この章で学ぶこと

G検定のシラバスは「人工知能とは」「人工知能をめぐる動向」という2つの節から始まります。ここには人工知能の定義そのものに加えて、シンギュラリティやフレーム問題のようなAI分野で議論されてきた問題、探索・推論や知識表現といった古典的なAI（第1次〜第2次AIブーム）、そしてビッグデータを背景に台頭した機械学習・ディープラーニング（第3次AIブーム）までの歴史的な流れが含まれます。個々の用語を単独で覚えるより、「なぜAIブームが起きては終わり、また起きたのか」という時系列で捉えると、後の章で学ぶ技術がどの文脈で生まれたかが理解しやすくなります。既存の学習コンテンツがない完全新規の章のため、この章がコース全体の土台になります。

人工知能の定義と議論すべき問題

人工知能（AI）という言葉に厳密な統一定義はありませんが、G検定では便宜的に、知能を持つ主体であるエージェントが果たす機能のレベルによって整理します。ルールがすべて決め打ちされている単純な制御プログラム、状況に応じて振る舞いを変える古典的な人工知能、データから規則性を学習する機械学習、そしてその中でも人間が特徴量を設計しなくても学習できるディープラーニングという4段階です。段階が進むほど「人間があらかじめ与えるルール」が減り、「データから自ら獲得する知識」が増える、という対比で捉えると整理しやすくなります。

人間が知能を持つ機械を作ろうとすると、必ず「それは本当に知能と呼べるのか」という問いにぶつかります。人工知能の研究や進化のスピードそのものが人間の想像を超える転換点を迎えるという仮説がシンギュラリティ（技術的特異点）です。逆に、AIが実用化されて当たり前になった技術は「もはやAIではない」と呼ばれなくなる現象をAI効果と呼びます（例: カーナビの経路探索はかつて最先端のAI技術でしたが、今では単なる機能として扱われます）。

AIが本当に「知能」を持つかを問う思考実験も複数出題されます。会話の受け答えだけで相手が人間かAIかを判定できなければ、その機械は知能を持つとみなしてよいとするチューリングテスト、それに対し「ルールに従って記号を変換しているだけでは意味を理解しているとは言えない」と反論する中国語の部屋があります。さらに、記号（言葉）と実世界の対象を結びつける仕組みが欠けているために起きるシンボルグラウンディング問題、知能には身体を通じた環境との相互作用が不可欠だとする身体性の主張も、AIの「理解」の限界を論じる文脈で押さえておきましょう。人間のように何でもできる強いAIと、特定タスクに特化した弱いAIという分類も、現在実用化されているAI（弱いAI）と将来像（強いAI）を区別するために重要です。

AIが現実の問題を解こうとすると生じる限界も議論されています。ある作業に必要な情報のうち、今どれが関係するかを際限なく考慮しなければならず処理が破綻するフレーム問題、知識をAIに教え込む作業自体が膨大なコストを要する知識獲得のボトルネックが代表例です。単語を1対1で置き換えるルールベース機械翻訳や、統計的な対訳データから翻訳規則を学習する統計的機械翻訳は、いずれも後の章で学ぶニューラル機械翻訳以前の手法として歴史的に押さえておく用語です。会話AIの実力を競うローブナーコンテスト、AI研究の出発点となったダートマス会議（1956年、「人工知能」という言葉が初めて使われた会議）も、歴史の節目として覚えておきましょう。人間がまだ解けていない未解決の簡易課題をトイ・プロブレムと呼び、後述する探索の実験題材としてよく使われます。

扱う用語（精選・15語）

• AI効果／エージェント／人工知能／機械学習／ディープラーニング（AIレベルの4分類）
• シンギュラリティ／強いAIと弱いAI
• チューリングテスト／中国語の部屋／シンボルグラウンディング問題／身体性
• フレーム問題／知識獲得のボトルネック
• ルールベース機械翻訳／統計的機械翻訳
• ダートマス会議／トイ・プロブレム／ローブナーコンテスト

探索・推論と知識表現

1950〜60年代の第1次AIブームを支えたのが探索・推論です。迷路やパズルのような問題を、選択肢を枝分かれさせた探索木として表現し、手あたり次第すべてを試すブルートフォース（力任せ探索）、木の浅い方から順に調べる幅優先探索、一方向を深く掘り進める深さ優先探索といった手法で解を求めます。ハノイの塔はこの探索の代表的なトイ・プロブレムです。将棋やチェスのような対戦ゲームでは、相手が自分にとって最悪の手を選ぶ前提で自分の最善手を選ぶMini-Max法、その探索範囲を絞り込んで効率化するαβ法が使われます。囲碁のように手の候補が膨大な場合は、ランダムなシミュレーションを繰り返して有望な手を評価するモンテカルロ法が有効です（第6章で学ぶAlphaGoの探索手法にもつながります）。ロボットの行動計画を記号処理で扱った初期の研究としてSTRIPS、積み木の世界で自然言語による指示を実行したSHRDLUも歴史的に重要です。

知識表現は、コンピュータが知識を扱えるように構造化する技術です。「AはBの一種である」という上位・下位関係をis-aの関係、「AはBを持つ」という所有関係をhas-aの関係、「AはBの一部である」という部分関係をpart-ofの関係と呼び、これらの関係を線で結んで表現したものが意味ネットワークです。知識の集合とその関係性を体系立てて記述する枠組みをオントロジーと呼び、Web上の情報に意味的な構造を持たせようとするセマンティックWebの構想もこの延長にあります。あらゆる一般常識を知識ベース化しようとした壮大な試みがCycプロジェクトです。

知識表現を実務で応用したのが、専門家の知識をルール化してコンピュータに判断させるエキスパートシステムです。感染症の診断支援を行ったマイシン(MYCIN)、化学物質の構造推定を行ったDENDRALが代表例で、専門家に聞き取りを行い知識ベースを構築する手法をインタビューシステムと呼びます。質問に対して的確な回答を返すQuestion Answering技術を応用したものとして、クイズ番組で人間チャンピオンに勝利したワトソン、東京大学合格を目指した東ロボくんプロジェクトも押さえておきましょう。大量データから知識を発見するデータマイニングとその応用であるウェブマイニング、対話型AIの草分けであるイライザ(ELIZA)も、知識表現・自然言語処理分野の初期研究として出題対象です。

扱う用語（精選・20語）

• 探索木／ブルートフォース／幅優先探索／深さ優先探索／ハノイの塔
• Mini-Max法／αβ法／モンテカルロ法／STRIPS／SHRDLU
• is-aの関係・has-aの関係・part-ofの関係／意味ネットワーク／オントロジー／セマンティックWeb／Cycプロジェクト
• マイシン(MYCIN)／DENDRAL／インタビューシステム
• Question Answering／ワトソン／東ロボくん／データマイニング／ウェブマイニング／イライザ(ELIZA)

機械学習とディープラーニングの誕生

第1次AIブームが「決め打ちのルールでは現実の複雑さに対応しきれない」という壁にぶつかって沈静化した後、2000年代に入ってビッグデータが使えるようになったことを背景に機械学習が台頭します（第3次AIブーム）。迷惑メールを自動判定するスパムフィルタ、購買履歴からおすすめ商品を提示するレコメンデーションエンジンは、機械学習がビジネスで広く使われるようになった代表例です。一方で、扱う特徴（次元）が増えるほど必要なデータ量が指数関数的に増え、学習が難しくなる次元の呪いという課題も知られています。文法規則を人手で書く代わりに大量の言語データから統計的に翻訳・解析する統計的自然言語処理も、この時期に発展した手法です。

ディープラーニングが世界的な転換点を迎えたのが2012年です。画像認識の精度を競う国際コンペティションILSVRC（ImageNetという大規模画像データセットを用いる）で、深層学習を用いたモデルが従来手法を大差で上回る結果を出し、以後の画像認識研究の流れを一変させました。ディープラーニングの構造的な原型は、人間の視覚野の仕組みを模したネオコグニトロンや、手書き文字認識に使われたLeNetなど、人間の神経回路を模倣する研究として1980年代から存在していましたが、当時は計算資源とデータ量の制約で実用化には至りませんでした。2016年には、囲碁AIアルファ碁(AlphaGo)が世界トップ棋士に勝利し、深層学習と強化学習を組み合わせた手法（第6章で詳しく扱います）の実力を世に知らしめました。2020年代に入ると、文章や画像を新たに作り出す生成AIが急速に普及し、G検定のシラバスでも中心的な位置を占めるようになっています（応用は第5〜6章で扱います）。

扱う用語（精選・11語）

• ビッグデータ／スパムフィルタ／レコメンデーションエンジン／次元の呪い／統計的自然言語処理
• ImageNet／ILSVRC／LeNet／ネオコグニトロン／人間の神経回路
• アルファ碁(AlphaGo)／生成AI

AIで学ぶ

ここまでの用語は、ChatGPTやClaudeなどの生成AIに以下のプロンプトを投げかけると、比較表つきでさらに深く掘り下げて学習できます。コピーして使ってみましょう。

あなたはG検定（ジェネラリスト検定）の講師です。「AIの基礎と発展の歴史」の範囲について、以下の用語を初学者向けに**関連づけながら**説明してください（単体の丸暗記より、用語同士のつながりを理解したほうが記憶に定着しやすく、試験本番で紛らわしい選択肢を見分ける力もつくためです）。年表形式で3回のAIブームのどこに位置づくかも整理し、用語同士の違いが分かる**比較表**を最後に付けてください。

【AIの定義と議論】AI効果、エージェント、AIレベルの4分類（単純な制御プログラム・古典的な人工知能・機械学習・ディープラーニング）、シンギュラリティ、強いAIと弱いAI、チューリングテスト、中国語の部屋、シンボルグラウンディング問題、身体性、フレーム問題、知識獲得のボトルネック、ルールベース機械翻訳、統計的機械翻訳、ダートマス会議、トイ・プロブレム、ローブナーコンテスト
【探索・推論と知識表現】探索木、ブルートフォース、幅優先探索、深さ優先探索、ハノイの塔、Mini-Max法、αβ法、モンテカルロ法、STRIPS、SHRDLU、is-aの関係、has-aの関係、part-ofの関係、意味ネットワーク、オントロジー、セマンティックWeb、Cycプロジェクト、マイシン(MYCIN)、DENDRAL、インタビューシステム、Question Answering、ワトソン、東ロボくん、データマイニング、ウェブマイニング、イライザ(ELIZA)
【機械学習とディープラーニングの誕生】ビッグデータ、スパムフィルタ、レコメンデーションエンジン、次元の呪い、統計的自然言語処理、ImageNet、ILSVRC、LeNet、ネオコグニトロン、人間の神経回路、アルファ碁(AlphaGo)、生成AI

AIに用語リストだけを渡すと、辞書をそのまま読み上げるような無機質な説明が返ってくることがあります。このプロンプトが役割設定（試験の講師として振る舞わせる）・年表形式での整理（3回のAIブームのどこに位置づくか）・比較表（出力形式）の3つを指定しているのはそれを避けるためです。この章は歴史の流れが理解の軸になるため、年表で整理させることが特に効果的です。

章末チェック

最後に、この章で学んだ知識をアウトプットして定着させましょう。全問に答えたら「答え合わせ」を押してください。

この章のまとめ

この章では、AIレベルの4分類を軸に、シンギュラリティやフレーム問題などAI分野で議論されてきた問題、探索・推論や知識表現といった古典的なAI、そしてビッグデータを背景に台頭した機械学習・ディープラーニングまでの歴史の流れを学びました。ここで押さえた「AIブームは何度も起きては終わってきた」という視点は、この後の章で学ぶ技術がなぜ・いつ生まれたかを理解する土台になります。

次章では、その機械学習がどのような仕組みで動いているのか、教師あり学習・教師なし学習・強化学習という3つの基本的な学習方式を学びます。→ 第2章 機械学習の基礎