「二重振り子」という物理現象をご存じでしょうか。
一見すると単純な振り子ですが、棒の先にもう一本の振り子をつないだだけで、その軌跡は驚くほど複雑になります。
ほんのわずかに初期条件が違うだけで、数秒後には全く異なる軌跡を描きます。
- 法則は完全に決まっている
ニュートン力学の運動方程式に従っており、ランダムに動いているわけではありません。初期条件が同じなら、理論上は必ず同じ軌道になります。 - 初期条件に極端に敏感
例えば、最初の角度が0.000001°違うだけでも、しばらくすると全く異なる動きになります。この性質を「初期値鋭敏性」と呼びます。 - 長期予測は事実上不可能
現実には角度や速度を無限の精度で測定できません。そのわずかな測定誤差が時間とともに指数関数的に増幅されるため、長時間先の状態は予測できなくなります。
つまり、
- 短時間：高精度に予測可能
- 長時間：事実上予測不能
となります。
物理法則は完全に分かっているにもかかわらず、長時間先の動きを正確に予測することは極めて困難です。
このような現象は「カオス」と呼ばれます。
しかし、ここで一つ疑問があります。
予測できないことは、本当に解析できないことなのでしょうか。
現代のAIやデータサイエンスは、「未来を予測する」ことに大きな価値を置いています。
需要予測、株価予測、疾病予測、事故予測…。
もちろん重要な技術です。
しかし、現実世界には予測そのものが難しい対象が数多く存在します。
- 気象
- 金融市場
- 生体反応
- 人間の行動
- 細胞の状態遷移
これらは複雑な要因が相互作用する「複雑系」です。
未来の一点を正確に当てることは難しい。
それでも私たちは、「何も分からない」と言うでしょうか。
私は、そうは思いません。
たとえ軌跡は予測できなくても、その軌跡全体には構造があります。
どの領域に滞在しやすいのか。
どのような形状を形成するのか。
どこで状態が切り替わりやすいのか。
そこには、データそのものが持つ”構造”が存在しています。
私は近年、この「構造そのもの」を解析対象にすることが、これからのデータサイエンスの重要な方向性ではないかと考えています。
未来の一点を当てることよりも、
データがどのような世界を形成しているのかを理解する。
その発想です。
DSA＋DAGとの関係で考えると
従来の解析では、
- 「将来どこに行くか（軌跡）」を予測しようとします。
しかし二重振り子では、
- 軌跡そのものは予測困難です。
一方で、
- どのような状態空間を形成しているか
- どの領域を頻繁に通るか
- どのような構造的特徴を持つか
といった分布や構造には規則性があります。
これはDSA＋DAGが目指している
個々のデータ点ではなく、データ分布の構造を解析する
という発想と非常に近いものがあります。
つまり、
- 軌跡（Trajectory）は予測できなくても、
- 構造（Structure）は解析できる。
という考え方です。
AIは急速に発展しています。
しかし、「予測できること」と「理解できること」は必ずしも同じではありません。
予測精度が高くても、なぜその結論に至ったのかが分からないことがあります。
一方で、予測が難しい現象であっても、構造を理解することはできるかもしれません。
科学が知りたいのは、未来を当てることだけではありません。
現象を理解すること。
そこに新しい発見があります。
「予測不能」と「解析不能」は同義ではありません。
むしろ、予測が難しいからこそ、構造を理解する価値が生まれます。
私は、これからのデータサイエンスは「予測中心」から「構造理解中心」へと少しずつ軸足を移していくのではないかと感じています。
二重振り子は、そのことを静かに教えてくれる、とても美しい現象なのです。