千年以上前、語順の違う漢文を読むために、日本語は自らの側に返り点を打ちました。外来の仕組みに合わせて変換の工夫を重ねたのは、日本語の側だったのです。その積み重ねによって、日本語は人間の目と、文脈を読み取る力にぴたりと寄り添う姿へと育ちました。ところがいま、文字を一列の記号として読むAIを前に、その姿が軋みを生んでいます。今度、返り点を打つのはどちらの側なのか。漢字の形そのものを機械に読ませる試みまで視野に入れながら、日本語とAIのあいだをたどります。
※一個人が問いを立て、AIとの協働により作成した論考となります。あくまでも仮説であり、正確性・学術性を必ずしも担保するものではありません。その点を理解したうえでお読みいただけると幸いです
序論：漢文を日本語として読むという発明
いまやAIは、日本語で問いかければ流暢な日本語で答えます。しかしその内側では、日本語の文を英語よりも細かな断片に刻み、省かれた主語を推し量り、文末まで定まらない肯定と否定の行方に計算を費やしています。人間にとって自然なこの言語が、なぜ機械にとっては負荷の大きい相手となるのか。その答えの手がかりは、はるか古代の机の上に置かれています。
言語の歴史において、まったく異なる言語体系や文字文化と接触したとき、自らの文法の骨格を保ったまま外部の要素を系統的に組み入れ、独自の発展を遂げた体系は極めて稀です。日本語の成立と展開をたどると、そこには基層の構造を堅守しながら、実用上の課題に応じて外部の知的資源を変換し、受け入れてきた精緻なプロセスが見えてきます。
日本語の基層には、「主語・目的語・動詞」の語順を持つSOV型の構造があります。さらに日本語は、名詞に助詞を接いで文中の役割を示す膠着語(こうちゃくご)でもあります。この骨格は、文字を持たなかった古代から、日本列島における思考と対話の土台として一貫して機能してきました。
外交文書や行政記録など高度な記録手段を必要としたとき、古代の日本は、朝鮮半島を介しつつ中国大陸から漢字という表意文字の体系を導入しました。このとき、語順の異なる言語(SVO型)を読み解いて使いこなすために、先人たちは漢文訓読という高度な変換の仕組みを築きました。返り点によって視線と読む順序を組み替え、送り仮名によって日本語の助詞や活用語尾を補う。それによって、異言語のテキストをそのまま日本語の文法へとその場で変換して読み下すのです。これは、ある言語で書かれたプログラムを別の言語へ翻訳して実行可能にする「コンパイラ」になぞらえれば、いわば古代に実装された構造的コンパイラでした。この工夫によって、日本語は基層の構造を崩すことなく、中華文明の巨大な知識体系を取り込むことに成功しました。
平安時代以降、異なる実用上の必要から、新たな文字体系が派生します。漢文訓読の際に狭い余白へ注釈を書き込む補助記号として「カタカナ」が生まれました。和歌や日常の通信で和語の音律を効率よく書き表す手段として、「ひらがな」が生まれました。別々の目的で生まれたこれらの文字が組み合わさり、表意文字である漢字と表音文字である仮名が同じ文章のなかで働く「漢字仮名交じり文」が形づくられていきました。
本稿では、この訓読というコンパイラを起点に、日本語を「プロトコル」「インターフェース」という計算機の比喩で順に捉え直します。そして最後に、現代AIの「アーキテクチャ」との接点へと向かいます。
社会・文化構造との相互作用：共通プロトコルとしての言語インフラ
コンパイラが一つひとつの文を変換する仕組みだとすれば、その仕組みが社会全体で共有されたとき、言語は情報をやり取りするための共通規格、すなわち「プロトコル」の役割を帯び始めます。
言語が社会や思考を一方的に決めるという「強い言語決定論」は、現代の言語学では否定されています。しかし、政治構造や地理的条件といった複合的な要因のなかで、特定の言語構造が社会関係の維持や情報流通を媒介する「構造的インフラ」として働いた側面は見逃せません。
第一に、東アジアにおける知識プロトコルの確立です。漢字を受け入れた東アジアの地域のなかで、日本は時代を追って、和化漢文(漢字だけで書かれながら日本語の語順や語法が混じる文体)や候文(そうろうぶん)、そして漢文訓読体を、公文書や学術記述の標準的な書式として定着させました。これにより、政治や思想の状況が多様に移り変わるなかでも、東アジア全体の知の共通規格である漢字を使いつつ、国内の情報流通では独自の文法骨格を全域で保ち続ける情報基盤が完成しました。この共通プロトコルが長く維持されたことが、のちの国学の発展や独自の国家意識の醸成を下支えする環境的条件の一つになりました。
第二に、社会構造における関係性の補強機能です。日本語の敬語体系や、話し手の判断や態度を表す文末表現(モダリティ)は、話し手・聞き手・第三者の相対的な関係を、構文の水準でその場その場に指定します。政治的権力(武家)と伝統的権威(朝廷)が分立した歴史的文脈において、この言語構造は社会的な役割や距離感を文章上で明確に固定し、再生産しました。複雑な二重統治の構造を平穏に運用するための、社会言語学的な道具として働いた側面があります。
第三に、近代化における概念変換の高速化です。幕末から明治期にかけて西洋の概念を導入する際、知識人たちは漢字の組み合わせ(音読み)によって、「哲学」「主観」「客観」といった和製漢語を大量に造りました。さらに「社会」のように、漢籍にあった古い語へ新たな意味を与えて転用することも行いました。こうして抽象的な新概念を客観的な記号として定義しつつ、それを日本語の文法構造のなかへ滑らかに組み込むことが可能になりました。この二重化された造語と受容の過程が、高度な学術概念や法的概念を社会全体へすばやく広める知識インフラとして機能しました。
認知科学的アプローチ：2次元視覚セグメンテーションと高文脈処理
プロトコルが社会の側から見た日本語の姿だとすれば、一人ひとりの読み手の脳の側から見たとき、日本語は人間と文字とを結ぶ「インターフェース」として立ち現れます。日本語の表記と文法の体系は、人間の脳が持つ視覚処理の能力や、社会的な認知の仕組みと、深い親和性を備えています。
認知心理学や、読書中の視線の動きを測る眼球運動研究が示すとおり、人間の視覚皮質は空間的なパターンの認識に長けています。漢字仮名交じり文において、表意文字である漢字は、テキストのなかの視覚的な目印として機能します。読み手は、単語の間に空白を置く「わかち書き」がなくとも、漢字という目印を軸にして単語の切れ目を直感的に捉えています。これを「視覚的セグメンテーション」と呼びます。脳内では、文字を音に変換して意味にたどり着く経路と、漢字の形から直接意味を引き出す経路とが並行して働いており、この複線的な処理が滑らかな理解を支えています。
この2次元性は、文字の配置にも刻まれています。読み手の視線そのものは、行に沿ってほぼ一筋に進みます。しかし日本語の紙面には、本文と並走するもう一つの情報の層がしばしば重ねられてきました。漢字の傍らに読みを添えるルビ(振り仮名)や、漢文の字間に打たれた訓点がそれです。本文と読み、あるいは本文と読む順序とが、同じ場所に重なって並行して流れる。これは、文字を一列に並べるだけでは表しきれない構造であり、日本語の紙面が本質的に2次元のインターフェースであることを示す、もっとも身近な証拠です。
また、文脈から多くを補って理解する「高文脈(ハイコンテキスト)」のコミュニケーションや、動詞や否定が文末に置かれるSOV型の構造は、韓国語やトルコ語など他の言語とも共通する性質です。これらは、人間の認知的・社会的な資源を節約し、対話を調整することに適応した結果として説明できます。文脈から主語や目的語を補う現象は一種の効率的なデータ圧縮であり、文末で結論が決まる構造は、相手の反応を直前まで見ながら着地のニュアンスを調整する対話の様式とよく整合します。
日本語の表記と文法の特性は、人間の2次元的な視覚認識と、文脈で欠落を補う能力を存分に活かすインターフェースとして位置づけられます。
現代AIアーキテクチャとの不均衡：1次元記号処理のボトルネック
ところが、このインターフェースは人間の脳に合わせて磨かれてきたぶん、まったく異なる仕組みを持つ読み手の前では軋みを生みます。現代の大規模言語モデル(LLM)を中心とする計算機科学と向き合ったとき、日本語の構造ははっきりとした不均衡を生じさせます。現在の多くの言語モデルは、トランスフォーマー(Transformer)と呼ばれる設計を土台に、テキストを「トークン」という単位の1次元の列として扱い、前の要素から次の要素を順に予測する「自己回帰型」の処理を前提としているからです。
トークナイズにおける情報密度と構造的ノイズ
AIはまず、文章をトークンと呼ばれる断片に刻みます。単語をさらに細かい断片に分ける「サブワード分割」が、その代表的な方法です。近年のトークナイザ(文章を刻む仕組み)の改良、たとえばo200k_baseなどによって、日本語の処理効率は向上しました。それでも、漢字・ひらがな・カタカナが入り交じる日本語は、サブワード分割において不自然な位置で単語が断ち切られやすく、意味の上での雑音(セマンティック・ノイズ)を生み続けています。漢字一文字が抱える高い意味の密度と、活用語尾による細かな分割とが混在することで、1次元の記号処理の計算空間には非対称性が残り続けています。
コンテキスト補完と文末決定性が強いる不確実性
人間が文脈を頼りに省いている主語や目的語は、身体を持たないAIにとっては純粋な「データの欠損」です。モデルは、文中のあらゆる語どうしの関係を計算する「自己アテンション」の仕組みに計算資源を投じ、高次元の文脈空間から欠けた情報を逆算しなければなりません。さらに、文末に至るまで肯定か否定か、意図がどこにあるのかが定まらないSOV構文は、生成の過程で、次に来うる語の不確かさ(エントロピー)を文末まで高く保ち続けることを強います。これは、1次元の系列を予測するモデルにとって、相対的に大きな推論の負荷となります。
これは日本語の欠陥ではありません。「人間の2次元的・高文脈的な認知に適応した言語システム」と、「1次元の記号列の統計的推論を前提とする計算アーキテクチャ」との間に生じた、構造的な摩擦です。
未来への展望：Token-Freeアーキテクチャと視覚的構造埋め込み
摩擦の源が「1次元」という前提そのものにあるならば、解決の糸口もまた、その前提の外側に探すことができます。現代のAI開発は1次元の記号処理モデルの巨大化に主導されてきましたが、テキストを画像や空間構造として捉える視覚言語モデル(VLM)の急速な進化は、この摩擦を打ち破る新たな道筋を示しています。
日本語処理の課題を解く可能性は、既存のテキストモデルを単純に大きくすることだけにあるのではありません。日本語の持つ視覚的・空間的な特性をそのまま活かす「2次元の視覚的エンコーディング」にも見出すことができます。具体的には、次のような課題設定が考えられます。
漢字の幾何学的構造の直接埋め込み
一つ目は、テキストをトークン列へ変換する工程そのものを省く、Token-Free(トークンを使わない)型のアプローチです。漢字の部首の組み合わせ、形の輪郭、筆順といった2次元の構造を、画像を読み取る仕組み(ビジョンエンコーダ)によって直接、数値の特徴空間へと埋め込みます。これにより、サブワード分割に伴う意味の雑音や、トークン数の膨張を回避する道が探られています。
視覚的セグメンテーションによるアテンションの局所最適化
二つ目は、漢字仮名交じり文の「漢字が切れ目の目印になる」という空間的な特徴を、計算の側に取り入れる設計です。2次元の画像として入力されたテキストにおいて、漢字の位置を手がかりに、注意を向ける範囲を局所的かつ動的に割り当てます。人間が視覚的な目印を使って高速に読む仕組みを計算モデルの上に再現できれば、計算資源の消費を抑えられる可能性があります。
部首や構造の分解の標準化、画像の解像度を上げることに伴う計算コストの抑制、従来のテキスト埋め込みとの精度や効率の比較など、実装上の検証課題は残されています。それでもこれらのアプローチは、アジアの諸言語の処理や、複雑な構造を持つ文書の解析(Document AI)への応用においても、高い波及効果と独自性を持つ課題領域です。
結論
漢文訓読から漢字仮名交じり文に至るまで、日本語は人間の目と脳に寄り添う形で磨かれてきました。現代のAIとの間に生じた不均衡は、その適応がもたらした歴史的な帰結にほかなりません。
だからこそ、漢字の形や視覚的セグメンテーションを直接読み取る2次元マルチモーダル型アーキテクチャを築く試みは、日本語を変えるのではなく、読み手である機械の側を変えようとするものです。それは、機械の側に返り点を打つ営みにほかなりません。
かつて先人たちは、語順の異なる漢文を前にして、自らの側に返り点を打ちました。外来のシステムを読むためのコンパイラを書いたのは、日本語の側だったのです。いま、同じ問いが逆向きに立ち上がっています。今度返り点を打つのは、機械の側でしょうか。それとも私たち自身が、主語を明示し結論を先に置く、AIに読まれやすい日本語へと少しずつ姿を変えていくのでしょうか。
コメント