AIの歴史 完全図解
― 2度の冬と3度の春、なぜ今なのか

① 30秒でわかるAI史

細部に入る前に、全体の骨格だけ先に押さえる。

② 全体像 ― 8つの時代（3度の春と2度の冬）

時代は「ブーム（春）」「冬」「移行期」の3種類だけ。リストと下の図で、同じ種類には同じ色と記号を使っている。「▶ 時代を再生」で1943年から現在までを動かして見られる。

※横軸は実年に比例（1年＝どこでも同じ幅）。波の高さは期待度の模式であり、投資額などの実測値ではない。

③ なぜ始まり、なぜ終わったのか ― 6つの転換点

春も冬も、動かしたのは同じ3つ ― お金（誰が、どんな条件で出したか）、技術（機械と手法に本当は何ができたか）、期待（何を約束していたか）。各転換点について、引き金になった出来事と構造的な原因を並べる。

④ 前史（1943-1955）― 「考える機械」の理論的下地

AIという名前が付く前に、脳・情報・計算の3つが1本に束ねられた時期。

• 1943形式ニューロン / Formal Neuron（McCulloch & Pitts） 神経細胞の発火を論理素子として数式化。「脳＝計算」という発想の原点で、あらゆるニューラルネット（Neural Network）の祖先。
• 1948サイバネティクス / Cybernetics（N. Wiener） 生物と機械を「制御とフィードバック（feedback）」で統一的に扱う。自律機械の思想的支柱に。同年、シャノンの情報理論（Information Theory）。
• 1949ヘブ則 / Hebbian Learning（D. Hebb） 「同時に発火する細胞は結合が強まる」＝学習を結合荷重（weights）の変化として説明。教師なし学習（unsupervised learning）の原型。
• 1950チューリングテスト / Turing Test（A. Turing） 論文「計算機械と知能」。“機械は考えるか”を“人間と区別できない受け答えができるか”という観測可能な問いに置き換えた。
• 1951SNARC（M. Minsky） 真空管によるニューラルネット学習機。ハードウェアでの最初期の実装例。
• 1952サミュエルのチェッカー（A. Samuel／IBM） 自己対戦で強くなるプログラム。1959年に彼が使った“machine learning（機械学習）”が用語として定着。

⑤ 第1次ブーム（1956-1973）― 推論と探索

「知能とは記号の操作（symbol manipulation）である」という仮説のもと、探索木（search tree）で問題を解こうとした時代。

→ 詳しくは「なぜ始まり、なぜ終わったのか」

• 1956ダートマス会議 ― AI誕生 マッカーシー、ミンスキー、ロチェスター、シャノンらが提唱した夏季research project。ここで Artificial Intelligence という語が正式採用された。同年、ニューウェル＆サイモンの Logic Theorist が数学定理を自動証明。
• 1957パーセプトロン / Perceptron（F. Rosenblatt） 誤りに応じて重みを更新する学習則。翌年の実機Mark Iは大きく報道され、最初の“AI過剰報道（hype）”を生んだ。
• 1958LISP（J. McCarthy） 記号処理向け言語。以後30年、AI研究の標準環境に。同時期にマッカーシーはタイムシェアリングの構想も進める。
• 1959GPS（General Problem Solver） ニューウェル＆サイモンの汎用問題解決器（1957年に開発開始、1959年に発表）。手段-目標分析（means-ends analysis）という一般的な戦略を初めて明示した。
• 1965DENDRAL 質量分析から化学構造を推定。汎用探索ではなく特定分野の知識を積んだ初のエキスパートシステム。次のブームの種。
• 1966ELIZA（J. Weizenbaum、1964〜66年に開発） 来談者中心療法をまねた対話プログラム。単純なパターン置換なのに人が心を感じてしまう「ELIZA効果 / ELIZA effect」を発見。今日の対話AIの評価問題に直結する。
• 1969『Perceptrons』（Minsky & Papert） 単層パーセプトロンはXORすら解けないと数学的に証明。多層（multi-layer）なら解けるが当時は学習法が無く、ニューラルネット研究への資金が急速に細った。
• 1970SHRDLU（T. Winograd） 積み木の世界で自然言語の指示を実行。閉じた世界（closed world）なら言語理解ができることを示した（＝開いた世界では無理だとも示した）。

⑥ 第1次AIの冬（1974-1980）

技術の失敗ではなく、約束と成果のギャップによって起きた資金の引き上げ。

→ 詳しくは「なぜ始まり、なぜ終わったのか」

⑦ 第2次ブーム（1980-1987）― 知識を注ぎ込む

「汎用の賢さ」を諦め、「特定領域の専門知識」に絞ったら、初めてお金になった。

→ 詳しくは「なぜ始まり、なぜ終わったのか」

• 1980XCON（R1）がDECで本番稼働 VAXの構成を自動設計するルールベース（rule-based system）。年間数千万ドル規模の節約と報じられ、企業がAIに殺到した。エキスパートシステム産業の起点。
• 1982日本・第五世代コンピュータ計画（ICOT） 通産省主導、10年・約540億円。並列推論マシンと論理型言語（logic programming）で知識処理を狙う国家プロジェクト。米欧（DARPA戦略コンピューティング計画、英Alvey、欧ESPRIT）の対抗投資を誘発した。
• 1982ホップフィールド・ネットワーク / Hopfield Network 物理学の視点でネットワークを記憶装置として定式化。ニューラルネット再興ののろし（2024年ノーベル物理学賞の対象）。
• 1985頃LISPマシン・ブーム Symbolics等の専用ハードが高値で売れた。だが汎用ワークステーションの性能向上で価格性能比が逆転していく。
• 1986誤差逆伝播法 / Backpropagation の普及 ラメルハート、ヒントン、ウィリアムズの論文とPDP本により多層ネットの学習法が広く知られる。1969年の“XOR問題”への回答で、現在の深層学習の学習アルゴリズムそのもの。

⑧ 第2次AIの冬（1987-1993）

きっかけはハード市場の崩壊、本質はビジネスモデルの限界。

→ 詳しくは「なぜ始まり、なぜ終わったのか」

⑨ 雌伏期（1993-2011）― 「AI」を名乗らずに社会へ

この時期、研究者は“AI”という言葉を避けた。代わりに機械学習・データマイニング・検索として実装が進む。

→ 詳しくは「なぜ始まり、なぜ終わったのか」

• 1995SVM / サポートベクターマシン（Cortes & Vapnik）／ランダムフォレスト系 理論保証があり少データでも安定。2000年代の実務は事実上この2系統が主役だった。
• 1997Deep Blue が カスパロフに勝利 ただし中身は超高速探索＋人手の評価関数。「知能」ではなく計算力の勝利で、象徴的インパクトだけが巨大だった。
• 1997LSTM（Hochreiter & Schmidhuber） 長い系列を覚えられる回帰型ネット（RNN）。2010年代の音声認識・翻訳を支え、Transformer登場まで主役。
• 1998PageRank／Google創業 Webのリンク構造を“集合知”として使う。以後、大量データを持つ者が強いという現在の構図が始まる。
• 2006ディープビリーフネット（G. Hinton） 事前学習（pre-training）で多層ネットを学習可能にし、“deep learning”という呼び名を再起動した。
• 2007CUDA公開（NVIDIA） GPUを汎用計算に開放。5年後の深層学習革命を物理的に可能にした最大の外部要因。
• 2009ImageNet 公開（Fei-Fei Li） 1400万枚規模のラベル付き画像。「アルゴリズムよりデータが足りていなかった」という発想の転換そのもの。
• 2011IBM Watson が Jeopardy! で人間王者に勝利／Siri 登場 自然言語の質問応答（QA）と音声アシスタントが一般ニュースに。第3次ブームの前夜。

⑩ 第3次ブーム前半（2012-2016）― 深層学習革命

「特徴を人が設計する」時代が終わり、「特徴をデータから学ぶ」時代が始まった。

→ 詳しくは「なぜ始まり、なぜ終わったのか」

• 2012AlexNet が ILSVRC で圧勝 ヒントン研（Krizhevsky, Sutskever）。誤り率 約15%で、2位（約26%）を大差で引き離した。GPU2枚で学習された点も含め、以後の常識を書き換えた。同年Googleの“猫”論文（教師なしで猫の概念を獲得）。
• 2013word2vec（T. Mikolov） 単語をベクトル化（embedding）し「王−男＋女≒女王」を実現。言語を数値空間で扱う道を開いた。
• 2014GAN（I. Goodfellow）／Seq2Seq／Attention の原型 生成器と識別器を競わせて画像を生成＝生成AIの直系の祖先。同年、翻訳のためのAttention機構（Bahdanau ら）とVAEも登場。GoogleがDeepMindを買収。
• 2015ResNet ／ TensorFlow ／ OpenAI設立 残差接続（residual connection）で152層級の学習が可能に（画像認識で人間の誤り率を下回る）。フレームワーク整備と、非営利研究機関OpenAIの発足（12月）。
• 2016AlphaGo が李世乭に4勝1敗 探索＋深層学習＋強化学習の組み合わせ。「あと10年は無理」と言われた囲碁の陥落は、社会に第3次ブームを決定づけた。2017年のAlphaGo Zeroは人間の棋譜を一切使わず自己対戦のみで上回る。

⑪ 第3次ブーム後半（2017-2021）― Transformerと大規模化

今日のAIのほぼ全てが、この5年で敷かれたレールの上を走っている。

• 2017“Attention Is All You Need” ― Transformer Google。回帰も畳み込みも捨て、自己注意機構（self-attention）だけで系列を処理。並列学習できる＝GPUを積むほど賢くできるという性質が、後の大規模化を可能にした。GPT・BERT・画像生成・音声、現在の主要モデルはほぼ全てこの子孫。
• 2018BERT ／ GPT-1 ／ AlphaFold（CASP13） 「大量テキストで事前学習し、少量データで微調整（fine-tuning）」という事前学習パラダイムが確立。タンパク質立体構造予測でも深層学習が首位に。
• 2019GPT-2 と“危険すぎて出せない”騒動／MSがOpenAIへ10億ドル 生成テキストの悪用懸念から段階公開。AIの公開の是非が初めて実務課題になった年。
• 2020GPT-3（1750億パラメータ）／スケーリング則 例をいくつか見せるだけで新しいタスクをこなす（few-shot学習）。同年1月のScaling Laws論文が「パラメータ・データ・計算量を増やせば性能は予測どおり伸びる」と示し、投資の根拠になった。11月にはAlphaFold2がタンパク質構造予測を実質解決。
• 2021DALL·E ／ CLIP ／ GitHub Copilot テキストから画像、画像とテキストの共通空間、そしてコード補完。生成AIの応用が一気に具体化した年。

⑫ 生成AIの時代（2022-2024）― 研究室から日常へ

技術的な断絶ではなく、UIと安全チューニング（alignment）によって“誰でも使える”になったことが本質。

• 2022.03Chinchilla則 / Chinchilla Scaling Law DeepMind。「モデルを大きくするだけでなくデータ量も釣り合わせるべき」。以後、小さく賢いモデルの流れが生まれる。
• 2022.07Midjourney／8月 Stable Diffusion 公開 拡散モデル（diffusion model）による画像生成。Stable Diffusionは重み（weights）が公開され、誰でもローカルで動かせるようになった＝オープンモデル潮流の起点。同時に著作権・学習データ問題が一気に表面化。
• 2022.11.30ChatGPT 公開 GPT-3.5＋RLHF（人間のフィードバックによる強化学習）＋チャットUI。約2か月で利用者1億人規模とされ、史上最速級の普及。AIが「研究テーマ」から「日用品」になった転換点。
• 2023.03GPT-4 ／ Claude ／ 各社の一斉参入 マルチモーダル化（multimodal）と専門試験レベルの性能。2月にはLLaMA公開とBing Chat、3月にGoogle Bard。この年、企業導入と規制論議が同時に爆発した。
• 2023.05–12規制の年 ― 広島AIプロセス／英AI安全サミット／EU AI Act 政治合意 G7広島サミットで生成AIの国際ルール作りに着手（5月）、11月に英ブレッチリー宣言、12月にEUがAI法の政治合意。技術より速く制度が動き始めた。
• 2024.02–08マルチモーダルと長文脈（long context）が標準に 動画生成（Sora発表・2月）、音声を含むリアルタイム対話（GPT-4o・5月）、数十万トークン級の文脈、Claude 3世代など。EU AI Actが8月に発効。
• 2024.09–10「考えてから答える」推論モデル／AIにノーベル賞 o1系に代表される推論時計算（inference-time compute：考える時間を長くすると賢くなる）という新しいスケーリング軸。10月にはホップフィールドとヒントンが物理学賞、ハサビスとジャンパーがAlphaFoldで化学賞を受賞。

⑬ 現在地（2024年末〜2026年）― 推論とエージェント

キーワードは「答える」から「考える・調べる・手を動かす」へ。日付のある出来事を先に並べ、年間を通じた潮流は下のカードにまとめた。

• 2024.11MCP公開 ― ツール接続の標準化 モデルを外部データやアプリにつなぐ共通規格MCP（Model Context Protocol）が公開されて広がり、AIが自分でファイル・API・ブラウザを扱えるようになった。
• 2025.01DeepSeek-R1 の衝撃 重み（weights）を公開した推論モデルが最先端級の性能を低コストで示し、株式市場と「巨額投資でしか作れない」という前提を揺さぶった。効率化競争の号砲。
• 2025.02EU AI Act の禁止規定が適用開始 段階適用のEU AI Actで、社会的スコアリングなど禁止用途の規定が2025年2月2日から適用された。
• 2025.05日本でAI推進法が成立 「人工知能関連技術の研究開発及び活用の推進に関する法律」が2025年5月28日に成立、6月4日に公布。罰則よりも推進と司令塔の整備が主眼。
• 2026.01デイビッド・シルバーがDeepMindを離れる AlphaGo・AlphaZeroを率いた研究者が自ら新会社を設立。Googleで続く流出の前触れになった。
• 2026.06Google DeepMindから流出の第1波 約1週間のうちに、AlphaFoldのジョン・ジャンパーがAnthropicへ、Gemini共同責任者のノーム・シェイザーがOpenAIへ移籍。
• 2026.08第2波：ジェフ・ディーンらが退社、ハサビスがCEO退任 2026年8月5日、ジェフ・ディーン、サンジェイ・ゲマワット、オリオル・ヴィニャルス、クォック・レが退社してDiscovery Loopを設立し、デミス・ハサビスはGoogle DeepMind会長に移った（「2026年、Googleを去った人々」参照）。

⑭ 日本のAI史 ― 並行年表

世界史の裏で日本が何をしていたか。強かった時期と、乗り遅れた時期がはっきり分かれる。

⑮ アイデアの系譜 ― 何が何を生んだか

年表を横に切ると、AI史は2本の川に分けられる。

⑯ なぜ第3次ブームだけ終わらないのか

過去2回と決定的に違う点を、4つの観測可能な事実で押さえる。

⑰ 制度・倫理の歴史

技術史と並走するもう一本の年表。近年はこちらの方が実務インパクトが大きい。

⑱ 押さえるべき人物

名前と「何をした人か」を1行で結びつけておくと、年表が立体になる。カードにマウスを乗せる（スマホはタップ、キーボードはTab）と詳しい経歴が開く。

⑲ 2026年、Googleを去った人々

2026年、現代AIを作ってきた人々がGoogleを相次いで去った。流出は2つの波で起き、AI人材の重心が動いていることを示している。

それ以前の離脱 ― Google出身者はどこへ行ったか

2017年のTransformer論文の著者8人は全員Googleを去っている。いまのAI企業の多くは、Googleで育った人が創業した。【二次】は二次情報のみで確認したもの。

⑳ 用語・略語

歴史を読むときに意味がぶれやすい語と、このページで使った略語の一覧。

重要な用語

AI冬 / AI Winter

期待外れによる資金と関心の急減期。1974-80年、1987-93年の2回が一般に数えられる。技術の消滅ではなく投資の撤退を指す。

トイプロブレム / Toy Problem

研究室の単純化された問題。第1次ブームの手法はここでは動いたが、現実規模には拡大できなかった。

組合せ爆発 / Combinatorial Explosion

問題が大きくなると調べるべき組合せが指数関数的に増え、しらみつぶしの探索が不可能になること。第1次冬の技術的な主因。

フレーム問題 / Frame Problem

行動によって何が変化し何が変化しないかを、有限の計算で切り分けられない問題（1969年提起）。常識の壁の代表例。

知識獲得のボトルネック / Knowledge Acquisition Bottleneck

専門家の知識をルールとして書き出し保守するコストが膨張し、システムが破綻する現象。第2次冬の主因。

GOFAI（Good Old-Fashioned AI＝古き良きAI）

記号主義AIの通称。人がルールを書き、機械が記号を論理的に操作する方式。

特徴量エンジニアリング / Feature Engineering

データのどこに注目するかを人が設計する作業。深層学習はこれを自動化した。

Transformer / 自己注意機構

系列内の各要素が他のどの要素を重視するかを学習する構造（2017）。並列計算に向き、大規模化を可能にした現代AIの中核。

基盤モデル / Foundation Model

大量データで事前学習し、多様な用途へ転用できる汎用モデル。GPT・Claude・Gemini等。

スケーリング則 / Scaling Laws

パラメータ・データ・計算量を増やすと性能が予測可能に向上するという経験則（2020）。巨額投資の根拠になった。

few-shot学習

再学習せず、指示の中にいくつか例を見せるだけで新しいタスクをこなすこと。GPT-3（2020）で有名になった。

推論時計算 / Inference-time Compute

学習時だけでなく、答えるときに計算を多く使って「長く考えさせる」こと。推論モデル（2024年〜）の土台。

ハルシネーション / Hallucination

もっともらしい誤りを自信を持って生成する現象。確率的に次を予測する仕組みに内在し、検索連携や検証で緩和する。

AIエージェント / AI Agent

目標を与えると、自分で計画し道具（検索・コード・アプリ）を使って複数手順の作業を実行するAI。2024年以降の主戦場。

AGI / 汎用人工知能

人間並みに幅広い課題をこなす仮想的水準。定義が定まっておらず、達成時期の予測は主張者ごとに大きく割れる（＝未確定）。

略語

㉑ 一枚年表

検索・引用用の一覧。日付順に厳密に並べている（期間は開始時点に置く）。★は歴史の分岐点。

㉒ 歴史から取り出せる5つの原則

80年分を圧縮すると、繰り返し効いている法則はこの5つ。