このページは、AI をひと言で言い切ったあとに、「何のために必要になり、どんな期待と限界を積み重ねてきたか」を、ウィキの記事のように読める形でまとめたものである。時代ごとの細かい経緯は history に託し、ここでは概念と動機を中心に置く。
AI をひとことで言うと
AI は、人間が行ってきた知的作業の一部を、計算機で再現したり補助したり自動化したりするための技術の束である。対象は推論、認識、予測、生成、意思決定など幅広く、単一のアルゴリズム名で全体を代表することはできない。
なぜ AI が必要とされるのか
第一に、ルールや例外が増え続けると、人手だけでは判断の一貫性を保つのが困難になる。文書化した基準でも、運用現場では解釈が割れやすい。第二に、データ量が人の読解や手作業の分析を超えると、全体像をつかむ前に状況が変わってしまう。第三に、制御や取引、顧客対応のように、遅れそのものが損失になる場面では、常時動く仕組みが要る。第四に、環境が複雑で、都度ルールを書き足す設計が破綻しやすいとき、統計やモデルから方策を引き出す道が現実的になる。これらは独立した問題ではなく、多くの現場で同時に重なる。
歴史が示す「課題」と「発明」の関係
記号 AI の時代
ここでの中心命題は、知識を明示し、推論手続きに落とし込めば、専門家の判断を機械でも再現できるのではないか、という期待だった。ルールと論理、知識表現、エキスパートシステムは、その期待に応えるために発達した。説明可能性や監査に強い面がある一方、あいまいさと例外の洪水の中では、ルールの保守が指数関数的に重くなりやすい。ここで「全部を書き表す」前提が限界を迎える。
統計的機械学習への移行
限界の反動として、ルールを人が書き切る前に、データから規則性を学ばせる方向が強まった。線形モデルや決定木、支持ベクトル機械のような手法は、表形式の予測や分類で実務の主役になり、人手のルール設計を削りつつ精度を上げることを目指した。ただし多くの場合、入力は人が設計した特徴量に依存する。画像、音声、自然言語のように構造が深いデータでは、その特徴設計がボトルネックになる。
深層学習の拡大
手作りの特徴では表現しきれない複雑さに対して、表現そのものをネットワークに学ばせる流れが拡大した。画像認識、音声認識、機械翻訳などで性能が跳ね上がり、認識や生成への期待を書き換えた。一方で学習コスト、データ依存、説明可能性や解釈性、安全性の担保は、引き続き設計の主題として残る。
基盤モデルと生成 AI
タスクごとに別々にゼロから育てるコストが見合わなくなると、大規模な事前学習をした土台を、複数の用途で再利用する流れが強まった。LLM や生成モデルは、言語、対話、創作のような幅広い表現能力を製品に載せやすくした。同時に、幻覚、安全性、著作権、運用監査、推論コストといった、運用フェーズの論点が前面に出る。
いまの位置づけ
AI は単一の勝ちパターンではなく、課題に応じてルール、学習、生成、外部ツールを組み合わせ、ログと責任の境界を設計する工学領域として扱うのが実務に近い。時代区分と人物、年のつながりを物語としてたどるには history を参照するとよい。