AIの歴史(1分で押さえる)

ざっくり言うと

正確には

1956年の夏、「人工知能」という名前が生まれた

米国ニューハンプシャー州のダートマス大学で、数学者や科学者が集まる小さな研究会が開かれました。 開催は1956年の夏です。 正式な名前は「人工知能に関するダートマス夏期研究プロジェクト」といいます（※原文はDartmouth Summer Research Project on Artificial Intelligence）。 ダートマス大学の記録は、当時同大学の数学者だったジョン・マッカーシーがこの研究会を率いたと伝えています。

ここで「artificial intelligence」が、新しい研究分野の名前として使われました。 参加者が考えたのは、人の学習や知能を詳しく表せるなら、機械でも再現できるのではないか、ということです。 完成品のお披露目ではありません。 その後に長く続く研究が何を目指すのかを示した出発点です。

当時のコンピューターは大きくて高価で、扱えるデータも計算の速さも限られていました。 そこで注目されたのが、決められた規則で答えを探す探索や、記号を組み合わせて筋道をたどる方法です。 盤面や問題の範囲が狭ければ、こうした方法は力を発揮します。 ただ、散らかった現実の世界を丸ごと扱うのは難しいことでした。

期待がしぼんだ時期は「AIの冬」と呼ばれた

研究が進むにつれて、短い実演でうまく動くことと、会社や家庭の複雑な問題を解くことの差が見えてきました。 人なら常識で補える場面でも、機械には知識を一つずつ与える必要があります。 期待どおりの成果が出ず、研究資金も企業の関心も冷え込みました。 この時期は、後にAIの冬と呼ばれます。

1980年代にはエキスパートシステムが広がりました。 医師や技術者の知識を「もしAならB」のような規則へ書き出した仕組みです。 限られた分野では役に立ちました。 ただ、規則を増やし、変化に合わせて直し続けるには大きな手間がかかります。 期待が再びしぼむと、企業の導入も研究への投資も勢いを失いました。

IBMのAI史年表は、1970年代の資金縮小と、1980年代後半に進んだ関心や投資の低下を、別々の冬として説明しています。 とはいえ、冬のあいだに研究そのものが消えたわけではありません。 後に活用される学習方法や計算技術は、世間から目立たない時期にも少しずつ育っていました。

ここまでを振り返ると、同じ形の波が見えてきます。 期待がふくらみ、現実の限界が見え、新しい条件がそろって再び動き出す、という流れです。 「第何次ブームか」を暗記するより、その時に何が実物として動き、何がまだできなかったかを見るほうが役立ちます。

1997年、チェスの世界王者が負けた

1997年5月、ニューヨークで6局の勝負が行われました。 IBMのチェス専用コンピューターDeep Blueと、当時の世界王者ガルリ・カスパロフの対戦です。 最終成績はDeep Blueの3.5対2.5でした。 IBMの公式記録によると、標準的な大会時間の試合で現役の世界王者を破った初のコンピューターです。

Deep Blueは1秒間に2億通りの局面を評価できました。 想像しにくい速さですよね。 ただし、人と同じ経験や感情で盤面を眺めたわけではありません。 高速な計算とチェスの知識を組み合わせて、有力な手を探していました。 「世界王者に勝った」という一文だけでは、その強さの中身までは分かりません。

チェスは規則と勝敗がはっきりしているので、性能を比べる舞台に向いています。 一方、家族旅行の行き先を相談して全員の希望をくむような用事はどうでしょう。 正解が一つではないので、同じ方法だけでは解けません。 大きな勝利を、あらゆる知能の完成と取り違えないでください。

2016年、AlphaGoは対局を繰り返して強くなった

Deep Blueから19年後、AlphaGoは別の方法で世界を驚かせます。 Google DeepMindの記録によると、深いニューラルネットワークと探索を組み合わせた仕組みでした。 ニューラルネットワークとは、多数の計算を層状につなぎ、データの特徴を学ぶ仕組みのことです。

AlphaGoはまず、多くの棋譜から人の打ち方を学びました。 その後は自分の別の版と何度も対局し、成功や失敗を手がかりに強くなっていきます。 この学習のやり方が強化学習です。 土台にある機械学習と深層学習は、それぞれの記事で図とともに確認できます。

2016年3月、AlphaGoはイ・セドルとの対局に4勝1敗で勝ちました。 第2局の37手目は、それまでの囲碁の常識から外れた象徴的な一手として記録されています。 ただ、囲碁に強いことと、どんな家事や仕事でも任せられることは別です。

2022年11月30日、普段の言葉で試せるようになった

OpenAIは2022年11月30日、ChatGPTを研究プレビューとして公開しました。 研究プレビューとは、意見を集めながら試してもらうための公開の仕方です。 当日の発表では、続けて質問したり、誤った前提へ異議を示したりできる対話形式が紹介されました。 利用者から長所と弱点への意見を集めることも、公開の目的のひとつでした。

ChatGPTより前にも、文章を扱う研究や生成AIはありました。 大きな転機になったのは、この会話の画面が広く開かれたことです。 専門的な操作を知らない人でも、普段の言葉で結果を試せるようになりました。 冷蔵庫にある食材からの献立案、長い手紙の要点整理、仕事の下書き。 研究の成果が、暮らしの用事と直接つながりました。

2022年11月は、AIが発明された日ではありません。 1956年に掲げられた研究目標、その後に育った学習方法、計算機、データ、製品づくり。 それらが一つの会話画面にまとまり、多くの人へ届いた節目です。 技術が生まれた時期と、使いやすい製品として普及した時期は、分けて考えてください。 研究成果が広い利用へ届いた条件は、なぜ今AIが話題なのかで身近な製品からたどります。

使う場面

4つの出来事を並べてくらべる

ここまで実物を見てきました。 年号はもう暗記項目ではなく、何が変わったかを確かめる目印になります。 4つの出来事は一直線の競争ではありません。 その時代に確かめられた能力と、次へ残った課題を映しています。

この並びから分かるのは、AIの進歩が「機械が人間へ一歩ずつ近づいた」という単純な物語ではないことです。 狭い問題の計算、データからの学習、会話の画面。 別々の部品が、時期をずらして育ってきました。 ある限界を越えても、別の限界は残ります。 だから、進歩が止まったように見える落胆と、新しい条件への期待が繰り返されるのです。

4つの出来事を具体的に見た後で「期待・限界・再始動」と名付ければ、歴史の流れを短く覚える手がかりになります。 新しい発表を見るときも、次の3つを順にたどってみましょう。 何への期待か、どこまで実証されたか、以前の限界を何が変えたか。

やってみよう

今日のニュースから、強い言葉を一度外してみる

ここではAIに判定を任せません。 気になったニュースを1件選び、見出しと記事本文から判断材料を抜き出す作業だけを手伝ってもらいます。 発表本文を別に用意する必要はありません。 いつも使っているAIで新しいチャットを開き、次の依頼文へ見出しと本文を貼って送ってください。

次のAIニュースの見出しと記事本文から、判断材料だけを抜き出してください。

1. 実際に行われたことを、固有名詞・日付・数値を残して1文にする
2. 誰と何を比べたのか、試験方法と対象範囲を本文から抜き出す
3. 利用できる人・場所・条件が書かれていれば抜き出す
4. 見出しにあるのに、記事本文で根拠を確認できない強い表現を挙げる
5. 記事が参照している企業・大学などの発表元とリンクを抜き出す

推測で評価を足さず、書かれていない項目は「記載なし」としてください。

見出し:
[ここに貼る]

記事本文:
[ここに貼る]

回答が出たら、比較相手、試験方法、使える範囲が具体的かを自分で確かめてください。 そのうえで、何が前進したのかを一文で説明してみましょう。 強い見出しを外したとき、根拠が一回の実演しか残らないこともあります。 その場合は、将来への期待と確認済みの成果が混ざっているかもしれません。

仕上げに、元の記事そのものを開いてみましょう。 AIが抜き出した内容が本当に書かれているかを、自分の目で確かめてください。 記事から発表元へのリンクをたどれる場合は、その本文まで確認しておくと安心です。 手順に迷ったらファクトチェックの基本を開いてみてください。 ニュースを保存するときは、「確認できた変化」と「まだ分からないこと」を一行ずつ添えておきましょう。 自分の言葉で書いておくと、後で読み返しやすくなります。

締めに

大きな見出しほど、実物と条件を見る

この歴史から持ち帰ってほしいのは、「大きな見出しほど、実物と条件を見る」という一言だけです。 1956年の研究会から2022年の会話画面まで、4つの出来事はそれぞれ違う前進を示しました。 けれど、どれも万能な知能の完成を証明してはいません。

新しいAIを、昔の繰り返しとも万能なものとも決め付けないでください。 何が起きたのか、何と比べたのか、どこまで使えるのか。 ここを確かめてから受け止めれば、見出しに振り回されません。 演習で選んだニュースに「○○は前進した。ただし△△はまだ分からない」と一文を残しておきましょう。 そうすれば次の大見出しも、熱気ではなく、確かめられた変化から読めます。