AIの歴史を遡る旅！すべては「考える」ことから始まった？～推論・探索の時代～

2025年4月18日

こんにちは！ AIがニュースで見ない日はないくらい、私たちの生活に身近になってきましたね。ChatGPTのような会話AIや、自動運転技術、おすすめ商品の提案など、その活躍は多岐にわたります。

でも、ふと疑問に思いませんか？ 「そもそもAIって、いつ、どうやって始まったんだろう？」

実は、今のAI技術の多くは、過去の研究者たちの試行錯誤の積み重ねの上に成り立っています。今回は、AI研究のまさに「原点」とも言える「推論・探索の時代」（1950年代～1970年代初頭）へタイムスリップ！ AIが「考える」こと、「探す」ことをどうやって学んでいったのか、その歴史を一緒に見ていきましょう。この時代の熱気と挑戦を知れば、今のAIがもっと面白く見えてくるはずです！

AIの夜明け前：夢と熱狂のはじまり

今でこそAIは当たり前ですが、コンピュータが部屋いっぱいの大きさだった時代、「機械が人間のように考える」なんて、まるでSFの世界の話でした。しかし、一部の先駆的な研究者たちは、その夢を本気で追い求め始めたのです。

AI研究の歴史は、実はブーム（期待が高まる時期）と冬の時代（停滞期）の繰り返しでした。最初の大きなブームが、まさに今回ご紹介する「推論・探索の時代」です。

なぜ「推論・探索」？

当時の研究者たちが注目したのは、人間の知能の根っこにあると思われた2つの能力でした。

推論 (Reasoning): 「AならばB」「BならばC」→「だからAならばCだ！」のように、持っている知識から論理的に新しい答えを導き出す能力。
探索 (Search): 迷路でゴールを探すように、たくさんの選択肢の中から、目的に合ったものを見つけ出す能力。

研究者たちは、「この『推論』と『探索』をコンピュータで再現できれば、人間のような問題解決ができるはずだ！」と考えたのです。これが、初期AI研究の中心的なテーマとなりました。

伝説の始まり：ダートマス会議（1956年）

AI研究が本格的にスタートするきっかけとなったのが、1956年にアメリカのダートマス大学で開かれた、約2ヶ月間にわたるワークショップ、通称「ダートマス会議」です。

ジョン・マッカーシー、マービン・ミンスキーといった、後に「AIの父」と呼ばれることになる若き研究者たちが集まり、「考える機械」の可能性について熱い議論を交わしました。この会議の提案書で、「Artificial Intelligence（人工知能）」という言葉が初めて公に使われたと言われています。まさに、AIの歴史が公式に始まった瞬間でした。

彼らは、コンピュータが言語を操り、新しい概念を学び、人間が解くような問題を解決できるようになる未来を夢見ていました。そして、そのための具体的なアプローチとして、「推論」と「探索」に大きな期待を寄せたのです。

初期AIの挑戦：ゲーム、定理証明、そして言葉

では、当時の研究者たちは具体的にどんなことに挑戦したのでしょうか？

ゲーム: チェスやチェッカー、オセロのようなボードゲームは、ルールがはっきりしていて、コンピュータが「推論」（次の最適な手は？）と「探索」（可能な手を全て調べる）を試すのにうってつけの課題でした。初期のプログラムはまだ人間に勝てませんでしたが、「コンピュータがゲームをプレイする」こと自体が驚きをもって迎えられました。 [画像提案: 古いコンピュータ画面に表示されたチェス盤のイメージ]
数学の定理証明: 人間の論理的思考の極みとも言える数学の証明を、コンピュータに自動でやらせようという試みも行われました。これは、コンピュータの「推論」能力を示す象徴的な挑戦でした。
自然言語処理 (NLP): 人間の言葉をコンピュータが理解し、対話することを目指す研究も始まりました。初期のものは単純なルールに基づいていましたが、後のチャットボットや機械翻訳の基礎となっていきます。

これらの研究テーマに共通するのは、問題を記号（シンボル）で表現し、それを論理的なルール（推論）に従って操作し、最適な答えを探す（探索）というアプローチです。

どうやって「考え」「探した」の？：初期の技術

当時のAIは、どうやって推論や探索を実現していたのでしょうか？いくつか重要なアイデアを見てみましょう。

記号表現: 問題や知識を、コンピュータが扱える「記号」に置き換えて表現しました。「ソクラテスは人間である」「全ての人間は死ぬ」といった情報を記号で表し、そこから「ソクラテスは死ぬ」という結論を導き出す、といったイメージです。
ルールベースシステム: 「もし（条件）ならば（結論/行動）」という形のルールをたくさん集めて、知識を表現しました。例えば、「もし信号が赤ならば、止まる」のようなルールです。後の「エキスパートシステム」につながる考え方です。
状態空間探索: 問題解決を、スタート地点（初期状態）からゴール（目標状態）までの道を探す「探索」として捉えました。迷路を解くように、可能な状態を一つずつ調べていく方法です。

時代を彩ったスターたち：初期のAIプログラム例

この時代には、AIの可能性を示す画期的なプログラムがいくつも登場しました。いくつか代表的なものを紹介しますね。

プログラム名	開発年頃	何を目指した？	どう動いた？（超ざっくり）	当時のインパクト
Logic Theorist	1956	数学の定理を自動証明	論理ルールを使って、公理から定理を導き出した	コンピュータが「論理的思考」できる可能性を示した
GPS (General Problem Solver)	1959	いろんな問題を解ける汎用ソルバー	目標と現状の「差」を見つけ、それを埋める操作を探した	より一般的な問題解決プロセスをモデル化しようとした
ELIZA	1966	人間と自然言語で対話	キーワードに反応し、定型文で応答（実は理解していない）	人々がコンピュータと「会話」できると錯覚し、驚かせた
SHRDLU	1970	積み木の世界で言語指示を理解	文法と世界の知識を使い、指示に従って積み木を動かした	より深い言語理解と推論の可能性を示した
初期のチェスプログラム	1950年代～	チェスで人間に挑戦	たくさんの指し手を探索し、有利な手を選んだ	知的ゲームでのコンピュータの能力向上を示した
Dendral / MYCIN	1960年代後半～	専門家の知識を再現 (エキスパートシステム)	大量の専門ルールに基づき、化学構造推定や病気診断をした	特定分野で専門家レベルの能力を発揮する可能性を示した

これらのプログラムは、限られた範囲ではありましたが、「考える機械」の実現に向けた大きな一歩となりました。

効率よく探すには？：探索アルゴリズムの工夫

問題が複雑になると、やみくもに「探索」するだけでは時間がかかりすぎてしまいます（これを組み合わせ爆発と言います）。そこで、効率よく答えを見つけるための「探索アルゴリズム」が考え出されました。

幅優先探索 (BFS): スタート地点から近い順に、しらみつぶしに探す方法。最短経路を見つけられるけど、調べる範囲が広がりやすい。 [画像提案: BFSの動きを示す簡単な探索木の図（横に広がっていくイメージ）]
深さ優先探索 (DFS): とりあえず行けるところまで深く進んで、行き止まったら戻って別の道を探す方法。メモリは少なくて済むけど、最短経路とは限らない。 [画像提案: DFSの動きを示す簡単な探索木の図（縦に深く進むイメージ）]
ヒューリスティック探索: 「こっちの方がゴールに近そうだぞ」という経験則（ヒューリスティクス）を使って、有望そうな経路を優先的に探す方法。A*アルゴリズムなどが有名です。

これらのアルゴリズムは、現代のカーナビの経路探索や、ゲームAIの動きなどにも応用されている、基本的な考え方です。

期待と現実のギャップ：最初の「AIの冬」

輝かしい成果を上げた「推論・探索の時代」ですが、1970年代に入ると、次第に限界が見えてきます。

「おもちゃの問題」の壁: 簡単なパズルやゲームは解けても、現実世界の曖昧で複雑な問題には歯が立たないことが分かってきました。常識や文脈の理解がいかに難しいか、という問題です。
計算能力の限界: 当時のコンピュータのパワーでは、少し複雑な問題を解こうとすると、計算量が爆発的に増えてしまい、現実的な時間では解けませんでした。
過剰な期待: 「すぐに人間のようなAIができる！」という初期の楽観的な予測が、なかなか実現しないことへの失望感も広がりました。

これらの理由から、AI研究への資金提供が減少し、研究の勢いが鈍化する「AIの冬」と呼ばれる時代が訪れます。最初の熱狂は、一旦ここで冷めることになったのです。

この時代からの教訓と、現代への繋がり

「推論・探索の時代」は、AI研究のまさに基礎を築いた時代でした。「問題を記号で表現し、論理的な推論と効率的な探索で解く」という基本的な考え方は、この時代に確立されたのです。

もちろん限界もあり、「冬の時代」も経験しました。しかし、この時代の挑戦と失敗から得られた教訓は、その後のAI研究にとって非常に重要でした。

現実世界の複雑さへの認識: 単純なルールだけでは現実の問題は解けない。もっと多くの知識や、曖昧さを扱う方法が必要だと分かりました。これが後の「知識表現」の研究や「エキスパートシステム」のブームに繋がります。
計算能力の重要性: ハードウェアの進化がAIの進歩に不可欠であることが再認識されました。
期待値コントロールの難しさ: AIの可能性を語る際には、現実的な目標設定が重要だと学びました。

そして、この時代のアイデアは、形を変えながら現代のAIにも脈々と受け継がれています。

ゲームAI: 今日の高度なゲームAIも、基本は「探索」と「評価」（どの手が有利か推論する）の組み合わせです。
検索エンジン: Googleのような検索エンジンが、膨大なWebページから関連性の高い情報を見つけ出す仕組みにも、「探索」の考え方が応用されています。
プランニング技術: ロボットの動作計画や、工場の生産計画など、最適な手順を見つけ出す技術の根底にも、推論と探索のアルゴリズムが使われています。

まとめ：AIの「はじめの一歩」を知るということ

今回は、AI研究の黎明期、「推論・探索の時代」を駆け足で見てきました。当時の研究者たちの熱意と挑戦、そして避けられなかった限界。この「はじめの一歩」があったからこそ、今のAIがあるのです。

AIを学ぶ上で、その歴史を知ることは、単なる過去の知識を得るだけでなく、現代の技術がどのような課題を乗り越えてきたのか、そしてこれからどこへ向かうのかを考える上で、とても役立ちます。

この時代の「論理的に考え、答えを探す」というシンプルなアプローチは、AIの原点であり、その後のAI研究の発展（知識の活用、学習能力の獲得など）へと繋がっていく重要なステップでした。

さて、皆さんの身の回りにあるAI技術で、この「推論」や「探索」の考え方が活かされていると思うものはありますか？ ぜひコメントで教えてくださいね！

次回は、この「推論・探索の時代」の限界を踏まえ、AIが「知識」をどのように扱い始めたのか、「エキスパートシステムの時代」について見ていきたいと思います。お楽しみに！

参考文献（例）

松尾豊『人工知能は人間を超えるかディープラーニングの先にあるもの』KADOKAWA/中経出版、2015年
人工知能学会 (編)『AI事典第3版』近代科学社、2020年
Wikipedia 「人工知能の歴史」 (アクセス日: 2025年4月15日)
Stuart Russell, Peter Norvig, “Artificial Intelligence: A Modern Approach (4th Edition)”, Pearson, 2020. (邦訳: 『エージェントアプローチ人工知能第4版』共立出版)