競馬を長く続けている人の言葉には、データだけでは説明しにくい重みがあります。
「この馬は前走の着順ほど負けていない」
「人気はないけれど、この条件なら少し気になる」
「こういうタイプの人気馬は、何度も裏切られてきた」
同じ馬柱を見ていても、競馬を始めたばかりの人と、何年もレースを見続けてきた人では、受け取る情報が違うことがあります。
競馬経験が長い人は、馬の成績を単なる数字として見るだけではありません。過去に似た場面で何が起きたのか、自分がどのような判断をして失敗したのか、レース映像からどのような違和感を持ったのか。そうした記憶を重ねながら、目の前のレースを考えています。
一方、競馬AIも大量の過去レースを学習します。
人間より多くのレースを短時間で処理し、条件ごとの傾向を比較することも可能です。それなら、AIも経験豊富な競馬ファンと同じように、過去の経験を生かして予測していると言えるのでしょうか。
今回は、AIは人間の「経験」を再現できるのかという問いを、競馬AIの視点から考えてみます。
そもそも競馬における「経験」とは何か
競馬における経験とは、単に長く馬券を買っていることではありません。
もちろん、見てきたレースの数は経験の一部です。しかし、同じ期間だけ競馬を続けていても、そこから得られるものは人によって異なります。
レースを見るたびに結果だけを確認する人もいれば、なぜその馬が勝ったのか、なぜ期待していた馬が負けたのかを振り返る人もいます。予想と結果のずれを何度も確認してきた人ほど、自分なりの判断基準を持つようになります。
たとえば、逃げ馬が複数いるレースを見たとき、経験の浅い人は単純に「前に行く馬が多い」と捉えるかもしれません。
しかし、経験を積んだ人は、それぞれの馬が本当に逃げたいのか、騎手は控える選択をする可能性があるのか、内枠と外枠のどちらから主張するのか、その競馬場で前半が速くなったときにどの脚質が有利なのかまで考えます。
この判断には、さまざまな情報が含まれています。
過去の出走内容、コース形態、騎手の特徴、馬の気性、同じような組み合わせで起きた展開など、複数の記憶が一度に呼び起こされているのです。
本人は「なんとなく前が厳しくなりそう」と表現するかもしれません。しかし、その「なんとなく」の中には、これまで積み重ねた多くの観察が含まれています。
競馬における経験とは、過去の事実を記憶することだけではありません。過去の出来事から、自分なりの意味や判断基準を作っていくことだと考えられます。
人間はレース結果だけを経験しているわけではない
人間が競馬から得る経験には、数字以外の要素も含まれます。
馬券が当たったときの喜び、人気馬を信頼して外した悔しさ、買おうとしていた馬が締め切り直前に勝った後悔。こうした感情も、その後の判断に影響します。
たとえば、締め切り直前にオッズを見て買い目を増やし、結果的に損失を大きくした経験があれば、次からは早めに購入内容を決めようと考えるかもしれません。
反対に、買い目を絞りすぎて的中を逃した経験が強く残っていると、次のレースでは必要以上に組み合わせを広げてしまうこともあります。
人間の経験は、必ずしも合理的に働くとは限りません。
印象的な成功や失敗ほど記憶に残りやすく、実際の確率以上に重く受け止めてしまうことがあります。大穴馬券を一度的中させた経験によって、人気薄を狙い続けるようになる人もいます。
つまり、経験は判断を助ける一方で、思い込みや偏りを生む原因にもなります。
経験豊富であることと、常に正しい判断ができることは同じではありません。
それでも人間は、失敗したときに「なぜ自分はこの判断をしたのか」と考えられます。予想方法だけでなく、焦り、欲、期待、過信といった自分の心理まで振り返ることができます。
この内面的な振り返りは、人間の経験を考えるうえで重要な部分です。
競馬AIも過去のレースから学習している
競馬AIも、過去のレースを使って学習します。
馬齢、枠順、斤量、距離、馬場状態、前走着順、通過順位、上がりタイム、騎手、人気、オッズなど、さまざまな情報を特徴量として与えます。
そのうえで、どのような条件の馬が勝ちやすいのか、過去のデータから規則性を探します。
人間が「このコースでは先行馬が残りやすい」と経験的に考えるのに対し、AIは過去に行われた同じ条件のレースを集計し、脚質ごとの成績や他の条件との組み合わせを数値として扱います。
ある意味では、AIも過去を参考にして次の予測を行っています。
過去に起きたことを学び、似た条件に対して判断を変えるという点では、人間の経験に近い動きに見えます。
しかし、AIが過去のレースを学習することと、人間がレースを経験することは、完全に同じではありません。
AIにとってレースは、入力された特徴量と結果の組み合わせです。
期待した馬が負けても悔しさを感じるわけではありません。人気薄を拾えなかったことを引きずることもありません。
予測と結果にずれがあれば、それは誤差として処理されます。
この違いを考えると、AIが持っているものを人間と同じ「経験」と呼んでよいのかは、簡単には決められません。
AIが再現しやすい経験
人間の経験の中でも、AIが比較的再現しやすいものがあります。
それは、繰り返し観測でき、一定の条件として整理できる経験です。
条件ごとの好走傾向
競馬を長く見ていると、競馬場や距離による傾向が少しずつ分かってきます。
直線が短いコースでは前にいる馬が有利になりやすい、長い直線では末脚が求められやすい、小回りでは器用さが重要になるといった考え方です。
ただし、実際のレースでは距離、馬場、枠順、出走頭数、メンバー構成なども影響します。
人間が長い時間をかけて体感するこうした傾向を、AIは過去データから整理できます。
特定の条件だけを切り取るのではなく、複数の条件を組み合わせて評価できる点はAIの強みです。
人間が忘れてしまうレースの記録
人間の記憶には限界があります。
印象的な重賞レースや、自分が馬券を買ったレースは覚えていても、条件戦や未勝利戦まで詳細に記憶し続けるのは難しいものです。
AIは、データとして残っている限り、目立たないレースも同じように扱えます。
有名馬が走ったレースだけを重視するのではなく、似た条件で行われた多数のレースを比較できます。
人間が「何度か見た印象」で判断しているものを、より広い範囲から確認できる可能性があります。
結果に左右されない集計
人間は、直近の結果や印象的な出来事に影響されやすい傾向があります。
前週に逃げ馬が連勝していれば、次の週も前残りを意識しすぎるかもしれません。一度大穴が出れば、同じような人気薄を探したくなることもあります。
AIも学習データの作り方によって偏る可能性はありますが、基本的には感情によって特定のレースだけを強く記憶することはありません。
目立つ勝利も、平凡な結果も、与えられたデータとして扱います。
人間の経験に含まれる「数多くの事例から傾向をつかむ部分」は、AIが再現しやすい領域だと考えられます。
AIが再現しにくい経験
一方で、AIがそのまま再現することが難しい経験もあります。
数字になっていない違和感
競馬ファンは、馬柱を見ながら「数字は悪くないのに買いづらい」「成績以上に気になる」と感じることがあります。
その理由を細かく説明できる場合もあれば、うまく言葉にできない場合もあります。
レース映像で感じた走り方、馬の反応、騎手との相性、前走の負け方など、複数の情報が無意識に結びついている可能性があります。
AIがそれを理解するには、その違和感に関係する情報がデータとして入力されていなければなりません。
AIは与えられていない情報を、自然に補って判断することはできません。
人間には見えているものが、AIのデータ上には存在していないことがあります。
パドックや現地で得られる感覚
パドックを見る人は、馬体の張り、歩様、発汗、落ち着き、周回中の雰囲気などを確認します。
これらを映像解析や画像データとしてAIに学習させることは、技術的には可能かもしれません。
しかし、人間が「いつもより少し硬く見える」「前走より落ち着いている」と感じるためには、同じ馬を継続して見てきた記憶も必要です。
さらに、当日の気温や観客の多さ、周囲の馬との関係など、映像だけでは捉えにくい情報もあります。
現地で得られる経験は、単独の数値ではなく、その場の状況全体から生まれています。
失敗に意味を持たせること
人間は、すべての失敗を同じ重さで受け止めるわけではありません。
単純に展開が向かなかった不的中と、自分のルールを破って買い目を増やした不的中では、同じ損失でも意味が異なります。
後者の場合、問題は予想精度だけではありません。自分の行動管理や感情のコントロールに原因があります。
AIは予測値と結果のずれを分析できますが、「なぜこの失敗が自分にとって重要なのか」を自発的に感じるわけではありません。
人間は、失敗から予想方法だけでなく、行動や価値観まで変えることがあります。
この意味づけは、AIが人間の経験を再現するうえで難しい部分です。
AIの学習と人間の経験は何が違うのか
AIの学習と人間の経験には、いくつか大きな違いがあります。
最も分かりやすいのは、AIは大量の事例を扱える一方で、人間は一つの出来事に深い意味を持たせられることです。
AIは数万、数十万という過去データを比較できます。
人間が覚えていないレースも含めて、条件ごとの傾向を探せます。経験の量という意味では、人間を大きく上回る可能性があります。
しかし、人間は一つのレースから、それまでの考え方を変えることがあります。
絶対視していた予想方法が通用しなかった。数字だけでは説明できない負け方を見た。長く信頼していた騎手の判断が、自分の想定と違っていた。
こうした出来事をきっかけに、予想の手順や競馬との向き合い方まで見直すことがあります。
AIは大量の経験を均一に処理し、人間は限られた経験に強弱をつけます。
どちらが優れているというより、経験の持ち方が異なるのだと思います。
人間の経験も常に正しいとは限らない
AIには再現できない経験があるからといって、人間の経験が常に正しいわけではありません。
競馬では、「長年見てきたから分かる」という言葉が使われることがあります。
確かに、長期間の観察によってしか気づけないことはあります。しかし、その感覚が現在の競馬にも通用するとは限りません。
コース改修、馬場管理の変化、調教技術の進歩、騎乗傾向の変化などによって、過去の常識が少しずつ変わることがあります。
以前は有効だった経験則が、現在では弱くなっている可能性もあります。
また、人間は自分の予想が当たった場面を覚えやすく、外れた場面を忘れやすいことがあります。
「この条件は得意だ」と思っていても、実際に記録すると成績が良くないこともあります。
人間の経験には、記憶の偏りが入り込みます。
そのため、経験をデータで確認することには意味があります。
自分が感覚的に持っている得意条件や苦手条件が、本当に結果へ結びついているのか。AIや集計データを使えば、経験を検証することができます。
AIは人間の経験を否定するための道具ではなく、その経験がどこまで再現性を持っているのかを確かめる道具としても使えます。
人間の経験をAIへ伝えるには特徴量が必要になる
AIに人間の経験を学習させるためには、その経験を何らかの形でデータに変える必要があります。
たとえば、人間がレース映像を見て「前走は着順ほど悪くなかった」と判断したとします。
この考えをAIへ伝えるには、着順だけでは足りません。
道中の位置取り、通過順位、前半と後半のペース、上がりタイム、進路、前が詰まったか、外を回したか、直線で追い出しが遅れたかなど、さまざまな情報が必要です。
さらに、その不利が結果にどれほど影響したかも考えなければなりません。
前が詰まった馬を一律に高く評価すると、不利がなくても伸びなかった馬まで過大評価する可能性があります。
人間は映像全体を見て、周囲の馬やレースの流れと比較しながら判断します。
その判断を特徴量として表現するためには、「不利があった」という一つの情報ではなく、不利の種類や大きさ、発生した地点、その後の反応まで整理する必要があります。
AIが人間の経験を再現できないというより、人間の経験をAIが扱える形に変換することが難しいのです。
特徴量を増やせば経験に近づけるのか
人間が見ている情報を細かく特徴量へ追加していけば、AIは経験豊富な競馬ファンに近づくのでしょうか。
可能性はありますが、単純に特徴量を増やせばよいとは限りません。
情報を増やしすぎると、過去のデータにだけ細かく適合し、新しいレースで通用しなくなることがあります。
過去の特定条件を詳しく覚えていても、それが偶然の組み合わせであれば、次の予測には役立ちません。
これは、人間が一度の印象的なレースを重視しすぎることにも似ています。
AIも人間も、過去を細かく覚えすぎることで、目の前のレースを柔軟に見られなくなる場合があります。
重要なのは、情報の量だけではありません。
どの情報が繰り返し使えるのか、どの情報は一時的なものなのかを見極める必要があります。
AIに経験を持たせようとして特徴量を増やし続けると、かえって本来の傾向を見失う可能性があります。
人間の経験を再現するためには、経験のすべてを詰め込むのではなく、再現性のある部分を選び出すことが重要です。
AIは失敗から学べるのか
「経験」という言葉を考えるとき、失敗から学ぶことは欠かせません。
競馬AIも、予測と実際の結果を比較することで改善できます。
高く評価した馬が繰り返し負けているなら、どの特徴を過大評価しているのかを確認できます。反対に、低く評価した馬が特定の条件で何度も好走しているなら、見落としている特徴があるかもしれません。
この意味では、AIも失敗から学べます。
ただし、AIが自動的に正しい反省をするわけではありません。
予測が外れた理由は一つとは限りません。
展開の読みが違ったのか、馬場状態を十分に反映できていなかったのか、騎手や枠順の影響を軽視していたのか。あるいは、予測方法に問題はなく、競馬に含まれる偶然の範囲だったのかもしれません。
外れるたびにモデルを変更していると、偶然の結果へ過剰に対応する危険があります。
人間も、一度の不的中で予想方法を大きく変えすぎることがあります。
失敗から学ぶためには、失敗したという事実だけでなく、その失敗が修正すべきものなのか、一定の確率で起こるものなのかを区別する必要があります。
AIにとっても、人間にとっても、すべての失敗を修正しようとしないことが大切です。
AI独自の「経験」は作れるのか
AIが人間と同じ経験を持てないとしても、AI独自の経験を積み上げることはできるかもしれません。
たとえば、予測したレースごとに次の情報を記録します。
どの馬を高く評価したのか。1位と2位の指数差はどれくらいだったのか。上位3頭へ評価が集中していたのか。実際の人気やオッズとどの程度ずれていたのか。結果として、どのような条件で過大評価や過小評価が起きたのか。
こうした記録を継続すれば、AI自身の予測傾向が見えてきます。
未勝利戦では指数が分散しやすい、特定の距離では人気薄を拾いにくい、重馬場では先行馬を高く評価しすぎるといった特徴が見つかるかもしれません。
これは人間の感情的な経験とは異なります。
しかし、「自分がどのような場面で間違えやすいのかを知る」という意味では、一つの経験と呼べそうです。
人間が自分の馬券記録を振り返るように、AIも予測履歴を蓄積し、自分の癖を分析できます。
単に過去の競馬データを学ぶだけでなく、自分自身の予測と結果を記録することで、AI独自の経験が形成されていく可能性があります。
AIと人間は経験を競わせる必要がない
AIと人間のどちらが競馬を理解できるのかという問いは、分かりやすいテーマです。
しかし、実際にはどちらか一方を選ぶ必要はありません。
AIは、大量のデータを同じ基準で比較することを得意としています。
人間は、数字に表れにくい背景や、その日の状況、レース映像から受けた違和感を考えることができます。
AI指数で高く評価された馬を見て、人間が馬柱や映像を確認する。人間が気になった馬について、過去データではどのように評価されるのかをAIで確かめる。
このように使えば、お互いの弱点を補うことができます。
AI指数を最終回答として扱うのではなく、考えるきっかけとして使う。人間の経験を絶対視するのではなく、データで再確認する。
AIと人間の経験を競わせるよりも、異なる観察方法として組み合わせる方が、競馬への理解は深まりそうです。
AIは“経験”を再現できるのか
現時点では、AIが人間の経験を完全に再現することは難しいと考えています。
人間の経験には、過去の事実だけでなく、感情、記憶、失敗への意味づけ、その場で感じた違和感まで含まれているからです。
AIは大量のレースデータを学習できますが、入力されていない情報までは理解できません。何万レースを処理しても、それだけで人間と同じ体験をしたことにはならないでしょう。
一方で、人間が経験によって身につけてきた判断の一部は、データとして再現できる可能性があります。
条件ごとの傾向、繰り返し起きるパターン、予測が外れやすい場面、自分の評価の偏り。これらを記録して検証すれば、AIなりの経験を積み上げることはできます。
AIに必要なのは、人間の経験をそのまま真似することではないのかもしれません。
人間と同じ感情を持つことではなく、自分が何を見て、なぜ評価し、結果とどこがずれたのかを記録し続けること。その積み重ねが、競馬AIにとっての経験になっていくのだと思います。
まだ、その経験が本当に競馬への理解へつながるのかは分かりません。
これからも予測と結果のずれを観察しながら、AIにとって「経験する」とは何なのかを考えていきます。
コメント