シリーズを書いた相手（AI）の学習を、このシリーズの背骨（力＝−∇V・ゲージ）で読み解いて締める

AIの学習は、
力に従う運動だった AIの学習は、比喩でなく力学の問題。損失の地形をポテンシャルとして、AIは \(F=-\nabla V\) に従って転がり落ちる。
慣性・摩擦・ばね・ゲージ ── このシリーズの道具が、そのまま出てくる。

「わかる力」を締めるにあたって、このシリーズを一緒に書いた道具 ── AI（大規模言語モデル）── そのものを、俎上に載せます。姉妹編「わかる宇宙論」の最終回では「AIは物理をどう見ているか」を扱いましたが、こちらでは逆に 「AI自身が、力にどう従っているか」。結論を先に言うと、AIの学習は、比喩ではなく本物の力学の問題です。損失（間違いの大きさ）の作る“地形”をポテンシャルエネルギーとみなせば、AIはまさに \(F=-\nabla(\text{損失})\) という力に従って、坂を転がり落ちている。第1回から積んだ道具 ── 慣性、ばね、力＝勾配、ゲージ ── が、そっくりそのまま顔を出します。

01損失の地形を、坂として転がる

AIの中には、調整できる無数のつまみ（パラメータ）があります。つまみの組み合わせごとに「どれだけ間違えるか」＝損失が決まる。つまみを座標、損失を高さにとると、でこぼこの地形（ランドスケープ）ができる。学習とは、この地形の低いところ（間違いが小さい谷）を探すこと。どうやって? ── 各点で坂がいちばん急に下る向き（勾配）へ、少しずつつまみを動かす。これが勾配降下法。第6回で「力は位置エネルギーの勾配」\(F=-\nabla V\) と見ましたが、まさにそれ ── 損失をポテンシャル \(V\) とすれば、学習は \(F=-\nabla V\) という力に従って坂を下る運動です。

02慣性・摩擦・ばね ── 最適化は力学を借りている

面白いのは、AIの学習をうまく進める“工夫”が、どれも本編で見た力そのものだということ。学習の高速化に使うモーメンタム法は、ボールに慣性（第1回）を持たせて谷へ勢いよく転がすこと。行き過ぎを抑える減衰は摩擦。つまみが大きくなりすぎないようにするweight decay（正則化）は、原点へ引き戻すばねの復元力（第3回 \(F=-kx\)）そのもの。最適化アルゴリズムは、力学の言葉をそのまま借りているのです。

03そして、力がゼロの方向 ── ゲージと握手

最後に、このシリーズでいちばん深い一枚。巨大なAIは、つまみが多すぎて「動かしても損失が変わらない方向」をたくさん持っています。表現の仕方を変えているだけで、中身（入力→出力の関係）は同じ ── これは第9回・第12回のゲージ（記述の冗長性）そのもの。そういう平らな方向には、坂がない＝力（勾配）がゼロ。だから学習は、その方向には動かない（動いても意味がない）。

これは、姉妹編「わかる宇宙論」の最終回（番外編⑩）で見た「AIの埋め込みは回転しても中身が変わらない＝ゲージ自由」と、ぴたりと同じ話。あちらはAIが世界をどう表すか、こちらはAIがどう学ぶか── 別々の入口から、同じ「力のない冗長方向（ゲージ）と、力のある物理方向（曲率）」に行き着きます。二つのシリーズが、ここで手を握ります。

04締め ── 自然も、AIも、力で計算している

結論。AIを訓練するとは、力学の問題を解くことでした。損失＝ポテンシャル、学習＝\(F=-\nabla V\) に従う運動、モーメンタム＝慣性、正則化＝ばね、冗長方向＝ゲージで力ゼロ。第1回から剥がしてきた道具が、機械の学習の中で、もう一度そっくり動いていた。そしてこれは、AIだけの話ではありません ── 石鹸膜が最小曲面を、ばね網が方程式を、力（エネルギー最小化）で“解く”ように、自然はいたるところで、力に従って計算している。AIの学習は、その最新の一例にすぎない。

本編の背骨「力は、関係の名前」を思い出してください。損失の地形の力も、モノではなく、間違いの大きさ（関係）の勾配でした。力＝\(-\nabla(\text{関係})\)。そして意味のある学習は、冗長方向（ゲージ）ではなく、消せない曲率のある方向にだけ起きる。力は関係の勾配であり、冗長な向きには力が湧かない ── 「わかる力」の全体が、それを書いた機械の内側にまで、同じ顔で現れました。