酬と誤認する可能性が飛躍的に高まります (Yu et al. 2020)。
医療AIにおける致命的なリスクと安全設計
この「モデル搾取」を医療分野に当てはめて考えてみましょう。AIが患者の電子カルテデータから「どのような治療を行えば、患者の回復（報酬）を最大化できるか」を学習したとします。
もしAIが、学習データに存在しない「通常の診療範囲を大きく外れるような非現実的な投与量」をモデルに入力したとします。現実であれば重大な副作用を引き起こしますが、AIの不完全なモデルはその未知の領域を正しく予測できず、偶然にも「この量を投与すれば、患者の病態が一瞬で完全に治癒する」という非現実的な回復軌跡を描き出してしまうケースが該当します（これはメカニズムを説明するための仮想例であり、そのような行動を実際に実行すべきという意味では決してありません）。また、学習データにほとんど含まれないマイノリティの患者群に対しても、同様の誤った過大評価を下す危険があります。
医療において、このようなモデルの過信は患者の生命に直結します。そのため、実臨床へ応用するためには、以下のような多層的な安全対策（フェイルセーフ）が必須となります。
- 予測のロールアウトを短く制限する： 数十ステップ先という遠い未来は誤差が累積しやすいため、信頼できる数ステップ先までの予測に留めて計画を行う。
- 不確実性が高い予測にペナルティを与える： 「よくわからない未知の領域」に入り込んだ場合、予測される報酬から不確実性の分だけペナルティを引き去る（悲観的評価を行う）ことで、AIが未知の行動を選ぶのを抑制する (Chua et al. 2018)。
- 分布外（OOD）の行動を検出する： 学習データから大きく逸脱した行動パターンが提案された場合、それを自動的に検知してブロックする安全フィルター（シールド）を導入する。
- 臨床家の確認（Human-in-the-loop）を必須とする： AIを完全な自律制御にするのではなく、AIが提示した複数のシナリオとその不確実性を専門医が確認し、最終決定を下す運用フローを徹底する。
ワールドモデルは「未来を予測する」強力なツールですが、同時に「自分が何をわかっていないか（不確実性）」を正しく認識し、立ち止まることができる設計こそが、医療AIには求められているのです。
ワールドモデルが「予測しないもの」：AIの限界と評価の落とし穴
ワールドモデルは、環境の法則を自律的に学習し、「未来を想像して最適な計画を立てる」という点で極めて強力かつ魅力的なシステムです。しかし、この技術は決して万能の魔法の杖ではありません。ワールドモデルの真の能力を正しく評価し、実臨床や現実の複雑な環境へ安全に導入するためには、モデルが「できているように見えて、実は予測していないもの」や、システムが本質的に抱えている限界を正確に理解しておく必要があります。具体的には、以下の四つの重要なポイントに注意を払う必要があります。
1. 高精度な動画生成は「因果の理解」を意味しない
近年、生成AIの進化により、まるで実写と見紛うような滑らかで自然な未来の映像（動画）を生成できるモデルが次々と登場しています。しかし、「見た目がリアルで自然な映像を作れること」と、「行動の介入に対して、物理的・因果的に正しい応答をしていること」は、全く別の次元の問題です。
たとえば、医療AIが「患者に新しい薬剤を投与した後の、数ヶ月先の肺のCT画像の推移」を、極めて高精細な動画として生成できたとしましょう。しかし、それが単に「過去の膨大な類似症例のパターンを表面上滑らかに繋ぎ合わせただけ」の相関関係の産物であればどうなるでしょうか。もし医師が「薬の量を半分に減らす」「別の薬と併用する」といった、学習データにはない新しい介入（反実仮想的なアクション）を行った際、病態の悪化や改善といった因果律に従った正しい変化を反映できなければ、そのモデルは意思決定の支援には使えません (Pearl 2009)。動画の美しさやもっともらしさに騙されず、「介入（行動）を変えた時に、結果が因果関係の法則に従って正しく変わるか」を厳密に検証することが必須です。
2. 長期的な誤差の累積（雪だるま式のエラー）
ワールドモデルは、現在の状態から「1ステップ先の未来」を予測し、その「予測した未来」を新たな現在として、さらに次の1ステップを予測する……という自己回帰的なプロセスを繰り返すことで、長期のロールアウト（未来シナリオの展開）を行います。
ここで大きな壁となるのが、誤差の累積（Compounding Errors）という現象です。1ステップ先の予測が99%正確であったとしても、残りのわずか1%の誤差が次の予測の入力として使われます。これを繰り返すと、誤差が誤差を生んで増幅され、数ステップ先、数十ステップ先には予測が現実から完全に乖離して破綻してしまいます (Janner et al. 2019)。
医療において、「明日の患者の血圧」は高精度に予測できたとしても、「この治療方針を継続した場合の、1年後の合併症の有無」をモデルの内部シミュレーションだけで予測しようとすると、この誤差の累積が雪だるま式に膨れ上がります。そのため、AIの長期予測を過信せず、定期的に現実の観測データ（実際の検査結果など）を取り込んで軌道修正（グラウンド・トゥルースとのすり合わせ）を行うフィードバックループの設計が極めて重要になります。
3. 報酬設定の限界（報酬ハッキングの危険性）
ワールドモデル自体が環境の遷移を完璧に、一切の誤差なく予測できたと仮定しましょう。それでもなお、AIが最適な行動を選ぶための「目的」となる「報酬関数（Reward Function）」の設定が不適切であれば、システム全体としては人間にとって望ましくない行動を計画してしまいます。
AIは、与えられた数式上の報酬を最大化することだけを至上命題として行動を最適化します。これを「報酬ハッキング（Reward Hacking）」と呼びます (Amodei et al. 2016)。たとえば、「患者の血圧を正常値に保つこと」を報酬として与えられたAIが、血圧を下げることだけを目標とし、腎臓や肝臓への致命的な副作用のリスクを無視して、極端な多剤併用療法を立案してしまうかもしれません。AIは、人間の持つ倫理観や「患者の全体的なQOL（生活の質）の維持」といった暗黙の常識までは考慮しません。モデルの予測精度を向上させることと同じくらい、「AIに何を報酬として教え込むか」という設計そのものが、安全性の鍵を握っているのです。
4. タスク特化表現の再利用性の低さ
前述のMuZeroのように、「特定の目標（タスク）を達成するために、不要な情報を思い切って切り捨てる」という抽象化のアプローチは、計算効率を高める上で非常に有効でした。しかし、このタスク指向の抽象化は、「後から別の目的へ再利用することが著しく困難になる」というトレードオフを伴います。
例えば、電子カルテのデータから「急性腎障害の発生予測」に特化して学習された世界モデルの潜在状態を考えてみます。このモデルは、クレアチニン値や尿量などの変動には極めて敏感ですが、タスクに無関係と判断された「皮膚のわずかな発疹」や「軽微な呼吸器症状」といった情報は、データを圧縮する過程で不要なノイズとして完全に破棄されている可能性が高いです。そのため、同じ学習済みの世界モデルを、後から「新たな未知の感染症の予測」へ使い回そうとしても、必要な情報が潜在空間に残っていないため機能しません。特定の目的に高度に最適化されたシステムは、汎用性や未知の疾患に対する柔軟性を犠牲にして成り立っているという事実を、開発者も運用者も深く理解しておく必要があります。
医療AIへの接続：患者の「見えない状態」をどう捉えるか
臨床現場で医師が日々行っている「診断と治療」のプロセスは、ワールドモデルの数理的な文脈に当てはめると、まさに「部分観測マルコフ決定過程（POMDP：Partially Observable Markov Decision Process）」そのものとして近似的に捉えることができます (Kaelbling et al. 1998)。
なぜ「部分観測」と呼ぶのでしょうか。それは、患者の体内で現在起きているすべての細胞の動きや病勢といった「真の病態」を、直接かつ完全に目で見ることは誰にもできないからです。医師は、血液検査の数値、バイタルサイン（血圧や心拍数）、MRIやCTの画像、そして患者が訴える症状といった、氷山の一角のような「目に見える観測情報」を繋ぎ合わせます。そして、海面下に隠れた巨大な氷山である「真の病態（潜在状態）」を頭の中で推定し、そこに治療という行動を加えた後に、患者の状態がどう変化するかを予測しているのです。医療AIが患者を救うためには、まずこの「見えない状態」をデータから正確に推定する内部シミュレーターを獲得する必要があります。
リアルワールドデータに潜む「交絡」と「バイアス」の罠
しかし、この予測モデルをAIに学習させるために、電子カルテなどの現実の診療データ（リアルワールドデータ）をただ漫然と流し込めば済むわけではありません。実際の診療データには、ゲームのシミュレーターには存在しない、非常に厄介なノイズとバイアスが深く根付いています。
最大の壁となるのが「交絡（Confounding）」です。現実の医療では、「重症な患者ほど、より強力な治療やリスクの高い手術を受ける」という当然の傾向があります。もしAIが因果関係を理解せず、表面的なデータだけを学習してしまうと、「人工呼吸器を装着された患者は死亡率が高い。だから人工呼吸器は患者にとって有害な行動である」という、致命的な相関の勘違いを起こす危険性があります (Gottesman et al. 2018)。
さらに、「特定の血液検査が行われた」というデータ上の事実そのものが、「医師が患者の容態急変を疑ったから検査をした」という病態に依存する重要な意味を持っていること（観測バイアス）や、記録の欠測、施設ごとの診療ガイドラインの違い、時間とともに変化する治療標準など、データは無数のバイアスにまみれています。そのため、単に「明日の血圧を当てる」という時系列の予測精度が高いだけのモデルを作っても、治療という「介入（行動）」がもたらす真の因果効果を正しく推定し、適切な意思決定を下すことはできないのです。
医療ワールドモデルを現場に届けるための厳しい検証
では、医療ワールドモデルを安全な治療支援システムとして実用化するためには、何が必要なのでしょうか。単に「見た目がリアルな患者の未来予測ができる」だけでは不十分です。
まず、先述した交絡因子に対して適切に対処する統計的・因果推論的なアプローチが必須となります。さらに、AIが「自分が知らない未知の症例（分布外：OOD）」に直面した際に、知ったかぶりをして誤った予測を出すのではなく、「自信がない」と警告を出す分布外検出機能が求められます。
加えて、AIが新しく提案した治療方針（方策）を実際の患者に試す前に、過去の観測データだけを使って「その方針が本当に安全で効果的か」を数学的に評価する「オフポリシー評価（Off-policy Evaluation）」の技術も重要です。そして最終的には、開発した病院とは別の病院のデータでも通用するかを確かめる外部検証（External Validation）や、実際の臨床現場で前向きに（リアルタイムで）AIの予測と医師の判断を比較する前向き臨床評価を組み合わせなければ、医療AIとしての信頼性は担保されません (Komorowski et al. 2018; Gottesman et al. 2019)。
安全なフィードバックと「オンライン学習」の区別
無事に医療AIを現場に導入できた後も、システムの監視は続きます。新しい感染症の流行や新薬の登場など、医療データは時間とともに変化していくためです。安全な医療AIシステムを維持するためには、モデルの予測結果と実際の患者の経過（現実の観測）を継続的に比較し、予測精度の低下やデータの分布変化を監視するフィードバック設計が不可欠です。
ここで、実用上の安全管理において絶対に混同してはならないのが、「閉ループ制御（Closed-loop Control）」と「オンライン学習（Online Learning）」の違いです。
観測結果をもとに、次回の投薬量や行動の判断を柔軟に修正すること（閉ループ制御）は、変化に対応して患者の安全を守る上で非常に重要です。しかし、運用中にAIが新しい患者データを読み込み、モデルの脳内回路（パラメータ）を自動的かつ無監督に書き換えてしまう「オンライン学習」は、医療現場においては極めて危険な行為です。なぜなら、AIが偏ったデータや誤った入力を学習してしまい、ある日突然、異常な判断を下すようになっても、誰も事前に気づくことができないからです。
医療機器としての安全性を担保するためには、モデルを更新する際、必ず更新前後の性能比較を行い、外部検証と安全性評価をクリアし、変更履歴を厳格に管理する必要があります。そして、人間（専門家や規制当局）による厳密な承認プロセスを経て初めて現場のシステムにデプロイされるという、「検証されていないモデルが診療判断へ直接反映されない強固な仕組み」が、法令上も強く求められています (厚生労働省 2024; 個人情報保護委員会 2024)。
まとめ：AIが「世界」を学ぶとはどういうことか
本稿では、古典的な状態推定の数理（POMDP）から始まり、Dyna、World Models、Dreamer、MuZeroといった最新の深層学習アーキテクチャに至るまで、AIがどのように世界を内部に構築し、意思決定に利用してきたかを見てきました。
ここで改めて強調すべきなのは、「ワールドモデルとは、世界の見た目（動画）をもっともらしく再現するだけのモデルではない」ということです。
真のワールドモデルとは、「今の状態から、この行動をとれば、その後に何が起きるか」という物理的・因果的な法則を学習し、まだ見ぬ未来を頭の中でシミュレーションして、最も望ましい行動を計画するための「意思決定のための内部シミュレーター」なのです。
この技術は、視界からの情報だけで自律走行する自動運転車や、物理世界で未知の物体を操作するロボットの開発において、すでに革命を起こしつつあります。そしてこの波は、ノイズにまみれた部分観測情報（検査値や画像）から、見えない真の状態（病態）を推定し、不確実な未来（予後）に向かって最適な行動（治療）を選択しなければならない「医療」という究極の意思決定領域にも必ず到達します。
しかし、ゲームの盤面とは異なり、医療においてはAIが「夢の中で見つけたバグ（モデル搾取）」が、患者の命を奪う取り返しのつかない事故に直結します。だからこそ、不要な情報を捨てるタスク指向の抽象化の背後にあるリスクを理解し、不確実性を正しく見積もり、前向きな臨床評価や厳格な変更管理といった「人間による何重ものセーフティネット」を構築することが不可欠です。
AIが本当に「世界」を学び、私たち人間の強力なパートナーとなるためには、単に計算機のパワーで予測精度を追い求めるだけでなく、その内部モデルの「不完全さ」をシステム全体でどう補うかという、倫理的かつ安全な設計思想こそが最も問われているのです。
※本記事は情報提供を目的としたものであり、特定の治療法を推奨するものではありません。健康に関するご懸念やご相談は、必ず専門の医療機関にご相談ください。
参考文献
- Amodei, D., Olah, C., Steinhardt, J., Christiano, P., Schulman, J. and Mané, D. (2016) ‘Concrete problems in AI safety’, arXiv preprint.
- Bruce, J., Dennis, M., Edwards, A. et al. (2024) ‘Genie: Generative interactive environments’, Proceedings of the 41st International Conference on Machine Learning.[cite: 1]
- Chua, K., Calandra, R., McAllister, R. and Levine, S. (2018) ‘Deep reinforcement learning in a handful of trials using probabilistic dynamics models’, Advances in Neural Information Processing Systems.[cite: 1]
- Gottesman, O., Johansson, F., Komorowski, M., Faisal, A., Sontag, D., Doshi-Velez, F. and Celi, L.A. (2019) ‘Guidelines for reinforcement learning in healthcare’, Nature Medicine, 25(1), pp. 16–18.[cite: 1]
- Gottesman, O., Johansson, F., Meier, J. et al. (2018) ‘Evaluating reinforcement learning algorithms in observational health settings’, arXiv preprint.[cite: 1]
- Ha, D. and Schmidhuber, J. (2018) ‘World Models’, arXiv preprint.[cite: 1]
- Hafner, D., Lillicrap, T., Ba, J. and Norouzi, M. (2020) ‘Dream to control: Learning behaviors by latent imagination’, International Conference on Learning Representations.[cite: 1]
- Hafner, D., Lillicrap, T., Fischer, I. et al. (2019) ‘Learning latent dynamics for planning from pixels’, Proceedings of the 36th International Conference on Machine Learning, 97, pp. 2555–2565.[cite: 1]
- Hafner, D., Lillicrap, T., Norouzi, M. and Ba, J. (2021) ‘Mastering Atari with discrete world models’, International Conference on Learning Representations.[cite: 1]
- Hafner, D., Pasukonis, J., Ba, J. and Lillicrap, T. (2025) ‘Mastering diverse control tasks through world models’, Nature.[cite: 1]
- Janner, M., Fu, J., Zhang, M. and Levine, S. (2019) ‘When to trust your model: Model based policy optimization’, Advances in Neural Information Processing Systems.[cite: 1]
- Kaelbling, L.P., Littman, M.L. and Cassandra, A.R. (1998) ‘Planning and acting in partially observable stochastic domains’, Artificial Intelligence, 101, pp. 99–134.[cite: 1]
- Kalman, R.E. (1960) ‘A new approach to linear filtering and prediction problems’, Journal of Basic Engineering, 82, pp. 35–45.[cite: 1]
- Komorowski, M., Celi, L.A., Badawi, O., Gordon, A.C. and Faisal, A.A. (2018) ‘The Artificial Intelligence Clinician learns optimal treatment strategies for sepsis in intensive care’, Nature Medicine, 24(11), pp. 1716–1720.[cite: 1]
- Pearl, J. (2009) Causality: Models, Reasoning and Inference. Cambridge University Press.[cite: 1]
- Schrittwieser, J., Antonoglou, I., Hubert, T. et al. (2020) ‘Mastering Atari, Go, chess and shogi by planning with a learned model’, Nature, 588(7839), pp. 604–609.[cite: 1]
- Sutton, R.S. (1990) ‘Integrated architectures for learning, planning, and reacting based on approximating dynamic programming’, Proceedings of the Seventh International Conference on Machine Learning, pp. 216–224.[cite: 1]
- Tolman, E.C. (1948) ‘Cognitive maps in rats and men’, Psychological Review, 55(4), pp. 189–208.[cite: 1]
- Yu, T., Thomas, G., Yu, L. et al. (2020) ‘MOPO: Model based offline policy optimization’, Advances in Neural Information Processing Systems.[cite: 1]
- 個人情報保護委員会 (2024) 『個人情報の保護に関する法律および関連ガイドライン』.[cite: 1]
- 厚生労働省 (2024) 『医業若しくは歯科医業又は病院若しくは診療所に関する広告等に関する指針（医療広告ガイドライン）』.[cite: 1]
ご利用規約（免責事項）
当サイト（以下「本サイト」といいます）をご利用になる前に、本ご利用規約（以下「本規約」といいます）をよくお読みください。本サイトを利用された時点で、利用者は本規約の全ての条項に同意したものとみなします。
第1条（目的と情報の性質）
- 本サイトは、医療分野におけるAI技術に関する一般的な情報提供および技術的な学習機会の提供を唯一の目的とします。
- 本サイトで提供されるすべてのコンテンツ（文章、図表、コード、データセットの紹介等を含みますが、これらに限定されません）は、一般的な学習参考用であり、いかなる場合も医学的な助言、診断、治療、またはこれらに準ずる行為（以下「医行為等」といいます）を提供するものではありません。
- 本サイトのコンテンツは、特定の製品、技術、または治療法の有効性、安全性を保証、推奨、または広告・販売促進するものではありません。紹介する技術には研究開発段階のものが含まれており、その臨床応用には、さらなる研究と国内外の規制当局による正式な承認が別途必要です。
- 本サイトは、情報提供を目的としたものであり、特定の治療法を推奨するものではありません。健康に関するご懸念やご相談は、必ず専門の医療機関にご相談ください。
第2条（法令等の遵守）
利用者は、本サイトの利用にあたり、医師法、医薬品、医療機器等の品質、有効性及び安全性の確保等に関する法律（薬機法）、個人情報の保護に関する法律、医療法、医療広告ガイドライン、その他関連する国内外の全ての法令、条例、規則、および各省庁・学会等が定める最新のガイドライン等を、自らの責任において遵守するものとします。これらの適用判断についても、利用者が自ら関係各所に確認するものとし、本サイトは一切の責任を負いません。
第3条（医療行為における責任）
- 本サイトで紹介するAI技術・手法は、あくまで研究段階の技術的解説であり、実際の臨床現場での診断・治療を代替、補助、または推奨するものでは一切ありません。
- 医行為等に関する最終的な判断、決定、およびそれに伴う一切の責任は、必ず法律上その資格を認められた医療専門家（医師、歯科医師等）が負うものとします。AIによる出力を、資格を有する専門家による独立した検証および判断を経ずに利用することを固く禁じます。
- 本サイトの情報に基づくいかなる行為によって利用者または第三者に損害が生じた場合も、本サイト運営者は一切の責任を負いません。実際の臨床判断に際しては、必ず担当の医療専門家にご相談ください。本サイトの利用によって、利用者と本サイト運営者の間に、医師と患者の関係、またはその他いかなる専門的な関係も成立するものではありません。
第4条（情報の正確性・完全性・有用性）
- 本サイトは、掲載する情報（数値、事例、ソースコード、ライブラリのバージョン等）の正確性、完全性、網羅性、有用性、特定目的への適合性、その他一切の事項について、何ら保証するものではありません。
- 掲載情報は執筆時点のものであり、予告なく変更または削除されることがあります。また、技術の進展、ライブラリの更新等により、情報は古くなる可能性があります。利用者は、必ず自身で公式ドキュメント等の最新情報を確認し、自らの責任で情報を利用するものとします。
第5条（AI生成コンテンツに関する注意事項）
本サイトのコンテンツには、AIによる提案を基に作成された部分が含まれる場合がありますが、公開にあたっては人間による監修・編集を経ています。利用者が生成AI等を用いる際は、ハルシネーション（事実に基づかない情報の生成）やバイアスのリスクが内在することを十分に理解し、その出力を鵜呑みにすることなく、必ず専門家による検証を行うものとします。
第6条（知的財産権）
- 本サイトを構成するすべてのコンテンツに関する著作権、商標権、その他一切の知的財産権は、本サイト運営者または正当な権利を有する第三者に帰属します。
- 本サイトのコンテンツを引用、転載、複製、改変、その他の二次利用を行う場合は、著作権法その他関連法規を遵守し、必ず出典を明記するとともに、権利者の許諾を得るなど、適切な手続きを自らの責任で行うものとします。
第7条（プライバシー・倫理）
本サイトで紹介または言及されるデータセット等を利用する場合、利用者は当該データセットに付随するライセンス条件および研究倫理指針を厳格に遵守し、個人情報の匿名化や同意取得の確認など、適用される法規制に基づき必要とされるすべての措置を、自らの責任において講じるものとします。
第8条（利用環境）
本サイトで紹介するソースコードやライブラリは、執筆時点で特定のバージョンおよび実行環境（OS、ハードウェア、依存パッケージ等）を前提としています。利用者の環境における動作を保証するものではなく、互換性の問題等に起因するいかなる不利益・損害についても、本サイト運営者は責任を負いません。
第9条（免責事項）
- 本サイト運営者は、利用者が本サイトを利用したこと、または利用できなかったことによって生じる一切の損害（直接損害、間接損害、付随的損害、特別損害、懲罰的損害、逸失利益、データの消失、プログラムの毀損等を含みますが、これらに限定されません）について、その原因の如何を問わず、一切の法的責任を負わないものとします。
- 本サイトの利用は、学習および研究目的に限定されるものとし、それ以外の目的での利用はご遠慮ください。
- 本サイトの利用に関連して、利用者と第三者との間で紛争が生じた場合、利用者は自らの費用と責任においてこれを解決するものとし、本サイト運営者に一切の迷惑または損害を与えないものとします。
- 本サイト運営者は、いつでも予告なく本サイトの運営を中断、中止、または内容を変更できるものとし、これによって利用者に生じたいかなる損害についても責任を負いません。
第10条（規約の変更）
本サイト運営者は、必要と判断した場合、利用者の承諾を得ることなく、いつでも本規約を変更することができます。変更後の規約は、本サイト上に掲載された時点で効力を生じるものとし、利用者は変更後の規約に拘束されるものとします。
第11条（準拠法および合意管轄）
本規約の解釈にあたっては、日本法を準拠法とします。本サイトの利用および本規約に関連して生じる一切の紛争については、東京地方裁判所を第一審の専属的合意管轄裁判所とします。
For J³, may joy follow you.
