System 2 Thinking

システム2思考とは、人間の認知に関する二重過程理論において、遅く、労力を要し、意識的に行う推論モードを指します。高速で自動的、直感的なシステム1とは対照的です。心理学者のKeith Stanovich氏とRichard West氏が2000年に2つのシステムを命名し、2002年にノーベル経済学賞を共同受賞したDaniel Kahneman氏が、2011年の著書Thinking, Fast and Slowで広く知らしめました。Kahneman氏は、Shane Frederick氏のバットとボールの問題を使って2つのシステムを説明しています。バットとボールの合計は1.10ドルで、バットはボールより1ドル高いとします。システム1はボールの値段を10セントと答えますが、計算を確認するシステム2は5セントと導きます。人工知能（AI）では、回答する前に推論、検索、検証のための計算を追加で行うモデルやシステムを指します。

AIにおけるシステム1とシステム2#

ニューラルネットワークの単一の順伝播は、システム1のように動作します。画像分類モデル、物体検出モデル、あるいは大規模言語モデル（LLM）による次のトークンの予測では、入力が簡単でも難しくても、同じ固定量の計算を行います。Yoshua Bengio氏は、2019年のNeurIPS基調講演「From System 1 Deep Learning to System 2 Deep Learning」でこの区別を中心的な論点として取り上げました。ディープラーニングは高速な知覚を習得したものの、システム2が担う推論、計画、新しい状況への汎化は依然として必要だと主張しました。システム2の手法では、探索や段階的な推論、回答を確定する前の検証を通じて、問題の難しさに応じて計算量を増やします。

ゲームをプレイするAIでは、早い段階から2つのシステムが組み合わされていました。AlphaGoは、有望な手を素早く提案する方策ネットワークと、手を選ぶ前に複数の展開を試すモンテカルロ木探索（MCTS）を組み合わせました。また、Thomas Anthony氏、Zheng Tian氏、David Barber氏の論文Thinking Fast and Slow with Deep Learning and Tree Search（2017）は、高速なネットワークが低速な探索を模倣するよう学習させ、熟慮した結果を時間とともに直感へ変える手法を示しました。両方のモードを使うシステムでは、入力ごとに処理を振り分けることがよくあります。

言語モデルにおけるシステム2の手法#

思考の連鎖プロンプティングでは、LLMに中間ステップを書かせることで、回答前により多くのトークン、つまりより多くの計算を使わせます。2023年の論文で二重過程理論を直接引用した思考の木は、分岐する推論経路を探索し、行き止まりから戻ります。「24ゲーム」では、GPT-4の成功率を思考の連鎖プロンプティングの4%から74%に引き上げました。OpenAIのo1やDeepSeek-R1などの推論モデルは、自律的に長時間考えるよう強化学習で学習されます。また、プロセス報酬モデル（PRM）を使うと、探索中に解答候補の各ステップを検証できます。

多くの製品が両方のモードを提供しています。2025年2月にリリースされたAnthropicのClaude 3.7 Sonnetは、設定に応じて直接回答するか、拡張思考を使うモデルの一例です。2025年8月にリリースされたGPT-5は、上の図と同様に、各リクエストを高速モデルまたはより深い推論を行うモデルに振り分けるルーターを使います。

ビジョンとロボティクスにおける高速・低速システム#

ロボティクスでは、異なる速度で動作する別々のモデルに2つのシステムを分担させます。Figureが2025年2月に発表したHelixは、70億パラメーターのビジョン言語モデル（VLM）をシステム2として7～9 Hzで実行し、シーンと音声コマンドを解釈します。一方、8,000万パラメーターの制御方策をシステム1として200 Hzで実行し、VLMの出力を指先の動きに至るまで、連続的な上半身の動作に変換します。

ビジョンパイプラインでも、同じ分岐によってコストを制御できます。Ultralytics Platform AgentsのYOLO to VLM Monitorテンプレートは、すべての画像にYOLO26 nanoモデルを実行し、YOLOが1人以上を検出した場合に限ってVLMを呼び出してシーンを説明します。そのため、人が写っていない画像が、より低速で高コストなモデルに送られることはありません。

コストと限界#

Kahneman氏は、システム2を怠惰なものと説明しました。意識的な思考は疲れるため、人はシステム1に頼りがちで、その誤りを受け入れてしまうことも少なくありません。AIでは、レイテンシと計算量がコストになります。推論モデルは、質問に1回の処理で答える高速モデルとは異なり、回答前に数千個もの非表示のtokenを生成することがあります。ルーティングによって、このコストが発生する頻度が決まります。また、熟慮すれば必ず正しい推論が得られるわけではありません。モデルが記述するステップが、実際に回答を生成した計算とは異なる場合があります。この隔たりは説明可能なAI（XAI）の研究対象です。また、潜在推論手法では、熟慮を隠れ状態に移すため、文章としての痕跡がまったく残りません。