人工知能の通史 — 期待と冬を繰り返したAIは、計算資源で息を吹き返した

ChatGPTのような生成AIの土台にある人工知能(AI)は、1950年代に生まれた研究分野だ。 期待が膨らみ、成果が追いつかず、資金が引いて冬が来る。この循環を何度も繰り返してきた。 流れを変えたのは新しい理論だけでなく、計算資源とデータが手に入りやすくなったことだった。 資金の出し手と設備投資という経済の側から、その通史をたどる。

1950年、アラン・チューリングは、学術誌『Mind』に一本の論文を載せた。題は「計算機械と知能」。冒頭に置かれた問いは、機械は考えることができるか、の一行である(チューリングの論文による)。

チューリングは、この問いに正面から答えようとはしなかった。「考える」の定義に踏み込む代わりに、問いを別の形に置き換えた。姿の見えない二人のうち、どちらが人間でどちらが機械かを、質問する側が当てられるかを試す。この「模倣ゲーム」という思考実験である。論文には、50年ほどのうちに、記憶容量が10の9乗ほどのコンピュータが模倣ゲームをうまくこなせるようになる、という予想も書かれている。さらに、大人の心を模すプログラムではなく、子どもの心を模すプログラムを作って学ばせてはどうか、とも提案した。学習する機械という発想は、すでに1950年に紙の上にあった。

ただし、その発想を動かす道具が当時はなかった。チューリングには、アイデアを実行に移すだけの計算資源がなかった(スタンフォード大学AI100報告による)。この「発想が先、計算資源が後」という順序は、この先の通史で何度も顔を出す。

1955年、ダートマス大学のジョン・マッカーシー、ハーバード大学のマービン・ミンスキー、IBMのロチェスター、ベル研究所のクロード・シャノンの4人が、ある提案書をまとめた。翌1956年の夏、ダートマス大学で、2か月・10人の人工知能(artificial intelligence)の研究会を開きたい、という内容である。学習をはじめ知能のあらゆる側面は、機械が模倣できるほど正確に記述できる。提案書はそう仮定して出発した。研究テーマには、神経細胞を模した回路を組む「ニューロン・ネット」も並んだ(ダートマス提案書による)。

この提案書は、ロックフェラー財団に資金援助を求める申請書でもあった。人工知能という言葉の命名者はマッカーシーとされ、研究分野としての誕生は1956年の研究会に置かれている(AI100報告による)。この研究会は、AIという分野にとって画期的な出来事とされる(ダートマス大学による)。その名前が掲げられた文書が、資金の申請書だったのである。

「機械は考えることができるか」

1950年 チューリング論文「計算機械と知能」冒頭の問い(英語原文からの訳)

1958年、米海軍の研究機関が、ある装置を公開した。心理学者フランク・ローゼンブラットが設計した「パーセプトロン」である。人工のニューラルネットワーク(神経細胞を模した計算の仕組み)の一種である。ニューヨーク・タイムズの見出しは、海軍の新装置が「やりながら学ぶ」と伝え、読み書きを覚えて賢くなっていくコンピュータの胎児、と紹介した(AI100報告・コーネル大学の記事による)。

1969年、ミンスキーとシーモア・パパートが著書『パーセプトロン』でこの方式を批判し、ローゼンブラットの研究は事実上、行き場を失った。連邦政府のAI研究資金が干上がった「AIの冬」は、数十年に及んだ(コーネル大学の記事による)。

英国でも、資金の流れを変える評価が出た。1970年代の初め、科学研究評議会は、数学者ジェームズ・ライトヒルにAI研究の評価を頼んだ。英国のAI研究は約束した成果を出していないのではないか、という疑いがあったためだ(王立協会のブログによる)。

結論は厳しかった。分野のどこを見ても、発見は当初約束されたほどの影響を生んでいない。ライトヒルはその原因として、組み合わせが爆発的に増えて手に負えなくなる「組み合わせ爆発」を挙げ、物の形を見分けるだけでも膨大な計算時間がかかる点を、もっとも意気をくじく事実として示した(ライトヒル報告による)。報告の衝撃は大きく、英国の基礎的なAI研究への資金は短期間で干上がった(王立協会のブログによる)。ライトヒルは、AIが一つの統合された研究分野として成り立つのかにも疑問を示している(王立協会のブログによる)。

専門家の知識を機械に持たせる「エキスパートシステム(専門家システム)」という方式がある。化学や医療診断のように、範囲を絞った分野ごとに知識の貯蔵庫をつくるもので、ファイゲンバウムらがその構築を主張した(AI100報告による)。

ハードも専用化した。AI向けに好まれたプログラミング言語LISPは、高価な汎用コンピュータの上では遅かった。そこで、LISPを速く、しかも安く動かす専用機が作られ、1986年に登場したLMI社のLambdaはその一つである(コンピュータ歴史博物館による)。

国も動いた。1982年、日本の通商産業省が第五世代コンピュータ計画を始めた。目標は、知識を扱う情報処理に向けた新しい計算機技術で、中心には新世代コンピュータ技術研究所(ICOT)が置かれた。11年間に投じられた資金はおよそ540億円で、計画は1992年に終わった(情報処理学会コンピュータ博物館による)。

米国は、DARPAの「戦略コンピューティング計画」で応じた。第五世代計画が米国のコンピュータ企業の脅威になることは結局なかったが、高性能計算の技術革新を加速させる政府の動きを呼んだ(米国学術会議の報告書による)。

それでも1980年代の半ばには、関心が薄れ、資金は干上がった。実用の面で目立った成果が乏しかったうえ、真か偽かの二択の論理に頼りすぎた設計や、不確かさを数字で扱えない点が弱みとして挙げられている。ニルソンはこの時期を「AIの冬」と呼んだ(AI100報告による)。

冬のあいだに、風向きは静かに変わっていた。1990年代、AI研究は、人間がルールを書いて知能を組み立てる行き方から離れ、データから答えを導く統計的な手法へ移っていった。背景には三つの変化がある。センサーやロボットのハードが安く、信頼できるものになったこと。インターネットが大量のデータを集められるようになったこと。そのデータを処理する計算能力と記憶装置が手に入ったこと(AI100報告による)。

1997年、IBMのディープ・ブルーがチェスの世界王者ガルリ・カスパロフに勝った。この機械は、1秒に2億の局面を評価できた(コンピュータ歴史博物館による)。計算量の積み上げが、世界王者に届いた場面だった。

データの側では、2009年にスタンフォード大学とプリンストン大学の研究者が、画像データベース「ImageNet」の論文を発表した。2010年から2017年までは、この画像を使った認識の競技会が毎年開かれた(ImageNetのサイトによる)。

2012年の競技会で、結果が大きく割れた。SuperVisionというチームの誤答率は、追加データを使った提出で15.3%、指定データだけの提出でも16.4%だった。他チームの最良は26.2%である(5候補まで答えてよい形式での誤答率)。このモデルは6,000万個のパラメータ(学習で調整される数値)を持ち、2枚のGPU(画像処理用の半導体)で1週間ほど学習させたものだった(ImageNetの競技会ページによる)。

ニューラルネットワークによる深層学習の進歩全般は、大規模な計算(特にGPU)、インターネット由来の大量データ、手法の改良が重なった結果と整理されている(AI100報告による)。1958年のパーセプトロンは、コーネル大学の記事で「60年早すぎた」と評された。多層のネットワークを訓練する方法が、当時はまだ分かっていなかった(コーネル大学の記事による)。

2017年、8人の研究者が「Attention Is All You Need(必要なのは注意機構だけ)」という題の論文を公開した。それまでの翻訳のような言語の処理は、複雑な再帰型や畳み込み型のニューラルネットワークが主流だった。論文が示したのは、注意機構(文のどこに目を向けるかを数値で決める仕組み)だけで組み立てたTransformer(トランスフォーマー)という新しい構造である(arXivの論文による)。

この構造は、性能が高いだけでなく、処理を同時並行で進めやすく、学習にかかる時間も大幅に短い。英語からフランス語への翻訳では、翻訳の品質を測る点数(BLEU)で、当時の単一モデルの最高記録となる41.8を出した。学習にかかったのは、8個のGPUで3.5日である(arXivの論文による)。

2020年には、規模を増やすと性能がどう伸びるかを測った論文が出た。言語モデルの誤差は、モデルの大きさ、データの量、学習に使う計算量のそれぞれに対して、べき乗則に従って減っていく。この関係は7桁以上にわたって当てはまった。ネットワークの幅や深さのような細かな設計の違いは、広い範囲でほとんど影響しなかった(arXivの論文による)。規模を増やしたときの改善幅を、事前に見積もれる関係が見つかったことになる。

同じ2020年、1,750億個のパラメータを持つ言語モデルGPT-3の論文が出た。従来の同種のモデル(疎でない構造のもの)の10倍の規模で、追加の学習をしなくても、文章で与えた例だけで課題をこなすことを示した(arXivの論文による)。注目度の高いAIモデルの学習に使う計算量は、約5か月で倍になるペースで増えている(AI Index 2025による)。

2022年、ChatGPTが公開された。公開から2か月で月間の利用者が1億人に達し、消費者向けのアプリとしては史上最速の伸びだったとされる(スタンフォード大学HAIによる)。

使う側の費用は急速に下がった。ある学力テストでGPT-3.5と同じ点数を出すモデルに、文章の処理量の単位(トークン)100万個分を処理させる費用は、2022年の20ドルから、2024年には0.07ドルになった。280倍を超える低下である(AI Index 2025による)。企業での利用も広がり、AIを使っていると答えた組織は2024年に78%(AI Index 2025)、その後の版では88%に達している(AI Index 2026による)。

資金は、その広がりを追いかけて膨らんだ。米国の民間AI投資は、2024年に1,091億ドルとなり、中国の12倍近くだった。2025年には2,859億ドルに増え、中国の23倍を超えた(AI Index 2025・2026による)。

計算設備の側でも数字が動いた。AI向けの計算資源は、世界全体で2022年以降、年3.3倍のペースで増えた。AI向けデータセンターの電力容量は29.6ギガワットに達し、米国ニューヨーク州のピーク時の需要に並ぶ規模になっている(AI Index 2026による)。

電力の面でも数字が動く。米国のデータセンターは、2023年に国全体の電力の4.4%を使った。2028年には6.7〜12%に増えるという見通しも示されており、背景にはAIの応用の拡大などがある(米国エネルギー省による)。

ここからは、ここまでの事実を並べ替えた筆者の読み解きである。まず、資金の出し手に注目する。1955年のダートマス提案は、ロックフェラー財団に支援を求めた。1958年のパーセプトロンは、海軍の研究機関が世に出した。1970年代の初めに評価を頼んだのは、英国の科学研究評議会だった。1980年代は、日本の通商産業省と米国のDARPAという国家計画が前面に出た。そして2025年には、注目度の高いAIモデルの90%超が企業から出ている(AI Index 2026による)。資金の出し手として、財団、軍の研究機関、国の計画、企業の投資が、それぞれの時期に顔を出している。

冬の前には、大きな約束が掲げられていた。1958年の新聞見出しが伝えた熱気のあと、1970年代の初めには厳しい評価が出た。英国では、その評価が資金の引き際になった。第五世代計画は11年で幕を閉じ、1980年代の半ばには関心も資金も引いた。

もう一つの共通点は、足りなかったものが計算資源だった点にある。チューリングには、発想を動かす計算資源がなかった。パーセプトロンは「60年早すぎた」と評された。ライトヒルは、組み合わせの爆発的な増加と膨大な計算時間を問題に挙げた。逆転は、安い計算とインターネット上の大量のデータが手に入ったときに起きた。2012年の競技会で使われたのは2枚のGPUと約1週間、2017年のTransformerは8個のGPUと3.5日だった。どちらも、1回の学習に使った数個のGPUという単位の話である。

そのあとで、規模を増やせば性能が予測どおりに伸びる関係が示された。この関係は、AIの進歩を、アイデアの競争から設備投資の競争へ寄せたと読める。供給の面では、少数の企業に集まっている。AI向け計算資源の60%超をNvidiaが占め、最先端のAIチップはほぼすべてを台湾のTSMCが製造している(AI Index 2026による)。設備投資の波は、半導体と電力という限りのある二つの資源に結びついている。

期待、過熱、失望、冬、そして計算とデータの値下がりによる再燃。この型は何度も回ってきた。生成AIの波でこれまでと違うのは、出し手の中心に企業が来て、設備と電力の重さが数字に表れている点である。

ここから先は事実ではなく、歴史の型を当てはめた思考実験である。予測でも、投資の判断材料でもない。過去の波を三つの目盛りで見直すと、これからの流れは次のように見える。

一つめは、資金の出し手の忍耐である。歴史の型に当てはめると、冬は、出し手が約束と成果の差を見て資金を引く場面として現れていたように見える。生成AIの波の出し手の中心は企業で、成果は研究の達成度ではなく、利用者数や売上のような別の目盛りで測られる。目盛りが変われば、冬の形も変わる可能性がある。研究そのものが止まるのではなく、設備を増やすペースが落ちる、という形の冷え込みも、型の延長線上には描ける。

二つめは、計算の単価である。歴史の型に当てはめると、逆転のたびに、同じ仕事に要る計算は安くなってきたように見える。GPT-3.5と同じ点数を出す費用は2年足らずで280倍以上下がり、60%超の点数を出す最小のモデルは、5,400億パラメータから38億パラメータへと、2年あまりで142分の1になった(AI Index 2025による)。この向きが続くなら、AIを使う側の敷居は下がり続ける、という延長線が引ける。

三つめは、ボトルネックの移動である。冬の時代に足りなかったのは、計算資源とデータだったように見える。それが安く手に入るようになったとき、流れが変わった。生成AIの波の壁が、電力と半導体の供給にあるとすれば、進歩の主な舞台は、規模をさらに増やす方向ではなく、少ない計算で同じ結果を出す工夫の側へ移る可能性がある。

ただし、型は型にすぎない。1950年代から続く波のどれもが、その時点では新しい事態に見えていたのかもしれない。ここに挙げた三つの目盛りは、未来を言い当てるためのものではない。次に何かが起きたとき、それが歴史の型のどこに当たるのかを確かめる目印にすぎない。出し手、単価、ボトルネック。この三つを追えば、新聞の見出しの熱気から一歩離れて眺められる。