人工知能（AI）の歴史は70年以上にわたり、楽観主義、資金調達のブーム、そして「AI冬」として知られる関心の低下期のサイクルによって特徴づけられる。この分野の起源は、人間の推論を計算規則に形式化しようとする20世紀半ばの取り組みにあり、記号的AI、エキスパートシステム、そして最終的には今日を支配するデータ駆動型アプローチの発展につながった。
AIの軌跡は、より広範な技術的変化を反映している。メインフレーム時代の論理からパーソナルコンピューティング、インターネットの台頭、そして21世紀におけるデータと計算能力の爆発的増加へと至る。主要なマイルストーンには、1956年のダートマスワークショップ、ニューラルネットワークの開発、ディープラーニングの出現、そしてテキスト、画像、コードを生成できる生成モデルの最近の登場が含まれる。
初期の基盤とダートマスワークショップ
AIの正式な始まりは、1956年に開催されたダートマス夏季人工知能研究プロジェクトに遡ることが多く、これはジョン・マッカーシー、マービン・ミンスキー、ナサニエル・ロチェスター、クロード・シャノンによって組織された。このワークショップは、「学習のあらゆる側面、または知能のその他の特徴は、原理的には、機械がそれをシミュレートできるように正確に記述できる」と提案した。この集まりには、後に基礎的な人物となる研究者が集まり、アレン・ニューウェルとハーバート・サイモンは、数学の定理を証明できるプログラムである論理理論家をすでに開発していた。
1950年代から1960年代にかけて、初期のAI研究は記号的推論、問題解決、ゲームプレイに焦点を当てていた。一般的問題解決器（GPS）のようなプログラムは、人間の問題解決戦略を模倣することを目指した。しかし、これらのシステムは手書きの規則への依存と現実世界の複雑さへの対応不能によって制限され、1970年代半ばに資金が減少するにつれて最初のAI冬につながった。
エキスパートシステムとAI冬
1970年代から1980年代には、人間の専門知識をルールベースの枠組みにコード化したエキスパートシステムが台頭した。注目すべき例には、医療診断用のMYCINや化学分析用のDENDRALが含まれる。これらのシステムは商業的成功を収め、企業や政府からの投資を促した。しかし、その脆さと高い維持コスト、そしてルールベース推論の限界が、1980年代後半の2度目のAI冬に寄与した。
この期間中、研究者は人工ニューラルネットワークを通じて知能をモデル化しようとするコネクショニズムを含む代替パラダイムも探求した。ニューラルネットワークは数十年早く提案されていたが、かなりの計算資源と大規模なデータセットを必要とし、それはまだ利用できなかった。冬は1990年代後半まで続き、ハードウェアの進歩とインターネットの出現が分野の焦点を機械学習へとシフトさせ始めた。
機械学習とディープラーニングの台頭
1990年代から2000年代には、記号的AIから機械学習へのパラダイムシフトが起こり、システムは明示的な規則に従うのではなくデータからパターンを学習するようになった。主要な発展には、サポートベクターマシン、決定木、ベイジアンネットワークが含まれる。大規模なデータセットの利用可能性と計算能力の向上により、これらの手法は音声認識やコンピュータビジョンなどの分野で画期的な成果を達成できるようになった。
決定的な瞬間は2012年、深層ニューラルネットワークであるAlexNetがImageNetコンペティションで大差で勝利し、ディープラーニングの力を実証したときだった。この成功は、ニューラルネットワーク、特に画像タスク用の畳み込みニューラルネットワーク（CNN）とシーケンスデータ用のリカレントニューラルネットワーク（RNN）への研究と投資の急増を触発した。Nvidia（提供されたリストにはないが、概念は暗示されている）のような企業からのグラフィックス処理ユニット（GPU）や、後のGoogle DeepMindによるテンソル処理ユニットの使用など、専用ハードウェアの開発が進歩を加速させた。
大規模言語モデルと生成AIの時代
2010年代から2020年代には、大規模言語モデル（LLM）と生成AIの台頭がもたらされた。2017年に導入されたTransformer (architecture)アーキテクチャは、Jakob Uszkoreit、Lukasz Kaiser、Niki Parmarを含む研究者による論文「Attention Is All You Need」で詳述され、自然言語処理に革命をもたらした。トランスフォーマーはモデルがシーケンス全体を並列処理できるようにし、BERTやGPTのような事前学習モデルの開発につながった。
2015年に設立されたOpenAIは、2019年にGPT-2、2020年にGPT-3をリリースし、テキスト生成、翻訳、質問応答における顕著な能力を実証した。大規模言語モデルの原理に基づいて構築されたこれらのモデルは、教師なし学習を用いて膨大なインターネットテキストで訓練された。その後の発展には、命令調整と人間のフィードバックからの強化学習（RLHF）が含まれ、ユーザーの意図との整合性が改善された。2022年、OpenAIのChatGPTが生成AIを一般に公開し、広範な採用と投資を引き起こした。
他の主要プレーヤーも登場し、Claudeモデルで知られるAnthropicや、タンパク質フォールディング用のAlphaFoldやマルチモーダルタスク用のGeminiなどのシステムを開発したGoogle DeepMindが含まれる。この分野ではまた、大規模モデルの訓練と展開の計算需要を満たすために、AWS Trainium（Amazon Web Services製）やGroqの推論アクセラレータなどの専用AIハードウェアの台頭も見られた。
現代の発展と将来の方向性
2025年現在、AI研究は急速に進歩し続けており、モデルの効率性、解釈可能性、安全性の向上に焦点が当てられている。モデルプルーニング、データ拡張、カリキュラム学習などの技術は、計算コストを削減し、一般化を強化することを目指している。残差ネットワークとバッチ正規化の開発により、より深いアーキテクチャが可能になり、マルチヘッドアテンションと位置エンコーディングはトランスフォーマーベースのモデルの中核であり続けている。
AIの社会的影響は深刻であり、雇用、倫理、ガバナンスに関する疑問を提起している。OpenAIやAnthropicのような組織は責任あるAI開発を強調し、MIT CSAILやスタンフォードAIラボのような学術機関は基礎研究に貢献している。AIの歴史は直線的ではなく、科学的野心、技術的制約、社会的ニーズの相互作用を反映した一連のブレークスルーと挫折である。将来の方向性には、より堅牢な推論、継続的学習、ロボティクスとの統合が含まれる可能性があり、Sanctuary AIやFigure AIのような企業がその例である。
その課題にもかかわらず、AIは仮想アシスタントから自動運転車まで、現代生活の不可欠な部分となっている。人工知能の歴史は、人間の創意工夫と、考え、学び、適応できる機械を創造するという絶え間ない追求の証である。