1 基本概念
1.1 定義
常識推理とは、人間が日常生活を通じて獲得する一般的な知識や経験則（常識）を活用し、与えられた情報や状況から合理的な結論を導き出す認知プロセスである。この推理は、明示的に述べられていない事実を暗黙の前提として補完し、不完全な情報環境下でも一貫した判断を可能にする。例えば、「雨が降っている」という情報から「地面が濡れている」と推論する行為は常識推理の典型例である。
1.2 常識と推理の関係
常識は、特定の文化や社会において広く共有される事実、信念、行動規範の集合であり、推理はそれらを論理的または確率的に組み合わせる操作である。常識は推理の前提条件として機能し、推理は常識を動的に適用して新たな知識を生成する。両者は相互依存的であり、常識がなければ推理は空虚な形式論理に留まり、推理がなければ常識は静的な知識の羅列に過ぎない。
1.3 人間の認知における役割
常識推理は、人間の認知において以下の重要な役割を果たす。第一に、情報処理の効率化：膨大な可能性の中から常識に基づいて妥当な選択肢を絞り込む。第二に、曖昧性の解消：多義的な発話や状況を文脈に応じて一意に解釈する。第三に、社会的調整：他者の意図や行動を予測し、円滑なコミュニケーションや協調行動を可能にする。これらの能力は乳幼児期から発達し、成人ではほとんど自動的に実行される。
2 常識推理のメカニズム
2.1 知識の表象
2.1.1 命題的知識
命題的知識とは、「〜である」という形で表現される宣言的知識である。例えば、「水は100度で沸騰する」「猫は哺乳類である」といった事実や関係性が該当する。常識推理では、この種の知識が論理的な前提として用いられ、演繹や類推の基盤となる。認知科学では、命題的知識は意味ネットワークやフレーム構造として脳内に表象されると考えられている。
2.1.2 手続き的知識
手続き的知識とは、「〜する方法」に関する知識であり、物事の遂行手順や技能を含む。例えば、「箸の使い方」「自転車の乗り方」などが該当する。常識推理において、手続き的知識は状況に応じた適切な行動を選択する際に参照される。この知識は多くの場合、意識的に言語化されにくく、経験を通じて暗黙的に獲得される。
2.2 推論の形式
2.2.1 演繹的推論
演繹的推論は、一般的な法則や前提から個別的な結論を必然的に導く推論形式である。常識推理においては、「すべての鳥は卵を産む」という常識と「ペンギンは鳥である」という情報から「ペンギンは卵を産む」と結論する例が挙げられる。演繹は結論の確実性を保証するが、前提となる常識自体の正しさに依存するため、例外（ペンギンは飛べないなど）の扱いが課題となる。
2.2.2 帰納的推論
帰納的推論は、個別的な観察事例から一般的な法則や傾向を導く推論である。例えば、「何度も見かけるカラスは全て黒い」という経験から「すべてのカラスは黒い」と一般化する行為が該当する。常識推理では、帰納によって日常的な規則性（「朝になれば太陽が昇る」）が形成され、それが将来の予測に活用される。ただし帰納は結論の確実性を保証せず、反例によって覆される可能性がある。
2.2.3 アブダクション（仮説推論）
アブダクションは、観察された現象を最も良く説明する仮説を推論する形式である。例えば、「芝生が濡れている」という観察から「雨が降った」または「スプリンクラーが作動した」という仮説を立てる過程が該当する。常識推理においてアブダクションは、原因推定や意図理解に不可欠であり、特に社会的相互作用や診断推論で重要な役割を果たす。
2.3 文脈依存性
常識推理は、その時々の文脈に強く依存する。同じ「鍵が机の上にない」という事実でも、「急いで出かけようとしている」という文脈では「鍵を探す」という行動を促すが、「部屋を掃除している」という文脈では「鍵を片付けた」という解釈が優先される。文脈は常識の選択的活性化を制御し、状況に適した推理を可能にする。この文脈依存性は、人間の思考の柔軟性の源泉である一方、人工知能への実装を困難にする要因でもある。
3 常識推理の応用
3.1 人工知能
3.1.1 自然言語処理
自然言語処理における常識推理は、曖昧な発話の解釈や暗黙の意味の理解に活用される。例えば、「彼はペンを机に置いた」という文を理解するには、「ペンは通常机の上に置かれる」「ペンは水平に置かれる」といった常識が必要となる。近年の大規模言語モデルは、膨大なテキストから統計的に常識を学習することで、文脈に応じた適切な応答生成を実現している。しかし、物理世界の因果関係や時間的順序に関する常識の推論には依然として課題が残る。
3.1.2 ロボティクス
ロボティクスにおける常識推理は、ロボットが未知の環境で適応的に行動するために不可欠である。例えば、ロボットが「コップをテーブルから落とさないように」把持するためには、「コップは脆い」「重力により落下する」といった常識を組み込む必要がある。また、人間との協調作業では、「人間は邪魔なものを避けて通る」「ドアは引くより押す方が自然」といった社会的常識を推論することで、安全かつ効率的な動作が可能となる。
3.2 心理学と教育
3.2.1 発達心理学
発達心理学では、常識推理の獲得過程が重要な研究対象である。ピアジェの認知発達理論では、感覚運動期から形式的操作期にかけて、子どもは物理的常識（物体の永続性など）や社会的常識（他者の視点取得）を段階的に構築するとされる。また、心の理論の発達は、他者の信念や意図を推論する常識推理の基盤となる。これらの研究は、幼児期の教育や発達障害の支援に応用されている。
3.2.2 教育手法
教育分野では、常識推理を促進する教授法が開発されている。例えば、問題解決型学習（PBL）では、学習者に現実的な課題を与え、既存の常識を適用しながら新たな知識を構築させる。また、類推による学習（「電気回路を水道管に例える」など）は、抽象概念を日常的常識に結びつけて理解を深める手法である。さらに、批判的思考の育成においては、常識に基づく推論の限界を認識させ、多角的な視点を養うことが重要視される。
3.3 日常的問題解決
日常生活における常識推理は、無数の場面で活用される。例えば、調理中に「鍋が沸騰したら火を弱める」という判断、買い物で「賞味期限が近い商品は割引される」という予測、対人関係で「相手がため息をついたら疲れている」という解釈は、すべて常識推理の産物である。このような推理は、迅速な意思決定を可能にし、複雑な問題を効率的に解決する。ただし、常識に過度に依存すると、固定的な思考パターンに陥る危険性もある。
4 代表的な研究と理論
4.1 フレーム問題
フレーム問題とは、人工知能が行動の結果を推論する際に、変化しない事柄をいかに無視するかという問題である。例えば、「コップを持ち上げる」という行動を考えるとき、「コップの色は変わらない」「机の上の本は動かない」といった膨大な不変事項をいちいち考慮するのは非現実的である。この問題は1980年代に哲学者ダニエル・デネットらによって提起され、常識推理の計算モデルにおける根本的な困難を示した。人間は暗黙のうちに「常識的に変化しないもの」を無視できるが、そのメカニズムの解明は依然として進行中である。
4.2 常識知識ベース（Cyc、ConceptNet）
Cycは、1984年にダグラス・レナートが開始したプロジェクトであり、膨大な常識知識を形式論理で記述することを目的とする。数百万の概念と関係がエンコードされ、「すべての人は母親を持つ」「物を落とすと下に落ちる」などの常識が推論可能となっている。一方、ConceptNetは、オープンソースの常識知識ベースであり、一般の参加者がオンラインで知識を提供するクラウドソーシング方式を採用する。これらの知識ベースは、人工知能に常識推理を実装するための基盤として重要な役割を果たしているが、知識の網羅性や実世界の変化への対応が課題である。
4.3 プロトタイプ理論
プロトタイプ理論は、エレノア・ロッシュによって提唱された認知心理学の理論であり、人間がカテゴリーを「典型的な例」（プロトタイプ）を中心に理解することを主張する。例えば、「鳥」のプロトタイプは「スズメ」であり、「ペンギン」は周辺的な事例となる。常識推理において、この理論は、典型的な状況が優先的に推論されることを説明する。例えば、「レストランで食事をする」という状況では、典型的な手順（注文→食事→支払い）が常識として活性化され、例外（セルフサービスなど）は追加的な推論を必要とする。
5 課題と批判
5.1 知識の不完全性
常識知識は本質的に不完全である。人間が日常生活で遭遇する状況は無限に多様であり、全ての状況に対応する常識を事前に列挙することは不可能である。また、新しい技術や社会的変化（スマートフォンの普及など）は、常識の更新を常に要求する。この不完全性は、人工知能システムが予期せぬ状況で誤った推論を行う原因となる。解決策として、オープンな知識表現やオンライン学習の手法が研究されているが、根本的な解決には至っていない。
5.2 文化的依存性
常識の内容は文化によって大きく異なる。例えば、箸の使用が常識である文化もあれば、フォークとナイフが常識である文化もある。時間の認識（単線的か循環的か）、空間の把握（東西南北か左右か）、人間関係の優先度（個人主義か集団主義か）など、言語や習慣に根ざした差異は多岐にわたる。この文化的依存性は、グローバルな人工知能システムや異文化間コミュニケーションにおいて深刻な問題を引き起こす。単一の常識知識ベースでは対応できず、多文化的な視点の統合が求められる。
5.3 計算複雑性
常識推理を計算機上で実現する際、膨大な知識の探索と推論に莫大な計算資源が必要となる。現実世界の常識は数十億単位の命題を含む可能性があり、それらをすべて考慮して推論を行うことは、現在の計算能力でも非現実的である。また、確率的推論や非単調論理（新しい情報によって以前の結論が覆される推論）の導入は、計算複雑性をさらに増大させる。効率的な近似手法や、状況に応じて知識を選択的に活性化するメカニズムの開発が急務である。
6 将来の展望
6.1 大規模言語モデルとの融合
最近の大規模言語モデル（GPTシリーズやBERTなど）は、膨大なテキストから統計的な常識を獲得し、人間らしい応答を生成する能力を示している。今後の展望として、これらのモデルと形式的な常識知識ベース（Cycなど）を統合するハイブリッドアプローチが注目される。言語モデルの柔軟なパターン認識能力と、知識ベースの厳密な推論能力を組み合わせることで、より信頼性の高い常識推理システムが実現可能となる。また、モデルの推論過程を説明可能にする手法の開発も進められている。
6.2 マルチモーダル思考
人間の常識推理は、言語情報だけでなく視覚、聴覚、触覚などの複数のモダリティからの情報を統合して行われる。例えば、「リンゴは赤い」「重さがある」「食べると甘い」といった知識は、多感覚的な経験に基づく。将来の常識推理システムは、画像、音声、テキストを同時に処理するマルチモーダルモデルを活用し、より豊かな常識表現を実現する。これにより、ロボットが実際の環境で物体を認識し操作する能力が飛躍的に向上すると期待される。
6.3 倫理的考慮
常識推理を人工知能に実装する際、倫理的な問題が浮上する。例えば、自動運転車が緊急時に「歩行者を避けるために壁に衝突する」という判断を下すには、倫理的常識（人命優先）に基づく推論が必要となる。しかし、誰の常識を基準とするか、どのような価値観を優先するかは容易に決定できない。また、偏見や差別を含む社会的常識をシステムが学習するリスクもある。将来の研究では、倫理的に受容可能な常識の範囲を定義し、公平性と透明性を確保する枠組みの構築が不可欠である。