AIの歴史 — 技術進化の物語
はじめに — なぜAIの歴史を学ぶのか
AI技術は過去70年間、「ブーム」と「冬の時代」を繰り返してきました。この歴史を知ることで、現在の生成AIブームが「今回こそ本物か、それともまた冬が来るのか」を見極める視点を得られます。結論から言えば、今回は本物ですが、過去のブームから学ぶべき教訓は多くあります。
第1次AIブーム（1950年代-1960年代）— 夢の始まり
ダートマス会議（1956年）
ダートマス会議 — 「人工知能」という言葉が生まれた日
背景: 1956年夏、米国ダートマス大学でジョン・マッカーシーが「Artificial Intelligence」という用語を提案し、2ヶ月間のワークショップを開催。参加者にはマービン・ミンスキー、クロード・シャノン、アレン・ニューウェルら後のAI研究の巨人たちが含まれていた。
楽観主義: 参加者たちは「10年以内に機械が人間と同等の知能を持つ」と信じていた。この予測は大きく外れることになる。
教訓: 新技術の可能性に対する過度な楽観主義は、その後の失望と資金の引き上げ（「AIの冬」）を招く。現在の生成AIブームにも同じリスクがある。
この時代のAIは、論理的推論と記号処理が中心でした。「体温38度以上 AND 咳あり → 風邪の疑い」のような明示的なルールをプログラムする手法です。簡単な定理の証明やゲームでは成果を上げましたが、現実世界の複雑さには対応できませんでした。
第2次AIブーム（1980年代）— エキスパートシステムの時代
MYCINと医療AI
MYCIN — 医療AIの先駆者
開発: スタンフォード大学のEdward Shortliffeが1972年に開発。約600の「if-then」ルールに基づく感染症診断支援システム。
性能: 血液感染症の診断で65%の精度を達成。これは当時の感染症専門医の平均（約80%）には及ばなかったが、非専門医（50%以下）を上回った。
限界: ルールの追加・更新が困難。新しい知見が得られても、専門家が手動でルールを追加する必要があった。実際の臨床現場では使用されなかった。
教訓: 「専門家の知識をルール化すればAIができる」というアプローチには限界がある。知識は明示的なルールだけでなく、暗黙知（経験に基づく直感）にも依存している。
第2次AIの冬（1990年代前半）
エキスパートシステムの限界が明らかになり、再びAI研究への投資が減少。「AIは使えない」という評価が定着しました。
第3次AIブーム（2010年代-現在）— 深層学習革命
ImageNet 2012 — 深層学習のビッグバン
ImageNet 2012 — 深層学習が画像認識を支配した瞬間
背景: ImageNet Large Scale Visual Recognition Challenge（ILSVRC）は、120万枚の画像を1,000カテゴリに分類するコンテスト。2012年まで、エラー率の改善は毎年1-2ポイント程度だった。
衝撃: 2012年、トロント大学のAlex Krizhevskyが深層学習モデル「AlexNet」でエラー率を**26.2%→15.3%**に劇的に低下させた。2位との差は10ポイント以上。
なぜこの時: (1) GPUの計算力向上、(2) 大規模データセットの整備、(3) ドロップアウト等のアルゴリズム改良の3要素が揃った。
医療への波及: この成功を受け、医療画像診断AIの研究が爆発的に増加。皮膚がん診断、眼底画像解析、病理画像解析などの分野で深層学習が適用されるようになった。
AlphaGo — AIが人間の直感を超えた日（2016年）
2016年、Google DeepMindのAlphaGoが囲碁の世界チャンピオン李世ドルに4勝1敗で勝利。囲碁は「AIには10年以上かかる」と言われていた領域であり、世界に衝撃を与えました。
Attention Is All You Need — Transformer革命（2017年）
Transformerアーキテクチャを提案した論文。GPT、BERT、ChatGPT、Claude、全ての基盤
2017年にGoogleの研究者が提案したTransformerアーキテクチャは、現在の生成AIの全てを支える基盤技術です。GPT（OpenAI）、BERT（Google）、Claude（Anthropic）、Gemini（Google）、全てがTransformerに基づいています。
ChatGPT — AIが一般社会に浸透した瞬間（2022年11月）
2022年11月30日、OpenAIがChatGPTを公開。5日間で100万ユーザーを突破し、史上最速で普及したテクノロジーとなりました。
医療AIの転換点
| 年 | 出来事 | 意義 |
|---|---|---|
| 1972 | MYCIN開発 | 医療AIの先駆者（未実用化） |
| 2016 | 皮膚がん診断AI（Nature） | 深層学習が皮膚科専門医と同等の精度 |
| 2018 | EndoBRAIN承認（日本） | PMDA初の深層学習大腸内視鏡AI |
| 2019 | EIRL承認（日本） | 初の深層学習脳MRI AI |
| 2022 | nodoca承認（日本） | 初のAI「新医療機器」 |
| 2023 | GPT-4が医師国家試験合格水準 | 生成AIが医学知識テストで高得点 |
| 2024 | AlphaFold2にノーベル賞 | AIによる科学的発見の評価 |
AIブームと冬の教訓
「今回は本物」— だが過去から学ぶべきこと
第3次AIブームが過去と異なる理由: (1) 計算力の飛躍的向上（GPU/TPU）、(2) インターネットによる大規模データの蓄積、(3) 実際の商業的成功（ChatGPTの収益、AI医療機器の保険適用）。
しかし、過去のAIの冬から学ぶべき教訓:
- 過度な期待は禁物: AIは万能ではない。特定のタスクでの成功を汎用的な知能と誤解しない
- 限界の理解が重要: AIの能力だけでなく限界を正確に把握することが適切な活用の前提
- 人間の役割は変わる、なくならない: AIは医師を代替するのではなく、医師の仕事のあり方を変える
まとめ
AIの歴史は「楽観→失望→再挑戦」の繰り返しです。1956年のダートマス会議から70年、第3次ブームの現在は、計算力・データ・実用性の3要素が揃い、過去とは質的に異なる段階にあります。医療AIもMYCIN（1972年、未実用化）からEndoBRAIN・nodoca（実際の臨床使用、保険適用）へと大きく進化しました。
次のレッスンでは、AIの分類と種類を学びます。
明日のアクション
「AIの冬」の歴史を踏まえ、現在自施設で検討中のAI導入について、「過度な期待」と「適切な期待」を区別してみましょう。AIにできることとできないことを具体的にリスト化し、導入判断の根拠として活用してください。