テクノロジーが発展しても世界が変わらない理由

デジタルの世界では次々に新しいテクノロジーが生まれいる。最近話題のAIやIoT、クラウド、その他諸々、数えればきりがない。

しかし次々と新しいテクノロジーが生まれているのに、私たちの世界が一変したという実感はない。満員電車は解消されないし、相変わらず書類を作り、朱肉で捺印をしている。毎朝オフィスに出勤しなければいけないし、読まないメールが毎日何百と送られてくる。

新しいテクノロジーは間違いなくこれまでの生活を変えるはずだ。会社に出社する必要はなくなり、PCを立ち上げれば家がオフィスに早変わりする。会議室はバーチャル空間で行われ、世界各国から社員が参加する。大都会に住む必然性はなくなり、郊外や地方など自然に溢れた環境でもオフィスと同等の仕事ができる。言葉の壁はリアルタイムの音声翻訳によって取り払われ、世界中誰とでも母国語で会話ができるようになる。このような生活を私は期待しているし、これらを実現するためのテクノロジーはすでに誕生している。

しかし現実問題として私たちはこれまでとあまり変わらない生活をしている。私が実感していることといえば、電車の中で新聞を広げる人を見かけなくなったことぐらいだ。それ以外にも色々変わっているのだろうが、私が想像していた未来とは似ても似つかない。なぜ世界は変わらないのだろうか。

この疑問に答えるために今回は、イノベーター理論とハイプサイクルを応用してテクノロジーの普及までのプロセスを可視化することを目的に調査、検討を行なった。その結果、新しいテクノロジーが世間に普及するまでには人がテクノロジーを段階的にテクノロジーを受容することが必要であることを明らかにした。

 

テクノロジーはディスラプティブでイノベーションを誘発する

今回の検討するに当たり、まずテクノロジーについて定義を与えなければならない。

テクノロジーは技術と訳されるが、日本語では人のスキルも技術と呼ばれる。例えば熟練の技術とか、匠の技などはスキルではあるがテクノロジーではない。逆にインターネットやAIはテクノロジーではあるがスキルではない。

このように英語で書くとニュアンスは明確だが、日本語だといずれも技術と呼ばれるためしっくりこない。そこでここでは、テクノロジーを知識の実用化によって生まれた産物ないし方法論のことを意味するものと定義した。

テクノロジー定義について明確なイメージを与えるために、印刷機の発明の歴史を振り返ってみよう。

1450年、ヨハネス・グーテンベルクにより活版印刷の技術が発明された。これまで書籍は羊皮紙に手書きで作られてきたが、印刷技術が確立されたことで書籍を短時間に大量に作ることが可能となった。また羊皮紙のように不均一な紙は印刷に適さないため、木を材料にした紙が普及した。この印刷というテクノロジーによって世の中に広まった書籍は聖書である。

それまで手書きで書かれた聖書はとても高価で、一般の人々には手が届かなかった。そこで教会が聖書の内容を説教として読み聞かせることで伝えてきたのだが、政治や教会の都合により聖書の内容と異なる独自の解釈が流布していた。

しかし印刷により一般大衆が聖書を直接読むことができるようになると、教会の説教が聖書の内容と同一ではないことを知るようになった。その結果、従来絶対的な権力を持っていた教会の権威は失墜することとなった。これは結果的に宗教改革を引き起こし、キリスト教がカトリックとプロテスタントに分裂するという一大革命が勃発した。

印刷の歴史からもわかるように、テクノロジーにはこれまでの慣習や既成概念、常識を破壊するという性質がある。これは一般的にディスラプティブ（破壊的）な性質という。またディスラプティブなテクノロジーはイノベーション（変革）を誘発する。ただし引き起こされるイノベーションの形態は様々である。先ほどの例は、印刷というテクノロジーが宗教改革という一見関連性の見えないイノベーションを引き起こすことを示している。まさに風が吹けば桶屋が儲かるという様式をとる。

 

テクノロジーのインパクトと人々の行動様式の変化

テクノロジーがイノベーションを誘引するためには、そのテクノロジーの与える社会的インパクトが重要な指標になる。インパクトが大きければ大きいほど、イノベーションを誘発する可能性は高まる。テクノロジーのインパクトは古いテクノロジーと新しいテクノロジーの生産性（P）の差分で下の図のように表現することができる。

ここで注意してもらいたいのは古いテクノロジーと新しいテクノロジーの間の生産性が非連続であるということだ。これはテクノロジーの持つディスラプティブな性質によって与えられる。わかりやすくいえば、新しいテクノロジーは古いテクノロジーを破壊し、取って代わる。これが生産性の非連続性となって現れる。

一方で新しいテクノロジーを全ての人が素直に受け入れることは現実的な推定とはいえない。そこで人がテクノロジーを受け入れる受容プロセスを検討するにあたり、イノベーター理論とテクノロジーのハイプサイクルを合わせて検討することにした。

 

イノベータ理論 概略

イノベーター理論とハイプサイクルについて簡単に説明しておこう。イノベーター理論とはマーケティング理論のひとつで、新しいもの（今回の場合はテクノロジー）に対して興味を持って受け入れるタイプの人口比は標準分布で示されるという理論だ。イノベーター理論ではそのような人々をタイプ分けし、最も早く新しいものを受け入れるタイプからイノベーター、アーリーアダプター、アーリーマジョリティ、レイトマジョリティ、ラガードという具合にカテゴライズする。普通は、今の製品はどのタイプに受け入れられそうか、そしてそのマーケットの規模はどれくらいかを検討するのに用いられることが多い。

 

ハイプサイクル 概略

一方、ハイプサイクルとは新しいテクノロジーの期待感が時間とともにどのように変化するかを表した図だ。時系列順に説明すると、テクノロジーの出始めはトリガーと呼ばれ、認知度が低いために期待度も小さい。それが徐々に期待感が大きくなり、過度な期待感（これをハイプという）をもたらす。しかし、現実に使ってみると思っていたほどうまくいかない。これが幻滅を生み出す。幻滅したままテクノロジーが消滅する場合もあるが、順調に行けば期待感が復活し、テクノロジーの普及が起こる。これをエンライトメントと呼ぶ。次第にテクノロジーは安定した成果を生み出し始め、それとともに期待度も安定する。

 

マーケット累積分布をハイプサイクルで補正する

イノベーター理論では各タイプの人口比は正規分布を取ると仮定されている。そこで正規分布の累積分布関数で示されるマーケット人口（P(t)）をハイプサイクルで補正すると、累積分布関数は下の図の赤線に示されるような形状になる。。

P(t)はテクノロジーが時間経過に伴うマーケット人口の拡大を示しているので、ここで安定期までに要する時間は新しいテクノロジーが完全に普及するまでの時間に等しい。

 

テクノロジーが世界を変えるには段階的な受容が必要

人間の行動様式をイノベータ理論を適用することによって再現すると、人は新しいテクノロジーを受容し、最大限の生産性を得るまでには段階的な受容プロセスが必要であることが示された。

第一の段階は新しいテクノロジーへの期待感から、いち早くそれを取り入れようと動くイノベーターとアーリーアダプターの働きである。彼らはテクノロジーへの興味関心が高く、先駆者になりたいと考えている。さらにそこにアーリーマジョリティが加わることで、テクノロジーは一定の規模で世間に普及する。しかし過度な期待がすぎるとその勢いは鈍化し、特にレイトマジョリティのテクノロジーの受け入れが困難になる。

第二の段階はエンライトメントによってレイトマジョリティがテクノロジーを受容することによって発展する。第二段階は第一段階と比べて多くの時間を必要とする。また第二段階の受容を進めるためのエンライトメントにはイノベーターやアーリーアダプターがリーダーシップを発揮し、アーリーマジョリティが一般化させることが求められる。ただし、全ての人がテクノロジーを受容するわけではなく、ラガードと呼ばれる保守的でテクノロジーの受け入れを拒否する層が一定数存在する。

 

受容の第二段階に進めるための環境づくりが重要

今回の計算はイノベータ理論にハイプラインを応用することで、テクノロジーの二段階の受容プロセスの存在を明らかにした。特に受容の第二段階では、多くの時間とエンライトメントが必要になることが明らかになった。これは第二段階を成功させるのに多くのリソースと継続的な支援が必要であることを示している。

このことはテクノロジーの進歩とイノベーションまでの間に多くの時間を必要とすることを暗示しているが、現在に見られるテクノロジーの断続的な登場にいかに人が順応するかが問われている。

理系と論理的思考

ビジネスで論理的思考の重要性が説かれてどのぐらい経つのだろう。

就職活動にも論理的であることが有利に働くらしいし、ロジカルシンキングといえばビジネススキルのひとつとしてカウントされる。

そして世間では論理的思考=理系みたいになっている。以前、文系の学部出身の人から理系は就職に困らないから就職の苦労を知らないと嫌味を言われたことがある。個人的には結構苦労して就職しただけに、ずいぶんびっくりしたし、その分腹も立った。

ところでふと疑問に思うのだが、論理的思考だったら、文系の哲学科みたいな学部の人の方がよっぽど強いと思うのだがどうなんだろう。

その一方でこうも思う。もし哲学科のような議論が会社で行われたら、多分みんな働く意欲を失うのではないかと（哲学科の人すいません…）。

で、私は思うのだが、世の中は別に本当の論理性など必要としていないのではないか。実際、普段出会う人の中で論理的な人と会うことはほとんどない。むしろ論理性より、やる気、元気、お世辞の上手い人の方が多い。

確かにサイエンスは論理的だが、論理的思考はサイエンスだけのものではない。サイエンスが論理性を有するのは、サイエンスが実証主義を採択しているためである。事実、実証主義を採択しないサイエンスも残念ながら存在する。エセ科学、疑似科学と呼ばれるものだ。しかしエセ科学であっても論理性は有している。だからみんな騙される。

論理性は特定の学問のみが有する訳でもなんでもない。思考の一形態である。さらに論理が全てでもない。論理性は合理性をもたらすが、合理性を追求すると経験的ではなくなってしまう（この一文の意味は意味がわからなくても良い。以下で解説していく）。

今回のテーマは理系と論理的思考について思うところをまとめて、整理すること、論理的思考が万能ではないこと、むしろ論理的思考は理系にのみ有する特別なものではないことを明らかにすることである。

理系はなぜ論理的なのか

理系は論理的だと言われる。理系が具体的にどのような学問のことを指すのかは不明瞭だが、科学分野（サイエンス）をここでは理系と指す。

ではサイエンスはなぜに論理的なのか。それはサイエンスは実証主義を採択しているからだ。実証主義とは合理論と経験論を融合した哲学で、科学哲学の根幹をなすものである。

合理論とは論理学と数学のもつ性格（これを哲学の用語で表現するとアプリオリという）のことである。合理論の中では全ての事象は論理的な因果関係を持つ。しかし論理の結果が、必ずしも”事実”とは限らない。これを具体的に説明する有名な話がある。「鉛筆の尖った方を下にして、垂直に立たせることができるか」という話だ。

理論上では、接点と重心が垂直になるよう置けば、鉛筆を垂直に立たせることは可能だ。しかし実際問題として、鉛筆を垂直に立たせることはできない（疑うなら試してみれば良い）。このように論理的に可能であっても、実際問題として不可能であることは多々ある。ちなみにこの”垂直に立たせることはできない”という現実を哲学の分野では経験という。

鉛筆の事例から分かる通り、理論は経験から独立している。つまり理論は経験に影響を与えることができない。その一方で、理論が経験に従わないこと自体が、理論それ自体を否定することはない。つまり鉛筆を立てることはできなくても、理論上は可能ということはできるわけである。

だが、それではこの世界を論理的に表現するというサイエンスの目的を達成することができない。論理が現実世界を表現できなければ、サイエンスという学問そのものが成り立たなくなってしまうからだ。

そのため、サイエンスは実証主義を採択することとなった。こんな書き方をすると、そのような宣言があったように聞こえるかもしれないが、それは本当にある。”ウィーン学団 論理実証主義の起源•現代哲学史への一章”がそのひとつだ。もっともこれは実証主義の発展系である論理実証主義の採択だが、このウィーン学団の提唱がサイエンスに与えた影響は大きい。

この提唱によって、心理学もサイエンスの一分野として認められ、一方で形而上学的理論はサイエンスから淘汰された。

実証主義

では実証主義とはいかようなものか。実証主義とは測定、観察を通じて得られた結果を論理的に解釈するという哲学である。すなわち、実証主義に根ざす限り、どのような理論も経験的に確認されなければならない。

これは理論と事実の不一致があった場合、それをサイエンスとは認めないという考えの表れでもある。だが、それは理論そのもの、つまり論理的思考を否定するものではない。ただし論理を正しいとするためには、結果がついてこなければならないということだ。

理系の学問ではこのことを実験というプロセスによって学習する。すると自然と論理的思考が身につくことになる（もちろん真面目に勉強したことが前提だが）。このような思考体系は確かにビジネスにも役に立ちそうだが、実証主義的な思考回路を誰も説明できないし、そう言われても誰もピンとこない。だから平べったく”論理性があること”を要求し、その結果として”理系”という言葉が世の中に普及しているのだと思う。

だが、間違って欲しくないのは、論理的という表現は誤解の多い言葉だということだ。単に論理が強い人は、事実を直視できない人である可能性が高い。論理と事実の関係性を導くことのできる人が真に”理系な人”だと思う。しかしそのような高いスキルを持っている人間は世の中にあまり存在しない。だから世の中の人が論理的な思考を採用の評価や人材のスキルとして扱うことにはいささかの抵抗がある。

適切な仮説の立て方-まとめ

ではここで、適切な仮説の立て方を整理しましょう。

適切な仮説は次の3つの特性を有しています。

• 検証可能性
• 判定可能性
• 反証可能性

つまり適切な仮説であるかどうかを評価するには次の3点を満たしているかを考える必要があります。

1. その仮説は検証可能か
2. その仮説は判定可能か
3. その仮説は反証可能か

これらの評価は、次のように言い換えることができます。

1. その仮説は現実的に検証できる説であるか？あるなら、どのように検証するのか？
2. その仮説を判定するための明確な基準を設定することができるか？
3. その仮説は再現性のある事象、すなわち事実に基づいて検証されているか？

上記を満たしていれば、適切な仮説として具体的なアクションを起こすことができるでしょう。

補足: ニュースで話題になった事象を適切な仮説の立て方に基づいて検討する

事例1: 東芝の不正会計問題

現在経営再建中の東芝は多額の負債と2200億円もの債務超過により、実質的に経営が破綻しています。さらに16年12月決算では第三者機関である監査法人Pwcあらたから監査証明を得ることが出来ませんでした。

この事件の背後には東芝の上位下達の文化があるのではないかと言われています。

上位下達とは上の指示を下に伝えて達成するという、いわゆるトップダウンのことです。

この仕組み自体は組織体制によって当たり前のことですが、行き過ぎれば上記のような結果になってしまいます。

私はこの結果はハロー効果に基づく、事実と異なる仮説と誤った判定によって生まれたものだと考えています。

つまり経営陣のハロー効果によって、立場が下の者が経営陣に都合のいい結果を生み出すために、不適切な行為を行い、その結果、誤った結果に陥ったと推察します。

これは反証可能性の欠落です。

事例2: STAP細胞の存在の是非

「STAP細胞は本当にあるのか」こんな見出しが新聞や週刊誌にとりだたされたのは2014年7月のことです。

この議論は元々はこんな議論ではありませんでした。

元々の問題は「STAP細胞の作り方を発見したが、他の人が同じようにやってもSTAP細胞を作成できなかった」という再現性の問題でした。

簡単にいうなら、レシピ通りに作ったのに、思った通りにならなかったということです。

それが巡り巡って、STAP細胞はあるのか、ないのかという議論に論点が変わってしまったのです。

このように説明しても、「再現性がないということはSTAP細胞は存在しないということじゃないか」と言う人がいますが、それは論理的に間違っています。

再現性がないからといって、STAP細胞は存在しないとは言えません。

この事件から言えるのはSTAP細胞があるかないかはわからないが、少なくとも小保方さんの論文のやり方では作れなかったという事実だけです。

別のやり方なら作れるかもしれませんし、論文に何かが抜けているのかもしれません。

これは検証不足と論点のすり替えです。そして論点のすり替わった原因には世論というハロー効果があります。

世論は再現性の意味などよくわかりません。知りたいのはSTAP細胞というものが本当にあるのか、それだけです。

しかし判定可能性の項で説明したように、一般的に真であると判定することは、偽であるというよりも難しいのです。

ですから、STAP細胞があるかという議論は判定可能性が欠落しているのです。

まとめ

このように適切な仮説の立て方が、一般的諸問題にも応用可能であることがわかりました。

問題の原因には実証サイクルの中にある可能性もあります。

以上のことを踏まえて、様々な場面で適切な仮説の立て方を参考にしてください。

適切な仮説の立て方-その仮説は反証可能性か

反証可能性については適切な仮説の立て方-序でも軽く触れましたが、もう一度ポパーの言葉を思い出して見ましょう。

どのような手段によっても間違っていることを示す方法がない仮説は科学ではない

さて、序でも説明した通り、ここでは反証する「手法」があることが重要なのです。

例えば「この人の言うことには逆らえない」なんて場面が日常でもありますよね。

これは逆に言えば、この人の言ってることは仮説とは言えないということになります。このような現象を心理学ではハロー効果といいます。

人の肩書きや地位によって、その言葉の意味合いやニュアンスが大きく変わることを意味します。

しかし仮説の検証をする上でハロー効果を適用してしまえば、それは仮説ではなくなってしまいます。その人の都合のいいように解釈できるようにデータを組み替えたり、データを改ざんしたりしてしまい、間違った判定につながってしまいます。

さて、反証可能性について話を進めていきましょう。

全ての仮説は反証可能性を持たなければならないというポパーの主張は、全ての仮説は反証されていないだけで、真とは言えないとも言えます。

ニュートン力学の崩壊と反証可能性

例えばニュートンが発見した万有引力やその他の法則を元に物理学というものが誕生しました。

しかしアインシュタインの特殊相対性理論と一般相対性理論の発見によって、ニュートンが構築した物理学は反証されてしまいます。

故に現在、ニュートンが構築した物理学は古典物理学と呼ばれるようになりました。

しかしニュートンは反証可能性を意識して残していたのでしょうか？

もしニュートンが反証される可能性があると知っていたら、彼はそれについても検証していたでしょう。

ニュートンにとってアインシュタインは予知できない存在であり、彼によって自らの理論が破壊されるとは思っても見なかったはずです。

つまり反証可能性とは、仮説を立てる立場の人間が故意に（あるいは意識的に）持たせる必要はありません。

しかし客観的な立場において反証可能性があることは大切なのです。

では、どうしたら反証可能性を持たせることができるのでしょうか

それは、その仮説の検証が事実に基づいているかで判断できます。

では事実とは一体なんでしょうか？

事実とは再現性をもつ事象のことです。再現性とはだれがやっても、同じ結果が得られるという意味です。

つまり、その検証がだれがやっても同じ結果になるかを考えれば、そこには必然的に反証可能性が生まれてきます。なぜなら反証するためには、それを覆す新たな事実を発見すればよいからです。

まとめ

仮説は反証可能性を有していなければなりません。反証可能性を持たせるには事実に基づいた検証が必要であり、だれがやっても同じ結果を得られるかを判断することで、反証可能性を持っているか診断できます。

次へ

適切な仮説の立て方-その仮説は判定可能か

判定とは検証した結果に基づき、仮説の真偽を判断する行為です。

一般的に偽かどうかを判定するのは簡単です。理由は反証する事実を見つければいいからです。

前回の白いカラスは反証のいい実例と言えるでしょう。

白いカラスの発見によって「カラスは黒い」という命題が否定された

しかし真と断定するのは非常に難しいものです。なぜならどのような視点から見ても反証されない確率は、いずれかの視点で反証される確率に比べてはるかに小さいからです。

さらに現実的な問題として、人的ミスや機器の不具合、検証方法による不整合などの誤差が発生します。

誤差は反証の事実とは言えませんが、ある差分を見ただけでは、それが誤差なのか、それとも明確な違いなのかを区別することはできません。

このような誤差と明確な差を区別する学問が統計学と呼ばれるものです。

最近はデータサイエンティストという職業の方もいるそうですが、こういった方々は統計学を駆使してビジネスドライブしていく役割を担っています。

さて、統計学とは簡単にいうと山程のデータから何らかの関係性を見出して、仮説を立証していく学問です。

山程のデータを扱うわけですが、その中には誤差やミスなどのデータも含まれます。そういったデータの中から関係性を見出すためには、誤差を弾くための何らかの基準が必要になります。

科学や統計学に詳しい人ならt検定とかp値といった言葉を聞いたことのある人もいるのではないでしょうか。

今回はこれらの統計の専門的な話は抜きにするとして、判定をするためには何らかの基準が必要であることを理解してください。

まとめ

仮説を判定するためには何らかの基準

をあらかじめ設定しておく必要があります。

その基準を立てられなければ、仮説を判定することはできません。ですから仮説を立てる際には、検証方法を検討した後に、その結果がこうであれば真、こうじゃなければ偽という基準を立てておくことです。

もし基準が見出せない場合は、検証方法や仮説を見直しましょう。

次へ

適切な仮説の立て方-その仮説は検証可能か

まず仮説を思い付いたら（この時点では正確には単なる「思い付き」あるいは「アイデア」なのですが）、その仮説が検証可能か考えましょう。

例えば前々回の記事のなかで「カラスは黒い」という話をしました。

これは「ヘンペルのカラス」と呼ばれる命題で、帰納法の弱点を指摘したパラドックスです。

普通「カラスは黒い」ことを証明するには、世界中すべてのカラスを見て黒いことを確認する必要がありそうですが、それは現実問題として無理です。

そこでヘンペルさんは「カラスは黒い」ことを証明するために、帰納法を用いました。

つまり、この命題の対偶である「黒くないものはカラスではない」を証明することで、「カラスは黒い」ことを証明したのです。

意味わかりますか？

言い換えると、「カラスは黒いという仮説は黒くないカラスが見つかるまでは真である」ということです。

この論法、ずるいですよね。

「カラスは黒い」を証明しろって言われて「黒くないカラスが見つかるまでは、カラスは黒い」って言ったらなんでもありになっちゃいます。

それが帰納法の弱点、つまりパラドックスなのです。

• 「カラスは黒い」
• 「黒くないものはカラスではない」

両方とも「現実的には」検証できないのです。

机上の論法は出来ても、現実的に検証できなければ意味がありません。

このように、この仮説を立てる際にはその仮説をどのように検証するのか考えておく必要があります。

これをないがしろにすると、「そう言われても何をすればいいかわからない」状態になります。

そして何をしても、その仮説の真偽を判定することは不可能です。

こういう場合は、仮説そのものを見直し、検証可能な仮説に組み立て直す必要があります。

ちなみにヘンペルのカラスはその後反証されます。つまり「黒くないカラス」が見つかったのです。

これはアルビノのカラスです。アルビノとは先天性色素欠乏症と呼ばれ、生まれつき色素が出にくい体質のことです。

これでようやくヘンペルのカラスは反証されたのでした。

補足: ヘンペルのカラスをビジネスシーンに例える

ヘンペルのカラスをビジネスシーンで考えてみましょう。そうすると意外な発見があるかもしれません。

今回はヘンペルのカラスを上司と部下の会話に例えてみましょう。

上司: 俺は「全てのカラスは黒い」と思っている。おまえ、それを証明をしてくれ

部下: でも、すべてのカラスを黒いと確認するのは現実的に無理ですよ。代わりにその仮説の対偶「全ての黒くないものは、カラスじゃない」が正しければ、その仮説が正しいと証明できますよ。

上司: その方が現実的に無理だろ？

部下: そっちの方がはるかに簡単ですよ。つまり「黒以外のカラス」が発見されなければ「全てのカラスは黒い」という仮説は正しいわけです。

上司: よくわからないんだが…どういうことだ？

部下: 「黒以外のカラス」が見つかるまでは、その仮説は正しいってことですよ。

上司: ん、あ、え、そうなの？…じゃあそういうことでいいか…

さあ、これで上司は納得できたのでしょうか。おそらく納得はしてないでしょう。

もしかしたら「いや、黒以外のカラスを見つけてこい」とか、「他にできることを考えろ」というかもしれませんが、そもそもその仮説の検証可能性がないので何もできません。

だから検証可能性は大事なのです。

まとめ

思い付きやアイデアは検証可能性と判定可能性、反証可能性を持って初めて仮説になります。

検証可能性は仮説の真偽を確かめるために重要な特性です。

まず仮説を考えたら、それをどのように検証するか、具体的な方法を検討しましょう。

もし検討方法が見つからない場合は、その仮説を見直し、新たに仮説を組み立て直しましょう。

次へ

適切な仮説の立て方

前回、科学の仮説とビジネスの仮説の相違点という記事を書きましたが、今回はそもそも仮説をどのように立てるかを考えていきたいと思います。

なお、本章では科学とビジネスの区別はしません。仮説という原理原則に従って、汎用的、一般的に適切な仮説について論じます。

この議論は、この記事を含めて5つのブログで構成されています

1. その仮説は検証可能か

2. その仮説は判定可能か

3. その仮説は反証可能か

4. まとめ

学び方はこの記事から順に1-4へと読んでいくことを想定しています。ただしこのような議論は理解しにくい場合もあるでしょう。その時は前項に戻ったり、それぞれの意味合いを再確認してください。

仮説の実証サイクル

まず仮説の実証サイクルについて説明しましょう。仮説は検証、判定というプロセスを経て、実証されなければなりません。下の図を見てください。

ここでは判定の結果によって、分岐が生じます。判定が真であれば、その仮説は正しいということになります。一方、偽であった場合には、新たな仮説を立て、その検証、判定を繰り返します。

これが実証サイクルです。全ての仮説はこのサイクルを経て判定されなければなりません。

よって仮説には次の特性を有していることが必要になります。

• 検証可能性
• 判定可能性

これらについてはそれぞれ別の記事で詳しく説明します。

補足という名の独り言

実証サイクルってPDCAサイクルと似てるなと思った方、鋭い！本質的には実証サイクルはPDCAサイクルと似ています。

しかしPDCAサイクルと実証サイクルの決定的な違いは判定によって生じる分岐です。

判定はPDCAで言うところのCheckに相当しますが、PDCAはPlan（計画）とDo（実施）の間に差分があることを前提としています。例えば、計画を100%として、実施が80%だった場合、その差分の20%を確認することがCheckです。そして20%を埋めるための作業がActionになるわけです。

一方、実証サイクルの判定結果は真か偽のいずれかしかありません。前にも述べましたが80%正しい仮説のような中間がありません。100%以外は全て偽です。

その点を考慮して、実証サイクルはPDCAサイクルと異なる形になっています。

反証可能性

この言葉を聞いたことがあるでしょうか。

反証とは、正しいとした仮説を覆す事実のことです。

科学哲学者であるカール•ポパーはこう述べています

どのような手段によっても間違っていることを示す方法がない仮説は科学ではない

これを聞いて？となった方もいるのではないでしょうか。

間違ってることを示すことができないなら、その仮説は正しいということでは？そう思われるでしょう。

でもポパーの言っているのはそういうことではありません。

ポパーはどのような説も、それが間違っていると証明する「手段」があることが必要だといっているのです。

例えば「私は神だ」といってる人がいるとします。これは反証できるでしょうか。「お前は人間だ、その証拠にお前は俺たちと同じ姿をしているじゃないか」といっても、相手は「お前たち人間は私に似せて作ったから同じ姿なのだ」と言われるかもしれません。

ちなみにこの返答は旧約聖書にある「神は自らに似せて人間を創造された」に基づいています。

このような仮説は議論の余地がありません。つまり反証する手段がないのです。これがポパーのいう反証可能性の重要性です。

実は反証可能性は、上述した検証可能性、判定可能性の両方を内包した表現なのですが、説明のし易さと理解のし易さを考慮して、ここでは反証可能性は独立した概念として扱いましょう。

まとめ

適切な仮説には次の3つの特性を有している必要があります

• 検証可能性
• 判定可能性
• 反証可能性

つまり適切な仮説であるかどうかを評価するには次の3点を満たしているかを考える必要があります。

1. その仮説は検証可能か
2. その仮説は判定可能か
3. その仮説は反証可能か

それぞれの点の評価は、別の記事で紹介することにして、今日はこの3つの論点を覚えておきましょう。

次へ

科学の仮説とビジネスの仮説の相違点

「仮説を立てる」という言葉はビジネスの世界で流行しているようです。Amazonで「ビジネス 仮説」と検索すると134件もヒットします。それに昨年はBCG流仮説思考みたいな本が大いに売れました。

もともと仮説という言葉は科学用語だったのですが、それを科学的管理法とか科学的経営とかいう経営学理論が発展するうちにビジネスの世界でも仮説という言葉が使われるようになったのだそうです。

僕はもともと自然科学を勉強していたので、仮説という言葉の意味は知っているのですが、どうもビジネスの世界で使われる仮説という言葉の使われ方に違和感がありました。

そして色々な仮説の使われ方を見聞きするうちに、段々「ビジネスの仮説」というものが理解できてきました。

そこで今回は、「科学の仮説」と「ビジネスの仮説」の相違点についてまとめることで、その意味合いを僕なりに整理することにしました。

仮説の意味

仮説というのは、字のごとく「仮に立てる説明」のことです。より正確にいうのであれば、「ある事象の発生の原因が不明な場合、その事象を合理的に説明するために、仮に立てる説明」のことをいいます。

例えばリンゴが木から自然に落ちたところを想像してみましょう。（もちろん、万有引力の法則は知らないという前提で。）

その事象をみて、なぜリンゴは外部の力なしに下に引き寄せられたのだろう？と思い、それを合理的に説明するために「大地は、周囲のものを引きつけている」という仮説を立てたとします。

それが本当かどうかはまだわかりません。ただこの説はリンゴが落ちた事象を合理的に説明できています。これが科学で用いられる仮説です。

一方、ビジネス上で使われる仮説という言葉のニュアンスは人によって異なります。

例えば「この事業に参入すれば儲かるはずだ」とか、「〇〇すれば、もっと収益性が高まるはずだ」という文が仮説と言われる場合もあります。

その他にも「顧客はこういう課題を抱えているのではないか」などの言い方もあります。

これが科学の仮説と意味が異なることがわかりますか？

科学の仮説は、ある事象に対し、例え仮にせよ（つまり真偽がその時点で不明であっても）合理的な説明になります。

つまり仮にでも断定的な文になります。「なになにが、なになにだ」という表現になります。

しかしビジネスの仮説は断定的な言い方はしません。「なになにではないか（？）」、「きっとなになにだろう（？）」という表現になりがちです。表現の仕方では（？）とはならないかもしれませんが、本質的な意味では一緒です。

つまりビジネスの仮説というのは、仮説というより、推定、推論という表現の方が適切です。

この違いはとても重要です。なぜなら仮説を立てた後続く、判定に影響するからです。

検証

判定について勉強する前に、検証について理解しましょう。

検証とは、ある仮説の真偽を判定するために行う行為を指します。

先ほどのリンゴの例、あれは天才と呼ばれたニュートンが万有引力の法則を発見した時のエピソードですね。

たまに勘違いされている方がいるのですが、ニュートンが天才と呼ばれたのは「リンゴが落ちたのをみて、万有引力を思いついたから」ではありません。

万有引力という仮説を検証して、証明したから天才なのです。

（仮説を思いついただけで天才と呼ばれるのであれば、幼稚園児の時、スーパーボールを壁にぶつけて跳ね返ってくるのをみて、「これは僕が与えた力に対して、壁がそれと逆向きの力を与えたからだ」と思った僕も天才になってしまいます。）

検証という行為は非常に重要です。この行為がなければ、仮説はただの「思いつき」になってしまいます。

（だから僕は凡人なのです）

検証という行為を通して仮説の真偽を決定します。このプロセスは科学の仮説もビジネスの仮説も両方あります。

検証の方法は仮説により異なります。科学では実験や観察という行為が検証方法の代表ですが、ビジネスでは分析などが方法として一般的ではないでしょうか。

科学でいう判定

検証行為を通じて得られたデータないし知見を用い、仮説の真偽を決めることを判定といいます。

この判定プロセスが科学とビジネスで決定的に違う部分です。

科学でいう仮説の判定は真か偽のどちらかです。0か1か、マルかバツか、そのいずれかです。

ですから「この仮説はちょっと間違ってる」とか、「この仮説はおおよそ正しい」という表現は間違っています。どちらも偽です。

そんなこと言ったら大抵の仮説は偽だろうが！と思われるかもしれません。その通りです。

エジソンの名言にこんな言葉があります。

「1万回の失敗をしたのではない。うまくいかない方法を1万通り見つけただけだ」

これはまさにその通りなのです。つまりこの仮説は偽であった。では次の仮説は…と繰り返し考えながら真実を探求していくのが科学なのです。

補足

ここは読み飛ばしても構いませんが、上のプロセスだと永遠に真実は掴めないと思う方もいるかと思います。

この仮説は偽であった。では次の仮説は…、またその次は…、またまたその次は…となり、永久に真とは言えないこともあるでしょう。その結果、最終的に生まれるのは偽とは言えない仮説です。

また例え、この仮説は真だ。と言えても、ある事実によってその仮説が覆される可能性もあります。

数学の授業で「カラスは黒い」という命題を証明しろというのを習ったことがあるかもしれません。

たとえここで、この命題が真と証明したとしても、突然変異で白いカラスが生まれる可能性はあります。事実、ホワイトタイガーという虎は、遺伝子の突然変異によって色素がなくなってしまった虎です。

このように、すべての仮説は覆される可能性を持っています。これを反証性と呼びます。またある事実により、これまでの常識が覆されることをパラダイムシフトと呼び、そのような事実はディスラプティブ（破壊的な）な事実と呼ばれます。

言い換えれば、我々が常識と考えているものは真実ではなく、いつか或いはいつでも覆される可能性を持つ仮説であるということもできます。

ビジネスでいう判定

ビジネスの仮説を検証し、判定を下すというのは非常に難しいといえます。

なぜならビジネスの仮説自体が推定、或いは推論なので、真偽と判定することができないからです。

ですから判定というより、可能性を探るというような形になりがちです。

天気予報を思い出して下さい。天気予報には降水確率というものが表示されます。我々一般消費者が知りたいのは、雨が降るのか、降らないのかのどちらかです。しかしそんなことはお天気お姉さんでも判定できないのです。ですから確率で考えることになります。

ビジネスの仮説もこれに似ています。仮説（或いは推論）を立て、それを検証し、仮説の真偽の可能性を判断します。可能性が低ければ、仮説を修正し、改めて検討して可能性を高めます。

この繰り返しにより、ビジネスという可変性の高いものを、より成功に近づけるための方法を模索します。

まとめ

このように仮説という言葉の意味が科学とビジネスで大きくニュアンスが異なることがわかりました。

もし皆さんが仮説という言葉を使う時は、あらかじめこれらの違いを理解しておくことが重要です。

特に、自分では仮説と思っていても、周囲は「それは個人的な思いだろう」と思われるような仮説の立て方をしているかもしれません。

そんな時は「そもそも仮説ってなんだっけ？」という問いを自分で発することが必要です（だから僕もこの記事を書いたんですが）

次回は「適切な仮説の立て方」を書いてみたいと思っていますが、何しろ個人的なブログですし、電車の車中で思い付きで書いてるのでいつになるかわかりません。

また次回、お会いしましょう。

自分の頭に電気を流してみた-tDCS実験-

注意: 本ブログで紹介している実験は安全性が保証されているわけではありません。ご自身で実験をする場合、ご自身の責任でおこなってください。

Attention: I do NOT guarantee the safety of this experiment. If you try, do it your own responsibility.

tDCSとは

tDCSとはtranscranial direct current stimulationの略称で、日本語に直すと経頭蓋直流刺激と呼ばれます。

この療法は結構昔から存在していて、約200年前の論文にもこの記載があるようです。ただ当時は精神分裂症（現代ではこのような言い方はしないと思いますが）のような重度の精神病患者に使用されていた療法のようです。

確かに、昔の映画には精神病院で患者が手足を拘束されて、頭に電極を付けられ、半ば拷問に近い形でこのような処置が施されていた映像を見たことがあります。

この療法、理屈はよくわからないのですが効果は認められているようで、実際に重度の患者がこの処置によって大人しくなったり、一定の回復を見せたという事例は数多く存在しています。

ちなみにこの療法は現代でも行われているそうです。ただし今は苦痛を和らげるため、麻酔により眠らせた上で、電気を流すという人道的な処置が施されています。

最近tDCSが注目され始めている

このtDCS、今までは精神医学療法として用いられていたのですが、ここ最近になり新たな効果が認められ、医学、脳科学の分野で再び注目を浴びるようになりました。

なんでもこの処置を受けると記憶力や学習能力が高まるというのです。さらに運動能力を増幅させる効果もあるとか。それ以外にも脳卒中のリハビリに効果があったりとか、いろいろな効果が明らかにされてきました。この分子機構は長らくわかっていませんでしたが、理研のチームがこの分子メカニズムを解明したというプレスリリースを公表しています。

要は頭に電流を流せばいいのでは？

色々、うんちくを垂れましたが、要するに「電気を頭に流すと脳が活性化する」みたいな解釈で良さそうです。だったら是非やってみたい！

といっても、一般の人はそういう機械をどのように手に入れたら良いのか。Amazonで調べてみるとこんな機械も売ってたりするんですが、いくらなんでも値段が高すぎます。だって結局、電気流せばいいんでしょ？だったら自分でなんとかできそうじゃないですか？

tDCS装置を自作してみる

装置といっても、そんな難しいものではありません。要するに電気パットと電極と電源があればいいんですから。

そこで今回は以下の3つを用意して見ました。

1. 3M レッド ダット 心電図用の電気パットです。使い捨てですが、誰でも買えます。普通の電極だと火傷したりしそうなので、あえて医療用を選択しました。
2. ワニ口クリップ 別にこれじゃなくてもいいと思います.適当に選びました。
3. 9V 電池 使ったのはこのリンクのものではありません。100均で買ってきた中国製のものです。参考までに。

実験してみる

実験した結果はYoutubeの動画にアップロードしました。

10分近い映像なんですが、実はこの後も電気が流れた感覚というか、不思議な現象が起きています。

まず、体全体がちょっと痺れています。実は動画を撮った後でこの文章を書いているのですが、なんか体がフワフワという感じがしてます。あるいはビリビリという感じが。経験がないので、言葉で説明できないのですが、不思議な後味という感じです。

あと匂いですね。なんかね、食べ物の匂いがするんですよ。しかもその匂いがころころ変わるんです。カレーのような匂いだったり、魚を焼いている匂いだったり。もちろん、カレーも魚も焼いてません。窓も閉めきっているし、外から匂いが入ってるわけでもなさそうです。

効果はあったのか

こればっかりは正直まだわかりません。Natureに乗ってる論文でも1週間マウスにtDCSを与えた結果が記載されているだけですから、そんなにすぐに効果が出るものでもないでしょう。しかしとにかく、実験器具としては整ったので、しばらく継続して見たいと思います。
<参考文献>

http://www.nature.com/news/2011/110413/full/472156a.html

iPhoneで撮った写真を3Dにしてみた

Autodesk社のRecapという製品を使って3Dオブジェクトを作りました。

今まで3Dオブジェクトを作るには高価なスキャナが必要だったり、高度なスキルを必要としてきましたが、Recapでは写真をアップロードするだけで3Dオブジェクトを作成することができます。

今回の僕の目標はインドに行った時にお土産で買ってきたガネーシャ像を3Dモデルにすることです。

Autodesk IDを作成

ReCap 360にアクセスすると、Sign inが求められます。

すでにAutodesk IDをお持ちのかたはそのままサインインしましょう。

持っていない人は新規にAutodesk IDを作成します。

Sign upを選択して、メールアドレスとパスワードを入力すると、認証メールがくるので、そのメールをクリックするとIDがアクティベートされます。

Recap 360にアクセス

無事にサインイン出来るとこのような画面が出てきます。

ここまでできたら写真を撮っていきましょう

写真を撮る

ReCapは写真をアップロードするだけで3Dモデルを作成してくれるのですが、写真の撮り方にはコツがあります。

このYoutubeの動画を参考にしながら撮影していきましょう。

このYoutubeでは下の写真の変な仮面を3Dモデルにしようとしています。

この時、写真は周囲360°の方向から何枚も写真を撮っていきます。

周囲と斜め上方向から写真を撮ります。

イメージとしてはこんな感じ

僕の場合は全部で29枚撮影しました。

すべてiPhone6sで撮影しました。

ここで注意事項があります。

iPhoneの写真にはLiveモードというものがあります。これは写真を長押しすると1,2秒前後の動きが映る機能です。

最近のiPhoneはこのLiveモードがデフォルトになっています。この写真をPCにアップすると、1枚の写真がJPEGファイルとMOVファイルの二つのファイルとして出てきます。

ReCapにアップロードするときはJPEGファイルだけにしましょう。MOVファイルが混じっているとアップロード時に何度もアップロードできませんという表示が出て、処理がその都度止まってしまいます。

ReCapにアップロード

ReCap 360にアクセスして「写真から3D」をクリックします。

こんな感じです

その後、右下の「設定」をクリックしましょう。今回のファイルの名前は「ガネーシャ」にしました。

スマート切り取りやnadir imagesは「オン」にしておきましょう。

このまま右下の「作成」をクリックすると、写真がReCapにアップロードされます。

終了まで待つ

ここまできたらあとは待つだけです。

下の画面が100%になれば処理は完了ですが、ずっと待っているのは退屈です。

そこはReCapの気が利くところで、処理が完了するとメールが届きます。

そのメールが来るまでしばらく待ちましょう。

メールがきた！

このメールが来たらラッキーです。

うまくいかなかった場合は次のようなメールが来ます。

うまくいかない理由はいろいろ考えられますが、写真がうまく撮れていない場合がほとんどです。あるいは被写体がReCapに向いていない可能性もあります。

もう一度Youtubeを見て、確認しましょう。

3Dモデルを開く

さてgreat news!というメールが来たら早速3Dモデルを開いてみましょう。

メールのリンクからReCapのダッシュボード画面を開きます。成功していれば下のようになっているはずです。

ここでガネーシャをクリックすると次のような画面が現れます。

そうしたら「3Dモデルを開く」をクリックします。すると…

あれ…なんだかよくわからない画像が表示されました。

でも大丈夫。これをマウスでクリックしながら回転させてみましょう。ホールドしながらマウスを動かすとモデルが回転します。

これが完成した3Dモデルです。

横から見るとこんな感じ

上から見たらこんな感じ

ちゃんと3Dモデルになってます。

余分な部分を取り除く

上の写真を見て分かる通り、ちゃんとガネーシャは3Dになってるんですが、ガネーシャの周囲にあるものまで写ってしまっています。

そこで周囲の余分な部分を取り除くツールがこれです。

クリックすると3Dモデルが灰色の四角い箱に閉じ込められたような形になります。

この箱の面をクリックしながらマウスを動かすと、余計な部分を取り除いてくれます。

最後にEnterを押してSaveします。

取り除いてキレイにしたのがこちら

これでガネーシャモデルの3Dモデルの完成です。

オブジェクト形式でダウンロードする

せっかく綺麗にできたので、これを使って3Dプリントやゲームなんかに利用したいという人もいると思います。

ReCapは無料版でも.objと.rcmのファイル形式でダウンロードすることができます。

ひとつ前の画面にもどると下の方にExportsというのがあります。

ここから必要なファイルはダウンロードできます。

ちなみに作成したデータはGallyにシェアしてます。

こちらから見ることができます