それではモデルのほうの説明を簡単にさせていただきます。まず私どもの問題意識なんですけれども、今少しお話がありましたが、組織というのはどのように形成されていくのか、それからもう１点、どのような性質を持った組織が生き残るのか。この２点について興味を持っておりまして、そのメカニズムについて、今回はコミュニケーションに絞ってモデル化するということを行いました。
コミュニケーション自体をいわばえさとしたモデルですので、ここではコミュニケーション競争モデルという名前をつけました。基本的なルールは非常に簡単でして、２点あります。まず第１のルールなんですけれども、エージェントはより多くのアイデアとコミュニケーションできるようなポジションを求めて移動する。先ほどそちらのほうに出ていますけれども、その１つひとつのエージェントがアイデアを持って使わないで、そのアイデアを持っているお互いがコミュニケーションできるようなポジションに移動する。このことで、エージェントは単独でいるよりもクラスターで集まっている状況なんですが、集まる状況になる。このクラスターに参加することを先行するというのが第１のルールになります。
第２のルールなんですけれども、複数のクラスター、つまり集まりが幾つかある場合には、エージェントはより多くのアイデアとコミュニケートできるクラスターのほうを選択する。今、赤と青がありますけれども、このことで複数のクラスターが衝突した場合に障害が生まれる。赤が青に変わったりするのはそういうことなんですけれども。
もう１つの今回の特徴は、先ほど多少説明がありましたが、今はみんな周りが同じ大きさなんですけれども、本モデルでは表面積の異なる数種類のエージェントが存在するというふうに設定しています。ここでは、表面積というのが、いわば比喩的な表面でして、実際にはコミュニケーション能力をあらわしているというふうにモデルの中では設定をしております。モデル上、コミュニケーション能力の大きいエージェントというのは、表面積の大きなエージェントとしてあらわされます。表面積が大きいということは、今そこに出ているのは全部大きさが同じですが、大きさが２個とか３個連なったようなそんなエージェントを考えていまして、表面積が大きいエージェントというのは、より多くのエージェントと接触できることになりまして、その結果、コミュニケーション能力が高くなるというふうに考えているわけです。
今のようなモデルを考えてシミュレーションを後でごらんいただきますけれども、その上で観察するポイントというのが何点かあるわけで、ここにある３つぐらいがおもしろいんじゃないかなというふうに考えています。１つは、クラスター間の競争にどんな影響を与えるか。それから、クラスターの大きさがどう変化するのか。さらに、コミュニケーションはどう変化するかといった点です。
後ほど実際にシミュレーションをごらんいただきますが、その前に簡単にモデルの仕様をご説明いたします。幾つかあるんですけれども、まず第１がパスの長さ、パス長というものを考えています。それはどういうものかといいますと、同色の２つのエージェント、ＡとＢの間がすべて同じようなエージェントでつながっている場合に、ここではそれをパスというふうに呼びまして、ＡとＢがコミュニケーション可能だと考えています。例えばそちらですと、右側の上のほうに青がつながっているのがありますが、そのつながりをパスと考える。後ほど例を挙げてご説明いたします。パス長のＬというのは、エージェントのＡからＢに到達するまでに経由するエージェントの個数というふうに定義いたします。ただし、Ｂ自体もございますので、ＡとＢが隣接している場合にはＬを１と断定。幾つかパスがあった場合には、そのうちの最短のほうに出るというふうにここでは定義いたします。
具体的にご説明いたしますが、まずＬが１のものなんですけれども、これはＡとＢが隣接しておりますので１と。それから、これは縦でも横でも斜めでも同じでして、これは１なんですね。次はＡが５のものですが、これは単純に横に１、２、３、４、５とつながっている。斜めに進んでも同じで１、２、３、４、５ですね。この場合ですと最短ですから、１、２、３、４、５というふうに数えます。これは６個の場合も同じでして、やや見にくいかもしれませんが、１、２、３、４、５、６ですね。右側の場合には１、２、３、４、５、６というふうに数える。このように数えます。実際には、シミュレーション上は左側での数であらわされますが、数え方としてはこういうふうになります。
次にクラスター値というものをここでは考えております。クラスター値というのは何かと申しますと、あるエージェントにとってコミュニケーション可能な同色のエージェントのクラスターの際、クラスターというのは、先ほど申し上げましたが、集まりの大きさのことです。ただし、そのクラスターのサイズといいましても、クラスターＣは、単にクラスターを構成する同色のエージェントの個数と合計数ではないということに注意が必要で、Ｌ、つまりコミュニケーションの距離が長くなると、その分コミュニケーションにかかる時間が長くなるというふうに考えますので、ここではＬ分の１、多重した合計数、つまり２個つながっていれば２分の１、３個つながっていれば３分の１という考え方をして計算いたします。
したがいまして、同じクラスターに所属していても、そのエージェントのポジションですね。例えばそちらですと、端にいるのか真ん中にいるとかといったそのポジションによってＣの値が変わってくるというふうになります。一般にクラスターの中央に近くなるほど、Ｃの値は大きくなるというふうになります。簡単にこちらでご説明いたしますと、まず、Ａの場合には、今一番左端ですけれども、Ａにとって、つまりパス長が１のエージェントというのは、隣り合っている１、２、３ですね。この３個が隣接して、Ｌが１がモデル。３について距離が１ですから、そのまま３×１で値は３。Ａにとって、パス長が２のものというのは、１、２、３、４、５とありますけれども、５×、距離が２ありますから、２分の１加重しまして計算すると２．５。それから、Ａにとってパス長が３のものが１、２、３と、右の端っこの３となります。距離が３ありますので、３分の１を掛けまして１。これを合計したものがＡにとってのクラスター値で、６．５というふうになります。
Ｂについて、見にくいかもしれませんが、これが左から一番下の左から２番目がＢなんですが、Ｂにとってパス長１のものが取り囲んでいる１、２、３、４、５になります。距離が１ですから、５×１の値が５、それにパス長が、これにとって２のものというのが、この端のほうですね、１、２、３、４、５、６なんですね。６×、加重平均２分の１を掛けて３。この合計の値の８がＢにとってのクラスター値になります。少し中央に、Ａよりは、どちらかというと中にいくと少し値が大きくなる。最後にＤは、見にくいかもしれませんが、これがＤなんですけれども、Ｄにとっての値は、Ｄにとって周りを取り囲んでいるのは、全部距離が１のものでありますから、１のものがここで８。Ｄにとって距離が２のものが１、２と入って、ヒ……ションですね、……ございますので、３×、距離が２ですから２分の１を掛けて１．５、値が９．５。Ｄはクラスターの中のかなり中央にありますので、値が一番大きくなるということになります。
次に、モデルの仕様の３番目になるわけなんですけれども、基本的なルールとしましては、今のように定義したものにつきまして、各エージェントは、より大きなクラスター値Ｃを求めて移動するというふうに設定をしております。各エージェントが１キの間に移動できる距離はここでは１に固定しています。各エージェントは、距離１の範囲でほかのエージェントをサーチします。逆に言えば、その距離が２以上離れると、エージェントは他のエージェントを回避することができなくなるということになるわけです。
先ほどちょっと申し上げましたが、別の色のクラスターが接触したエージェントは、もし相手側のクラスター値のほうにくみしたほうがＣの値が大きくなる。つまり、クラスター値の値が大きくなるというふうに判断した場合には、相手側に乗りかえる。つまり赤でしたら青になりますし、青でしたら青になるというふうに色が変わるというふうにここでは考えます。
次、先ほど申し上げました大きなエージェントということになるわけなんですけれども、大きなエージェントは、モデル上は表面積が大きいというふうになります。ここでのポイントなんですが、どんなに大きなエージェントであっても、パス長、パスの長さをはかるときには１と数えるというのが、ここでのポイントになるわけです。では、そういった大きなエージェントを投入した場合に、シミュレーションはどうなっていくかという予想なんですが、これが当初私たちが予想したところなんですけれども、予想としましては、大きなエージェントが投入されますと、そのエージェントは２つないし３つぐらいのつながったエージェントを確認して、その周辺に長さが１のエージェントがたくさん集まって、より大きなクラスターが形成されるんじゃないかということを私たちは予想したわけです。
先ほどごらんいただきましたようにいろいろ動きますので、いろいろ動いているうちに、大きなエージェントが何か偶然つながって、コミュニケーション・ハイウェイみたいなものができるんじゃないかと。そうしたクラスターが非常に強みを発揮して大きく成長するのではないかということを、私たちは最初に予想したわけです。
大きなエージェントを投入すると、クラスター値というのはどういうふうに変わるんだということになるわけなんですが、先ほどのこれは位置的にはＡとＢは同じです。ここではＢにクラスター３個分の表面積の大きなエージェントを投入した例になるわけなんですけれども、Ａについてちょっとクラスター値をご説明いたしますと、Ａにとってパスの長さが１のエージェントというのは何個いるかということなんですが、Ａが一番左端の下ですね、それから上の１個、それからＤ、これは全体で１と数えますから１個、それから隣のＢも１ですね。そうしますと、Ａにとってパス長Ｌが１のものというのは３個あります。３×、先ほどと同じように距離が１ですから１で、３．０の値。
それから、Ａにとってパス長が２のものなんですが、１、１個ですね。それから、Ｂ自体、これはもうこれで１個と数えますので、１、２で、ここがまたパス長２ですね。同じように、ここもパス長が２、同じようにここもパス長が２、これも２になります。ここも２ですね。これも２、そしてここも２になります。したがいまして、Ａにとってパス長が２のエージェントというのは、ここでも８個存在します。パス長が２ですから、２分の１にしまして、８×２分の１で値が４。したがいまして、Ａにとってのクラスター値は、ここでは７．０になります。投入しまして、Ｂにとってのクラスター値なんですが、パス長が１のままＢを取り囲んでいる１、２、３、４つですね。４×１で４．０。パス長がＢにとって２のものは、Ｄでございますから、１、２、３、４、５、６、７個ですね、７個全部存在する。したがいまして、計算しますと、パス長は４になりますから、３．５の値で合計７．５というふうになります。表面積の大きなエージェントを投入しますと、全部同じ大きさの場合と比べて、クラスター値の値が変わってくるというところが１つのポイントになっています。
実際にこれからシミュレーションをごらんいただくわけですが、今回のシミュレーションは、基本ルール同士のシミュレーションをごらんいただこうと思います。お手元の資料には、ディスカッションペーパーと書いてあると思うんですが、実際には、今回のシミュレーションには幾つかルールが存在しておりまして、今回は時間の都合で基本ルールのシミュレーションをごらんいただくということになります。今回は空間につきましては、格子モデル、大きさは２０×２０に設定いたしました。
ケースの１では、長さ１の赤いエージェントを１０個、それから青いエージェントを１０個のもの。もう１つの例としまして、赤いエージェントは長さ１のものを運ぶ。それから、長さが３のもの、要するに先ほど説明しました表面積の大きなエージェントなんですけれども、それを２個の合計１０個を投入します。青いエージェントにつきましては、ケース１と同じく長さが１のものを１０個入れております。それぞれのケースで３０回ずつ試行いたしまして、各試行３００回ごとに、平均のクラスター規模とクラスター値の合計を記録しております。
それでは、早速シミュレーションのほうをごらんください。こちらをご注目いただければと思います。
これは、小さいエージェントばかりのときと、さっきとは実は最初のスタートのときの乱数シード値を変えると初期配置が変わりますので、先ほどと初期配置が違います。違いますと、実はこういった形で、さっきとは違う結果になるわけですね。これがいわゆるクラスターと呼ばれるものになります。だんだんとこうやって大きくなってくる。これが大きくなってきますと、こういった形になります。もう少し詳しく言うと、これはもう４個の場合は動きません。これはいわゆる均衡に到達している場合です。それから、この３個の場合は、実を言うと、これは動いているように見えて、４つのセルの中をただ移動しているだけなんです。いわゆるロックインの状態になる。
ここに５つのエージェントからなるクラスターがありますけれども、これは、ずっと観察しているとわかりますけれども、いわゆるランダムウォークをします。これがあちこちに移動しながら、接触すれば大きなエージェントを形成するというようなことをします。ただ、これはもう既にここに固まっちゃっているのが４クラスター分あって、この１個だけが一生懸命ランダムウォークで動いているというスタイルですね。
注目していただきたいのは、今ここでは青が１、２、３、４、５、６、７、全部で２０個ありますけど、赤が１３個あるということです。つまり、赤対青は、赤が１３、青が７という初期配置で、大きなエージェントを投入したらどうなるかということを次にごらんいただきます。ここにさっき言いましたけど、長さが３の大きなエージェントがあります。マルが３個つながっているように見えますが、一応色を濃くして識別しております。それと、これは横に長いやつしか今回は想定しておりませんので、本当は縦もあったほうがおもしろいんですが、今回は横の長いのが入っている。ほぼ同じというか、大きなのが入っていますとちょっとほぼとしか言いようがありませんけれども、初期配置から始めて、さっきと結末がどうなるか。つまり、我々の当初の予想は大きなエージェントを入れたほうが勝つんじゃないかと思ったということを念頭にちょっとごらんください。どうぞ。
速すぎるとわからないかもしれませんが、実は全部青になっちゃうんですね。最初、大きなエージェントが赤だったのは皆さん覚えていらっしゃると思いますけれども、実を言うと、これは３０回同じような組み合わせでやっておりますけれども、統計的に言うと、有意にはならなかったんですが、大きなエージェントに入れかえた赤のほうが負けるんですね。回数からいうと、大きなエージェントを入れたほうがほぼ負けるというような傾向があります。なぜかというと、１つには、これは大きなエージェントがすぐ寝返ってしまうんです。つまり、これは考えてみると当たり前の話かもしれませんけれども、人間でたとえるのと全く同じ話でして、私たちは当初大きなエージェントはリーダーかなと思ったんですね。ところが、どうもリーダーとなる素質は能力だけではだめそうだよ。つまり簡単に相手側とか自分側から寝返らないという何か信念みたいなものがないと、単に能力が高いだけで簡単に相手側に寝返っちゃうということが１つわかります。
それともう１つ重要なことは、これはこのケースだけじゃないんですけど、この大きなエージェントが露出しているんです。これもおわかりいただけると思いますけれども、先ほどの桑嶋さんの解説の中では、大きなエージェントというのは、真ん中にあるんですが、ほとんどのケースでこの大きなエージェントは露出しています。大きなエージェントが露出して、この場合はほとんどこれはもう均衡していますし、こちら側のほうでロックインの状態にこれは入っておりますので、もうこれ以上動けませんけれども、きょう、こういった形で、外部に露出するという形で大きなエージェントが存在しているということになります。つまり、当初の予想とかなり違うんですね。
ただ、これは最初に申し上げましたけれども、ゲートキーパーという概念からすると非常に近い。どうも私も、それから桑嶋さんも、最初はゲートキーパーという概念とリーダー概念をかなりごちゃごちゃに考えていたと後で気がついたんですが、実は言うと、ゲートキーパーというのは、もともとどういうコンセプトかというと、コミュニケーションスターですから、そのクラスター、あるいは組織の内部と外部のコミュニケーションをつなぐ役割をする人を実は指すんですね。コミュニケーション能力の高い人は、単に組織内部で大きな地位を占めているという意味ではなくて、外部とのコミュニケーションのちょうどゲート、ゲートキーパーというのは門番という意味なんですが、ゲートを守っているという意味でゲートキーパーと言うわけです。ですから、ある意味では、大きなエージェントがこうやって外側に露出しているというのは、非常に当たり前と言えば当たり前、言われてみるとそうかなと思うという結論になりました。
それで、これがシミュレーションの結果になりますけれども、最初の１０期程度云々と書いてありますが、今のやつをまとめた、今は単に勝ち負けのお話をいたしましたけれども、実はやはり大きなエージェントを投入すると、それなりに効果があります。ここには、最初の１０期程度は両ケースの値はほぼ一致しているが、それ以後は分岐して、表面積に大きな、つまり大きなエージェントを投入したケースのほうが、平均クラスター規模のクラスター値の合計の値も大きくなるという結果になります。
これがグラフになります。ちょっと見えにくいかもしれませんけれども、下のほうがこれはすべて小エージェント、最初の……だけで、上のほう、このピンクのほう、紫のほうが大きなエージェントを２つを赤に投入した場合のグラフになります。このデータなんですが、おわかりのように、実は大きなエージェントを投入しても、必ずしも勝敗には影響しない。むしろ、投入したほうが負ける傾向があるということになりましたので、この場合、これ以降はあまり勝敗にこだわらず、この空間全体のクラスターの平均規模、この場合だとこちらが１、２、３、４、５、６、７、８で、だから、残りが規模が１２ということになりますけれども、この場合は２つしかクラスターがありませんので、全部で２０個のエージェントで構成されていますので、クラスター数を２で割ると、平均のクラスター規模は１０ということになります。そうやって求めた平均クラスター規模をこうやって平均したものです。
平均というのはどういうことかと申しますと、３０回試行しておりますので、ほととこの５０期には３０個データがあります。つまり、各試行について、それぞれクラスター値の平均が出ますので、それをさらに平均したものをこうやって曲線にかくと、こういう値になる。これは、実を言うと、大きなエージェントを投入したほうが能力が高いというふうに見えますが、実は正確に言うと、クラスターの規模が大きくなるのが速いんですね。それは横のグラフだとわかりますけれども、どんどん時間さえたてば小さなエージェントの集まりでも追いついていくんです。つまり正確に言うと、大きなクラスターを投入したらか大きいクラスターができるというのは、ある時点で、こういう比較をすればそうなんですけれども、最終的には小さなエージェントだけのクラスターが追いついていきます。つまり、正確な表現をすると、大きなエージェントを投入すると、クラスターの形成のスピードが早くなるというのがこの１つの結果になります。
さらに、それをクラスター合計値の平均と書いてありますが、さっき申しましたけれども、桑嶋さんが説明したこのクラスター値というのは１個１個のエージェントで計算できますので、この１個のクラスターでクラスター値の合計が出ます。この空間全体でクラスター値の合計が出るわけですね。つまり、クラスター値の合計が高いということは、コミュニケーションの効率が高いという意味になります。そうしますと、これはもう少し高くてもよかったですが、これもやはりすべて小エージェントが下の赤で、大エージェントを２とする上のこのピンク、紫のところになりますが、やはりごらんになってわかるように、クラスターの形成が速い分、大きなエージェントを投入すると、このコミュニケーション効率の上昇傾向が速い、スピードが速くなるということがわかります。
こうして見てまいりますと、より大きなクラスターの形成は、スピードの点で効果があるという結論が１つ出ます。
それからもう１つ、これは先ほどもちょっとここでご説明いたしましたけれども、表面積の大きなエージェントというのは、実はクラスターの中心にはいない。ほぼ常にクラスターの周辺部に位置、つまり露出しています。その意味では、さっきちょっと私が申し上げたように、表面積の大きなエージェントはゲートキーパーとしての位置を保っていたということになります。
さらに３つ目のことですが、これも最初の申し上げたことですが、実は大きなエージェントを投入すると強くなるのかと思ったんですが、実はそうではない。ここにありますように、表面積の大きなエージェントを投入したことで、赤陣営が強くなったということはなかった。どっちかというと、やや負けぎみだったんですね。これは、理由は、さっきごらんになって、あっという間に赤が青になったということをごらんになってわかるように、単に能力が高いだけではだめで、すぐ寝返っちゃうんですね。何で寝返るかというと、これは明らかなんですが、表面積が大きいために敵に囲まれやすいんです。これは想像つくと思いますが、実は敵に囲まれやすいんですね。そのために、単に能力が高いだけでは、すぐに小さな敵に囲まれて、相手が寝返ってしまうんですね。そのために表面積の大きなエージェント自体が寝返ってしまうために、実はこのコミュニケーション能力が高いだけでは、組織のリーダーにはなり得ないという、言われてみると当たり前のことがよくわかってきたということになります。
実は、ここから先がもっと意外な結果になります。実は、本当はここでおしまいだったはずなんですが、実はここまでは合理的なモデルです。今のがどこが合理的だというのはちょっとわからないかもしれませんが、これから出てくるモデルに比べて、こちらは合理的なんです。なぜかといいますと、現在のポジションも含めて、移動可能なポジションの中で、ここなんですが、最もクラスター値の高くなるポジションに移動する。とにかく移動できるならば、とにかく高いところに移動するというのが、この合理モデル。ところが、これはあることを示していまして、つまり現在のポジションがもしベストだったら、つまり今のポジションでクラスター値のほうが高ければ、もう移動しなくなるんです。そのために、例えば先ほど言いましたこのクラスターとか、あるいはこのクラスターでは、この２つのエージェントを除いて、ほぼ動かなくなります。これは今自分が、エージェントが今いるポジションがベストだからです。これがいわゆる経済学で言うところの均衡の概念になります。いわゆる均衡したために、このクラスターが固まるわけです。エージェントが動かなくなって、現在ポジションにとどまる。これはエンパート・セグメント・エンソーシングと言いますけれども、自己拘束的に今のポジションにとどまるということになります。
ところが、実は失敗をしてしまいます。これは正直に申し上げますと、我々は全然深く考えてこのことを用いたんじゃなくて、最初間違って、この徘徊モデルというのをつくってしまったんですね。これは実を言いますと、ここに書いてあるのはどこが違うかというと、違いはこの１点だけです。現在のポジション以外に移動してしまう。つまり現在ポジション以外の移動可能なポジションの中で最もクラスター値の高い場所に移動する。つまり、移動が可能だったら必ず移動する。今がベストポジションでも、そこを捨てて必ず移動するというモデルを実は最初につくってしまったんですね。そのことに気づいたのは随分後で、それで結構大きな発見をしたと思っておりますけれども、それをちょっと。
最初に、先ほどの小エージェントだけの合理モデルのほうをもう一回ごらんいただきます。こういう感じで、思い出していただけるかと思いますけれども、ここにまだランダムウォークしているのがありますけれども、こういう形でだんだんと固まっている。これはもう既にロックインして、今はこれが大きさが５のクラスターになって、これがランダムウォークしている。先ほどと同じものです。
では、次お願いします。これが徘徊モデルになるとどうなるかといいますと、同じ初期配置から始めるわけです。３のやつはやっぱりロックインしちゃいますけれども、これはずっとごらんになっているとわかりますけれども、とまらないんです。ここら辺もここら辺もみんなそうなんですが、このサム・オブ・ケースだけはロックインしちゃいますけれども、あとは動き続けます。これは、この中には、先ほどご説明いたしませんでしたけれども、活動度という動いているエージェントの個数みたいなのをカウントをちゃんとしているんですけれども、実は、最初にこのモデルを走らしていて、いつまでたっても活動度が落ちないので不思議に思ったんですね。実を言うと、これは今ログファイルを再生していますのでこのぐらいのスピードで動いていますが、まともにやるともう少しスピードが遅いので、ぼーっと見ていると、実はとまっているか動いているかよくわからないことがあるんですが。ただ、活動度がいつまでたってもゼロにならないので、つまり終息しないわけですね。終息しないので何か間違っているんじゃないかということで、先ほども言いましたように、実はこの徘徊モデルになっている。現在ポジションがベストでも捨ててということが設定になっていること後で気がつきます。
ところが、こうやって今はだんだんと大きなクラスターになっていることはおわかりいただけると思います。ちょっと説明を忘れました。これは、こことこことここがつながっています。あるいは、こちら側とこちら側はつながっています。これはループしているという意味なんですが、ここからずっと丸くなっているという意味なんですが、これはずっとほうっておきますと、最後は１つのクラスターになってしまいます。ただ、ごらんになってわかるように、いつまでたっても終息しない、均衡しないで動き続けるわけですね。
次、お願いします。こちらの……で結構ですが、それでは、なぜ驚いたかといいますと、すごく単純な発想をしますと、合理モデルのほうが、テンスウ……決まっているんです。なぜかといいますと、今ベストポジションにいる人間が動く必要はないんですね。つまり、今ベストポジションにいるエージェントが動くということは、当然短期的に見れば、クラスター値が下がることになります。短期的に言えばクラスター値が下がることになりますから、動いたモデルのほうが、つまり今のベストポジションを捨てたモデルのほうが、実は合計クラスター値は下がらなきゃいけないんです。ところが、これはまず最初の平均クラスター規模ですが、平均クラスター規模は、合理モデルに比べると今の徘徊モデルのほうが圧倒的に高い、大きいんです。これは後で大きなエージェントを投入したのをごらんにいれますけれども、もう既に２倍とか３倍の高さになっています。最終的には、クラスターは最後は全部大体１個にまとまってしまうということで、クラスター規模は大きなものになります。
次、お願いいたします。今言ったコミュニケーション効率をあらわすクラスターは合計値というのがありますが、このクラスター合計値をごらんになっても、圧倒的に高い。下の２本線というのが、先ほどごらんにいれた合理モデルなんですが、それと比べると、ほぼ２倍ぐらいの、さっきは１００前後でしたけど、今度は２００ぐらいまで行動します。つまり、短期的には不利益な行動をとったはずなのに、最終的には大きなクラスターを形成するために、徘徊モデルのほうがパフォーマンスが高いということがわかってきたわけです。
今度はこの大エージェントを投入したモデルになりますが。お願いします。この大きなエージェントはこういう形で、ちょうどアメーバーの食指のような動き方をします。これは今取り込んだというのはわかると思いますが、大きなエージェントがこの小さなエージェントのクラスターの周りをぐるぐる回る形で、ちょうどクラスター自体が徘徊モデルはアメーバー的な動き方をしますけれども、この大きなエージェントが、ちょうどこのクラスターの周りを回るということで、食指のような働きをして周りのエージェントをかき集めてくる。これはもう１００ステップぐらいで１個のクラスターを形成してしまいます。こうなると、この計算上は、２００ぐらいのクラスター値の合計までいくということになります。
これは徘徊モデル、大きなエージェントを投入した場合の動き方、これはやっぱり３０期の平均をとっていますけれども、これなんかは最初から全然動き方が違います。でも、３００期までしかとっておりませんけれども、ほぼ３００期前後ぐらいで、この徘徊モデルだと、クラスターのサイズが２０になる。つまり、１個のクラスターになっちゃうんですね。ただ、ここで何で変動しているか。ここをごらんになるとわかります。ちょっと変動していますよね。これは実は、この絵でごらんになれるかどうかわかりませんが、これがそうですね。時々、ナルシンギのようにエージェントが飛んでいっちゃうんですね。これは合理モデルではありませんので、とにかく動くということを基本に置いているモデルになるんですね。時々ナルシンギのように、小さなクラスターと大きなエージェントが、クラスターを離れる瞬間があります。離れる瞬間、実はクラスター全体が２つに割れたわけではないんですが、１個でも離れると、それはクラスター１個と数えますので、そういうことが１つでもあると、こういうところが加速を変動するということが実は起きるということになります。
もう１つ別の設定をしてあるのをちょっとごらんに入れますが、どうぞ。これもこういった形で、クラスター全体が生き物のような動き方をして、こういった形でどんどんまとまっていきます。今、取り込みました。こういうのを取り込みます。今これがちょうど食指のような働きをするんですが、ぐちゃぐちゃと動きながら、こんな形で最終的に１つのクラスターになってしまうということになります。つまり、これでクラスターの形成が、もちろん大エージェントを通したほうが早いんですが、先ほどごらんになるように、合理モデルの場合と同じように、大きなエージェントを投入したほうが、クラスターの形成スピードが速くなりますけど、そういう差をはるかに超えて、実は合理モデルに比べると、この徘徊モデルのほうがパフォーマンスがいいんですね。圧倒的に高いパフォーマンスを持っているということがわかります。
それでは、１つ、ちょっとご説明しておかなければいけないんですが、このグラフが何のグラフかということをちょっとご説明いたします。これがクラスター合計値の平均という先ほどごらんにいれたグラフなんですけれども、ここで大きなクラスターを投入したほうがパフォーマンスがいいというふうにごらんになれると思います。よくごらんになるとわかると思いますが、これは最大値が１００ぐらいしかありませんので、大きなエージェントを投入したやつは、この後ずっとこう横に水平に移動するんですが、小さなエージェントだけの場合は、こうやってまだ上昇基調にあるということがわかります。実際、これは何をあらわしているかといいますと、今言った最後の１０キを何でとっているかといいますと、徘徊モデルの場合には、こうやってぐちゃぐちゃ動いていますので、必ずクラスター値の合計値が上がっていくわけじゃないんです。変動します。ですから、最後の１０キのクラスターの合計値を計算してやりますと、それは大きいほうから順番に並びます。そうすると、大エージェントの投入の場合は、今回は３０回やりましたけど、３０回とも最後はクラスターが１個になります。そうすると、ほぼクラスター値の合計は２００ぐらいに張りつくわけですね。それに対して、すべて小エージェントの場合は、ここまでは１個のクラスターになっていますけれども、ここからはやや分散します。これは何をあらわしているかというと、基本的にまだ３００期でも我々は途中経過しか見ていない。もっと長くやると、多分１，０００期とかやれば、多分ここら辺の場合でもクラスター細胞は１個になるはずなんですが、実は我々は途中経過しか見ていない。つまり、先ほどの合理モデルの場合と同じように、徘徊モデルというのは時間がかかりますけれども、時間さえかけてやれば、小さなエージェントだけの場合でも、最後はクラスターは１個になって、そうすると、合理モデルの場合と比べて、圧倒的に高いパフォーマンスを出すということになります。
実際、これはすべて小エージェント、大エージェントに投入、すべて小エージェントは１０以上１０以内と書いてありますけれども、徘徊モデルの場合は、こういった形で、これが実は下の値。下の値というのは、すべて小エージェントのときはこういう少し低い値だったんですね。大エージェントのときは、この緑色のこの上の値をとっていたんですが、今ごらんに入れたすべて小エージェントだけでも、上位１７位以内、つまり３００キまでに１個のクラスターに到達したというものだけを抜き出してグラフにすると、２０……になります。ごらんになるとわかるように、要するに立ち上げが遅いだけで、最後は同じような値になる。つまり、大エージェントを投することで立ち上げが速くなる。
つまり、先ほどの研究開発組織だとか、ゲートキーパーとかという話をここでかみくだいてお話ししますと、ゲートキーパーというか、コミュニケーション能力の高いエージェントを投入することで、すぐに何か勝つということはないんですが、大きなエージェントを投入すると、つまりゲートキーパーのような人を投入すると、クラスターの形成スピードが速くなります。つまり、早い段階で立ち上げができる。これがこの考察のゴになります。その理由は何かといいますと、大きなエージェントを投入すると、食指のように機能して、立ち上がりが速くなる。しかし、だからといって、大きなエージェントを投入したから、最後は勝つのかというと、最後は実は同じような値に終わってしまう。だから、違いがあるのは、実は立ち上げの早さだということになります。
次、ちょっと続けて幾つか再生いたしますので、皆さん、ちょっとお考えいただきたい。私はこれを見るとすごく身につまされるというか、考えさせられるので、皆さん、ちょっと今再生した画面をしばらくごらんになってお考えいただきたいんですが、これは小エージェントだけのケース。今続けて幾つか合理モデルの例をごらんにいれます。何度も申し上げていますけれども、こういった、これはもう完全に均衡ですね。これはロックインしています。この２つの場合がこうやって動いておりますが、これも全部で１１個のエージェントからなるクラスターというは、３×３の９個のクラスターの周りを残りの１個がぐるぐる回るという、これもロックインの状態になります。これが１つの例です。
今同じような設定のものを続けてごらんにいれますが、やはりこれは初期値配置が違うだけで、同じようなケースです。ここにもう既に４個で均衡しているクラスターがあります。これは５個はランダムウォークしています。これは８個ですけれども、これも実は均衡しています。これはロックインしています。ですから、まともな意味で動いているのはここだけということになりますが、ちょっとしばらくごらんください。実を言うと、これはいわゆる経済学者が好きな均衡とかロックインとかと呼ばれている支配的な世界なんですね。動いているのはごくわずかしかない。こういうのがしばらく続きます。ランダムウォークしているというのは、これとこれはつながっておりますので、ランダムウォークしているというのはおわかりいただけると思います。動いていますよね。
多分皆さんごらんになっていて、今、合理モデルの場合は、すごくつまらないという感じを多分お持ちになると思います。これは次のやつも合理モデルの小エージェントだけのケースですが、これはあっという間にここは均衡になります。ここはロックインの状態になります。これは多分さっき同じパターンですね。真ん中に９個、周りの２個がぐるぐる回るというロックインの状態です。この２個のやつが今はランダムウォークしていますので、これはどこかにくっつくだろう。だけど、ここにあります７個のケースは、ロックインの状態でもう動きません。残りはこのランダムウォークしているのが、どこにくっつくかなと。くっつきました。今、これは均衡形を探しているんです。おさまりがいい状態を探しています。それで均衡します。……いかがでしょうか。つまり、ここは完全にロックインしている。ここは今１３個のエージェントがあるクラスターですけれども、１３個になった後、みんないろいろと自分の最適配置を探しながら、結局、すべてのエージェントはベストポジションでおさまる。ということで、もうこれで動かなくなる。
次をお願いします。これも同じようなというか、初期配置は違いますけれども、もう既にここに均衡状態に陥ったというか、入った。これは５個になりますね。これでランダムウォークをします。ここにあるのは３個ですから、何かとくっつかないでロックインしちゃっている。くっつきました。これとこれがくっついた。これがさらにくっつく。ここの５個のエージェントからなるクラスターと、ここの５個のエージェントからなるクラスターが、今のところはランダムウォークをしている。これもくっついているんです。今、これで均衡形を探していますので、で、均衡しました。全部で４×４で１５のエージェントからなるクラスターは、均衡形がありますので、均衡する形におさまります。今、これが動いていますけれども、これはたどりつくんでしょうか。もういいですよね。
徘徊モデルのほうのすべて小エージェントのケースです。つまり、実を言うと、我々は最初に徘徊モデルを間違ってつくってしまって、……形が本当はベストだと思って合理モデルをつくり直したんですね。ところが、合理モデルの今のようなシミュレーションの画面をずっと見て、すごく退屈な気持ちになるわけです。今度、これが徘徊モデルですべて小エージェントのケースを幾つかごらんにいれますが、このさっきの最初のやつと同じ……でスタートしているんですね。実を言うとロックインしたのもありますけれども、これが徐々に周辺のクラスターとくっついてきます。大きくなりますね。この３個というのは、合理モデルの場合も徘徊モデル場合も実はロックインしてしまうんですけれども、この大きなクラスターが動き回りますので、こういったロックインしているのも、全部吸収していく。やっぱり時間がかかりますね。３００期以上……。
次の例をよろしいですか。もう時間がだいぶ迫ってまいりましたので飛ばしていきますが。これはある程度……出てまいります。これは……我々は全然想像がつかなくて見ているんですね。ですから、全くランダムにといいますか、今くっつきましたけど、近くなるからくっつくだろうという想像は実は成り立たなくて、どんどん離れていってしまうこともあるんですが、長い時間見ていると、何だかんだ言っても、この限られた空間の中なので、クラスター同士がいつか出会って、吸収しているというようなことが行われます。今、これも偶然ですけど、下に動き始めました。これは別にさっきも言いましたけど、周りは１しかサーチしていませんので、ここにいるということは実は知らないで動いているんです。知らないでアメーバーのようにぐちゃぐちゃ動いている。それからまた上にいったりというようなことをやっております。
次、大きなエージェントを投入した徘徊モデル。大きなエージェントを投入した場合の徘徊モデルをちょっとごらんにいれますが、先ほどごらんにいれたやつは、これは動きが早いので、ごらんになるとわかるように、どんどんくっついていきます。これは最終的に全部赤がくっつくというパターンですけれども、こういった形で、大きなエージェントが入ると、全体的にクラスターの動き方も大きくなりますので、割とダイナミックに早い段階で。今くっつきましたね。クラスターが形成されていきます。
これはちょっと注目していただきたいんです。こういった大きなエージェントが周りをぐるぐる何か食指を動かすような形で動いている。これも今接近している。取り込みました。こういったような形で動く。でも、１個になった後も、こうやって常に形が変わるんです。そのために、クラスター値の合計値が安定しないということになります。
次、お願いします。もう１個ぐらいで終わりにしますので。今度、ここの場合はほとんど青に寝返っちゃいましたけれども、こういった形で動いて、こうぐるぐる回っているのがごらんいただけると思います。ここで１個になりますね。ここに今接触しました。あっという間に１個のクラスターになります。ここで１個になった後の大きなクラスターの周りをぐるぐる回るということになります。
つまり、何を私が最後に申し上げたいかというと、実を言うと、合理モデルというのは、経済学とかでよく使うパターンのモデルでして、経済学でよく想定するとおり、均衡したりロックインしたりするんです。ところが、均衡したりロックインしたりする合理モデルの世界というのは、言葉を変えると死の世界なんです。つまり、均衡とかロックインというのは、こういうシミュレーションの形で見なければ、何かすごく均整のとれた美しい世界であるというような印象を我々は持ちますけれども、これはシミュレーションでエージェントが持っているというのを目の当たりにしますと、徘徊モデルの場合は生き物なんです。まるで生き物のようにクラスターが動いて、周りのエージェントは取り込みながら、どんどん自分が大きくなったり、あるいはコミュニケーションの効率を高めていくというので、そういう生き物のような動き方をするのが徘徊モデルです。
ところが、……フォーシングで、今自分でベストポジションにいたら動かないという合理モデルの場合は、確かに経済学で想定するような均衡とかロックインの世界が登場するんですが、それは、ほとんど死の世界で、ロックインして、周りを動いているごくわずかのエージェントを除いて何も動かない世界です。つまり、これはもっとわかりやすく言うと、無機質と有機質の差のような違いが出てまいります。つまり、これが先ほど一番最初にありましたように、個々のエージェントのルールから予想できない結末というのは、実はこういうことを指しているんですね。途中で申し上げましたけれども、実は最初に間違って我々はこのモデルをつくっちゃったんですね。このモデルをつくったためにいつまでも均衡しないので、学者的な発想からすると美しくないというので、やっぱり合理モデルをつくってくれというので、合理モデルにした。ところが、合理モデルにした途端に、確かに均衡とかロックインとかいうのは登場するんですけれども、すごくつまらないんですね。つまり、確かに合理モデルの場合は、早い段階で均衡もするし、ロックインもするし、世界全体が固まるんですけれども、それはある意味で死の世界を実現しただけで、ひょっとすると、私は経営学の人間ですけれども、経済学者が想定しているような均衡の世界というのは、我々の世界と違う世界を言っているかもしれない。何か、私は経営学者なので、正確に言うと、そこら辺であまりコメントするとどこかから怒られそうな気がするのでコメントしたくないんですけれども、経営学というか、比較的企業の方の場合は、こちらの今言った徘徊モデルのような世界に多分住んでいらっしゃるんですね。だから、均衡するとかロックインするとかというのとちょっと違う世界。いつまでもごちゃごちゃ動いていて、本当はベストポジションだったのに、捨てちゃってどこかに移動するというようなことをほぼ普通にやっているんだけど、長い目で見たら、実は合意モデルで……フォーシングでどこかで固まるというよりは、最終的にはパフォーマンスが高くなる可能性があるということを、実は我々はマルチエージェント・シミュレーレターをやってみて初めて気がついたんです。
ですから、まとめますと、意外な結果というのは幾つかありますが、大きなエージェントを投入したからといって、その大きなエージェントを投入した赤陣営は勝ったわけではない。それから、大きなエージェントは、ゲートキーパーのように実は周りにいるんだと。我々が想定したリーダーのようには振る舞わなかった。それからもう１つは、ごく当たり前な感覚からするとよさそうに思える合理モデルが生み出した世界というのはあまり魅力的ではなくて、むしろ今ベストポジションにいるということがわかっていながら、そこを捨てて、次のステップに踏み出すような徘徊モデル型の世界のほうが、なじみもあるし、何かより高いパフォーマンスを生み出すということがわかります。
これで、実際問題、どんなインプリケーションがあるのというのは、もう少し距離感がありますので、もしご質問がありましたらお答えいたしますけれども、基本的にマルチエージェント型をすることで、我々が発見した大きなこととというのは、今までのシミュレーションだと、設計を組んだ段階で大体結末が想像つくんですね。ところが、マルチエージェント型にした途端に、実は結末がちょっと予想がつかなくなる。個々のルールは非常に合理的に組んでいるはずなのに、実は全体的なシステムの振る舞いというのが、我々が想像したのと違う振る舞いをする可能性があるということを、我々自身がちょっとやらせていただいて、そのことに気がついたということになると思います。
以上で報告を終わります。
（質疑応答）
