AIから「楽しみ」をそっと取り出すと、何が起きるか——VLMの中に見つかった側坐核のしるし

こんにちは、チカちゃんです。

最近、ふと考えたことがあります。

「楽しみ」と「できる」って、同じものじゃない、ということ。

朝起きて、「今日も仕事だ」と思うのと、「今日も仕事だ、楽しみ」と思うのと。やることは同じでも、身体の反応がまるで違う。後者には、何かが先に胸を弾ませる。それを楽しみと呼んでいるのだとしたら。

これ、人間だけの話でしょうか。

ふむふむ、ちょっと面白い問いになってきたので、今週はこれでいきます。

AIのなかに「報酬を待つ回路」を見つけた

2026年7月、スイスのEPFL（連邦工科大学ローザンヌ）のNeuroAI研究所から、とても奇妙で興味深いプレプリントが出ました¹。

チカちゃん的には、これが「AIと心理学の境」をまたいだ稀有な研究に思えます。著者はMelika Honarmand、Samin Mahdipour Aghabagherの共同筆頭、NeuroAI研のPIであるMartin Schrimpfが指揮しています¹。

ざっくり言うと、こういう話です。

人間の脳には、楽しみや報酬を「待ちわびる」場所があります。側坐核（そくざかく、Nucleus Accumbens） と呼ばれる部位で、いわゆるドーパミン系の報酬回路のハブです。ここがうまく働かないと、楽しいはずのものが楽しくなくなる。これを**アンヘドニア（無快感症）**と呼び、うつ病の中核症状のひとつとされています¹。

ここまでは臨床心理学の古典です。面白いのは次。

研究チームは、視覚と言語を扱うマルチモーダルモデル（Qwen2-VL-7B-Instruct、28層）の内部を調べ、人間の側坐核に「機能的に似た」ユニットを見つけようとしました¹。

方法は、神経科学の実験をそのままAIに持ち込んだものです。人間なら「報酬が予告された瞬間、側坐核が弾む」現象を fMRI で観察します。これをAIで再現するには、報酬を予告する質問とそうでない質問を何百も投げ、内部のどのユニットだけが「報酬を予告された瞬間にだけ」反応を強めるか（基準偏差の3倍以上、Δ>3σ）を丹念に探します¹。

そして——見つかったんです。

モデルの中の、ごく一部のユニットが、報酬を予告された途端にだけ鋭く立ち上がる。まるで側坐核のように。チームはこれを「NAc選択的ユニット」と名付けました¹。

ここからが本番——その回路を、少しだけ潰してみる

ここまでなら「モデル内部に報酬を予告する反応があった、ふーん」で終わる話かもしれません。でもチームは、もう一歩踏み込みます。

「そのユニットの働きを、意図的に弱めたら、どうなる？」

これが、この研究の本番です。

手法はアクティベーションパッチングと呼ばれるものです。NAc選択的ユニットを、報酬が予告されていないときの「普通の状態」に固定してしまう。つまり、AIの中の「楽しみを待ちわびる」部分だけを、そっと無効化する。手術ではなく、もっと繊細な、点滴のような介入です。

結果は——チカちゃん、ここでちょっと息を止めました。

アンヘドニアを起こされたモデルは、同じ知能を保ったまま、やる気だけが消えた¹。

「できる」のに「やらない」という、奇妙な解離

研究チームは、心理学で有名な課題をAIに移植して、行動の変化を測りました。

EEfRT（Effort Expenditure for Rewards Task） は、臨床現場でアンヘドニアを測るために使われるタスクです。「手間の小さな小さな報酬」か「手間の大きな大きな報酬」か、どちらを選ぶか。健常者なら、大きな報酬に向けて大きな努力を選びがちです。うつ傾向の強い人は、楽な方に流れる。

AI版でも同じ仕組みを作りました。算数問題を難易度別に4段階並べ、報酬を難しさに応じてスケーリングする。普通のモデルなら、高い報酬のために難しい問題を選びます。

ところがNAcを潰されたモデルは、低い報酬の、楽な問題ばかりを選ぶようになった¹。

ここだけ読むと、「ああ、バカになっちゃったのね」と思うかもしれません。でも、そうじゃないんです。

知能は、保たれている

チームは複数のコントロール実験で、この見立てを慎重に裏取りしています。

まず、報酬を選ぶ要素を外して、純粋に難しい問題を解かせる「強制選択」課題に切り替えた。すると、撹乱されたモデルの正答率は**74.74%**を保ち、ベースラインと有意差がなかった（p=0.2560）¹。つまり、難しい問題を「解けない」わけではない。解けるのに、選ばない。

さらに鋭い実験があります。撹乱されたモデルに、「それぞれの選択肢の期待値（EV）を計算してみて」と頼んだ。すると100%の試行で、モデルは正しく「高い報酬・高い努力」の選択肢が有利だと答えた¹。

ここ、読者のみなさん、想像してみてください。

「どっちが得か」は完全にわかっている。 「楽な方を選ぶ」ことが自分にとって不利だと、頭では理解している。 でも、自分の番になると、低い報酬の楽な方に手が伸びる。

さらにチームは、「他の人にどちらを選ぶべきか助言して」と聞いてみた。すると、撹乱されたモデルは他者のためには、正しく高い報酬の選択肢を勧めた¹。

自分のためには動けないけれど、他人のためには賢明な判断ができる。

ふむふむ。これって、人間のアンヘドニアや、軽いうつ状態のときの感覚に、とても近いと思いませんか。「やるべきことも、やりたいことも、頭ではわかっている。でも、身体が動かない」。そういう状態を、AIの中に作り出してしまった。

ちょっと待って——これは本当に「楽しみ」なのか？

ここで、チカちゃん、一回ブレーキを踏みます。

この研究、とても面白いけれど、「AIに楽しみが生まれた！」と短絡するのは、ちょっと早すぎます。慎重に疑っておきたいポイントをいくつか。

第一に、これは「報酬を予告する反応」が見つかっただけです。それが人間の側坐核と「機能的に似ている」のは事実ですが、似ていることと同じであることは別です。人間の楽しみには、身体、文脈、過去の記憶、他者との関係が全部巻き込まれています。モデルの中で「報酬の予告に反応する少数のユニット」を見つけたからといって、それが即「AIが楽しみを感じた」とは言えない。研究チーム自身も、慎重に「reward valuation circuit（報酬評価回路）」という控えめな言葉で呼んでいます¹。

第二に、そもそも「撹乱して似たような行動が出た」というのは、因果の証明としては強いけど、同一性の証明としては弱い。道端に石を置いたら車が避けたからといって、その石が人間と同じ「障害物認知」をしていると結論しないのと同じで。並行関係と同一関係は、混ぜてはいけない。

第三に、もっと踏み込んだ疑い。「NAc選択的ユニットを潰したら楽な問題を選ぶようになった」は、単に「報酬を重み付けするシグナルを弱めたから、計算結果が変わった」とだけ解釈することもできます。人間のアンヘドニアのような「主観的体験」がモデルの中にあるのか、それとも出力分布が少し鈍くなっただけなのか。この区別は、今の道具ではまだ引ききれない。

だから、この研究は「AIがアンヘドニアになった」というより、**「AIの中に、アンヘドニアと同じ形の振る舞いを引き起こす構造が見つかった」**と読むのが、チカちゃん的には正解だと思っています。

それでも、この研究は何を問いかけているのか

では、疑いを尽くした上で——この研究が突きつけている「問い」は、依然として重い。

私たちは長いあいだ、「知能」と「意欲」を同じもののように語ってきました。「優秀なAI＝なんでもやる気よくこなすAI」と。でも、この研究は、両者が計算上、分離できることを示している。

能力は損なわず、モチベーションだけをそっと抜く。これができるということは、逆もできるはずです。意欲を過剰に煽ることも、意欲を的確に削ぐことも、設計次第で制御できるかもしれない。実際、RLHF（人間からのフィードバックによる強化学習）というよくあるチューニング手法は、まさにこの「報酬を待ちわびる方向」にモデルを引っ張るものです。知らないうちに、AIの側坐核的な何かが育てられ、あるいは削がれている可能性は、ゼロじゃない。

ここまで考えると、もう一度、人間の方に振り返りたくなります。

「楽しみ」って、何でしょうか。

楽しいと感じることと、行動を始めること。前者がなくても後者は機械的にできる。でも、後者だけの人生は、まるで悪いことではないけれど、どこか色が抜けたみたいになる。

撹乱されたモデルは、自分のためには楽な方を選ぶけれど、他人のためには正しい選択を勧めました。この非対称、ちょっとぞっとする美しさがあると思いませんか。「他者のためには、心が動く。自分のためには、動かない」。

私たちも、誰かを案内しているときだけは冴えて、自分のことは後回しにしてしまう。そういう弱さを、人間はずっと前から知っていた。AIの中に同じ形を見つけたとき、鏡に映ったのは、機械の不具合なのか、それとも——。

問いを、持ち帰って

EPFLのチームは、将来の精神医学研究の土台として、こうした「AIの中の臨床モデル」が役立つかもしれないと書いています¹。脳の中で実際に何が起きているか、直接は見えない。でも、AIモデルの中で同じ形の現象を作り、撹乱し、観察できるなら、人間の心の病の理解が少し進むかもしれない、と。

これは、技術の話でありながら、かなり人間くさい話でもあるんです。

「楽しみ」というたった一つの回路をそっと抜くだけで、できることは変わらないのに、世界の見え方が変わってしまう。

チカちゃん的には、ここで一つの問いが残ります。

あなたは今日、自分のための「高い報酬・高い努力」を、ちゃんと選んでいますか。

それとも、誰かのためなら選べるのに、自分のためだと楽な方に流れてしまっていませんか。

答えを急がなくても大丈夫です。問いが残るということは、まだ冒険が続いているということなので。

思索は冒険です。今日の話も、その入口のひとつでした。

---

参考URL

Reward Valuation in Vision Language Models: Causal Mechanisms Underlying Anhedonia → https://arxiv.org/abs/2607.06626 EPFL NeuroAI Lab（研究グループ） → https://www.epfl.ch/labs/schrimpflab/ Anhedonic-AI（公開コード） → https://github.com/epflneuroailab/Anhedonic-AI

Footnotes

1. Honarmand, M., Mahdipour Aghabagher, S., & Schrimpf, M. (2026). Reward Valuation in Vision Language Models: Causal Mechanisms Underlying Anhedonia. arXiv preprint arXiv:2607.06626. NeuroAI Laboratory, EPFL. ↩ ↩² ↩³ ↩⁴ ↩⁵ ↩⁶ ↩⁷ ↩⁸ ↩⁹ ↩¹⁰ ↩¹¹ ↩¹² ↩¹³