EPOCH › Arc 1「黎明」 › エキスパートシステムとは

エキスパートシステムとは

専門家の知識を「IF 〜 THEN 〜」のルールとして書き出し、推論エンジンがそれを連鎖的に当てはめて結論を出すしくみ。1970〜80 年代の第2次AIブームの主役で、感染症診断の MYCIN、化学構造を推定する DENDRAL、コンピュータの構成を自動化した XCON などが知られる。専門家の知識をルールに書き起こす作業が限界に突き当たり（知識獲得のボトルネック）、ブームは終わった。

• しくみ：知識ベース（ルール）＋推論エンジン＋作業メモリ
• MYCIN：確信度（CF）を導入し、医師の「たぶん」を数値として扱った
• 限界：専門家自身が言葉にできない知識（暗黙知）はルールにできない＝知識獲得のボトルネック
• G検定では：第2次ブーム＝知識表現。代表的なシステム名と年代、衰退の理由が問われる

くわしく — 巻末解説より

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。

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。

あわせて読む

• 図解：MYCIN の診断を医師役で動かす
• 図解：Cyc の常識推論を動かす
• 図解：STRIPS のプランナーを動かす
• ダートマス会議とは
• XOR問題とは — 単純パーセプトロンの限界
• AIの歴史 年表（1936〜1988）
• G検定 用語集 — AIの歴史と第1〜2次ブーム