Arc 1「黎明」

Scene 1: ダートマスの夏 — AIという夢の始まり

所要時間: 約10分（読み物8分 + 確認問題2分）

ある提案書

1956年の夏。アメリカ東海岸、ニューハンプシャー州の小さな大学町ダートマス。

ここに4人の若い研究者が集まった。ジョン・マッカーシー、マービン・ミンスキー、 ナサニエル・ロチェスター、クロード・シャノン。彼らは大学に1つの提案書を出した。

「学習のあらゆる側面、あるいは知能のあらゆる特徴は、原理的には 機械がシミュレートできるほど正確に記述できる。」

この一文が、「人工知能（Artificial Intelligence）」という言葉を生んだ。 彼らは2ヶ月の夏季ワークショップで、思考する機械の設計図を描こうとした。

ここで注意してほしい。彼らは「計算する機械」を作ろうとしたのではない。 「考える機械」を作ろうとしたのだ。この違いが、AIの歴史全体を貫く 最も重要な問いになる。

なぜこの会議が歴史を変えたか

ダートマス会議以前、「知能を機械で再現する」という発想はSFの世界だった。 しかし、3つの知的潮流がこの時期に合流した：

なぜこの会議が必要だったか？

それまで、数学者は「何が計算可能か」を考え、神経科学者は「脳がどう計算するか」を考え、 工学者は「計算機を作る」ことに集中していた。3つの分野は繋がっていなかった。

マッカーシーたちが天才的だったのは、これらを1つの問いに統合したことだ：

「知能そのものを、機械上に再現できるか？」

この問いは、今日までAI研究の中心にある。そして「人工知能」という名前をつけたことで、 この研究分野は1つのアイデンティティを得た。名前がなければ、予算も学会も人材も 集まらない。命名こそが、この会議の最大の功績かもしれない。

先に考えてみる（答えられなくてOK — 考えるだけで意味がある）

ここで1つ考えてみてほしい。

Q: 「機械が知能を持っている」ことを、どうやって証明すればいいだろうか？

見た目？ 会話？ テストの点数？ 自己意識？

1950年、ダートマス会議の6年前に、ある数学者がこの問いに対する 画期的な提案をしていた。

→ 答えは次のセクションで。

チューリングテスト — 知能を測る最初の物差し

アラン・チューリングは1950年の論文 "Computing Machinery and Intelligence" で、 「機械は考えることができるか？」という問いを、別の問いに置き換えた。

模倣ゲーム（Imitation Game）: 人間の審査員が、画面越しにテキストで会話する。 相手が人間なのか機械なのか、区別できなければ、 その機械は「知能がある」と見なしてよい。

3つの視点で理解する

① 直感的に: テストに来た人が、カーテン越しに誰かと話す。 相手がロボットだと気づけなければ、そのロボットは「十分に賢い」。

② 哲学的に: チューリングは意図的に「意識」の問題を避けた。 「考えているか」ではなく「考えているように振る舞えるか」に問いを変えた。 これは行動主義的なアプローチで、内面の状態を問わず、 外部から観測可能な振る舞いだけで判断する。

③ 限界を意識して: - 中国語の部屋（ジョン・サール, 1980）: ルールに従って中国語を返す人は 中国語を「理解」しているか？ → チューリングテストの根本的批判 - 現代のLLMは事実上チューリングテストを通過するが、 それは「知能がある」と言えるのか？ → 今も議論が続く

この時代に何が変わったか

ダートマス会議（1956）とチューリングテスト（1950）がもたらしたブレイクスルー：

特に重要なのは2つのアプローチの分岐だ:

この対立構造は、これから学ぶ全ての技術の背景に流れている。

補足: 記号主義 AI の代表例 — STRIPS と古典的計画

記号主義の系譜で生まれた重要な仕事の一つが STRIPS (Stanford Research Institute Problem Solver, Fikes & Nilsson 1971) だ。 ロボット Shakey に「物体を別の部屋に移動する」のような目標を与えると、 事前条件と効果を持つ「行動」を組み合わせて計画（行動の系列）を自動生成する。

  状態: ロボットがA室にいる、箱がB室にある
  目標: 箱がA室にある
  行動候補:
    move(x→y): 事前条件=「xにいる」、効果=「yにいる, ¬xにいる」
    push(box, x→y): 事前条件=「ロボットとboxがxにある」、効果=「両方yに」

  STRIPS の出力（計画）:
    move(A→B) → push(box, B→A)

これは現代の PDDL（Planning Domain Definition Language）の祖先であり、 近年は LLM+P や SayCan のように LLM とも統合されてロボットの行動計画に 使われている（→ ロボティクス分野の独立トピック）。

記号主義は「説明可能性」「論理的厳密性」で勝るが、現実世界の不確実性や スケールに弱い。一方の結合主義（NN）はこの逆で、深層学習以降は応用面で 圧倒的優位に立っている。

CNN も Transformer も GPT も、全て結合主義の子孫だ。

ここまでの Concept Map:

次章への問い

ダートマス会議の参加者たちは楽観的だった。 マービン・ミンスキーは「一世代のうちに知能の問題は実質的に解決される」と豪語した。

そして会議のわずか翌年、パーセプトロンという装置が発明される。 これは人類が初めて作った「学習する機械」だった。 メディアは「考える機械が完成した！」と騒いだ。

ところが、この装置にはある致命的な限界があった。 その限界を1冊の本で暴かれたとき、AI研究は最初の「冬」に突入する。

パーセプトロンは何ができて、何ができなかったのか？

→ 次章: 「最初の人工ニューロン — パーセプトロンの興奮と絶望」

Scene 2: 最初の人工ニューロン — パーセプトロンの興奮と絶望

所要時間: 約9分（読み物7分 + 確認問題2分）

前章のふりかえり

前章の最後で、こう問いかけた:

Q: パーセプトロンは何ができて、何ができなかったのか？

Scene 1 で学んだ「記号主義 vs 結合主義」の分岐を思い出してほしい。 記号主義は「ルールを人間が書く」。では結合主義は？ — 機械自身に学習させる。

その最初の実装が、パーセプトロンだった。

海軍が買った「考える機械」

1957年、コーネル大学の心理学者フランク・ローゼンブラットが パーセプトロンを発明した。

これは400個の光センサーを持つ物理的な装置で、 簡単な図形（例えば三角形と四角形）を見分けることができた。 しかも、人間がルールを教えなくても、自分で学習した。

ニューヨーク・タイムズはこう報じた:

「海軍は、歩き、話し、見て、書き、自己を再生産し、 自分の存在を意識する電子計算機の原型を公開した。」

アメリカ海軍は巨額の研究費を投じた。 「ついに考える機械ができた」と世界が沸いた。

しかし現実は、メディアの報道とはかけ離れていた。

なぜ「学習する機械」が必要だったか

ダートマス会議（Scene 1）で生まれた2つのアプローチを振り返ろう。

「どうやって」の答えが、生物の脳のニューロン（神経細胞）にあった。

1943年、マカロックとピッツは人工ニューロンのモデルを提案していた:

ローゼンブラットはこれを数式にした。それがパーセプトロンだ。

先に考えてみる（答えられなくてOK）

Q: 複数の入力に「重み」をつけて足し合わせ、ある閾値を超えたら 1を出力する装置がある。この装置で AND（AかつB）の計算はできるだろうか？

ヒント: A=1, B=1 のときだけ 1 を出したい。 重みと閾値をどう設定すればいい？

→ 考えたら次へ。

パーセプトロンの数学

直感的に

入力に重みを掛けて足し、閾値を超えたら 1 を出す。これが計算点 1 個の全部だ。

重みは「その入力をどれだけ重く見るか」を表す。重みが大きい入力ほど合計への効き方が強く、 負の重みなら逆向きに効く。合計が閾値を超えるかどうかだけで、出力は 0 か 1 に決まる。

数学的に

この f はステップ関数（活性化関数の最初の形）。 後の章で、これが sigmoid → ReLU と進化していく。

図解：AND と OR を解くパーセプトロン

ここで重要なのは、パーセプトロンが幾何学的に何をしているかだ:

パーセプトロンとは、入力空間に直線（超平面）を引いて、 2つのクラスに分ける装置だ。

学習アルゴリズム

しかも、重みを自動で調整できる:

η（イータ）は学習率。後の章で SGD, Adam として再登場する概念。

これが人類初の「機械学習アルゴリズム」だった。

突破... そして絶望

パーセプトロンの成果: - AND, OR, NOT を学習できた - 簡単なパターン認識（文字、図形）に成功 - 人間がルールを書かなくても、データから学ぶ ことを証明した

ここまでは素晴らしい。しかし1969年、事態は一変する。

マービン・ミンスキーとシーモア・パパートが 著書 "Perceptrons" で数学的に証明してしまった:

「パーセプトロンは XOR（排他的論理和）を解けない。」

パーセプトロンは「直線で分けられる問題」しか解けない。 これを線形分離可能性という。

現実の問題の大半は線形分離不可能だ。 画像認識も、音声認識も、自然言語処理も。

ミンスキーの本の衝撃は絶大だった。 研究資金は凍結され、研究者はニューラルネットから離れていった。 第1次AI冬の始まりだ。

次章への問い

パーセプトロンは死んだ。少なくとも、世間はそう思った。

しかし考えてみてほしい。Q3 で見たように、 直線を2本引ければ XOR は解ける。 つまり「層を重ねる」ことで限界を突破できるはずだ。

では、なぜすぐに多層パーセプトロンが作られなかったのか？

実は、層を重ねると学習ができなくなるという新たな壁があった。 2層目以降の重みをどう調整すればいいか、誰にもわからなかった。

この壁が破られるのは、1986年のある論文まで待たなければならない。 そしてその間、AI研究全体が「冬」に沈む。

AI冬の時代に、何が起きて、何が失われ、何が生き残ったのか？

→ 次章: 「凍てつく冬 — なぜAIは2度死んだのか」

Concept Map 更新:

Scene 3: 専門家の時代 — 光は形を変える

所要時間: 約16分（読み物13分 + 確認問題3分）

前章のふりかえり

前章 (Scene 2) の最後で、こう問いかけた:

Q: パーセプトロンは「直線 1 本」の壁で挫折した。では、別の道はあったのか?

線形分離可能性の壁にぶつかった結合主義が冬を迎えた一方、AI研究の主役はもう一つの道に移っていた。

それが記号主義 (Symbolic AI) — 人間が「専門家の頭の中のルール」を機械に書き写すアプローチだ。

両者は表面上別の話に見えて、実は同じ壁にぶつかったことを、この章で見る。

医師を超えた機械

1976 年、スタンフォード大学。 エドワード・ファイゲンバウムと若き医学者エドワード・ショートリフが、 ある実験システムを完成させた。その名は MYCIN。

ブラインドテストの結果、研究室は静まり返った。 MYCIN は、感染症専門医と同等以上の正診率を示したのだ (ブキャナン & ショートリフ 1984)。

ファイゲンバウムはこの時、確信したという —— 「専門家の知識を、機械が"所有"できる時代が、始まったのだ」と。

そして 1980 年、DEC は XCON という別のシステムを社内導入。 顧客の注文に応じてコンピューターの構成を組み立てるこのシステムは、 のちに年間 2500 万ドルの節約（1986 年時点の推計）を生むまでに育つ。

AI が、初めて金を生んだ瞬間だった。

ベンチャー、株式市場、メディアが沸いた。 だが、その「光」がなぜ消えたか、知っているだろうか?

なぜ「知る機械」が必要だったか

Scene 2 で見た結合主義が冬を迎えた 1970 年代、 研究者たちはもう一つの道を真剣に追っていた:

これは魅力的な発想だった: - 専門家は限られた人数しかいない - ルールは安価にコピーできる - 機械は疲れない、忘れない

「世界中の知識を、機械に詰め込めば、心に近づける」 —— ファイゲンバウムは本気でそう信じていた。

そして 1982 年、日本は国家規模でこの賭けに乗った。 通産省は『第五世代コンピュータ計画』を立ち上げ、 10 年で約 540 億円を投じる。米国とは別の道で、同じ夢に挑んだ。

先に考えてみる（答えられなくてOK）

Q: あなたが「自転車に乗る方法」を IF-THEN ルールで書き出してみよう。

  IF (バランスが右に崩れる) THEN ???
  IF (バランスが左に崩れる) THEN ???
  IF (登り坂) THEN ???
  ...

書けるだろうか? 書けたとして、そのルールに従えば本当に自転車に乗れるだろうか?

→ 考えたら次へ。

エキスパートシステムの仕組み

直感的に

エキスパートシステムは 「ルールと事実の貯蔵庫 + 自動推論機」 だ。

「確信度 (Certainty Factor, cf)」は、ルールの確からしさを 0-1 の数値で 表現したもの。MYCIN は cf を掛け合わせて推論し、医師の『たぶん』を 機械が扱える形に翻訳した。

同時代の兄弟たち

エキスパートシステムは MYCIN だけではない。同時代に多様な系譜が生まれた:

知識表現の枠組み

ルールだけでは世界を記述しきれない。研究者たちは知識表現 (Knowledge Representation) の枠組みを発展させた:

• Frame: オブジェクトの属性を構造化 (ミンスキー 1974)
• Semantic Network: 概念間の関係をグラフで表現
• Description Logic: 集合論的に概念を定義

これらは後に Knowledge Graph (Google KG, Wikidata) や、 RDF / OWL などの Web 標準として生き続けている。

Prolog と論理プログラミング

第 5 世代計画が採用した Prolog は、宣言型プログラミングの代表:

  parent(tom, bob).
  parent(bob, alice).
  ancestor(X, Y) :- parent(X, Y).
  ancestor(X, Y) :- parent(X, Z), ancestor(Z, Y).

  ?- ancestor(tom, alice).
  → true.  (機械が自動で推論)

「事実」と「ルール」を書くだけで、機械が自動で答えを推論する —— これは現代の SAT/SMT ソルバー、Datalog、 Answer Set Programming に直結する。

突破... そして暗黙知の壁

エキスパートシステムは確かに成果を生んだ: - MYCIN は医師を超えた - XCON は金を生んだ - 数千の商用システムが稼働した

しかし 1987 年、AAAI カンファレンスで誰かが指摘した:

「expert systems は環境が変わるとルールが破綻する。 我々は『脆さ』を見落としていた。」

そして決定的な壁が見えた:

暗黙知 (Tacit Knowledge) の壁

哲学者ポラニーが 1966 年に指摘した概念。 「我々は、語ることができる以上のことを知っている」(We can know more than we can tell)。

  医師との対話:

  エンジニア: 「先生、診断時に何をもとに判断していますか?
              ルールにすると?」

  医師:     「……『なんとなく』としか言えない症例も多い。
              長年の経験というか —— そう、感じるんだ。」

       ↑
  この「感じる」を IF-THEN で書けない。
  人間の専門知の核心部分は、言語化を拒む。

これが Knowledge Acquisition Bottleneck (知識獲得ボトルネック) だ。

Symbolics 倒産 (1990)

専用 LISP マシン産業の崩壊。 専門家を機械に閉じ込めることはできなかった。

「事前定義の壁」—— Scene 2 との同型構造

ここで Scene 2 を思い出してほしい。

両方とも「人間が事前にすべてを定義する」アプローチの壁にぶつかった。 表面は別技術、構造は同じ。

Bitter Lesson (サットン 2019)

リチャード・サットン (強化学習の大家) は 2019 年、この教訓を一文で書いた:

"We have to learn the bitter lesson that building in how we think we think does not work in the long run."

(人間が「自分はこう考えると思っている方法」を機械に組み込もうとしても、 長期的には機能しない)

これが The Bitter Lesson (苦い教訓)。 70 年の AI 史を貫く、最大の経験則のひとつ。

しかし、これは敗北の物語ではない

Bitter Lesson は「記号主義は無意味だった」とは言っていない。 Symbolic AI が残した遺産は今も生きている:

そして今日、エンジニアが日々向き合う議論:

• NN か、物理モデルか? (PINN: Physics-Informed Neural Networks)
• データ駆動か、帰納バイアスか? (World Models, Neural ODE)
• End-to-end 学習か、モジュール設計か? (Sim-to-Real、Robotics)
• LLM だけか、Symbolic と組み合わせるか? (Toolformer, RAG, Function Calling)

これらは全部、Bitter Lesson の現代的反復だ。

70 年前のファイゲンバウムとヒントンの対立は、今もエンジニアの間で続いている。

次章への問い

エキスパートシステムは冬を迎えた。少なくとも、業界はそう思った。

しかし考えてみてほしい。「機械が自分で学ぶ」道は、本当に死んだのか?

Scene 2 page 10 で、ヒントンたちが地下で何かを続けていたのを覚えているだろうか?

  1986 年、3 人の研究者 (ラメルハート、ヒントン、ウィリアムズ) が、
  ある論文を発表していた:

  「Learning representations by back-propagating errors」

  これが、層を重ねたニューラルネットを学習させる方法 ——
  バックプロパゲーション (誤差逆伝播法) だ。

XOR の壁は、層を 1 つ増やすことで越えられる。 だが、その「層を増やせば学習できる」という発想を実装する技術が、 ここ Scene 3 の時代 (1980s) に静かに育っていた。

そして 2006 年、ヒントンが深いネットワークを学習させる手法 (Deep Belief Nets) を発表する。さらに 2012 年、AlexNet が ImageNet を制する。

Bitter Lesson の予言が、現実になった瞬間だ。

→ 次章 (Arc 2): 「目覚め — Deep Learning と "学ぶ機械" の勝利」

Concept Map 更新:

参考文献

• Buchanan, B. G., & Shortliffe, E. H. (1984). Rule-based Expert Systems: The MYCIN Experiments of the Stanford Heuristic Programming Project. Addison-Wesley.
• McDermott, J. (1982). R1: A Rule-Based Configurer of Computer Systems. Artificial Intelligence, 19(1), 39-88.
• Feigenbaum, E. A., & McCorduck, P. (1983). The Fifth Generation. Addison-Wesley.
• Fikes, R. E., & Nilsson, N. J. (1971). STRIPS: A new approach to the application of theorem proving to problem solving. Artificial Intelligence, 2(3-4), 189-208.
• Lenat, D. B. (1995). CYC: A large-scale investment in knowledge infrastructure. Communications of the ACM, 38(11), 33-38.
• Polanyi, M. (1966). The Tacit Dimension. University of Chicago Press.
• Sutton, R. (2019). The Bitter Lesson. http://www.incompleteideas.net/IncIdeas/BitterLesson.html
• Rumelhart, D. E., Hinton, G. E., & Williams, R. J. (1986). Learning representations by back-propagating errors. Nature, 323(6088), 533-536.