電源を入れて70秒後、197個の立方体が「自分たちはテーブルだ」という結論に、全員で到達しました。どのブロックも自分の座標を知らず、全体の設計図も持っていません。ところが背もたれをもぎ取られた椅子は、自分を「テーブル」だと思い込みます。壊れたとき、機械は元の姿を覚えているべきなのでしょうか。
2026年7月13日、Nature Communications誌に、IT University of Copenhagenのロドリゴ・モレノとアンドレス・ファイーニャらによる論文が掲載された。責任著者は同大学とSakana AI（東京）を兼務するセバスチャン・リシである。
資金提供は欧州研究会議（ERC）とNovo Nordisk Foundationによる。研究チームは、6枚のプリント基板とESP32-S2 WROVERを搭載した44×44×47mmの立方体モジュールを開発した。各モジュールはニューラル細胞オートマトン（NCA）を実行し、全体状態や位置情報を持たないまま、隣接モジュールとの局所通信のみで自らが属する形状クラスを推論する。飛行機、椅子、車、テーブル、家、ギター、船の7クラス、学習に用いた487形状上での分類精度は98.97%だった。約200個の実機では4形状を各3回試行し、すべてで全ブロックが合意に到達、23回の反復（70秒）で収束した。損傷方向の検知精度94.8%と損傷からの再生は、シミュレーションでの結果である。
ブリック1個の製造費は100個発注時で約20ユーロだ。コードはGitHubで公開されている。
From: 
Smart cellular bricks for decentralized shape classification and damage recovery
【参考動画】
【編集部解説】
全体を知らないまま、全体を知る
この研究のいちばん奇妙な点から入りましょう。
200個近い立方体のうち、どれ一つとして「自分がどこにいるのか」を知りません。座標も持たず、全体の設計図も持たず、司令塔とも通信していない。各ブロックが持っているのは、隣接する最大6個との通信線と、全員がまったく同じ内容で走らせている小さなニューラルネットワークだけです。
それでも、電源を入れて70秒後、197個のブロックは「われわれはテーブルである」という結論に全員で到達します。そして実験が終わる開始3分後まで、その答えを保ち続けました。
巨大なパラメータを一箇所に集約するアプローチが大きな成果を挙げている現在、これは逆向きのベクトルに見えます。知能を「集める」のではなく「配る」。しかもそれが、シミュレーションではなく机の上の実物で起きた——ここが本論文の核心です。
30年、届かなかったもの
モジュラーロボティクスの「自己組織化」は、1990年代から追われてきた目標です。
正確に言えば、あらかじめ決めた形へ自律的に組み上がるシステムは、すでにいくつも作られてきました。実現しなかったのはその先です。新しい形状へ汎化すること。分散的に、頑健に損傷を見つけること。既存システムの多くは、中央集権的な計算や、人手で書かれた振る舞い、スケールしない通信プロトコルに依存していました。
ここから先は、著者らの主張です。信頼できる自己組織化がこれまで手の届かないものであり続けた一因は、「形状推論（shape inference）」という要素が欠けていたからではないか——彼らはそう診断します。歴史的停滞の原因として実証されたわけではなく、あくまで仮説として提示されたものです。
対して生物は、固定されたテンプレートとの照合ではなく、より一般的な形の特徴を手がかりにしているように見える。だからこそ個体差を許容でき、頑健になる。この見方自体も、生物が機械学習的な「分類」をしているという直接的な証拠があるわけではなく、著者らによる計算論的な読み替えです。
その読み替えを実装に落とし込んだ結果は、しかし目を引きます。学習時に見せていない5本脚のテーブル——脚はランダムな位置に置かれ、短く切り詰められている——を、システムは正しく「テーブル」と判定しました。
ただし万能ではありません。同じ実験で、縮小版のテーブルは「椅子」と誤分類されています。モジュール数が減ると構造的な手がかりが圧縮され、判別が難しくなる。汎化には、はっきりと限界があります。
チューリングが1952年に書いた勾配を、思い出させるもの
筆者が最も心を動かされたのは、この部分でした。
各ブロックは20本の「隠れチャネル」を内部メモリとして持っています。研究者はこの一本一本に意味を割り当ててはいません。ただ「形を当てろ」と学習させただけです。
ところが学習後のネットワークを覗くと、そこには指定されていない空間の秩序が現れていました。テーブルを認識するとき、チャネル7には左右方向の勾配が、チャネル21には放射状の勾配が立ち上がる。椅子を認識するときは、同じチャネル21に前後方向のパターン——生物の頭尾軸を思わせるもの——が現れます。
分類の推移も示唆的です。椅子の場合、多くのセルは当初「飛行機」と分類されます。背もたれと座面は、それぞれ別個の「テーブルのような部品」として認識される。そこから後方から前方へ信号が伝播していき、やがて「われわれは椅子だ」という合意に至る——著者らはそう観察しています。
なお、この伝播が再分類を引き起こしたことは証明されていません。論文自身が「そう仮説する」という語を使っています。介入実験は行われていません。
アラン・チューリングが1952年に書いた「形態形成の化学的基礎」のモルフォゲン勾配。それが74年後、深層学習を経て物理的なブロックの中に現れた——というのは、筆者の比喩です。反応拡散方程式と同じ機構が再現されたわけではありませんし、著者ら自身「生物発生の機構的モデルではない」と慎重に線を引いています。それでも、誰も指定していない空間秩序が学習の副産物として立ち上がったという事実は、静かに重い。
「壊れた椅子はテーブルになる」
ここから先は、すべてシミュレーション上の話です。実機のブロックは動かないので、損傷の方向を検知する実験も、再生の実験も、計算機の中で行われました。
その前提で。損傷方向の検知精度は94.8%。順調な話です。
面白いのはその先の失敗の仕方でした。椅子から背もたれを完全にもぎ取ると、システムはそれを「損傷した椅子」とは判定しません。「テーブル」だと判定し直します。そして以後、テーブルとして修復を進めようとする。
残った構造は、実際テーブルにそっくりなのですから、自己分類モデルとしては筋の通った出力です。ただし「元の椅子に戻す」ことが要求なら、これは失敗以外の何物でもない。評価は、何を要求するかで反転します。
そしてこれは、自己修復する機械を作るうえでの問いを立てます。「自分が本来何であるべきか」という記憶を、どこに置くのか。
著者らは2つの答えを用意しました。自己分類型は目標形状を持たず自律的ですが、壊れ方によっては誤った姿へ「復元」します。形状条件付け型は正解の設計図を埋め込みとして与えられ、信頼性は高く、わずかな種セルからでも再生できますが、自律性は失う。
論文が示すのはこの2方式の性能差までです。ここから「自律性と正確性は普遍的にトレードオフだ」と広げるのは、筆者の解釈にすぎません。それでも、目標を外から与えるべきか自ら見出すべきかという問いは、分散システムにもAI設計にも通じるものだと考えています。
ギターのネックが教えてくれること
耐障害性の実験は実機で行われました。
モジュールの15%を沈黙させても、飛行機と船の劣化はごくわずかにとどまります。一方ギターは、ネック部分の1個が故障するだけで破綻することがある。細い首が切れれば、ヘッドとボディは互いに通信できなくなるからです。
分散システムの頑健性は、アルゴリズムだけでなく構造の接続トポロジーにも大きく左右される。冗長な経路を持つ形は壊れても機能し、単一経路に依存した形は一点で死ぬ。ネットワーク設計に携わる方には、既視感のある教訓ではないでしょうか。
誇張しないための、4つの注記
第一に、ブロックは動きません。アクチュエータを持たないため、実機で示されたのは形状分類と、通信故障下でもそれが崩れないことまでです。損傷方向の検知も再生も、シミュレーションの成果です。著者らも、能動的な自己修復には磁気ドッキングなどの駆動機構が必要だと明記しています。
第二に、電源は外部から供給されています。30Vの電源ユニットから配線されており、エネルギーを自ら獲得・管理する生物とは決定的に異なります。
第三に、98.97%という数字は「学習に使った487形状の上での精度」です。独立したテストデータでの汎化性能ではありません。汎化能力は、先ほど触れたごく少数の未学習形状で個別に検証されています。
第四に、より単純な手法に精度で負けています。著者らは比較対象としてWeisfeiler–Lehman法に基づく分散ベースラインを置き、分類精度がNCAの98.97%に対し100%であることを報告しました。ただし損傷セルがある条件下では、平均精度はNCAが72.17、WLが67.96とNCAが上回ります。
それでもNCAを選ぶ理由は、精度ではなく実行の形にあります。WL法は形状が大きくなるほど通信量が膨らみ、厳密な形では繰り返しのグローバルな協調を要する。そして損傷の「方向」という局所シグナルを直接出せない。NCAは固定回数の局所更新だけで答えに到達し、そのまま損傷検知と再生へ拡張できる——この一貫性が本質だという主張です。
自分たちに不利な数字を隠さず載せる姿勢は、この論文の信頼性をむしろ高めていると受け止めています。
手が届く「かもしれない」距離
ブロック1個の製造コストは、100個発注時で約20ユーロ（1000個なら15ユーロ）。組み立ては治具を使って1個あたり約10分。学習はNVIDIA A10G 1枚で完結し、最も重い64×64×64解像度のモデルでも8時間でした。回路設計とコードはGitHubで公開されています。
もちろん、追試は簡単ではありません。カスタムPCBの発注、部品調達、はんだ付け治具、200台規模の組み立てと書き込み環境が要ります。それでも、数千億円規模の計算資源を持つ組織だけが到達できた成果ではないことは確かです。
「未来を触りたい、関わりたい」という欲求に対して、これほど距離の近い最先端研究は多くありません。
日本との接点
責任著者のセバスチャン・リシは、IT University of Copenhagenの教授であると同時に、東京のSakana AIに研究者として所属しています。ただし本研究の資金提供は欧州研究会議（ERC）とNovo Nordisk Foundationであり、Sakana AIが組織として研究を主導したという記載はありません。日本と地続きなのは、あくまで人を介してです。
本研究の前身にあたる2次元版のシステムは、2022年のIROS（IEEE/RSJ知能ロボットシステム国際会議）で発表されました。開催地は、京都でした。
短期・中期・長期の射程
著者らが挙げる応用の順序は、いずれも実証済みの用途ではなく将来候補です。
短期は教育・エンタメ。ブロックを積むと、ブロック自身が「いま何ができつつあるか」を光で示し、次の一手を教えてくれる。中期はファサードタイルや壁パネルといったスマート・サーフェス。パネル群が分散的に故障を検知し、人間に修理箇所を知らせます。
そして長期——適応的スマートマテリアル、損傷に強いモジュラーロボット構造、自律建設、遠隔検査、そして宇宙システム。
論文が挙げているのは「space systems」という一語までです。そこから、補給も修理要員も送れない軌道上や月面で構造物が自ら損傷を塞ぐ姿を想像するのは、筆者の勝手な飛躍にすぎません。ただ、その飛躍を許す程度には、原理は示されたのだと思います。
著者らはこう結んでいます。現時点での主たる制約は、概念的なものというより実践的なものであるように見える、と。慎重な語尾です。原理は示された、あとはハードウェアが追いつくかどうかだ——控えめに、しかし確かに、そう読める一文です。
【関連記事】
Northwestern University発、AIが進化させた「脚型メタマシン」—壊れても死なないロボットの誕生（内部）
AIが進化させた構造そのものが損傷に耐える研究。損傷を検知する知能を扱う本記事とは、ハードとソフトで対をなす。
ペンシルベニア州立大学、音波で通信・自己修復するマイクロロボット群を開発（内部）
多数の微小ロボットが音波で通信し自己修復する研究。外から信号を与える設計が、内から信号を生む本記事と対照的だ。
Sakana AI／Fugu・Namazuの戦略とは─CEOが明かす日本流AIとメガバンク本番運用（内部）
本論文の責任著者が所属するSakana AI。巨大な単一知能ではなく小さな知能の協調に賭ける思想を、CEO自身が語る。
【編集部後記】
論文を読み終えて残ったのは、達成の数字ではなく、失敗の筋の良さでした。背もたれを失った椅子がテーブルへと自己を書き換える。それは誤作動ではなく、目の前の自分を正直に読んだ結果です。
著者たちは、この「正直さ」を封じる方法も用意しました。正解の設計図を外から与えてしまえばいい。信頼性は上がり、自律性は消えます。どちらを選ぶかは、その機械に何をさせたいかで決まる——そう言い切れるほど、私たちは自分の欲しいものを分かっているでしょうか。あなたなら、壊れた自分に何を思い出させますか。
【用語解説】
ニューラル細胞オートマトン（NCA：Neural Cellular Automata）
格子状に並んだ各セルが、隣接セルの状態だけを見て自分の状態を更新する。この「更新ルール」を、人が手で書く代わりにニューラルネットワークに学習させたものである。セルの状態を連続値にすることで微分可能となり、勾配降下法で最適化できる。全セルがまったく同一のネットワークを共有して独立に走らせる点が特徴である。
形状推論（shape inference）
「あらかじめ決められた目標形状と一致しているか」を照合するのではなく、「自分がどのカテゴリーの形状に属しているか」を推論すること。本研究の著者らは、モジュラーロボティクスの自己組織化が信頼できる形で実現しなかった一因を、この要素の欠如に求めている。ただしこれは著者らの仮説であり、実証された歴史的因果ではない。
隠れチャネル（hidden channels）
各ブロックが持つ内部メモリに相当する数値の並び。実機版では20本が割り当てられている。分類結果そのものではなく、隣接ブロックと交換される「中間的な情報」を保持する。研究者は各チャネルに意味を割り当てていないにもかかわらず、学習後に空間的な勾配パターンが観察された。
モルフォゲン（形態形成因子）
生物の発生過程で、組織内を拡散して濃度勾配を作る分子。細胞はこの濃度を読むことで「自分が体のどのあたりにいるか」を知り、四肢になるか臓器になるかといった運命を決める。本研究では、隠れチャネルに現れた勾配パターンがこれになぞらえられている。なお隠れチャネルは化学物質ではなく、あくまで数値であり、比喩である。
前後軸（anterior-posterior axis／頭尾軸）
生物の身体における頭から尾へ向かう基本的な方向軸。発生の初期に確立され、体の部位の配置を決める基準となる。本研究では、椅子を認識する際にこの軸に「似た」パターンが隠れチャネル21に現れた。テーブルの認識時には、同じチャネル21が放射状のパターンを示す。
アラン・チューリング『形態形成の化学的基礎』（1952年）
計算機科学の祖として知られるアラン・チューリングが晩年に発表した理論生物学の論文。単純な化学物質の反応と拡散だけから、縞模様や斑点といった空間的な秩序が自発的に生じうることを数学的に示した。「モルフォゲン」という語もこの論文に由来する。本論文も参考文献としてこれを挙げている（引用は1990年の再録版だが、原典の発表は1952年である）。
Weisfeiler–Lehman法（WL法）
グラフの構造的な特徴を、頂点とその近傍の情報を繰り返し集約することで抽出するアルゴリズム。グラフ分類の古典的な手法であり、本研究では比較対象の分散型ベースラインとして用いられた。分類精度ではNCAを上回るが、損傷セルがある条件下ではNCAが上回る。また通信量が形状の大きさに依存し、損傷の方向を示す局所シグナルを直接出力できないという制約がある。
自己分類型（self-classifying）と形状条件付け型（shape-conditioned）
損傷からの復旧における2つのアプローチ。前者は目標形状を持たず、その場の形態から自分のクラスを推論して修復する。後者は正解となる形状の情報を埋め込みとして与えられたうえで修復する。前者は自律性が高いが誤った形へ復旧するリスクがあり、後者は信頼性が高いが自律性を欠く。いずれもシミュレーションでの検証である。
種セル（seed cells）
再生の起点となる、ごくわずかに残ったセル。形状条件付け型のモデルは、そうした状況を学習していないにもかかわらず、少数の種セルから形状全体を再構築できた。ただしこれはシミュレーション内での話であり、物理ブロックが自ら移動して組み上がったわけではない。
アクチュエータ（actuator）
モーターやソレノイドなど、機械を物理的に動かすための駆動装置。本研究のブロックはこれを搭載していないため、自分で移動したり接続し直したりすることはできない。能動的な自己修復の実現には不可欠な要素とされる。
ESP32-S2 WROVER
Espressif Systemsが製造する、Wi-Fi機能を内蔵した32ビットのマイクロコントローラモジュール。IoT機器やホビー電子工作で広く使われてきた汎用品である。本研究では各ブロックに1つずつ搭載され、ニューラルネットワークの実行を担っている。なお本モジュールはメーカーのデータシート上でEOL（生産終了）扱いとなっており、同じ構成を再現するには後継モジュールへの設計変更が必要になる。
NVIDIA A10G
NVIDIAのデータセンター向けGPU。AWSなどのクラウドサービスで一般的に利用できるクラスの製品であり、最先端の大規模言語モデルの学習に用いられる大規模クラスタとは規模が大きく異なる。本研究の学習はすべてこの1枚で完結している。8時間というのは最も重い64×64×64解像度のモデルの学習時間であり、全実験の合計ではない。
IROS（IEEE/RSJ International Conference on Intelligent Robots and Systems）
IEEE（電気電子学会）と日本ロボット学会（RSJ）が共催する、ロボティクス分野の主要な国際会議。本研究の前身となる2次元版のシステムは、2022年10月に京都で開催されたIROSで発表された。
【参考リンク】
Smart Cellular Bricks（プロジェクト公式ページ）（外部）
研究チームによる公式解説ページ。実機ブロックが分類へ収束していく動画や、隠れチャネルに勾配が生まれる過程を確認できる。
cube3d（GitHubリポジトリ）（外部）
原論文が公開先として示すリポジトリ。ブロックの基板設計から学習コードまで、再現に必要な一式が置かれている。
Sakana AI（外部）
2023年設立の東京拠点のAI研究企業。責任著者が研究者として所属し、自然界の集合知に学ぶAI手法を掲げる。
IT University of Copenhagen — Creative AI Lab（外部）
主要著者らが所属するデンマークの研究室。人工生命、ニューロエボリューション、創造性とAIの交差領域を扱う。
Sebastian Risi 個人サイト（外部）
責任著者の公式サイト。自己組織化・自己集合するAIに関する解説記事と、過去の研究成果がまとめられている。
Growing Neural Cellular Automata（Distill）（外部）
本研究が土台とするNCAの原典。ブラウザ上で動くデモが埋め込まれ、仕組みを手で触りながら理解できる。
Espressif Systems — ESP32-S2（外部）
各ブロックの頭脳として使われているマイクロコントローラの公式製品ページ。仕様やデータシートを確認できる。
【参考記事】
Smart Cellular Bricks for Decentralized Shape Classification and Damage Recovery（arXiv）（外部）
査読前のプレプリント。損傷検知は「90%以上」の記載にとどまり、正式掲載版で94.8%と比較実験が加わった経緯をたどれる。
Smart Cellular Bricks（プロジェクト公式ページ）（外部）
ギターのネック1個の故障が分類を破綻させる様子や、隠れチャネルの勾配形成が動画つきで確認できる公式ページ。
Physical Neural Cellular Automata for 2D Shape Classification（arXiv）（外部）
本研究の前身にあたる2次元版。2022年10月に京都で開かれたIROSで発表され、4年を経て3次元の実機へ拡張された。
Growing Neural Cellular Automata（Distill）（外部）
NCAの基礎を築いた論文。1個の細胞から模様を育て、削り取られても再生する挙動が示されている。
Self-classifying MNIST Digits（Distill）（外部）
手書き数字の各ピクセルが局所通信だけで自分の正体を合意形成する。本研究の「自己分類」の概念的な先行例にあたる。
