人工知能AIのタイムライン—2022アップデート

2月 12, 2022 12 ミン

内容

古代から2022年までこのトピックに飛び込みましょう。

古代

人工知能（AI）は、熟練した職人によって作成された知性または認識に恵まれた人工的な存在についての神話、伝説、および物語から始まりました。初期のギリシャの哲学者は、人間の思考プロセスを、理論を形成するための記号の機械のような操作として描写しようとしました。

後のフィクション

メアリーシェリーのフランケンシュタインやカレルチャペックのRUR（ロッサムのユニバーサルロボット）などのフィクションや、サミュエルバトラーの「機械の中のダーウィン」などの憶測や、エドガーを含む現実世界の出来事で、人工の男性や思考機械に関するアイデアが生まれました。アランポーの「マエルゼルのチェスプレーヤー」。

オートマタ

ヤン・シー、アレクサンドリアのヘロン、アル・ジャザリー、ピエール・ジャケ・ドロズ、ヴォルフガング・フォン・ケンペレンなど、あらゆる文明の職人が現実的なヒューマノイドオートマトンを考案しました。古代エジプトとギリシャの神聖な彫像は、最初に知られているオートマトンでした。信者は職人がこれらの人物に実際の心を授けたと信じていました/中世の時代、これらの伝説的なオートマトンは彼らに宛てられた質問に答えると言われていました。

正式な推論

人工知能は、人間の思考が機械化される可能性があるという考えに基づいています。正式な、または「機械的な」「推論」については多くの研究がなされてきました。中国、インド、ギリシャの哲学者は、紀元前1千年紀の正式な演繹法を発明しました。それらは、アリストテレス（三段論法の厳密な分析を書いた）、ユークリッド（その要素は形式的な推論のモデルであった）、アルクワリズミー（代数を作成し、彼の名前を「アルゴリズム」に与えたと信じられている）などの哲学者によって開発されました）、およびオッカムのウィリアムなどのヨーロッパの学者。

スペインの哲学者ラモン・リュイ（1232–1315）は、論理的な手順で知識を生み出すために、いくつかの論理的な機械を作成しました。彼は自分のデバイスを、単純な論理演算を使用してすべての可能な知識の生成を使用して基本的で議論の余地のない事実を組み合わせることができる機械的存在と呼びました。ゴットフリート・ライプニッツはリュルの考えを復活させました。

Leibniz、Thomas Hobbes、RenéDescartesは、16世紀に、すべての合理的な思考が代数または幾何学に還元される可能性があるという見通しを調査しました。ホッブズによれば、その理由は「計算に他ならない」ということです。ライプニッツは、「2人の会計士の間よりも、2人の哲学者の間で論争の必要がなくなるように、計算への議論を減らすグローバルな推論言語（彼の特徴的な普遍性）を想像しました。彼らが鉛筆を取るだけで十分だからです。思想家は最初に物理記号システムの仮説を明確にし、それが最終的にAI研究の中心的な信念になります。

20世紀に、論理数理論理学は、人工知能を実用的に見せるための決定的なブレークスルーを開発しました。そのような作品は、ブールの思想の法則とフレーゲの概念記法の基礎を築きました。 1913年、ラッセルとホワイトヘッドは、フレーゲのシステムに基づいて、数学の基礎に関する正式な研究であるプリンキピアマテマティカを発表しました。

彼らが得た反応は、2つの点で予想外でした。そもそも、彼らは数理論理学が成し遂げることができることに限界があることを証明しました。ただし、2番目に重要な（AIの場合）彼らの研究では、数学的な推論がこれらのパラメーター内で機械化される可能性があることが示されました。

チューリングテスト

チューリングテストはAI研究の長期的な目標です。疑わしい裁判官が違いを判断できないほど、人間になりすますことができるコンピューターを作成できるでしょうか。開始以来、AI研究の多くと同様の道をたどってきました。当初、それは困難でありながら実行可能であるように見えました（ハードウェア技術に到達すると）。

何十年にもわたる研究と重要な技術的改善にもかかわらず、チューリングテストはAI研究者の目標として機能し続け、同時にそれを達成するまでの距離を明らかにしています。

1950年、英国の数学者でコンピューター科学者のアランチューリングは、「計算する機械と知性」というタイトルの論文を発表しました。この論文は、人工知能として知られるようになる分野を開始しました。これは、ジョン・マッカーシーが人工知能という用語を作り出した数年前のことです。記事は簡単な質問から始まりました：「機械は考えることができますか？」この後、チューリングは機械が考えることができるかどうかを判断する方法を提案しました。これはチューリングテストとして知られるようになりました。「イミテーションゲーム」は、機械が考えているかどうかを判断するために使用できる簡単なテストとして開発されました。知的人間のように見えるようにプログラムされたコンピューターが、コンピューターが考えることができることを本当に実証したと仮定します。

マシンがサイバースペースを考えてテストできるかどうかについて人々は議論を続けていますが、アランチューリングと彼の提案した基準がAIの分野に強力で有益なビジョンを提供したことは明らかです。アランチューリング自身が書いたこの論文は、AI研究への彼の独創的な貢献を提供し、現代のコンピューターサイエンスへの道を開いた。チューリングテストは、人工知能の分野で画期的なものと広く見なされており、AI分野全体の進捗状況を追跡する際のマイルストーンであると同時に、今後何年にもわたる目標と見なされる可能性があります。

サイバネティックスと初期のニューラルネットワーク

コンピューターの発明は、インテリジェントマシンの初期の調査に影響を与えました。 1930年代後半、1940年代、1950年代初頭にアイデアの合流点が出現し、神経科学の初期の研究に刺激を与えました。 NorbertWienerとClaudeShannonの作品は、電気ネットワークの制御と安定性に焦点を当てていました。クロードシャノンによる情報理論は、デジタル信号（オールオアナッシング信号）について説明しました。アランチューリングの計算の理論的概念は、あらゆる種類の計算がデジタルで表現できることを証明しました。これらのアイデア間の密接な関係は、電子頭脳が構築される可能性があることを示唆しました。

W.グレイウォルターのカメやジョンズホプキンスビーストのようなロボットは、この分野での仕事の例です。これらのマシンは、コンピューター、デジタルエレクトロニクス、または象徴的な推論ではなく、アナログエレクトロニクスと本能によって駆動されていました。それらは完全にアナログ回路によって制御されていました。

1943年、WalterPittsとWarrenMcCullochは、理想化された人工ニューロンのネットワークを調査し、それらが基本的な論理演算を実行する方法を示しました。彼らは、後の研究者がニューラルネットワークと呼ぶものを最初に説明しました。当時24歳の大学院生だった若いマービン・ミンスキーは、ピッツとマッカロックに触発されました。 1951年に（Dean Edmondsと共に）、彼は最初のニューラルネットワークマシンであるSNARCを作成しました。今後50年間、ミンスキーはAIの最も重要なリーダーおよびイノベーターの1人になるでしょう。

ゲームAI

1951年、クリストファー・ストレイチーとディートリッヒ・プリンツは、マンチェスター大学でFerranti Mark1マシンのチェッカープログラムを作成しました。 50年代半ばから60年代初頭に作成されたアーサー・サミュエルのチェッカープログラムは、最終的にアマチュアレベルのスキルに到達しました。ゲームでのAIの使用は、AIの進歩の指標として、歴史を通じて存続します。

ダートマスワークショップ1956：AIの誕生

1956年、ダートマス会議は、マービンミンスキー、ジョンマッカーシー、および2人のIBM上級科学者であるクロードシャノンとネイサンロチェスターによって主催されました。「人間の知性のあらゆる側面を複製するために機械を構築することができる」と提案は読んだ。参加者には、レイソロモノフ、オリバーセルフリッジ、トレンチャードモア、アーサーサミュエル、アレンニューウェル、ハーバートA.サイモンが含まれ、これらはすべて、研究の初期の数十年の間に重要なAIプロジェクトを作成し続けました。会議で、ニューウェルとサイモンは「論理理論家」を発表し、マッカーシーは出席者に彼らの分野の名前として「人工知能」を受け入れるように促した。 1956年のダートマス会議は、AIにその名前、目的、最初の成功、そして主要なプレーヤーと決定的な瞬間を与えたイベントでした。

シンボリックAI1956–1974

ほとんどの人にとって、ダートマスワークショップの後の数年間は、単に「驚異的」でした。コンピューターは、代数の文章題を解決し、幾何学的定理を証明し、英語を話すことを学んでいました。 1960年代後半には、機械によるそのような「インテリジェントな」動作が考えられると考える人はほとんどいなかったでしょう。プライベートでも印刷物でも、学者たちは、完全に知的なマシンが20年以内に開発されるだろうという大きな楽観的な見方を示しました。新しい分野は、DARPAのような政府機関から多額の資金を集めました。

1974〜1980年の最初のAIの冬

1970年代、AIは批判と経済的挫折に直面しました。 AI研究者が直面している困難は、彼らには認識されていませんでした。彼らの大きな期待は合理的なものをはるかに超えて引き上げられ、約束された利益が現れなかったとき、AIに対する政府の資金は消えました。同時に、マービン・ミンスキーによるパーセプトロンに対する壊滅的な批判から10年間、コネクショニズム（またはニューラルネットワーク）の分野は休眠状態にありました。 1970年代後半のAIに対する一般の人々の否定的な見方にもかかわらず、論理プログラミング、常識的な推論、およびその他のさまざまな分野で新しいアイデアが模索されました。

ブーム1980–1987

AIの初期から、知識は大きな関心事でした。 AIプログラムの一種であるエキスパートシステムは、1980年代に世界中の企業に採用され、知識が主要なAI研究の焦点となりました。 1990年代、日本政府は第5世代コンピューターイニシアチブでAIに多額の投資を行いました。 1980年代初頭のジョン・ホップフィールドとデビッド・ラメルハートの作品におけるコネクショニズムの復活は、もう1つの励みになる瞬間でした。もう一度、AIは成功しました。

1987年から1993年の第2回AIの冬

1980年代、AIに対するビジネス界の注目は、バブル経済の古典的なパターンに従いました。クラッシュは、商用サプライヤーがさまざまな実行可能なソリューションを作成できなかったことが原因でした。何百もの企業が失敗し、多くの投資家がそれらへの投資を拒否しました。多くの人がこの技術は実行可能ではないと信じていましたが、それでも研究は進歩し続けました。ロドニーブルックスやハンスモラベックなどの多くの専門家は、根本的に新しい種類のAIを提唱しました。

AI 1993–2011

半世紀以上前の人工知能の分野は、その最も基本的な目的のいくつかに到達しています。やや静かではありますが、現在、テクノロジーセクター全体で効果的に利用されています。コンピューティング機能の改善の結果であるものもあれば、特定の孤立した問題に焦点を当て、最高レベルの科学的説明責任を達成するために努力することによってもたらされたものもあります。それでも、ビジネスの世界でのAIの評判は、それほど優れていませんでした。この分野では、AIが1960年代に人間レベルの知能の約束を果たせなかった理由については限られた合意しかありませんでした。 AIは、それぞれが異なる問題や方法に焦点を当てている一方で、同じ目標に向かって取り組んでいるという幻想を与えながら、いくつかの異なる分野に分裂しました。

「きちんとした勝利」

人工知能の研究者は、これまで以上に高度な数学的アプローチを作成して利用し始めました。 AIが取り組む必要のある問題の多くは、数学、電気工学、経済学、オペレーションズリサーチなどの分野の学者によってすでに対処されていました。共有された数学的言語により、多様な分野間のより多くのコラボレーションと、測定可能で検証可能な結果の達成が可能になりました。 Russell＆Norvig（2003）によると、AIは今やより深刻な「科学的」分野になりました。

ジューディアパールの影響力のある1988年の研究が確率と決定理論を現場に導入して以来、確率と決定理論がAIに組み込まれてきました。ベイジアンネットワーク、隠れマルコフモデル、情報理論、確率論的モデリング、および古典的最適化は、採用された多くの新しい手法のほんの一部です。数学的表現は、ニューラルネットワークや進化的アルゴリズムなどの「計算知能」パラダイムのためにも開発されました。

予測（または「HAL9000はどこにありますか？」）

1968年、アーサーC.クラークとスタンリーキューブリックは、2001年までに、機械は人間に匹敵するか、それを超える知性を持つようになると予測しました。彼らが設計したAIキャラクターであるHAL9000は、そのようなデバイスが2001年までに開発されるという多くのトップAI専門家が抱く概念に基づいていました。

2016年までに、AI関連の商品、ハードウェア、ソフトウェアの市場は80億ドルを超え、AIへの関心は「マニア」に達しました。ビッグデータのアプリケーションは、統計の分野を超えて拡張し始めています。たとえば、ビッグデータは、生態学やさまざまな経済アプリケーションのモデルをトレーニングするために使用されました。ディープラーニング（特にディープ畳み込みニューラルネットワークとリカレントニューラルネットワーク）の進歩により、画像とビデオの処理、テキスト分析、さらには音声認識の進歩と研究が促進されています。

ビッグデータ

ビッグデータは、一般的なアプリケーションソフトウェアの機能を超える膨大な量の数値データを表すために使用される用語です。このレベルの意思決定、洞察、およびプロセスの最適化を処理するには、まったく新しい一連の処理モデルが必要です。ビッグデータの時代に、Victor MeyerSchonbergとKennethCookeは、ビッグデータを「ランダムな評価（サンプル調査）ではなく、すべてのデータが分析に利用される」と定義しています。

ビッグデータの5つの重要な特性は、ボリューム、速度、多様性、価値、および正確性（IBMが提案）です。ビッグデータテクノロジーの重要性は、巨大なデータ情報を習得することではなく、重要な部分に焦点を当てることです。言い換えれば、ビッグデータを経済に例えると、このセクターの収益性の鍵は、データの「処理能力」を向上させ、それを「付加価値」に変えることです。