AI: AI の歴史

最終更新：2026-08-26

AI は一朝一夕に生まれたわけではありません―70 年以上の浮き沈みを経ており、2 つの「冬」と 3 つの波がありました。AI の歴史を理解して初めて、現在の波が真の革命なのか、単なる別のバブルなのかを見極められます。

1. 学習目標

• AI の 3 つの波と 2 つの冬
• チューリング・テストの意義と限界
• エキスパートシステム → 統計的学習 → 深層学習の進化
• なぜ 2012 年の AlexNet が転換点となったか
• 2022〜2023 年の生成 AI ブームの理由

2. 就活生の実話

(1) 悩み：AI の歴史を何も知らない

面接で Charlie は「AI の発展は『冬』を迎えると思うか？」と聞かれました。彼は ChatGPT が話題になっていることしか知らず、AI の歴史については何も知りませんでした。面接官が「エキスパートシステムに詳しいか？」と追問すると、Charlie は全く答えられず、面接は唐突に終わりました。

(2) AI 年代記からの気づき

帰宅後、Charlie は AI の歴史を紐解き、AI はすでに「2 度死に、蘇った」ことを発見しました：1970 年代と 1990 年代の両方で、資金打ち切りや研究者の転職という低迷期を経験していたのです。しかし現在の第 3 の波こそ、真に何百万世帯にも届いた波なのです。

(3) 成果：歴史的視点からの判断

このコースを修了すると、Charlie は面接で自信を持って言えるようになります：「AI の歴史には 2 つの『冬』がありましたが、その都度の回復はより強力な技術をもたらしました。現在の生成 AI の波は Transformer、ビッグデータ、GPU に基づいており、以前のエキスパートシステムの波とは根本的に異なります―そのユースケースは実世界のものであり、単なる概念実証ではありません。」

3. チューリング・テスト：AI の知的出発点

1950 年、アラン・チューリングは「計算機械と知能」という論文を発表し、その中で有名なチューリング・テストを提唱しました：

graph LR
    A[人間の審査員] -->|質問する| B[隠された実体A<br/>人間か機械か]
    A -->|質問する| C[隠された実体B<br/>人間か機械か]
    B -->|回答| A
    C -->|回答| A
    A --> D{審査員は<br/>どちらが機械か見分けられるか？}
    D -->|No| E[機械は通過<br/>チューリング・テスト]
    D -->|Yes| F[機械は失敗]

graph LR
    A[人間の審査員] -->|質問する| B[隠された実体A<br/>人間か機械か]
    A -->|質問する| C[隠された実体B<br/>人間か機械か]
    B -->|回答| A
    C -->|回答| A
    A --> D{審査員は<br/>どちらが機械か見分けられるか？}
    D -->|No| E[機械は通過<br/>チューリング・テスト]
    D -->|Yes| F[機械は失敗]

(1) チューリング・テストの核心概念

機械の応答によって、人間の評価者がそれが人間か機械か見分けられないなら、その機械は知的であるとみなせます。

(2) チューリング・テストの限界

▶ サンプル：チューリング・テストでの欺瞞の事例（難易度：⭐⭐）

4. AI の 3 つの波

timeline
    title AI 発展のタイムライン
    1950s : チューリング・テスト : ダートマス会議 (1956)
    1960s-70s : エキスパートシステム時代 : 第1次AI冬の時代 (1974)
    1980s : エキスパートシステム復活 : 誤差逆伝播 (1986)
    1987-93 : 第2次AI冬の時代
    2012 : AlexNet / 深層学習革命
    2017 : Transformer アーキテクチャ
    2022 : ChatGPT / 生成AI時代

timeline
    title AI 発展のタイムライン
    1950s : チューリング・テスト : ダートマス会議 (1956)
    1960s-70s : エキスパートシステム時代 : 第1次AI冬の時代 (1974)
    1980s : エキスパートシステム復活 : 誤差逆伝播 (1986)
    1987-93 : 第2次AI冬の時代
    2012 : AlexNet / 深層学習革命
    2017 : Transformer アーキテクチャ
    2022 : ChatGPT / 生成AI時代

(1) 第 1 の波（1956〜1974）：推論と探索

▶ サンプル：第 1 の波の記号推論の代表的成果（難易度：⭐）

(2) 第 2 の波（1980〜1987）：エキスパートシステム

(3) 第 3 の波（2012〜現在）：深層学習 + 生成 AI

5. 3 つの波の比較

6. 2 つの重要な転換点

(1) AlexNet（2012）― 深層学習革命

2012 年、Alex Krizhevsky らはディープ畳み込みニューラルネットワークを用いて ImageNet 画像認識コンペティションで優勝し、準優勝よりも 10 ポイント以上低いエラー率を達成しました：

AlexNet は 3 つのことを示しました：(1) 深いネットワークは浅いものより優れる；(2) GPU は学習を大幅に高速化できる；(3) データが多いほど結果が良い。

(2) Transformer（2017）― NLP のパラダイムシフト

Google の論文「Attention Is All You Need」は Transformer アーキテクチャを導入し、NLP に革命をもたらしました：

▶ サンプル：RNN/LSTM と Transformer アプローチの比較（難易度：⭐⭐）

Transformer 以前：
  RNN/LSTM → 逐次処理 → 遅い + 長距離依存を忘れる

Transformer 以後：
  自己注意（Self-Attention） → 並列処理 → 速い + 長距離文脈を理解

7. 生成 AI のブーム（2022〜2026）

なぜ ChatGPT は 2022 年に「爆発的に有名になった」のでしょうか？それは 3 つの重要要因が重なったためです：

(3) 生成 AI の発展ペース

▶ サンプル：生成 AI の発展タイムライン（難易度：⭐）

2022-11: ChatGPT (GPT-3.5) — 2 ヶ月で 1 億ユーザー
2023-03: GPT-4 — マルチモーダル（テキスト + 画像入力）
2023-07: Llama 1 — オープンソース LLM 革命
2024-01: GPT-4 Turbo / Gemini — より長いコンテキスト
2024-07: GPT-4o — リアルタイム音声 + 視覚
2025-xx: エージェント時代 — AI が自律的にツールを使用

8. 総合例：エキスパートシステムから機械学習へ

Python で最小限の「エキスパートシステム」を実装して病気を診断し、なぜそれが機械学習に置き換わるのかを議論します：

▶ サンプル：エキスパートシステムから機械学習へ―疾患診断（難易度：⭐⭐⭐）

# ============================================
# エキスパートシステムから機械学習へ
# 医療診断の例
# ============================================

# --- エキスパートシステム：手作りのルール ---
def diagnose_expert(symptoms):
    """ルールベースの医療診断（エキスパートシステム風）"""
    if "fever" in symptoms and "cough" in symptoms:
        return "Flu"
    elif "headache" in symptoms and "fever" in symptoms:
        return "Malaria"
    elif "sneezing" in symptoms and "runny_nose" in symptoms:
        return "Common Cold"
    else:
        return "Unknown — no matching rule"

# --- エキスパートシステムをテスト ---
test_cases = [
    ["fever", "cough"],           # 期待値: Flu
    ["headache", "fever"],        # 期待値: Malaria
    ["sneezing", "runny_nose"],   # 期待値: Common Cold
    ["fever", "fatigue"],         # 期待値: Unknown（ルールの隙間！）
    ["cough", "sore_throat"],     # 期待値: Unknown（ルールの隙間！）
]

print("=== エキスパートシステム診断 ===")
for symptoms in test_cases:
    result = diagnose_expert(symptoms)
    print(f"症状: {symptoms} → 診断: {result}")

print()
print("問題: 5 件中 2 件が 'Unknown' を返す")
print("理由: 人間の専門家は全ての症状の組み合わせのルールを書けない")
print("解決策: ML に数千件の実患者記録からパターンを学習させる")

=== エキスパートシステム診断 ===
症状: ['fever', 'cough'] → 診断: Flu
症状: ['headache', 'fever'] → 診断: Malaria
症状: ['sneezing', 'runny_nose'] → 診断: Common Cold
症状: ['fever', 'fatigue'] → 診断: Unknown — no matching rule
症状: ['cough', 'sore_throat'] → 診断: Unknown — no matching rule

問題: 5 件中 2 件が 'Unknown' を返す
理由: 人間の専門家は全ての症状の組み合わせのルールを書けない
解決策: ML に数千件の実患者記録からパターンを学習させる

❓ よくある質問

---

📖 まとめ

• AI は 3 つの波を経た：記号推論（1950 年代）→ エキスパートシステム（1980 年代）→ 深層学習（2012〜現在）
• 2 つの「冬」の根本原因：過大約束 + 技術的ボトルネック（計算能力／知識獲得）
• AlexNet (2012) は深層学習、GPU、ビッグデータの威力を示し、第 3 の波を引き起こした
• Transformer (2017) は RNN の長距離依存問題を解決し、現代 NLP の礎となった
• 生成 AI のブームは、アルゴリズム（Transformer）、データ（インターネットのコーパス）、計算能力（GPU）の 3 要因が同時に成熟した必然的結果
• 歴史を理解して初めて未来を予測できる―現在の潮流は実世界の商業的価値を持ち、過去 2 回のバブルとは根本的に異なる

---

📝 練習問題

1. 基本問題（難易度：⭐）: AI の発展のタイムラインを描き、少なくとも 8 つの重要マイルストーン（2 つの「冬」を含む）にラベルを付けなさい。
2. 応用問題（難易度 ⭐⭐）: エキスパートシステムと機械学習の、それぞれ 3 つの長所と 3 つの短所を挙げ、表にまとめなさい。
3. 挑戦問題（難易度：⭐⭐⭐）: 200 字程度で書きなさい―今回の AI の波と過去 2 回の根本的な違いは何だと思いますか？再び「冬」を迎える可能性はありますか？その理由を説明しなさい。

Web-Tutorial 技術チーム

複数の開発者によって共同維持されているプログラミングチュートリアルプラットフォーム。各チュートリアルは専門分野の開発者が執筆・レビューしています。正確で信頼性の高いコンテンツを目指しています — 問題を見つけた場合はお知らせください。

私たちについて