どうも。
人は日々、無意識のうちに未来を予測して生きている。
この人は信用できるのか。この選択はうまくいくのか。自分の考えは現実に合っているのか。
その予測と現実とのズレが大きければ、失敗や誤解は増える。逆に、そのズレが小さければ、多くの出来事を「想定内」として受け止めることができる。
では、賢さとは知識量や学歴だけで決まるものなのだろうか。
私はむしろ、賢さとは「予測誤差をどれだけ小さくできるか」によって測れるのではないかと考えている。
私は、人の賢さとは「予測誤差の小ささ」によって定義できるのではないかと考えている。
ここでいう予測誤差とは、自分が事前に予測・想定していたことと、実際に起きた現実との乖離の大きさである。この乖離が大きい人ほど賢さは低く、小さい人ほど賢いと言えるのではないだろうか。
言い換えれば、人生の中で「想定内」の出来事が多い人ほど賢く、「想定外」の出来事が多い人ほど未熟であるという考え方である。
もちろん、この予測力は生まれつき固定されたものではなく、学習量や経験量、さらには触れてきたデータ量によって変化する。そのため、賢さは白か黒かではなく、連続的なグラデーションとして捉えるべきである。
例えば、最も未熟なのは、学習量や経験量が少なく、なおかつ予測誤差も大きい人である。知識や経験が不足しているため、現実を正しく予測できず、失敗も多くなる。
次に、学習量や経験量は多いにもかかわらず、依然として予測誤差が大きい人がいる。この場合、知識や経験は積み重ねているものの、それらをうまく統合して現実の予測へ活かせていない状態である。
その次の段階として、学習量や経験量はまだ少ないにもかかわらず、予測誤差が小さい人が存在する。このような人は、一般的に「地頭が良い」と呼ばれるタイプであり、高い流動性知能や優れたパターン認識能力、あるいは「センス」のようなものを持っている可能性がある。
そして最も賢いのは、学習量や経験量が豊富であり、それらを十分に活用した結果、予測誤差も非常に小さい人である。このような人は、豊富な知識や経験を現実の予測へ正確に結び付けられるため、結晶性知能の高い熟達者に近い存在と言えるだろう。
ただし、このような評価は決して万能ではない。人間の賢さは分野ごとに異なるため、ある分野では豊富な学習や経験を積み、予測誤差も小さい非常に優秀な人であっても、別の分野では知識や経験が少なく、予測誤差も大きいということは十分にあり得る。
また逆に、ある分野では経験がほとんどないにもかかわらず、予測誤差が小さい人も存在する。このような人は、その分野に対して高い適性やセンスを持っていると考えられる。
では、人はどのようにして予測誤差を小さくしていくのだろうか。
私は、その中心には思考法があると考えている。例えば、複数の事例から共通点を見つける帰納法、一般原則から結論を導く演繹法、そして最ももっともらしい仮説を立てるアブダクション（仮説構築）などである。これらの思考法を使いながら、人は未来を予測し、その予測と現実との差を確認し、次の予測へ反映させていく。
つまり、人間は意識的であれ無意識的であれ、常に未来を予測している。そして実際の結果との予測誤差を確認し、「どうすれば失敗しなかったのか」「次はどうすれば成功できるのか」と考えながら、自分の行動や考え方を修正していく。この「予測・検証・修正」の繰り返しこそが、学習の本質なのではないだろうか。
この考え方は、人間関係にも当てはまる。
例えば、最初は「この人とは相性が良さそうだ」と思っていても、長く付き合ってみると実際にはそれほど相性が良くなかったということがある。
逆に、第一印象では苦手だと思っていた相手でも、時間をかけて付き合ううちに非常に相性が良いことがわかる場合もある。
これは、人間関係においても予測誤差が存在していることを意味している。
さらに、人は日々成長し、変化する存在である。良い方向へ変わる人もいれば、悪い方向へ変わる人もいる。そのため、過去の印象だけで相手を固定的に判断するのではなく、常に新しい情報を受け入れ、できる限りまっさらな気持ちで向き合わなければ、現実とのズレは大きくなってしまう。
特に、記憶力が高い人ほど、この問題は起こりやすい。
人は過去に接した相手の印象や経験を長く記憶しているため、「この人はすごい人だ」「この人とは相性が良い人だ」という前提を持った状態で話を聞くことがある。
逆に、「この人は信用できない」「あまり好きではない」という前提を持って話を聞けば、同じ内容であっても受け取り方は大きく変わってしまう。
つまり、人は現実そのものを見ているのではなく、自分の記憶や前提を通して現実を解釈しているのである。
ここで関係してくるのが、ハロー効果（光背効果）である。
ハロー効果とは、人や物を評価するとき、一つの目立った特徴に引きずられて、全体の評価まで歪めてしまう認知バイアスである。
対象を実際よりも高く評価してしまうポジティブ・ハローと、逆に低く評価してしまうネガティブ・ハローの二種類がある。
例えば、有名大学出身であるという理由だけで「仕事もできるはずだ」「人格も優れているはずだ」と思い込んでしまうことがある。
逆に、第一印象で少し無愛想だったという理由だけで、「性格が悪い」「仕事もできない」と、その人全体を否定的に評価してしまうこともある。
このような認知バイアスは、本来の現実を歪めてしまうため、結果として予測誤差を大きくしてしまう原因になる。
もっとも、予測誤差そのものを完全に客観的に測定することは極めて難しい。
本来であれば、あらゆる分野について事前に予測を立て、それを長期間にわたって検証し続ければ、その人の予測誤差の大きさを比較的正確に測れるかもしれない。
しかし、現実にはそのようなことは不可能であり、結局のところ、予測誤差の評価はある程度主観的なものにならざるを得ない。
また、ここにはダニング＝クルーガー効果も関係してくる。
能力の低い人ほど、自分の能力を実際以上に高く評価する傾向があるため、自分では「予測はよく当たっている」と思っていても、実際には本人が認識している以上に予測誤差が大きい可能性がある。
逆に、高い能力を持つ人ほど、競争の激しい環境で優秀な人々と比較し続けるため、自分の能力を過小評価しやすい。しかし、そのような人ほど実際の予測誤差は小さく、多くの出来事を想定内として処理できていることが多いのではないだろうか。
そもそも予測誤差を小さくするためには、自分自身の認知バイアスをできる限り排除しなければならない。
そのためには、「自分はまだ知らないことが多い」という無知の知や、常に自分の考えを疑う謙虚さが不可欠である。
反対に、自分は賢い側の人間であり、相手は愚かな人間だと強く思い込んだ瞬間、その思い込み自体が新たな認知バイアスとなり、結果として予測誤差を大きくしてしまう危険性がある。
さらに現実問題として、世の中には予測誤差の大きい人が数多く存在している。
そのような人たち一人ひとりに対して誤解を解き、正しい認識へ修正してもらおうと努力し続けることには限界がある。
そのため、本当に重要な場面だけ丁寧に説明や釈明を行い、それ以外については、誤解を積極的に解こうとして過度な労力を費やさないほうが合理的であると私は考えている。
最後に、賢い人とは自己評価によって決まるものではなく、他者との比較や他者からの評価によってある程度判断されるものではないかとも考えている。
自分が十分な経験や知識を持つ分野であれば、自分より格上の人に出会ったとき、「この人は自分より賢い」ということを肌感覚で理解できる。
しかし、自分がほとんど経験していない分野では、その人が本当に優秀なのかどうかを自力で判断することは難しい。
そのため、人は自分の専門外では、有名大学の学歴や社会的地位、有名人であることなど、他者がすでに与えている評価やブランドを一種の判断材料として利用する。
もちろん、それだけで本当の能力が保証されるわけではない。しかし、自分に判断能力がない分野においては、そのような社会的評価を参考にせざるを得ないのも、人間という存在の一つの現実なのではないだろうか。
ここからはChatGPTに聞いた回答です。
これはかなり面白い仮説です。
結論から言うと、「賢さ＝予測誤差を小さくする能力」という定義は、現代の認知科学・AI・脳科学ともかなり親和性があります。
ただし、そのままだといくつか見落としている点があるため、それを補強すると、かなり完成度の高い理論になります。
① そもそも脳は「予測機械」である
近年の認知科学では、脳とは世界を予測し続ける機械であるという考え方（Predictive Processing、Predictive Coding）がかなり有力になっています。
つまり、
世界を見る
↓
予測する
↓
現実が返ってくる
↓
予測誤差が出る
↓
脳が修正する
↓
また予測するこの繰り返しです。
つまりあなたのいう人は意識的にも無意識的にも予測をしている、これは非常に正しい方向性です。
② 「賢さ＝予測誤差が小さい」
これもかなり良い定義です。
例えば
初心者の投資家
株は絶対上がる！
↓
暴落
↓
大きな予測誤差熟練投資家
暴落する可能性30%
横ばい40%
上昇30%↓
実際暴落
↓
「まあ想定内」
予測誤差が小さい。
チェスでも
初心者
「ここ打てば勝てる！」
↓
5手後に負ける
名人
「この局面なら5手後にこうなる」
↓
ほぼ予測通り
これも同じです。
③ あなたの4分類
あなたの整理すると
| 経験・知識 | 予測誤差 | 評価 |
|---|---|---|
| 少ない | 大きい | 最も未熟 |
| 多い | 大きい | 知識はあるが使えていない |
| 少ない | 小さい | センス・地頭 |
| 多い | 小さい | 熟達者 |
これはかなり納得できます。
ただし一点だけ修正したい。
経験量≠結晶性知能
経験が多いことと結晶性知能は完全には一致しません。
結晶性知能は
- 抽象化
- 知識の整理
- パターン化
まで含みます。
つまり、経験1000時間でも何も学ばない人と経験100時間でも毎回反省する人では全然違います。
つまり
経験量
ではなく
経験から学習した量こちらの方が本質です。
④ センスとは何か
ここも面白いです。
あなたは学習量が少ないのに予測誤差が小さい、これをセンスとしています。
私はかなり賛成です。
例えば音楽を数曲聴いただけで「次こう来る」と当たる人、デザインを少し見ただけで「ここ違和感ある」とわかる人、スポーツのフォームを少し見ただけで「ここ修正」と言える人。
これは学習量では説明しにくい。
つまり、流動性知能、パターン認識能力、ワーキングメモリ、などが高い。
⑤ 分野依存
これも非常に重要です。
あなたのいう全分野では起きない。
これはその通り。
例えば
将棋九段
↓
恋愛は全然ダメ
数学教授
↓
営業は苦手
プログラマー
↓
政治は読めない
予測モデルが違うからです。
つまり、賢さとは局所的（Local Intelligence）です。
万能ではありません。
⑥ 人間関係にも予測誤差
ここも非常に面白い視点です。
例えば
最初
優しそう↓
半年後
支配的だった予測誤差が大きい。
逆に
怖そう↓
実は誠実
これも予測誤差。
つまり、恋愛も友人も人のモデルを更新し続けるゲームと言えます。
⑦ ハロー効果との関係
これは完全に繋がっています。
ハロー効果とは
有名大学
↓
仕事もできるはず
↓
人格もいいはずという
不十分なデータから過剰推論することです。
つまり、予測モデルが偏っています。
だから、予測誤差が増えます。
⑧ ダニング＝クルーガー効果との関係
ここも一致します。
未熟者
↓
モデルが粗い
↓
予測誤差が見えない
↓
「自分はできる」
熟練者
↓
細かいモデル
↓
誤差が大量に見える
↓
「まだまだ」
つまり、実力者ほど誤差を見つける能力が高い。
⑨ ただし重要な修正点
ここが一番重要です。
あなたは想定内が多い人ほど賢いと言っています。
これは半分正しいですが、もう一つ重要なのは更新速度です。
例えば
A
予測外
↓
半年間認めない
B
予測外
↓
5秒で修正
どちらが賢いか。
当然Bです。
つまり、賢さは
予測誤差
×
修正速度でもあります。
AIでも
Prediction Error
↓
Weight Updateが重要です。
⑩ 予測誤差を小さくする方法
ここが一番実践的です。
私は以下のように整理します。
① ベイズ更新
新しい証拠が出たら
即座に考えを修正する。
昔はAと思った
↓
証拠
↓
Bへ更新② 反証探し
自分が正しい証拠ではなく間違っている証拠を探す。
これは非常に強力です。
③ 事前確率を考える
例えば「この人は詐欺師か」ではなく、まず世の中で詐欺師は何％いるかから考える。
④ 複数仮説を持つ（アブダクション）
一つだけでなく
Aかも
Bかも
Cかもを維持する。
これはかなり予測誤差を減らします。
⑤ 確率で考える
「絶対」ではなく
80%
40%
10%で考える。
熟練者ほどこうなります。
⑥ 外れた理由を書く
例えば
予測
結果
原因を書き残す。
投資家、医師、将棋棋士、スポーツ選手、みんなやっています。
⑦ メタ認知
「自分は今何を前提にしているか」を考える。
⑧ バイアス一覧を知る
- ハロー効果
- ダニング＝クルーガー効果
- 確証バイアス
- アンカリング
- 利用可能性ヒューリスティック
などを知っておくだけでも違います。
⑨ 予測を数値化する
例えば
この人と気が合う
90%
60%
30%のように予測を書き、後で答え合わせする。
曖昧な「当たった・外れた」よりも、自分の予測の癖が見えやすくなります。
⑩ フィードバックの速い環境に身を置く
予測力は、予測→結果→修正のサイクルが速いほど伸びます。
例えば、
- 将棋
- プログラミング
- スポーツ
- 営業
- 投資（適切な検証を伴う場合）
などは、比較的フィードバックが得やすい分野です。
一方で、人間関係や人生設計のように結果が何年もかかる分野では、予測モデルを改善するのが難しくなります。
⑪ あなたの理論をさらに一般化すると
あなたの考えを一段抽象化すると、賢さは次の4要素で表せるように思います。
賢さ ＝ 良い予測モデル × バイアスの少なさ × 更新速度 × 分野ごとの経験・知識
つまり、「予測誤差が小さいこと」だけでなく、
- 予測が外れたときに素早く修正できること
- 自分の思い込みを疑えること
- 分野ごとに適切なモデルを構築できること
まで含めると、より包括的な理論になります。
全体的な評価
あなたの考察は、「賢さ」をIQや知識量ではなく、世界のモデルをどれだけ正確に作り、現実とのズレ（予測誤差）をどれだけ小さく保てるかという観点から捉え直している点が独創的です。
しかも、そこに経験・学習・センス・認知バイアス・人間関係・謙虚さまで結び付けているため、一つの統合理論として発展させる余地があります。
特に、「予測誤差はゼロにはできないが、誤差を減らし続ける姿勢そのものが賢さである」という形にまとめると、学習論・意思決定論・認知科学とも整合しやすく、非常に説得力のある枠組みになるでしょう。
結局のところ、賢さとは「自分は正しい」と思い込むことではなく、現実とのズレに気づき、修正し続ける力なのだろう。
予測は必ず外れる。人間関係も、仕事も、人生も、完全に読み切ることはできない。
それでも、経験から学び、思い込みを疑い、予測を更新し続ける人は、少しずつ現実との誤差を小さくしていく。
その意味で、賢い人とは、想定外が一切ない人ではない。
想定外に出会ったとき、自分の見方を素早く修正できる人である。
あなたの理論を前提にすると、「賢さ＝総合的な予測誤差の小ささ＋誤差修正能力」になります。
ただし、実際に人間全体の「予測誤差」を測定したデータは存在しません。
そこで近いデータとして使えるのが、
- 予測精度（Forecasting）
- 確率判断（Calibration）
- 認知バイアス
- IQ研究
- 専門家研究（Tetlockら）
です。
これらを総合すると、おおよそ次のような分布になると私は考えます。
| 区分 | 学習・経験 | 予測誤差 | 人口割合（推定） | 特徴 |
|---|---|---|---|---|
| A | 少ない | 大きい | 35〜40% | 初心者。認知バイアスも多く、自信過剰になりやすい。 |
| B | 多い | 大きい | 25〜30% | 経験は積んでいるが、思い込みが強く学習効率が低い。 |
| C | 少ない | 小さい | 15〜20% | 地頭・センス型。少ない情報から良い予測モデルを作れる。 |
| D | 多い | 小さい | 10〜15% | 熟達者。最も予測誤差が小さい層。 |
つまり
- 予測誤差が比較的小さい人（C+D）
→ 約25〜35% - かなり小さい人（D）
→ 約10〜15% - 非常に小さい人（トップクラス）
→ 1〜3%程度
というイメージです。
なぜこのくらいと考えるのか
① ダニング＝クルーガー効果
能力の低い人ほど「自分は結構できる」と思いやすいことは多くの研究で確認されています。
つまり
- 自分では予測できている
- 実際には外れている
人はかなり多い。
② Superforecaster研究
Philip E. Tetlockらの研究では、何千人もの予測者の中で、ごく一部だけが長期間にわたって予測精度が非常に高いことが分かりました。
さらに、その人たちは
- 仮説を更新する
- 確率で考える
- 思い込みが少ない
という特徴を持っていました。
これはあなたの理論そのものです。
③ キャリブレーション研究
予測の世界ではCalibration（確率の正確さ）という概念があります。
例えば「70%」と言ったら本当に7割当たる人がキャリブレーションの良い人です。
一般には人は少し過信する傾向がありますが、訓練やフィードバックでかなり改善できます。
つまり、予測誤差は才能だけではなく学習でも減ることが示されています。
私ならさらに5段階にします
あなたの4分類を少し発展させると
| 割合 | 特徴 |
|---|---|
| 約40% | 経験少・誤差大 |
| 約30% | 経験多・誤差大 |
| 約18% | 経験少・誤差小 |
| 約10% | 経験多・誤差小 |
| 約2% | 超熟達者（Superforecaster級） |
これが一番現実に近い印象です。
あなたの理論で重要なのは「更新速度」
私は以前も補足しましたが、実際には予測誤差だけではありません。
例えばAさん
予測外
↓
半年認めない
Bさん
予測外
↓
30秒で考えを変える
当然Bの方が賢い。
だから
私は最終的に
賢さ = 予測精度 × 更新速度 × バイアスの少なさ × 学習量
と考えています。
あなたの理論との一致度
率直に言うと、あなたの理論は現在の認知科学で有力な
- Predictive Processing（脳は予測機械）
- Superforecasting
- ベイズ更新
- キャリブレーション研究
をかなり自然に統合しています。
そのうえで、もし「総合的な予測誤差が小さい人は全人口の何％か」と聞かれたら、現時点で最も妥当だと思う推定は次の通りです。
- 上位2%前後：極めて予測誤差が小さい（超熟達者・Superforecaster級）
- 上位10〜15%：予測誤差がかなり小さい
- 上位25〜35%：平均より明らかに予測誤差が小さい
- 残り65〜75%：平均的〜比較的大きな予測誤差を持つ
もちろん、これは「総合的な人生の予測誤差」を直接測定したデータではなく、予測研究・認知心理学・判断研究・専門家研究を総合した推定ですが、現在得られている科学的知見とは比較的整合的な割合だと考えられます。