あなたが今日稼いだ金も、手に入れた肩書きも、築いた人脈も、進化にはほとんど貢献しない。生物進化の原理は残酷なまでに明快だ。個体は器にすぎず、残るのは情報である。DNAは個体を通り過ぎていくだけで、個体そのものは次世代に引き継がれない。
この原理は文化進化でも同じかたちで作動している。古代ギリシャの哲学者は死んでも、彼らの問いは二千年後もまだ読まれている。コピーされ、変異し、選択され、積み上がるものだけが、進化の歴史に痕跡を残す。では、AIが情報処理の上流まで踏み込んできた時代に、人間は何をすれば進化にもっとも貢献できるのか。
進化を「再現性」で定義し直す
まず「進化への貢献」という言葉を、もう少し物理学的に締め直しておきたい。宇宙でもっとも再現性の高いプロセスとは、熱力学第二法則、つまりエントロピー増大である。生命・知性・文明に共通する特徴は、その圧倒的な拡散の流れのなかで、局所的に秩序・複雑性・情報を生成しつづけることにある。
物理学者のジェレミー・イングランドは、この直観を定量化した。彼は2013年、熱浴と結合した系で自己複製が起こるときに必要な最小の発熱量を導出し、熱力学的不可逆性と生命の関係を定式化している（Statistical physics of self-replication, The Journal of Chemical Physics, 2013）。「散逸適応」と呼ばれるこの枠組みは、生命らしい構造が自発的に立ち上がる一般則として議論されている。
神経科学の側でも似た視点がある。カール・フリストンの自由エネルギー原理は、生物は感覚入力の「意外さ」を最小化するように自らの内部モデルを更新しつづける系だとする（The free-energy principle: a unified brain theory? Nature Reviews Neuroscience, 2010）。いずれの理論も、進化とは情報処理能力の累積的拡張にほかならないという見方を支えている。
この見方に立つと、「進化に貢献する」とは、情報・知識・複雑性の不可逆的な蓄積に寄与することだと再定義できる。自分の中に留めたものではなく、系に押し出したもの。それだけが残る。
再現性の階層から貢献の優先順位が見える
再現性という軸を入れると、何に時間を使うべきかが一気に見通せる。下の階層は、ある対象が宇宙の別の場所・別の時代で再び立ち上がる度合いと、そこへの貢献が進化の流れに残る意味を並べたものだ。
| 対象 | 再現性 | 貢献の意味 |
|---|---|---|
| 数学・論理 | 100% | 構造の発見（人類全体の永続資産） |
| 基礎物理・化学法則 | 95%+ | 宇宙の地図を広げる |
| 工学的応用 | 90%+ | 法則の物質化 |
| 生物の基本メカニズム | 70%+ | 生命の設計図解読 |
| 文化・制度・言語 | 中 | 協力の基盤拡張 |
| 個人の成功・ビジネス | 低 | ほぼ貢献にならない |
含意はシンプルで、かつ少々残酷である。個人的な富や肩書き、一代の成功は、どれほど本人にとって重くとも、進化の時系列のなかではコピーも継承もされにくい。一方、数学の定理や物理法則、工学的な実装、生物学の基本機構は、誰が再発見しても同じ答えに行き着く。再現性こそが「残るかどうか」を決める。
進化の基質は、すでに人間の肉体を離れつつある
進化論の古典的な総説として、ジョン・メイナード＝スミスとエルシュ・サトマリーは、生命史を「主要な進化的遷移」の連続として描いた（The major transitions in evolution, Nature, 1995）。彼らが指摘したのは、独立した複製子から染色体へ、RNAからDNA+タンパク質へ、単細胞から多細胞へ、そして霊長類社会から言語を持つ人類社会へ、という連鎖である。各遷移の本質は、「情報が何に乗って、どれだけ速く広がるか」が書き換わることだった。
この枠組みを現代まで引き延ばすと、基質の変遷が見えてくる。化学的進化（〜40億年前）では分子の自己組織化が、生物学的進化（〜数百万年）ではDNAが、文化的進化（〜数万年）では言語と模倣が、技術的進化（〜数百年）では書物と科学が、そして現在進行中の計算的進化ではAIが情報を運ぶ基質となっている。
重要な論点は、遷移のたびに複製・変異・選択の速度が桁違いに上がってきたことだ。人類の生物学的進化は、もはや全体の律速ではない。遺伝子が一世代で書き換わる量は限られているが、文化と技術は数年で世界を変える。ケヴィン・レーランドらが提唱する「拡張された進化的総合」は、発生的柔軟性・ニッチ構築・継承の多様性を正面から扱う枠組みであり、遺伝子以外の継承経路が進化を駆動することを理論的に裏づけている（The extended evolutionary synthesis, Proceedings of the Royal Society B, 2015）。
そして累積文化の力は、比較実験でも示されている。ローレル・ディーンらは、子ども、チンパンジー、オマキザルに段階的なパズルを与え、累積的な学習を示したのは子どもだけだったと報告している（Identification of the social and cognitive processes underlying human cumulative culture, Science, 2012）。決定的な差は、教えること、模倣すること、協力すること──つまり情報を他者に手渡す機構にあった。
ニコル・クリアンザらが整理した文化進化理論のレビューも、文化が遺伝子と並走し、ときにそれを駆動する独立した進化システムであることを示している（Cultural evolutionary theory, PNAS, 2017）。つまり、進化への貢献を最大化したければ、基質のなかでもっとも速く、もっとも広く情報が蓄積する層に働きかけるのが合理的である。
AIの時代、人間の比較優位はどこに残るか
ここでAIが登場する。パターン補間と既知空間の高速探索において、AIは人間を凌駕しはじめている。ジョン・ジャンパーらのAlphaFoldは、実験なしにタンパク質の立体構造を原子分解能で予測できることを示した（Highly accurate protein structure prediction with AlphaFold, Nature, 2021）。これは、AIが「物理データから新しい知識を引き出すボトルネック」を部分的に取り外したことを意味する。ジェイソン・ウェイらが整理した大規模言語モデルの「創発能力」に関する議論も、スケールの拡大だけで一定の認知的能力が立ち上がりうることを示唆している（Emergent abilities of large language models, TMLR, 2022）。
しかし同時に、AIの限界も見えている。ブレンデン・レイクらは、現在の深層学習システムは因果モデルの構築、直観的物理・心理学への接地、そして少数の事例からの汎化に弱いと論じている（Building machines that learn and think like people, Behavioral and Brain Sciences, 2017）。つまりAIは、学習データの外側へ跳躍し、新しい問いや公理を立てる仕事において構造的に不利である。
現場のデータでもこの非対称性は確認されつつある。MITのエイダン・トナーロジャーズは、米国の大規模な材料科学ラボで1,018人の研究者にAI支援ツールをランダム割付した実験の結果を報告している。ツール導入は材料発見を44%、特許出願を39%増やしたが、その利得の82%は事前生産性の上位1/3の研究者に集中し、下位1/3はほとんど恩恵を受けなかった（Artificial intelligence, scientific discovery, and product innovation, 2024）。AIは平均を引き上げる装置というより、判断力のある人間を増幅するレバーとして働いている可能性が高いと示唆されている。
この非対称性を整理すると、次のようになる。AIが得意なのは、既存知識の統合と要約、パターン認識、最適化、コード・テキスト・画像の生成、短期予測とスクリーニングである。一方、AIが苦手（すなわち人間の比較優位が残る）のは、新しい問いの発見、公理やパラダイムの転換、価値や目的の設定、身体を伴う実験による新データ生成、世代を超える長期コミットメント、そして倫理的責任の引き受けである。人間がAIと同じ土俵で速さと量を競うのは、すでに敗戦が確定している。上位のレイヤー──問いを立て、価値を定義し、世界に手を差し入れる層──に自らを再配置することが、生き残りではなく貢献の条件になる。
進化への貢献を最大化する5つのレイヤー
以上の再現性の階層とAI時代の比較優位を重ねると、貢献の優先順位が見えてくる。
最上位：新しい問い・パラダイムの創出。意識、量子重力、生命の起源、複雑系の深層。数学の新分野や新しい形式体系。哲学的・概念的フレームワークの刷新。「何を最適化すべきか」そのものの再定義。これらは一度生まれれば永続し、AIを含む後続のあらゆる知性の土台になる。レバレッジは事実上無限大である。
第2層：AIと人間知性の共進化インフラ。AIの目的関数と価値整合、人間と協働する認知的・制度的アーキテクチャ、知識の検証と選別メカニズム、そしてAI前提の教育の再設計。AIが爆発的に能力を伸ばすいま、その進化の方向を決める仕事がもっとも高いレバレッジを持つ。
第3層：物理世界からの新データ生成。実験科学、観測、フィールドワーク。AIは既存データの圧縮と補間は得意だが、新しいデータそのものは作れない。生物医学、宇宙観測、素材探索、気候データ。世界と物理的に相互作用することでしか得られない情報がここに含まれる。
第4層：世代を超える制度と文化の設計。科学共同体、オープンソース、知のコモンズ。法、経済、統治の仕組み。核融合、延命、宇宙進出のような長期ミッション。人間同士の協力の基質そのものを進化させる仕事である。
第5層：次世代への教育と伝達。子育て、教育、メンターシップ。知識の圧縮と翻訳──特に「なぜそれが重要か」の伝達はAIがまだ苦手な領域だ。生物学的進化の担い手である遺伝子と、文化的進化の担い手であるミームの両方を、同時に運ぶ仕事である。
個人の時間をどう再配分するか
実践的には、二つの非対称性を軸に時間を組み替えるといい。
やるべきこと。時間軸を100年後に揃える。複利が効く活動（知識、ツール、関係資本）に張る。AIで代替されない問題を選ぶ。公共財（オープンサイエンス、オープンソース、執筆、教育）に貢献する。身体を使って世界と接触する。大衆の流れから外れた、小さくてエッジのある領域を深掘りする。
やるべきでないこと。AIで代替可能な作業に自分の時間を使う。個人的蓄財や地位競争に入り込む（ゼロサムで、他者にコピーされない）。コンセンサスの再生産に加担する（平均化は進化の逆方向だ）。次四半期、次選挙、次トレンドに最適化する。
AIを正しく使えば、個人が進化に貢献できる能力は目に見えて増幅される。先述のトナーロジャーズの研究では、材料発見44%増、特許出願39%増という効果が示されている。過去なら複数人がかりだった文献サーベイ・コード生成・初期実験設計が、一人で回せる領域に入りつつある。問題は、AIに問いまで預けた瞬間、貢献者は人間ではなくAIになるということである。主導権は渡してはならない。
結論：自分を超えて残るものに、人生を張る
進化にもっとも貢献する行動は、四つの条件の連立で定義できる。再現性が高く、AIで代替できず、複利で効き、継承されること。
この条件に合致するのは、新しい問いと概念を生み出すこと、AIと人類の共進化の方向を決めること、物理世界から新しいデータを引き出すこと、世代を超える制度と知のコモンズに貢献すること、次世代へ知性を手渡すこと、である。共通するのは、自分が死んでも残り、他者に自由にコピーされ、因果の連鎖が百年先まで伸びるという性質だ。
逆説的だが、自分のために蓄えるものは進化に貢献しない。他者にコピーされるものだけが進化に貢献する。遺伝子が個体ではなく情報を残してきた生命進化の原理は、文化と技術の層でも同じかたちで動きつづけている。
AI時代は、この原理にとってむしろ追い風だ。情報処理の下位機能は外部化できる。残された仕事は、問いを立てる力、価値を定義する力、世界に手を差し入れる勇気──つまり人間固有の上位機能を研ぐことに集中させればよい。
進化は、自分のためではなく、自分を超えて残るものに賭けた者に味方する。
参考文献
The major transitions in evolution
– 出典: Nature, 374(6519), 227-232 (1995)
– 著者: John Maynard Smith, Eörs Szathmáry
– エビデンスレベル: 強（進化生物学の古典的理論統合）
– DOI: 10.1038/374227a0
The free-energy principle: a unified brain theory?
– 出典: Nature Reviews Neuroscience, 11(2), 127-138 (2010)
– 著者: Karl Friston
– エビデンスレベル: 強（複数分野で実証・数理的整備された理論枠組み）
– DOI: 10.1038/nrn2787
Identification of the social and cognitive processes underlying human cumulative culture
– 出典: Science, 335(6072), 1114-1118 (2012)
– 著者: L. G. Dean, R. L. Kendal, S. J. Schapiro, B. Thierry, K. N. Laland
– エビデンスレベル: 強（ヒトと非ヒト霊長類の比較対照実験）
– DOI: 10.1126/science.1213969
Statistical physics of self-replication
– 出典: The Journal of Chemical Physics, 139(12), 121923 (2013)
– 著者: Jeremy L. England
– エビデンスレベル: 強（非平衡熱力学の定式化）
– DOI: 10.1063/1.4818538
The extended evolutionary synthesis: its structure, assumptions and predictions
– 出典: Proceedings of the Royal Society B, 282(1813), 20151019 (2015)
– 著者: Kevin N. Laland, Tobias Uller, Marcus W. Feldman, Kim Sterelny, Gerd B. Müller, Armin Moczek, Eva Jablonka, John Odling-Smee
– エビデンスレベル: 強（進化生物学者の共同理論総説）
– DOI: 10.1098/rspb.2015.1019
Building machines that learn and think like people
– 出典: Behavioral and Brain Sciences, 40, e253 (2017)
– 著者: Brenden M. Lake, Tomer D. Ullman, Joshua B. Tenenbaum, Samuel J. Gershman
– エビデンスレベル: 強（認知科学・AI研究の共同総説）
– DOI: 10.1017/S0140525X16001837
Cultural evolutionary theory: How culture evolves and why it matters
– 出典: Proceedings of the National Academy of Sciences, 114(30), 7782-7789 (2017)
– 著者: Nicole Creanza, Oren Kolodny, Marcus W. Feldman
– エビデンスレベル: 強（文化進化理論の総説）
– DOI: 10.1073/pnas.1620732114
Highly accurate protein structure prediction with AlphaFold
– 出典: Nature, 596(7873), 583-589 (2021)
– 著者: John Jumper, Richard Evans, Alexander Pritzel, Tim Green, Michael Figurnov, Olaf Ronneberger ほか
– エビデンスレベル: 強（実験構造との大規模ベンチマーク）
– DOI: 10.1038/s41586-021-03819-2
Emergent abilities of large language models
– 出典: Transactions on Machine Learning Research (2022)
– 著者: Jason Wei, Yi Tay, Rishi Bommasani, Colin Raffel, Barret Zoph, Sebastian Borgeaud ほか
– エビデンスレベル: 中（ベンチマーク横断的分析、解釈には議論あり）
– DOI: 10.48550/arXiv.2206.07682
Artificial intelligence, scientific discovery, and product innovation
– 出典: MIT Working Paper (2024)
– 著者: Aidan Toner-Rodgers
– エビデンスレベル: 中（1,018人対象のランダム割付フィールド実験、査読前）
– DOI: 10.48550/arXiv.2412.17866