破滅的忘却とは？

破滅的忘却は、AIの「記憶」が書き換えされる瞬間

想像してください。あなたが「英語の会話を習得する」ために毎日練習を始めたとします。ところが、しばらくして気づくと、あなたがこれまで流暢に使っていた「日本語の敬語」が、どこかぎこちなくなっていたとしたら。これは、新しい知識が入るたびに、それまでの神経回路（シナプス）の強さが書き換えられ、旧来のパターンが上書きされてしまう構造だからです。

つまり、破滅的忘却（Catastrophic Forgetting）とは、深層学習モデルが新しいタスクやデータで学習（ファインチューニング）を行う際に、以前に習得したタスクの精度が著しく低下してしまう現象のことです。

なぜ「忘れる」のか：3つの具体的シーン

この現象は抽象的な理論ではなく、実際にAI開発の現場や日常生活で触れられるAIサービスに影響を与えます。比喩の「言語学習」とは異なる領域で、この「上書き」がどう起こるのかを3つの場面で見てみましょう。

• 【医療画像診断】がん検診で高精度のAIを作った後、別の病院の「骨折診断データ」を追加学習させたら、がんの検出率が急落した。
• 【自動翻訳】日本語→英語が得意だった翻訳AIが、突然「中国語→英語」の翻訳に特化させたら、元の日本語のニュアンスが壊れた。
• 【ゲームAI】チェスで強かったAIが、将棋のデータを学習した後に再度チェス対局させたとき、初手から大幅に弱っていた。

これらはすべて、モデルのパラメータ（数値）が新しいタスクに合わせて最適化され、かつての「良い状態」が維持されなくなった結果です。人間が「新しい仕事に慣れるために、昔の特技がサビつく」のと同じ原理が、数値レベルで起きていると考えると直感的に分かりやすいでしょう。

勘違いしやすい3つのポイント

破滅的忘却は「単純なデータの削除」や「バグ」ではなく、機械学習の原理から起きる「構造的なトレードオフ（取り引き）」です。以下の3つは、初心者だけでなくG検定やITパスポートの受験生も混同しやすい誤解です。

• 「データを消したから忘れた」：違います。モデルのパラメータ自体が書き換わった結果、過去の知識を再現できなくなった状態です。
• 「学習回数を増やせば解決する」：逆です。同じ新データで学習を続けると、忘却はむしろ進みます。学習の「量」ではなく「方法」が問題です。
• 「大規模モデルなら起きない」：モデルのサイズに依存する部分もありますが、学習の仕組み（勾配降下法）が共通しているため、大規模でも起きる可能性があります。

重要なのは、「忘れること」自体はAIの学習過程で自然に発生しうる、という点です。重要なのは、その忘却を「防ぐ」あるいは「許容する」ための設計思想です。

📚 私が受験で使った問題集はこちら。

今週できる「5分のアクション」と、試験で押さえる「3語」

破滅的忘却を理解した今、あなたが今日からできることは、「AIの学習履歴」を無条件に信頼しないこと、そして「どのデータをいつ学習させたか」を意識することです。特に、生成AI（LLM）を自社でカスタマイズする際は、この現象を前提に「検証プロセス」を設計するのが、プロとの分かれ目です。

• 【初心者向け】今週できる5分のアクション：使っているAIサービス（例：翻訳、画像生成）で、新しいプロンプトやデータを試した際、以前より「以前うまくいったパターン」が再現しにくくなっていないか、5分間だけ振り返ってみる。
• 【受験者向け】試験の3語の要点：「Catastrophic Forgetting（現象名）」、「EWC（Elastic Weight Consolidation／代表的手法）」、「Continual Learning（継続学習／解決目標）」。この3語で、問題の「名称」「対策技術」「目指す状態」を説明できれば、G検定・DS検定の基礎問題は安心です。

破滅的忘却の「記憶が書き換わる瞬間」が本を割る行動で表現され、比喩の明快さが魅力です。ただし、新知識と旧知識の対比がやや弱く、概念の正確さが十分とは言えません。

評価項目	点数	コメント
概念の正確さ	3	書き換えの構造はやや抽象的すぎます
比喩の明快さ	4	本が割れる瞬間が視覚的に伝わりやすいです
立体感・奥行き	4	影とリムライトで厚みが出されています
映え度（SNS寄与）	4	鮮やかなカラーと動的な演出が目を引きます
色調の用語相性	3	学習系特有の「喪失感」がやや薄いです
合計	18 / 25	総合判定: 良好

評価基準: 1（不合格）〜5（優秀）AI Judge による自動評価