AI開発の歴史

AIの前史は、電子計算機が実用になり始めた1940年代にさかのぼります。1943年、神経生理学者ウォーレン・マカロックと数学者ウォルター・ピッツは、神経細胞をオンとオフの論理素子として捉える数理モデルを発表しました。生物の脳をそのまま再現したものではありませんが、単純な人工ニューロンを組み合わせれば論理的な計算を表せるという考えは、後のニューラルネットワークの原型になりました。1949年には心理学者ドナルド・ヘッブが、同時に活動する神経細胞どうしの結び付きが強まるという学習則を示し、経験によって結合が変化するという発想を与えました。

一方、コンピューター科学の側ではアラン・チューリングが決定的な問題提起を行います。チューリングは第二次世界大戦中、英国政府暗号学校で暗号解読に関わり、戦後はプログラム内蔵式コンピューターの設計にも取り組みました。1950年の論文「Computing Machinery and Intelligence」では、「機械は考えることができるか」という曖昧な問いを、文字による会話で人と機械を見分けられるかという「模倣ゲーム」に置き換えました。後にチューリングテストと呼ばれるこの提案は、知能の内面を直接測るのではなく、観察できる振る舞いで評価するという考え方を示しました。

当時の計算機は巨大で高価であり、記憶容量も処理速度も現代とは比較になりません。それでも研究者は、チェス、定理証明、言語、学習といった人間の知的活動を、記号と手順に分解できるのではないかと考えました。この時代に生まれた二つの見方、すなわち「知能は論理的な記号操作として記述できる」と「知能は多数の単純な要素が経験から結び付きを変えることで現れる」は、その後のAI史で繰り返し競い合います。現在のAIを理解するうえでも、ルールを明示的に与える方法と、データから内部表現を学ぶ方法の違いは基本的な論点です。

研究分野としてのAIが形を得たのは1956年です。米国ダートマス大学で開かれた夏季研究プロジェクトを、当時ダートマス大学の若い数学者だったジョン・マッカーシーが中心となって企画しました。提案書にはマッカーシーのほか、マービン・ミンスキー、IBMのナサニエル・ロチェスター、ベル研究所の情報理論研究者クロード・シャノンが名を連ねています。提案書は、学習や知能の特徴を正確に記述できれば、機械でシミュレーションできるという大胆な前提を掲げ、「artificial intelligence」という名称を用いました。

会議に参加した研究者には、アレン・ニューウェルとハーバート・A・サイモンもいました。二人はJ・C・ショーとともに、数学の定理を証明するプログラム「Logic Theorist」を開発していました。ランド研究所とカーネギー工科大学にまたがるこの研究は、問題を状態と操作の組み合わせとして表し、候補を探索することで答えに近づく方法を示しました。サイモンらは、機械が人間の思考を再現する時代が近いと強く期待しました。

この時期の主流は、数字の大量計算よりも、言葉や数式などの記号を操作する「記号的AI」でした。研究者は、正しい記号表現と探索手順を設計すれば、チェス、証明、計画、会話のような課題を解けると考えました。ジョン・マッカーシーは1958年ごろにプログラミング言語LISPを設計し、リスト構造や再帰を扱いやすくしました。LISPは大学や企業のAI研究で長く使われ、知識や規則をプログラムとして表現する基盤になりました。

ダートマス会議は、そこですべての問題が解決された出来事ではありません。参加者全員が同じ方法に合意したわけでもなく、会議中の成果を一つの発明にまとめることもできません。それでも、数学、心理学、情報理論、計算機工学に散らばっていた研究を一つの名前の下に集め、研究資金と人材を呼び込んだ意味は大きいものでした。「AI」という言葉は、技術そのものだけでなく、長期的な研究目標を社会に示す旗印になったのです。

1950年代末から1960年代にかけて、AI研究は複数の方向へ広がりました。記号的AIでは、ニューウェルとサイモンの「General Problem Solver」が、問題の現在状態と目標状態の差を小さくする手順を探しました。マッカーシーは論理に基づく知識表現を研究し、ミンスキーが設立に関わったMIT人工知能研究所では、ロボット、視覚、言語理解などが扱われました。人間が使う概念を記号に置き換え、推論規則を明示的に与える方法は、結果を説明しやすいという長所を持っていました。

もう一方では、コーネル航空研究所のフランク・ローゼンブラットが「パーセプトロン」を開発しました。1958年に公開されたMark I Perceptronは、光センサーから得た入力に重みを掛け、単純な分類を学習しました。現在の深層学習に比べれば小さな装置ですが、規則を一つずつ書くのではなく、例から重みを調整するという考え方を実機で示しました。報道は、見る、学ぶ、認識する機械への期待を膨らませましたが、一層のパーセプトロンが解ける問題には明確な限界がありました。

自然言語との対話も早くから試されています。MITのジョセフ・ワイゼンバウムが1960年代半ばに作った「ELIZA」は、入力文の語句を規則に沿って置き換え、心理療法家のような応答を返しました。ELIZAは内容を人間のように理解していたわけではありません。それでも利用者がプログラムに理解や感情を読み込む様子は、流暢な会話が知識や判断力と同じではないことを示しました。ワイゼンバウムは後に、コンピューターへ重要な判断を委ねることへの批判を深めます。生成AI時代の「もっともらしさ」と信頼の問題は、すでにここに現れていました。

ロボット研究では、SRIインターナショナルが1966年から1972年にかけて「Shakey」を開発しました。チャールズ・ローゼンがプロジェクトを率い、ニルス・ニルソン、ピーター・ハート、バートラム・ラファエルらが参加しました。Shakeyはカメラや距離センサーで環境を捉え、行動計画を立てて部屋の中を移動しました。そこで生まれた探索アルゴリズムA*や計画記述STRIPSは、後の経路探索やロボット計画に影響を与えました。知覚、推論、行動を一つのシステムにまとめる難しさは、現在のAIエージェントや自律ロボットにも続く課題です。

初期の成功は、多くの場合、規模の小さい「おもちゃの世界」で得られたものでした。盤面が限定されたゲーム、語彙が少ない会話、障害物が単純な部屋なら、候補を探索して答えを見つけられます。しかし現実の問題では、状況の組み合わせが急増します。計算能力も記憶容量も足りず、背景知識を手で入力する作業も追いつきませんでした。研究者の楽観的な予測と実用上の成果の差が目立つにつれ、政府機関や企業は投資に慎重になりました。

ニューラルネットワークにも逆風が吹きました。マービン・ミンスキーとシーモア・パパートが1969年に刊行した『Perceptrons』は、一層のパーセプトロンが排他的論理和のような問題を表現できないことを数学的に論じました。この批判自体は対象を限定したもので、多層化の可能性を全面的に否定したわけではありません。しかし当時は多層ネットワークを効率よく学習させる方法と計算資源が不足しており、研究資金は記号的AIへ傾きました。

英国ではジェームズ・ライトヒルが1973年にAI研究を厳しく評価し、米国でも機械翻訳や汎用ロボットへの支援が縮小しました。後に「AIの冬」と呼ばれるこの停滞は、技術が完全に止まった期間ではありません。むしろ、野心的な汎用知能よりも、領域を限定して専門家の判断を再現する方向へ焦点が移りました。期待の膨張、約束した水準との不一致、資金の縮小という循環は、その後もAI分野で繰り返されます。

重要なのは、失敗の原因が単一ではなかったことです。アルゴリズムの限界だけでなく、データ不足、遅いハードウェア、センサーの精度、知識を整備する人件費、評価基準の曖昧さが重なっていました。この教訓から、AIの能力はモデル単体で決まらず、入力データ、計算基盤、運用設計まで含むシステム全体で決まるという見方が育ちました。現在、生成AIに検索、データベース、評価、監視を組み合わせるのも、同じ問題意識の延長です。

1970年代から1980年代前半に注目を集めたのが、専門家の知識を「もしAならB」という規則として蓄え、推論エンジンで結論を導くエキスパートシステムです。スタンフォード大学ではエドワード・ファイゲンバウム、ブルース・ブキャナン、医師のエドワード・ショートリフらが研究を進めました。感染症診断を支援する「MYCIN」は、患者の症状や検査結果から原因菌と抗菌薬を推奨し、結論に至った規則を説明できました。医療現場へ広く導入された製品ではありませんが、専門知識を計算機で扱える形に整理する方法を示しました。

企業利用の代表例は、カーネギーメロン大学とDigital Equipment Corporation（DEC）が開発した「XCON」です。VAXコンピューターを注文内容に合わせて構成する多数の規則を使い、部品の組み合わせや設定の誤りを減らしました。専門家が時間をかけて行っていた定型判断をソフトウェア化し、費用削減につなげたことで、エキスパートシステムは研究から業務製品へ進みました。金融、製造、保守などでも同様のシステムが作られ、AI専門会社やLISPマシン市場が成長しました。

しかし成功するほど、別の弱点が明らかになります。専門家の暗黙知を聞き出して規則にする「知識獲得のボトルネック」、規則が増えたときの矛盾、例外への弱さ、環境変化に合わせた保守費用です。SymbolicsやLisp Machines Inc.の専用機は高性能でしたが、Sun Microsystemsなどの汎用ワークステーションが安価に高性能化すると優位を失いました。1980年代末には市場が縮小し、二度目のAI冬と呼ばれる時期に入ります。

それでもエキスパートシステムの考え方は消えていません。業務ルールエンジン、診断支援、設定支援、知識グラフなどに受け継がれています。また、「なぜその結論になったか」を規則として追える点は、学習モデルの説明可能性と対比される長所です。現在の実務では、生成AIだけに判断を任せず、明示的な業務規則や権限管理を組み合わせる設計が一般的です。これは規則と学習を対立させるのではなく、それぞれの得意分野を組み合わせる考え方だといえます。

ニューラルネットワーク研究の再始動を象徴する出来事が、デイヴィッド・ラメルハート、ジェフリー・ヒントン、ロナルド・ウィリアムズによる1986年の論文です。出力の誤差をネットワークの後段から前段へ伝え、各結合の重みを少しずつ修正する誤差逆伝播法を広く知らしめました。基本原理には先行研究がありましたが、多層ネットワークが内部表現を学べることを明快な実験で示し、コネクショニズムへの関心を戻しました。現在の深層学習も、損失関数の勾配を計算し、パラメータを更新するこの枠組みを大規模化したものです。

同時期から1990年代にかけては、確率と統計に基づく機械学習が強くなりました。音声認識では隠れマルコフモデル、分類では決定木やサポートベクターマシン、確率的推論ではベイズネットワークなどが使われました。ウラジミール・ヴァプニクとアレクセイ・チェルボネンキスの統計的学習理論は、学習データへの当てはまりと未知データへの一般化を区別する理論を整えました。ジューディア・パールの確率的グラフィカルモデルは、不確実な情報の依存関係を扱う道具を与えました。

この変化の核心は、人間がすべての規則を書く方法から、正解例を集めてモデルのパラメータを推定する方法への移行です。研究者は同じデータセットと評価指標を使って精度を比較できるようになり、改良の速度が上がりました。データを学習用と評価用に分ける、過学習を避ける、再現率や適合率を測るといった現在の機械学習開発の基本作法も、この流れの中で定着しました。

1997年にはIBMのチェス専用システム「Deep Blue」が世界王者ガルリ・カスパロフとの再戦に勝利しました。主要開発者にはフェンシュン・スー、マレー・キャンベル、A・ジョセフ・ホーン・ジュニアらがいます。Deep Blueは現在の生成AIのように大量の文章から汎用能力を学んだシステムではなく、高速な盤面探索、評価関数、チェス知識、専用ハードウェアを組み合わせたものでした。その勝利は、狭い課題であっても、アルゴリズムと計算能力を徹底的に最適化すれば人間の最高水準を超えられることを社会に印象づけました。

2000年代になると、AIを取り巻く条件が大きく変わります。インターネット、検索エンジン、デジタルカメラ、スマートフォンの普及によって、文章、画像、音声、利用履歴が大量に蓄積されました。Google、Amazon、Microsoft、Yahoo!などの企業は、検索順位、広告配信、迷惑メール判定、商品の推薦といった大規模な課題に機械学習を使いました。研究室の小さなデータセットでは見えなかった規則を、実サービスから得たデータで学べるようになりました。

計算基盤では、NVIDIAが2006年に発表したCUDAが転機になりました。GPUはもともと画像を並列に描画するためのプロセッサーですが、CUDAによって研究者や開発者が汎用計算へ利用しやすくなりました。多数の行列演算を同時に進めるGPUの性質は、ニューラルネットワークの学習と相性がよく、従来は長時間かかった実験を現実的な時間で試せるようにしました。ジェンスン・フアン、クリス・マラコウスキー、カーティス・プリームが1993年に創業したNVIDIAは、ゲーム向け半導体企業からAI計算基盤の中心企業へ役割を広げていきます。

データセットの面では、プリンストン大学のフェイフェイ・リーが構想し、ジア・デンらと構築した「ImageNet」が重要です。2009年に論文として発表されたImageNetは、WordNetの語彙体系に沿って非常に多くの画像を分類し、画像認識の共通基盤を作りました。2010年から始まったImageNet Large Scale Visual Recognition Challengeでは、研究チームが同じ条件で認識精度を競いました。大量で整理されたデータ、明確な評価指標、公開競争がそろったことで、アルゴリズムの差を測りやすくなりました。

この時代には、ジェフリー・ヒントン、ヤン・ルカン、ヨシュア・ベンジオらが、人気の低い時期にもニューラルネットワーク研究を続けていました。ルカンらの畳み込みニューラルネットワークは手書き数字認識に応用され、銀行小切手の読み取りなどで実用化されました。ヒントンらは多層ネットワークの事前学習を研究し、ベンジオらは言語の分散表現を発展させました。後の飛躍は、一つの新発明だけではなく、長年のアルゴリズム研究、データセット、GPU、オープンな評価環境が同時に成熟した結果でした。

2012年のImageNet競技で、トロント大学のアレックス・クリジェフスキー、イリヤ・サツケヴァー、ジェフリー・ヒントンが開発した「AlexNet」が大差で優勝しました。深い畳み込みニューラルネットワークをNVIDIAのGPUで学習し、ReLU、データ拡張、ドロップアウトなどを組み合わせたシステムです。画像の特徴を人間が細かく設計する従来手法に対し、画素から分類に役立つ特徴を階層的に学習できることを示しました。2012年は深層学習ブームの起点として語られますが、成果を可能にしたのは過去の研究、ImageNet、GPU計算の結合でした。

成功は画像認識以外へ急速に広がります。Microsoft、Google、Baiduなどは音声認識へ深層学習を導入し、スマートフォンの音声入力や翻訳の精度を改善しました。Googleは大規模分散学習を行うGoogle Brainを育て、Facebookはヤン・ルカンを迎えてAI Research組織を設立しました。Googleは2013年にジェフリー・ヒントンが共同設立したDNNresearchを買収し、2014年には英国のDeepMindを傘下に収めました。大学の研究成果と人材をめぐり、大手テクノロジー企業の投資競争が本格化します。

生成技術では、イアン・グッドフェローが2014年に提案したGAN（敵対的生成ネットワーク）が注目されました。生成器が偽物を作り、識別器が本物と偽物を見分け、両者が競いながら学習します。GANは写実的な画像生成、画像変換、超解像などを発展させ、「分類するAI」から「新しいデータを作るAI」への関心を高めました。一方で学習が不安定になりやすく、出力の多様性が失われる問題もあり、生成品質と制御の両立が研究課題になりました。

2016年、Google DeepMindの囲碁プログラム「AlphaGo」は韓国のトップ棋士イ・セドルに4勝1敗で勝利しました。デミス・ハサビス、デイビッド・シルバーらのチームは、棋譜から学ぶ教師あり学習、自己対局による強化学習、局面を評価するニューラルネットワーク、モンテカルロ木探索を組み合わせました。盤面の候補がチェスよりはるかに多い囲碁で勝利したことは、学習と探索の組み合わせが複雑な意思決定に有効であると示しました。AlphaGo Zeroでは人間の棋譜に頼らず自己対局から強くなり、データの作り方そのものをAIが担う可能性も示されました。

言語AIの大きな転換点は2017年の論文「Attention Is All You Need」です。Googleのアシシュ・ヴァスワニ、ノーム・シャジール、ニキ・パーマー、ヤコブ・ウシュコライト、リオン・ジョーンズ、エイダン・N・ゴメス、ウカシュ・カイザー、イリア・ポロスキンらは、再帰型ニューラルネットワークに頼らず、単語どうしの関係をAttentionで計算するTransformerを提案しました。文章中の離れた語の関係を捉えやすく、系列を並列に処理できるため、大量データと大規模計算を使った学習を拡張しやすい構造でした。

2018年、GoogleはTransformerのエンコーダーを使った「BERT」を発表しました。ジェイコブ・デブリン、ミンウェイ・チャン、ケントン・リー、クリスティーナ・トータノヴァらは、文章の左右両方の文脈から単語表現を事前学習し、質問応答や分類などへ微調整する方法を示しました。一つの大規模モデルをまず汎用データで学習し、個別課題へ適応させる「事前学習とファインチューニング」が標準になり、企業は課題ごとにモデルをゼロから作る必要が減りました。

OpenAIは、Transformerのデコーダーを使い、次の単語を予測する学習を大規模化したGPTシリーズを進めました。GPT、GPT-2を経て、2020年のGPT-3は1750億パラメータを持ち、少数の例をプロンプトに示すだけで翻訳、質問応答、文章生成などを行う能力を示しました。イリヤ・サツケヴァー、アレック・ラドフォード、トム・ブラウンら多くの研究者の仕事により、モデルへ追加学習を行わなくても、自然言語の指示だけで仕事を切り替える「in-context learning」が広く認識されました。

同じ2020年、Facebook AI Research（現Meta AI）のパトリック・ルイスらはRAG（検索拡張生成）を発表しました。モデル内部のパラメータだけを知識源にせず、外部文書を検索して生成に使う仕組みです。学習済みモデルが持つ知識は更新しにくく、出典を特定しにくいという問題があります。RAGは検索システムと生成モデルを結び、社内文書、製品マニュアル、最新情報を回答へ反映する道を開きました。現在の業務向け生成AIで、ベクトルデータベース、文書分割、埋め込み、再ランキングが重視される背景にはこの流れがあります。

科学分野では、DeepMindの「AlphaFold2」が2020年のCASP14でタンパク質立体構造予測の精度を大きく前進させました。2021年にNature論文とコードが公開され、2022年には欧州分子生物学研究所のEMBL-EBIと連携したデータベースが2億件を超える予測構造を提供しました。AIが消費者向けサービスだけでなく、生命科学の研究基盤にもなり得ることを示した例です。AI開発の評価軸は、ゲームやベンチマークの点数から、科学的発見をどれだけ速めるかへも広がりました。

2021年以降、「基盤モデル」という考え方が産業の中心になりました。大量のデータで事前学習した大規模モデルを、文章作成、検索、要約、コード生成、画像理解など多くの用途へ転用します。モデルを一から学習できる企業は限られますが、APIやクラウドを通じて能力を利用できるようになり、スタートアップや一般企業も生成AIを製品に組み込み始めました。モデル開発、クラウド計算、アプリケーション開発が分業され、AI産業の層が厚くなりました。

画像生成では、拡散モデルがGANに代わる有力な方式になりました。OpenAIのDALL·E、Midjourney、Stability AIが公開したStable Diffusionなどにより、文章から画像を作る操作が一般利用者へ広がりました。Stable Diffusionはモデルの重みが広く配布されたことで、研究者や開発者が自分の環境で改良し、追加学習や制作ツールを作る動きを促しました。同時に、学習データの権利、作風の模倣、偽画像、透かしや来歴表示をめぐる議論も急速に大きくなりました。

最大の社会的転換は、OpenAIが2022年11月30日に公開した「ChatGPT」です。GPT-3.5系のモデルを対話形式で使えるようにし、人間の評価を用いる強化学習（RLHF）によって指示に従いやすくしました。専門的な操作画面ではなく、質問を入力すれば会話が続く製品設計だったため、プログラマー以外の人も文章作成、要約、学習、企画、コード支援を試せました。モデルの発明だけでなく、対話インターフェース、無料試用、フィードバック収集を組み合わせた製品化が普及を加速しました。

2023年3月、OpenAIは画像と文章を入力として扱えるGPT-4を発表しました。MicrosoftはOpenAIとの提携とAzureの計算基盤を背景に、GitHub CopilotやMicrosoft 365 Copilotなどへ生成AIを広げました。Anthropicは同月に対話AI「Claude」を公開し、憲法AIと呼ぶ安全性の研究方針を打ち出しました。MetaはLlama 2の重みを一定条件で提供し、企業や研究者によるオープンウェイトモデルの利用を拡大しました。Googleは2023年12月にGeminiを発表し、文章、画像、音声などを扱うマルチモーダル設計を前面に出しました。

競争の焦点は、単純な文章の流暢さから、正確さ、長い文脈、ツール利用、速度、費用、安全性へ移りました。生成AIには、事実でない内容を自然に述べるハルシネーションがあります。また、学習データに含まれる偏り、機密情報の入力、著作権、なりすましといった問題もあります。企業はプロンプトだけでなく、RAG、アクセス制御、人による確認、ログ、評価データ、ガードレールを組み合わせる必要が生じました。「大きなモデルを持つこと」から「信頼できる業務システムとして運用すること」へ課題が広がった時代です。

2024年以降、モデルの能力を高める方法として、学習時の計算量だけでなく、回答を出すときに検討へ使う計算量が注目されました。OpenAIが2024年9月に発表したo1は、難しい数学、科学、プログラミング問題について、回答前に複数段階の推論を行う方向を示しました。入力の直後に一度で答えを作るだけでなく、問題を分解し、候補を検討し、誤りを修正する能力を強化する考え方です。各社も推論に重点を置くモデルを開発し、評価は知識量だけでなく、複雑な課題を安定して完了できるかへ移っています。

もう一つの中心がAIエージェントです。従来のチャットは質問に文章で答えることが中心でした。エージェントは目標を受け取り、必要な情報を検索し、ファイルやデータベースを読み、外部ツールやAPIを呼び、結果を確認しながら複数段階の作業を進めます。OpenAIは2025年にResponses APIとAgents SDKを発表し、ウェブ検索、ファイル検索、コンピューター操作などを組み合わせる開発基盤を提供しました。AnthropicのClaude、GoogleのGemini、MicrosoftのCopilot製品群も、会話からツール利用と業務実行へ範囲を広げています。

ソフトウェア開発はエージェント化が早く進んだ領域です。GitHub Copilotはコード補完からチャットや作業支援へ発展し、Cursor、Claude Code、OpenAI Codexなどは、リポジトリを読み、ファイルを変更し、コマンドやテストを実行する作業を支援します。OpenAIが2025年に公開したCodexのクラウド型コーディングエージェントは、隔離された環境で複数の開発作業を並行して進める形を示しました。2026年のCodexアプリは、長時間の作業、スキル、複数エージェントの管理を一つの作業画面へまとめる方向を打ち出しています。

エージェントが行動できるほど、誤りの影響も大きくなります。文章の間違いなら人が読み直せますが、メール送信、購入、データ更新、コード公開を誤れば外部へ影響します。そのため、権限を必要最小限にする、人の承認点を置く、操作履歴を残す、同じ処理の二重実行を防ぐ、失敗時に元へ戻せるようにする、といったソフトウェア工学と統制が重要です。モデル評価も、一問一答の正解率だけでなく、長い手順の成功率、途中での回復、セキュリティ、費用、所要時間を測る必要があります。

2026年9月時点では、OpenAIがエージェント向けの開発・実行基盤を拡張する一方、小型言語モデル（SLM）、端末上で動くモデル、オープンウェイトモデルも発展しています。すべてを巨大なクラウドモデルへ送るのではなく、速度、費用、プライバシー、専門性に応じてモデルを使い分ける構成が増えました。Mixture of Experts（MoE）で入力ごとに一部の専門ネットワークを使う方法、画像や音声を一体で扱うVLM、企業独自データを参照するRAGなど、モデルと周辺技術の組み合わせが製品の違いを作っています。

社会制度も技術と並行して整備されています。欧州連合のAI Actは2024年8月1日に発効し、禁止される利用、高リスクシステム、汎用AIモデルなどに段階的な義務を設けました。多くの規定は2026年8月2日から適用されますが、例外や移行期間があります。企業にとってAI開発は、精度の高いモデルを選ぶだけの仕事ではありません。データの出所、利用目的、説明、監視、事故対応を含めて責任ある運用を設計する仕事になっています。

初期のAI研究は、MIT、スタンフォード大学、カーネギーメロン大学、ダートマス大学などの大学と、米国国防高等研究計画局（DARPA）などの公的資金に強く支えられていました。IBM、ベル研究所、RAND、SRIのような企業・研究機関も、長期の基礎研究を担いました。当時は一つの研究室がアルゴリズムからハードウェアまで広く扱いましたが、現代のAIは半導体、クラウド、基盤モデル、データ、アプリケーションという複数の産業層に分かれています。

計算基盤ではNVIDIAのGPUとCUDAが大きな位置を占め、クラウドではAmazon Web Services、Microsoft Azure、Google Cloudが計算資源を提供します。基盤モデルではOpenAI、Google DeepMind、Anthropic、Meta、Microsoft、Amazonなどが競争し、各社のモデルやAPIを使って多数のソフトウェア会社が業務製品を作ります。Hugging Faceはモデルやデータセットを共有する場を提供し、オープンウェイトのエコシステムを支えました。AIの進歩は、論文の新規性だけでなく、半導体の供給、データセンターの電力、開発者向けAPI、配布経路によっても左右されます。

スタンフォード大学のAI Index 2025によれば、2024年に公表された注目度の高いAIモデルの大半を産業界が生み出す一方、高く引用される研究では大学が中心的な役割を保っています。同報告は、組織によるAI利用や生成AIへの民間投資が大きく増えたことも示しています。これは基礎研究と製品開発が分離したという意味ではなく、大学が人材と新しい理論を生み、企業が巨大な計算資源で規模を拡大し、オープンな研究コミュニティが検証と改良を進める相互依存が強まったということです。

製品の名前だけを追うと、AI史は短期間で入れ替わる流行に見えます。しかし製品の背後には、半世紀以上続く研究課題があります。ChatGPTの対話にはELIZA以来の人と機械の関係が、CopilotやCodexのツール利用にはShakeyの知覚・計画・行動が、RAGにはエキスパートシステム以来の外部知識管理が、推論モデルには探索と評価の考え方が重なっています。新製品を理解するときは、どの古い課題を、どの新しいデータ・計算・設計によって解き直したのかを見ると本質を捉えやすくなります。

第一の転換は、「規則を書く」から「データから学ぶ」への移行です。記号的AIとエキスパートシステムでは、人が知識と推論規則を記述しました。機械学習では、正解例と損失関数を用意し、モデル自身が判断境界や特徴を獲得します。深層学習では画像や文章の特徴表現まで学習対象になりました。ただし規則が不要になったわけではありません。法令、金額上限、承認権限のように明確で確実に守る必要がある条件は、現在もプログラムや業務規則として外側に置く方が安全です。

第二の転換は、「一つの課題に一つのモデル」から「一つの基盤モデルを多くの課題へ」への移行です。1990年代の分類器は、目的ごとに特徴量と学習データを準備するのが一般的でした。BERTやGPT以降は、大量データで事前学習したモデルを、プロンプト、追加学習、RAGで多様な仕事へ適応させます。この再利用性が普及を速めましたが、一つのモデルの不具合や利用規約の変更が多くの製品に影響するという集中リスクも生みました。

第三の転換は、「モデルの精度」から「システムとしての信頼性」への視野の拡大です。モデル単体のベンチマークが高くても、検索する文書が古い、権限設定が間違っている、入力形式が崩れる、外部APIが失敗する、といった理由で業務は完了しません。生成AIとエージェントの時代には、評価データ、出典表示、監視、再試行、キャッシュ、アクセス制御、人による承認が品質を決めます。AI開発はモデル研究だけでなく、ソフトウェア設計と業務設計の仕事になりました。

第四の転換は、「能力を示す」から「影響に責任を持つ」への移行です。初期研究では、定理を証明した、ゲームに勝ったという達成が中心でした。AIが採用、融資、医療、教育、行政、創作へ入ると、平均精度だけでは不十分です。誰に誤りが集中するか、異議申し立てができるか、データを正当に使っているか、環境負荷はどれほどかを考える必要があります。安全性、説明可能性、公平性、プライバシー、セキュリティは、性能とは別に後付けする項目ではなく、利用目的を決める段階から組み込む設計条件になっています。

この四つの転換を知ると、AIという語が指す範囲の広さを整理できます。ルールベースの診断システムも、画像分類モデルも、ChatGPTも、ツールを操作するCodexもAIですが、知識の持ち方、学習方法、出力の確率性、行動できる範囲が違います。製品名や流行語だけで判断せず、「何を入力し、何を学び、どの外部情報を参照し、どこまで行動し、誰が結果を確認するのか」を分けて見ることが、技術を正しく評価する近道です。

今後のAI開発は、モデルをひたすら巨大化する一方向だけには進まないと考えられます。高性能な大規模モデルは難しい推論や幅広い知識を担当し、小型モデルは端末上の高速処理や機密データを扱い、検索システムは更新可能な事実を供給し、明示的なプログラムは計算と規則を確実に実行する、という分業が進みます。用途に応じて複数のモデルやツールを選び、コストと品質を管理する「モデルオーケストレーション」が重要になります。

研究課題も残っています。モデルがなぜ特定の答えを出したかを十分に説明すること、少ないデータで新しい技能を学ぶこと、現実世界の因果関係を理解すること、長期の目標を忘れずに行動すること、誤った前提から安全に回復することです。ロボットでは、言葉の理解と物理世界の感覚・運動を結び付けなければなりません。科学AIでは、もっともらしい仮説を出すだけでなく、実験や証明によって検証する仕組みが必要です。

AIの歴史は、過大な期待と失望を二度経験し、そのたびに評価方法と実用条件を学んできました。現在の技術が強力であることと、すべての問題を解決できることは同じではありません。業務へ導入するときは、デモの印象より、対象データでの検証、失敗例、費用、責任分担を確認する必要があります。反対に、過去に失敗したアイデアでも、データと計算能力が整えば新しい形で成功する場合があります。ニューラルネットワークの復活がその代表です。

1940年代の人工ニューロンから2020年代のAIエージェントまでを通して見えるのは、知能が一つの部品ではなく、多くの仕組みの組み合わせだということです。学習するモデル、検索できる知識、計画する手順、操作するツール、結果を評価する基準、人の判断が連携して初めて、AIは社会で役に立ちます。これから登場する製品を理解するためにも、性能の数字だけでなく、その製品がどの歴史的な課題を引き継ぎ、どの部分を新しく解決したのかを確かめる視点が役立ちます。