/w=1920,quality=90,fit=scale-down)
※本記事は、MIT Sloan Management ReviewとBoston Consulting Groupによる共同制作のポッドキャスト「Me, Myself, and AI」のエピソードを基に作成されています。本エピソードでは、Patrick Hebron氏へのインタビューを通じて、生成AIとクリエイティブツールの未来について議論しています。 ポッドキャストはSam Ransbotham氏とShervin Khodabandeh氏がホストを務め、エンジニアのDavid Lishansky氏、制作コーディネーターのAllison Ryder氏とAndy Goffin氏により制作されています。 本記事は、ポッドキャストの内容を要約・構造化したものです。原著作者の見解を正確に反映するよう努めておりますが、要約や解釈による誤りがある可能性があります。正確な情報や文脈については、オリジナルのポッドキャスト（https://mitsmr.com/454APTf ）をお聴きいただくことをお勧めいたします。
なお、Patrick Hebron氏は、NvidiaとAdobeでMachine Intelligence Design groupsを設立し、Stability AIのR&D副社長を務めた経歴を持つデザイナー、ソフトウェア開発者、教育者、著者です。O'Reilly Mediaから出版された「Machine Learning for Designers」の著者でもあります。 より詳しい情報は、MITスローン経営大学院のウェブサイト（https://mitsmr.com/AIforLeaders ）、またはLinkedInグループ「AI for Leaders」をご参照ください。
1. 講演者の背景と経歴
1.1. 哲学とフィルム制作の学術的背景
私の経歴は、おそらく少し変わっているかもしれません。学部時代、私は哲学、特に美学と記号論を専攻し、同時にフィルム制作でも学位を取得しました。フィルム制作の分野では物語性のある作品を制作しましたが、これは現在の私の研究とは直接的な関連性は低いものでした。
哲学研究では、特にアメリカの哲学者チャールズ・パースの記号論に深く傾倒しました。私の研究プロジェクトでは、特殊効果を芸術的媒体として分析しました。特に注目したのは、絵画のように想像力の限界なく表現できる可能性と、写真のような信憑性を併せ持つという特殊効果の特性でした。この組み合わせは非常に興味深く、場合によっては危険性も孕む可能性があると考えていました。
当時、私はこのようなビジョンがコンピューターグラフィックスの進化によって実現されると考えていましたが、AIはまだ私の視野には入っていませんでした。また、そのような技術が実用化されるまでにはまだかなりの時間が必要だと認識していました。
卒業時、人々から「あなたが描写したような映画の例を挙げてください」と聞かれましたが、当時はそのような作品は実在していませんでした。この研究は、後の私のキャリアの方向性を決定づける重要な基盤となりました。
1.2. 特殊効果とAIへの関心の発展
私の研究の中心的な関心は、特殊効果という媒体が持つユニークな特性にありました。特に注目したのは、絵画のように想像力の限界なく表現できる可能性と、写真のような信憑性を同時に実現できる点でした。この組み合わせは、創造的な表現の可能性を大きく広げると同時に、その影響力の大きさゆえに慎重に扱う必要があると考えていました。
当初、私はこのビジョンがコンピューターグラフィックスの進化によって実現されると考えていました。実際に映像制作を始めると、既存のCGプロダクションツールが私の目指す表現には十分対応できていないことに気づきました。従来のツールでは、想像力を自由に具現化することに限界があり、特に写真のような信憑性を保ちながら想像的な表現を行うことが困難でした。
この気づきは、私を新しいツール開発の方向へと導くきっかけとなりました。当時はまだAIが実用的な選択肢となる以前でしたが、既存のツールの限界を超えるためには、根本的に新しいアプローチが必要だと確信するようになっていました。このような経験が、後のAIへの関心につながっていったのです。
1.3. ソフトウェア開発への移行
子供の頃から電子工作やプログラミングに少し触れていましたが、本格的なソフトウェア開発は映像制作のためのツール開発から始まりました。既存のCGプロダクションツールでは実現できない映像表現があり、その限界を超えるために自分でデザインツールを作り始めたのです。
この経験を通じて、デザインツールそのものへの興味が急速に深まっていきました。特に、デザインツールがどのように機能し、クリエイターの創造性をどのように支援できるのかという点に強く惹かれていきました。
その後、O'Reillyから「Machine Learning for Designers（デザイナーのための機械学習）」という本の執筆依頼を受けました。当時、機械学習とデザインの交点は多くの人にとって意外な組み合わせでしたが、私にとっては自然な発展でした。デザインにおける複雑な構成の問題を解決する上で、機械がさまざまな組み合わせを探索し、人々にとって有用な配置を見つけ出すことができると考えていたからです。
この著作を通じて、AIとデザインツールの統合に向けた私の取り組みは本格化していきました。特に、従来のソフトウェアと機械学習の根本的な違いを理解し、それをデザインツールの文脈でどのように活かすかという課題に取り組むようになりました。これは後に、Adobe社からの依頼につながり、実際のプロダクトでAIを活用する機会へと発展していきました。
2. AIと従来型ソフトウェアの根本的な違い
2.1. 従来型ソフトウェアの決定論的性質
従来型のソフトウェアは、2+2=4のような単純な計算において常に正確な結果を出力するという特徴を持っています。このような決定論的な性質は、ソフトウェアの信頼性を支える重要な要素でした。
テストにおいても、従来型のソフトウェアは実験室で確認した動作が本番環境でも同じように再現されることが期待できました。しかし、ノイズやあいまいさが入ってくると、この再現性は保証されなくなります。
また、従来型のソフトウェアの大きな特徴として、巨大なメニューシステムの存在があります。私のキャリアの中で、このメニューシステムは常に「敵」のような存在でしたが、同時に重要な利点も持っていました。それは、ソフトウェアができることを学ぶための明確な道筋を提供していたことです。ユーザーは特定の機能を探してメニューを辿り、その過程で関連する機能の名前を見つけ、それらを探索するきっかけを得ることができました。
特に興味深いのは、従来型ソフトウェアのMicrosoft FoxProのような初期のデータベースシステムでは、実行ファイルを開いてドキュメントに記載されていないコマンドのシグネチャを探すことさえ可能でした。このような探索的な学習方法は、現代のAIベースのシステムでは失われてしまった特徴の一つです。
2.2. AIシステムの確率論的特性
機械学習は、写真内の顔認識など、従来のソフトウェアでは困難だった複雑なタスクを可能にしました。しかし、このような機能には固有の不確実性が伴います。同じクエリに対して何度も正しく動作しても、1000回目には全く異なる方向に解釈してしまうことがあるのです。
これは帰納的学習の本質的な特徴です。経験から学ぶ過程では、完全な保証は得られません。例えば、2台の車を見て車のサイズの範囲について何らかの感覚を得たり、100万台の車を見てその理解に強い確信を持てたりするかもしれません。しかし、最大や最小のサイズを見たという保証は決して得られないのです。
この曖昧さは、機械学習モデルと人間の共通点とも言えます。私たちは壮大な概念を扱うことができますが、他人の頭の中にある概念が自分のものと完全に一致していることは決して保証できません。この不確実性は、AIシステムの限界であると同時に、AIが持つ可能性の源でもあります。このような特性は、従来のソフトウェア開発とは全く異なるアプローチを必要とし、特にユーザーがプロセスを進める中で行き詰まりや誤解に遭遇した際の対処方法に大きな影響を与えます。
3. デザインツールにおけるAIの実装
3.1. Adobe製品での実装事例
O'Reillyの本を執筆した直後、Adobeから声がかかりました。当時、Adobeの研究部門と設計部門の副社長たちは、次の数年間でAIがもたらす変化を予測し、議論を重ねていました。彼らは、Adobe製品の多くの機能において、AIがフードの下で重要な役割を果たすことになると見通していました。
特に注目すべき点は、ユーザー体験を大きく変更することなく、機能の品質を大幅に向上させることが可能だという認識でした。例えば、コンテンツ認識フィルのような機能は、ここ数年前までパターン拡張アルゴリズムを使用していました。この従来のアプローチは、砂浜からビーチボールを取り除くような場合には効果的に機能しました。なぜなら、砂のパターンは完璧に拡張可能だからです。
しかし、Adobeはこのような機能をAIで置き換えることで、より高度な処理を可能にしました。このアプローチは、ユーザーインターフェースを大きく変更することなく、製品の機能を根本的に改善することを可能にしました。これは、Adobeの製品にAIを統合する上で、比較的容易に実装できる部分でした。
この段階的なアプローチにより、ユーザーは新しい操作方法を学ぶ必要なく、より高品質な結果を得られるようになりました。これは、AIの導入における重要な成功事例となりました。
3.2. コンテンツ認識フィル機能の進化
コンテンツ認識フィル機能は、AIの導入によって大きく進化した代表的な例です。この機能は、ここ数年前までパターン拡張アルゴリズムを使用していました。例えば、砂浜に置かれたビーチボールを取り除く場合、砂のパターンは完全に予測可能な方法で拡張できるため、この従来のアプローチでも十分に機能していました。
しかし、人間の顔の一部など、より複雑な領域を補完する必要がある場合、単純なパターン拡張では望ましい結果は得られません。頬のパターンを単純に拡張しても、欠落した口の領域を適切に補完することはできないのです。
そこで、ニューラルインペインティングを導入することで、この問題を解決しました。このアプローチでは、大規模な統計的サンプルから、異なる画像特徴がどのように関連し合うかを学習します。その結果、人間の顔のような複雑な構造を持つ領域でも、より自然な補完が可能になりました。
このような進化は、ユーザーインターフェースを大きく変更することなく、機能の品質を大幅に向上させた良い例です。ツールの使い方は従来と変わりませんが、その性能は飛躍的に向上しました。
3.3. 前例のない新機能の開発課題
一方で、従来のソフトウェアには全く前例のない新しい機能の実装は、より大きな課題となっています。例えば、テキストから画像を生成したり、人体のポーズを完全に変更したりする機能は、これまでの技術では全く近づけなかった領域です。
このような機能の開発では、既存のユーザーインターフェースの枠組みが通用しません。これらの機能は単なる品質向上ではなく、全く新しい種類の操作を必要とするからです。従来のフォトショップの機能を改善するのとは異なり、ユーザーがこれまで経験したことのない方法で創造的な作業を行うことになります。
私たちは、このような前例のない機能をどのようにユーザーに提供するべきか、慎重に検討する必要があります。例えば、機能の発見可能性の問題があります。Alexaのような音声インターフェースでは、利用可能な機能が多数存在するにもかかわらず、それらがどこかに隠れてしまっているような状態になっています。これは従来のメニューシステムが持っていた、機能の発見とその関連機能への自然な導きという利点を失ってしまうことを意味します。これらの課題に対する新しいアプローチの開発が必要です。
4. 潜在空間におけるデザイン探索
4.1. 潜在空間ナビゲーションの概念
機械学習モデルの内部では、学習したものの変動性についての一種の内部表現が生成されます。これが潜在空間と呼ばれるものです。この空間内では、モデルが学習した様々な要素が特定の関係性を持って配置されています。
例えば、空間の一部にはスニーカーのような形状が存在し、その近くには作業用ブーツのような形状が配置されます。そして、はるか離れた場所には、例えばテディベアのような全く異なる物体が存在するというような構造になっています。
この空間内を移動することで、あるデザイン要素から別のデザイン要素へと線形的に探索することが可能です。つまり、一つの要素から別の要素へと、連続的に変化させながら移動できるのです。これは、デザインのバリエーションを探索する上で非常に強力なメカニズムとなります。
この潜在空間ナビゲーションの概念は、従来のデザインツールには存在しなかった全く新しいアプローチです。特に興味深いのは、この空間内での移動が、デザイン要素間の意味的な関係性に基づいて行われることです。これにより、デザイナーは直感的な方法で新しいデザインの可能性を探索することができます。
4.2. デザイン探索における新しい可能性
潜在空間を活用したデザイン探索は、既存のデザインプロセスを根本的に変革する可能性を秘めています。例えば、スニーカーからワークブーツへの変換を考えてみましょう。従来のデザインプロセスでは、新しいデザインを作成するたびに完全に描き直す必要がありましたが、潜在空間内では、これらの要素間を連続的に探索することができます。
この新しいアプローチは、デザインの反復プロセスを劇的に効率化します。「それはちょっと違う」と感じた場合、近接する空間を探索することで、求めているものに近いバリエーションを見つけることができます。これは、完全な再描画を必要とする従来の方法とは全く異なります。
実験的な探索も非常に容易になります。潜在空間内では、異なるデザイン要素間の関係性が保持されているため、意味のある方向性を持って探索を進めることができます。これにより、デザイナーは新しいアイデアを素早く試し、予想外の創造的な発見をする機会を得ることができます。これは、従来のデザインツールでは実現できなかった、全く新しい可能性を開くものです。
このような探索は、デザイナーの創造的なプロセスを支援するだけでなく、新しい発見や革新的なデザインソリューションへの道を開くものです。これは、デザインツールがクリエイターの思考プロセスをより直接的にサポートする方向への進化を示しています。
4.3. ユーザーインターフェース設計の課題
潜在空間ナビゲーションのような新しい機能を実装する際、最も大きな課題の一つはユーザーインターフェースの設計です。これまでに前例のない機能を、どのようにユーザーに提示し、理解してもらうかという問題に直面します。
特に難しいのは、機能の発見可能性です。従来のメニューシステムの場合、ユーザーは必要な機能を探してメニューを辿り、その過程で関連する機能の名前を見つけ、それらを探索するきっかけを得ることができました。しかし、潜在空間のような新しい概念では、このような自然な探索の道筋を作ることが難しくなっています。
Alexaのような音声インターフェースが直面している課題と同様に、システムが持つ多くの機能が「どこかに隠れている」状態になってしまう危険性があります。このため、ユーザーが利用可能な機能を自然に発見し、理解できるような新しい方法を開発する必要があります。
また、これらの機能を直感的に操作できるようにすることも重要です。ユーザーが理論的な背景を深く理解していなくても、自然に機能を使いこなせるようなインターフェースを設計する必要があります。これは、技術的な実装以上に困難な課題となる可能性があります。
5. AIツールのインターフェース設計
5.1. 馴染みのある要素の活用
この問題について、私は相反する二つの方向性を持っています。その一つが、既存の馴染みのある要素を活用するアプローチです。
可能な限り、既存の親しみやすい要素を活用することが重要です。例えば、潜在空間のナビゲーションを考えた場合、地図のようなメタファーを使用することができます。スニーカーやワークブーツといった「目的地」を空間上に配置し、ユーザーが西に少し進むとビーチに着くように、特定の方向に進むことで目的のデザインに近づいていくような表現が可能です。
このような馴染みのあるメタファーを使用することで、ユーザーは新しい機能を直感的に理解することができます。関連する領域からトロープ（定型表現）を借用することで、ユーザーの学習曲線を緩やかにすることができます。これは、既存のデザインパターンを応用することで、ユーザーが新しい機能に馴染むプロセスを支援する効果的な方法です。
ただし、この馴染みのある要素の活用は、慎重にバランスを取る必要があります。というのも、AIツールの本質的な新しさや可能性を過度に制限してしまう危険性もあるからです。これは次に説明する新しいパラダイムの探索との間で、適切なバランスを見出す必要がある部分です。
5.2. 新しいパラダイムの探索
馴染みのある要素を活用する一方で、私は芸術的な媒体やデザインの媒体について、クレメント・グリーンバーグの理論に基づいた見方も重視しています。グリーンバーグは「彫刻として作るべきではない絵画を作ってはいけない」と述べましたが、これを短く言い換えると、媒体そのものの特性が出力の性質に大きな影響を与えるという考え方です。
このことから、AIを使ったアートやデザインを、永遠にAI以前のPhotoshopと同じ考え方で作り続けるべきではないと考えています。ユーザーは最初、確かに以前のパラダイムに近い方法で作業を始めるでしょう。例えば、フィルム編集ツールが蒸気機関時代の卓上フィルムエディターから多くを借用したように、AI生成も最初は前世代のツールに近い形で始まります。
しかし、重要なのはユーザーが外側に向かって探索を始める余地を残しておくことです。ユーザーが自然に新しい可能性を見出し、AIならではの特性を活かした創造的な表現を発見できるようにする必要があります。
つまり、既存のパラダイムとの類似性を保ちながらも、AIの特性を活かした新しい創造性を引き出せるインターフェースを設計することが重要です。これは単なるバランスの問題ではなく、ユーザーの創造性を促進する新しいパラダイムの確立につながる重要な挑戦です。
5.3. 予期せぬ使用法の重要性
ツールの制作者として、私は常々ユースケースやユーザーニーズ、ユーザーの課題点について、ビジネスの文脈で議論することが多いです。しかし、私の考えでは、もしツールが私たちが予想した通りの方法でしか使われないとすれば、それは壊滅的な失敗だと言えます。
この考えを説明するために、私がよく使う例がMinecraftでの8ビットコンピュータの構築です。Minecraftは低解像度の見た目をした建築ブロックのオープンワールドゲームで、ブロックの配置や除去が可能です。ほとんどのブロックは固定的ですが、水やその他の流体、動的なシステムも存在します。これにより、ブロックを空間内で移動させることができ、データフローをシミュレートすることが可能になります。
結果として、電子回路内の電子の動きをシミュレートすることができ、実際にコンピュータプロセッサのエミュレーションを構築することができるのです。実用的な観点からすれば、これはプロセッサをシミュレートする最も非効率な方法の一つかもしれません。しかし、これこそがオープンエンドなツールの素晴らしい点です。
ソフトウェアにおいて最も興味深い使用法は、多くの場合、その本来の目的の周辺部分で生まれます。そのため、ツールの設計では、このような予期せぬ創造的な使用を妨げないことが重要です。ユーザーが私たちの想像を超えた方法でツールを活用できる可能性を常に残しておく必要があります。これは、ツールの設計において最も重要な原則の一つだと考えています。
6. AIの科学・工学分野への応用
6.1. 創造的分野から科学への応用可能性
おそらく私たちの教育システムにおいて、芸術と科学、あるいはデザインと工学の間に、あまりにも明確な境界線を引きすぎてしまったのではないかと考えています。これらの分野は、実際には多くの共通点を持っています。
例えば、人物の肖像画を描く際のプロセスを考えてみましょう。多くのアーティストは、顔の一つの特徴を完全に仕上げてから次の特徴に移るというアプローチはとりません。代わりに、まず鼻の穴がおよそここにある、両目がおよそここにあるというように、全体の配置を大まかに決めていきます。そして全体を見渡し、それぞれの要素が互いにどのような関係にあるかを確認します。
その後、例えば目の部分に詳細を加えていきますが、また全体に戻って、目と鼻のバランスを確認し、必要に応じて調整を行います。このように、私たちは常に異なる考慮事項の間を行き来しながら、全体としてのまとまりを作り上げていくのです。
この創造的なプロセスは、ソフトウェアエンジニアリングや科学的な研究においても同様のパターンが見られます。すべての要素を互いに関連付けながら調整し、常に全体像に立ち返るという方法は、分野を超えて共通する重要な設計プロセスです。
このような創造的分野での知見は、科学や工学の分野にも大いに応用できる可能性があります。特に、第一原理から推論し、試行錯誤を通じて解決策を見出すAIの能力は、科学的発見において革新的な役割を果たす可能性を秘めています。
6.2. 試行錯誤からの発見プロセス
科学の分野におけるAIの可能性について、私は特に第一原理からの推論能力に大きな期待を寄せています。AIは、単に書籍を読んで病気についての知識を得るだけでなく、ゼロから試行錯誤を行い、新しい解決策を見出すことができます。この能力は、科学的発見において革新的な役割を果たす可能性があります。
例えば、AIは私たちが気づいていない盲点を見つけ出すことができるかもしれません。これは、私たちが病気の治療法を探求する際や、新しい科学的発見を目指す際に、非常に重要な能力となります。AIは、人間が思いつかなかった角度から問題にアプローチし、まったく新しい解決策を提案することができるのです。
また、AIは膨大な可能性空間を効率的に探索することができます。例えば、チェスや囲碁のような分野での強化学習の成功は、この能力を示す良い例です。囲碁の可能性空間は宇宙の原子の数よりも大きいと言われていますが、AIはそのような途方もない規模の空間でも、効果的に探索を行うことができます。
このような探索能力は、医薬品開発や材料科学など、複雑な可能性空間を持つ科学分野において、特に価値を発揮する可能性があります。ただし、これには適切なシミュレーション環境が必要であり、その構築自体が大きな課題となっています。
6.3. 人間とAIの補完関係
私はAIが社会で果たす役割について、特に現在の消費者向け製品への組み込み方に関して、多くの人々が懸念を抱いているのは当然だと考えています。現状のAIの多くは、「このAIがエッセイを書いてくれる」「この AIが絵を描いてくれる」というように、人間の役割を単純に置き換えるような形で実装されており、これは一種のゼロサムゲームのように見えます。
しかし、AIの活用は必ずしもこのような形を取る必要はありません。特に製薬の発見や病気の治療など、人類が直面している複雑な課題に対しては、AIによる支援を躊躇する理由はありません。このような分野では、AIは人間の能力を補完し、より良い成果を生み出すための強力なツールとなり得ます。
重要なのは、動機や目的意識は常に私たち人間から生まれるということです。AIはその目的を達成するための手段として、重要な役割を果たすことができます。つまり、これはポジティブサムのゲームとなり得るのです。
私たちはAIを活用しながら、人間としての創造性や動機付けを維持し、世界をより良くしていく方法を模索する必要があります。AIと人間が互いの長所を活かしながら協力することで、単独では達成できない成果を生み出すことが可能になるのです。これこそが、私が目指すAIと人間の理想的な補完関係です。
7. AIの課題と制限事項
7.1. シミュレーション能力の制約
科学分野へのAIの応用における大きな課題の一つは、私たちが働きかけるシステムをシミュレートする能力の制約です。例えば、DeepMindが囲碁やチェスに強化学習を適用した例を見てみましょう。これらのゲームは、ルールが比較的単純で、完全にシミュレート可能です。そのため、AIシステムは膨大な数のゲームを実行し、学習することができます。
しかし、このような完全なシミュレーションが可能な環境は、現実世界ではむしろ例外的です。例えば、囲碁では可能性空間が宇宙の原子の数よりも大きいにもかかわらず、コンピューター内で無数のゲームを実行することができます。これは、ゲームのルールが明確で単純だからです。
一方、科学の分野、特に医薬品開発や疾病研究などの領域では、システムの複雑さが桁違いに大きくなります。強化学習のような手法を適用するためには、適切なシミュレーション環境が必要不可欠ですが、現実世界の複雑なシステムを正確にシミュレートすることは極めて困難です。
これは、AIの科学分野への応用において、私たちが直面している最も重要な技術的課題の一つです。シミュレーション環境の構築自体が、解決すべき大きな研究課題となっています。
7.2. 全知全能の限界
ここ2年間のAIの進展で、私が予想もしなかった興味深い発見の一つは、全知全能には実際にはデメリットがあるということです。現在の大規模言語モデルは、私が生涯で読むことができる量をはるかに超える情報を読み込んでいます。しかし、このような膨大な知識の蓄積が、必ずしも優れた出力につながるわけではありません。
実際、全てを読み込むことは、ある意味で意見を持たないこと、つまり特定の視点を持たないことにつながる可能性があることが分かってきました。これは人間のフィードバックによる強化学習（RHF: Reinforcement Learning from Human Feedback）が重要となる理由の一つです。
RHFは複数の目的で使用されています。一つは、モデルをより会話的な方法で話すように調整することです。これは単なる文章の自動補完ではなく、より自然な対話を実現するために重要です。しかし、それ以上に重要なのは、このプロセスがモデルの視点を単一化する効果を持つことです。
つまり、あらゆる角度から物事を見ることは、実質的にどの角度からも見ていないことと同じになってしまう可能性があります。この問題に対処するためには、人間のフィードバックを通じて、特定の視点や文脈を提供することが不可欠なのです。これは、AIシステムの設計における重要な洞察の一つとなっています。
7.3. 人間の動機付けの重要性
AIの役割を考える上で、最も重要な問題の一つは「AIが多すぎる」という状態がどのような時に訴求されるのかということです。私の考えでは、それは私たち人間が自ら世界をより良くしようとする動機付けを失ってしまった時です。
AIが発達すれば、確かにそれは世界の様々な問題を解決する可能性を持っています。しかし、もし私たち人間がその過程で自身の創造性や動機付けを失ってしまうのであれば、それは本末転倒です。なぜなら、私たちが持つ世界をより良くしたいという欲求こそが、AIを活用する根本的な理由だからです。
私の生活を例にとっても、AIに対して特に何かが足りないと感じることはありません。技術に対する興味は、単に何かが欠けているからではなく、新しい可能性を探求したいという純粋な知的好奇心から生まれています。
このように、人間の創造性や動機付けを維持しながら、それを増幅する形でAIを活用していくことが重要です。AIへの過度の依存を避け、人間とAIが互いの長所を活かしながら、共に世界をより良くしていく方向性を目指すべきだと考えています。