THINKLAB

AI FOUNDATIONS

AIの歴史と現在の分類

AIの代表的な節目を当時の論文や公式資料でたどり、用途・学習方法・モデル構造・入出力を分けて整理します。年表はすべての研究を網羅したものではなく、後の技術が前の技術を一律に置き換えたという意味でもありません。

内容・出典確認：

POINT 01

歴史

何が限界となり、何が次の進歩を生んだかを見る。

POINT 02

分類

用途・学習方法・モデル構造・入出力の4軸を分ける。

POINT 03

実務

AIの得意な範囲と、人が確認すべき範囲を分ける。

TIMELINE

資料でたどる、代表的な節目

各項目の出典から、提案・実験・製品公開のどれを記録した資料かを確認できます。各欄の「読み分け」は、THINKLABが実務向けに整理した確認の観点です。

  1. 1955–1956年 · 研究課題の共有

    人工知能を、研究分野の名前にする

    1955年の提案を経て、1956年にダートマスの夏季研究集会が開かれました。知能の働きを機械で扱う研究を、人工知能という名前のもとで議論した節目です。

    読み分け：提案の年と、研究集会が開かれた年を区別します。

    出典 1

  2. 1980年の事例 · 知識・規則による処理

    専門領域の知識を、条件と処理にする

    McDermottのR1論文は、顧客の注文からコンピュータの構成を決める規則ベースのシステムを報告しています。ここでの代表例は専門領域の構成作業であり、あらゆる判断ができるという報告ではありません。

    読み分け：この例では、人が規則を記述する方式に注目します。学習データから規則を獲得する方式とは分けて考えます。

    出典 2

  3. 2012年 · 深層学習と画像分類

    データ・ネットワーク・計算を組み合わせる

    Krizhevskyらは、ImageNetの画像分類に深い畳み込みニューラルネットワークを用い、GPUによる実装とともに成果を報告しました。これは画像分類での結果であり、文章理解や全業務の性能をそのまま示すものではありません。

    読み分け：論文の評価データと課題を確認します。ある課題での改善を、別の課題の保証へ広げません。

    出典 3

  4. 2017年 · Transformer

    Attentionを中心にした構造を提案する

    Vaswaniらの論文はTransformerを提案し、機械翻訳などで評価しました。Transformerはモデル構造の名前です。「対話サービス」「生成AI」「AGI」と同義ではありません。

    読み分け：モデルの構造と、それを使った製品・用途を区別します。

    出典 4

  5. 2021年 · 基盤モデルという整理

    幅広いデータで学び、用途へ適応させる

    Bommasaniらは、広いデータで大規模に学習され、多様な下流タスクに適応できるモデルを基盤モデルと呼んで整理しました。報告は可能性だけでなく、元モデルの問題が適応先へ引き継がれるリスクも扱っています。

    読み分け：多用途に適応できることと、利用先で正確に動くことを分けて評価します。

    出典 5

  6. 2022年11月30日 · ChatGPTの研究プレビュー

    対話形式の利用を公開する

    OpenAIはこの日にChatGPTを研究プレビューとして公開しました。当時の説明には、人のフィードバックを使った学習方法と、もっともらしくても誤った回答をする限界の両方が書かれています。

    読み分け：この日付はサービス公開の節目です。生成AIそのものの誕生年や、現在の製品仕様を意味しません。

    出典 6

CLASSIFICATION MAP

AIの説明を、4つの軸で読み分ける

用途が同じでも学習方法や構造は異なります。また、一つの仕組みに複数の分類が当てはまります。「新しいから優れている」と決めず、何についての説明なのかを確認します。

用途・タスク

何をするか

  • 識別・予測

    分類や数値の予測をする。

  • 変換・生成

    文字起こし、翻訳、文章の下書きなどを作る。用途は一つに限られない。

  • 実行支援

    検索や外部ツールの操作を手順に組み込む。実行権限と確認点を別に決める。

出典 5

学習方法

どう学ぶか

  • 教師あり学習

    入力と正解ラベルの組から、分類・予測の関係を学ぶ。

  • 教師なし学習

    通常はラベルのないデータから、似たものの集まりなどの構造を探す。

  • 自己教師あり学習

    隠した語を当てるなど、元データから学習用の正解を作る。単に「正解なしで学ぶ」とは説明しない。

  • 強化学習

    行動に対する報酬を手掛かりに、行動の選び方を学ぶ。

出典 7出典 8

モデル構造

どんな構造か

  • 決定木

    条件の分岐をたどって結果を出すモデル。

  • ニューラルネットワーク

    重みを持つ計算単位をつないだモデル。深層学習では層を重ねて扱う。

  • Transformer

    Attentionを中心にしたニューラルネットワーク構造。用途の名前ではない。

出典 4出典 7

データの形式

何を入出力するか

  • テキスト

    文章を入力・出力として扱う。

  • 画像・音声・動画など

    どの形式を入力でき、何を出力するかを分けて確認する。

  • マルチモーダル

    複数形式を扱うこと。扱える形式の多さだけで正確さや汎用性は決まらない。

出典 5

ルールベースは、人が規則を書く方式です。教師あり学習などの学習方法とは分けます。LLMは大規模な言語モデルを指し、Transformerのような構造の名前とは同じではありません。

自己教師あり学習では、たとえば文章の一部を隠し、元の語を学習用の正解として使えます。教師なし学習とまとめて「正解を使わない」と説明すると、この違いを見落とします。学習時の正解と、利用時に人が回答を確認することも別です。

出典 2出典 5出典 7出典 8

WORKED EXAMPLES

説明から、分かることと分からないことを分ける

同じ「問い合わせの仕分け」でも、仕組みは違う

架空の社内窓口で、届いた文を担当部署へ振り分けます。下の3案は説明のための設計例で、AIサービスの実測や性能順位ではありません。

分類と確認の例
与えられた説明・確認軸ここから分かること追加で確認すること
件名に「配送」を含めば物流担当へ送ると、人が規則を書く。規則ベースの処理。学習方法を当てはめる必要はない。配送という語を含まない相談や、複数の用件がある文をどう扱うか決める。
過去の文と、担当者が付けた正解部署の組でモデルを学習する。教師あり学習による分類。モデル構造はこの説明だけでは不明。学習に使っていない文で、誤配と担当者の修正量を確かめる。
対話AIに部署の定義と文を渡し、部署候補と理由を出させる。用途は仕分け。依頼文を渡しただけでは、そのAIの学習方法や構造までは分からない。部署を作り足していないか確認する。最初は人が候補を承認し、自動転送とは分ける。

「画像も読める」から、分からないことは何か

架空の製品案内に「画像と文章を入力し、文章で回答する」とだけ書かれているとします。何を確認でき、何を推測で埋めてはいけないかを整理します。

分類と確認の例
与えられた説明・確認軸ここから分かること追加で確認すること
入出力の説明画像・文章という複数の入力形式と、文章という出力形式が示されている。動画・音声にも対応すると読み替えない。
学習方法とモデル構造この案内だけでは確認できない。教師あり、自己教師あり、Transformerなどと断定せず、技術資料を確認する。
正確さと任せる範囲複数形式に対応するという説明だけでは、読み取り精度や操作権限は分からない。同じ確認用画像で重要な項目を原資料と照合する。正確さの評価と、送信・承認の権限を別に決める。

確認したい製品の説明文でも、4つの軸ごとに根拠の文を抜き出してください。書かれていない欄は「不明」のまま残し、技術資料や同じ条件での試行で確認します。上の例は分類のための教材であり、実測した精度や導入効果ではありません。

CAPABILITY BOUNDARY

「できること」と「任せてよいこと」は別

用途の広さと、正確さ

基盤モデルの用途が広がっても、利用先での誤りやリスクの確認は必要です。THINKLABでは、形式への対応、個別の課題での正確さ、実行してよい権限を分けて確認します。

汎用人工知能（AGI）

Morrisらの研究は、能力の性能・汎用性などを分けて評価する枠組みを提案しています。これは一つの研究上の整理です。画像や音声に対応するという説明だけから、その製品がAGIかを判定することはできません。

出典 5出典 9

仕事で使うときの確認点

  • 根拠や出典を確認できるか
  • 入力してよい情報か、権限は適切か
  • 最終判断を誰が持つか決まっているか

出典と、このページの確認範囲

年表・用語は下記資料の該当箇所を参照しています。「読み分け」と業務例はTHINKLABによる整理です。歴史的な資料から現在の料金・機能・性能を推測せず、現行サービスの比較やAGIの認定も行っていません。

  1. 1. Dartmouth — The Founding and Future of AI

    1955年の提案と、1956年の研究集会。

  2. 2. McDermott (1980) — R1: An Expert in the Computer Systems Domain［PDF］

    コンピュータ構成を規則で扱うR1の原論文。

  3. 3. Krizhevsky ほか (2012) — ImageNet Classification with Deep Convolutional Neural Networks

    画像分類の深層ニューラルネットワークとGPU実装。

  4. 4. Vaswani ほか (2017) — Attention Is All You Need

    Transformerの提案。元論文の評価対象は主に機械翻訳。

  5. 5. Bommasani ほか (2021) — On the Opportunities and Risks of Foundation Models

    基盤モデルの定義と、用途へ適応させる際の機会・リスク。

  6. 6. OpenAI (2022-11-30) — Introducing ChatGPT

    当時の研究プレビューの公開、学習方法、限界。現在の機能・料金を示す資料ではない。

  7. 7. Google — Machine Learning Glossary: ML Fundamentals

    教師あり・教師なし学習、モデル、ニューラルネットワークなどの定義。

  8. 8. Google — Machine Learning Glossary: self-supervised learning

    データ自体から学習用のラベルを作る自己教師あり学習の定義。

  9. 9. Morris ほか — Levels of AGI for Operationalizing Progress on the Path to AGI

    能力の性能・汎用性などを分ける研究上の枠組み。現行サービスのAGI認定ではない。

NEXT STEP

用語を、使いどころから深掘りする

このページは全体像です。LLM、RAG、プロンプト、機械学習などの個別用語は、AI辞典で仕事への使い方とあわせて確認できます。

AI辞典を見る →