はじめに
「自分を変えたいけれど、何から始めればいいかわからない」「なぜかいつも似たようなタイプの人と一緒にいる気がする」と悩んだことはありませんか？自己啓発の世界ではよく「あなたの年収や性格は、普段一緒に過ごす時間の長い5人の平均になる」と言われます。実はこの現象、最新の人工知能（AI）やデータサイエンスの世界で使われている基本的な仕組みとまったく同じなのです。
👇 本記事でわかる3つの重要ポイント 👇
- 【テーマ1】自己啓発の格言「5人の平均」とことわざ「類は友を呼ぶ」に隠された心理学的・数学的な共通点
- 【テーマ2】AIの基本アルゴリズム「k近傍法（k-NN）」がデータを分類するシンプルな仕組み
- 【テーマ3】環境や人間関係を見直して、AIのように自分自身の未来をポジティブにアップデートする方法
専門的な数式を使わずに、AIの賢い仕組みと私たちの日常や人間関係の不思議なつながりをわかりやすく解き明かしていきます。この記事を読み終える頃には、あなたの周りの環境や友人関係が持つ大きな力に気づき、明日からの行動が少し変わるはずです。それでは、一緒に見ていきましょう！
「あなたの周りの5人の平均」という有名な教え
ジム・ローンの格言と人間関係の影響力
アメリカの著名な起業家でありモチベーショナルスピーカーでもあるジム・ローン氏は、「あなたは、最も多くの時間をともに過ごす5人の平均である」という有名な言葉を残しました。この言葉は、ビジネスの成功法則や自己改善のヒントとして世界中で引用されています。
私たちは普段、自分自身の意志や判断だけで行動していると思いがちですが、実際には一緒にいる人の思考パターン、言葉遣い、お金の使い方、さらには健康意識や将来への野心にまで無意識のうちに強い影響を受けています。ポジティブで行動力のある人たちに囲まれていれば自然と前向きになり、逆に不満や愚痴ばかりを口にする環境にいれば自分もネガティブな考え方に引きずられてしまうのです。
「類は友を呼ぶ」ということわざの真実
古くから日本にも「類は友を呼ぶ（類友）」ということわざがあります。気が合う人や似た境遇の人が自然と集まる現象を指しますが、これは単なる偶然ではありません。心理学では「類似性の法則」と呼ばれ、自分と価値観、趣味、生活水準などが近い相手に対して安心感や好意を抱きやすいことが証明されています。
つまり、私たちは「自分と似た人を選んで集まる」と同時に、「集まった周囲の人たちによって自分自身の性質が作られていく」という相互の循環の中に生きています。この人間関係の引き寄せ合いとグループ化のプロセスは、実はコンピュータがデータを整理・予測する手法と驚くほどそっくりなのです。
AIの仕組み「k近傍法（k-NN）」をやさしく解説
k近傍法（k-NN）とは何か？
コンピュータが大量のデータからパターンを学ぶ「機械学習」の世界には、非常に直感的で人間味のある「k近傍法（k-nearest neighbors algorithm、通称k-NN）」という手法が存在します。
名前にある「近傍（きんぼう）」とは「ごく近いあたり」という意味です。一言で説明すると、k近傍法とは「新しい正体不明のデータがやってきたとき、そのデータの近くにいる仲間たちをいくつか見て、多数決でその正体を判定する」というアルゴリズムです。
「k」という数字の意味と多数決のルール
アルゴリズム名に含まれる「k」とは、「周りのデータを何個（何人）参考にするか」を決める数字のことです。
たとえば、果物の選別をイメージしてみましょう。テーブルの上に赤くて丸い未知の果物が置かれたとします。この果物が「りんご」なのか「トマト」なのかをコンピュータに判別させたい場合、以下のようなステップを踏みます。
- ステップ1： 未知の果物の特徴（大きさ、色合い、重さなど）を測ります。
- ステップ2： 過去に記録されたたくさんの果物データの中で、最も特徴が近い「ご近所さん」を探します。
- ステップ3： もし「k＝5」と設定していれば、一番近い5つの果物データをピックアップします。
- ステップ4： 拾い出した5つのうち、「4つがりんご」「1つがトマト」だった場合、多数決によって「この未知の果物は80％の確率でりんごである」と結論づけます。
このように、複雑な計算式でモデルを作り上げるのではなく、「近くにある実例の多数決に従う」という極めてシンプルで確実なアプローチを取るのがk近傍法の最大の特徴です。
自己啓発の法則をAIの視点から読み解く面白さ
「k＝5」に設定された生きているアルゴリズム
ここで冒頭のジム・ローン氏の言葉を思い出してみてください。「あなたの周りにいる5人の平均があなたである」という教えは、まさにk近傍法において「k＝5」と設定している状態そのものと言えます。
データサイエンスの視点から見ると、あなたという人間（未知のデータポイント）の社会的ステータス、年収、幸福度、健康状態などを予測する際、もっとも距離が近い5つのデータ（親しい友人や同僚）をサンプリングしてその平均値や最頻値を算出していることになります。AIがデータを分類する計算ロジックと、人間が直感的に導き出した人生の知恵が見事に一致している点は、非常に興味深い共通点です。
「距離」とは物理的な距離だけではない
k近傍法で最も重要になるのが「距離の計算」です。データの世界では、グラフ上の位置関係だけでなく、年齢の差、趣味の一致度、年収の近さなど、さまざまな要素を数値化して「近さ」を測ります。
私たちの人間関係においても同様です。「距離が近い5人」とは、単に家が隣にある人や職場で隣の席に座っている人だけを指すわけではありません。日常的にメッセージをやり取りしている相手、SNSで頻繁に投稿を見ているインフルエンサー、あるいは毎日のように愛読している本の著者なども、心理的・情報的な距離において「あなたの近くにいるデータポイント」として強力に作用しています。
k近傍法の弱点から学ぶ「人間関係の落とし穴」
外れ値や偏った集団に引っ張られるリスク
シンプルで優れたk近傍法ですが、弱点も存在します。それは「周囲のデータに極端な偏り（ノイズ）がある場合、間違った判定を下してしまう」という点です。
たとえば、健全で向上心のあるデータであっても、たまたま配置された場所の周りに問題のあるデータばかりが密集していると、多数決の結果として「問題のあるグループ」に分類されてしまいます。人間関係でも、どれほど本人が真面目で優秀であっても、愚痴や不満が蔓延する職場や怠惰なコミュニティに身を置き続けていれば、その周囲の環境に同化してしまい、本来のポテンシャルを発揮できなくなる危険性があるのです。
「k」の数が少なすぎても多すぎてもいけない
AIのチューニングにおいて、「k」の値をいくつに設定するかは非常に重要な課題です。
- kが小さすぎる場合（例：k＝1）： たった1人の意見や影響に過剰に左右されてしまい、その人が間違っていた場合に自分全体が大きくブレてしまいます（過学習のリスク）。
- kが大きすぎる場合（例：k＝100）： 周囲の広範囲な人たち全員の意見を聞きすぎた結果、個性が薄まり、世間一般の平凡な平均値に埋もれてしまいます。
自己啓発で「5人」という具体的な数字が好まれるのは、少なすぎて1人に依存することもなく、多すぎて影響がぼやけることもない、人間にとってちょうどバランスの良いサンプリング数だからなのかもしれません。
自分の未来を望む方向に導くための環境デザイン
自分というデータポイントの「座標」を動かす
AIの世界では、新しいデータを正しいグループに分類させるために特徴量を調整しますが、私たち人間は自らの意志で「どのグループの近くに身を置くか」を選ぶことができます。
もしあなたが「もっと健康になりたい」「新しいスキルを身につけて収入を上げたい」「心穏やかに毎日を過ごしたい」と願うなら、自分の意志力だけで頑張ろうとするのではなく、すでにその状態を実現している人たちの近くへ自分の座標を移動させることが最も確実な近道です。
理想の「5人（k＝5）」を自ら選ぶステップ
今日からできる環境のリフレッシュ方法として、以下のステップを試してみるのがおすすめです。
- 現在の5人を書き出してみる： 今、自分が最も多くの時間を共有し、影響を受けている人を5人リストアップしてみます。
- その平均値を客観的に眺める： その5人の口癖、健康への配慮、挑戦に対する姿勢などを総合したとき、それは自分が目指したい姿と一致しているか確認します。
- 新しい入力データを増やす： 理想とする生き方をしている人が集まるセミナーに参加したり、尊敬できる人の書籍や音声配信を日常的に取り入れたりして、意識的に「ポジティブな近傍データ」を増やしていきます。
付き合う人や触れる情報を少しずつ変えていくだけで、k近傍法の多数決の原理と同じように、あなたという存在の平均値は自然と理想の方向へとシフトしていきます。
まとめ
「周りの5人の平均があなたである」という自己啓発のフレーズと、古くからの「類は友を呼ぶ」ということわざは、AIが用いる「k近傍法（k-NN）」という分類アルゴリズムと見事なまでに一致していました。
AIが一番近いデータたちの多数決によって未知の答えを導き出すように、私たち人間もまた、身を置く環境や親しい仲間たちからの影響を強く受けて自分自身を形成しています。自分の意志の力だけに頼るのではなく、自分を取り囲む「k＝5」の環境を賢く整えることこそが、人生をより良い方向へ導くための最も効果的で合理的なアプローチと言えます。ぜひ今日から、あなたの身の回りにある素敵なデータポイントに目を向け、心地よい環境づくりを始めてみてください。
