【G検定対策＆AI入門】AIの歴史は「特徴量」で丸わかり！ブームと冬、深層学習革命まで一気解説

2025年4月17日

「AIって最近よく聞くけど、結局何がすごいの？」「G検定の勉強を始めたけど、覚えることが多くて…」「ビジネスにAIを活かしたいけど、どこから学べばいい？」

そんな疑問や悩みをお持ちのあなたへ。AIの進化の歴史と、その核心を理解するための超重要キーワード、それが「特徴量（とくちょうりょう）」です。

この記事を読めば、

AIがどのように進化してきたかの大きな流れ（ブームと冬の時代）がわかる！
現代AIのすごさの秘密、「ディープラーニング」の本質がわかる！
G検定合格に必要な知識の「核」が掴める！
AI技術のトレンドを理解し、ビジネスに活かすヒントが得られる！

専門用語はなるべく使わず、身近な例で親しみやすく解説しますので、リラックスして読み進めてくださいね！

そもそも「特徴量」って何？ AIにとっての「見る目」を養うカギ

まず、基本の「特徴量」から。難しく考えなくてOKです！

特徴量とは、AI（機械学習モデル）が何かを判断したり、学習したりするために使う「データの中の注目ポイント」のこと。

私たちが美味しいリンゴを選ぶとき、「色」「形」「大きさ」「ツヤ」「傷の有無」などを見ますよね？この判断材料になる一つ一つの要素が、AIにとっての「特徴量」なんです。

AIに写真を見せて「これはワンちゃん？ニャンコ？」と区別させたいなら、AIは写真データの中から「耳の形は？」「目の色は？」「毛の質感は？」「ヒゲはある？」といった特徴量を見つけ出し、それを元に学習していきます。

この「特徴量」をどうやって見つけ、どう扱うかが、AIの賢さを決める非常に重要な要素。そして、この「特徴量の扱い方」こそが、AIの長い歴史における進化の鍵を握っているのです。

AI研究の歴史：「特徴量」をめぐる挑戦の道のり

AIの研究は1950年代に始まり、「ブーム（期待が高まる時期）」と「冬の時代（停滞する時期）」を繰り返してきました。その歴史を「特徴量の扱い方」に注目して見ていきましょう！

第一次AIブーム（1950年代後半〜1960年代）：ルールが世界のすべて？

何が起きた？: パズルを解いたり、迷路の最短経路を見つけたり、特定のルールに従って問題を解く「推論」や「探索」がコンピューターで可能に！「AIは何でもできるのでは？」と期待が高まりました。
特徴量の扱いは？: 人間が「もし〇〇なら、××する」というルール（知識）を一つ一つ考えてAIに教えていました。 つまり、人間が設定したルール＝特徴が、AIの判断の全てでした。
なぜ冬の時代が？: 現実世界は、単純なルールだけでは記述しきれないほど複雑。「このルールが当てはまらない場合は？」「曖昧な状況では？」といったことに全く対応できず、「おもちゃの問題しか解けない」と限界が見え、期待は急速にしぼんでしまいました。

第二次AIブーム（1980年代）：専門家の知識を詰め込もう！

何が起きた？: 専門家（お医者さんや技術者など）の持つ「知識」を大量にコンピューターに入れ、「エキスパートシステム」として実用化が進みました。（例：病気の診断サポート、機械の故障診断など）
特徴量の扱いは？: 専門家の「知識」そのものを、人間が体系立ててAIに入力しました。これも、第一次ブームと同じく、人間が定義した「知識＝特徴」に基づいてAIが動くという点は変わりません。
なぜまた冬の時代が？: 専門家の持つ暗黙知や膨大な知識を、すべて言葉やルールで書き出すのは、想像以上に大変！（これを知識獲得のボトルネックと言います）。また、状況に応じて知識を柔軟に応用することも苦手なままでした。結局、維持管理の手間やコストに見合わないケースが多く、再び停滞期に入ります。

ここまでの教訓: 第一次・第二次AIブームでは、AIの性能は「人間がいかに優れた特徴（ルールや知識）を見つけ出し、AIに与えられるか」に依存していました。しかし、人間が世界のすべてを教え込むことには限界があったのです。

第三次AIブーム（2000年代〜現在）：革命児「ディープラーニング」登場！

そして今、私たちが生きるのが第三次AIブーム。この革命的な変化をもたらした主役が「ディープラーニング（深層学習）」です。

ディープラーニングの、何がそんなに画期的だったのか？最大のポイントは…

AIが、データの中から「何が重要な特徴か」を自ら学習できるようになったこと！

これ、本当にすごいことなんです。もう一度、猫の画像認識で比べてみましょう。

ディープラーニング以前:
- 人間：「猫といえば、三角の耳と、まん丸の目と、長いヒゲが特徴だな！」
- 人間：「よし、画像の中から『三角の形』『丸い形』『線のパターン』を探すプログラム（特徴抽出器）を作ろう！」
- AI：「人間が教えてくれた特徴を探して、猫かどうか判断します！」
- → 人間が特徴を考えるのが大変だし、人間が見つけられない特徴は使えない…。
ディープラーニング（特にCNNという手法）以後:
- 人間：「AIさん、ここに猫の写真を10万枚用意しました。どれが猫か教えてあげるので、あとは自分で勉強してね！」
- AI：「（大量の画像データを見て）ふむふむ…まずは単純な線や点に注目しよう…」
- AI：「（学習を進め）あ、この線と線を組み合わせると『耳っぽい形』になるな！こっちは『目っぽい丸』だ！」
- AI：「（さらに学習）なるほど！この『耳っぽい形』と『目っぽい丸』と『ヒゲっぽい線』がこう組み合わさっているのが『猫』なんだな！人間が教えてくれなかったパターンも見つけたぞ！」
- → AIがデータから自動で、しかも階層的に（単純な特徴から複雑な特徴へ）重要な特徴量を発見・学習！

まるでAIが自分で「観察眼」を鍛えて、物事の本質を見抜く力を獲得したかのよう。人間が思いつかないような複雑な特徴まで捉えられるようになったことで、画像認識、音声認識、自然言語処理（文章の理解など）といった分野で、AIの精度は驚くほど向上したのです。

G検定合格にも、ビジネスにも。「特徴量」の理解がカギ！

このAIの歴史的転換点は、G検定でも非常に重要視されています。2024年のシラバス改訂でも、「各種学習モデルの特徴量」や「教師なし学習の特徴量の必要性」といった項目が改めて強調されました。

なぜなら、画像生成AIや大規模言語モデル（例：ChatGPT）といった最新AIも、結局はデータから膨大な「特徴量」を学習し、それを組み合わせて新しいものを生み出しているからです。AI技術の本質を理解し、その可能性や限界を見極め、ビジネスなどに適切に活用していくためには、表面的な知識だけでなく、「特徴量」という根幹の概念をしっかり理解しておくことが不可欠になっているのです。

G検定の学習では、

AIの各ブームで「特徴量」がどう扱われてきたか？
ディープラーニングは「特徴量」の何をどう変えたのか？
教師あり/なし学習で「特徴量」はどう関わるのか？

といった点を意識すると、知識が繋がり、理解が深まります。

「AIが賢くなったから、もう人間は不要？」いえいえ、特徴工学の出番です！

「ディープラーニングが特徴量を自動で見つけてくれるなら、人間のやることはもう無いの？」と思うかもしれません。

ところが、そう単純でもないんです。実は「特徴工学（Feature Engineering）」という、「人間が知恵を絞って、AIが学習しやすいように特徴量を加工したり、新しい特徴量を作り出したりする」作業は、今でも非常に重要なんです。

なぜなら…

データの質を上げるため: 元データがそのままではAIが扱いにくい場合（例：アンケートの「男性/女性」のような文字データ）、AIが計算できる数値に変換（One-Hotエンコーディングなど）したり、数値の大きさが違いすぎる場合に範囲を揃えたり（正規化・標準化など）する。
専門知識を活かすため: その分野の専門家（例えば、金融の専門家が株価予測をする場合）なら、「この指標とあの指標を組み合わせた特徴量が重要そうだ」と、AIだけでは気づきにくい有効な特徴量を作り出せる。
AIの判断根拠を知るため: AIがなぜその結論を出したのか分かりやすくするために、解釈しやすい特徴量を使う・作る。
少ないデータで精度を出すため: データ量が十分でない場合に、効果的な特徴量を人間がうまく設計することで、AIの性能を補う。

ディープラーニングは強力ですが、万能薬ではありません。「人間の知恵（特徴工学）」と「AIの学習能力」をうまく組み合わせることで、より良い結果を引き出すことができるのです。