General Problem Solver（GPS）は、アレン・ニューウェル、ハーバート・A・サイモン、J・C・ショーによって開発された初期の人工知能プログラムである。1957年に初めて実演されたGPSは、特定の領域に依存する知識ではなく、汎用的な推論手法を適用することで幅広い問題を解決するように設計された。これは、人工知能と認知科学の歴史における基礎的なマイルストーンとして広く認識されている。
GPSは、手段-目標分析と呼ばれる手法を用いて、問題の形式的表現に基づいて動作した。このアプローチは、問題の現在の状態を目標状態と比較し、差異を特定し、その差異を縮小できる演算子を選択することを含んでいた。このプログラムは、目標が達成されるまでこのプロセスを再帰的に適用した。GPSは実際には真に汎用的ではなかったが、そのアーキテクチャは後の多くのAIシステムに影響を与え、機械学習と問題解決パラダイムの発展に貢献した。
起源と発展
GPSはランド研究所で構想され、後にカーネギーメロン大学（当時はカーネギー工科大学）で開発された。ニューウェル、サイモン、ショーは以前に、数学の定理を証明するプログラムであるLogic Theorist（1956年）に取り組んでいた。GPSは、パズル、記号論理、さらには単純な計画タスクを含む、より広範な問題を扱える柔軟なシステムを作成する試みであった。このプログラムは、記号的AI研究のために特別に設計されたIPL（Information Processing Language）プログラミング言語で実装された。
GPSの最初の公開デモンストレーションは1957年に行われ、システムは1950年代後半から1960年代前半にかけて改良された。これは、ハノイの塔、宣教師と人食い人種パズル、さまざまな暗号算問題などの問題を解決するために使用された。しかし、GPSはかなりの領域知識や複雑な探索空間を必要とする問題に苦戦し、その性能は当時の計算資源によって制限されることが多かった。
手段-目標分析
GPSの中心的なメカニズムは手段-目標分析であり、これは3つの主要なステップを含む問題解決戦略である：（1）現在の状態と目標状態の間の差異を特定する、（2）その差異を縮小できる演算子を見つける、（3）演算子を適用する、場合によってはその適用を可能にするためにサブ問題を再帰的に解決した後に適用する。このアプローチは、サイモンとニューウェルが広範囲に研究した人間の問題解決行動に触発されたものである。GPSは、差異を演算子に結び付ける接続テーブルを使用し、現在の状況に基づいて適切なアクションを選択できるようにした。
手段-目標分析は、初期のAIと認知モデリングの基礎となった。これは後に多くの計画システムに組み込まれ、系列変換モデルや他の現代のAIアーキテクチャの発展に影響を与えた。この概念は、タスクが現在の能力と望ましい能力の間のギャップを徐々に縮小するように構造化されるカリキュラム学習にも応用が見られる。
影響と遺産
GPSは、概念的にも実践的にも、AIの分野に深遠な影響を与えた。これは、機械が推論と計画を必要とするタスクを実行できることを実証し、コンピュータは算術計算に限定されるという当時の一般的な見解に挑戦した。GPSに関するニューウェルとサイモンの研究は、後の人間の認知に関する研究に貢献し、1980年代のSOAR認知アーキテクチャの開発に至った。GPSはまた、エキスパートシステムや初期の自然言語処理システムの設計にも影響を与えた。
その名前にもかかわらず、GPSは現代の意味での汎用問題解決器ではなかった。問題が特定の方法で形式化される必要があり、経験から学習する能力を欠いていた。それでも、これは生成AIと大規模言語モデルのその後の進歩の舞台を整え、これらは汎用推論のアイデアに基づいているが、はるかに強力な計算資源とデータ駆動型の手法を備えている。
制限と批判
GPSは、研究者がより複雑な問題に拡張しようとしたときに明らかになったいくつかの制限に直面した。このプログラムは、問題領域の完全かつ正確な形式化に依存しており、これは達成が難しいことが多かった。その探索空間は指数関数的に成長する可能性があり、現実世界のタスクには非現実的であった。さらに、GPSには過去の成功や失敗から学習するメカニズムがなく、時間の経過とともに性能を向上させることができなかった。
批評家はまた、GPSの「汎用的」な性質が過大評価されていると指摘した。新しい問題ごとに手作りの表現と演算子の定義が必要だったからである。この制限は、領域知識の重要性を浮き彫りにし、1970年代の知識ベースシステムの開発につながった。それにもかかわらず、GPSはAIの歴史におけるランドマークであり続け、知的機械を作成するという約束と課題の両方を示している。
現代との関連
GPS自体はもはや使用されていないが、そのアイデアは現代のAI研究に共鳴している。手段-目標分析の概念は、現代の計画アルゴリズムや、複雑なタスクをサブタスクに分解するトランスフォーマーベースのモデルの設計に反映されている。問題表現と探索への強調は、手書きのルールではなくデータから表現を学習するニューラルネットワークと深層学習の中心である。MIT CSAILやスタンフォードAIラボなどの機関の研究者は、しばしばGPSのような初期システムからインスピレーションを得て、汎用推論を探求し続けている。
要約すると、General Problem Solverは、普遍的な推論エンジンを作成するための先駆的な試みであった。その開発はAIが一つの学問分野として始まったことを示し、その遺産は問題解決と機械知能への多くの現代的なアプローチに見ることができる。