【3度のAIブーム🌈】AIの歴史的経緯と各ブームの特徴について：G検定合格講座 No.7

前回のお復習い📗

復習を大切にして、確実にインプットした
知識を自分の記憶に留めておきましょう！

AIの歴史を紐解く「3度のAIブーム」🌈

AI（人工知能）は、現代社会を語る上で欠かせないキーワードです。
しかし、その発展は常に順風満帆だったわけではありません。
研究の進展、技術的課題、そして社会からの期待と失望を繰り返し、これまでに3度の大きな「ブーム」と、その間の「冬の時代」を経験してきました。

G検定では、このAIの歴史的経緯と、それぞれのブームがなぜ起こり、なぜ終焉を迎え、そして現在のブームがなぜこれほどまでに社会に浸透しているのかを深く理解しているかが問われます📝

AIブームとは？

AIブームとは、AI研究への社会的関心と投資が爆発的に高まり、実用化への期待が最高潮に達する時期を指します。
しかし、過度な期待に応えきれない技術的限界に直面すると、関心が薄れ、研究資金が途絶える「AIの冬」と呼ばれる停滞期に突入します。
このサイクルを理解することが、AIの現在地と未来を考察する上で不可欠です。

✅総務省｜平成28年版情報通信白書
人工知能（AI）研究の歴史

第1次AIブーム（1950年代後半～1960年代）：「探索と推論の時代」

• 「人工知能」の誕生: 1956年の「ダートマス会議」において、計算機科学者のジョン・マッカーシーによって"Artificial Intelligence"（人工知能）という言葉が初めて提唱されました。この会議は、AIが独立した研究分野として確立される契機となりました。

• 「記号処理」アプローチの隆盛: 人間の知能を、記号（シンボル）の操作と論理的推論によって模倣しようとするアプローチが主流でした。これは、人間の思考を「記号の組み合わせと操作」として捉える発想に基づいています。

• 主な研究テーマ:

  • 探索（Search）: パズルやゲーム（チェスなど）において、最適な手順や解を効率的に見つけ出すための探索アルゴリズム（例：探索木、幅優先探索、深さ優先探索）の研究。

  • 推論（Reasoning）: 論理学に基づき、「もしAならばBである」といったルールを使って、既知の事実から新たな事実を導き出す研究。

  • ヒューリスティクス: 厳密な最適解でなくとも、経験則や直感に基づき「より良い」解を素早く見つけるための探索・推論の手法。

代表的な研究・成果:

• Eliza（イライザ, 1966年）: マサチューセッツ工科大学（MIT）のジョセフ・ワイゼンバウムが開発した、医師と患者の対話を模倣するプログラム。キーワードに反応して定型文を返すのみでしたが、当時の人々にはまるで人間と会話しているかのような錯覚を与え、大きな話題となりました。

• GPS (General Problem Solver, 1957年): カーネギーメロン大学のハーバート・サイモンらが開発。あらゆる問題を解ける汎用的なシステムを目指しましたが、限定的な「トイ・プロブレム（toy problem）」と呼ばれる単純な問題でしか実用的な成果を出せませんでした。

限界とブーム終焉の要因（「AIの冬」の到来）:

• 「組み合わせ爆発（Combinatorial Explosion）」: 現実世界の複雑な問題は、考慮すべき選択肢が爆発的に増大するため、当時の計算能力では全ての可能性を探索することが不可能でした。

• 「トイ・プロブレムからの脱却困難」: 限られた単純な問題しか解けず、現実世界の複雑さには対応できませんでした。

• 「常識の欠如」: 人間が無意識に持っている大量の常識的知識（例：「水は上から下に流れる」「雨が降ったら傘をさす」など）をAIに教え込むことが極めて困難でした。記号だけで意味を表現することの限界が露呈しました。

• 計算資源の制約: 当時のコンピュータの計算能力や記憶容量が不十分でした。

第2次AIブーム（1980年代）：「エキスパートシステムの時代」

• 計算機能力の向上: 第1次ブーム時よりもコンピュータの処理速度や記憶容量が向上しました。

• 「知識ベース」アプローチの台頭: 特定の専門分野において、人間の専門家が持つ知識（経験則、ノウハウ）をコンピュータに「知識ベース」として蓄積し、それに基づいて推論を行う**「エキスパートシステム」**が研究の中心となりました。

• 「ルールベース」: 知識は「もしAならばBである」といった形式のルールとして記述されました。

代表的な研究・成果:

• MYCIN（マイシン, 1970年代後半）： スタンフォード大学で開発された、血液感染症の診断と治療法を提案するエキスパートシステム。当時の医師と同等以上の診断精度を持つとされ、大きな期待を集めました。

• XCON（旧R1）： DEC（Digital Equipment Corporation）社が開発した、コンピュータシステムの構成を設計するエキスパートシステム。実際に業務に導入され、数千万ドルのコスト削減に貢献したと報告され、産業界からの注目度を高めました。

限界とブーム終焉の要因（再び「AIの冬」の到来）:

• 「知識獲得のボトルネック（Knowledge Acquisition Bottleneck）」: 専門家の持つ膨大かつ暗黙的な知識を、コンピュータが理解できる形式（ルール）に変換して知識ベースに登録する作業が、極めて困難で時間とコストがかかることが判明しました。専門家が知識を言語化することの難しさも浮き彫りになりました。

• 知識ベースの維持・更新の困難さ: 専門知識は常に変化するため、知識ベースを最新の状態に維持・更新することが非現実的でした。

• 限定的な適用範囲: 特定の専門分野には強いものの、少しでも想定外の状況や専門外の領域になると、全く対応できないという柔軟性の欠如が露呈しました。

第3次AIブーム（2000年代後半～現在）：「機械学習、特にディープラーニングの時代」

• ビッグデータの爆発的増加: インターネット、スマートフォン、IoTデバイスの普及により、画像、音声、テキスト、行動履歴など、AIが学習するための膨大なデータが安価かつ容易に入手可能になりました。

• 計算資源の飛躍的向上（特にGPU）: ゲームや画像処理用に開発されたGPU（Graphics Processing Unit）が、AIの複雑な計算（特にニューラルネットワークの学習）に非常に適していることが発見され、並列計算能力が劇的に向上しました。これにより、以前は計算不可能だった大規模なモデルの学習が可能になりました。

• アルゴリズムの進化（「ディープラーニング」の登場）:

  • ニューラルネットワークの多層化: 過去にも存在したニューラルネットワークが、多層（「ディープ」）にすることで、より複雑なパターンを学習できるようになりました。

  • 「表現学習（Representation Learning）」の実現: これまでの機械学習では、人間がデータの特徴（例：画像なら「これは猫の耳だ」）を設計してAIに教えていましたが、ディープラーニングはデータそのものから、そのデータが持つ本質的な「特徴量」をAIが自動的に学習できるようになりました。これが大きなブレークスルーとなりました。

代表的な研究・成果:

• 画像認識: 2012年のImageNet画像認識コンペティションで、ディープラーニングを用いたモデル（AlexNet）が圧倒的な性能を示して優勝したことを皮切りに、精度が飛躍的に向上。顔認証、物体検出、自動運転への応用が進展。

• 音声認識: スマートフォンやスマートスピーカー（Amazon Alexa, Google Assistantなど）への搭載により、自然な音声での対話が可能に。

• 自然言語処理: 機械翻訳の精度向上、テキスト要約、感情分析、そして特に注目されているのが、ChatGPTなどの「生成AI（Generative AI）」の登場です。人間が書いたかのような自然な文章や画像を生成できるようになり、社会に大きなインパクトを与えています。

• 強化学習: Google DeepMind社の「AlphaGo（アルファ碁）」が囲碁の世界トップ棋士を打ち破り、AIの能力の高さと、未知の状況から学習する能力を示しました（2016年）。

• 実社会への広範な応用: 自動運転、医療診断、金融取引、製造業の品質管理など、あらゆる産業分野でAIの導入が進んでいます。

現在の課題（G検定で最重要視されるポイント）: 第3次AIブームはかつてない規模で社会に変革をもたらしていますが、同時に新たな、そして深刻な課題を提起しています。

• 倫理的問題:

  • 公平性・バイアス: 学習データに存在する偏見をAIが学習し、差別的な判断（例：採用、融資、司法）を下すリスク。

  • プライバシーの侵害: 大量の個人データの収集・分析による監視社会化や情報漏洩のリスク。

  • 説明責任と透明性（Explainable AI: XAI）: ディープラーニングが「ブラックボックス」であり、なぜその判断に至ったのか人間が理解しにくい問題。特に医療や法的な判断において重要。

  • 悪用: ディープフェイクによるフェイク情報の拡散、自律型兵器システム（LAWS）の開発など、AIが悪意ある目的に利用されるリスク。

• 雇用への影響: AIやロボットによる定型業務の自動化に伴う雇用の喪失、新たな職種の創出、そして「リカレント教育」「リスキリング」の必要性。

• 法整備の遅れ: AI技術の急速な進展に、関連法規（自動運転の事故責任、AI生成コンテンツの著作権、個人情報保護など）の整備が追いついていない現状。

• デジタルデバイド・格差の拡大: AI技術やそれを利用できる環境・知識の有無による経済格差や情報格差の拡大。

• 社会構造の変化: シンギュラリティ（技術的特異点）への議論、AIの発展がもたらす社会全体の変革。

AIの歴史は、技術的飛躍と現実世界への適応の難しさとの間の葛藤の歴史でもあります。
G検定では、単に技術的な知識だけでなく、これらの歴史的経緯を踏まえた上で、現在のAIが社会にもたらす影響と、それに対する倫理的・社会的な議論、そして政策的な対応まで、幅広い視野が求められますので、基礎知識をベースに重要なポイントをしっかり学習しておきましょう💛

上記3つのブームに加え、現在は既に「第4次AIブーム」の時代に突入していると言って間違いないでしょう。
ChatGPT登場(2022)やAIエージェントへの注目が一層高まっているからこそ、AIについて理解を深めるには絶好のタイミングなのではないでしょうか。
これからも一緒に学習を進めていきましょう！

本日のアウトプットはここまでとします！
AIを味方に、DX人材としての自信と
キャリアの可能性をを手に入れるべく
引き続き、G検定合格を目指して
コツコツと学習を進めてまいります💚

引き続きよろしくお願いいたします！

G検定とは？✨

G検定を取得するメリット💖

G検定の試験概要📝

• 主催団体: 一般社団法人日本ディープラーニング協会（JDLA）

• 試験形式: オンライン実施（自宅受験）

• 試験時間: 100分　※26年1月試験から変更。

• 出題形式: 知識問題（多肢選択式、約145~150問程度）

• 受験資格: 制限なし（誰でも受験可能）

• 受験料:

  • 一般：13,200円（税込）

  • 学生：5,500円（税込）

  • 再受験割引あり（受験日から2年以内は半額）

• 出題範囲: JDLAが公開しているシラバスに準拠

• 合格ライン: JDLAは公式に合格ラインを発表していませんが、一般的に70%程度の正答率が目安と言われています。

• 合格率: 開催回によって変動しますが、60%～75%程度で推移しています。

詳細な試験範囲(G2024#6)

✅（シラバス）G2024#6～（出所）
技術分野と法令・倫理分野に分かれています！

今後はこちらのシラバスを参考に
試験対策に繋がる投稿を作成して
まいりますので、乞うご期待ください✨

G検定は、AI、特にディープラーニングに
関する基礎知識を幅広く習得し
ビジネスの現場でAIを活用するための
第一歩となる資格と言えるでしょう！

受験資格もなく、かつ、オンラインで
受験できるため、多くの方が挑戦しやすい
資格と言えるのではないでしょうか。

まずは、試験の合格に向けて
しっかりと学習に取り組んでまいります！

おすすめの参考書📚

おすすめマガジンのご紹介🔔

今後、さらにコンテンツを
拡充できるように努めて参りますので
何卒よろしくお願い申し上げます📚

最後までご覧いただきありがとうございました🌈

まだまだ浅学非才な私ですが
noteという最高の環境を活用して
日々、成長できるように精進します🔥

アウトプット前提のインプットを体現する
ことができるのは、本当に有意義であると
思いますし、成長の記録としても残るため
非常にやりがいを感じています。

社会人になってもnoteはなるべく
継続していきたいことではありますが
あくまで趣味としての取組みになりますので
優先順位を大切にして活動していきます！

お気軽にコメント、スキ&記事の共有
そして私のアカウントをフォローして
いただけると大変嬉しく思います✨

今後とも何卒よろしくお願いいたします！