メインコンテンツへスキップ
見出し画像
Photo bydreamy_boar9935

G検定#03|AIはどう進化したのか?ブームと衰退の70年の歴史【1-2】

    皆さん、ご安全に!! 技術屋たかちゃんです。

    かつてのコンピューターは、人間が決めた手順を正確に実行する機械でした。それが今では、人間が考えているかのような受け答えをします。

    なぜ、これほど大きな変化が起きたのでしょうか。

    その背景には、約70年にわたる研究の積み重ねと、何度もの停滞がありました。AIの歴史をたどると、現在の技術が生まれた理由が見えてきます。

    AIはいつ生まれたのか?

    人工知能は、英語でArtificial Intelligenceといいます。略してAIです。

    1956年、アメリカで開かれた「ダートマス会議」は、人工知能研究の出発点として知られています。研究者たちは、人間が行う学習や推論などの知的な処理を、機械で実現しようと考えました。

    ただし、AIには現在も世界共通の厳密な定義がありません。何をもって知能と呼ぶのか、簡単には決められないからです。

    ここで、AIとロボットの違いも整理しておきましょう。

    AIは、情報を処理して判断するための技術です。一方、ロボットは、センサーやモーターなどを使って現実の世界で動く機械です。AIを搭載したロボットもあれば、あらかじめ決められた動作を繰り返すロボットもあります。

    AIが頭脳に相当するなら、ロボットは身体に相当すると考えると分かりやすいでしょう。

    AIはどのように進化したのか?

    第1次AIブーム
    相棒のAI(アイ)君が調べたところでは、初期のAIは、人間が設定したルールに従って問題を解く方式(トイプロブレムしか扱えない)が中心でした。条件に応じて動作を切り替える仕組みです。工場の自動制御にも通じる考え方ですね。
    衰退原因:複雑な現実問題は解けないことからブーム急速に冷めた。

    第2次AIブーム
    その後、専門家の知識やルールを使って推論する古典的AIが発展しました。エキスパートシステムと呼ばれるシステムがたくさん作られました。しかし、現実の問題は複雑です。あらゆる状況を想定してルールを設定するには、膨大な手間がかかりました。
    衰退原因:知識の蓄積・管理の大変さが明らかになり再び冬の時代に

    第3次AIブーム
    そこで登場したのが機械学習です。人間がすべてのルールを記述するのではなく、データから規則性を学習させる方法です。

    さらに、ディープラーニングという技術が発展しました。これは、人間の脳の神経回路を参考にした多層の計算モデルを使い、データに含まれる特徴を自動的に学習する技術です。

    ディープラーニングの発展には、大量のデータ、GPUと呼ばれる並列計算に適した半導体、そして学習手法の改良が重要な役割を果たしたそうです。

    こうした技術の進歩によって、画像や音声を認識するAIの性能が向上し、実社会での活用が進みました。

    なぜAIは何度も冬を迎えたのか?

    AIの歴史には、期待が高まったブームの後に研究や投資が停滞する「AIの冬」があります。

    初期のAIは、トイプロブレムと呼ばれる迷路や簡単なパズルなど、条件が限られた限定的な問題を解くことには成功しました。しかし、現実世界には例外や不確実な状況が数多くあります。限定された問題で成果を出せても、それをそのまま実社会に応用するのは困難でした。

    また、専門家の知識を集めてルール化する方法(知識の管理)にも限界がありました。知識の収集に時間がかかるうえ、状況が変わればルールを更新する必要があったからです。

    期待された成果が得られなければ、研究への投資は減少します。こうしてAI研究は何度も停滞しました。

    その状況を変えたのが、2010年代のディープラーニングの発展です。さらに2020年代には、文章や画像を生成するAIが急速に普及しました。この動きを「第4次AIブーム」と呼ぶこともあります。

    AIエージェントは何が違うのか?

    近年、注目されている技術に「AIエージェント」があります。

    一般的なチャットAIは、質問に対して回答を生成する使い方が中心です。一方、AIエージェントは、与えられた目標に向けて手順を考え、必要なツールを使いながら作業を進めます。

    例えば、「出張の準備をして」と指示した場合、情報を集め、候補を比較し、予定を整理するといった作業が考えられます。システムによっては、予約などの操作も実行できます。

    ただし、実行できる範囲は、利用できる機能や与えられた権限によって異なります。AIに任せられる作業と、人間が確認すべき作業を区別することが重要になるようです。

    AIが進歩すると、AIではなくなる?

    かつては高度な知能が必要だと考えられていた処理も、技術として実現し、広く普及すると、単なる自動化として扱われることがあります。この現象は「AI効果」と呼ばれます。

    AIの発展は、機械が人間に近づくことだけを意味しません。これまで人間にしかできないと思われていた仕事の一部が、技術によって機械でも実行できるようになることでもあります。

    大切なのは、AIを万能な存在として扱うことでも、単なる流行として片づけることでもありません。仕組みを理解し、何を任せられるのか、どこで人間の判断が必要なのかを見極めることだと思います。

    技術屋たかちゃんでした。ご安全に!!


    G検定 連載
    前回:

    次回:

    目次(マガジン):


    人工知能研究の歴史:

    第1次AIブーム(1950年代〜1960年代)

    • 特徴: コンピューターによる推論・探索の研究が進展しました。

    • 成果: 迷路、チェス、数学の定理証明など、ルールが明確な問題(トイ・プロブレム)が解けるようになりました。

    • 挫折(冬の時代): パズルなどの単純な問題は解けても、現実世界の複雑な問題に対応できない「トイ・プロブレムの限界」に直面し、1970年代に冬の時代へ突入しました。

    第2次AIブーム(1980年代)

    • 特徴: 専門家の膨大な知識をコンピューターに蓄積させたエキスパートシステムが実用化されました。

    • 成果: 医療診断や対話システムなど、実務分野でのAI活用が進みました。

    • 挫折(冬の時代): 人間が持つ一般常識や膨大なルールのすべてを教え込むことは事実上不可能であること「知識獲得のボトルネック」に直面し、1990年代半ばに冬の時代へ突入しました。

    第3次AIブーム(2010年代〜)

    • 特徴: 機械学習およびディープラーニングの実用化により到来しました。囲碁AI(AlphaGo)がプロ棋士に勝利したことなども注目を集めました。

    • ブームを支えた3大要因:

      1. ビッグデータ: インターネット普及により大量のデータを収集可能になったこと。

      2. GPU(計算資源): 演算性能の向上により膨大なデータを高速処理できるようになったこと。

      3. ディープラーニング: 脳構造を模し、データから自動で特徴量を抽出できるようになったこと。

    生成AI・第4次AIブーム(仮)

    • 特徴: 画像生成やLLM(大規模言語モデル)の登場により、自然な文章生成や多様なタスク処理が可能になりました。

    • ChatGPTの衝撃: 専門知識がなくても誰もが実用的なAIを活用できるようになり、一部の専門家は「第4次AIブーム(仮)」に突入したと位置づけている人もいます。


    G検定重要用語集:AIの歴史と進化

    1. AIの誕生と基本概念

    ① 人工知能(AI:Artificial Intelligence)

    人間が行う学習、推論、認識、判断などの知的な処理をコンピューターで実現する技術の総称。現在も世界共通の厳密な定義はなく、研究分野や時代によって対象範囲が異なる。

    ② ダートマス会議(1956年)

    1956年にアメリカで開催された人工知能に関する研究会議。ジョン・マッカーシーらが中心となり、Artificial Intelligenceという名称が提案された。AI研究の出発点として広く知られている。

    ③ ジョン・マッカーシー(John McCarthy)

    アメリカの計算機科学者で、Artificial Intelligenceという名称を提案した人物。1956年のダートマス会議を主催した中心人物の一人であり、LISPというプログラミング言語の開発でも知られる。

    ④ AIとロボットの違い

    AIは学習や判断などの情報処理を実現する技術であり、ロボットはセンサーやモーターなどを使って物理的に動作する機械。AIを搭載したロボットもあるが、すべてのロボットにAIが必要なわけではない。

    2. AIの歴史とAIブーム

    ⑤ 第1次AIブーム(1950年代後半〜1960年代)

    探索や推論など、論理的な処理を中心にAI研究が発展した時代。迷路やパズルなど、限定された条件下で問題を解くことに成功した。しかし、現実の複雑な問題への応用には限界があった。

    ⑥ 探索(Search)

    問題の解決に向けて、可能な選択肢や状態を調べながら解を見つける手法。迷路の経路探索やゲームの次の一手の決定などに利用される。幅優先探索や深さ優先探索などが代表例。

    ⑦ 推論(Inference)

    既知の事実やルールを組み合わせ、新しい結論を導き出す処理。例えば「人間は生物である」「Aさんは人間である」という知識から「Aさんは生物である」と判断するような仕組み。

    ⑧ トイプロブレム(Toy Problem)

    迷路やパズルのように、条件やルールが限定された単純な問題。初期のAI研究では、こうした問題を解くことで探索や推論の能力が研究された。現実世界の複雑な問題への応用には限界があった。

    ⑨ AIの冬(AI Winter)

    AIへの過剰な期待に対して実用的な成果が追いつかず、研究資金や投資が減少して研究開発が停滞する時期。代表的には1970年代と1980年代後半以降に発生した。AIの歴史を理解する重要な概念。

    ⑩ 第2次AIブーム(1980年代)

    専門家の知識や判断ルールをコンピューターに登録し、推論によって問題を解決する研究が盛んになった時代。エキスパートシステムが注目されたが、知識の収集や更新に多大な労力が必要だった。

    ⑪ エキスパートシステム(Expert System)

    特定分野の専門家が持つ知識や判断ルールをコンピューターに登録し、その知識を使って問題を解決するシステム。医療診断や故障診断などに利用された。知識獲得の難しさが課題となった。

    ⑫ 知識ベース(Knowledge Base)

    エキスパートシステムなどで利用する専門知識や事実、ルールを蓄積したデータベース。推論エンジンが知識ベースの情報を参照して結論を導く。知識の追加や更新が必要になる。

    ⑬ 知識獲得のボトルネック(Knowledge Acquisition Bottleneck)

    専門家の持つ知識や経験を収集し、コンピューターが利用できる形式に変換することが難しい問題。エキスパートシステムの普及を妨げた主要な要因の一つ。

    ⑭ 第3次AIブーム(2010年代〜)

    機械学習やディープラーニングの発展によって、画像認識や音声認識などの性能が大きく向上した時代。大量のデータ、GPUによる計算能力の向上、学習手法の進歩が発展を支えた。

    3. AIを発展させた主要技術

    ⑮ 機械学習(Machine Learning)

    コンピューターがデータから規則性やパターンを学習し、予測や分類を行う技術。人間がすべての判断ルールを記述する必要がない点が特徴。教師あり学習、教師なし学習、強化学習などに分類される。

    ⑯ ディープラーニング(Deep Learning)

    多層のニューラルネットワークを使い、データから特徴や規則性を自動的に学習する技術。画像認識や音声認識、自然言語処理などで大きな成果を上げ、第3次AIブームを支えた中心技術。

    ⑰ ニューラルネットワーク(Neural Network)

    人間の脳の神経細胞のつながりを参考に設計された計算モデル。入力層、隠れ層、出力層などで構成され、各層のニューロンが重み付けされた情報を処理する。ディープラーニングの基盤となる。

    ⑱ GPU(Graphics Processing Unit)

    大量の計算を並列に処理することに適した半導体プロセッサ。もともとは画像処理向けに発展したが、ニューラルネットワークの学習に必要な行列演算との相性がよく、ディープラーニングの発展を支えた。

    ⑲ 特徴量(Feature)

    データに含まれる、予測や分類に役立つ情報を数値で表現したもの。従来の機械学習では人間が特徴量を設計することが多かったが、ディープラーニングでは特徴量の抽出もモデルが学習できる。

    4. 近年のAIと新しい概念

    ⑳ 第4次AIブーム

    生成AIや大規模言語モデルの急速な普及を背景に、2020年代のAIの動きを第4次AIブームと呼ぶことがある。ただし、AIブームの回数や区分には統一された公式基準があるわけではない。

    ㉑ 生成AI(Generative AI)

    大量のデータから学習したパターンをもとに、文章、画像、音声、動画、プログラムなどの新しいコンテンツを生成するAI。従来の分類・予測を中心とするAIとは異なり、コンテンツの生成を主な目的とする。

    ㉒ 大規模言語モデル(LLM:Large Language Model)

    大量のテキストデータを使って学習した言語モデル。文章の理解や生成、要約、翻訳、質問応答などを実行できる。多くのLLMはTransformerというニューラルネットワークの構造を基盤としている。

    ㉓ AIエージェント(AI Agent)

    与えられた目標を達成するために、状況を判断し、計画を立て、必要に応じて外部ツールなどを利用しながら処理を進めるAIシステム。単純な質問応答だけでなく、複数の手順を伴う作業の実行を目指す。

    ㉔ AI効果(AI Effect)

    AIによって実現された技術が普及し、当たり前の機能として認識されると、それがAIとして意識されなくなる現象。かつて高度な知能が必要と考えられた処理も、実用化されると単なる自動化として扱われることがある。

     
     
    ご安全に!技術屋たかちゃんです! 「これって実際どうなの?」という日常の疑問を、エンジニアの視点で相棒のAI(アイ)君と一緒に調べて、3つのテーマ(AI、安全、暮らしの技術) をわかりやすく解説しています。技術や社会の仕組みを知ると世の中の見え方が少し変わるかもしれません。

    あなたへのおすすめ