Loading article…
人工知能（AI）の歴史は古代に始まり、熟練の職人によって知能を与えられた人工生命体に関する神話、物語、噂話が存在する。{{要出典}}
AI研究の分野は、1956年にダートマス大学のキャンパスで開催されたワークショップで創設されました。 [ 1 ]このワークショップでは、後にチューリング賞を受賞するアレン・ニューウェルと、後にノーベル賞を受賞するハーバート・A・サイモンが、 JC・ショーの協力を得て、最初のAIプログラムであるLogic Theoristを発表しました。ワークショップの参加者は、その後数十年にわたりAI研究のリーダーとなりました。彼らの多くは、一世代のうちに人間と同じくらい知能の高い機械が登場すると予測しました。米国政府はこのビジョンを実現させることを期待して、数百万ドルを提供しました。[ 2 ]
研究者たちがこの目標の複雑さを過小評価していたことが明らかになった。[ 3 ] 1974年、ジェームズ・ライトヒルの批判と米国議会の圧力により、米国政府と英国政府は人工知能に関する方向性のない研究への資金提供を停止した。7年後、日本政府の先見的なイニシアチブとエキスパートシステムの成功により 、AIへの投資が再び活発化し、1980年代後半には、この産業は数十億ドル規模の事業に成長した。しかし、1990年代には投資家の熱意が薄れ、この分野はマスコミで批判され、業界からも敬遠された（「AIの冬」として知られる時期）。それでも、研究と資金提供は別の名前で成長し続けた。
2000年代初頭、機械学習は学術界と産業界の幅広い問題に適用されました。その成功は、高性能なコンピュータハードウェアの普及、膨大なデータセットの蓄積、そして厳密な数学的手法の適用によるものでした。その後まもなく、ディープラーニングは画期的な技術として他のすべての手法を凌駕しました。 2017年に導入されたトランスフォーマーアーキテクチャは、生成型AIアプリケーションをはじめとする様々な実装に利用されました。
2020年代には、 AIへの投資が急増しました。トランスフォーマーアーキテクチャの開発を契機としたAIブームは、ChatGPTのような大規模言語モデル（LLM）の急速な拡張と一般公開につながりました。これらのモデルは、知識、注意力、創造性といった人間のような特性を示し、様々な分野に統合され、AIへの投資を飛躍的に増加させています。しかしながら、高度なAIがもたらす潜在的なリスクや倫理的な影響についての懸念も浮上し、AIの未来と社会への影響について議論が巻き起こっています。
ギリシャ神話には、ヘパイストスの黄金のロボット[ 4 ]、青銅の巨人タロス[ 5 ]、ピグマリオンのガラテア[ 6 ]など、機械人間や人工生物が登場する。中世には、ジャビル・イブン・ハイヤーンのタクウィン[ 7 ]、パラケルススのホムンクルス[ 8 ]、ラビ・ユダ・レーヴのゴーレム[ 9 ]、ロジャー・ベーコンの真鍮の頭[ 10 ]など、精神を物質に宿らせる秘密の神秘的または錬金術的な手段についての噂があった。19世紀までには、人工人間や思考機械についての考えは、フィクションで人気のテーマとなった。注目すべき作品としては、メアリー・シェリーの『フランケンシュタイン』（1818年）、 ヨハン・ヴォルフガング・フォン・ゲーテの『ファウスト 第二部』（1832年）、カレル・チャペックの『RUR（ロッサムの万能ロボット）』（1921年）などがある。[ 11 ] [ 12 ]これらの生物とその運命に関する物語は、現代の人工知能が提起するのと同じ希望、恐怖、倫理的懸念の多くを考察している。 [ 13 ] AIに関連する問題は、サミュエル・バトラーの「機械の中のダーウィン」（1863年）などの思索的なエッセイでも議論された。 [ 14 ]
写実的な人型オートマタは、多くの文明の職人によって作られました。その中には、燕石[ 15 ] 、アレクサンドリアのヘロン[ 16 ] 、アル＝ジャザリー[ 17 ] 、ハールーン・アル＝ラシード[18]、ジャック・ド・ヴォーカンソン [ 19 ] [ 20 ] 、レオナルド・トーレス・イ・ケベード[ 21 ]、ピエール・ジャケ・ドロー、ヴォルフガング・フォン・ケンペレン[ 22 ] [ 23 ]などが含まれます。最も古い既知のオートマタは、古代エジプトとギリシャの神聖な彫像でした[ 24 ] [ 25 ]。信者たちは、職人がこれらの像に知恵と感情を持つ非常にリアルな精神を吹き込んだと信じていました。ヘルメス・トリスメギストスは、「神々の真の性質を発見することで、人間はそれを再現できるようになった」と書いています[ 26 ] 。
人工知能は、人間の思考過程を機械化できるという前提に基づいている。紀元前1千年紀までに、中国、インド、ギリシャの哲学者たちは、体系的な形式的推論の方法を開発した。形式論理は、アリストテレス、ユークリッド、アル・フワーリズミー、ドゥンス・スコトゥス、ルネ・デカルトといったギリシャ、イスラム、ヨーロッパの哲学者たちによって発明され、改良された。
スペインの哲学者ラモン・リュル（1232年 - 1315年）は、論理的手段による知識の生成を目的とした論理機械をいくつか開発しました。 [ 27 ] [ 28 ]リュルは、自身の機械を、機械的な意味によって機械が生成する単純な論理演算によって基本的かつ否定できない真理を組み合わせることができる機械的な存在として説明し、それによってあらゆる可能な知識を生み出すことができるとしました。[ 29 ]リュルの研究はゴットフリート・ライプニッツに大きな影響を与え、ライプニッツはリュルの思想を再発展させました。[ 30 ]
17世紀、ライプニッツ、トーマス・ホッブズ、ルネ・デカルトは、すべての合理的思考を代数や幾何学のように体系化できる可能性を探求した。[ 31 ]ホッブズは『リヴァイアサン』の中で、「理性とは…計算、つまり足し算と引き算に他ならない」と書いている。[ 32 ]ライプニッツは、普遍的な推論言語である「普遍的特徴」について述べ、議論を計算に還元することで、「2人の哲学者の間で議論する必要は、2人の会計士の間で議論する必要と何ら変わらない。鉛筆を手に取り、石板に向かい、互いに（もし望むなら友人を証人として）『計算しよう』と言えば十分だろう」と述べている。[ 33 ]
ブールの『思考の法則』（1854年）とフレーゲの『概念記法』（1879年）は、記号数学論理の現代的な形式を定義した。[ 34 ]フレーゲの体系に基づいて、ラッセルとホワイトヘッドは1913年の『プリンキピア・マテマティカ』で算術の基礎を形式的に扱った。彼らの成功に触発され、デイヴィッド・ヒルベルトは1920年代と30年代の数学者たちに、すべての数学的推論を形式化するよう挑戦した。これに応えて、ゲーデルの不完全性証明[ 35 ] 、チューリングの機械[ 35 ]、チャーチのラムダ計算[ a ]は、形式数学ができることには実際には限界があることを示した。
しかし、これらの制約の中で、チャーチ＝チューリングのテーゼは、 0と1のような単純な記号をシャッフルする機械装置が、考えられるあらゆる数学的推論や問題解決のプロセスを模倣できることを示唆していた。[ 35 ]重要な洞察はチューリングマシンであり、抽象的な記号操作の本質を捉えた単純な理論的構成物であった。[ 37 ]この装置と、その背後にあるアイデアは、1940年代のエンジニアや数学者に、理論的にはあらゆる形式の形式的推論や問題解決を実行できる機械を構築するよう促した。
計算機は、古代から歴史を通じて、ゴットフリート・ライプニッツ[ 28 ] [ 38 ] 、ジョセフ・マリー・ジャカール[ 39 ] 、チャールズ・バベッジ[ 39 ] [ 40 ]、パーシー・ラドゲート[ 41 ]、レオナルド・トーレス・ケベド[ 42 ]、ヴァネヴァー・ブッシュ[ 43 ]など、多くの人々によって設計または製造されました。エイダ・ラブレスは、バベッジの機械は「思考または推論機械」であると推測しましたが、機械の「能力に関して誇張された考えが生じる可能性に注意することが望ましい」と警告しました[ 44 ] [ 45 ] 。
最初の近代的なコンピュータは、第二次世界大戦の巨大な機械（コンラート・ツーゼのZ3、トミー・フラワーズのヒース・ロビンソンとコロッサス、アタナソフとベリーのABC、ペンシルベニア大学のENIACなど）でした。[ 46 ] ENIACはアラン・チューリングが築いた理論的基礎に基づいており、ジョン・フォン・ノイマンによって開発され、[ 47 ]最も影響力のあるコンピュータであることが証明されました。[ 46 ]
思考機械に関する初期の研究は、1930年代後半から1940年代、そして1950年代初頭にかけて広まった様々なアイデアの融合に触発されたものでした。神経学における近年の研究は、脳が全か無かのパルスで発火するニューロンの電気ネットワークであることを示していました。ノーバート・ウィーナーのサイバネティクスは、電気ネットワークにおける制御と安定性を記述しました。クロード・シャノンの情報理論は、デジタル信号（すなわち、全か無かの信号）を記述しました。アラン・チューリングの計算理論は、あらゆる形態の計算がデジタル的に記述できることを示しました。これらのアイデアの密接な関係は、「電子脳」を構築できる可能性を示唆していました。
1940年代と50年代には、さまざまな分野（数学、心理学、工学、経済学、政治学）の少数の科学者が、後のAI研究に不可欠となるいくつかの研究方向を探求しました。[ 48 ]アラン・チューリングは、「機械知能」の理論的可能性を真剣に調査した最初の人物の一人でした。[ 49 ] 「人工知能研究」の分野は、1956年に学問分野として設立されました。[ 50 ]
1950年、チューリングは画期的な論文「計算機械と知能」を発表し、その中で思考する機械を作る可能性について考察した。[ 52 ] [ b ]この論文の中で、彼は「思考」を定義するのは難しいと指摘し、有名なチューリングテストを考案した。機械が（テレプリンターを介して）人間との会話と区別がつかない会話を続けることができれば、その機械は「思考している」と言うのが妥当である。[ 53 ]この問題の簡略化されたバージョンにより、チューリングは「思考する機械」が少なくとももっともらしいと説得力をもって主張することができ、この論文は、その提案に対する最も一般的な反論すべてに答えた。[ 54 ]チューリングテストは、人工知能の哲学における最初の本格的な提案であった。
ウォルター・ピッツとウォーレン・マカロックは、1943年に理想化された人工ニューロンのネットワークを分析し、それらが単純な論理関数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初めて記述しました。[ 55 ]この論文は、1936年のチューリングの論文「計算可能な数について」に影響を受けており、同様の2状態ブール「ニューロン」を使用していますが、ニューロン機能に適用したのはこれが初めてです。[ 49 ]ピッツとマカロックに感銘を受けた学生の1人が、当時24歳の大学院生だったマービン・ミンスキーでした。1951年、ミンスキーとディーン・エドモンズは、最初のニューラルネットワークマシンであるSNARCを構築しました。[ 56 ]ミンスキーは後に、人工知能における最も重要なリーダーおよびイノベーターの1人になります。
ウィリアム・グレイ・ウォルターのタートルやジョンズ・ホプキンス大学のビーストなどの実験用ロボットは1950年代に作られた。これらの機械はコンピュータ、デジタル電子機器、記号推論を使用せず、完全にアナログ回路によって制御されていた。[ 57 ]
1951年、マンチェスター大学のフェランティ・マーク1マシンを使用して、クリストファー・ストラッチーはチェッカーのプログラムを作成し[ 58 ]、ディートリッヒ・プリンツはチェスのプログラムを作成した[ 59 ] 。アーサー・サミュエルのチェッカープログラムは、1959年の論文「チェッカーゲームを用いた機械学習に関するいくつかの研究」の主題であり、最終的には立派なアマチュアに挑戦できるほどのスキルを獲得した[ 60 ] 。サミュエルのプログラムは、後に機械学習と呼ばれるようになるものの最初の使用例の1つであった[ 61 ]。ゲームAIは、その歴史を通じてAIの進歩の尺度として使用され続けた。
1950年代半ばにデジタルコンピュータへのアクセスが可能になったとき、数人の科学者は、数字を操作できる機械は記号も操作でき、記号の操作こそが人間の思考の本質である可能性を直感的に認識した。これは、思考する機械を作るための新しいアプローチだった。 [ 62 ] [ 63 ]
1955年、アレン・ニューウェルと後のノーベル賞受賞者ハーバート・A・サイモンは、 JC・ショーの協力を得て「ロジック・セオリスト」を作成した。このプログラムは最終的にラッセルとホワイトヘッドの『プリンキピア・マテマティカ』の最初の52の定理のうち38を証明し、いくつかの定理についてはより洗練された新しい証明を見つけた。[ 64 ]サイモンは、彼らが「物質で構成されたシステムが精神の特性を持つことができる理由を説明し、長年の心身問題を解決した」と述べた。 [ 65 ] [ c ]彼らが導入した記号推論パラダイムは、90年代半ばまでAIの研究と資金提供を支配し、認知革命を刺激した。
1956年のダートマスワークショップは、AIが学問分野として正式に始まったことを示す重要な出来事でした。[ 50 ]このワークショップは、 IBMの2人の上級科学者、クロード・シャノンとネイサン・ロチェスターの支援を受けて、マービン・ミンスキーとジョン・マッカーシーによって組織されました。会議の提案書には、「学習のあらゆる側面、あるいは知能のその他の特徴は、機械がそれをシミュレートできるように非常に正確に記述できる」という主張を検証する意図があると述べられていました。[ 66 ] [ d ]「人工知能」という用語は、ワークショップでジョン・マッカーシーによって導入されました。[ e ] 参加者には、レイ・ソロモノフ、オリバー・セルフレッジ、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・サイモンが含まれており、彼らは全員、AI研究の最初の数十年間で重要なプログラムを作成しました。[ 72 ] [ f ]ワークショップで、ニューウェルとサイモンは「ロジックセオリスト」を発表しました。[ 73 ]このワークショップは、AIがその名前、使命、最初の大きな成功、そして主要なプレーヤーを獲得した瞬間であり、広くAIの誕生と考えられている。[ g ]
1956年の秋、ニューウェルとサイモンはマサチューセッツ工科大学（MIT）の情報理論特別研究グループの会合で『論理理論家』を発表した。同じ会合で、ノーム・チョムスキーは生成文法について議論し、ジョージ・ミラーは彼の画期的な論文「魔法の数字7、プラスマイナス2」について説明した。[ 46 ]ミラーは「実験心理学、理論言語学、認知プロセスのコンピュータシミュレーションはすべて、より大きな全体の一部であるという、理性よりも直感的な確信を持ってシンポジウムを後にした」と書いている。 [ 75 ]
この会合は「認知革命」の始まりであり、心理学、哲学、コンピュータ科学、神経科学における学際的なパラダイムシフトの幕開けとなった。この会合は、記号人工知能、生成言語学、認知科学、認知心理学、認知神経科学といった分野、そして計算主義と機能主義という哲学的学派の創設を促した。これらの分野はすべて、関連するツールを用いて心のモデル化を行い、ある分野で発見された成果は他の分野にも関連性があった。
認知アプローチにより、研究者は思考、計画、目標、事実、記憶などの「精神的対象」を考察できるようになり、多くの場合、機能ネットワーク内の高レベルのシンボルを使用して分析されました。これらの対象は、行動主義などの以前のパラダイムでは「観察不可能」として禁じられていました。[ h ]シンボル的な精神的対象は、今後数十年にわたってAI研究と資金の主要な焦点となります。
ダートマスワークショップ以降に開発されたプログラムは、ほとんどの人にとって単に「驚くべき」ものでした。[ i ]コンピュータは代数の文章問題を解き、幾何学の定理を証明し、英語を話すことを学習していました。当時、機械によるそのような「知的な」振る舞いがそもそも可能であると信じていた人はほとんどいませんでした。[ 79 ] [ 80 ] [ 78 ]研究者たちは、個人的にも出版物でも強い楽観論を表明し、20年以内に完全に知的な機械が構築されると予測しました。[ 81 ]国防高等研究計画局（DARPA、当時は「ARPA」として知られていた）のような政府機関は、この分野に資金を投入しました。 [ 82 ] 1950年代後半から1960年代初頭にかけて、多くの英国および米国の大学に人工知能研究所が設立されました。[ 49 ]
スタニスワフ・レムの「インテレクトロニクス」に関する哲学的エッセイは、1964年にレムの『Summa Technologiae』に掲載された。 [ 83 ]
1950年代後半から1960年代にかけて、多くの成功したプログラムや新たな方向性が生まれました。中でも特に影響力のあったものには以下のようなものがあります。
初期の多くのAIプログラムは、同じ基本アルゴリズムを使用していた。何らかの目標（ゲームに勝つ、定理を証明するなど）を達成するために、まるで迷路を探索するかのように、一歩ずつ（移動や推論を行うことで）進み、行き止まりに遭遇するたびに引き返した。 [ 84 ]主な困難は、多くの問題において、「迷路」を通る可能な経路の数が天文学的な数になることだった（「組み合わせ爆発」として知られる状況）。研究者たちは、解決策につながる可能性が低い経路を排除するヒューリスティックを使用することで、探索空間を縮小した。 [ 85 ]
ニューウェルとサイモンは、「 General Problem Solver」と呼ばれるプログラムでこのアルゴリズムの一般版を捉えようとした。 [ 86 ] [ 87 ]他の「探索」プログラムは、ハーバート・ゲルンターの Geometry Theorem Prover (1958) [ 88 ]や、ミンスキーの教え子であるジェームズ・スレイグルが 1961 年に作成した Symbolic Automatic Integrator (SAINT) のように、幾何学や代数の問題を解決するなど、印象的な結果を達成した。 [ 89 ] [ 90 ]他のプログラムは、スタンフォードでロボットShakeyの動作を制御するために開発されたSTRIPSシステムのように、目標とサブゴールを探索してアクションを計画した。[ 91 ]
AI研究の重要な目標の一つは、コンピュータが英語のような自然言語でコミュニケーションできるようにすることである。初期の成功例としては、ダニエル・ボブロウのプログラムSTUDENTがあり、これは高校の代数文章問題を解くことができた。[ 92 ]
セマンティックネットは、概念（例：「家」、「ドア」）をノードとして、概念間の関係をノード間のリンク（例：「～を持っている」）として表現します。ロス・クイリアンはセマンティックネットを使用する最初のAIプログラムを作成し[ 93 ]、最も成功した（そして物議を醸した）バージョンはロジャー・シャンクの概念依存理論でした[ 94 ]。
ジョセフ・ワイゼンバウムのELIZAは、非常にリアルな会話を行うことができたため、ユーザーは時折、コンピュータープログラムではなく人間と会話していると勘違いすることがあった（ELIZA効果を参照）。しかし実際には、ELIZAは単に定型文の応答を返すか、言われたことを繰り返して、いくつかの文法規則で応答を言い換えただけだった。ELIZAは最初のチャットボットだった。[ 95 ] [ 96 ] [ 97 ]
1960年代後半、MIT AI研究所のマービン・ミンスキーとシーモア・パパートは、AI研究はマイクロワールドと呼ばれる人工的に単純な状況に焦点を当てるべきだと提唱した。[ j ]彼らは、物理学のような成功した科学では、摩擦のない平面や完全に剛体のような単純化されたモデルを使用することで、基本原理が最もよく理解されることが多いと指摘した。研究の多くは、さまざまな形とサイズの色のブロックが平らな面に並べられた「ブロックワールド」に焦点を当てていた。[ 98 ]
このパラダイムは、ジェラルド・サスマン、アドルフ・グスマン、デビッド・ウォルツ（「制約伝播」を発明した人物）、そして特にパトリック・ウィンストンによる機械視覚における革新的な研究につながった。同時に、ミンスキーとパパートはブロックを積み重ねることができるロボットアームを構築し、ブロックの世界を現実のものにした。テリー・ウィノグラードのSHRDLUは、ミクロの世界について通常の英語の文章でコミュニケーションを取り、操作を計画し、実行することができた。[ 98 ]
1960年代、研究資金提供者は主に記号AIを研究する研究所を支援していたが、少数の研究所はニューラルネットワークの研究にも取り組んでいた。
単層ニューラルネットワークであるパーセプトロンは、 1958年にフランク・ローゼンブラット[ 99 ] （ブロンクス科学高校でマービン・ミンスキーの同級生だった）によって導入された[ 100 ]。ほとんどのAI研究者と同様に、彼はその能力に楽観的で、パーセプトロンは「いずれ学習し、意思決定を行い、言語を翻訳できるようになるかもしれない」と予測した[ 101 ] 。ローゼンブラットは主に海軍研究局から資金提供を受けていた[ 102 ]。
バーナード・ウィドローと彼の学生テッド・ホフは、最大1000個の調整可能な重みを持つADALINE（1960年）とMADALINE （1962年）を構築した。 [ 103 ] [ 104 ]チャールズ・A・ローゼンとアルフレッド・E・（テッド）・ブレインが率いるスタンフォード研究所のグループは、主に米国陸軍通信隊の資金提供を受けて、MINOS I（1960年）とII（1963年）という2つのニューラルネットワークマシンを構築した。MINOS II [ 105 ]は6600個の調整可能な重みを持ち[ 106 ] 、MINOS III（1968年）という構成でSDS 910コンピュータによって制御され、軍用地図上の記号を分類したり、 Fortranコーディングシート上の手書き文字を認識したりすることができた。[ 107 ] [ 108 ]この初期の時期のニューラルネットワーク研究のほとんどは、デジタルコンピュータでのシミュレーションではなく、特注のハードウェアの構築と使用を伴っていた。[ k ]
しかし、成果が得られなかったことと、記号的AI研究との競争が原因で、MINOSプロジェクトは1966年に資金が枯渇した。ローゼンブラットは1960年代に継続的な資金を確保できなかった。[ 109 ] 1969年、ミンスキーとパパートの1969年の著書『パーセプトロン』の出版により、研究は突然停止した。[ 110 ]この本は、パーセプトロンができることには深刻な限界があり、ローゼンブラットの予測は著しく誇張されていたと示唆した。この本の影響で、コネクショニズムの研究は10年間、事実上資金提供を受けられなかった。[ 111 ]政府資金をめぐる競争は、ニューラルネットワークに対する記号的AIアプローチの勝利で終わった。[ 108 ] [ 109 ]
ミンスキー（ SNARCに携わっていた）は、純粋なコネクショニスト AI に強く反対するようになった。ウィドロー（ ADALINEに携わっていた）は適応信号処理に転向した。SRIグループ（MINOS に携わっていた）は記号的 AI とロボット工学に転向した。[ 108 ] [ 109 ]
主な問題は、多層ネットワークを訓練できないことでした（バックプロパゲーションのバージョンは他の分野ですでに使用されていましたが、これらの研究者には知られていませんでした）。[ 112 ] [ 111 ] AIコミュニティは1980年代にバックプロパゲーションを認識し、[ 113 ] 21世紀にはニューラルネットワークが大成功を収め、ローゼンブラットの楽観的な予測をすべて実現しました。しかし、ローゼンブラットは1971年にボート事故で亡くなったため、これを目にすることはありませんでした。[ 114 ]
第一世代のAI研究者たちは、自分たちの研究について次のような予測を立てた。
1963 年 6 月、MIT は新しく設立された高等研究計画局 (ARPA、後にDARPAとして知られる) から 220 万ドルの助成金を受け取った。この資金は、5 年前にミンスキーとマッカーシーによって設立された「AI グループ」を吸収したプロジェクト MAC の資金として使用された。DARPA は 1970 年代まで毎年 300 万ドルを提供し続けた。[ 121 ] DARPA は、カーネギー メロン大学のニューウェルとサイモンのプログラム、および1963 年にジョン マッカーシーによって設立されたスタンフォード大学のAI ラボにも同様の助成金を提供した。 [ 122 ]もう 1 つの重要な AI ラボは、 1965 年にドナルド ミッチーによってエジンバラ大学に設立された。 [ 123 ]これら 4 つの機関は、長年にわたり、学術界における AI 研究と資金提供の主要拠点であり続けた。[ 124 ] [ m ]
資金はほとんど条件なしで提供された。当時ARPAのディレクターだったJCRリクリダーは、組織は「プロジェクトではなく人に資金を提供するべきだ！」と考えており、研究者が興味のある方向性を追求することを許可した。[ 126 ]これによりMITでは自由奔放な雰囲気が生まれ、ハッカー文化が誕生したが、[ 127 ]この「放任主義」のアプローチは長くは続かなかった。
1970年代、AIは批判と資金難に見舞われた。AI研究者たちは、直面する問題の難しさを十分に理解していなかった。彼らの途方もない楽観主義は、世間の期待を非現実的なほど高めてしまい、約束された成果が実現しなかったため、AIに向けられた資金は大幅に削減された。[ 128 ]この成功の欠如は、当時のAI研究者が用いていた技術が、彼らの目標を達成するには不十分であったことを示している。[ 129 ] [ 130 ]
しかし、これらの挫折は、この分野の成長と進歩に影響を与えなかった。資金削減はごく少数の主要な研究所にしか影響を与えず[ 131 ]、批判はほぼ無視された[ 132 ] 。この分野に対する一般の関心は高まり続け[ 131 ] 、研究者の数は劇的に増加し[ 131 ] 、論理プログラミング、常識的推論、その他多くの分野で新しいアイデアが探求された。歴史家のトーマス・ヘイグは2023年に冬はなかったと主張し[ 131 ]、AI研究者のニルス・ニルソンはこの時期をAI研究に携わる最も「刺激的な」時期と表現した[ 133 ] 。
1970年代初頭、AIプログラムの能力は限られていた。最も優れたものでさえ、解決すべき問題のごく簡単なバージョンしか処理できなかった。[ n ]すべてのプログラムは、ある意味で「おもちゃ」だった。[ 135 ] AI研究者は、数十年後にようやく克服されるいくつかの限界、そして2020年代になってもなおこの分野を阻んでいる他の限界にぶつかり始めていた。
英国政府、DARPA、国立研究評議会（NRC）など、AI研究に資金を提供していた機関は、進展のなさに苛立ち、最終的には方向性のないAI研究への資金提供をほぼすべて打ち切った。このパターンは、1966年に自動言語処理諮問委員会（ALPAC）の報告書が機械翻訳の取り組みを批判したことから始まった。NRCは2000万ドルを費やした後、すべての支援を打ち切った。[ 145 ] 1973年、英国におけるAI研究の現状に関するライトヒル報告書は、AIが「壮大な目標」を達成できなかったことを批判し、同国におけるAI研究の解体につながった。[ 146 ]（この報告書は、AIの失敗の理由として組み合わせ爆発問題を具体的に挙げている。） [ 130 ] [ 134 ] [ s ] DARPAは、CMUの音声理解研究プログラムに取り組む研究者たちに深く失望し、年間300万ドルの助成金をキャンセルした。[ 148 ] [ t ]
ハンス・モラベックは、この危機は同僚たちの非現実的な予測のせいだと非難した。「多くの研究者が、ますます誇張されるという罠に巻き込まれてしまった」[ 149 ] [ u ]しかし、別の問題もあった。 1969年のマンスフィールド修正条項の可決以来、 DARPAは「基礎的な方向性のない研究ではなく、任務指向の直接的な研究」に資金を提供するよう、ますます強い圧力を受けていた。60年代に行われていた創造的で自由奔放な探求のための資金はDARPAからは得られず、代わりに自律型戦車や戦闘管理システムなど、明確な目的を持つ特定のプロジェクトに資金が向けられた。[ 150 ] [ v ]
主要な研究所（MIT、スタンフォード、CMU、エジンバラ）は政府から多額の支援を受けており、それが打ち切られたとき、予算削減によって深刻な影響を受けたのはこれらの研究所だけだった。これらの機関以外の何千人もの研究者や、この分野に加わろうとしている何千人もの研究者は影響を受けなかった。[ 131 ]
数人の哲学者は、AI研究者の主張に強く異議を唱えた。初期の一人であるジョン・ルーカスは、ゲーデルの不完全性定理は、形式システム（コンピュータプログラムなど）は特定の命題の真偽を決して見抜くことができないが、人間は見抜くことができることを示していると主張した。 [ 152 ]ヒューバート・ドレイファスは、1960年代の破られた約束を嘲笑し、AIの前提を批判し、人間の推論には実際には「記号処理」はほとんど含まれておらず、身体化された、本能的な、無意識の「ノウハウ」が大部分を占めていると主張した。[ w ] [ 154 ] 1980年に発表されたジョン・サールの中国語の部屋の議論は、プログラムが使用する記号を「理解する」（「意図性」と呼ばれる性質）とは言えないことを示そうとした。サールは、記号が機械にとって意味を持たないならば、機械は「思考する」とは表現できないと主張した。[ 155 ]
これらの批判は、AI研究者によって真剣に受け止められなかった。扱いにくさや常識的な知識といった問題の方が、はるかに差し迫った深刻な問題に思えた。「ノウハウ」や「意図性」が実際のコンピュータプログラムにどのような違いをもたらすのかは不明だった。MITのミンスキーは、ドレイファスとサールについて「彼らは誤解しており、無視すべきだ」と述べた。[ 156 ]同じくMITで教鞭をとっていたドレイファスは冷遇され、後にAI研究者たちは「私と昼食を共にするところを見られたくない」と語った。[ 157 ] ELIZAの著者であるジョセフ・ワイゼンバウムもドレイファスの立場を公然と批判したが、彼は「（AIの同僚によるドレイファスへの扱いは）人間に対する扱い方ではない」[ x ]と意図的に明確にし、非専門的で幼稚だと指摘した。[ 159 ]
ワイゼンバウムは、ケネス・コルビーがELIZAを基に「心理療法対話を行うことができるコンピュータプログラム」を作成した際に、AIに対する深刻な倫理的疑問を抱き始めた。 [ 160 ] [ 161 ] [ y ]コルビーが知性のないプログラムを真剣な治療ツールと見なしたことに、ワイゼンバウムは動揺した。論争が始まり、コルビーがワイゼンバウムのプログラムへの貢献を認めなかったことで状況は悪化した。1976年、ワイゼンバウムは『コンピュータの力と人間の理性』を出版し、人工知能の誤用は人間の生命の価値を低下させる可能性があると主張した。[ 163 ]
論理学は、1958年にジョン・マッカーシーがAdvice Takerの提案でAI研究に導入されました。[ 164 ] [ 88 ] 1963年には、J.アラン・ロビンソンが、コンピュータ上で演繹を実行するための単純な方法、すなわち分解アルゴリズムと統一アルゴリズムを発見しました。[ 88 ]しかし、1960年代後半にマッカーシーとその学生が試みたような単純な実装は、特に扱いにくいものでした。プログラムでは、単純な定理を証明するために天文学的な数のステップが必要でした。[ 164 ] [ 165 ] 1970年代には、エジンバラ大学のロバート・コワルスキーが論理学に対するより実りあるアプローチを開発し、すぐにこれがフランスの研究者アラン・コルメラウアーとフィリップ・ルーセルとの共同研究につながり、彼らは成功した論理プログラミング言語Prologを作成しました。[ 166 ] Prolog は、扱いやすい計算を可能にする論理のサブセット (ホーン節、密接に関連している「ルール」および「プロダクション ルール」) を使用します。ルールは引き続き影響力を持ち、エドワード ファイゲンバウムのエキスパート システムや、アレン ニューウェルとハーバート A. サイモンによるSoarおよび彼らの統一認知理論につながる継続的な研究の基礎を提供しました。[ 167 ]
論理的アプローチの批判者たちは、ドレイファスが指摘したように、人間は問題を解決する際に論理を使うことはめったにないと指摘した。ピーター・ワソン、エレノア・ロッシュ、エイモス・トベルスキー、ダニエル・カーネマンなどの心理学者による実験がそれを証明した。[ z ]マッカーシーは、人間が何をするかは関係ないと反論した。彼は、本当に必要なのは問題を解決できる機械であり、人間のように考える機械ではないと主張した。[ aa ]
マッカーシーのアプローチを批判した人々の中には、全米各地のMITの同僚もいた。マービン・ミンスキー、シーモア・パパート、ロジャー・シャンクらは、「物語の理解」や「物体認識」といった、機械が人間のように考えることを必要とする問題を解決しようとしていた。「椅子」や「レストラン」といった日常的な概念を使うためには、人間が通常行うのと同じ非論理的な仮定をしなければならなかった。残念ながら、こうした曖昧な概念は論理的に表現するのが難しい。MITは代わりに、高レベルの抽象的な定義や認知の一般理論を用いずに与えられたタスクを解決するプログラムの作成に重点を置き、第一原理からの議論ではなく、反復的なテストによってパフォーマンスを測定することを選択した。シャンクは、マッカーシー、コワルスキー、ファイゲンバウム、ニューウェル、サイモンらが用いた「整然とした」パラダイムとは対照的に、彼らの「反論理的」アプローチを「雑然とした」と評した。[ 168 ] [ ab ]
1975年、ミンスキーは画期的な論文で、同僚の研究者の多くが同じ種類のツール、つまり何かについての常識的な仮定をすべて捉えるフレームワークを使用していることに気づいた。たとえば、鳥という概念を使うと、すぐに思い浮かぶ事実の集合がある。鳥は飛ぶ、虫を食べるなどと仮定するかもしれない（これらのどれもすべての鳥に当てはまるわけではない）。ミンスキーはこれらの仮定を一般的なカテゴリと関連付け、それらはサブカテゴリや個体のフレームに継承されるか、必要に応じて上書きされる可能性があるとした。彼はこれらの構造をフレームと呼んだ。シャンクは「スクリプト」と呼んだフレームのバージョンを使用して、英語の短編小説に関する質問にうまく答えた。[ 169 ]フレームは最終的にオブジェクト指向プログラミングという名前でソフトウェアエンジニアリングで広く使用されるようになった。
論理学者たちはこの課題に果敢に挑んだ。パット・ヘイズは「フレームの大部分は、一階述語論理の一部に対する新しい構文にすぎない」と主張した。しかし彼は「特にデフォルト値など、一見些細な詳細がいくつかあり、それが大きな問題を引き起こす」と指摘した。[ 170 ]
レイ・ライターは、「一階述語論理のような従来の論理は、デフォルトで推論に必要な知識を適切に表現する表現力に欠けている」と認めた。[ 171 ]彼は、結論の反対が示せない場合に結論が（デフォルトで）成り立つという閉世界仮定で一階述語論理を拡張することを提案した。彼は、そのような仮定がフレームを用いた推論でなされる常識的な仮定とどのように対応するかを示した。また、Prologにおける失敗としての否定として、その「手続き的等価物」があることも示した。ライターが定式化した閉世界仮定は、「一階述語論理の概念ではない。（メタ概念である。）」[ 171 ]しかし、キース・クラークは、有限の失敗としての否定は、異なる用語が異なる個体を表すという一意名仮定を含む一階述語論理の定義を用いた暗黙の推論として理解できることを示した。[ 172 ]
1970年代後半から1980年代にかけて、論理プログラミングにおける失敗としての否定と、より一般的なデフォルト推論の両方に対応するため、さまざまな論理体系や一階述語論理の拡張が開発された。これらの論理体系は総称して非単調論理として知られるようになった。
1980年代には、「エキスパートシステム」と呼ばれるAIプログラムの一種が世界中の企業に採用され、知識が主流のAI研究の焦点となった。日本第5世代コンピュータ計画や米国の戦略的コンピューティングイニシアチブなど、政府も多額の資金を提供した。「全体として、AI産業は1980年の数百万ドルから1988年には数十億ドルへと急成長した。」[ 113 ]
エキスパートシステムとは、専門家の知識から導き出された論理ルールを用いて、特定の知識領域に関する質問に答えたり問題を解決したりするプログラムである。 [ 173 ] 最も初期の例は、エドワード・ファイゲンバウムとその学生によって開発された。 1965年に開始されたデンドラルは、分光計の読み取り値から化合物を同定した。[ 174 ] [ 111 ] 1972年に開発されたMYCINは、血液感染症を診断した。[ 113 ]これらは、このアプローチの実現可能性を示した。
エキスパートシステムは、特定の知識の小さな領域に限定することで（常識知識の問題を回避し）[ 111 ]、そのシンプルな設計により、プログラムの構築と、一度構築された後の修正が比較的容易になった。総じて、これらのプログラムは有用であることが証明された。これは、AIがこれまで達成できなかったことである。[ 175 ]
1980年、デジタル・イクイップメント・コーポレーション（DEC）向けに、カーネギーメロン大学（CMU）でR1と呼ばれるエキスパートシステムが完成しました。これは大成功を収め、1986年までに同社に年間4000万ドルの節約をもたらしました。[ 176 ]世界中の企業がエキスパートシステムの開発と導入を開始し、1985年までにAIに10億ドル以上を費やすようになり、そのほとんどは社内のAI部門に投資されました。[ 177 ]シンボリクスやリスプ・マシンズなどのハードウェア企業、インテリコープやアイオンなどのソフトウェア企業を含む、それらをサポートする産業が成長しました。[ 178 ]
1981年、日本の通商産業省は第5世代コンピュータ計画に8億5000万ドルを計上した。その目的は、人間のように会話したり、言語を翻訳したり、画像を解釈したり、推論したりできるプログラムを作成し、機械を構築することであった。[ 179 ]当初、この計画ではPrologが主要なコンピュータ言語として選ばれ、多くの批判を浴びた。 [ 180 ]
他の国々も独自の新しいプログラムで対応した。英国は3億5000万ポンドのアルヴィー・プロジェクトを開始した。[ 181 ]アメリカ企業のコンソーシアムは、 AIと情報技術の大規模プロジェクトに資金を提供するために、マイクロエレクトロニクス・アンド・コンピュータ・テクノロジー・コーポレーション（MCC）を設立した。[ 182 ] [ 181 ] DARPAも対応し、戦略的コンピューティング・イニシアチブを設立し、1984年から1988年の間にAIへの投資を3倍にした。[ 183 ] [ 184 ]
エキスパートシステムの力は、それが内包する専門知識から来ていました。それらは、70 年代を通じて勢いを増してきた AI 研究の新しい方向性の一部でした。「AI 研究者たちは、科学の倹約の原則に反するため、しぶしぶながらも、知能は、さまざまな方法で大量の多様な知識を使用する能力に基づいている可能性があると疑い始めていました」[ 185 ]パメラ・マッコードックは書いています。「1970 年代からの大きな教訓は、知的な行動は、与えられたタスクが存在する領域の知識、時には非常に詳細な知識を扱うことに大きく依存しているということでした」[ 186 ] 1980 年代には、知識ベースシステムと知識工学がAI 研究の主要な焦点となりました。 [ 187 ]膨大なデータベースが常識的知識の問題を解決し、常識的推論に必要なサポートを提供すると期待されていました。
1980年代、一部の研究者は、一般人が知っているありふれた事実をすべて含む大規模なデータベースを作成することで、常識知識の問題に直接取り組もうとした。Cycと呼ばれるデータベースを始めたダグラス・レナットは、近道はないと主張した。機械が人間の概念の意味を知る唯一の方法は、概念を一つずつ手作業で教えることだという。[ 188 ]
記号的知識表現と論理的推論は80年代に有用な応用を生み出し、莫大な資金が投入されたものの、知覚、ロボット工学、学習、常識といった分野の問題を解決することは依然としてできなかった。少数の科学者や技術者は、記号的アプローチがこれらの課題に十分であるかどうか疑問を抱き始め、「コネクショニズム」、「ソフト」コンピューティング、強化学習といった他のアプローチを開発した。ニルス・ニルソンはこれらのアプローチを「サブシンボリック」と呼んだ。
1982年、物理学者のジョン・ホップフィールドは、ニューラルネットワークの一種（現在は「ホップフィールドネット」と呼ばれている）が情報を学習・処理でき、任意の固定条件下で十分な時間が経過すれば収束することが証明できることを証明した。これは画期的な発見だった。それまでは、非線形ネットワークは一般的にカオス的に進化すると考えられていたからである。[ 189 ]ジェフリー・ヒントンは、 「ボルツマンマシン」と呼ばれる装置について同様の結果を証明した。[ 190 ]（ホップフィールドとヒントンはこの研究で2024年のノーベル賞を受賞した。[ 190 ]） 1986年、ヒントンとデビッド・ルーメルハートは、「バックプロパゲーション」と呼ばれるニューラルネットワークのトレーニング方法を普及させた。[ ac ]これら3つの発展は、人工ニューラルネットワークの研究を再び活発化させるのに役立った。[ 113 ] [ 191 ]
ニューラルネットワークは、他のいくつかの類似モデルとともに、1986年にルーメルハートと心理学者ジェームズ・マクレランドが編集した2巻の論文集『並列分散処理』が出版された後、広く注目を集めた。この新しい分野は「コネクショニズム」と名付けられ、記号的AIとは対照的であった。[ 113 ]ヒントンは記号を「 AIの輝くエーテル」、つまり、機能せず誤解を招く知能モデルと呼んだ。[ 113 ]
カテゴリーと概念形成の心理学的理論に基づいた Expert4 のようなツールは、類似性の尺度に基づく推論が、他のアプローチに比べて計算上扱いやすい代替手段となることを実証した。[ 192 ] [ 193 ] [ 194 ]
1990年、ベル研究所のヤン・ルカンは畳み込みニューラルネットワークを使用して手書き数字を認識しました。このシステムは90年代に広く使用され、郵便番号や個人小切手の読み取りに使用されました。これはニューラルネットワークの最初の真に有用な応用例でした。[ 195 ] [ 196 ]
ロドニー・ブルックス、ハンス・モラベックらは、真の知能を示すためには、機械は身体を持つ必要がある、つまり、知覚し、動き、生き残り、世界に対処する必要があると主張した。[ 197 ]感覚運動スキルは、常識的推論などの高次のスキルに不可欠である。これらは抽象的な記号的推論では効率的に実装できないため、AIは記号表現を一切使用せずに、知覚、移動、操作、生存の問題を解決すべきである。これらのロボット研究者は、「ボトムアップ」で知能を構築することを提唱した。[ ad ]
このアイデアの先駆者となったのは、1970年代後半に理論神経科学で成功を収めた経歴を持つデイビッド・マールで、彼は視覚を研究するグループを率いるためにMITにやってきた。彼はあらゆる記号的アプローチ（マッカーシーの論理とミンスキーのフレームの両方）を拒否し、AIは記号処理が行われる前に、視覚の物理的メカニズムをボトムアップで理解する必要があると主張した。（マールの研究は1980年に白血病で中断された。）[ 199 ]
1990年の論文「象はチェスをしない」[ 200 ]で、ロボット工学研究者のブルックスは、物理的シンボルシステム仮説を直接的に批判し、「世界はそれ自体が最良のモデルである。常に最新の状態であり、常に知るべきすべての詳細を備えている。重要なのは、それを適切に、そして十分な頻度で感知することだ」 [ 201 ]という理由から、シンボルは必ずしも必要ではないと主張した。
1980年代と1990年代には、多くの認知科学者が心の記号処理モデルを否定し、身体が推論に不可欠であると主張した。これは「身体化された心テーゼ」と呼ばれる理論である。[ 202 ]
ソフトコンピューティングは、不完全で不正確な情報を扱う方法を使用します。正確で論理的な答えを出そうとするのではなく、「おそらく」正しい結果だけを出します。これにより、正確な記号的方法では処理できない問題を解決できるようになりました。報道では、これらのツールは「人間のように考えることができる」とよく主張されていました。[ 203 ] [ 204 ]
ジュデア・パールの1988年の影響力のある著書『知能システムにおける確率的推論：もっともらしい推論のネットワーク』[ 205 ]は、確率と決定理論をAIにもたらした。 [ 206 ] 1960年代にロフティ・ザデーによって開発されたファジー論理は、AIとロボット工学でより広く使用されるようになった。進化計算と人工ニューラルネットワークも不正確な情報を扱い、「ソフト」に分類される。1990年代と2000年代初頭には、ベイジアンネットワーク[ 206 ]、隠れマルコフモデル[ 206 ]、情報理論、確率モデリングなど、他の多くのソフトコンピューティングツールが開発され、使用されるようになった。これらのツールは、今度は古典的な最適化などの高度な数学的手法に依存していた。1990年代と2000年代初頭のある時期には、これらのソフトツールは「計算知能」と呼ばれるAIのサブ分野で研究されていた。[ 207 ]
強化学習[ 208 ]は、エージェントが望ましい行動をうまく実行するたびに報酬を与え、うまく実行できなかった場合は負の報酬（または「罰」）を与えることがあります。これは、20世紀前半に、ソーンダイク[ 209 ] [ 210 ] 、パブロフ[ 211 ]、スキナー[ 212 ]などの動物モデルを使用した心理学者によって説明されました。1950年代には、アラン・チューリング[ 210 ] [ 213 ]とアーサー・サミュエル[ 210 ]が、 AIにおける強化学習の役割を予見しました。
1972年にリチャード・サットンとアンドリュー・バートが主導した、成功を収め影響力のある研究プログラムが始まりました。彼らの共同研究は、過去40年間にわたって強化学習と意思決定の研究に革命をもたらしました。[ 214 ] [ 215 ] 1988年、サットンは機械学習を意思決定理論（すなわちマルコフ決定過程）の観点から説明しました。これにより、この分野は確固たる理論的基盤と、オペレーションズリサーチの分野で開発された膨大な理論的成果へのアクセスを得ました。[ 215 ]
また、1988年にサットンとバートは「時間差」（TD）学習アルゴリズムを開発しました。これは、エージェントの予測が改善された場合にのみ報酬が与えられるアルゴリズムです。このアルゴリズムは、以前のアルゴリズムを大幅に上回りました。[ 216 ] TD学習は、1992年にジェラルド・テサウロによって、人間のトッププレイヤーと同等のバックギャモンをプレイするプログラムTD-Gammonで使用されました。このプログラムは、事前の知識を一切持たずに自分自身と対戦することでゲームを学習しました。[ 217 ]学際的な融合の興味深い例として、神経学者は1997年に、脳内のドーパミン報酬系もTD学習アルゴリズムのバージョンを使用していることを発見しました。[ 218 ] [ 219 ] [ 220 ] TD学習は21世紀に非常に影響力を持つようになり、AlphaGoとAlphaZeroの両方で使用されました。[ 221 ]
1980年代、経済バブルの典型的なパターンで、ビジネス界のAIへの関心は高まり、そして衰退した。数十社が倒産するにつれ、ビジネス界ではこの技術は実現不可能だという認識が広まった。[ 222 ] AIの評判へのダメージは21世紀まで続いた。この分野内では、1960年代に世界中の人々の想像力を掻き立てた人間レベルの知能という夢をAIが実現できなかった理由について、ほとんど合意が得られなかった。これらの要因すべてが相まって、AIは特定の問題やアプローチに焦点を当てた競合するサブ分野に分裂し、時には「人工知能」の汚れた経歴を隠す新しい名前が付けられることさえあった。[ 223 ]
その後20年間、AIは特定の個別の問題に対して一貫して実用的な解決策を提供し続けた。1990年代後半には、やや表舞台には立たないものの、テクノロジー業界全体で活用されるようになった。その成功は、コンピュータの処理能力の向上、他の分野（数理最適化や統計学など）との連携、そしてより高い科学的説明責任基準の採用によるものだった。
「 AIの冬」という用語は、1974年の資金削減を乗り越えた研究者たちが、エキスパートシステムへの熱意が制御不能に陥り、必ず失望が訪れるだろうと懸念して作ったものです。[ ae ]彼らの懸念は正しかったのです。1980年代後半から1990年代初頭にかけて、AIは一連の財政的後退に見舞われました。[ 113 ]
天候の変化を示す最初の兆候は、1987年に特殊AIハードウェア市場が突然崩壊したことだった。AppleとIBMのデスクトップコンピュータは着実に速度と性能を向上させており、1987年にはSymbolicsなどが製造する高価なLispマシンよりも強力になっていた。もはやそれらを購入する正当な理由はなくなった。5億ドル規模の産業全体が一夜にして崩壊した。[ 225 ]
結局、 R1のような初期の成功したエキスパートシステムは、維持費が高すぎることが判明しました。更新が難しく、学習できず、「脆い」（つまり、通常とは異なる入力が与えられると、とんでもない間違いを犯す可能性がある）という問題がありました。エキスパートシステムは有用であることが証明されましたが、それはごく限られた特殊な状況に限られました。[ 226 ]
1980年代後半、戦略コンピューティングイニシアチブはAIへの資金提供を「大幅に、そして容赦なく」削減した。DARPAの新しい指導部は、AIは「次の波」ではないと判断し、より即効性のある成果を生み出す可能性が高いと思われるプロジェクトに資金を振り向けた。[ 227 ]
1991年までに、1981年に日本の第5世代AIプロジェクトのために書かれた印象的な目標リストは達成されていなかった。「何気ない会話をする」といった目標の中には、さらに30年も達成されないものもあった。他のAIプロジェクトと同様に、期待は実際の可能性をはるかに超えていた。[ 228 ] [ af ]
1993年末までに300社以上のAI企業が閉鎖、倒産、または買収され、事実上、最初の商業AIブームは終焉を迎えた。[ 230 ] 1994年、HPニュークイストは著書『ブレインメーカーズ』の中で、「商業形態における人工知能の近い将来は、ニューラルネットワークの継続的な成功に部分的に依存しているようだ」と述べている。[ 230 ]
1990年代には、AI研究者によって開発されたアルゴリズムが、より大きなシステムの一部として登場し始めました。AIは非常に多くの困難な問題を解決し[ ag ] 、その解決策は、データマイニング、産業用ロボット、物流、音声認識[ 233 ]、銀行ソフトウェア[234]、医療診断[ 234]、Googleの検索エンジン[ 235 ] [ 236 ]など、テクノロジー業界全体で有用であることが証明されました。
1990年代から2000年代初頭にかけて、AI分野はこれらの成功に対してほとんど、あるいは全く評価されなかった。AIの最も偉大なイノベーションの多くは、コンピュータサイエンスのツールボックスの中の単なるアイテムの一つという地位にまで格下げされてしまった。[ 237 ]ニック・ボストロムは次のように説明している。「最先端のAIの多くは、一般的なアプリケーションに浸透してきたが、多くの場合、AIとは呼ばれていない。なぜなら、何かが十分に有用で一般的になると、もはやAIとは呼ばれなくなるからだ。」[ 234 ]
1990年代のAI研究者の多くは、情報学、知識ベースシステム、「認知システム」、計算知能など、意図的に自分たちの研究を別の名前で呼んでいた。これは、彼らが自分たちの分野をAIとは根本的に異なると考えていたためかもしれないが、新しい名前は資金獲得にも役立った。[ 233 ] [ 238 ] [ 239 ]少なくとも商業の世界では、AIの冬の失敗の約束は2000年代までAI研究に影を落とし続け、 2005年のニューヨーク・タイムズは次のように報じた。「コンピュータ科学者やソフトウェアエンジニアは、夢想家と見なされることを恐れて、人工知能という用語を避けていた。」[ 240 ]
AI researchers began to develop and use sophisticated mathematical tools more than they ever had in the past.[241][242] Most of the new directions in AI relied heavily on mathematical models, including artificial neural networks, probabilistic reasoning, soft computing and reinforcement learning. In the 90s and 2000s, many other highly mathematical tools were adapted for AI. These tools were applied to machine learning, perception, and mobility.
There was a widespread realization that many of the problems that AI needed to solve were already being worked on by researchers in fields like statistics, mathematics, electrical engineering, economics, or operations research. The shared mathematical language allowed both a higher level of collaboration with more established and successful fields and the achievement of results that were measurable and provable; AI had become a more rigorous "scientific" discipline.[242] Another key reason for the success in the 90s was that AI researchers focused on specific problems with verifiable solutions (an approach later derided as narrow AI). This provided useful tools in the present, rather than speculation about the future.
A new paradigm called "intelligent agents" became widely accepted during the 1990s.[243][244][ah] Although earlier researchers had proposed modular "divide and conquer" approaches to AI,[ai] the intelligent agent did not reach its modern form until Judea Pearl, Allen Newell, Leslie P. Kaelbling, and others brought concepts from decision theory and economics into the study of AI.[245] When the economist's definition of a rational agent was married to computer science's definition of an object or module, the intelligent agent paradigm was complete.
インテリジェントエージェントとは、環境を認識し、成功の可能性を最大化する行動をとるシステムのことです。この定義によれば、特定の問題を解決する単純なプログラムも「インテリジェントエージェント」であり、人間や企業などの人間の組織も同様です。インテリジェントエージェントパラダイムは、AI研究を「インテリジェントエージェントの研究」と定義しています。[ aj ]これは、AIの以前の定義を一般化したもので、人間の知能の研究にとどまらず、あらゆる種類の知能を研究します。このパラダイムは、研究者に個別の問題を研究し、方法について意見を異にすることを許容しつつも、研究成果を汎用知能を持つエージェントアーキテクチャに統合できるという希望を抱かせました。 [ 246 ]
1997年5月11日、ディープ・ブルーは、現役の世界チェスチャンピオンであるガルリ・カスパロフを破った最初のコンピュータチェスシステムとなった。[ 247 ] 2005年、スタンフォード大学のロボットは、リハーサルなしの砂漠の道を131マイル自律走行し、 DARPAグランドチャレンジで優勝した。2年後、カーネギーメロン大学のチームは、交通の危険に対応し、交通法規を遵守しながら、都市環境で55マイルを自律走行し、DARPAアーバンチャレンジで優勝した。 [ 248 ]
これらの成功は、革命的な新しいパラダイムによるものではなく、主にエンジニアリング技術の地道な応用と、90年代までにコンピュータの速度と容量が飛躍的に向上したことによるものでした。[ ak ]実際、ディープブルーのコンピュータは、クリストファー・ストラッチーが1951年にチェスを教えたフェランティ・マーク1よりも1000万倍も高速でした。 [ al ]この劇的な向上は、コンピュータの速度とメモリ容量が2年ごとに倍増すると予測したムーアの法則によって測定されました。「生のコンピュータ処理能力」という根本的な問題は、徐々に克服されつつありました。
『The Impermanence Agent』 （1998～2002年）などの電子文学実験や、 『Agent Ruby』などのデジタルアートは、芸術や文学にAIを使用し、「客観性を装うテクノロジーの形態に伴う偏見を露わにした」[ 252 ] 。
21世紀の最初の数十年間、大量のデータ（「ビッグデータ」として知られる）へのアクセス、より安価で高速なコンピュータ、高度な機械学習技術が経済全体にわたる多くの問題にうまく応用されました。転換点となったのは、2012年頃のディープラーニングの成功で、画像やビデオ処理、テキスト分析、音声認識など、多くのタスクにおける機械学習のパフォーマンスが向上しました。[ 253 ] AIへの投資はAIの機能とともに増加し、2016年までにAI関連の製品、ハードウェア、ソフトウェアの市場は80億ドルを超え、ニューヨークタイムズはAIへの関心が「熱狂」に達したと報じました。[ 254 ]
2002年、ベン・ゲルツェルらは、AIが多用途で完全な知能を持つ機械を生み出すという当初の目標をほぼ放棄してしまったことに懸念を抱き、汎用人工知能（AGI）へのより直接的な研究を提唱した。2010年代半ばまでに、OpenAIやGoogleのDeepMindなど、汎用人工知能の研究を目的とした企業や機関がいくつか設立された。同時期に、超知能に関する新たな知見が、 AIが存亡の危機をもたらすのではないかという懸念を引き起こした。2016年以降、AI技術のリスクと予期せぬ結果は、本格的な学術研究の分野となった。
2000 年代の機械学習の成功は、膨大な量のトレーニング データと高速なコンピュータが利用可能であることに依存していました。[ 255 ] Russell と Norvig は、「データセットのサイズを 2 桁または 3 桁増やすことで得られるパフォーマンスの向上は、アルゴリズムを微調整することによって得られるいかなる改善よりも大きい」と述べています。[ 195 ] Geoffrey Hintonは、80 年代と 90 年代には、「ラベル付きデータセットが何千倍も小さすぎ、コンピュータが何百万倍も遅すぎた」ことが問題だったと回想しています。[ 256 ]これは 2010 年までにもはや当てはまらなくなりました。
2000 年代で最も有用なデータは、機械学習と AI 用に特別に作成された、厳選されたラベル付きデータセットから得られた。2007 年、マサチューセッツ大学アマースト校のグループが、顔画像の注釈付きセットである「Labeled Faces in the Wild」を公開し、これはその後数十年にわたり顔認識システムのトレーニングとテストに広く使用された。 [ 257 ] Fei-Fei Li は、Amazon Mechanical Turkを使用したボランティアによってキャプションが付けられた 300 万枚の画像のデータベースであるImageNetを開発した。2009 年に公開された ImageNet は、トレーニングデータの有用な集合体であり、次世代の画像処理システムのテストのベンチマークとなった。[ 258 ] [ 195 ] Google は2013 年に、オープンソースのリソースとしてword2vec を公開した。これは、インターネットからスクレイピングされた大量のデータテキストと単語埋め込みを使用して、各単語を表す数値ベクトルを作成した。ユーザーは、このデータベースが単語の意味をどれほど正確に捉えることができるかに驚きました。たとえば、通常のベクトル加算では、中国 + 川 = 長江、ロンドン − イングランド + フランス = パリのような等価関係が得られます。[ 259 ]特にこのデータベースは、2010年代後半の大規模言語モデルの開発に不可欠でした。
インターネットの爆発的な成長により、機械学習プログラムは、スクレイピング可能な数十億ページものテキストや画像にアクセスできるようになりました。また、特定の問題に対しては、大規模な民間データベースに関連データが含まれていました。マッキンゼー・グローバル・インスティテュートは、「2009年までに、米国経済のほぼすべてのセクターが、少なくとも平均200テラバイトのデータを蓄積していた」と報告しました。[ 260 ]この情報の集合体は、2000年代にはビッグデータとして知られていました。
2011年2月に行われたクイズ番組「ジェパディ！」のエキシビションマッチで、IBMの質問応答システムWatsonは、同番組の歴代チャンピオンであるブラッド・ラッターとケン・ジェニングスを大差で破った。 [ 261 ] Watsonの専門知識は、インターネットで入手できる情報がなければ不可能だっただろう。[ 195 ]
2012年、アレックス・クリジェフスキーが開発した深層学習モデルであるAlexNet [ am ]が、ImageNet大規模画像認識チャレンジで2位の勝者よりも大幅に少ないエラー数で優勝した。[ 263 ] [ 195 ]クリジェフスキーはトロント大学でジェフリー・ヒントンと共同研究を行った。[ an ]これは機械学習における転換点となった。その後数年間で、画像認識に対する他の数十のアプローチが、深層学習を優先する形で放棄された。[ 255 ]
ディープラーニングは多層パーセプトロンを使用します。このアーキテクチャは60年代から知られていますが、動作させるには強力なハードウェアと大量のトレーニングデータが必要です。[ 264 ]これらが利用可能になる前は、画像処理システムの性能を向上させるには、実装が困難な手作業によるアドホックな機能が必要でした。[ 264 ]ディープラーニングはよりシンプルで汎用的でした。[ ao ]
ディープラーニングはその後数年間で数十もの問題（音声認識、機械翻訳、医療診断、ゲームなど）に適用されました。いずれの場合も、パフォーマンスが大幅に向上しました。[ 255 ]その結果、AIへの投資と関心が急増しました。[ 255 ]
2000年代には、AIの未来について再び議論を始めることが流行となり、いくつかの人気書籍では、超知能機械の可能性とそれが人間社会にどのような意味を持つのかが考察された。その中には楽観的なものもあった（レイ・カーツワイルの『シンギュラリティは近い』など）が、ニック・ボストロムやエリザー・ユドコウスキーのように、十分に強力なAIは人類にとって存亡の危機であると警告するものもあった。[ 265 ]この話題はマスコミで広く取り上げられ、多くの著名な知識人や政治家がこの問題についてコメントした。
21世紀のAIプログラムは、その目標、つまり最適化するように設計された具体的な指標によって定義されます。ニック・ボストロムの2014年の影響力のある著書『スーパーインテリジェンス』[ 266 ]では、これらの目標を慎重に定義しないと、機械が目標達成の過程で人類に害を及ぼす可能性があると主張しました。スチュアート・J・ラッセルは、電源を抜かれるのを防ぐために所有者を殺す知能ロボットの例を挙げ、「死んでしまったらコーヒーを淹れられない」と論じました。[ 267 ] （この問題は「道具的収束」という専門用語で知られています。）解決策は、機械の目標関数を所有者や人類全体の目標に合わせることです。そのため、AIのリスクと意図しない結果を軽減する問題は、「価値整合問題」またはAI整合として知られるようになりました。[ 268 ]
同時に、機械学習システムは、意図しない憂慮すべき結果をもたらし始めていました。キャシー・オニールは、統計アルゴリズムが2008年の経済危機の一因となった経緯を説明しました[ 269 ]。プロパブリカのジュリア・アングウィンは、刑事司法制度で使用されているCOMPASシステムが、いくつかの基準で人種的偏見を示していると主張しました[ 270 ]。[ ap ]他の研究では、多くの機械学習システムが何らかの形で人種的偏見を示していることが示されました[ 272 ]。また、機械学習システムから生じた危険な結果の例は他にも多数ありました[ aq ] 。
2016年、ドナルド・トランプの当選とCOMPASシステムをめぐる論争は、誤報、エンゲージメントを最大化するように設計されたソーシャルメディアのアルゴリズム、個人データの悪用、予測モデルの信頼性など、現在の技術インフラのいくつかの問題点を浮き彫りにした。[ 273 ]公平性と意図しない結果の問題は、AI会議で非常に人気が高まり、出版物が大幅に増加し、資金が利用可能になり、多くの研究者がこれらの問題にキャリアの焦点を移した。価値の一致問題は、学術研究の真剣な分野となった。[ 274 ] [ ar ]
2000 年代初頭、主流の AI は「特定のアプリケーションでの測定可能なパフォーマンス」[ 276 ] (「狭義の AI」として知られる) に重点を置きすぎており、多用途で完全に知的な機械を作るという AI の本来の目標を放棄しているのではないかと、複数の研究者が懸念を抱くようになった。初期の批判者の 1 人は1995 年のNils Nilssonであり、同様の意見は、2007 ～ 2009 年に AI の長老である John McCarthy、Marvin Minsky、Patrick Winston によって発表された。Minsky は 2004 年に「人間レベルの AI」に関するシンポジウムを組織した。[ 276 ] Ben Goertzel は、この新しいサブ分野に「人工汎用知能」という用語を採用し、2008 年以降、ジャーナルを創刊し、会議を開催した。[ 277 ]この新しい分野は、人工ニューラルネットワークの継続的な成功と、それが AGI の鍵となるという期待に後押しされて急速に成長した。
2010年代には、汎用人工知能（AGI）を開発するために、競合する複数の企業、研究所、財団が設立された。DeepMindは2010年に、ピーター・ティール、後にイーロン・マスクの資金提供を受けて、イギリスの科学者デミス・ハサビス、シェーン・レッグ、ムスタファ・スレイマンの3人によって設立された。創設者と資金提供者は、 AIの安全性とAIの存在リスクについて深く懸念していた。DeepMindの創設者はユドコウスキーと個人的なつながりがあり、マスクは積極的に警鐘を鳴らしていた人物の一人だった。[ 278 ]ハサビスはAGIの危険性を心配する一方で、その力に楽観的だった。彼は「AIを解決すれば、他のすべてを解決できる」と期待していた。[ 279 ]ニューヨーク・タイムズは2023年に、「この競争の中心には、頭を悩ませるパラドックスがある。AIについて最も心配していると言っている人々は、AIを創造し、その恩恵を享受することに最も固執している人々でもある。彼らは、自分たちだけがAIが地球を危険にさらすのを防ぐことができるという強い信念で、その野心を正当化している。」と書いた。[ 278 ]
2012年、ジェフリー・ヒントン（80年代からニューラルネットワークの研究を率いてきた）は、百度から巨額の報酬で彼と彼の学生全員を雇いたいと申し出られた。ヒントンはオークションを開催することに決め、レイクタホのAIカンファレンスで、彼らは4400万ドルでGoogleに売却した。ハサビスはこのことに気づき、軍事契約を受けないこと、倫理委員会の監督を受けることを条件に、2014年にDeepMindをGoogleに売却した。[ 278 ]
Googleのラリー・ペイジは、マスクやハサビスとは異なり、AIの未来について楽観的だった。マスクとペイジは、2015年のマスクの誕生日パーティーでAGIのリスクについて議論になった。彼らは何十年も友人だったが、その後すぐに口をきかなくなった。マスクはDeepMindの倫理委員会の唯一の会議に出席し、GoogleがAGIの害を軽減することに関心がないことが明らかになった。影響力のなさに不満を抱いた彼は、2015年にOpenAIを設立し、サム・アルトマンを運営に迎え、一流の科学者を雇った。OpenAIは「Googleや他の企業を動かしていた経済的インセンティブから解放された」非営利団体として始まった。[ 278 ]マスクは再び不満を抱き、2018年に会社を去った。OpenAIは継続的な資金援助を求めてマイクロソフトに頼り、アルトマンとOpenAIは10億ドル以上の資金を得て営利企業版を設立した。[ 278 ]
2021年、ダリオ・アモデイ と他の14人の科学者は、OpenAIが安全よりも利益を優先しているという懸念から同社を去った。彼らはAnthropicを設立し、すぐにMicrosoftとGoogleから60億ドルの資金提供を受けた。[ 278 ]
AIブームは、2017年にトランスフォーマーアーキテクチャなどの主要なアーキテクチャとアルゴリズムが最初に開発されたことから始まり、知識、注意、創造性といった人間のような特性を示す大規模言語モデルのスケーリングと開発につながりました。新しいAI時代は、ChatGPTの前身である大規模言語モデル（LLM）GPT-3が一般公開された2020年に始まりました。[ 281 ]
2017年、 Googleの研究者らは「 Attention Is All You Need」というタイトルの論文でTransformerアーキテクチャを提案した。これは自己注意機構を利用し、大規模言語モデルで広く使われるようになった。[ 282 ] Transformerをベースとした大規模言語モデルは、他の企業によってさらに開発され、OpenAIは2020年にGPT-3を、 DeepMindは2022年にGatoをリリースした。これらは基礎モデルであり、膨大な量のラベルなしデータでトレーニングされ、幅広い下流タスクに適応できる。これらのモデルは膨大な数のトピックについて議論し、一般的な知識を示すことができるため、これらが汎用人工知能の例であるかどうかについての疑問が生じている。
2023年、マイクロソフトリサーチは、さまざまなタスクでこのモデルをテストし、「これは、人工汎用知能（AGI）システムの初期バージョン（ただしまだ不完全）と合理的に見なすことができる」と結論付けた。[ 283 ]
2024年、 OpenAIが開発した高度な推論モデルの一種であるOpenAI o3が発表された。 2019年にフランソワ・ショレが開発した汎用人工知能のための抽象化および推論コーパス（ARC-AGI）ベンチマークにおいて、このモデルは非公式のセミプライベートテストで87.5%のスコアを達成し、一般的な人間のスコアである84%を上回った。このベンチマークは、AGIにとって必要ではあるが十分ではないテストであるとされている。このベンチマークについて、ショレは「通常の人間にとっては簡単だがAIにとっては難しいタスクを作成する作業が単純に不可能になったとき、AGIがここにあることがわかるだろう」と述べている。[ 284 ]
2020 年以降、AI への投資は飛躍的に増加し、生成型 AI 企業へのベンチャー キャピタルによる資金提供は劇的に増加しました。AI への投資総額は 2014 年の 180 億ドルから 2021 年の 1190 億ドルに増加し、2023 年までに生成型 AI が投資の約 30% を占めるようになりました。[ 285 ] 2017 年から 2021 年の指標によると、米国はベンチャー キャピタルによる資金提供、スタートアップの数、付与された AI特許の点で世界の他の国々を上回りました。[ 286 ]商用 AI 分野は米国のビッグ テック企業が支配するようになり、この分野への投資は米国のベンチャー キャピタリストからの投資を上回りました。[ 287 ] OpenAIの評価額は 2024 年初頭までに 860 億ドルに達し、[ 288 ] NVIDIAの時価総額は 2024 年半ばまでに 3.3 兆ドルを超え、 AI 対応GPUの需要が急増したことで、時価総額で世界最大の企業となった。[ 289 ]
2020 年 3 月に匿名のMIT研究者によってローンチされた15.ai [ 290 ]は、 AI ブームの初期段階で広く注目を集めた生成型 AI の初期の例の 1 つです。[ 293 ]この無料のWebアプリケーションは、最小限のトレーニング データでニューラル ネットワークを使用してキャラクターの声をクローンする能力を示し、音声を再現するのにわずか 15 秒の音声しか必要としませんでした。この機能は、後に2024 年にOpenAIによって確認されました。 [ 294 ]このサービスは2021 年初頭にソーシャルメディア プラットフォームで爆発的に広まり、 [ 295 ] [ 296 ]ユーザーが人気メディアフランチャイズのキャラクターの音声を生成できるようになり、クリエイティブ コンテンツやミームのためのAI 音声合成を普及させる先駆的な役割で特に注目されました。[ 297 ]
現代のAIシステムは、汎用的なタスクにおいて人間と競合できるレベルに達しつつあり、私たちは自問自答しなければなりません。機械が情報チャネルをプロパガンダや虚偽の情報で溢れさせることを許すべきでしょうか？やりがいのある仕事も含め、すべての仕事を自動化すべきでしょうか？最終的に人間を数で上回り、知能で凌駕し、時代遅れにし、取って代わる可能性のある非人間的な知能を開発すべきでしょうか？私たちの文明の制御を失うリスクを冒すべきでしょうか？このような決定は、選出されていないテクノロジーリーダーに委ねるべきではありません。強力なAIシステムは、その効果がプラスであり、リスクが管理可能であると確信できた場合にのみ開発されるべきです。この確信は十分に正当化され、システムの潜在的な効果の大きさに比例して高まる必要があります。OpenAIの最近の汎用人工知能に関する声明では、「将来のシステムのトレーニングを開始する前に独立したレビューを受けることが重要になる場合があり、最先端の取り組みにおいては、新しいモデルを作成するために使用される計算能力の増加率を制限することに合意する必要がある」と述べています。私たちはこれに同意します。まさに今がその時なのです。
したがって、我々は全てのAI研究所に対し、GPT-4よりも強力なAIシステムのトレーニングを少なくとも6ヶ月間直ちに停止するよう求める。この停止は公表され、検証可能であり、全ての主要関係者が関与すべきである。もしこのような停止が迅速に実施できない場合は、政府が介入し、一時停止措置を講じるべきである。
ChatGPTは2022年11月30日にリリースされ、人工知能の一般普及における重要な転換点となった。リリース後数日で爆発的に広まり、2か月で1億人以上のユーザーを獲得し、史上最速で成長した消費者向けソフトウェアアプリケーションとなった。[ 299 ]人間のような会話を交わし、コードを記述し、創造的なコンテンツを生成するチャットボットの能力は人々の想像力を掻き立て、教育、ビジネス、研究などさまざまな分野での急速な普及につながった。[ 300 ] ChatGPTの成功は、大手テクノロジー企業から前例のない対応を促した。Googleは「コードレッド」を宣言し、Gemini（旧Google Bard）を迅速にリリースし、MicrosoftはBing Chatにこの技術を組み込んだ。[ 301 ]
これらのAI技術の急速な普及は、その影響について激しい議論を引き起こした。著名なAI研究者や業界リーダーは、開発の加速するペースについて楽観と懸念の両方を表明した。2023年3月、コンピュータ科学者のヨシュア・ベンジオ、イーロン・マスク、アップル共同創業者のスティーブ・ウォズニアックを含む2万人以上の署名者が、 「社会と人類に対する深刻なリスク」を理由に、高度なAI開発の一時停止を求める公開書簡に署名した。[ 302 ]しかし、ユルゲン・シュミットフーバーのような他の著名な研究者は、より楽観的な見方を示し、AI研究の大部分は「人間の生活をより長く、より健康で、より楽にする」ことを目的としていると強調した。[ 303 ]
しかし、2024年半ばまでに、金融セクターはAI企業をより綿密に精査し始め、特に巨額の評価額に見合う投資収益を生み出す能力に疑問を呈した。著名な投資家の中には、市場の期待が基本的なビジネスの現実から乖離していることを懸念する声もあった。GMO LLCの共同創業者であるジェレミー・グランサム氏は、投資家に対し「非常に注意するように」と警告し、過去のテクノロジー主導の市場バブルとの類似点を指摘した。[ 304 ]同様に、ダブルライン・キャピタルのCEOであるジェフリー・ガンドラック氏は、AIブームを1990年代後半のドットコムバブルと明確に比較し、投資家の熱狂が現実的な短期的な能力や収益の可能性を上回っている可能性があると示唆した。[ 305 ]これらの懸念は、持続可能な収益モデルをまだ実証していないAI関連企業の時価総額が巨額であることによってさらに増幅された。
2024 年 3 月、Anthropic はClaude 3 Haiku、Sonnet、Opus を含む大規模言語モデルのClaude 3 ファミリーをリリースしました。 [ 306 ]これらのモデルはさまざまなベンチマークで機能が大幅に向上し、特に Claude 3 Opus は OpenAI や Google の主要モデルを上回りました。[ 307 ] 2024 年 6 月、Anthropic は Claude 3.5 Sonnet をリリースしました。これは、特にコーディング、マルチステップのワークフロー、画像分析などの分野で、より大規模な Claude 3 Opus と比較してパフォーマンスが向上しました。[ 308 ]
2024年、スウェーデン王立科学アカデミーは、人工知能への画期的な貢献を称え、ノーベル賞を授与しました。受賞者は以下の通りです。
2025年1月、OpenAIは、米国政府機関が安全に利用できるよう特別に設計された新しいAIであるChatGPT-Govを発表しました。[ 310 ] OpenAIは、政府機関はMicrosoft AzureクラウドまたはAzure Governmentクラウド上で、「MicrosoftのAzure OpenAIサービスの上に」ChatGPT Govを利用できると述べました。OpenAIの発表では、「ChatGPT Govをセルフホスティングすることで、政府機関は、厳格なサイバーセキュリティフレームワーク（IL5、CJIS、ITAR、FedRAMP High）などのセキュリティ、プライバシー、コンプライアンス要件をより簡単に管理できるようになります。さらに、このインフラストラクチャにより、非公開の機密データの処理に関するOpenAIツールの内部承認が迅速化されると考えています。」と述べています。[ 310 ]
各国は、労働力不足への対処と効率性の向上を目指し、自律型ロボットの導入に関する政策や資金に投資するとともに、倫理的かつ安全な開発のための規制枠組みも整備している。
2025年、中国はスマート製造とヘルスケアにおけるAIとロボット工学の発展のために約7300億元（約1000億米ドル）を投資した。[ 311 ]「第14次五カ年計画」（2021～2025年）ではサービスロボットが優先され、AIシステムによりロボットが手術の補助や工場組立ラインの自動化などの複雑なタスクを実行できるようになった。[ 312 ]一部の資金は自律型ドローンなどの防衛用途にも充てられた。[ 313 ] [ 314 ] 2025年9月から、中国は透明性とこれらの技術に対する国民の信頼を確保するために、AI生成コンテンツへのラベル表示を義務付けた。[ 315 ]
2025年1月、Stargate LLCはOpenAI、ソフトバンク、オラクル、MGXの合弁会社として設立され、2029年までに米国におけるAIインフラに5000億ドルを投資する計画を発表した。この合弁事業は2025年1月21日にドナルド・トランプ米大統領によって正式に発表され、ソフトバンクCEOの孫正義氏が会長に任命された。[ 316 ] [ 317 ]
米国政府は、製造業と物流業にAIとロボットを統合するために約20億ドルを割り当てた。[ 318 ]州政府は、在庫管理のための音声コマンドを実行するために倉庫に配備されたり、高齢者介護施設で入居者の援助要請に対応するために配備されたりしたサービスロボットへの資金提供でこれを補完した。[ 319 ]一部の資金は、致死性自律兵器や軍事ロボットを含む防衛に向けられた。2025年1月、大統領令14179号は、「世界征服」と「勝利」という明確な意図をもってこれらの技術の革新と展開を加速するための「AIアクションプラン」を確立した。[ 320 ] [ 321 ]
音声ミームは、2020年に「15.ai」がローンチされて以来、何らかの形で存在してきたが、[...]
音声ディープフェイクを作成するために使用されるAI音声ツールは、15.aiが注目すべき例であるように、何年も前から何らかの形で存在しています。