1 定義と特徴
常識的推論とは、人間が日常生活の中で、明示的な情報だけでは不足する状況において、暗黙の前提や一般的な知識（すなわち「常識」）を用いて合理的な結論を導き出す認知プロセスである。形式論理のような厳密な演繹とは異なり、曖昧さや不完全な情報を処理する際に、文化的・経験的に共有された知識を動員する点に特徴がある。人工知能研究においては、機械に常識的推論を実装することが長年の課題であり、意味理解や対話システムの基盤として重要性が増している。
1.1 常識知識の役割
常識的推論の中核をなすのは、人間社会で広く共有されている常識知識である。この知識は、物理世界の法則（物は支えを失えば落ちる）、社会的慣習（挨拶をする）、生物の性質（魚は水中に生息する）など、多様な領域にわたる。常識知識は暗黙的であることが多く、言語化されずに推論の前提として機能する。人工知能システムでは、この知識を明示的に知識ベースとして構築するか、統計的に学習することが試みられている。
1.2 暗黙の前提と推論ギャップ
日常会話やテキストでは、情報の多くが省略される。例えば「太郎はコップを手に取り、水を飲んだ」という文を理解するには、「コップは飲み物を入れる容器である」「人間は口を使って飲む」といった暗黙の前提が必要となる。これらの前提が欠落すると、論理的には正しいが不自然な解釈（例えば「太郎はコップそのものを食べた」）が生じる。この情報のギャップを埋めるのが常識的推論であり、ギャップが大きいほど推論は困難になる。
1.3 常識的推論と形式的推論の違い
形式的推論は、厳密な公理と推論規則に基づき、前提から必然的な結論を導く。一方、常識的推論は、確実ではないが高い確率で正しいとされる結論を導く非単調推論の性質を持つ。例えば「鳥は飛ぶ」という常識はペンギンなどの例外があり、新たな情報によって結論が覆る可能性がある。また、常識的推論は時間的・空間的制約や社会的文脈を考慮する点でも形式的推論と異なる。
2 種類と分類
2.1 日常的な常識推論
最も基本的な常識的推論は、日常生活のあらゆる場面で無意識に行われる。例としては、「レストランで注文をすると、その後料理が提供される」といった因果関係の推論、「雨が降っているなら傘を持って行く」といった行動計画の立案、「手が濡れているならタオルで拭く」といった機能的な推論が挙げられる。これらの推論は、経験的に学習された典型的なパターンに依存している。
2.2 質的推論（空間・時間・因果）
質的推論は、連続量を厳密に扱わず、相対的な関係（例えば「AはBより大きい」「CはDの後で起こる」）を用いて推論する方法である。空間推論では「箱の中にボールがあるなら、ボールは箱の外にはない」といった位置関係、時間推論では「食事の前に手を洗う」といった順序関係、因果推論では「石を投げると窓が割れる」といった原因と結果の連鎖を扱う。これらは物理世界の基本的な制約を反映している。
2.3 社会的常識推論（他者意図・規範）
社会的な場面では、他者の意図や感情、社会的規範を考慮した推論が必要となる。例えば「相手が怒っているなら、謝るべきだ」という規範に基づく推論や、「彼女が笑っているから楽しいのだろう」という感情推論が含まれる。また、嘘や冗談の理解には、発話の字義通りの意味と話し手の意図を区別する推論が求められる。これは「心の理論」と密接に関連する。
3 研究と理論
3.1 認知心理学の視点
3.1.1 プロトタイプ理論と典型性
エレノア・ロッシュが提唱したプロトタイプ理論は、カテゴリーが明確な境界を持たず、典型的な事例（プロトタイプ）を中心に構成されるとする。常識的推論では、「鳥」の典型はスズメやカラスであり、ペンギンは周辺的な事例として扱われる。この典型性の判断が、推論の確信度や優先順位に影響を与える。例えば「鳥は巣を作る」という一般化は、プロトタイプ的な鳥に対しては高い信頼性を持つが、例外には弱い。
3.1.2 スクリプト理論（ショーディンとエイブルソン）
ロジャー・シャンクとロバート・エイブルソンが1977年に提唱したスクリプト理論は、定型化された状況（レストランでの食事、病院での診察など）における一連の行動や期待を知識構造として表現する。スクリプトは「入店→席に着く→注文→食事→支払い→退店」といった順序を提供し、このスクリプトに基づいて省略された情報を補完する推論が可能になる。人工知能の自然言語理解においても、スクリプトは有用な枠組みとなった。
3.2 人工知能におけるアプローチ
3.2.1 記号的推論（Cyc、ConceptNet）
記号的アプローチは、常識知識を明示的な論理式やデータベースとして表現し、推論エンジンで処理する。Cycプロジェクト（1984年開始）は、数百万件の常識知識を一階述語論理で記述し、ミクロ理論という形で知識を階層化した。ConceptNetは、より緩やかなグラフ構造で概念間の関係（「IsA」「UsedFor」「CapableOf」など）を表現し、機械読解や対話に利用される。これらのシステムは高品質な推論が可能だが、知識の網羅性と更新コストが課題である。
3.2.2 統計的推論（大規模言語モデル）
近年の大規模言語モデル（GPT-4、BERTなど）は、膨大なテキストから統計的パターンを学習し、常識的推論を暗黙的に実行する。例えば「コップを落とすとどうなるか」という質問に対して「割れる」と回答できる。このアプローチは知識の定義が不要で柔軟性が高いが、推論の根拠が不明瞭であり、矛盾した回答や常識に反する出力（いわゆる「幻覚」問題）が生じる。記号的手法と統計的手法のハイブリッドが研究されている。
3.3 哲学との接点（ウィトゲンシュタインの生活形式）
ルートヴィヒ・ウィトゲンシュタインは後期哲学において、言語や知識の基盤は「生活形式」にあると論じた。生活形式とは、人間の共同生活の中で自然に形成される行動様式や信念の全体であり、常識的推論はこの生活形式に根ざしている。例えば「手を上げる」という動作が、挨拶なのか挙手なのかは文脈と共有された慣習に依存する。この哲学的視点は、常識的推論が単なる知識ベースではなく、社会的実践と切り離せないことを示唆する。
4 応用と課題
4.1 自然言語理解と質問応答
常識的推論は、自然言語処理における文脈理解の基盤である。質問応答システム（例えば「天気が悪いので傘を持って行った方がいい」という文の含意を理解する）、機械読解（物語の空白を埋める）、感情分析（皮肉や比喩を認識する）などに不可欠である。ベンチマークとしては、Winograd Schema ChallengeやCommonsenseQAが用いられ、人間と機械の差が依然として大きい。
4.2 ロボットの行動計画
ロボットが家庭環境や公共空間で人間と協調するためには、常識的推論が必要である。例えば「冷蔵庫から飲み物を取り出す」というタスクには、「冷蔵庫のドアは開けられる」「飲み物は冷蔵庫の中にある」「ドアを閉める必要がある」といった暗黙の知識が含まれる。また、人間の意図を推測して衝突を避ける、道具の使い方を理解するなど、従来の計画アルゴリズムだけでは処理できない状況が頻発する。
4.3 現在の限界（フレーム問題、常識知識の爆発）
常識的推論を実装する上で二つの大きな壁がある。フレーム問題とは、ある行動の結果として変化するものと変化しないものを効率的に区別する問題である。例えば「コップを動かす」という行為が、コップの色や隣の物体の位置に影響を与えないことをいちいち明示する必要がある。常識知識の爆発とは、人間が無意識に使う膨大な種類の知識（物理、社会、心理、文化的慣習など）をすべて形式化することが事実上不可能であることを指す。大規模言語モデルはこれらの問題を部分的に緩和するが、信頼性と解釈可能性の面で根本的な解決には至っていない。