1 定義と基本概念
コネクショニスト（結合主義）は、認知科学と人工知能の一分野であり、人間の脳における神経ネットワークの構造と機能に着想を得た情報処理モデルを指す。従来の記号処理型AI（シンボリックAI）とは異なり、コネクショニズムは多数の単純な処理ユニット（ニューロン）が相互に結合し、並列分散処理を行うことで学習やパターン認識を実現する。1980年代以降、バックプロパゲーション（誤差逆伝播法）などの学習アルゴリズムの発展により、視覚・言語・記憶などの認知機能のモデル化に大きな進展をもたらした。
1.1 ニューラルネットワークの基礎
ニューラルネットワークは、生物の神経細胞（ニューロン）を模した人工ニューロンを基本素子とする。各ニューロンは複数の入力を受け取り、重み（結合強度）を乗じて総和を計算し、活性化関数を通じて出力を生成する。これらのニューロンが層状に結合されることで、入力から出力への非線形変換が可能となる。最も単純な構造は入力層・隠れ層・出力層からなる階層型ネットワークであり、重みの調整が学習の核心である。
1.2 並列分散処理（PDP）
並列分散処理（Parallel Distributed Processing, PDP）は、コネクショニズムの根幹をなす情報処理の枠組みである。多数の単純な処理ユニットが同時に動作し、情報がネットワーク全体に分散して表現される。単一のユニットは限られた情報しか持たないが、多数のユニットが協調することで複雑なパターンを表現・処理できる。また、特定のユニットが損傷しても機能が完全に失われない「緩やかな劣化」特性を持ち、生物の神経系に類似した頑健性を示す。
1.3 学習と適応
コネクショニストモデルにおける学習とは、経験（データ）に基づいてニューロン間の結合重みを変更するプロセスである。学習則には主に、教師信号を用いて誤差を最小化する教師あり学習、データの統計的構造を自動抽出する教師なし学習、報酬を最大化する強化学習がある。代表的な学習則として、ヘッブ学習則（シナプス可塑性のモデル）や誤差逆伝播法（多層ネットワークの学習を可能にするアルゴリズム）が挙げられる。
2 歴史的発展
2.1 初期の神経網モデル（1940年代–1960年代）
コネクショニストの起源は1943年のマカロックとピッツによる形式ニューロンに遡る。彼らは単純な論理演算を実行できるニューロンの数学的モデルを提案した。その後、ローゼンブラットが1958年にパーセプトロンを開発し、単層ニューラルネットワークがパターン分類に応用可能であることを示した。この時期は神経網研究の黎明期であり、脳の情報処理を模倣する試みが始まった。
2.2 第一次冬の時代とパーセプトロン限界
1969年、ミンスキーとパペットは著書『パーセプトロン』において、単層パーセプトロンが排他的論理和（XOR）のような線形分離不可能な問題を解けないことを数学的に証明した。この指摘は、コネクショニズムへの期待を大きく後退させ、研究費や関心が減少する「第一次AI冬の時代」をもたらした。単層モデルの限界が明らかになり、研究は低迷期に入る。
2.3 第二の隆盛（1980年代–）
2.3.1 バックプロパゲーションの再発見
1986年、ラメルハート、ヒントン、ウィリアムズらは誤差逆伝播法（バックプロパゲーション）を再発見・普及させた。このアルゴリズムにより、多層ニューラルネットワークが効率的に学習できるようになり、XOR問題をはじめ非線形問題の解決が可能となった。これを契機にコネクショニズム研究は再び活気づいた。
2.3.2 コネクショニストの認知科学への浸透
同じく1980年代、ラメルハートとマクレランドらは『並列分散処理』（PDP書籍）を刊行し、コネクショニストアプローチを認知科学の各領域（読み書き、記憶、言語習得など）に適用した。これにより、記号処理では説明が難しかった認知現象（例えば、規則の徐々の習得や類推）が、ニューラルネットワークでモデル化可能であることが示され、認知科学におけるパラダイムシフトが起こった。
3 主要なモデルとアーキテクチャ
3.1 多層パーセプトロン（MLP）
多層パーセプトロン（Multilayer Perceptron, MLP）は、入力層・1つ以上の隠れ層・出力層からなるフィードフォワード型ニューラルネットワークである。各層のニューロンは全結合され、非線形活性化関数（シグモイド、ReLUなど）を用いることで複雑な関数近似が可能。バックプロパゲーションにより学習され、分類や回帰に広く用いられる。
3.2 再帰型ニューラルネットワーク（RNN）
再帰型ニューラルネットワーク（Recurrent Neural Network, RNN）は、ネットワーク内に循環結合を持ち、時系列データや系列データの処理に特化する。過去の隠れ状態が次のタイムステップに伝播されることで、動的な振る舞いや文脈の保持が可能。音声認識、自然言語処理、時系列予測などに応用されるが、長距離依存性の学習には勾配消失問題が課題となる。
3.3 自己組織化マップ（SOM）
自己組織化マップ（Self-Organizing Map, SOM）は、コホネンによって提案された教師なし学習モデルである。2次元の格子状に配置されたニューロンが、入力データの位相的性質を保持したまま競合学習により自己組織化し、データのクラスタリングや可視化に用いられる。高次元データの低次元マッピングが特徴である。
3.4 畳み込みニューラルネットワーク（CNN）
畳み込みニューラルネットワーク（Convolutional Neural Network, CNN）は、視覚野の構造に着想を得たフィードフォワード型ネットワークである。畳み込み層とプーリング層を積み重ねることで、局所的な特徴抽出と位置不変性を実現する。画像認識、物体検出、医用画像解析などで高い性能を示し、ディープラーニングの基盤の一つとなった。
4 コネクショニスト学習アルゴリズム
4.1 教師あり学習
4.1.1 誤差逆伝播法
誤差逆伝播法（Backpropagation）は、多層ネットワークの教師あり学習を可能にする核心的アルゴリズムである。出力層での誤差（正解と予測の差）を計算し、連鎖律を用いて各層の重みに対する勾配を逆方向に伝播させる。勾配降下法により重みを更新し、誤差を最小化する。ニューラルネットワークの学習の標準的手法として広く使われる。
4.1.2 確率的勾配降下法
確率的勾配降下法（Stochastic Gradient Descent, SGD）は、全データではなくミニバッチや1サンプルごとに勾配を計算して重みを更新する手法である。計算効率が高く、局所最適解からの脱出や汎化性能の向上に寄与する。モーメンタムやAdamなどの発展版も広く用いられる。
4.2 教師なし学習
4.2.1 ヘッブ学習則
ヘッブ学習則は「発火する細胞は一緒に発火する（Cells that fire together, wire together）」という原理に基づく。同時に活性化するニューロン間の結合を強化する。シナプス可塑性の生物学的モデルであり、連想記憶や主成分分析などの教師なし学習に応用される。
4.2.2 競合学習
競合学習では、出力ニューロンが互いに競合し、入力に最も適合したニューロンのみが活性化（勝者総取り）される。勝者の結合重みを更新することで、ネットワークは入力データのクラスタ中心を学習する。SOMや自己符号化器の一部で利用される。
4.3 強化学習
強化学習では、エージェントが環境との相互作用を通じて報酬を最大化する行動を学習する。コネクショニストモデルでは、ニューラルネットワークが状態価値関数や方策関数を近似する。深層Qネットワーク（DQN）や方策勾配法などが代表的で、ゲームプレイやロボット制御に成功を収めている。
5 認知機能のモデル化
5.1 視覚パターン認識
コネクショニストモデルは、視覚野の階層的処理を模倣することで、文字認識、物体検出、顔認識などの視覚パターン認識に成功している。CNNは特に画像認識で高い性能を発揮し、人間に似たエラー傾向（錯視への脆弱性など）も再現する。また、ネコの視覚野の単純細胞・複雑細胞の応答を模したモデルも提案されている。
5.2 言語処理と意味記憶
ニューラルネットワークは、単語の分散表現（word embedding）や系列変換モデルにより、言語処理において重要な役割を果たす。RNNやTransformerは文脈を考慮した言語生成・翻訳を実現する。また、コネクショニストモデルは、意味記憶の活性化拡散やカテゴリ学習（例えば、動詞の規則・不規則変化の習得過程）をシミュレートし、認知心理学の知見と整合する。
5.3 運動制御と行動選択
小脳や大脳基底核の神経回路を模倣したモデルは、運動制御（到達運動、歩行など）や行動選択（強化学習に基づく方策学習）の研究に用いられる。コネクショニストモデルは、身体と環境の相互作用を通じて滑らかな運動を生成し、順逆モデルの学習（内部モデル）を説明する。
6 批判と論争
6.1 シンボリックAIとの対立
コネクショニズムとシンボリックAI（記号処理アプローチ）の間には、認知の本質を巡る長期にわたる論争がある。シンボリックAIは、知識が明示的な記号と規則で表現され、推論が論理的操作で行われると主張する。一方、コネクショニズムは、記号処理がニューラルネットワークの創発的な性質として説明可能だとし、規則の明示的な表現を否定する。この対立は「記号接地問題」や「構成性」を巡る議論に発展した。
6.2 解釈可能性の欠如
ニューラルネットワークは「ブラックボックス」として機能し、内部の重みや隠れ層の活性化が何を意味するのか解釈が困難である。特に大規模モデルでは、出力の根拠を人間が理解できない問題が顕著である。医療診断や自動運転など安全性が重視される分野では、説明可能性（Explainable AI）が重要な課題となっている。
6.3 生物学的妥当性への疑問
コネクショニストモデルは神経科学に着想を得ているが、実際の生物のニューロンやシナプスの詳細（発火頻度、スパイクタイミング、神経修飾物質、多様なイオンチャネルなど）を大幅に単純化している。誤差逆伝播法のようなアルゴリズムが脳内で実装されている証拠は乏しく、生物学的妥当性を疑問視する声がある。また、局所学習則（ヘッブ則）との乖離も指摘されている。
7 応用と展望
7.1 機械学習・ディープラーニングへの発展
コネクショニストの考え方は、現代の機械学習・ディープラーニングの基盤である。多層ニューラルネットワークは大量のデータと強力な計算資源により、画像認識、自然言語処理、音声認識で人間を凌駕する性能を達成した。ディープラーニングは産業界でも広く利用され、自動運転、医療診断、創薬など多様な分野に応用されている。
7.2 ニューロサイエンスとの融合
近年、コネクショニストモデルと実験的神経科学の融合が進んでいる。大規模な神経活動データを元にしたモデル構築や、ニューラルネットワークの内部表現と実際の脳活動の比較が行われる。また、ニューラルネットワークを用いた視覚野や聴覚野の機能モデルは、脳の情報処理原理の解明に貢献している。脳型計算（ニューロモルフィックコンピューティング）への応用も期待される。
7.3 今後の課題と可能性
今後の課題として、解釈可能性の向上、データ効率の改善（少ないデータでの学習）、汎化能力の強化、生物学的妥当性と計算効率のバランスなどが挙げられる。また、意識や自己意識のような高次認知機能のモデル化、記号処理との統合（ニューロシンボリックAI）も重要な研究方向である。コネクショニストは、脳と認知の統一的な理解に向けて、今後も進化を続けるだろう。