――教育・文化・移民・研究制度から考える「構想力の生態系」
日本には、特定分野について非常に深い知識と高い分析能力を持つ人が少なくない。しかし、そうした人ほど専門領域の外では慎重になり、社会全体を捉える大きな構想を語らない傾向があるように見える。
一方で、大きな構想を語る日本人の中には、基礎的な知識が不足し、専門家から見れば前提が穴だらけという人も多い。
ところが米国では、数は限られるものの、深い専門性と広い構想力を併せ持つ人物が繰り返し現れる。科学技術、経営、政策、デザイン、資本などを横断し、大きな構想を掲げながら、専門家とも高度な議論ができる人物である。
この差は、単純な学力や教育水準の差では説明できない。本稿では、米国の強みを、教育、文化、移民、研究制度、資本、人材ネットワークが組み合わさった「構想力の生態系」として分析する。
結論を先に述べれば、米国が特別に万能な天才を大量に育てているわけではない。
米国には、
未完成の構想を表に出し、世界中から専門家を集め、批判と実験によって穴を埋め、構想を拡大していく仕組み
が存在する。
日本に必要なのは、米国型の自己主張や大言壮語をそのまま導入することではない。日本の強みである精密さと専門性に、仮説を公開し、異分野を接続し、不確実性の中で判断する能力を加えることである。
1．問題は、日本人の基礎的な知性ではない
まず確認すべきなのは、日本人の基礎学力や認知能力が米国より低いわけではないという事実である。
OECDの2023年成人スキル調査では、日本の16～65歳は、読解力、数的思考力、適応的問題解決のすべてでOECD平均を上回った。平均得点は読解力289点、数的思考力291点、適応的問題解決276点である。これに対し米国は、それぞれ258点、249点、247点だった。
15歳を対象としたPISA 2022でも、日本は数学、読解、科学のすべてでOECD平均を上回り、数学では23％が上位習熟度に達した。米国は読解と科学ではOECD平均を上回ったものの、数学は平均を下回っている。
したがって、
米国では優れた教育によって賢い人が育ち、日本では暗記教育によって視野の狭い人が育つ
という説明は成立しにくい。
むしろ日本は、一定水準以上の知識と問題処理能力を、比較的広い人口に行き渡らせることに成功している。
問題は、その能力が教育後にどこへ向かうかである。
日本では、高い能力を持つ人ほど、試験、資格、採用、昇進、学術分野など、評価基準が明確な競争へ向かいやすい。その環境では、問題そのものを再定義することよりも、与えられた問題を正確に解くことが報われる。
日本に不足しているのは知性そのものではない。
知性を大きな構想へ変換する経路が細いのである。
2．米国教育の特徴は、正解を教えることではなく「立場を取らせること」にある
米国の初等・中等教育全体が、日本より創造的で優れているわけではない。地域間・所得階層間の格差は大きく、平均学力にも弱点がある。
しかし、米国の上位大学や専門教育には、構想力を育てる特徴的な訓練がある。
2.1 不完全な情報の中で判断する
Harvard Business Schoolのケースメソッドでは、学生は現実の経営問題を与えられ、「自分が責任者ならどう判断するか」を問われる。
ケースには、実際の意思決定時点で得られた不完全な情報しか含まれない。学生は、十分な情報がそろうまで判断を保留するのではなく、限られた情報から状況を解釈し、立場を取り、他者の反論に応答する。
ここで訓練されるのは、正解を知っている能力ではない。
-
重要な論点を選ぶ
-
不完全な情報から仮説を作る
-
自分の判断を言語化する
-
反論を受けて前提を修正する
-
最終的に責任を持って決める
という能力である。
日本の優秀な学生は、「正しい答えが分かるまで話さない」ことを知的誠実さと考えやすい。
ケースメソッドでは逆に、判断しなければならない場面で判断を避けることも、一つの失敗として扱われる。
2.2 学び終わる前に、本物の問題へ入る
MITのUndergraduate Research Opportunities Program、通称UROPでは、学部生が教員や大学院生と実際の研究プロジェクトに参加する。
2025年卒業クラスの93％が卒業までにUROPを経験し、年間3,200人以上の学部生が参加している。1年生の参加も多い。
重要なのは、学生がすべての基礎知識を習得してから研究を始めるのではない点である。
まず本物の問題に入り、その問題を解くために必要な知識を学ぶ。
これは、
基礎を全部勉強する
→専門家になる
→ようやく新しい問題を考える
という直線的な学習観とは異なる。
問題に触れる
→分からないことが分かる
→必要な知識を取りに行く
→実験する
→問題の定義自体を変える
という循環型の学習である。
2.3 曖昧さを避けず、操作可能なものとして扱う
Stanford d.schoolは、創造的な仕事において「曖昧さを扱う能力」を中核的な技能として位置づけている。
問題を最初から完全に定義するのではなく、暫定的に捉え、観察し、作り、試し、その結果から問題の定義を更新していく。
これは、単なる自由な発想ではない。
米国型教育の強みは、好き勝手にアイデアを出させることではなく、
未完成な考えを、未完成なまま前進させる手続き
を教えている点にある。
ただし、HBS、MIT、Stanfordは米国教育の平均ではない。これらは、世界中から選ばれた学生と教員が集まる特殊な環境である。
したがって、ここで観察されるのは「米国人一般の能力」ではなく、選抜された人材に対して、構想と判断を訓練する仕組みである。
3．日本と米国では「発言」の社会的意味が違う
教育方法以上に重要なのが、発言をどのように受け取るかという文化の違いである。
MarkusとKitayamaは、欧米社会では比較的「独立的自己」が、東アジア社会では「相互協調的自己」が重視されると論じた。
独立的自己では、個人の意見、選択、独自性、一貫性が重視される。相互協調的自己では、関係性、役割、状況への適応、他者との調和が重視される。
またGelfandらによる33か国研究では、社会規範が強く、逸脱への許容度が低い文化を「タイト」、規範が比較的弱く、逸脱への許容度が高い文化を「ルース」と分類している。日本は米国よりもタイトな側に位置づけられた。
これらは国民一人ひとりを説明する絶対的な分類ではない。国ごとの平均傾向を示すモデルであり、個人差や組織差は大きい。
それでも、発言に伴う社会的コストを考える上では有用である。
日本では発言が、
私はこの仮説を提示する
ではなく、
私はこれを正しいと考える人間である
と受け取られやすい。
そのため発言を否定されることが、仮説の修正ではなく、本人の知識、能力、人格、所属集団の評価につながりやすい。
知識のある人ほど、例外、反証、未解決問題を多く知っている。その結果、大きな一般論を語ることを避けるようになる。
反対に、知識が少ない人は、自分が何を知らないかを認識しにくいため、大きなことを断言できる。
こうして、
-
知識の深い人ほど発言範囲を狭める
-
知識の浅い人ほど広い問題を断定的に語る
という逆選択が起こる。
これは日本人の性格の問題ではない。
社会的評価に対する合理的な適応である。
4．米国は「天才を育てる国」より「世界中の才能を集める国」である
米国の強さを、移民による多様性だけで説明するのも不十分である。
移民がもたらす効果の中核は、異なる文化の共存以上に、世界規模の人材選抜にある。
米国のSTEM労働者3,600万人のうち、2023年時点で約800万人、22％が外国生まれだった。2024年に米国で授与された博士号のうち、一時ビザ保有者が占める割合は、コンピュータ・情報科学で61％、工学で54％、数学・統計で52％に達している。
米国で科学・工学系博士号を取得した外国人の多くは、その後も米国に残る。2021年の調査では、博士号取得から5年後の滞在率は71％、10年後でも65％だった。
つまり米国は、自国の教育システムだけで人材を育てているのではない。
世界各国が育成した人材の中から、
-
高い能力を持つ
-
野心がある
-
移動コストを負担できる
-
異文化環境でも挑戦する
-
研究や事業に人生を賭ける
人々を引き寄せている。
移民と特許を分析したHuntとGauthier-Loiselleの研究でも、高技能移民の増加が米国における一人当たり特許数の増加と関連することが示されている。
したがって、米国で「広くて深い天才」が目立つ理由の一部は、母集団の違いである。
日本は主に、日本国内で生まれ、日本の教育を受け、日本語を話す人々の中から人材を選ぶ。
米国の研究大学やテクノロジー産業は、事実上、世界人口を母集団として人材を選んでいる。
これは教育の差というより、人材市場のスケールの差である。
5．現代の「広くて深い天才」は、一人ですべてを知っているわけではない
科学技術が蓄積するほど、一人の人間が複数分野の最先端を完全に理解することは難しくなる。
Benjamin Jonesはこれを「知識の負担」と呼び、知識の蓄積によって教育期間が長期化し、個人の専門領域が狭くなり、チームによる発明が増えることを論じた。
Wuchty、Jones、Uzziは、約1,990万本の論文と210万件の特許を分析し、ほぼすべての分野でチームによる知識生産が増加していること、チームによる研究が単独研究より高い影響力を持つ傾向を示した。
この点から見ると、米国で目立つ「万能の天才」というイメージには誤解がある。
実際に彼らが持っているのは、すべての専門知識ではなく、次のような統合能力である。
-
社会的に重要な問題を設定する
-
問題を技術、経済、制度、人間行動に分解する
-
各分野の重要論点を理解する
-
本物の専門家を見分ける
-
専門家同士の言葉を翻訳する
-
不確実な状況で全体の方向を決める
-
人材、資金、時間を配分する
つまり、専門知識の総量ではなく、専門知識のアーキテクチャを設計する能力である。
米国のNSFは、特定の重要問題を中心に複数分野の知識、手法、専門性を統合する「convergence research」を制度的に推進している。
DARPAでは、産業界、大学、政府を経験したプログラムマネージャーが、大きな技術目標を設定し、複数の研究チームを組み合わせて高リスク研究を進める。NIHにも、従来の査読では早すぎる、あるいはリスクが高すぎる構想を支援するHigh-Risk, High-Reward Research制度がある。
米国社会で「構想を持つ人」が成立しやすいのは、本人がすべての穴を埋めることを要求されないからである。
問われるのは、
この人はすべてを知っているか
ではなく、
この人は重要な問題を見つけ、適切な人を集め、検証可能な計画に変えられるか
である。
6．米国は失敗に寛容なのではなく、失敗を探索コストとして制度化している
「米国では失敗が称賛され、日本では失敗が許されない」と単純化するべきではない。
米国でも、事業や研究に失敗すれば、資金、地位、信用を失う。
違いは、研究、ベンチャー投資、起業などの一部領域で、失敗を個人の人格的欠陥ではなく、探索に伴うコストとして扱う制度が存在することである。
NIHのHigh-Risk, High-Reward Researchは、予備データがなく、従来の査読では評価されにくい早期の構想も対象とする。DARPAも「high-risk, high-payoff」を明示的な研究方針として掲げている。
ここでは、すべてのプロジェクトを成功させることを前提にしない。
複数のプロジェクトをポートフォリオとして扱い、一部が失敗しても、少数の大きな成功によって全体の価値を生み出す。
日本で大胆な構想が生まれにくい理由は、日本人が生来的にリスクを嫌うからではない。
失敗が、
-
人事評価
-
組織内の評判
-
次の資金調達
-
取引関係
-
専門家としての信用
に長期間影響しやすい環境では、能力の高い人ほど期待損失を正確に計算し、挑戦を避ける。
賢い人が慎重になるのは、非合理だからではない。
制度に対して合理的だからである。
7．日本の学校は何もしていないわけではない
日本でも、探究学習、STEAM教育、教科横断型学習はすでに政策として掲げられている。
文部科学省の第4期教育振興基本計画は、生徒が自ら課題を発見し、多様な人々と協働して問題を解決する探究学習やSTEAM教育の充実を明記している。
したがって、問題は「日本の学校には探究教育がない」ということではない。
問題は、探究学習の授業が終わった後、社会の評価システムが再び、
-
正解数
-
偏差値
-
資格
-
所属大学
-
勤務先
-
上司からの評価
-
失敗の少なさ
へ戻ることである。
授業の中で「自由に考えよう」と言っても、進学、就職、昇進、予算配分が減点方式のままなら、行動は変わらない。
教育内容だけを変えても、社会が未完成な構想を評価しなければ、構想型人材は育ちにくい。
8．日本で改善すべきこと
正確性と構想力を別の軸で評価する
大きな構想には必ず穴がある。
そのため、提案を一つの点数で評価するのではなく、少なくとも次の要素に分解する必要がある。
-
問題の重要性
-
構想の独創性
-
根拠の強さ
-
不確実性の認識
-
致命的前提の把握
-
検証可能性
-
必要な人材を集める能力
-
実行能力
構想に穴があることと、構想に価値がないことは同じではない。
問うべきなのは、
穴があるか
ではなく、
どの穴が致命的で、どの穴は人材、実験、資金によって埋められるか
である。
人と仮説を分離する
議論では、
あなたは間違っている
ではなく、
この仮説は、この前提が成立しない場合には崩れる
と表現する。
仮説への反論が本人への攻撃として受け取られる環境では、優秀な人ほど発言を控える。
Edmondsonの心理的安全性研究も、対人的リスクを取って質問、報告、異論表明ができる環境が、チームの学習行動に重要であることを示している。
心理的安全性とは、批判を禁止することではない。
厳しい批判をしても、人間関係や所属資格が破壊されない状態である。
統合者を一つの専門職として扱う
異分野を接続する人は、それぞれの分野の第一人者には知識量で勝てない。
しかし、
-
問題を定義する
-
専門家の能力を評価する
-
分野間の言葉を翻訳する
-
全体構造を設計する
-
優先順位を決める
-
トレードオフを引き受ける
こと自体が高度な専門能力である。
日本ではこの役割が、「調整役」「何でも屋」「専門性の浅い人」と見なされやすい。
しかし現代の複雑な問題では、専門家を束ねるアーキテクトがいなければ、深い専門知識は社会的成果へ変換されない。
組織ではなく問題を起点にチームを作る
最初に部署、会社、大学、資格を置くのではなく、最初に問題を置く。
その上で、
この問題を理解するには、どの分野の知識が必要か
誰が得をし、誰が損をするか
技術以外に、制度、経済、人間行動の何が障害になるか
を考える。
これは「横断的に何でも勉強する」こととは違う。
一つの具体的な問題を中心に、必要な専門性を集めるのである。
9．学校に頼らず「広くて深い思考」を身につける方法
個人が目指すべきなのは、知識のない大風呂敷でも、専門領域に閉じた精密さでもない。
必要なのは、
根拠を持って大胆に考え、反証によって素早く修正する能力
である。
これを「較正された大胆さ」と呼びたい。
9.1 発言を「事実・モデル・賭け・ビジョン」に分ける
何かを主張するとき、内容を四つの層に分ける。
事実
資料や観察によって確認できること。
モデル
複数の事実をつなぐ因果関係についての仮説。
賭け
不確実性はあるが、現時点で採用する判断。
ビジョン
実現したい未来や価値判断。
大風呂敷を広げる人は、モデル、賭け、ビジョンを事実のように語る。
慎重な専門家は、確実な事実以外を語らない。
両者を超えるには、
ここまでは確認された事実である
ここからは私のモデルである
この部分は成功確率60％程度の賭けである
最終的にはこの未来を実現したい
と分けて話す。
これによって、大胆さと知的誠実さを両立できる。
9.2 一つの専門を足場にして、六方向から問題を見る
広い視野を持つために、無関係な知識を大量に集めても、雑学が増えるだけである。
自分の専門領域を一つ持ち、具体的な問題を次の六方向から見る。
-
技術的に可能か
-
経済的に持続するか
-
人間は実際に使うか
-
組織内の権限と利害はどう動くか
-
法律や制度は許容するか
-
歴史上、似た構造は存在したか
たとえばAIエージェントを考えるなら、モデル性能だけでなく、推論コスト、利用者の行動、企業内の責任分界、個人情報規制、過去のコンピュータ普及史まで見る。
広さとは、知っている話題の数ではない。
一つの問題を、複数の因果構造で説明できることである。
9.3 正誤ではなく「成立条件」を考える
新しい構想を聞いたとき、すぐに正しいか間違いかを決めない。
代わりに、
この構想が成功するためには、何が真でなければならないか
を列挙する。
そして各条件を、
-
すでに確認できている
-
短期間で実験できる
-
外れたら構想全体が崩れる
-
外れても修正できる
に分類する。
本当に優れた構想型人材は、穴がない人ではない。
どの穴が致命傷かを把握している人である。
9.4 判断を確率で記録する
「成功すると思う」「難しいと思う」ではなく、
2027年末までに実現する確率は65％
この施策によって利用率が20％以上増える確率は40％
のように、判断を確率として記録する。
結果が出たら、自分の予測と比較する。
Good Judgment Projectの研究では、確率判断の訓練、チームでの議論、成績の追跡によって、予測の精度と較正が改善した。
これを続けると、自分がどの分野で過信し、どの分野で過度に慎重になるかが分かる。
視野の広さは、自信満々に断言することではない。
自分の不確実性を測定できることである。
9.5 毎週一つ、未完成の仮説を公開する
完成した文章や成功事例だけを発表していると、仮説形成能力は育たない。
毎週一つ、次の形式で短い文章を書く。
-
私が重要だと思う問題
-
現在の仮説
-
根拠となる三つの事実
-
もっとも強い反論
-
自分が見落としている可能性
-
何が起きれば考えを撤回するか
-
今週できる最小の実験
重要なのは正しさを演出することではない。
反論できる形式で考えを外に出すことである。
9.6 議論で終わらず、小さな実物を作る
大きな構想を、
10年後に実現したい社会
→3年後に必要な状態
→1年後に確認すべき成果
→1か月で検証する仮説
→今週作るプロトタイプ
まで分解する。
構想が大きいことと、最初の実験が大きいことは同じではない。
優れた構想者は、大きな未来を語りながら、非常に小さな検証を設計する。
9.7 自分と同じ人ではなく、補完する人を集める
広い視野を一人で完成させようとしてはいけない。
必要なのは、同意してくれる人ではなく、自分と異なる前提を持つ人である。
構想を、
-
技術者
-
経営者
-
法律家
-
現場の利用者
-
歴史に詳しい人
-
その構想によって不利益を受ける人
に見せる。
そして「感想をください」ではなく、
この構想が失敗するとすれば、どこか
私が暗黙に置いている前提は何か
あなたの分野から見た致命傷は何か
と聞く。
広い知性とは、すべてを自分で知ることではない。
自分に欠けている知識を知り、適切な人につなげる能力である。
10．結論――日本に必要なのは「大風呂敷」ではなく、訂正可能な構想力である
日本が米国をまねて、声が大きく、自己宣伝が上手で、断定的な人を増やしても意味はない。
それでは、知識のない大風呂敷が増えるだけである。
日本にはすでに、
-
高い基礎学力
-
深い専門性
-
精密な実行能力
-
長期的な改善能力
-
現場への責任感
-
複雑な協働を維持する能力
がある。
不足しているのは、それらを社会全体の構想へ接続する回路である。
米国から学ぶべきなのは、自己主張の強さではない。
-
未完成の仮説を外に出す
-
不完全な情報でも暫定判断をする
-
異分野の専門家を集める
-
人と仮説を分離する
-
失敗を探索コストとして扱う
-
構想を小さな実験に変える
-
結果によって考えを更新する
という仕組みである。
専門性を捨てて視野を広げる必要はない。
むしろ深い専門性を足場にして、専門外についても仮説を持つべきである。
ただし、その仮説を事実とは呼ばず、確率と成立条件を示し、他分野の専門家による批判を受け入れる。
深く知る。
大きく構想する。
小さく試す。
素早く訂正する。
この四つを循環させることが、狭い秀才と無知な大言壮語の間にある第三の道である。
米国で目立つ「広くて深い人」が持っているのは、万能な知識ではない。
それは、大胆さと訂正可能性を同時に維持する能力なのである。
参考文献
-
OECD. Survey of Adult Skills 2023: Japan. 2024.
-
OECD. Survey of Adult Skills 2023: United States. 2024.
-
OECD. PISA 2022 Results: Country Notes — Japan / United States. 2023.
-
Harvard Business School. The Case Method; HBS Learning Model.
-
Massachusetts Institute of Technology. Undergraduate Research Opportunities Program: UROP by the Numbers 2024–2025.
-
Stanford d.school. Design Tools for Creative Thinking; Navigate Ambiguity.
-
Markus, H. R., & Kitayama, S. “Culture and the Self: Implications for Cognition, Emotion, and Motivation.” Psychological Review, 98(2), 224–253, 1991. DOI: 10.1037/0033-295X.98.2.224.
-
Gelfand, M. J. et al. “Differences Between Tight and Loose Cultures: A 33-Nation Study.” Science, 332, 1100–1104, 2011. DOI: 10.1126/science.1197754.
-
National Science Board / NCSES. STEM Talent: Education, Training, and Workforce. 2026.
-
Hunt, J., & Gauthier-Loiselle, M. “How Much Does Immigration Boost Innovation?” American Economic Journal: Macroeconomics, 2(2), 31–56, 2010. DOI: 10.1257/mac.2.2.31.
-
Jones, B. F. “The Burden of Knowledge and the ‘Death of the Renaissance Man’: Is Innovation Getting Harder?” Review of Economic Studies, 76(1), 283–317, 2009.
-
Wuchty, S., Jones, B. F., & Uzzi, B. “The Increasing Dominance of Teams in Production of Knowledge.” Science, 316, 1036–1039, 2007. DOI: 10.1126/science.1136099.
-
National Science Foundation. Learn About Convergence Research.
-
National Institutes of Health. High-Risk, High-Reward Research Program.
-
文部科学省『第4期教育振興基本計画』2023年。
-
Edmondson, A. C. “Psychological Safety and Learning Behavior in Work Teams.” Administrative Science Quarterly, 44, 350–383, 1999. DOI: 10.2307/2666999.
-
Mellers, B. et al. “Psychological Strategies for Winning a Geopolitical Forecasting Tournament.” Psychological Science, 25, 1106–1115, 2014.
