このページは、rule-based-model/ 配下にある各モデルの歴史的背景を、できるだけやさしい言葉で整理するためのノートです。../history.md と同じく、細かな年表の厳密さより、研究の流れと考え方の移り変わりをつかむことを優先しています。
ここで重要なのは、「ルールベースの時代に全部が新しく生まれた」わけではないという点です。実際には、論理や定理証明、知識表現などの長い研究系譜が先にあり、1970〜1980 年代のルールベース AI（特にエキスパートシステム）で強く結びついて見えるようになりました。
推論とは、与えられた情報から何が言えるかを考えて結論を出すことです。記号とは、現実の対象や関係を文字や式で表したもの、という理解で十分です。
このページの「流れ」と並べ方（読み方）
タイトルに時系列とありますが、ルールベース史の厳密な年表ではありません。流れはだいたい次の三層です。
-
前半の大見出し（
戦後〜現在：…以下）
ルールベース的な期待と退潮を、だいたいの年代に沿ってざっくり追う、いわば年代物語です。 -
（俯瞰）全体の流れの ①〜⑤
各技術が世界に生まれた古い順ではありません。考え方のとらえ方として、何が先立つと説明しやすいか、教え方上の順に近い並びです（例：論理の形式化の発想 → ルールを回す実装 → 専門知識の外化、といった物語の筋）。 -
以降の各章リンク（生成規則・エキスパート・論理…）
このサイトのrule-based-model/配下の代表トピックに対応する深掘りです。見出しの年代は目安で、新しい概念が出た順にソートしたものではありません。たとえば論理と定理証明の理論的系譜は、エキスパートシステムより前から続いています（同時期の全盛度合いとは別軸です）。
「AI 周辺の代表概念を、ルールベースの文脈で整理した索引的な史」に近い読み方をしてもらうと、すれ違いにくいです。用語の百科ではありません。重なりの整理は後段の（横断）位置づけも参照してください。
時代背景（なぜ人手ルール・ロジック型が主役になりやすかったか）
ルールベースやロジックプログラミングが強く語られた 1970〜1980 年代前後には、いまの環境とは次のようなずれがあります（年はおおまかです）。
- ネットワーク・データのあり方：一般家庭への インターネット普及や、Web 由来の巨大データを前提にした開発は、まだこれからです。研究用・大学・企業内ネットワークはあっても、「データが勝手に溜まり続ける」前提の設計ではありませんでした。だから 専門家の頭の中にある知識を、人手でルールとして外に出す発想が現実的に映りやすかった、という面があります。
- 計算機の力：記憶容量・処理速度・並列計算は今日より限られ、大規模な行列演算を何週間も回す学習は、実務の主役にはなりにくいことが多かったです。GPU で学習を回す文化もまだ先の話です。
- 学習モデルは「ゼロではない」：パーセプトロンや統計的手法など、データからパターンを学ぶ研究は並行してありました。ただし いまの深層学習や大規模言語モデルのような規模・データ・インフラのもとでの主役とは、まだつながりにくかった、と捉えると歴史の写真と合います。
このため「人手で書いたルール・事実」と「問いへの探索（ロジックプログラミング）」が、当時の技術前提と相性がよい、という読みができます。理論上“不可能”だったのではなく、主役になりやすい条件が、記号・知識・ルール寄りに傾いていた、という言い方が安全です。
戦後〜現在：ルールベースモデル全体の起伏（要点）
ここでいう ルールベースモデル は、判断や知識を 明示的な規則（多くは if-then） として書き、機械がそれに従って推論・行動する、というスタイル全体を指すイメージで読んでください。時代ごとに呼ばれ方は違いますが、記号処理 AI（いわゆる GOFAI） の実装形態の中心の一つでした。
戦後〜1960 年代：記号と探索の期待
計算機が普及すると、「人のような知的作業を、記号の操作として記述できないか」という期待が高まりました。Alan Turing の問い、1956 年のダートマス会議、John McCarthy による artificial intelligence という語の広め方などは、その空気の出発点としてよく語られます。
Allen Newell と Herbert A. Simon は、記号と手続きを組み合わせて問題を解く、という考え方を具体化し、後のルールベース推論や認知アーキテクチャの議論にもつながりました。
1970〜1980 年代：エキスパートシステムと知識工学の全盛
「探索や定理証明だけでは、現場の判断の厚みが足りない」という反省と期待が重なり、専門家の暗黙知をルールとして外に出す動きが強まりました。Edward Feigenbaum らが推進した 知識工学、MYCIN や XCON のような事例は、ルールベース AI が 産業と接点を持った象徴です。生産規則システム（OPS 系）の実装も、この時期に実用度が上がります。
1990 年代：期待の調整と他手法へのシフト
知識獲得のコスト、ルール爆発、保守の難しさが現実問題として見え始め、エキスパートシステムブームの退潮と重なって、研究・産業の関心の一部は 統計的学習やニューラルネットへ移っていきました。「AI の冬」という語は単純化されがちですが、ルールベースが消えたのではなく、主役の座が一時的に移ったと捉えるほうが近いです。
2000 年代〜現在：いまに続く理由
ルールは 説明・監査・規制対応 に強く、銀行・保険・医療・公共などでは一貫して使われ続けました。その後の ビジネスルール管理、検証・形式手法、そして 生成モデルとルールを併用するハイブリッドへと形を変え、現在も基盤部品です。大きな流れだけ知りたい場合は、AI モデル史（全体） の「ルールベースモデルの時代」もあわせて参照してください。
（俯瞰）全体の流れ（ざっくり）
ルールベース領域の流れは、次のように重なります。① 論理と記号で推論を機械化する発想が先行する。② if-then ルールを高速に回す実装が整う。③ 専門家知識を大量に入れたエキスパートシステムが普及する。④ 論理そのものをプログラムとして書く流れが強まる。⑤ 知識をどう表すか（知識表現）が独立テーマとして発展する、という流れです。
各モデル章の見出しは、だいたいの年代レンジを付け、対応する rule-based-model/ 配下の索引（index.md）へリンクしています。
1960〜1980 年代頃：生成規則モデル（Production Rule Model）の展開
ざっくりいうと：if 条件 then 行動 のルールを積み上げ、機械に判断させる型です。
目安の年代：1960 年代後半から 1980 年代。認知科学の問題解決モデルと、実装系の研究が結びついて伸びました。特に OPS 系（OPS5 など）は、ルール照合を効率化する実装として広く参照されます。
何をしたかったか：手続きコードに判断ロジックを埋め込むのではなく、判断知識をルールとして分離し、追加・修正しやすくしたい、という動機がありました。業務ルールの変更に追随しやすい設計を目指したとも言えます。
どこでつまずいたか：ルールが増えると、競合解決や優先順位管理が難しくなります。例外処理が重なるほど、全体の挙動を見通しにくくなる問題がありました。
1970〜1990 年代頃：エキスパートシステム（Expert System）の展開
ざっくりいうと：専門家の判断を知識ベース化し、推論エンジンで診断や助言を行う型です。
目安の年代：1970 年代から 1980 年代後半。DENDRAL、MYCIN、XCON のような事例で、研究から産業応用まで一気に広がりました。Edward Feigenbaum らの研究は、知識工学という考え方を社会実装へ押し出した代表例です。
何をしたかったか：希少な専門知識をシステム化し、担当者が変わっても一定品質の判断を再現したい、という要求が背景にありました。医療、化学、保守運用など、限定領域で実効性が高かったことも普及の理由です。
どこでつまずいたか：知識獲得ボトルネックが深刻でした。専門家への聞き取りとルール化に時間がかかり、運用開始後も例外ルールが増えて保守コストが膨らみました。ここから「学習で知識を取り込む」方向への関心が強まります。
近代〜現在：論理と定理証明（Logic and Theorem Proving）の系譜
ざっくりいうと：述語論理を使い、証明手続きによって結論の正しさを形式的に導く型です。
目安の年代：ルールベース全盛期より前から続く長期系譜で、1960 年代中盤以降は現在まで継続。1965 年の Robinson の解消原理（resolution）は、自動定理証明研究の大きな転機としてよく挙げられます。
何をしたかったか：推論結果だけでなく、「なぜその結論になるか」を厳密に追跡できる仕組みを作ることです。安全性や検証可能性が重い分野では、この性質が強い利点になります。
どこでつまずいたか：探索空間が急激に大きくなる問題があり、実用規模の課題では計算量が壁になりやすいです。このため、ヒューリスティック探索や制約充足など、周辺技術との統合が進みました。
1970〜1990 年代頃：ロジックプログラミング（Logic Programming）の展開
ざっくりいうと：論理式と規則をそのままプログラムとして書く、宣言的プログラミングの型です。
目安の年代：1970 年代から 1990 年代にかけて大きく普及。Prolog はその代表で、問い合わせを通じて解を導く計算スタイルを広めました。Robert Kowalski らの整理は、理論的背景としてよく参照されます。
何をしたかったか：アルゴリズムの細かな手順より、「成り立ってほしい関係」を直接書けるようにしたい、という狙いです。知識処理やルール処理を、人間が読みやすい形で記述したい動機とも言えます。
どこでつまずいたか：汎用システム開発では、状態管理や性能最適化の難しさが課題になりました。結果として、単独で全システムを作るより、特定領域で使う部品としての活用が増えました。
1970 年代〜：知識表現（Knowledge Representation）の系譜
ざっくりいうと：知識をどんな構造で表せば、推論しやすく再利用しやすいかを扱う領域です。
目安の年代：ルールベース全盛期と重なりつつも、それ以前からの発想を含む長期系譜として 1970 年代以降ずっと継続。セマンティックネット、フレーム、スクリプト、オントロジーと、表現形式が段階的に拡張されてきました。
何をしたかったか：単純な if-then だけでは扱いにくい、階層関係、属性継承、文脈依存の知識を整理したい、という問題意識です。知識を共有可能な形式で保持し、複数システムで再利用する目的もありました。
どこでつまずいたか：表現力を上げるほど、推論コストや整合性管理が難しくなります。標準化と運用設計が不十分だと、知識ベースが育っても保守できない問題が起きやすいです。
（横断）位置づけ：「同時代の同一カテゴリ」ではない
これらは、単一の「ルールベース時代の内部カテゴリ」としてだけ捉えるより、複数の研究系譜がルールベース AI の時代に強く接続したものとして理解するほうが正確です。
- エキスパートシステムと生成規則モデルは、ルールベース AI の中心的実装として強く同時代化した。
- 論理と定理証明は、より基盤的で長い理論系譜を持ち、ルールベース以前から継続している。
- ロジックプログラミングはルール処理と親和性が高いが、同一視はできない独立の計算パラダイムでもある。
- 知識表現はルールを含む上位の設計テーマであり、表現形式はルール以外にも広がる。
2000 年代〜現在：ハイブリッドへの接続（いまの見方）
ルールベース領域は、いまでも次の点で重要です。説明可能性（判断根拠を追いやすい）、統制可能性（規制や社内規定を明示しやすい）、再現可能性（同条件で同じ結論になりやすい）を確保しやすいからです。
現在の実務では、ルール・検索・機械学習・生成モデルを組み合わせる設計が主流です。つまり、ルールベースは「過去の手法」ではなく、現代の AI システムを安定運用するための基盤部品として再評価されています。