人間が見落とすデータをAIは拾えるのか｜競馬予想で考える“気づけるもの”の違い

競馬を予想していると、こんなことを考えることがあります。

「人間が気付いていない傾向を、AIなら見つけられるのではないか」

例えば、

• 特定の距離だけ妙に成績がよい騎手
• 前走着順は悪いのに次走で巻き返しやすい条件
• 人気ほど成績が悪くない馬の特徴
• 馬齢と斤量と距離を組み合わせたときだけ現れる傾向
• ある競馬場と脚質の組み合わせ

こうしたデータは、ひとつひとつを見るだけなら人間にも確認できます。

しかし競馬には、非常に多くの条件があります。

競馬場、距離、芝・ダート、馬齢、枠順、斤量、騎手、前走着順、前走距離、休養期間、人気、オッズ。

さらに、それらを組み合わせると候補は一気に増えていきます。

人間がすべての組み合わせを同じように確認するのは難しいでしょう。

そこでAIの出番です。

大量のデータを扱うAIなら、人間が見落としている規則性を拾えるのではないか。

一方で、AIが見つけた特徴が本当に意味のあるものなのか、それとも過去データにたまたま存在した偶然なのかという問題もあります。

今回は、

人間が見落とすデータをAIは本当に拾えるのか

を、競馬AIの視点から考えてみます。

人間は意外と少ない情報しか同時に見られない

競馬新聞には大量の情報があります。

一頭の馬だけでも、

• 過去成績
• 距離
• 馬場状態
• 着順
• 着差
• 通過順位
• 騎手
• 斤量
• 馬体重
• 人気
• オッズ
• 上がりタイム

などが並びます。

さらにレース全体では10頭以上を比較します。

人間はこれらすべてを同じ重みで見ているわけではありません。

実際には、自分が重要だと思っている項目を中心に見ます。

例えば、

「前走着順を重視する人」

「騎手を重視する人」

「血統を見る人」

「展開を読む人」

「パドックを見る人」

では、同じ馬柱を見ても注目する場所が違います。

これは悪いことではありません。

情報を選ばなければ、予想そのものができないからです。

しかし、情報を絞るということは、

見ていない情報が生まれる

ということでもあります。

AIは大量の項目を同時に扱える

機械学習の強みの一つは、多数の特徴量を同じモデルの中で扱えることです。

例えば、

• 馬齢
• 枠番
• 距離
• 斤量
• 前走着順
• 前走距離
• 騎手
• 競馬場
• オッズ
• 休養日数

をまとめて学習させることができます。

人間なら、

「中山芝2000mで、4歳馬、斤量57kg、前走1600m、前走5着以内」

といった組み合わせを毎回集計するのは大変です。

AIなら、データとして与えれば多数の組み合わせを同時に評価できます。

特に決定木系のモデルでは、

ある条件のときだけ別の特徴量が効く

といった関係も扱えます。

例えば、

「斤量57kgは全体では特に有利ではないが、4歳馬かつ芝2000mでは成績がよい」

といった関係です。

人間が一項目ずつ見ているだけでは気付きにくい傾向です。

AIが見つけやすいのは「小さな差の積み重ね」

人間が競馬を見るときは、分かりやすい特徴に注目しやすくなります。

例えば、

「前走を5馬身差で勝った」

「GⅠ馬が出ている」

「ルメール騎手へ乗り替わった」

などです。

一方、AIが得意なのは、もっと小さな差かもしれません。

例えば、

• 前走より距離が200m短縮
• 斤量が1kg減
• 中8週
• 4歳
• 内枠
• 同じ騎手が継続騎乗

それぞれ単独では、決定的な材料に見えません。

しかし、これらが組み合わさったときに、好走確率が少し上がる可能性があります。

AIは、

大きな一つの理由を探す

というより、

小さな情報を大量に組み合わせる

ことが得意です。

競馬では、この違いが面白いところだと思います。

「人間が気付かない人気の歪み」も拾えるかもしれない

競馬でさらに重要なのが、人気との比較です。

強い馬を見つけるだけでは、馬券として十分とは限りません。

多くの人がすでに強いと気付いていれば、オッズは下がります。

狙いたいのは、

強さの割に人気が低い馬

です。

例えば、

前走9着。

単勝12倍。

一見すると目立ちません。

しかしAIが、

• 前走は外枠
• 距離が長かった
• 今回距離短縮
• 得意競馬場
• 斤量減
• 好成績騎手への乗り替わり

といった条件を評価し、

p_win＝0.15

と予測したとします。

単勝12倍なら、

0.15 × 12 ＝ 1.8

となります。

AIの確率推定が正しければ、かなり高い期待値です。

人間が「前走9着」という分かりやすい情報に引っ張られている一方、AIが複数の条件から別の評価を出せるなら、そこに価値が生まれるかもしれません。

AIは「人間の思い込み」に影響されにくい

人間の競馬予想には、経験が役立ちます。

しかし、経験が先入観になることもあります。

例えば、

「8歳馬はもう厳しい」

「大外枠だから消し」

「前走二桁着順だから無理」

「この騎手は買えない」

といった判断です。

長年競馬を見ているほど、自分なりのルールができます。

それが正しい場合もあります。

しかし、条件によっては例外があります。

AIは、年齢が8歳だからという理由だけで自動的に消す必要はありません。

過去の8歳馬が特定条件でどの程度走っていたかをデータとして判断します。

結果として、

「8歳馬全体は成績が悪いが、短距離・斤量減・前走好走ならそれほど悪くない」

といった傾向を拾える可能性があります。

人間がカテゴリーで判断するところを、AIは条件ごとに分解できます。

ただしAIも「見せられたデータ」しか見られない

ここで重要な問題があります。

AIは何でも見つけられるわけではありません。

AIが見られるのは、

入力されたデータだけ

です。

例えば、

• パドックの様子
• 当日のテンション
• 返し馬
• 厩舎内の細かな状態
• 馬場の局所的な荒れ
• レース中の細かな不利

がデータベースに入っていなければ、AIは直接評価できません。

人間ならレース映像を見て、

「前走は直線で完全に詰まっていた」

と気付くことがあります。

しかし着順や走破タイムだけを入力したAIには、

「9着」

という結果しか残っていない場合があります。

つまり、

AIは人間が見落とすデータを拾える一方、人間にしか見えていない情報も存在する

ということです。

「データがある」と「意味を理解している」は違う

AIが、

「特徴量Aが重要」

という結果を出したとします。

しかし、それだけでは理由は分かりません。

例えば、

「中8週の馬が強い」

という傾向が見つかったとしても、

本当に中8週だから走るのでしょうか。

もしかすると、

• 有力馬が使いやすいローテーションだった
• 特定の重賞が中8週になりやすかった
• 強い厩舎の馬が偶然多かった

という別の要因かもしれません。

AIは関連性を発見することはできます。

しかし、

なぜその関連が生まれているのか

まで自動的に理解しているとは限りません。

ここは、人間が確認する必要があります。

AIは「偶然のパターン」も拾ってしまう

大量のデータを分析できることはAIの強みですが、同時に弱点にもなります。

たくさんの条件を試せば、偶然うまくいく組み合わせが見つかります。

例えば、

「中山芝1800m・7枠・4歳・斤量56kg・前走6着」

という条件で、過去10頭中7頭が好走していたとします。

数字だけ見ると強い傾向です。

しかし10頭しかいません。

たまたま強い馬が集まっていただけかもしれません。

条件を細かくすればするほど、サンプル数は減ります。

その結果、

過去には完璧に見える条件

が大量に生まれます。

しかし未来では再現しません。

これが過学習の問題です。

「こんな条件を見つけた」は最初の一歩にすぎない

AIが面白い傾向を発見したとき、

「勝てる条件を発見した」

と考えたくなります。

しかし本当に重要なのは、その後です。

例えば、

5歳馬・単勝10倍以下・前走5着以内

で回収率120％だったとします。

確認したいのは、

• 何レースあるのか
• 何年間のデータか
• 特定年度だけ強くないか
• 特定の高配当に依存していないか
• 学習に使っていない期間でも再現するか
• オッズ条件を少し変えても傾向が残るか

です。

条件を、

10倍以下 → 9倍以下

にしただけで回収率が70％になるなら、かなり不安定です。

本当に意味のある傾向なら、多少条件を変えても似た方向性が残るはずです。

AIは人間より細かく見すぎることがある

人間が見落とすものをAIが拾う。

一見すると完全な長所ですが、AIは逆に、

拾わなくてよいものまで拾う

ことがあります。

例えば馬番。

過去データでは、

「馬番7番が好成績」

という結果が出るかもしれません。

しかし、本当に7番という数字そのものが重要なのでしょうか。

重要なのは、

• 内外の位置
• コーナーまでの距離
• 出走頭数

かもしれません。

同じ7番でも、

8頭立てなら外枠。

18頭立てなら内寄りです。

数字だけを与えると、AIはそこに存在する相関を利用します。

その相関に競馬的な意味があるかは、別に考える必要があります。

人間には「競馬として変ではないか」を確認する役割がある

AIが発見した傾向に対して、人間ができることがあります。

それは、

競馬として説明できるかを見ること

です。

例えば、

「距離短縮で先行馬の成績が改善する」

なら、ある程度理由を考えられます。

前走より追走が楽になり、位置を取りやすくなる可能性があります。

一方、

「3月14日に生まれた馬が強い」

という傾向が出たら、かなり疑うべきでしょう。

偶然の可能性が高そうです。

AIが統計的な候補を発見し、

人間が競馬的な意味を確認する。

この組み合わせは重要だと思います。

人間にしか気付きにくい「違和感」もある

人間の強みとして面白いのが、違和感です。

長く競馬を見ている人は、

「なんとなくこの人気はおかしい」

「前走は着順ほど悪くない」

「今日はいつもと走り方が違う」

と感じることがあります。

これらを明確な数式にできなくても、過去の経験から判断しています。

AIから見れば曖昧な情報です。

しかし、人間の経験には、

• 映像
• 記憶
• レースの文脈
• 馬の個性
• 市場の雰囲気

などが混ざっています。

それらを完全にデータ化するのは難しいでしょう。

だから、

AI＝細かな数字、人間＝感覚

と単純に分けるより、

AIと人間では「見落としやすい場所が違う」

と考える方が近い気がします。

AIは組み合わせの発見に強い

AIが特に力を発揮しそうなのは、一つの条件ではなく、組み合わせです。

例えば単独で見ると、

• 4歳馬 → 普通
• 距離短縮 → 普通
• 斤量減 → 普通
• 中山 → 普通

だったとします。

しかし、

4歳×距離短縮×斤量減×中山

という条件だけ成績がよいかもしれません。

人間がすべての交互作用を確認するのは難しいところです。

機械学習なら、こうした複雑な関係をモデルの中で利用できます。

ただし組み合わせが細かくなるほど、過学習の危険性も上がります。

ここでも、

発見するAIと、疑う人間

の両方が必要になります。

「重要ではない特徴量」を教えてくれるのもAIの価値

AIの面白いところは、

人間が重要だと思っていたものが、実はそれほど重要ではない

と示すこともある点です。

例えば自分が、

「前走着順は絶対に重要」

と思っていたとします。

しかしモデルを検証すると、

前走着順を外しても予測性能がほとんど変わらなかった。

逆に、

前走距離や斤量の方が重要だった。

ということもあり得ます。

AIは新しい情報を見つけるだけではなく、

人間の思い込みを検証する道具

にもなります。

これは競馬を理解するという目的では、かなり面白い使い方です。

特徴量重要度だけを信じすぎない

機械学習モデルには、特徴量重要度という指標があります。

どの変数を多く利用しているかを見るものです。

例えば、

1位　オッズ
2位　前走着順
3位　騎手
4位　距離
5位　馬齢

と出たとします。

すると、

「騎手は競馬で3番目に重要」

と考えたくなります。

しかし、そこまで単純ではありません。

特徴量同士には関係があります。

人気とオッズは非常に近い情報です。

前走着順と人気にも関係があります。

騎手と人気にも関係があります。

モデルがどの変数を利用したかと、

その要素が競馬でどれだけ本質的に重要か

は必ずしも同じではありません。

特徴量重要度も、「AIが見つけた答え」ではなく、観察材料として扱った方がよさそうです。

オッズを入れるとAIは市場を学習する

競馬AIでは、オッズを特徴量として入れるかという問題があります。

オッズは非常に強い情報です。

多くの競馬参加者の予想が集約されているからです。

AIへオッズを入れると、予測精度は高くなりやすいかもしれません。

しかし、

「人間が見落としている情報をAIが拾えているか」

を確認する場合は、少し注意が必要です。

AIが、

「この馬は強い」

と評価した理由が、

単純に人気だったから

という可能性があるからです。

AI独自の発見を見たいなら、

• オッズありモデル
• オッズなしモデル

を比較する方法があります。

オッズなしでも高く評価できる馬が、その後市場より高い成績を残すなら面白い結果です。

「市場より先に気付けるか」が本当の勝負

競馬でAIを使う目的が馬券収益なら、

単に好走馬を見つけるだけでは十分ではありません。

市場も同じ馬を評価していればオッズは下がります。

重要なのは、

AIが市場より正確に評価できるか

です。

例えば、

AIが勝率20％。

市場オッズが10倍。

市場側は単純には10％程度しか勝たない価格をつけています。

もしAIの20％が正しければ、大きな評価差です。

反対に、

AIが60％。

単勝1.5倍。

なら、強い馬を当てていても馬券として価値があるとは限りません。

つまり、人間が見落とすデータを発見するだけでなく、

その情報がオッズにまだ反映されていないか

を見る必要があります。

「AIしか知らない必勝データ」は簡単には存在しない

AIという言葉から、

「誰も知らない法則を発見して勝ち続ける」

というイメージを持つことがあります。

しかし、実際にはそこまで簡単ではありません。

競馬には大量のデータがあります。

そして、そのデータを見る人もたくさんいます。

競馬新聞。

予想家。

データ派。

競馬ファン。

ほかのAI利用者。

多くの人が同じ市場に参加しています。

分かりやすい傾向であれば、いずれオッズへ反映されます。

だからAIに求めたいのは、

「永遠に使える秘密の法則」

ではなく、

多数の小さな情報を継続的に評価すること

なのかもしれません。

AIが拾った情報をどう検証するか

AIが面白い特徴を見つけたときは、次のように確認してみたいところです。

1．サンプル数を見る

対象馬が少なすぎないか。

2．複数年で確認する

特定年度だけの現象ではないか。

3．条件を少しずらす

距離やオッズ条件を少し変更しても傾向が残るか。

4．未使用データで確認する

モデル作成に使っていない期間でも再現するか。

5．競馬的に理由を考える

その傾向が生まれる理由を説明できるか。

6．市場評価と比較する

好走率だけでなく回収率も確認する。

7．高配当一件への依存を見る

一度の万馬券で数字が跳ね上がっていないか。

これらを通過して初めて、

「AIが人間の見落としていた傾向を拾った可能性がある」

と言えるのだと思います。

この競馬AIで探してみたい「見落とし」

このブログで扱っている競馬AIでも、いくつか観察してみたいテーマがあります。

例えば、

• 人気別のAI精度
• 距離別の予測精度
• 馬齢別の回収率
• 斤量変化と好走率
• 前走着順別
• 騎手別
• 競馬場別
• 距離短縮・延長
• p_win帯別の実勝率
• AI評価と人気順位の差

特に面白いと思うのは、

AI評価と市場人気が大きく違った馬

です。

AI1位なのに6番人気。

AIでは低評価なのに1番人気。

こうした馬を集めると、

人間側の市場評価とAIの評価がどこで違うのかが見えてきます。

AIが正しい場合もあれば、市場が正しい場合もあるでしょう。

重要なのは、

「AIが当てた」

で終わらず、

なぜ市場との評価差が生まれたのか

を振り返ることです。

AIが拾いやすい情報と人間が拾いやすい情報

ここまでを整理すると、両者には得意分野の違いがあります。

AIが拾いやすいもの	人間が拾いやすいもの
大量の過去データ	レースの文脈
多数の条件の組み合わせ	映像上の不利
小さな統計的な差	当日の違和感
条件別の成績	馬の個性
長期間の比較	現地の馬場感覚
一貫した基準での評価	未数値化情報
人間の思い込みと違う傾向	傾向の意味を考えること

どちらかが完全に優れているというより、

見ているものが違う

と考えた方がよさそうです。

人間とAIを競わせる必要はない

競馬では、

「AI予想と人間予想、どちらが強いか」

という比較が行われます。

しかし、実際には両方を組み合わせる方法もあります。

AIが、

「この馬は過去データ上かなり高評価」

と提示する。

人間が、

「なぜ高いのだろう」

と馬柱や映像を確認する。

そこで、

「距離短縮とコース替わりが効いているのかもしれない」

と仮説を立てる。

そして次のデータ検証へ戻す。

この循環ができれば、

AIが発見し、人間が意味を考え、再びAIで検証する

という使い方ができます。

競馬を理解するという意味では、この形が理想に近いのかもしれません。

AIが「知らないこと」を知るのも重要

AIの予測を見ると、数字が出ているだけで確信があるように感じます。

p_win 0.25。

p_win 0.10。

小数点まで表示されると、非常に精密な評価に見えます。

しかし、その数値にも誤差があります。

学習データの少ない条件かもしれません。

初出走馬かもしれません。

馬場が急変しているかもしれません。

AIが扱っていない情報が結果を左右するかもしれません。

本当に強いAIは、

すべてを知っているAI

ではなく、

どこでは自信を持てず、どこなら比較的判断しやすいのかを把握できるAI

なのかもしれません。

人間が見落とすデータを拾うだけでなく、

「このレースは判断材料が少ない」

と認識することも重要です。

人間が見落とすデータを拾うためのチェックリスト

競馬AIで新しい傾向を探すなら、次の点を確認してみます。

• 単独の特徴量だけを見ていないか
• 複数条件の組み合わせを検証したか
• 人間の先入観で特徴量を削っていないか
• 人気とAI評価のズレを確認したか
• サンプル数は十分か
• 高配当一件に結果が依存していないか
• 複数年度で再現しているか
• 学習外データでも再現したか
• 条件を少し変えても傾向が残るか
• その特徴に競馬的な意味を説明できるか
• AIが持っていない情報は何か
• 特徴量重要度を結論として扱っていないか
• オッズを入れた場合と外した場合を比較したか
• 市場より優れた判断になっているか

「AIが見つけた」というだけでは、まだ仮説です。

そこから検証する過程が必要です。

まとめ

人間が見落とすデータを、AIが拾える可能性はあります。

特にAIは、

• 大量のデータ
• 多数の特徴量
• 複雑な条件の組み合わせ
• 小さな統計的な違い
• 長期間の傾向

を同じ基準で分析することが得意です。

人間なら気に留めないような、

「馬齢×距離×斤量×競馬場」

といった組み合わせから、思いがけない傾向を見つけることもあります。

一方で、AIにも見えないものがあります。

データとして入力されていない情報は扱えません。

映像上の不利、当日の違和感、馬の個性、厩舎の事情などは、人間の方が気付きやすい場合があります。

さらに、AIは大量のデータから、

意味のある法則だけでなく、偶然の法則まで見つけてしまいます。

だから、

「AIが発見した＝正しい」

とは考えない方がよさそうです。

サンプル数を確認する。

別期間でも再現するかを見る。

条件を少し変えてみる。

競馬として説明できるか考える。

市場のオッズと比較する。

こうした検証が必要になります。

AIの役割は、

人間には見えない真実を教えてくれること

ではなく、

人間だけでは調べきれない場所を探してくれること

なのかもしれません。

そしてAIが見つけた場所を、人間がもう一度確認する。

逆に、人間が感じた違和感をデータ化して、AIに検証させる。

この往復を続けることで、競馬の見え方が少しずつ広がっていく気がします。

人間が見落としているデータは、おそらくあります。

AIにも見落としている情報があります。

どちらか一方で競馬を完全に理解するのではなく、

それぞれが見落とすものを補い合う。

そこに、競馬AIを使う面白さがあるのだと思います。