「今日の天気は？」「〇〇について教えて」 今や、スマートフォンやスマートスピーカーに話しかければ、AIが自然な言葉で質問に答えてくれるのが当たり前になりました。ChatGPTのような生成AIの登場は、その能力の高さに多くの人を驚かせていますよね。
でも、ふと疑問に思いませんか？
- AIはどうやって私たちの質問を理解し、的確な答えを返しているんだろう？
- 昔のAIは、どうやって質問に答えようとしていたんだろう？
実は、AIが質問に答える技術（質問応答、QA: Question Answering）には長い歴史があり、その進化の裏には、たくさんの挑戦と失敗、そしてブレイクスルーがありました。
この記事を読めば、
- AIが質問に答える基本的な仕組み
- AI研究が熱狂した「第二次AIブーム」時代の挑戦と、現代への繋がり
- AIにとって「知識」を扱うことの重要性と難しさ
について、初心者の方にも分かりやすく理解できます。
この記事の核心は、「AI技術の進歩は、過去の知見と課題の積み重ねの上に成り立っている」ということ。そして、「質問応答（QA）技術は、AIの進化を測る上で重要なバロメーターである」ということです。
さあ、AIの質問応答の歴史を紐解き、現代技術の源流を探る旅に出かけましょう！
そもそも「質問応答（QA）」って何？AIの基本をおさえよう
まず基本から。質問応答（QA）とは、文字通り、人間が自然な言葉（例えば日本語や英語）で投げかけた質問に対して、AIが自動的に回答する技術や研究分野のことです。
よく似たものに「検索エンジン」がありますが、検索エンジンが質問に関連しそうな「情報のリスト（ウェブページなど）」を提示するのに対し、QAシステムは質問に対する「直接的な答え」を提供することを目指します。
例えば、「日本の首都は？」と聞かれたら、「東京都」とピンポイントで答えてくれるのがQAシステムのイメージです。
このQAシステムがうまく機能するためには、AIが「知識」を理解し、整理しておく必要があります。ただ情報を集めるだけでなく、言葉の意味や物事の関係性を理解し、それを効率的に扱える形で内部に保持している必要があるのです。この「知識を整理してAIが扱える形にする技術」を知識表現と呼びます。これは、AIにとっての「脳みそ」の整理術のようなものだと考えてください。
AIが”賢く”なった時代？第二次AIブームと「エキスパートシステム」
さて、AIの歴史を遡ると、1980年代に「第二次AIブーム」と呼ばれる熱狂の時代がありました。この時代の主役こそが、特定の分野で専門家のように振る舞う「エキスパートシステム」です。
なぜブームが起きたのか？「知識」への注目
1960年代から始まった「第一次AIブーム」では、パズルの解き方など、論理的な問題をコンピューターに解かせようとする研究が中心でした。しかし、現実世界の複雑な問題を解くには限界がありました。そこで研究者たちは、「幅広い問題を解く万能なAI」ではなく、「特定の分野に特化した専門知識を持つAI」を作る方向に舵を切ります。つまり、「知識」そのものに注目が集まったのです。
また、ちょうどパソコンの性能が向上し、企業などでもAIシステムを開発・導入しやすくなったことも、ブームを後押ししました。
人間の専門家を再現？エキスパートシステムとは
エキスパートシステムとは、特定の専門分野（例えば、医療診断や機械の故障診断など）において、人間の専門家の知識や判断プロセスを模倣するように設計されたコンピュータープログラムです。
その中核は、以下の２つで構成されています。
- 知識ベース: 専門家の知識（事実や経験則）を、「IF（もし～なら）THEN（～せよ）」のようなルール形式などで大量に蓄積したもの。
- 推論エンジン: ユーザーからの入力（質問や状況）に対して、知識ベースのルールを適用し、答えや結論を導き出す部分。
その目的は、まるでその分野の「賢い相談相手（インテリジェント・コンサルタント）」のように、複雑な問題解決やアドバイスを行うことでした。初期の有名な例としては、感染症診断を助ける「MYCIN」や、コンピューターの構成を支援する「XCON」などがあります。
当時のQA：エキスパートシステムはどう質問に答えた？
エキスパートシステムは、ユーザーからの質問や状況説明に対して、知識ベースと推論エンジンを使って答えを導き出します。これは、まさに初期の質問応答（QA）システムと言えるでしょう。
例えば、
- MYCIN: 医師が患者の症状を入力すると、MYCINは追加の質問をしながら対話し、病気の可能性や推奨される治療法（抗生物質など）を提示しました。
- Unix Consultant (UC): UnixというOSの使い方についてユーザーが質問すると、蓄積された知識ベースから回答を返しました。
このように、特定の専門分野（クローズド・ドメイン）に限定されてはいましたが、エキスパートシステムは対話を通じてユーザーの「質問」に答える役割を担っていたのです。その裏側では、ルールに基づいた推論や、初期の知識表現技術（後述するセマンティックネットワークなど）が使われていました。
AI開発者を悩ませた「知識獲得の壁」～第二次AIブームの教訓～
エキスパートシステムは大きな期待を集めましたが、その開発は困難を極めました。特に大きな課題となったのが「知識獲得のボトルネック」です。
専門家の”暗黙知”をどう引き出すか？
エキスパートシステムを作るには、まず人間の専門家が持つ知識をコンピューターが理解できる形（ルールなど）に落とし込む必要があります。しかし、これが非常に難しかったのです。
専門家は、長年の経験から得た「暗黙知」（言葉で説明しにくい勘やコツ）や、状況に応じた柔軟な判断を持っています。これらをすべて聞き出し、矛盾なくルール化するのは、時間もコストもかかる大変な作業でした。「知識獲得」のプロセスが、システム開発全体の進行を妨げる「ボトルネック（隘路）」となってしまったのです。
知識をどう表現する？セマンティックネットワークとオントロジー
知識を獲得できたとしても、それをコンピューターが効率的に扱えるように「表現」する方法も重要でした。この時代、注目された知識表現の方法がセマンティックネットワークとオントロジーです。
- セマンティックネットワーク: モノや概念（ノード）を、その関係性（エッジ）で結びつけて知識を表現するグラフ構造です。「コマドリ」は「鳥」の一種（is-a関係）、「鳥」は「翼」を持つ（has-part関係）といった関係性を図で表現します。これにより、関連する知識を辿って推論することが可能になります。
- オントロジー: より厳密に、ある領域の概念や関係性を体系的に定義したものです。セマンティックネットワークを発展させ、知識の共有や再利用、より高度な推論を可能にすることを目指しました。「is-a（～は～の一種である）」「part-of（～は～の一部である）」といった基本的な関係性を明確に定義する。
これらの知識表現技術は、エキスパートシステムがより複雑な質問に答えたり、推論を行ったりする上で重要な役割を果たしました。
ブームの終焉と残された課題
大きな期待を集めた第二次AIブームですが、知識獲得のボトルネック、作成した知識ベースの維持・更新の難しさ、応用範囲が特定分野に限られることなどの課題から、次第に下火になっていきました。期待が大きすぎた反動もあり、「AIの冬」と呼ばれる停滞期が訪れます。
しかし、この時代の「知識をいかに獲得し、表現し、利用するか」という挑戦と試行錯誤は、決して無駄ではありませんでした。ここで培われた知見や技術、そして浮き彫りになった課題は、後のAI研究、特に現代の質問応答技術の発展にとって重要な礎となったのです。
現代の質問応答はどう進化した？知識表現は今も重要か？
第二次AIブームの教訓を経て、AIと質問応答技術はどのように進化してきたのでしょうか？そして、かつて重要視された「知識表現」は、現代でもその役割を担っているのでしょうか？
多様化するQAシステム：目的別に使い分ける
現代のQAシステムは、その目的や仕組みによって様々なタイプに分類されます。
- 抽出型QA: 与えられた文章の中から、答えとなる部分をそのまま抜き出すタイプ。
- 生成型QA: 蓄積された知識をもとに、AIが新しい文章として答えを作り出すタイプ（ChatGPTなどが代表例）。
- オープン・ドメインQA: あらゆる分野の質問に対応しようとするタイプ（Web検索など）。
- クローズド・ドメインQA: 特定の専門分野に特化したタイプ（社内ヘルプデスクなど）。
このように、目的に応じて様々なアプローチが取られています。
ケーススタディ①：クイズ王「ワトソン」の衝撃
現代QAシステムの進化を象徴する出来事の一つが、2011年のIBM「ワトソン」によるアメリカの人気クイズ番組『ジェパディ！』での人間チャンピオンに対する勝利です。
ワトソンは、自然言語処理（NLP）、情報検索（IR）、知識表現、機械学習といった多様な技術を高度に組み合わせることで、複雑で曖昧さを含むクイズの質問を理解し、膨大なデータソース（百科事典、ニュース記事、そしてオントロジーも活用！）から確信度の高い答えを導き出しました。これは、第二次AIブームで探求された知識表現の考え方が、形を変えながらも現代の最先端システムに活かされている証左と言えるでしょう。
ケーススタディ②：東大合格を目指した「東ロボくん」の挑戦
一方、日本の「東ロボくん」プロジェクトは、AIが東京大学の入学試験に合格することを目指した挑戦的な試みでした。
東ロボくんは、多くの科目で人間と同等以上の成績を収めるなど目覚ましい成果を上げましたが、「文章の意味を深く理解して解答する」といった読解力や推論能力を必要とする問題には苦戦しました。これは、表面的なパターンマッチングや情報検索だけでは、人間の思考能力に追いつけない部分があることを示唆しています。
見方を変えれば、第二次AIブーム時代の「知識獲得の難しさ」や「真の理解とは何か」という課題が、形を変えながらも現代AIに残っていることを示しているとも言えます。
LLM（大規模言語モデル）革命とQAの未来
そして現在、LLM（Large Language Models）、すなわちChatGPTのような大規模言語モデルが、質問応答の世界に再び革命をもたらしています。
LLMは、インターネット上の膨大なテキストデータを学習することで、人間が書いたような自然な文章を生成し、驚くほど多様な質問に対応できるようになりました。特に、生成型QAの能力を飛躍的に向上させました。
しかし、LLMも万能ではありません。
- 知識の表現: LLMは膨大な知識を内部に保持していますが、その知識がどのように「表現」され、推論に使われているかは、まだブラックボックスな部分が多く残っています。
- 知識獲得の新たな課題: かつての「専門家からの聞き取り」というボトルネックは解消されつつありますが、代わりに「学習データの質・量、偏り（バイアス）」「情報の正確性（ハルシネーション）」といった新たな課題が生まれています。
そのため、最近では、LLMに外部の信頼できる知識データベースを参照させるRAG（Retrieval-Augmented Generation）のような技術も注目されています。これは、かつてのエキスパートシステムが持っていた「信頼できる知識ベース」の重要性を、現代的なアプローチで再認識させる動きとも言えるでしょう。
まとめ：過去から学び、未来のAIへ
この記事では、AIにおける質問応答（QA）技術の進化を、特に第二次AIブームのエキスパートシステムと知識表現の歴史に焦点を当てながら紐解いてきました。
重要なポイントを振り返りましょう:
- AIの進歩は過去の積み重ね: 現代の高度なQA技術も、第二次AIブーム時代の知識表現やエキスパートシステムの挑戦と失敗の上に成り立っています。
- 知識表現の重要性は不変: AIが賢く振る舞うためには、「知識」をいかに獲得し、整理し、利用するかが、時代を超えて重要なテーマであり続けています。その方法は進化しても、本質的な重要性は変わりません。
- QAはAI進化の指標: AIがどれだけ人間の質問を理解し、的確に答えられるかは、その知能レベルを測る重要なバロメーターであり、今後も技術革新の中心であり続けるでしょう。
エキスパートシステムが目指した「専門家のような対話」は、LLMの登場により、かつてないレベルで実現しつつあります。しかし、情報の信頼性、倫理的な課題、そして「真の理解」への道など、克服すべき課題もまだ多く残されています。
過去の教訓に学びながら、より賢く、より信頼でき、そしてより人間社会に貢献できるAI、そして質問応答技術の未来を、私たちはこれからも追求していく必要があります。
最後に、あなたに問いかけたいと思います。 あなたの周りのAIは、どんな質問に答えてくれますか？そして、AIの未来について、あなたはどんなことを期待しますか？
ぜひ、コメントなどであなたの考えを聞かせてください。
コメント