AIは人間の学習を研究するモデル生物になり得るか？

Benjamin Rileyは8月4日、Google Newsで挑発的な考えを提示した。人工知能は、人間の学習を研究するためのモデル生物になり得るというものだ。この表現は、AIをめぐる議論における実質的な変化を示している。機械が人間のように考えるかを問う代わりに、制御可能な機械が学習の有用なメカニズムを明らかにできるかを研究者は問えるようになる。

この区別は重要だ。モデル生物が価値を持つのは、研究者が操作し、実験を繰り返し、制御された条件下で変化を観察できるからである。科学者が最終的に関心を寄せる系の特徴を、すべて再現する必要はない。

AIモデルは、こうした実験上の利点を異例の速さで提供する。研究者は生物学的な発達を待つことなく、学習データ、アーキテクチャ、目的関数、学習スケジュールを変更できる。その後、モデルの振る舞いを人間実験の結果と比較できる。

有用な実験的アナロジーが同一性の主張へと変わるとき、対立が始まる。人工ニューラルネットワークは、人間の反応パターンを再現できても、それを生み出した生物学的プロセスを共有しているとは限らない。出力が似ているだけでは、心のあり方が似ていることの証明にはならない。

したがってRileyの議論は、対立する二つの立場の間に位置する。一方は、機械は根本的に異なるため、AIの振る舞いは認知科学に無関係だとみなす。もう一方は、人間らしさを増す性能を、機械と人間が比較可能なメカニズムで学習している証拠とみなす。

より強い立場は、どちらの極論よりも限定的だ。AIは、学習理論を検証するための制御可能なモデル系として機能し得る。しかし、あらゆる結果は、人間、生命科学的証拠、そしてモデルの学習分布の外側にある条件を用いて検証する必要がある。

これは単なる哲学的な論争ではない。研究者がどのように実験を設計するか、教育者がAI研究をどう解釈するか、製品チームが学習しているように見えるシステムをどう説明するかに影響する。

Google Newsのエッセイが実際に変えたもの

Rileyの中心的な転換は方法論にある。AIを人工の人間としてではなく、実験対象として研究することだ。

Google Newsの記事は、新しい商用製品ではなく、発展途上の研究プログラムへと読者を導いている。その根底にある命題は、人工モデルが学習の創発を科学者が探究する助けになり得るということだ。

この命題は、通常の比較の方向を変える。AI研究の多くは人間の能力から出発し、エンジニアがそれをソフトウェアでどう再現できるかを問う。モデル生物のアプローチは、ソフトウェア実験を使って人間に関する仮説を生み出すことで、その流れを逆転させる。

生物学者は長年、特定のメカニズムを明確に示す生物に依存してきた。選ばれた生物が、人間を小さくした存在だと想定されるわけではない。その価値は、扱いやすさ、再現性、そして対象現象との既知の関係にある。

AIシステムは、その利点の計算論的な形を提供する。研究者は異なる条件下で複数のモデルを学習させ、各バージョンを保存し、実験後に各モデルを調べられる。また、人間の発達では絡み合ったままの変数を切り分けることもできる。

学習の順序を考えてみよう。あるモデルには整理されたカリキュラムを与え、別のモデルにはランダムに混ぜた例を与えることができる。その後の振る舞いに差が出れば、その実験は経験と一般化の関係に関する候補を特定する。

子どもを対象に同じ操作を行うのは難しい。研究者は事前知識を消去したり、幼少期を再現したり、何年分もの経験をゼロから割り当てたりはできない。倫理的な制約も、ソフトウェアでは可能な多くの介入を認めない。

それでも人工システムが完全な答えを与えるわけではない。それは、提案されたメカニズムが指定された条件下で十分かどうかを、制御された形で検証するものだ。そのメカニズムが人間でも働くかは、人間を対象とした研究で判断しなければならない。

これが最初の重要な境界線である。特定の学習シーケンスの後にある振る舞いを示すモデルは、そのシーケンスがその振る舞いを生み出し得ることを示す。しかし、人間の脳が同じシーケンスや表象を用いていることまでは示さない。

Rileyの枠組みが有用なのは、より小さく検証可能な問いを支えるからだ。関連する課題への反復的な接触の後、柔軟な推論は生まれるのか。特定の例を忘れることは一般化を改善するのか。カリキュラムの構造は後の適応にどう影響するのか。

こうした問いは、言語モデルが本当に理解しているのかを問うより生産的だ。不安定なラベルを、定義された入力、観察可能な振る舞い、反証可能な予測を備えた実験に置き換える。

この考えは、好機となる時期に登場している。認知科学者はすでに、記憶、言語、意思決定、知覚をモデル化するためにニューラルネットワークを利用している。変化しているのは、利用可能なシステムの規模と行動範囲である。

言語モデルは今や、かつては別個の実験モデルを必要とした多くの課題を実行できる。この幅広さは比較の機会を増やす一方、流暢な出力に人間的な性質を読み込むリスクも高める。

したがって、このエッセイの真の貢献は解釈のルールにある。AIの振る舞いを、人間の心についての直接的な証拠ではなく、理論を洗練させ得る証拠として扱うべきだ。

AIモデルが有用なモデル生物に見える理由

現代のAIは、学習履歴を異例の精度で制御できる実験環境を認知科学者に提供する。

Max Planck Institute for Software SystemsのMariya Tonevaは最近、これに密接に関連する主張を行った。彼女は、モデルを完成された脳の複製としてではなく、研究者が摂動を与え、発展させられるシステムとして扱うべきだと論じた。

彼女のモデル生物の提案は、モデル内部の表象を人間の脳で観察される計算と対応づけることに焦点を当てている。目標は、単に予測性能を高めることではない。介入と比較を支えるシステムを構築することだ。

この違いは、予測モデルと説明モデルを分ける。予測モデルは次に何が起こるかを推定する。説明モデルでは、研究者は疑わしいメカニズムを変更し、予想される結果が生じるかを検証できる。

人工ニューラルネットワークは、このプロセスに非常に適している。研究者は構成要素を取り除き、目的関数を変更し、データの順序を変え、同一のアーキテクチャを再学習させられる。その後、どの介入が観察された振る舞いを変えたかを測定できる。

この制御は、学習の研究に特に有用だ。人間の学習者は、何年分もの記録されていない経験、個人的な動機、社会的関係、生物学的差異を抱えた状態で、あらゆる実験に参加する。研究者が慎重に研究を設計しても、こうした要因は結果に影響する。

AIモデルにも、文書化されていないデータや最適化の選択といった隠れた複雑さがある。しかし研究者は、完全な学習履歴が既知の小規模なシステムを構築できる。こうしたモデルは、商用チャットボットよりも明確な実験を提供する場合が多い。

Brown Universityの最近の研究は、この手法を例示している。研究者たちは、柔軟なin-context learningと、より遅い漸進的学習との関係を調べた。in-context learningとは、モデルに保存されたパラメータを変更せず、現在の課題で提示された例から適応することを指す。

チームは、12,000の関連タスクにわたってモデルを学習させた。その経験の後、モデルは既知の色と既知の動物のような、未知の組み合わせを扱えるようになった。この結果は、迅速な柔軟性が、より長い漸進的学習の履歴から生まれ得ることを示唆した。

Brownの学習研究は、人間の認知に関連づけられるトレードオフも再現した。難しい課題はより強い保持を促し、一方で容易な文脈依存の成功は、同じような長期的更新を伴わずに柔軟性を支えた。

この発見は、脳とモデルが同じ実装を共有していることを立証するものではない。制御された学習下で、計算システムが結び付いた行動パターンを生み出せることを示している。研究者はこの結果を利用し、より鋭い人間実験を設計できる。

このアプローチは、生産的な循環を生む。人間の振る舞いがモデルの動機となり、モデルが可能なメカニズムを明らかにし、新たな行動実験がモデルの予測を検証する。どちらか一方が、もう一方を飾るだけの存在になるわけではない。

この循環では、失敗も有益な情報となる。モデルがある課題では人間と一致しても、小さな変更後に乖離するなら、その不一致は欠けているものを示す。その要素には、記憶、身体性、事前知識、動機、社会的相互作用が関わる可能性がある。

AIの速さは、この利点を拡大する。研究者は、より高価な人間研究のために参加者を募る前に、多数の制御されたバリエーションを実行できる。したがってモデルは、もっともらしい仮説の範囲を絞り込む助けになり得る。

ただし、速さは誤解を招くこともある。大量の計算実験は、人間の振る舞いとの対応が弱いことを補えない。規模が改善するのは探索であり、妥当性ではない。

最良のモデル生物は、明確に定義された目的のために選ばれる。ショウジョウバエは、人間の生活のあらゆる特徴を説明せずとも、特定の遺伝的メカニズムを解明できる。AIモデルにも同じ基準を適用すべきだ。

研究者は、モデルがどの性質を表現するのか、どの介入が重要なのか、どのような人間の証拠がアナロジーに異議を唱えるのかを明示しなければならない。こうした約束がなければ、「モデル生物」はまた一つの耳障りのよい比喩になってしまう。

主な対立はモデル生物と人間の代替物の間にある

研究者が人間との同一性を求めるのをやめ、どの学習メカニズムを検証しているのかを明確にするとき、AIは科学的に有用になる。

モデル生物と人間の代替物は、異なる役割を担う。代替物は人の代わりとなり、関連する条件全体で人間の反応を予測することが期待される。モデル生物は、そのような広範な互換性を主張せずにメカニズムを分離する。

これらの役割を混同すると、この記事の中心的な緊張が生じる。あるシステムは、人間の誤りのパターンを模倣しても、誰も使わない近道に依存しているかもしれない。また、実験で誤った経験を与えられたために、人間の課題に失敗することもある。

最初の誤りは擬人化を生む。研究者は人間らしい出力を見て、人間らしい内部プロセスを推論する。二つ目の誤りは、どのような違いも人工システムが認知を解明できない証拠になるとして、AIを退けることにつながる。

どちらの結論も性急だ。行動の類似は、調査の出発点である。学習履歴、アーキテクチャ、身体性が学習をどう変えるかを明らかにする場合、行動の違いも同じくらい価値を持ち得る。

2023年のNatureの研究は、可能性と境界の両方を示している。Brenden LakeとMarco Baroniは、合成的学習課題において、人間と7つの計算論的アプローチを比較した。合成性とは、既知の部分を新たな構造化された表現へと組み合わせる能力である。

彼らの手法であるmeta-learning for compositionalityは、変化するタスク全体にわたって標準的なニューラルネットワークを学習させた。このモデルは、新しい単語の意味を推論し、未知の規則に従ってそれらを組み合わせることを学んだ。

合成的学習の結果は、学習済みネットワークが人間の体系性と、一部の人間的バイアスの両方を捉えたことを示した。競合するアプローチは、より硬直的であるか、より体系性に欠ける傾向があった。

これは、ニューラルネットワークの実験的価値を示す強力な証拠だ。研究者たちは平均的な正確性を当てはめただけではない。人間と機械の行動パターンや誤り方を比較した。

限界も同じくらい重要だった。このモデルは、より長い系列や複雑な構造を含む一部のテストで失敗した。また、メタトレーニングで用いられたタスクの分布外にあるケースにも苦戦した。

そうした失敗は、モデルの説明可能な範囲を定義する。この実験が支持するのは、特定の訓練条件がどのようにして合成的な振る舞いを生み出し得るかという主張だ。人間の言語学習に関する一般的な説明を確立するものではない。

人間の代理という解釈は、この区別を見落とすだろう。両者が選定されたタスクを解くという理由で、ネットワークは人間のように言語を学ぶと主張しかねない。モデル生物としての解釈は、何の仕組みがその一致を生み出し、どこで機能しなくなるのかを問う。

この違いには実務上の影響がある。教育企業は、人間らしいAI学習を引き合いに出して、自動化されたチューターや評価システムを正当化するかもしれない。プロダクトチームは、チャットボットの流暢な説明が安定した理解を反映していると想定する可能性がある。

そうした結論には、認知モデリングを超える証拠が必要だ。実験参加者の応答を再現するよう訓練されたモデルが、教室、職場、臨床環境で自動的に信頼できるとは限らない。

同じ注意は、消費者との対話にも当てはまる。人々はしばしば、一貫した対話を、自分に適応し続ける学習者の存在として解釈する。だが、実際に配備されている言語モデルの多くは、代わりに一時的なコンテキスト、保存されたアカウント属性、あるいは外部メモリシステムを利用している。

こうした仕組みは、人々が経験するような開放的な学習なしに継続性を生み出せる。適切に設計されたAIナレッジベースは有用なコンテキストを保持できるが、保存は生物学的な記憶形成と同じではない。

Rileyのモデル生物という考え方は、こうしたカテゴリーエラーを防ぐときに機能する。このシステムは学生でも教師でも人間でもない。その振る舞いによって限定的な仮説を検証できる、操作可能な計算対象である。

AI実験がすでに明らかにしている人間の学習

最も強力な成果は、AIが人間のように学ぶことを証明するものではない。選定された人間らしい振る舞いに十分な条件を特定するものだ。

示唆に富む研究の一系統は、限られた経験が初期の単語学習を支えられるかを検証している。ニューヨーク大学の研究者たちは、ある子どもの視点で記録した動画と書き起こし音声を用いて、マルチモーダルなニューラルネットワークを訓練した。

このデータセットは、生後6カ月から25カ月の間に記録された61時間分を対象としている。研究者たちは視覚フレームを子どもの周囲で聞こえた言語と組み合わせ、その後、モデルが単語と物体を対応付けられるかをテストした。

このシステムは複数の単語と物体の対応を学習し、一部の単語を新しい画像へ一般化した。子どもの学習実験は、比較的限定的で自然主義的なデータからの連合学習が、初期語彙獲得の一部を支え得ることを示唆した。

この実験が重要なのは、長年続く論争を検証しているからだ。一部の理論は、生得的で言語特異的な知識に大きな役割を与える。別の理論は、子どもの環境から得る統計的学習を重視する。

完全な人間の言語システムを持たないニューラルネットワークが、記録された経験から選定された連合を獲得した。この結果は、単純なクロスモーダル連合が、観察される振る舞いの一部に十分であることを示している。

ただし、子どもが連合だけを用いることを示すわけではない。記録にはすでに、子どもの能動的な選択と養育者の反応が反映されていた。モデルが受け取ったのは、身体を持つ社会的学習者によって生み出された、選別済みの軌跡だった。

この制約は、モデル生物という枠組みが有用である理由を示している。このシステムは潜在的な仕組みを分離すると同時に、欠けている要素を見えやすくする。

研究者は今や、それらの要素を変更できる。時間的順序を取り除き、養育者の発話を減らし、視覚的連続性を変えたり、異なる子どもの経験を比較したりできる。各介入は、その後の人間研究に向けた予測を生み出せる。

Brownの実験は、別の候補となる仕組みを特定している。現在の例からの迅速な学習は、タスク構造を認識する能力を育てる、より遅い学習履歴に依存している可能性がある。

この原理は教育の場で馴染み深く感じられる。経験豊富な音楽家は、初心者よりも速く、未知の楽曲にあるパターンを推測できる。見かけ上の速さは、先行学習がないことではなく、蓄積された構造に支えられている。

AI実験は、この関係を測定可能にする。研究者はアーキテクチャを一定に保ち、学習履歴を変化させ、柔軟な振る舞いがいつ現れるかを調べられる。人間研究では、その後、専門性が同等の移行を生むかを検証できる。

Natureの合成性研究は、3つ目の成果を加える。体系的な振る舞いは、手作業で符号化された記号規則だけから生じる必要はない。適切な一般化の形を訓練で報酬化すれば、ニューラルネットワークはある程度の体系性を獲得できる。

ここでも、慎重な主張は十分性に関するものだ。ある訓練手順が、定義されたシステム内で定義された振る舞いを生み出した。この結果は、人間の脳が合成的思考をどのように実装するかを決着させることなく、理論的な議論を絞り込む。

これらの研究を合わせると、Rileyの提案を支持する。人工モデルは、ある学習メカニズムが研究者の観察する人間のパターンを生み出すかどうかを検証できる。同時に、なぜ広範な主張がなお正当化されないのかも示している。

すべての成功した実験には、暗黙の境界がある。モデルは選定されたデータに触れ、選定された目的関数に最適化され、選定された評価に直面した。人間の学習は、変化する目標、環境、社会的関係のなかで継続する。

価値は、こうした選定を明示化することにある。研究者は、条件が変わったときに結果のどの部分が維持されるかを問える。脆弱な一致は、理論が表面的なパターンを捉えたことを示唆する。持続的な一致は、より深い調査を支える。

ここはまた、AIが認知科学の基準を改善できる領域でもある。モデル構築者は、言語的な理論を、実行できるほど精密な手順へ変換しなければならない。誰も実装できないとき、曖昧な説明は可視化される。

しかし、形式的な精密さは生物学的真実ではない。洗練された計算理論であっても、最も重要な過程を見落としている可能性がある。モデルは仮説を研ぎ澄まし、人間研究と神経科学の証拠が、その仮説が人間を記述しているかを決定する。

AI学習の類推が破綻する場所

現在のAIには、自律的な目標、身体的行為、結果への継続的な適応など、人間の学習を組織する複数の特徴が欠けている。

最大のリスクは、この類推が何の洞察も生まないことではない。部分的な成功が、完全な説明として扱われることだ。

人間は固定されたデータセットを受動的に吸収するわけではない。動き、選び、注意を向け、質問し、誤りを犯し、環境を変える。人間の学習は、身体的な必要、感情的反応、社会的手掛かり、結果と結び付いている。

ほとんどの言語モデルは、設計された訓練プロセスのなかで中核的な能力を得る。チームはデータを収集・フィルタリングし、目的を定義し、フィードバックでシステムを調整し、訓練をいつ停止するかを決める。配備後のモデルは通常、自らの学習プロセスを自由に再構築できない。

Emmanuel Dupoux、Yann LeCun、Jitendra Malikによる2026年の論文は、この制約を明確にしている。著者らは、現在のシステムは、動物のような広い意味で自律的に学習していないと論じる。

彼らの自律学習フレームワークは、観察からの学習と能動的な行動を通じた学習を分けている。そして、学習者がいつ、どのように両者を切り替えるべきかを決定するメタ制御システムを加えている。

この提案は、標準的なモデル比較が見落とすものを浮き彫りにする。人間の学習は、表現を更新する方法だけではない。注意、探索、記憶、行動を制御することも含む。

ある単語を理解できない子どもは、話者の方を見たり、指差したり、音を繰り返したり、物体を試したりできる。こうした行動は、子どもが次に受け取る情報を変える。

子どもの記録で訓練されたモデルは、そのループを自ら生み出すことなく、その結果を受け取る。子どもと養育者が作り出した構造の恩恵を受ける。これはモデルを有益にするが、同等の存在にするものではない。

目的関数も別の隔たりを生む。機械学習システムは、設計者が選んだ数学的な損失関数を最適化する。人間の学習者は、好奇心、アイデンティティ、人間関係、不快感、将来の計画に影響される変動的な目標を追求する。

研究者は、報酬や訓練スケジュールによって、これらの力の一部を近似できる。その近似自体が仮説の一部にならなければならない。そうでなければ、設計された目的が、実験が説明すると主張する振る舞いを密かにあらかじめ決めてしまう可能性がある。

規模は、さらに複雑さをもたらす。大規模な商用モデルは、ベンチマークとの重複範囲が不明な膨大なデータを消費してきた。その見かけ上の柔軟性は、記憶されたパターン、幅広い事前訓練、あるいは真のタスク推論を反映している可能性がある。

この不確実性は、モデル生物としての利用を弱める。完全な発達履歴にアクセスできないシステムは、訓練が文書化されたより小規模な研究モデルよりも解釈が難しい。

商業的な最適化も圧力を加える。企業は、ユーザーが自社製品を学習者、協働者、あるいは推論パートナーと表現することで利益を得る。この種の言葉はインターフェースを直感的にするが、機能的な振る舞いと認知的説明の境界を曖昧にしかねない。

Google Newsの配信は、エッセイ、研究報告、製品主張を同じ情報ストリームに置くことで、この効果を増幅し得る。読者は、背後にある実験上の留保を見る前に、説得力のある比喩に出会うかもしれない。

したがって研究者には、敵対的テストが必要だ。モデルは、変更された表現、未知のタスク構造、矛盾する証拠、訓練設計の外にある環境に直面すべきである。可能な場合には、人間の参加者も対応する条件に置かれるべきだ。

内部分析も重要である。2つのシステムは、異なる表現を通じて同じ回答を生み出し得る。内部メカニズムへの介入が両システムにおける変化を予測するとき、行動上の一致はより強い証拠となる。

それでもなお、抑制は必要だ。ある計算層における類似性は、意識、理解、経験の共有を意味しない。それらは異なる証拠を必要とする、より広い主張である。

懐疑的な結論は、AIが人間の学習に情報を与えられないということではない。この類推は、一度に一つのメカニズムごとに信頼性を獲得するということだ。

比喩が手法へ変わるかを示す3つのシグナル

次の段階には、事前登録された予測、制御された学習履歴、そして人工・人間双方の学習者における成功したテストが必要だ。

第1のシグナルは、AIの結果を使って、人間におけるこれまで未知だったパターンを予測する研究である。研究者は、確認のためのデータを収集する前に、期待される人間の振る舞いを明示すべきだ。

これはモデル生物という主張を強化する。なぜなら、予測は事後的な一致より難しいからだ。モデルは既存のデータセットに似るまで調整できることが多い。新しい結果を予測することは、理論を失敗の可能性にさらす。

Brownの研究は、こうしたテストの機会を生み出す。拡張されたモデル実験が、カリキュラムの順序が人間の柔軟性をいつ変えるかを予測するなら、研究者は対応する行動研究を設計できる。予測が成功すれば、人工的なメカニズムと人間の証拠がつながる。

第2のシグナルは、アーキテクチャと学習履歴をまたぐ再現である。ある特殊なネットワークで得られた結果は、一般原理ではなく偶発的な実装選択を反映している可能性がある。

研究者は、同じ関係がtransformer、再帰型システム、より単純なネットワークでも現れるかを検証すべきだ。データ量、カリキュラムの順序、最適化の目的も変化させるべきである。

その結果が変化後も残るなら、モデル生物という議論はより強まる。消えるなら、説明は元のシステムに絞り込む必要がある。いずれの結果も科学の進展につながる。

第三のシグナルは、メカニズムのレベルでの介入だ。研究者は行動上の効果を生み出す構成要素を特定し、それを変更したうえで、結果として生じる変化を予測する必要がある。

Tonevaの提案は、科学者が摂動を加えられるシステムを重視することで、この方向を示している。モデルの活動と脳活動の相関を示すだけでは、地図が得られるにすぎない。介入によって、その対応づけられた特徴が因果的な役割を果たしているかを検証できる。

信頼できる研究プログラムは、3つの段階を結び付けるだろう。モデル内部への介入が人工的な行動を変化させる。計算論的な説明が人間に見られるパターンを予測する。そして、行動実験または神経科学実験がその予測を検証する。

この基準は、読者を過度な主張から守る役割も果たす。流暢なチャットボットがベンチマークで成功しても、それだけでは基準を満たさない。モデルの活性化と脳スキャンの視覚的な類似も同様だ。

開発者にとって、この研究はインコンテキスト適応で何が可能で、何が不可能かを明らかにするだろう。システムは一時的な例を活用する能力を高められるかもしれないが、永続的で自律的な学習を獲得するとは限らない。

企業の購入担当者は、パーソナライゼーションに関する主張を注意深く見極めるべきだ。製品は保存された情報を取得し、プロンプトを適応させ、ユーザーをよく知っているように見せられる。だが、こうした機能は必ずしも、基盤となるモデルが継続的に学習していることを意味しない。

ナレッジワーカーも、これに関連した判断に直面する。AIは情報源の比較、仮説の生成、論証の抜け穴の発見を支援できる。しかし、自らの説明が正確かどうかを判断する唯一の審判になってはならない。

Rileyの考えが注目に値するのは、地位をめぐる競争を研究プログラムへと置き換えるからだ。重要なのは、AIが人間の知能というカテゴリーへの参加資格を持つかどうかではない。

有用な問いは、制御された人工システムが、人間の学習について検証可能な予測を生み出すメカニズムを明らかにできるかどうかだ。最近のいくつかの実験は、それが可能であることを示唆している。

検証の隔たりは依然として大きい。人間の行動は、身体、社会的関係、能動的な探索、そして長い発達の歴史から生まれる。現在のモデルが再現しているのは、その過程の一部に限られる。

今後のGoogle News報道で、人間のように学習するAIに関する主張が取り上げられた際、読者は3つの詳細を確認すべきだ。明確に定義されたメカニズム、訓練条件を超えた検証、そして人間を対象とした直接的な妥当性確認である。

これらの要素がなければ、「モデル生物」は魅力的な比喩にとどまる。それらがあれば、AIと人間の違いを科学的証拠へと変える、規律ある方法となる。