NTTコミュニケーション科学基礎研究所（CS研）は、1991年7月4日に創立されてから、今年で30周年を迎えることとなりました。この30年間、コミュニケーションの本質を究め、こころまで伝わるコミュニケーションの実現をめざした基礎研究に取り組んできました（1）。そもそもコミュニケーションの本質とは、①情報を正確かつ効率良く伝達するのみならず、②情報が指し示している、その意味を共有することによりお互いの理解を深めることや、③伝達方法にも工夫をこらすことで背後の意図や感動を共有することであり、ひいては④これらを通じてこころのふれあいを醸成すること、その結果こころ豊かな社会を築くことまで、広く含むと考えられます。主にこのコミュニケーションの4つの観点に焦点を当て、過去の研究も振り返りつつ、コミュニケーションの本質を究めるCS研の取り組みのいくつかを紹介します。

NTTでは、音声音響処理や自然言語処理など、コミュニケーションの基本技術に、電電公社時代から継続的に取り組んできました。そのルーツといえるのは音声符号化技術であり、情報の正確かつ効率的な伝達という意味でもっとも重要な技術の1つです。電電公社時代の1975年に提案したLSP (Line Spectrum Pair)は、国際標準技術として現在でも世界のほとんどの携帯電話に使われており、2014年には電気電子通信分野の技術遺産に相当するIEEE Milestoneとして認定されました（2）。この流れを継承し、CS研は、2014年に3GPP（3rd Generation Partnership Project）の標準規格として承認されたEVS (Enhanced Voice Services) に主導的立場で貢献しました。EVS規格は第4世代の音声符号化として日本でも携帯電話3社間の共通の符号化伝送方式に採用されるなど、2016年より利用され、2021年現在、世界中のスマートフォンに搭載されています。さらに、EVSを拡張するIVAS （EVS extension for Immersive Voice and Audio Services） 標準規格の制定にも貢献しています。また最近、ワイヤレスマイクなどに適した、ビット誤りに頑健な低遅延の音声音響符号化方式BRAVEⓇを考案しました。BRAVEⓇは、2021年2月にTOA株式会社から発売されたワイヤレスマイクに採用されています（3）。

人間は類似している事物をカテゴリとしてまとめて学習することで、コミュニケーションを含む、思考、推論、意思決定など高度な認知活動を可能にし、学習自体も効率化しています。例えば、1匹の動物を見かけたとき、その姿かたちがすでに学習済みのカテゴリの1つ、例えば「猫」と十分類似していればそのカテゴリの要素、すなわち猫として認識します。これまで見たすべての物体を個別に記憶することは困難ですが、カテゴリとしてまとめるとコンパクトに記憶できます。後で振り返った際、見かけた猫の細かい特徴は忘れても、それが猫であったことは忘れません。さらに、学習済みのどのカテゴリとも異なる場合は、あらたなカテゴリを設定します。このようにして、大量のデータに対しても、データの特性に合わせ、必要に応じて柔軟にカテゴリを増やしたり、場合によっては減らしたりしながら、効率的に学習しています。
CS研ではこのような人間の柔軟なカテゴリ学習を計算機上で実現することに取り組んでいます。例えば、顧客ごとにどの商品を購入したかを行列形式で記録した購買データを用いて、顧客と商品の両方をカテゴリ分けすることを考えます。すると、このカテゴリ分けは購買データ行列を長方形分割することに相当します。そこで、ノンパラメトリック・ベイズモデルに基づき、この長方形分割のあらゆる無限の組合せパターンの中から、最適な分割をデータに合わせて調整し効率的に学習する手法を考案しました（4）。
このように、カテゴリとしての「猫」は、ある特定の「猫」ではなく、「猫」一般を抽象化したものです。一方概念とは、カテゴリについての心的表象（mental representation）が、記憶に蓄えられたもの、すなわち、カテゴリが指し示す、カテゴリについて知っている情報の集合です（5）。人間がこころに抱く「猫」の概念は、その姿かたちだけでなく、鳴き声や、動作、さわり心地、あるいはそれらの言語による表現など、猫を表すさまざまな側面を統合して抽象化したものといえます。すなわち、概念とは、1つの事物（の集合）を複数の視点（異種のメディア情報、モダリティ）からみることで得られる、視点に依存しない抽象化された情報ととらえることができ、共通の概念空間での座標として表現できます。CS研では、例えば猫の映像とその鳴き声など、異種のメディア情報の共起、すなわち、同じものに端を発する異種のメディア情報がランダムにではなく特定の関係性を持って現れることを利用し、陽に正解を教えられなくても自律的に概念を獲得する研究に取り組んでいます（6）。

では、人間の乳児は自然界の事象の共起から自律的に学習するのでしょうか。CS研ではコミュニケーションの本質を理解するため、乳児のコミュニケーションや言語獲得にも着目しています。乳児にとって、コミュニケーションは物体を認識し、知識や概念、語彙の獲得を促進する重要な手段です。実際乳児は、養育者からの会話や、テレビなどの周囲の環境から聞こえる音声を聞き、統計学習によって共起して出現する頻度の高いシラブル（発音の単位）のまとまりを単語として覚えていくなど、環境から得られる情報からさまざまな知識を学んでいます。しかし、決して膨大な情報を無差別に処理しているわけではありません。CS研の研究では、乳児の学習は、乳児向け発話など、養育者からのコミュニケーションシグナルによって促進されることが分かりました（7）。乳児は養育者からのコミュニケーションシグナルを学習の手掛かりとして利用し、学習すべき対象へ注意を適切に向け、環境から何をどのように学習すべきかを取捨選択しているのです。
乳児とのコミュニケーションは脳の発達を促し、その後の乳児の語彙数にも影響を与えます。そこでCS研では、幼児の言語獲得の研究を進めています。その結果に基づいて、CS研が監修した絵本が累積発行部数28万部を突破しています。デジタルではなく、やはり五感で接することができる、印刷物としての本が大事だと考えています。さらに最近では、NTT印刷と連携して、パーソナル知育絵本というものを提案しています。これは保護者による語彙チェック履歴に合わせて、CS研の研究成果である幼児語彙発達データベースを基に、これから覚える語と対応する絵を組み込んだ知育絵本です。当初は読み聞かせ用の絵本からスタートしましたが、一方、これも最近のCS研の研究成果によって、幼児は、実際にひらがなを読み書きできる少し前の3歳前後において、文字とその文字の音の対応性の理解が始まっていることが分かってきました。そこで、3歳前後の幼児を対象に文字への興味を促す「ひらがな・カタカナなまえ絵本」を提案しました。パーソナル知育絵本は一般発売を開始しました（8）。
養育者と乳児のインタラクションについて、養育者側に焦点を当てた研究にも取り組んでいます。昨今、母親の育児ストレスや、産後鬱、虐待や育児放棄などは、社会全体の課題です。そこで母親の乳児への接し方を調べるため、乳児の音声の種類と、それに反応する母親の接近行動に着目しました。その結果、母親は乳児の泣き声に反射的に接近し、その接近度合いは音声に緊急性を感じるほど強くなることが分かりました。すなわち、母親は乳児の泣き声によって、早く対処したい気持ち（緊急性）が喚起され、反射的無意識に乳児に接近します。
一方で人間には、この反応を抑制する仕組みも備わっています。オキシトシンというホルモンがあります。このホルモンは、母乳を分泌するためのホルモンであり、向社会性ホルモンとも呼ばれ、相手に対しポジティブな感情を持ちやすくなることなどが知られています。また、オキシトシン濃度は母親の養育モチベーションに正の相関があることも知られています。CS研の研究では、オキシトシンが、このような母親の反射的な、泣き声への接近衝動を抑制していることが分かりました。すなわち、オキシトシンが少ないと母親の「余裕」がなくなり、泣いている乳児を早く泣き止ませたくなるのですが、オキシトシンレベルが高いと副交感神経活動が大きくなり、よりリラックスして、反射的な泣き声への接近を抑制していることを示唆します。これは、育児のWell-being向上の知見につながる可能性のある結果と考えられます（9）。

伝え方に工夫をこらすこと、すなわち、新たなコミュニケーション形態創出の取り組みも進めています。「メディアはメッセージである」というのは英文学者マーシャル・マクルーハンの有名な言葉です。マクルーハンはこの言葉によって、メッセージはそれがどう伝えられるかも含めてメッセージであると主張し、コミュニケーションにおけるメッセージを伝達する媒体、すなわち、メディア自体が持つ感覚イメージの重要性を唱えました。一方、米国AT&Tの1970年代のコマーシャルの有名なフレーズは、「reach out and touch someone（手を差し伸べて、誰かに触れよう）」でした（10）。AT&Tのイメージを変える、この当時としては斬新なキャッチフレーズの発案にもマクルーハンの貢献がありました。
このreach outという観点では、CS研ではかつてt-Roomという、部屋サイズの遠隔コミュニケーションシステムを研究していました。t-Roomは、地理的、時間的に離れた複数のユーザが遠隔にいながらあたかも同じ部屋にいる感覚「同室感」を共有するシステムでした（11）。しかし、実際にtouchするなど、触感の共有は含まれていませんでした。そこで触覚を利用した新しい感覚提示技術や、触覚で気持ちが深く伝わる感性コミュニケーションにも取り組んでいます。2018年に提案した「超未来式体感型公衆電話（3号／4号）」は、電話のプッシュボタンを押すとさまざまな触感が相手の身体を貫通・刺激する、触覚でコミュニケーションするシステムでした。最近では、リモートハイタッチや公衆触覚伝話など、まさにふれあう感覚を、距離を越えて共有するシステムを新たに提案しています（12）。
また、伝えたい内容を、望みの表現に自在に変換して送受信する、音声変換の研究にも取り組んでいます。人間の発声・聴覚機能を拡張する新たなコミュニケーション形態の創出につながることを期待しています。
こころの中まで伝えるためには、人がこころで思い描いていることをできるだけ負担をかけずに外側から読み取る手段が必要です。目は心の窓などといわれます。CS研では、人間は魅力的な顔を見ると、無意識のうちに瞳孔が収縮することを発見しました。すなわち、リアルタイムに瞳孔の大きさを観測することができれば、その人がこころの中で思っていることを、ある程度は読み取ることができます。一方で、輝度コントラストを変化させるなどにより瞳孔を収縮させると、その結果、顔の魅力度の評価が高くなることも分かりました。すなわち、逆に瞳孔の大きさを制御すれば、その人の好みをある程度変えることができてしまうのです（13）。

最後に、こころのふれあいの観点で、少し違う角度からコミュニケーションの本質に迫る研究を紹介します。現代社会は分断が進んでいるといわれます。氾濫する情報の中で異なる意見に耳を傾けることもなく、グローバリズムかナショナリズムか、集中か分散か、アナログかデジタルかなど、一見すると二律背反し、一方を取ると他方が犠牲になる問題によって人々の対立はますます深まります。だからこそ、矛盾を許容し、多様な価値観を認め合い、プライバシは守りつつも、コミュニケーションを通じてお互いの理解を深め、共感を広げることでこころのふれあいを醸成し、こころ豊かな社会を築くことが求められます。
機械学習、特に深層学習においても、データ量の増大やプライバシ保護のため、学習データはローカルにあるサーバ群に分散して蓄積される必要が生じます。その状況で各サーバがローカルに学習すると、それぞれ異なる、互いに矛盾したモデルが学習されてしまいます。不完全に調整するとモデルは収束しません。そこで、分散配置されたサーバ群とそこに分散して蓄積されたデータに対して、サーバどうしがコミュニケーションしコンセンサスを取りながら、あたかも1カ所にデータを集約したかのようなグローバルモデルを学習できる、非同期分散型の深層学習アルゴリズムを考案しました（14）。
また、CS研ではHiddenStereoという、裸眼で2D映像がクリアに見える3D映像生成技術を考案しました。すなわち、メガネを掛けて視聴する3D映像を楽しみたい人も、3D映像が苦手で、2Dのほうを好む人も、どちらも互いを犠牲にすることなく、一緒に1つの映像を楽しむことができる技術です（15）。

本稿では、コミュニケーションの本質を究め、こころまで伝わるコミュニケーションの実現をめざした取り組みをいくつか紹介しました。まさに、「reach out and touch someone’s heart」です。現在、新型コロナウイルス感染対策により、他者とのかかわりが変化しています。そうであれば、なおさら、離れていてもこころはそばにある、を実現するような、五感を駆使した新たなメディアの可能性を追求するとともに、そこで新たに生ずる問題点の解明と克服が必要です。一方、離れた相手に思いを伝える以前に、無意識は自分の中の他人というほど、人間は自分のことがよく分かっていません。自分自身に対する理解を深めることで、日々の活動の質を向上させることができます。また、今後とも人間の知能に迫る技術の限界に挑戦するとともに、社会科学や哲学などの視点も取り入れ、人間らしさとは何かを再認識することにも取り組んでいきます。

■参考文献
（1）山田：“あなたを・もっと・知りたくて─AIで人に迫り脳科学で人を究める，” NTT技術ジャーナル，Vol.32，No.9，pp．12-17，2020．
（2）https://www.ntt.co.jp/news2014/1405/140522a.html
（3）https://www.toa.co.jp/products/news/2021/news2021-02-10wm.htm
（4）https://www.ntt.co.jp/news2020/2012/201207a.html
（5）L. J. Rips, E. E. Smith，and D. L. Medin：“Concepts and Categories: Memory, Meaning, and Metaphysics，”in The Oxford Handbook of Thinking and Reasoning，2012．
（6）柏野：“画像や音を見聞きするだけで賢くなるAI─クロスモーダル情報処理の展開，”NTT技術ジャーナル，Vol.31，No.9，pp. 10-13，2019．
（7）奥村：“乳児期における社会的学習: 誰からどのように学ぶのか，”東京大学出版会，2020．
（8）https://ehon.nttprint.com/
（9）D. Hiraoka, Y. Ooishi, R. Mugitani, and M. Nomura：“Relationship between oxytocin and maternal approach behaviors to infants’ vocalizations，”Comprehensive Psychoneuroendocrinology, Vol. 4, Nov．2020．
（10）C. S. Fischer：““Touch Someone”: The Telephone Industry Discovers Sociability，” Technology and Culture, Vol. 29, No. 1，pp. 32-61，1988．
（11) 平田：“未来の電話を考える─遠隔コミュニケーションシステムt-Room，”NTT技術ジャーナル，Vol.19，No.6，pp. 10-12，2007．
（12）NTT研究所発 触感コンテンツ専門誌ふるえ：“展示解説“近くにいる”を伝送できる公衆端末「公衆触覚伝話」を体験@NTTインターコミュニケーション・センター［ICC］，”Vol.26，No.12，2019.
（13）H. I. Liao, M. Kashino, and S. Shimojo：“Attractiveness in the Eyes: A Possibility of Positive Loop between Transient Pupil Constriction and Facial Attraction，”J Cogn Neurosci, Vol. 33, No. 2, pp. 315-340, Feb．2021．
（14）https://www.ntt.co.jp/news2020/2008/200824a.html
（15）https://www.ntt.co.jp/news2017/1705/170529a.html