一つの思想実験から新しい世界へ

私たちが毎日使用しているAI、例えばスマートフォンの音声アシスタントや推薦アルゴリズム、さらには最近大ヒットしたChatGPTは、一体どこから来たのか考えたことはありますか？多くの人は、AIはある天才が実験室でひらめいて「発明」したものだと思うかもしれません。しかし、真実はそれよりもずっと興味深いのです。AIは孤立した発明ではなく、近100年にわたる「思想のリレー」のようなものです。その起点は、単なるコードの一行ではなく、深い哲学的な問い「機械は考えられるか？」です。この問いは、静かな湖面に投げ込まれた石のように、世代を超えたトップの頭脳たちの波紋を引き起こしました。それ以来、哲学者、数学者、エンジニア、心理学者など、無数の先駆者たちがこの分野に身を投じてきました。ある者はその名前を定義し、ある者はその道を切り開き、ある者は寒冬の中で堅持し、またある者は今日、そのエネルギーを引き出しました。本記事では、視点を変えて、10人の最も代表的な人物を通じて、AIの0から1への重要な転換点をつなげていきます。あなたは次のことを見ることができるでしょう： - 偉大な夢がどのように「命名」され、「定義」されたのか。- 「シンボル」と「接続」という2つの技術路線がどのように交差し、融合したのか。- 3人の「深層学習の教父」が寒冬の中でどのように堅持し、最終的にこの分野全体の復興を迎えたのか。

「知能」を哲学から科学へ

あらゆる偉大な科学革命の源は、しばしば具体的な発明ではなく、驚くべき問いにあります。人工知能（AI）の起点は、特にそうです。その物語は、轟音を立てる機械や神秘的なコードの一行から始まるのではなく、天才的な数学者が紙の上で提起した思想実験から始まります。この人物と彼の問いは、「知能」という数千年にわたって哲学の殿堂に留まっていた概念を、初めて現代科学の競技場に引き入れました。彼の名はアラン・チューリング（Alan Turing）です。

1950年、計算機科学の夜明けが訪れたばかりの頃、当時の機械は重く、遅く、最も基本的な計算しか実行できませんでした。しかし、チューリングの思考はすでに時代の限界を超えていました。彼はその画期的な論文『計算機と知能』の中で、一見単純でありながら非常に深い問いを投げかけました。「機械は考えられるか？」 チューリングは、直接「思考」の定義を議論することが無限の哲学的泥沼に陥ることを鋭く認識しました。そこで彼は巧妙にそれを検証可能なゲームに変換しました——「模倣ゲーム」（The Imitation Game）、つまり後に世界的に有名になる「チューリングテスト」です。

ゲームのルールはこうです：ある質問者が、文字を通じて2つの匿名の対象と交流します。そのうちの1つは人間で、もう1つは機械です。もし十分な時間が経過しても、質問者がどちらが機械であるかを区別できなければ、その機械はテストに合格し、人間と同じ知能行動を示したと言えます。これがAIの起点が特異である理由です：それは特定のタスクを解決することを目的とした「発明」ではなく、根本的な問いに答えることを目的とした「挑戦」なのです。

チューリングテストの偉大さは、「知能」という曖昧な概念に対して操作可能で評価可能な基準を提供したことにあります。それは、機械内部に魂や意識があるかどうかにこだわるのではなく、その外的行動に焦点を当てています。これは、私たちが黒箱を開けて内部構造を探る必要はなく、その出力を観察することで能力を判断できると言っているようなものです。この実用的な考え方は、純粋な哲学的思索を、エンジニアや科学者が挑戦できる工学的目標に変えました。

チューリングは思想の種をまきましたが、それが根を下ろし芽を出すためには、肥沃な土壌と情熱的な庭師が必要です。その人物はすぐに現れました。彼の名はジョン・マッカーシー（John McCarthy）です。1955年、チューリングはすでにこの世を去っていましたが、彼の提起した問いは大西洋の向こう側の若い学者たちを刺激していました。当時、「思考する機械」に関する研究はさまざまな分野に散らばっており、名前も多岐にわたっていました。例えば、「サイバネティクス」（Cybernetics）や「オートマトン理論」（Automata Theory）などです。

若きダートマス大学の数学助教授マッカーシーは、これらの散発的な火花を集めて燃え上がる炎にする必要があると感じました。彼は1956年の夏に、数週間にわたるセミナーを開催し、全米の最も優れた頭脳を招待して、機械が人間の知能を模倣する可能性について共に探求することを計画しました。マーヴィン・ミンスキー（Marvin Minsky）らと共に起草した会議提案書には、天才的な楽観主義が溢れ、「知能のあらゆる側面は原則として正確に記述でき、機械がそれを模倣できる」と宣言しました。

この新しい分野に明確なアイデンティティを持たせるために、マッカーシーは響きの良い名前が必要でした。彼は当時影響力のあった「サイバネティクス」を避けました。なぜなら、彼はこの新しい分野がサイバネティクスの創始者ノーバート・ウィーナー（Norbert Wiener）の学術的領域の一部と見なされることを望まなかったからです。マッカーシーは後に、この新しい言葉を作ったのは、境界を明確にし、独立した学術的アイデンティティを確立するためだと回想しています。彼が慎重に選んだ名前は——「人工知能」（Artificial Intelligence）です。

1956年のダートマス会議は、AIの歴史の「創世記」となりました。それはこの学問を正式に命名しただけでなく、より重要なことに、共通の夢を持つ思想家たちを集め、最初の研究プログラムを確立しました。会議では、アレン・ニューウェル（Allen Newell）とハーバート・サイモン（Herbert Simon）が史上初の「考える」プログラム——「論理理論家」（Logic Theorist）を展示しました。これは人間のように記号論理を用いて数学定理を証明することができ、参加者たちを大いに鼓舞しました。

「人工知能」という名前の誕生は、新しい大陸が正式に発見されたことを意味します。それは「機械知能」に情熱を持つすべての探求者に共通のアイデンティティと統一の旗を与えました。彼らはもはや孤軍奮闘する数学者、心理学者、エンジニアではなく、「人工知能科学者」となったのです。マッカーシーはこの学問に名前を付けただけでなく、1958年にはLisp言語を創造しました。この強力な記号処理ツールは、初期のAI研究者たちの「公式言語」となり、彼らが抽象的な論理や思想を実際に機械上で動作するプログラムに変換することを可能にしました。

チューリングが哲学的な「問い」を提起し、マッカーシーが学問的な「名前」を与えたことで、人工知能は0から1への重要な飛躍を遂げました。チューリングは究極の目標を定義し、マッカーシーは集結の号令を発し、人類の歴史の中で最も壮大で刺激的な科学の旅の一つが始まりました。この旅は、「私たちは誰か」という哲学的な問いから始まり、最終的にはコードとアルゴリズムで「新しい知能を創造する」という科学的実践へと至りました。

二つの道の初めての交差：天才の楽観と現実の冷水

初期のAI科学者たちはなぜそんなに楽観的だったのでしょうか？

人工知能の黎明期、全体の分野にはほぼ狂信的な楽観主義が漂っていました。この自信の核心は、シンボリズムというシンプルで強力な信念に由来しています。マサチューセッツ工科大学のマーヴィン・ミンスキー（Marvin Minsky）を旗手とする第一世代のAI科学者たちは、人間の知能、さらにはすべての知的活動は、一連の論理的シンボルと形式的ルールに分解できると信じていました。彼らにとって、脳は「肉でできた機械」に過ぎず、正しいルールを見つけることができれば、コンピュータ上で思考のプロセスを再現できると考えていました。

この信念は空想から生まれたものではなく、一連の興奮する初期の成功に基づいています。1956年、「論理理論家」（Logic Theorist）というプログラムが登場し、これは史上初の本当の意味での人工知能プログラムと見なされました。このプログラムは、著名な数学書『数学原理』の38の定理を成功裏に証明し、その中のいくつかには原文よりも優れた証明方法を見つけました。その創造者の一人であるハーバート・サイモン（Herbert A. Simon）は興奮して宣言しました。「私たちは非数値的思考を行うことができるコンピュータプログラムを発明しました。これにより古くからの心身問題が解決されました。」この成果は、機械が確かに人間専属と考えられていた創造的な知的タスクを遂行できることを世界に証明しました。もう一つの有名な例はSHRDLUシステムで、これは仮想の積み木の世界で自然言語の指示を理解し、「その赤いピラミッドを青いブロックの上に置いて」といった複雑なタスクを実行することができました。

これらの「おもちゃの世界」での成功は、規模は限られていましたが、一般知能への道を照らす明かりのようでした。まさにこれらの目に見える成果が、サイモンやミンスキーらを大いに鼓舞しました。彼らは、今日の視点から見ると非常に大胆な予測を行いました。例えば、サイモンは「10年以内に、機械は人間の国際チェスチャンピオンを打ち負かし、新しい重要な数学定理を発見するだろう」と予言しました。その「黄金時代」には、人々はシンボリズムの道を進み続ければ、人間に匹敵する機械知能の実現は時間の問題だと広く信じていました。

第一次AI冬はどのようにして訪れたのでしょうか？

しかし、天才たちの楽観はすぐに「現実」という冷たい壁にぶつかりました。AI研究者たちが「おもちゃの世界」でうまく機能していたプログラムを、現実の複雑な世界に適用しようとしたとき、シンボリズムの根本的な問題が露呈しました。まず、シンボリズムは現実世界に蔓延する「常識」と「不確実性」を処理するのが難しいのです。人間の日常的な意思決定は曖昧さ、直感、そして暗黙の背景知識に満ちており、これらは正確な論理ルールにコーディングするのが非常に難しいのです。

例えば、「水は濡れている」「鳥は飛ぶ」と私たちは知っていますが、これらの無限の常識を一つ一つ機械に手動で入力するのは、ほぼ不可能な作業です。次に、AIシステムは拡張時に致命的な障害に直面します——「組み合わせ爆発」（combinatorial explosion）です。これは、問題の変数が少しでも増えると、システムが計算しなければならない可能性が指数関数的に増加し、すぐにどんなコンピュータの処理能力をも超えてしまうことを意味します。

SHRDLUシステムのように、その「積み木の世界」が少しでも複雑になると、その性能は急激に低下し、現実的ではなくなります。これらの根本的な限界により、AIの発展は当初の約束から大きく遅れました。失望感が広がり、最終的には1973年に「ライトヒル報告」（Lighthill Report）という文書によって引き金が引かれました。この報告は、英国政府が委託したもので、AI研究の成果が当初約束された重大な影響に達していないと厳しく批判しました。

報告は、AI研究が現実の問題を解決する上での失敗、特に「組み合わせ爆発」問題に対処できないことを指摘し、多くのAI基礎研究は続ける価値がないと結論づけました。この報告の発表は、英国政府がAI研究への資金を大幅に削減する直接的な原因となり、多くの大学のAI研究室が閉鎖を余儀なくされました。この寒流は大西洋を越えてアメリカにも波及し、資金提供機関は慎重になり、短期的で明確な応用の見込みがあるプロジェクトを好むようになりました。

こうして、約束と現実の巨大なギャップにより、人工知能は第一次「寒冬」を迎えました。ミンスキーも後に認めました。「私たちの最大の誤りは、私たちが解決しようとしている問題がどれほど困難であるかを認識しなかったことです。」

なぜAIに「不確実性を受け入れさせる」ことが重要な進歩とされるのでしょうか？

シンボリズムの道が行き詰まる中、全く異なる思想の道がAIに新たな光をもたらしました。この新しい道の開拓者は、チューリング賞受賞者のジュデア・パール（Judea Pearl）です。彼は「確率革命」を引き起こし、その核心思想はこうです：AIに白黒の論理で世界を理解させるのではなく、「不確実性」を受け入れ、処理する方法を教える方が良いということです。パールの革命的な武器は、1980年代後半に提案された「ベイズネットワーク」（Bayesian networks）です。

これは、異なる変数間の確率依存関係を直感的なグラフィック構造で表現できる巧妙なグラフモデルです。さらに重要なのは、新たに現れた証拠に基づいて、AIが事物の発生可能性に対する「信念」を動的に更新できる厳密な数学的方法を提供することです。これは医療診断などの分野で大きな威力を発揮しました。従来の専門家システムは、硬直した「もし…ならば…」ルールを用いて診断を試みました。例えば、「もし患者が発熱しているなら、彼はインフルエンザにかかっている可能性がある」といった具合です。

しかし、現実はこれよりも複雑です：発熱は他の病気の症状でもあり、各症状と病気の関連強度も異なります。このような絶対的なルールに基づくシステムは、不完全または矛盾した情報に直面すると非常に脆弱になります。それに対して、ベイズネットワークに基づく方法は全く異なります。これは、さまざまな病気と症状の確率関係ネットワークを構築できます。医者が「患者が発熱している」という証拠を入力すると、システムは絶対的な結論を出すのではなく、ベイズの定理に基づいて、インフルエンザや肺炎などの関連する病気の可能性を自動的に更新します。

さらに「患者が咳をしている」という新たな証拠を入力すると、システムは再度計算を行い、確率分布を調整し、より現実に近い確率に基づく診断提案を行います。この「確実性」を追求することから「不確実性」を受け入れることへの転換は、重要な思想的進歩です。これにより、AIは初めて情報が不完全で曖昧な現実世界で合理的な推論と意思決定を行う能力を持つようになりました。パールの仕事は、AIが現実の困難から脱出するための強力な新しいツールを提供し、医療、音声認識、故障診断などの多くの分野で広く応用されるだけでなく、人工知能の発展に新しい道を切り開きました。

寒冬の中で堅持する：ニューラルネットワークの復興と「三巨頭」

シンボリズムの楽観的な波が退くと、人工知能研究は長く寒い「冬」に突入しました。ほとんどの研究者と資金は、より実用的な専門家システムなどの分野に移りました。しかし、学術界の周縁にいる少数の人々は、マーヴィン・ミンスキーが批判し、ほぼ放棄された道——接続主義とニューラルネットワーク——こそが真の知能への正しい道であると信じ続けました。彼らは寒冬の中で堅持する者たちであり、少数派の中の少数派でした。

この近くの固執した信念が、最終的に人工知能の第二次革命の火を灯しました。このグループのリーダーは、後に「深層学習の三巨頭」と称されるジェフリー・ヒントン、ヤン・ルカン、ジョシュア・ベンジオです。

「深層学習」とは一体何でしょうか？

この三人の科学者の貢献を理解するためには、まず根本的な問いに答える必要があります：一体「深層学習」とは何でしょうか？それは初期のニューラルネットワークと本質的に何が違うのでしょうか？初期のニューラルネットワーク、例えばパーセプトロンは、非常にシンプルな構造で、通常は一層か二層しかありませんでした。これは、絵を描くことを学ぶ子供のようで、非常に基本的な線や色の塊しか認識できません。もし彼に猫を認識させたい場合、まず手動で猫の特徴を教えなければなりません——「尖った耳がある」「ひげがある」「丸い顔をしている」といった具合です。

このプロセスは「特徴エンジニアリング」と呼ばれ、時間がかかり、労力がかかり、効果も良くありません。なぜなら、現実の世界はそれよりもはるかに複雑だからです。一方、深層学習は、その名の通り「深さ」に核心があります——それは、数層から数百層を含むニューラルネットワークを使用します。この多層構造は、強力な能力を与えます：特徴を自動的に学習することができるのです。より生き生きとした比喩を使って理解してみましょう：これは、子供に絵を描くことを教えるのではなく、彼に完全な視覚皮質システムを与えるようなものです。

猫の画像を見ると、この「深い」ネットワークの第一層は、最も基本的なエッジや角を自動的に認識することを学ぶかもしれません。第二層は第一層の結果に基づいて、目や耳などのより複雑な形を組み合わせることを学びます。さらに上の層では、「猫の顔」や全体の「猫」の概念を認識することを学びます。全体のプロセスはエンドツーエンドで、原始的なピクセルから最終的な「猫」の結論まで、機械は全過程を自律的に学習し、人間が「尖った耳」や「ひげ」が何であるかを煩わしく定義する必要はありません。

この具体から抽象へ、段階的に進む学習方法こそが、深層学習と初期のニューラルネットワークとの最も本質的な違いであり、その力の源でもあります。

「三巨頭」：寒冬の中で火種を灯した少数派

この「深さ」の力への共通の信仰が、ヒントン、ルカン、ベンジオを密接に結びつけました。ニューラルネットワークが冷遇されていた数十年の間、彼らは学術界の疑念に耐え、三人の孤独なトーチベアラーのように、それぞれ異なる方向で戦いながらも、最終的に深層学習を理論から現実へと進める核心的な問題を共に解決しました。- ジェフリー・ヒントン（Geoffrey Hinton）：深層ネットワークを「訓練可能」にした基礎を築いた人 ヒントンは「深層学習の教父」と呼ばれ、彼の最大の貢献は「深層ネットワークを効果的に訓練する方法」を解決したことです。

1986年、彼は共同研究者と共に逆伝播アルゴリズム（Backpropagation）を普及させました。このアルゴリズムは、厳格な教師のように、ネットワークが誤った判断を下したとき、誤信号を最後の層から逐次「逆伝播」させ、各層のニューロンが次回より良い結果を出すためにパラメータを微調整する方法を教えます。この突破口により、多層ニューラルネットワークの訓練が可能になり、深層学習分野全体の基礎が築かれました。

- ヤン・ルカン（Yann LeCun）：AIに「世界を見せる」開拓者 ルカンは、機械に「世界を見る」方法を教えることに焦点を当てました。彼は、画像処理は通常のデータ処理と同じように扱うことができないことを認識しました。生物の視覚皮質に触発され、彼は1980年代末に畳み込みニューラルネットワーク（Convolutional Neural Networks, CNN）を開発しました。

CNNは「畳み込みカーネル」を使用して、目が局所情報を捉える方法を模倣し、「重みの共有」によってモデルのパラメータ量を大幅に削減し、画像処理を効率的かつ正確に行うことを可能にしました。彼が1998年に設計したLeNet-5ネットワークは、銀行の小切手手書き数字認識システムに成功裏に適用され、CNNの商業的応用の典型例となり、後のすべてのコンピュータビジョンの突破口を開く道を整えました。- ジョシュア・ベンジオ（Yoshua Bengio）：AIに「言語を理解させる」理論家 ルカンがAIに「見る」方法を教える一方で、ベンジオはAIに「読む」ことと「理解する」ことを教えることに取り組みました。

彼は自然言語処理（NLP）における「次元の災厄」問題を解決することに専念しました。彼が提案した神経確率言語モデルは、画期的に単語ベクトル（Word Embeddings）の概念を導入しました。この技術は、各単語を高次元の連続ベクトル空間にマッピングし、意味的に近い単語が空間内で近くに位置するようにします。例えば、「国王」と「女王」のベクトルは非常に近くなります。これにより、機械は初めて単語間の意味的関係を捉えることができ、後の機械翻訳、感情分析などすべての系列モデルの発展に堅固な基盤を築きました。

この三人の科学者は、一人が「どうやって学ぶか」（逆伝播）、一人が「どう見るか」（CNN）、一人が「どう理解するか」（単語ベクトル）を解決し、彼らの仕事は相互に補完し合い、現代深層学習の核心技術の地図を共に構築しました。

2012年ImageNet：革命を引き起こした「ビッグバン」

「三巨頭」はすでに理論の火薬を備えていましたが、この革命を引き起こすためには決定的な瞬間が必要でした。その瞬間は2012年に訪れました。ImageNet大規模視覚認識チャレンジ（ILSVRC）は、当時のコンピュータビジョン分野の「オリンピック」であり、参加アルゴリズムは1000のカテゴリにわたる100万枚以上の画像を認識し、分類することが求められました。2012年以前、競技の優勝者は常に従来の機械学習方法を使用するチームが占めており、成績の向上も常に困難でした。

しかし、この年、すべてが変わりました。ヒントンと彼の二人の学生——アレックス・クリジェフスキー（Alex Krizhevsky）とイリヤ・スツケヴァ（Ilya Sutskever）——は、AlexNetという深層畳み込みニューラルネットワークを持って競技に参加しました。AlexNetは8層の深いネットワークで、ルカンのCNNアーキテクチャを採用するだけでなく、ReLU活性化関数やDropoutなどの新技術を創造的に使用して性能を向上させ、過剰適合を防ぎ、二つのGPUの強力な計算能力を利用して並列訓練を行いました。

結果は衝撃的でした。AlexNetは15.3%のTop-5誤り率で優勝し、二位の成績は26.1%でした。この10ポイント以上の巨大な差は、AI界全体に激震を引き起こしました。それはもはや小さな進歩ではなく、次元の圧倒でした。この勝利は、十分なデータと計算能力の支援があれば、深層学習の性能がすべての従来の方法を超えることを明確に証明しました。2012年のImageNet競技は、AIの歴史における分水嶺の出来事として認識され、深層学習革命の「引き金」となりました。

ヒントンが言ったように、その後「ほぼすべてのコンピュータビジョン研究はニューラルネットワークに移行しました」。この勝利は、AIの寒冬の完全な終焉と、深層学習が支配する新しい時代の幕開けを告げる号砲となりました。数十年にわたり暗闇の中で堅持してきた少数派は、ついに彼らの曙光を迎えました。

実験室から全世界へ

AIの創造、普及、そして反省 もし深層学習の三巨頭が人工知能に強力なエンジンを見つけたとすれば、2010年代以降の物語は、このエンジンにハンドルを接続し、道路を敷設し、最終的に人類をどこに導くのかを考えることに関するものです。

このプロセスもまた、いくつかの重要な人物によって推進され、彼らはそれぞれ次の三つの核心的な問いに答えました：AIはどのように「創造する」ことを学ぶのか？AIはどのように象牙の塔を出るのか？そして、AIが巨大な力を持ったとき、私たちはそれをどのように制御すべきか？「生成的AI」の質的変化：イアン・グッドフェローと酒場の議論からのインスピレーション 2014年、モントリオールで博士課程を学んでいたイアン・グッドフェロー（Ian Goodfellow）は、友人たちと酒場で集まりました。

コンピュータがリアルな写真を生成する方法についての学術的な議論が彼のインスピレーションを引き起こしました。彼はその晩、天才的なフレームワーク——生成対抗ネットワーク（Generative Adversarial Networks, GAN）を考案しました。このアイデアの本質は「対抗」です。GANシステムは、互いに競い合う二つの神経ネットワークで構成されています：一つは「生成器」（Generator）で、もう一つは「判別器」（Discriminator）です。

生成器の任務は、優れた「偽画家」のように、リアルなデータの特徴を学び、そこから空想で「偽造品」（例えば偽の人間の顔写真）を創り出すことです。一方、判別器は「鑑定士」としての役割を果たし、どれがリアルなデータで、どれが生成器が偽造したものであるかを正確に見分けることを唯一の目標としています。訓練プロセスは、終わりのないゼロサムゲームのようです：生成器は判別器を欺こうと努力し、判別器はその詐欺を見破ろうと必死になります。

この対抗が進化する中で、二者は共に進化します。最終的に、判別器がもはや真偽を効果的に区別できなくなったとき、それは生成器が高度にリアルなデータを創造する能力を習得したことを意味します。このアイデアは非常に新しく、強力であり、深層学習の三巨頭の一人であるヤン・ルカン（Yann LeCun）は、これを「過去20年間の機械学習分野で最も興味深いアイデア」と称賛しました。GANの誕生は、AI発展史における質的変化を示しています。

それ以前、AIはむしろ勤勉な「識別者」のようで、分類、認識、予測に長けていました。しかし、GANはAIに「創造者」のアイデンティティを与え、初めて無から新しい複雑なコンテンツを生成する能力を持たせ、今日私たちが知っているAIGC（生成的人工知能）時代の扉を直接開きました。

技術普及の鍵：アンドリュー・ングと「新しい電力」の布教

革命的な技術が実験室に留まるだけでは、その価値は限られます。AIを少数のエリートのツールから、世界中の数百万人が学び、応用できるスキルに変えるために、アンドリュー・ング（Andrew Ng）は重要な「布教者」としての役割を果たしました。スタンフォード大学の教授であり、Courseraの共同創設者である彼は、2011年にオンラインコース「機械学習」を開始し、MOOC（大規模オープンオンラインコース）ブームの引き金となり、世界中の数百万人が登録して学びました。

その後、彼はDeepLearning.AIと協力して「深層学習専門コース」や非技術者向けの「AI for Everyone」などのコースを提供し、AI知識の取得のハードルをさらに下げました。2023年までに、800万人以上が彼のコースに参加しました。アングは知識を普及させるだけでなく、深い影響を持つ理念を提唱しました：「AIは新しい電力である」（AI is the new electricity）。

彼は、100年前に電力が農業、交通、製造業などほぼすべての産業を革命的に変えたように、AIも今や基盤技術として、前例のない力で各業界を再構築していると考えています。この比喩は、AIの未来を正確に指摘しています——それは孤立した製品ではなく、社会のあらゆる側面に浸透する基盤インフラなのです。このAIのエンジニアリングと産業化応用に対する先見の明が、AIが学術研究から産業実践へと進むプロセスを大いに推進しました。

AI倫理の警鐘

ティムニット・ゲブルと避けられない反省 AIの力が指数関数的に増大し、社会的意思決定に深く介入し始めると、すべての人にとって深刻な問題が浮上します：この技術が公平で公正かつ責任あるものであることをどう確保するか？AI倫理学者のティムニット・ゲブル（Timnit Gebru）は、この分野で最も代表的な「告発者」となりました。2018年、ゲブルは共同研究者と共に「Gender Shades」という画期的な研究を発表しました。

彼女たちは、当時の主流の商業的顔認識システムに深刻な偏見が存在することを発見しました：肌の色が薄い男性を認識する際の正確性はほぼ完璧に近いのに対し、肌の色が濃い女性を認識する際の誤り率は35%近くに達しました。この研究は、訓練データの偏見がAIシステムによってどのように拡大され、周縁化されたグループに対して体系的な不公正をもたらすかを力強く明らかにしました。この研究は、IBMやマイクロソフトなどの企業がアルゴリズムを改善し、偏見を減らすきっかけとなりました。

数年後、当時Googleの倫理AIチームの共同責任者であったゲブルは、「ランダムなオウムの危険：言語モデルは大きくなりすぎることができるか？」という論文によって再び注目を浴びました。この論文は、大規模言語モデルに存在する偏見、環境コスト、そしてそれらが人間の言語パターンを模倣するだけで、実際の意味を理解することができないリスクを鋭く指摘しました——まるで「ランダムなオウム」のように。この論文は、彼女とGoogleの上層部との対立を引き起こし、最終的には彼女が辞職を余儀なくされる結果となりました。

ゲブルの経験は、AIの発展が全く新しい段階に入ったことを示しています。AIがもはや実験室の玩具ではなく、採用、信用審査、さらには司法判断に影響を与える強力なツールとなったとき、その偏見、リスク、社会的影響を検討することが極めて重要になります。彼女の仕事は、業界全体に警鐘を鳴らしています：技術の進歩が人文的配慮や社会的責任を欠く場合、それがもたらすのは福祉ではなく、新たな束縛である可能性があるということです。グッドフェローの創造から、アングの普及、そしてゲブルの反省に至るまで、これら三人の人物の物語は、AIが新時代における完全な景観を描き出しています：無限の創造力を持つ技術が、前例のない速度で世界に溶け込み、同時に私たちにそれと共存する方法を真剣に考えさせるのです。

一つの問いから始まる

「機械は考えられるか？」 あらゆる偉大な変革は、しばしば驚くべき発明から始まるのではなく、驚くべき問いから生まれます。人工知能（AI）の創世記はまさにそうです。その起点は、具体的な機械でも、神秘的なコードの一行でもなく、20世紀中頃に英国の数学者アラン・チューリング（Alan Turing）が世界に投げかけた哲学的な問い「機械は考えられるか？」です。コンピュータが部屋のように巨大だった時代、この問いはSF小説のように聞こえました。しかし、チューリングの非凡さは、この問いを哲学的な思索に留めなかったことです。彼は巧妙な思想実験——「模倣ゲーム」を設計しました。これは後に広く知られる「チューリングテスト」です。このテストは、「思考」という曖昧な概念の定義を巧妙に回避し、次のように提起しました：もし機械が人間と対話でき、その表現が人間と区別できない場合、その機械は知能を持つと考えてもよいのか？

この問いの提起は、長い夜を切り裂く稲妻のようでした。それは初めて「知能を創造する」という古い夢を神話や哲学の領域から、検証可能で挑戦可能な工学の範疇に引き入れました。チューリングは私たちに答えを与えませんでしたが、すべての後続者に明確な目標と描き始めることができる青写真を提供しました。彼は世界に告げました：知能は、もしかしたら正確に記述し、模倣することができるかもしれないと。この思想の火種は、非常に肥沃な土壌にまかれました。

第二次世界大戦後の世界、特に1950年代には、前例のない科学的楽観主義と「できる」という精神が漂っていました。人類は原子力を制御し、電子計算機を発明し、生命の暗号を解読したばかりでした。科学の勝利は、人々に人間の知恵と新しい発明の強力なツールを駆使すれば、どんな大きな挑戦も克服できると信じさせました。もし機械が複雑な弾道を計算し、敵の暗号を解読できるなら、なぜさらに進んで人間の学習、推論、創造能力を模倣できないのでしょうか？

まさにこのような時代背景の中で、当時最も優れた、最も先見の明のある頭脳の一群が同じ夢に引き寄せられ始めました。しかし、彼らの思想の火花は、数学、心理学、情報理論、新興の計算機科学など、さまざまな分野に散らばっていました。彼らは契機を必要としていました。これらの散発的な流れを一つの大河に集める瞬間が必要でした。その瞬間は、1956年の夏に訪れました。若き数学者ジョン・マッカーシー（John McCarthy）は、マーヴィン・ミンスキー（Marvin Minsky）、ナサニエル・ロチェスター（Nathaniel Rochester）、情報理論の父クロード・シャノン（Claude Shannon）らと共に、ロックフェラー財団に大胆な提案を提出しました。

彼らはアメリカのニューハンプシャー州ダートマス大学で、数週間にわたる夏のセミナーを開催することを計画しました。提案の冒頭には、その時代の楽観主義と野心が溢れています。「私たちは1956年の夏に……人工知能に関する研究を行うことを提案します。この研究は、学習のあらゆる側面や知能の他の特徴は原則として正確に記述でき、機械がそれを模倣できるという仮説に基づいています。」 この新しい分野に明確なアイデンティティを持たせるために、マッカーシーは苦心して新しい言葉を作り出しました：「人工知能」（Artificial Intelligence）。

この選択は偶然ではありません。当時、「サイバネティクス」（Cybernetics）という分野はすでに影響力を持っており、生物と機械のフィードバックと制御システムを主に研究していました。しかし、マッカーシーは、計算機を用いて論理や推論などの高度な認知機能を実現することに焦点を当てた全く新しい方向を開くことを望んでいました。彼はこの名前の誕生を、すべての同じ夢を抱く探求者に共通の旗を提供する「独立宣言」のように考えました。

1956年の夏、この後「ダートマス会議」と呼ばれる集まりが予定通り開催されました。それは厳格な学術会議ではなく、6週間から8週間にわたる長い頭脳の嵐のようでした。アレン・ニューウェル（Allen Newell）、ハーバート・サイモン（Herbert Simon）、レイ・ソロモノフ（Ray Solomonoff）など、後にAI分野の巨星たちが集まりました。彼らは異なる背景を持ち、論理学、心理学、数学、工学の異なる視点を持ち寄りました。

会議のハイライトの一つは、ニューウェルとサイモンが展示した「論理理論家」（Logic Theorist）プログラムです。このプログラムは、著名な数学書『数学原理』のいくつかの定理を成功裏に証明しました。これは単なる技術デモではなく、機械が過去に人間専属と考えられていた知的な記号推論タスクを実行できることを世界に証明する宣言のようなものでした。「機械は考えられるか？」という問いに対して、初めて肯定的で目に見える初歩的な答えが得られたのです。

これがAIの「創世記」です。それは、ある実験室の一回限りの成功から生まれたのではなく、偉大な思想の交わりの中で起こったのです。ダートマス会議がこれほど重要である理由は三つあります： 第一に、この分野に名前を付けたことです。これにより、「人工知能」は正式なアイデンティティを持ち、後の資金、才能、関心を引き寄せました。第二に、核心的な議題を確立したことです。会議では、シンボル処理、ニューラルネットワーク、自然言語処理などの方向性が探討され、これらのテーマは今後数十年にわたってAI研究の主流となりました。第三に、最初のコミュニティを築いたことです。この会議は、孤独な思考者たちを学術共同体として結びつけ、彼らは各自の機関に戻った後、最初のAI研究室（マサチューセッツ工科大学、カーネギーメロン大学、スタンフォード大学など）を設立し、後の大樹の種をまきました。ダートマス会議は、後の世代に「AIの制憲会議」と称されました。それはチューリングが提起した偉大な問いを、正式に数世代のトップタレントを引き寄せる科学の旅に変えたのです。

会議の参加者たちは未来の予測が過度に楽観的であり、前途の困難や「寒冬」を予見できなかったものの、彼らが点火した炎は決して消えませんでした。一つの問いから始まり、一つの学問が誕生しました。AIの物語は、ここから始まります。

天才の狂想と現実の壁

ダートマス会議が人工知能に正式に名前を付けた後、無限の楽観と大胆な予測に満ちた「黄金時代」（約1956-1974年）が幕を開けました。

この最初のAIの先駆者たちは、ハーバート・サイモンやマーヴィン・ミンスキーなどを代表として、彼らが機械知能への鍵を握っていると信じていました。彼らの自信は空想から生まれたものではなく、「ミニチュア世界」での一連の驚くべき成功によって点火されました。これらの初期の成果の中で最も代表的なものは、「論理理論家」（Logic Theorist）プログラムです。アレン・ニューウェル、ハーバート・サイモン、J.C.ショーによって1956年に開発されたこのプログラムは、世界初の人工知能プログラムと広く見なされています。

その任務は、数学者ホワイトヘッドとラッセルがその大著『数学原理』で提起した数学定理を証明することでした。結果は驚くべきものでした。「論理理論家」は、書中の前52の定理のうち38を成功裏に証明し、さらにはその中の一つに対して原著よりも簡潔で優雅な証明方法を見つけました。この成果は研究者たちを大いに鼓舞しました。なぜなら、これは機械が計算するだけでなく、過去に人間専属と考えられていた複雑な論理推論活動を行うことができることを明確に示したからです。

続いて、このチームは1959年に「汎用問題解決器」（General Problem Solver, GPS）を発表しました。GPSの革命的な点は、人間が問題を解決する際の汎用的な思考方法を模倣しようとしたことです。特定の領域の知識（ルールなど）と汎用的な解決戦略を分離し、「手段-目的分析」という戦略を採用して、最終的な答えに近づくために子目標を設定し続けました。GPSは、ハノイの塔や幾何学的証明などの一連の古典的な論理パズルを成功裏に解決し、分野を超えて問題を解決できる「思考機械」を製造する希望を見せました。

もしGPSが機械の「思考」能力を示したとすれば、マサチューセッツ工科大学のSHRDLUシステムは、機械が物理的な世界と初めて相互作用する「理解」能力を持つことを示しました。テリー・ウィノグラードが1970年に創造したこの仮想「積み木の世界」では、ユーザーは日常英語でシステムに指示を出すことができ、「その大きな赤い積み木を拾って」といった具合です。SHRDLUは指示を解析し、文脈を理解し（例えば、「どのピラミッド？」と尋ねると、明確化を要求します）、一連の動作を計画し実行し、さらにはこの世界の状態に関する質問にも答えることができました。SHRDLUの成功は、言語理解、推論計画、動作実行を完璧に統合し、人々に人間と自由に対話し、協力する知能ロボットの雛形を見せるかのようでした。これらの「ルールが明確な」おもちゃの世界での輝かしい勝利は、巨大な楽観主義を生み出しました。

サイモンは1965年に大胆に予測しました。「20年以内に、機械は人間ができるすべての仕事を完了できるだろう。」ミンスキーも同意し、「一世代の時間内に……「人工知能」を創造する問題は基本的に解決されるだろう」と述べました。しかし、これらの天才たちの狂想が理想化された実験室から複雑な現実世界に進出しようとしたとき、彼らはすぐに冷たく硬い壁にぶつかりました。この壁は二つの根本的な問題から成り立っています。まずは「組み合わせ爆発」（Combinatorial Explosion）です。

単純な積み木の世界では、可能性は限られています。しかし、問題の規模が少しでも拡大すると、例えばチェスから囲碁に変わる場合や、数個の積み木の移動を計画することから都市交通を計画することに変わる場合、計算しなければならない可能性は指数関数的に増加し、瞬時に当時の最も強力なコンピュータの計算能力を超えてしまいます。初期のAIは「おもちゃの問題」での優雅さが、現実の複雑性の前では無力になってしまいました。二つ目の問題は、より根本的なものであり、「常識と文脈の欠如」です。

人間の世界は、数多くの自明な常識や曖昧な文脈で満ちています。例えば、「水は濡れている」「ロープは引っ張ることができ、押すことはできない」「もし誰かが雨に濡れたら、風邪をひく可能性がある」といったことです。これらの知識は非常に基本的であるため、私たちはそれらの存在すら意識しません。しかし、論理とルールしか理解できないAIシステムにとって、この世界は完全に未知のものです。彼らはこれらの暗黙の背景知識を理解できず、そのために現実のシーンでの推論能力が極めて脆弱で不合理に見えるのです。

SHRDLUは「積み木を拾う」ことを理解できますが、「約束を拾う」とは何かを理解することはできません。この「シンボルの接地」の困難、すなわちシンボルが現実世界の意味と関連付けられないことは、シンボリズムAIが越えられない大きな溝となりました。過度な期待と厳しい現実の間に大きなギャップが生じ、失望感が広がり、最終的には二つの象徴的な出来事によって人工知能の第一次「寒冬」が引き起こされました。最初の出来事は1973年に英国政府が発表した「ライトヒル報告」（Lighthill Report）です。

この報告は、応用数学者ジェームズ・ライトヒル卿によって執筆され、当時のAI研究に対して容赦ない批判を行いました。報告は、AIが自動化や言語処理などの核心分野で「未だに何の成果も得られていない」と鋭く指摘しました。これはAI研究の二大弱点を直撃しました：現実の問題を解決する際に「組み合わせ爆発」に直面し、完全に「常識」を処理できないことです。この影響力のある報告は、英国政府が大学のAI研究への資金を大幅に削減する直接的な原因となり、英国のAI研究はほぼ停滞しました。

二つ目の大きな打撃は、AI分野のリーダーであるマーヴィン・ミンスキー自身からもたらされました。1969年、ミンスキーはシーモア・パールと共著で『パーセプトロン』（Perceptrons）という本を出版しました。この本では、彼らは厳密な数学的証明を通じて、当時シンボリズムと並行していた別の技術路線——接続主義（すなわちニューラルネットワークの前身）の根本的な限界を指摘しました。彼らは、単層のニューラルネットワーク（すなわち「パーセプトロン」）が線形モデルであり、最も基本的な問題、例えば最も単純な「排他的論理和」（XOR）問題を解決できないことを証明しました。

この結論自体は正しいものでしたが、それは外部から接続主義全体に対する「死刑判決」と解釈されました。この本の巨大な影響力により、接続主義研究への資金はほぼ完全に中断され、この本はシンボリズムと補完的であった可能性のある道を早期に10年以上の沈黙に追いやりました。こうして、かつての熱狂は急速に冷却しました。過度な期待、突破困難な理論的ボトルネック、そしてそれに続く資金の撤退が、人工知能を第一次の長い寒冬に押し込みました。

天才たちの狂想は現実の壁にぶつかり、全体の分野は喧騒の頂点から静寂の谷底に落ち込み、次の潜行の復活を待つことになりました。

潜行と復興

不確実性の中で道を探す 1980年代末、人工知能の「黄金時代」は刺すような寒風に見舞われました。かつて期待されていた専門家システム市場は崩壊し、LISPマシン産業も衰退し、政府や企業の投資熱も急激に冷却しました。AI研究は再び低迷期に入り、これが歴史上の第二次「AI寒冬」となりました。

しかし、第一次寒冬のほぼ静寂の状況とは異なり、今回はAIの発展が完全に停滞することはなく、氷に閉ざされた川のように、表面は静かでも、氷の下には二つの暗流が静かに流れていました。一つは特定の分野で自らの価値を証明しようとする「顕学」であり、もう一つは静かに力を蓄え、春を待つ「潜流」です。第一のルートは、逆境の中で生き残ろうとするシンボリズムAIです。専門家システムは、その知識ベース構築のコストが高く、不確実性を処理するのが難しいために最終的に衰退しましたが、それが残した遺産は貴重です：AIが特定のシーンで実際の問題を解決する能力を証明したことです。これはAIの商業化応用の第一歩を照らしました。

さらに重要なのは、専門家システムがなぜ失敗したのかを反省する中で、一人の思想家がAIの発展に新しい方向を示したことです。彼の名はジュデア・パール（Judea Pearl）です。パールは、現実の世界が不確実性に満ちており、白黒の論理ルールでは世界の複雑さを十分に表現できないことを認識しました。彼は確率論と因果推論をAIに導入し、機械に「可能性」を使って考える方法を教え、不完全な情報の中で合理的な意思決定を行う方法を教えました。

これはシンボリズムに対する重要な補完であるだけでなく、AIが理想化された論理の世界から、未知と変化に満ちた現実の世界へと重要な一歩を踏み出すことを可能にしました。同時に、もう一つのより隠れた、より革命的なルートが学術界の周縁で「潜行」していました。これがニューラルネットワークを代表とする接続主義研究です。このルートの探求者たちは、真の「深潜者」です。彼らの武器庫には、強力な理論的武器が加わりました。1986年、ジェフリー・ヒントン（Geoffrey Hinton）は逆伝播アルゴリズムを再び普及させ、その有効性を体系的に証明しました。

このアルゴリズムは、多層ニューラルネットワークの訓練の難題を巧妙に解決し、機械が「反省」することで内部パラメータを逐次調整し、より複雑なパターンを学習できるようにしました。ヒントンは後に、彼らが当時楽観的に考えていたのは「すべてを解決するだろう」と述べました。しかし、理論の夜明けはすぐに現実の寒冬を追い払うことはありませんでした。90年代に入ると、ニューラルネットワーク研究はすぐに三つの高い壁にぶつかりました：計算能力の不足、データの不足、そして同僚からの学術的な疑問です。当時のコンピュータの性能は弱く、大規模ネットワークの訓練を支えることはできませんでした。

同時に、サポートベクターマシン（SVM）などの統計学習法は、多くのタスクで当時のニューラルネットワークよりも優れた性能を示し、より効率的でした。これにより、多くの研究資金と人材が他の分野に流れました。ニューラルネットワークは再び非現実的な技術として見なされ、研究は資金難と冷遇の窮地に陥りました。そんな厳しい環境の中で、一部の研究者は堅持することを選びました。ヤン・ルカン（Yann LeCun）はその中でも最も優れた代表者です。

1988年、彼はAT&Tベル研究所に参加し、主流の学術界の圧力に耐えながら、特別なニューラルネットワーク——畳み込みニューラルネットワーク（CNN）の開発に全力を注ぎました。彼は、この生物の視覚皮質を模倣したネットワーク構造が、機械が「世界を理解する」鍵であると信じていました。ルカンの目標は非常に明確でした：機械に手書きの銀行小切手を認識させることです。数年の試行錯誤の後、彼は1998年に古典的なLeNet-5モデルを発表しました。

このネットワークは商業システムに成功裏に展開され、21世紀初頭には、毎日約2000万枚の小切手を処理し、当時のアメリカの小切手流通総量の約10%を占めていました。これは画期的な成功です。それは、ニューラルネットワーク技術が寒冬の中で達成した稀有な商業的勝利であるだけでなく、凍土に埋まった種が、事実によってこの「潜流」が持つ巨大なエネルギーを証明したかのようでした。それは世界に告げました：ニューラルネットワークは空想ではなく、現実の問題を解決でき、無限の可能性を秘めているのです。

こうして、90年代から21世紀初頭にかけて、AIの二つのルートは並行して発展しました。一つのルートは確率と因果をツールとして、AIが商業世界で「生き残り」、より成熟した形で不確実性と共存することを学びました。もう一つのルートは、学術の隅で「潜行」し、少数の人々の堅持の中で、未来の革命に向けて最も鋭い武器を静かに磨いていました。この二つの力は、一つは明るく、一つは暗く、共に次に訪れる大爆発の伏線を張っていました。

その時、ハードウェア分野からの「追い風」も静かに起こり始めました——GPUを代表とする並列計算ハードウェアは、その強力な行列演算能力とニューラルネットワークの計算要求が自然に一致します。このハードウェアの追い風が、ついに計算能力、データ、アルゴリズムの豊かな土壌に吹き込まれるとき、世界を覆す技術革命が始まろうとしていました。

「世界を理解する」から「世界を創造する」へ

2012年9月30日、ImageNetという大規模視覚認識チャレンジ（ILSVRC）が歴史的な転換点を迎えました。

ジェフリー・ヒントン教授と彼の二人の学生——アレックス・クリジェフスキー（Alex Krizhevsky）とイリヤ・スツケヴァ（Ilya Sutskever）——からなるチームが、AlexNetという深層神経ネットワークモデルを提出しました。そのパフォーマンスはコンピュータビジョン分野全体を驚かせました：その画像認識の誤り率はわずか15.3%で、二位の成績よりも整然と10.8ポイント低かったのです。

これは単なる競技の勝利ではなく、号砲のようなものでした。AlexNetは、深層ネットワーク、大量のデータ、GPUの強力な計算能力を借りて、機械が本当に「世界を理解する」ことができることを証明しました。これにより、深層学習の革命が完全に引き起こされ、AIの発展は全く新しい時代に突入しました。もしAlexNetがAIに前例のない「目」を与えたとすれば、わずか2年後、若き研究者がAIに天馬行空の「想像力」を与えました。

2014年、当時博士課程の学生であったイアン・グッドフェロー（Ian Goodfellow）は、酒場で友人と学術的な問題を議論しているときに、ひらめき、天才的な構想——生成対抗ネットワーク（Generative Adversarial Networks, GAN）を提案しました。GANの原理は「矛」と「盾」の永遠の競争のようなものです。内部には、互いに競い合う二つの神経ネットワークが含まれています：一つは「生成器」（Generator）で、もう一つは「判別器」（Discriminator）です。

生成器の任務は、リアルなデータ（例えば画像）を創造し、判別器