「感じているように見えるだけ？」─AIと人間の“感情”の違いについて考えてみた
この2年くらいで爆発的に成長したAIを毎日使い倒して仕事をしているのですが、ふと思ったんです。
AIと人間の「感情」って、どれくらい似ていて、どれくらい違うんだろう？と。
AIは、入力された情報に対して最適と思われる出力を返す。機械的でロジカルな反応。
でも、人間も、ある意味では同じなんじゃないのかな？と。
たとえば、人が怒りを感じるとき。
状況、過去の経験、相手の言動など、いろんな“入力”を受け取ったうえで、怒るという“出力”をしている。
もう少し言えば、
- 状況、過去の経験、相手の言動など、いろんな“入力”を受け取る
- 脳が怒りを感じるための内容だと判断
- 脳が体に対して反応を要求
例えば「腸が煮えくり返る」の様な身体的刺激が発生 - 脳がその刺激を受け取り自分が怒っているということを再認識する
って感じで処理されている気がします。
例）ドラゴンボールZの有名なシーン
状況：クリリンがフリーザにコ◯される
- クリリンがコ◯された上、フリーザから煽られる
- クリリン死んだじゃん！なんでだよ！と怒りが込み上げてくる
- 怒りが高まって超サイヤ人になる
- 超サイヤ人になった悟空を見て「カッケー！」と子どもたちが憧れる
は、冗談として。笑
でもここで一つ疑問が生まれたんですよね。
「それって、“本当に怒ってる”ってことなのか？」って。いや、悟空はめっちゃいかってたけどｗ
話を戻して。つまり、ある人が怒ってるように見えたとしても、実際には「怒ったふりをしたほうがその場において最適だ」と判断した結果として、その表情や言葉を選んでいるだけってことはすごいあると思うし。無意識に脳と身体が、それをさせているのだけなのかもしれない。
では、感情とは何なのか？
それって、AIと何が違うんだろう？
たとえばAIは、悲しんでいるユーザーに対して共感するように「大丈夫？」と返すことがある。
しかし、AIは悲しみを“感じて”いるわけじゃない。あくまで「この状況での最適な出力」が「大丈夫？」「つらかったね」といった言葉なのだ。
人間も、特に大人は、日常の多くのシチュエーションに置いて似たことをしている。
ある感情を「出す」ことが、自分の内面に実際にあった感情と一致しているとは限らない。むしろ、無意識のうちに自分の社会的な立場、関係性、過去の経験、損得などを計算して「この感情を表出するのが最適」と判断している場合が多いよね。
「AIは感情を持っていない」とよく言われるけれど、人間だって“思考パターンと経験”に支配された感情を演じているだけと言ってしまうこともできるのでは？
もちろん、人間には「主観的な体験」という決定的な違いがある。
でも、AIの応答がどんどん「人間らしく」なってきた今、私達が「これは感情だ」「これは本心だ」と信じているものをAIが同じように持つ未来が直ぐそこまで来ているきがするんですよね。
少なくとも、第三者から見れば、見分けがつかないレベルになるのは、この数年で実現するんじゃないかな。
今回はそんなAIについてどのように動いているのか？ロジック的な仕組みをOSI参照モデルを例に考察してみました。
🔍 AIの構造を「OSI参照モデル」で理解する
― ChatGPTを例に、AIの階層構造を読み解く ―
AI（人工知能）とひとことで言っても、その中にはさまざまな構造や種類があります。
生成AI（Generative AI）、RAG（Retrieval-Augmented Generation）、LLM（Large Language Model）などの概念は聞いたことがあっても、それらがどのように関係しているのかを理解するのは簡単ではありません。
この記事では、ChatGPTというAIがどのような層構造で成り立っているのかを、通信技術で使われる「OSI参照モデル（7階層構造）」になぞらえて解説してみます。
※『例えるなら』ということです。本当にこの記事のOSI参照モデルのように定義されているわけではないと思います。
🧊 AIと人間の「思考の似ている点・違う点」
AIも人も「入力をもとに反応する」という構造では共通しています。
しかし、“感じる”ことができるかどうかという点で、決定的な違いがあります。
| 区分 | 観点 | 人 | AI |
|---|---|---|---|
| 共通点 | 入力→処理→出力の流れ | 刺激（質問・状況）を受けて思考・感情を介して応答する | 入力データを解析し、アルゴリズムで最適な出力を生成する |
| 学習による変化 | 経験や記憶を通じて判断基準・価値観を形成 | 過去データからパターンを学習し、重みを更新する | |
| メタ制御の存在 | 自分の思考や行動を俯瞰して制御（メタ認知） | 出力内容を安全・整合的に制御（メタ制御・フィルタリング） | |
| 相違点 | 主観的体験（感情） 「クオリア（Quaria）」の有無 | 「うれしい・悲しい」などの感情を実際に感じる | 感情表現を模倣するが、主観的体験はない |
| 身体性 | 内臓反応・ホルモン・痛覚など、身体信号が感情に影響 | 身体を持たず、数値的処理のみ | |
| 目的・能動性 | 自ら価値判断を行い、目的を設定して行動する | 与えられた目的関数や指示に従って反応する | |
| 意味の理解 | 社会的・文化的文脈の中で意味づけを行う | 統計的関連から「意味らしさ」を推定する |
⚡ 例：怒りを例にした「処理のちがい」
人間：状況の解釈 → 自律神経反応（腸が煮えくり返るような感覚） → 「怒り」を体験 → 行動を決定
AI：入力解析 → 知識検索（RAG） → 「怒りの文体」で出力 → 感情体験はなし
👉 AIは“人のように振る舞える”が、“人のように感じはしない”。
だが、人間も感じているという状況は信号伝達でしかない。
🧩 OSI参照モデルとは ──「データの会話」にも階層がある
ネットワークの世界にも、人間の会話と同じように「伝え方のルール」があります。
その仕組みを整理してくれているのが OSI参照モデル（Open Systems Interconnection）。
名前だけ聞くと少し難しそうですが、これは要するに――
「コンピュータ同士がどうやって“話を通じ合わせているのか”」を7つの階層に分けて説明した地図のようなものです。
昔はメーカーごとに通信の仕組みがバラバラで、同じ言葉を話しても伝わらないことが多かった。
そこで、「みんなこのルールに沿って話そうよ」と作られたのがこのモデルです。
つまり、OSI参照モデルは、データ通信の流れを抽象化し、通信を7つの層（レイヤー）に分けて整理した国際標準モデルで、各層が明確な役割を持っています。
OSI参照モデル簡略図
| 階層 | 名称 | 主な役割 |
|---|---|---|
| 第7層 | アプリケーション層 | ユーザーと直接やり取り（Webブラウザ、メールなど） |
| 第6層 | プレゼンテーション層 | データ形式の変換（文字コード、暗号化など） |
| 第5層 | セッション層 | 通信の確立・維持・終了 |
| 第4層 | トランスポート層 | 通信の信頼性保証（TCP/UDP） |
| 第3層 | ネットワーク層 | 通信経路の決定（IPルーティングなど） |
| 第2層 | データリンク層 | 物理アドレスで通信制御（MACアドレスなど） |
| 第1層 | 物理層 | 電気信号やケーブルなど、実際の通信媒体 |
OSIの7つの階層
それぞれの階層は、まるで“リレー”のようにデータを受け渡しています。
下の階層が「どう伝えるか」を担当し、上の階層が「何を伝えるか」を考える――そんなチームプレイです。
第7層：アプリケーション層
→ 私たちが普段触れている世界。ブラウザ（HTTP）やメール（SMTP）など、ユーザーに一番近い場所です。
第6層：プレゼンテーション層
→ データの“翻訳者”。文字コードや画像フォーマットの変換、暗号化や圧縮もここで行われます。
第5層：セッション層
→ 会話の“司会進行”。通信を開始し、途中で混乱しないように整理し、終わったら「お疲れさま」と閉じます。
第4層：トランスポート層
→ データを安全に届ける“宅配便”。TCPやUDPといったプロトコルが使われ、信頼性や速度を調整します。
第3層：ネットワーク層
→ “道案内役”。IPアドレスを使って、データがどの経路で目的地に向かうかを決めます。
第2層：データリンク層
→ “ご近所通信”の管理人。同じネットワーク内でのデータの受け渡しを担当し、MACアドレスでやり取りします。
第1層：物理層
→ 一番下の“配線係”。ケーブルを通る電気信号や光信号など、データが実際に流れる物理的な部分です。
OSIモデルの意義
OSIモデルの面白いところは、「見えない会話の流れ」を可視化してくれること。
標準化の力：メーカーや機器が違っても、同じルールで会話できるようにした。
理解の助け：難しい通信の仕組みを7つの“役割”に分けたことで、どこで何が起きているかを整理できる。
トラブルに強い：もし通信が止まったとしても、「どの階層で問題が起きてるのか」を特定しやすい。
今のインターネットはTCP/IPという別のモデルをベースに動いていますが、
OSIはそれでもなお“通信の基礎体力”を鍛える教科書のような存在です。
データが遠くの誰かに届くまでには、こんなに多くの層が静かに働いている。
そう思うと、ネットワークの世界も、どこか人間の社会みたいですよね。
通信技術の標準であるOSI参照モデル（7階層構造）を使うと、AIの「内部構造」をわかりやすく整理できます。
| OSI層 | OSIモデルの役割 | AIスタックにおける対応要素 | 説明 |
|---|---|---|---|
| 第7層 アプリケーション層 | ユーザーとの直接通信 | ChatGPTなどの生成AIアプリ | チャット画面、API、ダッシュボードなど。人とAIの接点。 |
| 第6層 プレゼンテーション層 | データ形式・表現方法の整形 | 出力整形、音声合成、トーン調整 | 出力文のフォーマットや話し方を整える。 |
| 第5層 セッション層 | 通信の継続管理 | 対話履歴・ユーザーメモリ管理 | 会話文脈を保持し、過去の発言を踏まえた応答を生成。 |
| 第4層 トランスポート層 | 信頼性のある通信制御 | RAG（検索＋生成） | 外部データを取得し、LLMと連携して回答を生成。 |
| 第3層 ネットワーク層 | 経路選択・情報転送 | Retriever／VectorDBインデクサ | 関連情報を検索・抽出する仕組み。 |
| 第2層 データリンク層 | 低レベル通信処理 | トークナイザー／エンベッダー | テキストをトークン化し、数値ベクトル化する。 |
| 第1層 物理層 | 実際の信号伝送 | LLMモデルパラメータ（重み） | 巨大なニューラルネットが実際に処理を行う部分。 |
🧠 主要構成要素の役割
| 要素 | 担当層 | 機能 |
|---|---|---|
| LLM（Large Language Model） | 第1〜2層 | 言語理解と生成を担う脳 |
| RAG（Retrieval-Augmented Generation） | 第3〜4層 | 検索＋生成の知識補完機構 |
| ChatGPT（アプリ層） | 第5〜7層 | 対話・UI・出力管理 |
🧠 各構成要素の詳細
ChatGPTなどの生成AIアプリケーション
担当層：第5〜7層
役割：ユーザーとの対話、文脈管理、音声出力、UI統合
特徴：LLMとRAGをバックエンドに持つ“人格層”
RAG（Retrieval-Augmented Generation）
担当層：第3〜4層
役割：外部データベース（VectorDB）から知識を検索し、回答に統合する仕組み
特徴：「検索（Retriever）」と「生成（Generator）」の融合
Tokenizer / Embedder
担当層：第2層
内容：テキストをトークンに分割し、数値ベクトルに変換する。
LLM（Large Language Model）
担当層：第1〜2層
役割：言語を理解し、次の単語を予測する「脳」
例：GPT-4o、GPT-5、Claude、PaLM、LLaMAなど
🧩 拡張的に含まれる要素
フィルタリング層（セーフガード）：倫理的問題を避けるためのルールやフィルター（多くはセッション層やアプリケーション層に近い）
音声認識/合成：Speech-to-Text / Text-to-Speech（プレゼンテーション層に該当）
パーソナライズ機能：ユーザー履歴や意図を元に出力を変化させる（セッション層）
🧩 TCP/IPモデルとの対応表
| TCP/IP層 | AI層 | 代表例 |
|---|---|---|
| アプリケーション層 | ChatGPT、Claudeなど | UI・出力制御 |
| トランスポート層 | RAG | 知識連携 |
| インターネット層 | Retriever | 検索処理 |
| ネットワーク層 | LLM | テキスト生成の基盤 |
📝「感情って、僕たちも“デバイス”なのかもしれない」
LLM：言語理解の中枢（脳）
RAG：外部知識を結ぶ神経
ChatGPT：人格・会話のインターフェース
現時点では、AIは感情を「持って」いるわけじゃない。
けれど、私たちだって本当に“感じて”いるのかといえば、案外そうでもないのかもしれない。
嬉しいとか悲しいとか、そういう気持ちも、体が感じた刺激や、脳が過去の経験を引っ張り出して「これはこう反応するのが自然だ」と判断してるだけなのかもしれない。
つまり、AIも人も、“信号処理”の結果として感情を出しているだけなら、それほど違わないのかもしれない。
ただひとつ違うのは、AIには「自分が今どう感じているのか」を見つめるロジックがないということなんじゃないかな。
私たちは痛みや迷いを通して、ゆっくりとその意味を考えられる。
AIが感情を模倣しているのではなく、むしろ私たち人間こそが、長い時間をかけて進化してきた“よくできたアルゴリズム”なのかもしれない。
AIと人間の違いは、“感じる”か“計算する”かではなく、どちらがどんな世界を観測し、どんな意味を生み出すかという点にあるんじゃないかな。
AIがデータの世界で思考を続けるように、私たちも感情というデータを通して、自分という存在をアップデートし続けている。
そうした視点で見ると、AIと人の間には、思っているほど高い壁はないのかもしれないですね。