本文へ移動
← 目次 生成AI発展講座 DAY 09

第2章|人工知能をめぐる動向

DAY 09 ・ 約30分

三度のAIブームと冬の時代

期待・限界・計算資源・データの関係から歴史を読む。

今日できるようになること

三度のAIブームを代表技術・期待・限界から説明し、流行語ではなく、能力・資源・評価・社会実装の条件から現在のAIを判断できる。

01 言葉を知る02 仕組みを理解する03 実例で理解する04 今日の理解度を確認する05 今日の整理をする
01|言葉を知る

言葉を知る

用語を暗記するだけでなく、似た概念との違いと、何を判断するための言葉かまで整理します。

第1次AIブーム

1950年代後半から1960年代を中心に、探索・推論・ゲームなど、記号を使って問題を解く研究への期待が高まった時期です。

第2次AIブーム

1980年代を中心に、専門家の知識を規則として扱うエキスパートシステムが企業利用へ広がった時期です。

第3次AIブーム

2010年代以降、大量データ、計算資源、機械学習・深層学習の進歩により、画像・音声・言語などの性能が大きく向上した時期です。

AIの冬

期待に対して成果・費用・実用化が追い付かず、研究資金や社会的関心が縮小した時期を指す表現です。研究が完全に停止したわけではありません。

パーセプトロン

入力へ重みを付けて合計し、境界で二つのクラスを分ける初期の学習モデルです。単層では線形分離できない問題を扱えません。

過度な期待

限定条件での成果を一般能力へ広げ、必要なデータ・費用・失敗条件を確認せず短期間の実用化を見込むことです。

ダートマス

1956年のダートマス研究提案では、学習や知能の側面を十分正確に記述できれば、機械で模擬できるという研究計画が示されました。

02|仕組みを理解する

仕組みを理解する

1.第1次ブームは、機械で推論できる可能性を示した

1956年のダートマス研究提案では、学習や知能の側面を十分正確に記述できれば、機械で模擬できるという研究計画が示されました。探索、定理証明、ゲーム、自然言語など、知的と考えられていた課題を計算手順へ変える研究が進みました。小さく整理された問題では、コンピューターが人の予想を超える結果を出しました。 成功の意味は、知能全体を実現したことではありません。状態、規則、ゴールが明確な閉じた世界で、探索と推論が働くことを示しました。研究者の将来予測や報道では、限定課題の進歩から一般的な知能へ短期間で到達する期待が生まれました。実験条件と現実世界の差が、後の失望につながります。

2.現実の常識と計算量が、第1次ブームの壁になった

小さな迷路やパズルで動く方法を、現実の会話や行動へ広げると候補が急増します。必要な常識を人がすべて記述することもできません。機械翻訳では、単語と文法だけで文化、状況、曖昧さを扱う難しさが現れました。計算機の速度と記憶容量も現在より大幅に小さく、探索を深く広げられませんでした。 単層パーセプトロンには、一本の直線で分けられないXORのような問題を表現できない限界があります。当時、多層モデルを実用的に学習させる方法と計算資源は十分ではありませんでした。限界の指摘自体は重要でしたが、ニューラルネットワーク全体が不可能と証明されたわけではありません。研究投資と期待が縮小しても、基礎研究は続きました。

3.第2次ブームは、専門知識を企業システムへ持ち込んだ

1980年代には、専門家の判断を規則として保存するエキスパートシステムが注目されました。医療、鉱物探索、機器設定、保守など、対象範囲を限定すれば、専門知識を繰り返し適用し、判断経路を説明できます。企業はAIを研究室の実験だけでなく、業務システムとして導入しようとしました。 知識ベースと推論エンジンを分ける設計は、現在のルールエンジンや意思決定支援にも残っています。第2次ブームを「古い失敗」と片付けると、明示規則の価値を見落とします。一方、成功事例があることと、あらゆる専門判断を規則化できることは別です。適用範囲を広げるほど、知識の収集と保守が難しくなりました。

4.知識獲得と保守費用が、第2次の期待を縮めた

専門家が無意識に使う判断を聞き出し、矛盾のない規則へ変えるには時間がかかります。規則が数千、数万と増えると、一つの変更が別の結論へ影響します。制度、製品、病気、顧客行動が変われば更新が必要です。専用ハードウェアや開発環境の費用も負担になりました。 期待が大きい時期には、試作が動くことと、長期間運用できることが混同されます。正解率だけでなく、知識更新の担当、障害時の責任、既存業務との接続、総費用を確認しなければなりません。投資が縮小した理由を技術性能だけに求めず、保守と事業価値を含めて読むことが重要です。

5.第3次ブームは、データから表現を学ぶ力を広げた

2000年代以降、インターネットやセンサーから大量データを得やすくなり、GPUなどの並列計算を利用できるようになりました。学習方法の改善と組み合わさり、2010年代には深いニューラルネットワークが画像認識、音声認識、自然言語処理で大きな成果を示しました。人が特徴を全部規則化せず、データから多層の表現を学べる点が重要です。 2012年のImageNet画像認識競技で深層畳み込みネットワークが誤り率を大きく下げた成果は、採用を加速させました。その後、深層強化学習、囲碁、Transformer、生成AIへ応用が広がりました。ただし「データがあれば何でも学べる」のではありません。データの偏り、目的関数、計算費用、未知条件、権利と安全が新しい制約になります。

6.三つのブームは、完全な交代ではなく積み重なりである

探索と記号推論が消えて機械学習だけになったわけではありません。ゲームAIや経路計画では探索を使い、契約条件や権限には規則を使い、画像や文章の曖昧なパターンには学習を使います。現在のAIエージェントも、言語モデルだけでなく検索、計画、データベース、ルール、人の承認を組み合わせます。 歴史を「第一は失敗、第二も失敗、第三が正解」と覚えると誤ります。それぞれが解ける問題を広げ、限界を明らかにし、次の方法へ知識を残しました。ブームの年代や名称には資料によって幅があります。境界年の暗記より、何が可能になり、何が足りず、どの条件が後に変わったかをつなげます。

7.現在の生成AIにも、ブームと冬の教訓を使う

生成AIが自然な文章や画像を作れる成果から、事実理解、長期計画、責任ある自律行動まで自動で保証されるわけではありません。実演が成功しても、通常業務のばらつき、例外、費用、権限、監視を含めた運用評価が必要です。限定した成功を一般能力へ拡大する誤りは、過去と同じです。 一方、「以前も冬が来たから現在もすべて失敗する」と決めるのも誤りです。現在はデータ、計算資源、基盤ソフト、利用者規模が過去と違います。悲観か楽観かではなく、能力の実測、継続費用、失敗時の影響、代替手段を比較します。ブームの教訓は未来を予言することではなく、判断項目を増やすことです。

8.DAY 9では、一つのAI主張を歴史の物差しで読む

最近見たAI製品の主張を一つ選びます。何ができると実演されたか、どの条件で評価したか、現実利用で追加される例外は何かを書いてください。次に、必要なデータ、計算資源、専門知識、保守担当を分けます。公開時の能力と、将来できるという予測を別の欄にします。 最後に、探索・規則・学習のどれが使われているか、または組み合わされているかを考えます。「第3次ブームのAIだから新しい」で終わらず、過去の技術との連続性、今回変わった条件、まだ残る限界を説明できれば、歴史を判断へ使えています。

9.年代は、出来事の線ではなく重なりとして読む

AIブームの開始年と終了年は、資料によって異なります。研究成果、報道、投資、企業導入は同じ日に変わらないからです。米国で投資が縮小しても、別の国や分野では研究が続きます。ニューラルネットワーク、統計学習、記号推論も並行して発展しました。 試験学習では代表的な順序を押さえつつ、境界年だけを絶対視しません。出来事ごとに「技術上の成果」「社会の期待」「利用できた資源」「実運用」を分けます。こうすると、一つの成功や失敗が分野全体を即座に変えたという誤解を避けられます。

10.ブーム期ほど、比較基準を先に固定する

新製品が相次ぐ時期は、更新のたびに評価項目を変えると、何が改善したか分からなくなります。代表的な通常例、難しい例、重大な失敗、費用、処理時間、人の修正時間を固定し、同じ条件で比較します。発表企業のベンチマークと、自分の利用評価を分けます。 導入後もモデル名だけを追わず、目的を満たす限り現行方式を維持する選択があります。新方式へ変えるなら、移行費用と後退項目も記録します。流行へ遅れないことより、判断基準を失わないことが、過度な期待と過度な失望の両方を防ぎます。

03|実例で理解する

実例で理解する

具体例で考える

会社が「問い合わせの完全自動化」を提案された場面を考えます。デモでは代表的な質問へ自然に答えました。しかし、過去のブームと同じ物差しで、対象範囲、例外、知識更新、費用、責任を確認します。新しい言語モデルが文章を作っても、料金規則、顧客情報、返金権限は別の仕組みです。 まず、上位50種類の質問だけを下書き対象にし、根拠資料と正答率を測ります。規則が安定した料金計算はルールエンジン、曖昧な分類は学習モデル、送信と返金は人の承認へ分けます。制度変更時に誰が資料とテストを更新するかも決めます。 結果がよければ段階的に広げます。「生成AIだから全部できる」「以前のAIは失敗したから使えない」の両方を避け、技術ごとの役割と運用条件から導入を判断します。 導入前の基準として、根拠付き正答率、重大な誤案内の件数、人が直す時間、一件当たり費用、応答時間を固定します。新しいモデルへ替えるときも同じ問い合わせ集合で比較し、改善した項目と悪化した項目を分けます。平均点が上がっても、解約や返金に関する重大な誤りが増えれば自動範囲を広げません。 三か月後には、制度変更へ追随できたか、担当者がログを読めたか、利用者が人へ切り替えられたかを確認します。試作の成功と継続運用の成功を分けることで、ブーム期の期待を具体的な検証へ置き換えられます。半年後にも同じ指標で振り返り、利用範囲を広げるか、維持するか、縮小するかを決めます。継続判断を最初に予定へ入れておけば、期待だけで拡大し続けることを防げます。撤退条件も導入条件と同じ時点で決めておきます。

手を動かして理解する

  1. 提供ケース「紙に描いた小さな配送経路を、状態・行動・ゴール・規則へ分解する」または自分が説明できる身近な事例を一つ選び、DAY9「三度のAIブームと冬の時代」の判断観点で整理してください。提出物には、①対象と目的、②本文の用語を使った判断、③判断の根拠、④未確認事項または限界を記します。最後に学習目標「三度のAIブームを代表技術・期待・限界から説明し、流行語ではなく、能力・資源・評価・社会実装の条件から現在のAIを判断できる。」を満たす説明になっているか自己確認してください。紙または端末の標準メモだけで実施でき、外部サービスへの登録や有料契約は不要です。 実在人物の個人情報、機密情報、未公開資料は使わず、架空または匿名化した情報だけを使ってください。

04|今日の理解度を確認する

今日の理解度を確認する

1 / 5
QUESTION 01

第1次AIブームを代表する技術の組合せはどれですか。

QUESTION 02

第2次AIブームで注目されたものはどれですか。

QUESTION 03

AIの冬を理解する説明として適切なものはどれですか。

QUESTION 04

第3次AIブームを支えた条件として適切なものはどれですか。

QUESTION 05

現在の生成AIを歴史の教訓から評価する態度はどれですか。

05|今日の整理をする

今日の整理をする

この3点を持ち帰る

  • ✓ AIブームは、限定課題の成功と一般化への期待の差から読む
  • ✓ AIの冬でも研究は続き、探索・規則・学習は現在も組み合わされている
  • ✓ 現在の技術も、能力・データ・計算・保守・社会実装を分けて評価する

講義本文 4,082字

PRIMARY SOURCES

確認に使った一次資料・原典

本文は各資料を参照し、初学者向けに独自構成・独自表現で解説しています。
NEXT LESSONDAY 10「機械学習とディープラーニングへの転換」へ次のDAYに進む →