野口悠紀雄氏の「リープフロッグ（leapfrog、蛙飛び）」という本が2020年12月に出版されて、普通の人には、およそ、なじみのない「リープフロッグ」という言葉が広まりつつあります。
なお、以下の「リープフロッグ」使い方は、野口悠紀雄氏の「リープフロッグ」とは、異なります。
「リープフロッグ」という単語は、計算論的思考では、数値計算に用いられる単語で、偏微分方程式の数値解を求めるときに、連続方程式と運動方程式を交互に解く場合などに用いられます。図式的に書けば、次のようになります。
方程式A＝＞方程式B=>方程式A=>方程式B
もっと、簡略すれば、次になります。
A＝＞B＝＞A=＞B
ここで、時間は左から右に流れていきます。
リープフロッグは、計算論的思考で言えば、AとBが交互に現れるパターンのイメージが強い気がします。
ここで、Aの出力（結果）が、Bの入力（原因）になり、Bの出力（結果）が、Aの入力（原因）になるという因果モデルの連鎖ができている点が重要です。
このパターンの応用として、科学や学問の進展があります。
コンピュータサイエンスを含む自然科学では、論文は、something newであることが基本です。コンピュータサイエンスでは、データか、アルゴリズム（手法）か、のどちらかがsomething newになります。物理学は、大きく、実験物理学（データ中心）、理論物理学（アルゴリズム中心）、計算物理学の3つに分かれます。計算物理学は、コンピュータサイエンスの一種でもありますから、更に、データか、アルゴリズムに分かれます。つまり、物理学も、something newは、データとアルゴリズムに大別できます。
コンピュータサイエンスや物理学の発展を見ていると、学問の主役としてこの2つが交代して、進んでいるように見えます。
現在の機械学習は、データ中心です。クラウド上にある膨大なデータが利用できることから、手法は単純にして、データに多くを依存しています。ちょっと前までは、AIは冬の時代でした。冬の時代になった理由は、アルゴリズム中心のアプローチが行き詰まったからです。現時点では、ニューラルネットにはわからないことが多いです。あることを学習したニューラルネットワークは、新しいことを学習する場合に、ゼロから学習するニューラルネットワークより、習得が容易な場合が見つかっています。また、アルファ碁のように、学習に必要なデータそのものをアルゴリズムで作成する方法も使われています。おそらく、こうした事例の解析が進めば、データの少なさをアルゴリズムが補う手法が開発されると思われます。つまり、次は、アルゴリズム中心の時代が予想されます。
アカデミズムでは、データが増えない分野もあります。古代ギリシア語の文献を使っているギリシア哲学や、過去帳をデータに使っている歴史人口学などが、該当します。これらの学問は、今あるデータを全て解析し終わると、新しい学問を生み出すことはほぼ不可能になります。
一方、アルゴリズム（手法）で、学問の専門分野を規定している場合もあります。しかし、手法を固定すると、ダイナミズムが失われます。例えば、多くの学問分野では、コンピュータや機械学習は、アルゴリズム（手法）として、利用することは可能です。しかし、こうした手法の拡張を拒否している分野もあります。
文字を読むことは、文字のコード情報を目に入れることです。手法は、紙でも、電子媒体でも変わりません。しかし、手法を固定化する人もいます。ウィキペディアの情報量は、昔のブリタニカより多いです。電子媒体を使うというアルゴリズム（手法）の改善が、次に、ウィキペディアの情報量というデータの改善へとリープフロッグして、進歩が起こります。アルゴリズム（手法）を、紙媒体に限定すれば、ブリタニカの情報量で止まって、リープフロッグがおこらず、取り残されます。
つまり、学問の発展は、「データとアルゴリズムの蛙飛び（リープフロッグ）」をうまく活用できるか、否かにかかっているように思われます。
