AI（人工知能）とは、人間の知的活動を人工的に再現したコンピュータープログラムを指します。
ChatGPTや画像生成AIが登場したことで、ニュースやSNSでAIという言葉を見かける頻度は急激に増加しています。日常の仕事の中でAIを使うようになったという方もいるでしょう。
一方で、「AIとは何か？」「AIと生成AIはどう違うのか？」「ディープラーニングの意味は？」と聞かれると意外と分からないことも多いのではないでしょうか。
記事では、AI（人工知能）の定義や特徴、また、現在の生成AIに至るまでの歴史やAIに関連する単語を分かりやすく説明しました。「AIとは何か？」を改めて確認しておきたい方はぜひご覧ください。
AI（人工知能）とは？
AI（Artificial Intelligence：人工知能）とは？
AI（人工知能）とは、人間が実施する問題解決や意思決定といった知的活動を、人工的に再現したコンピュータープログラムを指します。
知的活動とは、私たちが脳で考えて実行する活動全般であり、「友人と会話する」「文章を読んで理解する」「情報を認識して答えを出す」など、私たちが日々している活動の多くが当てはまります。
AIは英語Artificial Intelligence（アーティフィシャル・インテリジェンス）の略称であり、Artificialは「人工的」、Intelligenceは「知能」という意味です。これを日本語に訳したのが「人工知能」です。
AIの対義語となるのはNature Intelligence（ネイチャー・インテリジェンス）です。あまり聞き馴染みのない言葉ですが、Nature Intelligenceの和訳は「自然知能」。自然が生み出した人間や動物などの知能を指します。つまり、人間の思考などがNature Intelligenceであり、これをコンピューター等で模倣したものがArtificial Intelligence（AI）です。
AIの定義
AI（Artificial Intelligence）という単語が公式に提案されたのは1956年、アメリカで開催されたダートマス会議で科学者のジョン・マッカーシー教授が提案しました。ジョン・マッカーシー教授はAIを「人間の脳に近い機能を持ったコンピュータープログラム」「知的なコンピュータープログラムを作る科学と技術」であると話しています。
なお、確立された世界的なAI定義というものは存在せず、各研究者がそれぞれに定義したAIの定義を発表しています。
たとえば、一般社団法人 人工知能学会の設立趣意書では「大量の知識データに対して、 高度な推論を的確に行うことを目指したもの」と表現しています。
他にも下記のような定義がありますが、大枠でいうと「人間の知的活動を人工的に模倣し、そして超越しようとするシステム」がAIだと言えます。
【各研究者のAIに対する定義】
- 人間の頭脳活動を極限までシミュレートするシステム（長尾 真氏、京都大学名誉教授）
- 究極には人間と区別がつかない人工的な知能（松原 仁氏、東京大学次世代知能科学研究センター 教授）
- 人の知的な振る舞いを模倣・支援・超越するための構成的システム（山口 高平氏、神奈川大学情報学部システム数理学科教授）
- 人工的につくられた人間のような知能、ないしはそれをつくる技術（松尾 豊氏、東京大学大学院工学系研究科人工物工学研究センター教授）
- 工学的につくられる知能であるが、その知能のレベルは人を超えているものを想像している（栗原 聡氏、慶應義塾大学理工学部教授）
AIの特徴
AI（人工知能）は、自律性と適応性というふたつの特徴を持っています。
自律性は、人間が指示や誘導しなくても作業を実行する能力、また、適応性とは経験から学習してパフォーマンスを向上する能力を指します。
また、持っている知識を踏まえて思考する「推論」、目標達成のための手順や選択肢を調べて解決策を見つけ出す「探索」、さらに人間の言葉を理解して処理する「自然言語処理」などもAIといった時にイメージされる特徴です。
AIの歴史
現在、Appleの「Siri」やAmazonの「Alexa」などのバーチャルアシスタント、また、生成AIの代表格として名前が知られるようになった「ChatGPT」などを始めとして、AI技術は私たちの身近なものとなっています。
1956年代がAIという言葉が提唱されてから、AI技術が現在のレベルに至るまでには大きく3度の大きな波（ブーム）がありました。
第1次AIブーム（1950-1960年代）
第一次AIブームは1950-60年代に訪れます。
AIの概念は1940年代に提唱された人間の神経細胞の働きをコンピューター上で再現する機械学習「ニューラルネットワーク」のアイディアから始まりました。そして、AIという言葉が公式に提唱されたのが前述したとおり、1956年のダートマス会議です。
翌年の1957年には、ニューラルネットワークの基盤となるパーセプトロンという考え方が考案され、1958年にはパーセプトロンの開発が始まりました。
第一次AIブームで研究された技術は、パズルを解いたり迷路でゴールしたりする方法を調べるといった「推論と探索」と呼ばれるものです。また、「エキスパートシステム（知識を基にして推論や判断するプログラム）」「自然言語処理（私たちが使う言葉の翻訳や分類、要約など）」などの現在につながるAI技術の原型も第一次AIブームで生まれています。
20年間ほどブームとなったAI研究ですが、パーセプトロンの考え方と当時のIT技術では、明確なルールや定義、ゴールが決まった問題を解くことが限界であり、現実社会で通用するような高度な知的活動を再現することは難しいと分かり、AI研究は一気に下火となります。
第2次AIブーム（1980-1990年代）
第二次AIブームは1980-90年代です。IT技術が進歩してコンピューターが世の中に普及し、第一次AIムーブで登場した「エキスパートシステム（知識を基にして推論や判断するプログラム）」も実用レベルとなり、各産業で使われるようになりました。
エキスパートシステムは、必要な情報（知識）をインプットし、「〇〇であれば□□をしなさい」といったルールと掛け合わせることで、あたかも人間が思考して答えを出すかのように振る舞うプログラムのことです。
現在、様々なサービスにおいてWebやLINEを通じて提供されているカスタマーサポートのチャットボット機能などはエキスパートシステムで構築されているものが大半です。
ただ、エキスパートシステムにはシステム自体が学習する仕組みはもっていません。従って、必要な情報をすべてインプットする必要がありますし、またあらゆるパターンを想定して対応のアルゴリズム（ルール）を設定する必要があります。
「知識とルールを全て人がインプットしなければならない」ということで、活用できる範囲は特定された領域、限定的なものであることが分かり、AI研究は再び下火となります。
第3次AIブーム（2000年代-現在）
第三次 AIブームは2000年代から始まり、現在まで続いています。
第三次AIブームの要因となったのは、エキスパートシステムの限界となっていたデータのインプットとルールの設定に関して、AI自身が大量のデータ「ビッグデータ」を処理して、データの規則性を見つけて学習する「機械学習」が実用化されたことです。
機械学習の実用化は、IT技術とインターネットの発達を通じて大量のデータを取得する、それらの膨大なデータを記録・処理するといったソフトとハード、両面の発達によって実現しました。
さらに2006年には、機械学習の一種である「ディープラーニング（深層学習）」が登場します。ディープラーニングは、第一次AIブームの基になった人間の神経細胞の働き、つまり人間の学び方であるニューラルネットワークの概念を発展させたものです。
ディープラーニングの登場によってAIの「賢さ」は急激に進化し、専門的な知識を持っていなくても活用できる、また、自然なコミュニケーションや文章の処理などできる現在の生成AI「ChatGPT」「Google Bard」、画像生成AIである「Midjourney」「DALL·E 」などの登場につながっています。
第2次AIブームでのAI活用は製品やサービスへの組み込み等を中心に限定された領域で実用化されたのに対して、第3次AIブームはホワイトカラーの仕事すべてに大きな影響を与えようとしています。
マーケティング領域においても、AIが含まれたサービスが次々とリリースされています。ご興味あれば本記事と併せて、下記リンク先の動画もぜひご覧ください。株式会社ELYZA取締役CMOの野口竜司氏に解説していただいております。
AIの学習方法
機械学習
機械学習は、AIがデータから学習することを指します。人間が様々な経験から学ぶように「AIが学ぶ」という意味で、“学習”という言葉が使われています。
「AIが学ぶ」というと、人間がプログラムを設定する、データをインプットするといった事が思い浮かぶかもしれません。しかし、AIにおける機械学習は単なるプログラミングやデータのインプットとは異なり、「インプットされた範囲以上のことができるようになる」ことを指すのが大きく違いです。とくに、AIが学習した結果として、データから予測をできるようになることが機械学習の大きな特徴です。
機械学習の分かりやすい事例としては、犬や猫、動物の画像と「これは犬」「これは猫」といった正解を学習させていくことで、新しい画像を見せた時にも「これは犬ですね」「これは猫ですね」と画像から推測することができるようになる、というものがあります。
こうした画像認識と予測はAIが非常に得意な分野であり、工場での検品作業や衛星画像を基にした気象予測など、さまざまな分野でAIが活用されています。
また、いまでは多くのECサイトに実装されている「過去の購入履歴や閲覧データからおすすめ商品を提案するレコメンデーション機能」なども機械学習を活用しているものが大半です。
ディープラーニング（深層学習）
ディープラーニング（深層学習）は、機械学習の一種であり、従来の機械学習では不可能だったパフォーマンスを実現できる優れた手法として有名になりました。
ディープラーニングは、人間の脳の働きを模したニューラルネットワークによって構成され、3つ以上の多階層を持つニューラルネットワークを使って学習させるため、ディープ（深層）ラーニング（学習）と表現されています。
ディープラーニングの特徴は、十分な学習データさえあれば、人間が学習の基になる教師データを提供しなくても、ニューラルネットワーク自体がデータ群の特徴を抽出し、学習していくことです。つまり「AIが自ら学ぶ」ことを実現する技術がディープラーニングだとも言えるでしょう。
ディープラーニングの登場によって、AIのパフォーマンスは飛躍的に向上し、分野等によっては人間を超える認識制度を見せるようになります。
とくにAIが得意とする画像処理の分野を掛け合わせて、自動運転や医療分野などで活用されています。
AIの代表的なアルゴリズム
ニューラルネットワーク
ニューラルネットワークは、人間の脳、つまり自然知能をコンピューター上で再現した仕組みを指します。
ニューラルネットワークは、人間の脳内細胞（ニューロンと呼ばれます）の仕組みを数式で表した数学モデルになっています。数式で表現することで、コンピューター上で再現が可能になるわけです。
人間の脳内細胞（ニューロン：Neuron）の仕組みを模したモデルなのでニューラルネットワーク（Neural Network）という名称になっています。
ニューラルネットワークの概念は1940年代に提唱されましたが、当時は技術力や流通するデータ量などの問題で、実用レベルにはなりませんでした。しかし、ITの技術が発達したことで実用レベルとなり、2000年代から今に至るAIブームを支える根底になっています。
現在の生成AIなどを支える「AIが自ら学ぶ」ことを実現するディープラーニングも、ニューラルネットワークが基盤になっています。
遺伝的アルゴリズム
遺伝的アルゴリズムは生物が進化していく仕組みを模して作られたプログラムで、AIが与えられた設問や課題に対して、最適な解を見つけ出すためのアプローチに使われています。
進化論を提唱した生物学者のダーウィンが言ったとされる「生き残るのは、最も強い種でも、最も賢い種でもなく、環境の変化に最も敏感に対応できる種だ」という言葉を聞いたことがある人も多いでしょう。
遺伝的アルゴリズムは、生物が進化するプロセスを、短時間で人工的に実施して、問題に対する最適解を見つける仕組みです。
遺伝的アルゴリズムのイメージは下記のようなプロセスです。
- ランダムに複数のパターン（解答候補）を生み出す
- それぞれのパターン（解答候補）の品質（適応度）を評価する
- 評価の高いパターンを元にして、更に複数のパターンを生み出す
再び、それぞれのパターンの品質を評価する
これを繰り返して、最も優れたパターンを最適解として残す
自然の進化は長い年月をかけて行われるものですし、人間が手で計算していたら非常に多くの時間がかかりますが、現在のIT技術であれば膨大なパターン作成や評価のシミュレーションを高速に実施することができるわけです。
例えば、東海道新幹線N700系の先頭車両は遺伝的アルゴリズムを使って計算され、「カモノハシ」ともいわれる流線形にデザインされています。
エキスパートシステム
エキスパートシステムとは、特定分野に関して専門的な知識をもち、専門家のように事象の推論や判断ができるシステムを指します。質問したり課題を与えたりすると、まるで専門家（エキスパート）のように答えてくれるから「エキスパートシステム」と名づけられました。
エキスパートシステムは、インプットされた情報（知識）と「〇〇であれば□□をしなさい」等のルール設定を掛け合わせることで構成されています。
エキスパートシステムで作られたAIは、設定ルールに則って動くことから「ルールベースAI」とも呼ばれます。
エキスパートシステムは、前述の通り、第二次AIブームで中心となった仕組みですが、エキスパートシステムはシステム自体が学習する仕組みはもっていません。従って、必要な情報をすべてインプットする必要がありますし、またあらゆるパターンを想定して対応のアルゴリズム（ルール）を設定する必要があります。
ただ、現実的にはあらゆるルールを想定してルールを設定することは不可能に近いものがあります。その結果として、第二次AIブームは終息し、第三次AIブームの立役者となった「AI自身が学習する仕組み」、機械学習とディープラーニングが現在のAI開発の主流となっています。
ただ、エキスパートシステムが古いから使えないというわけではありません。明確なルールが存在しており、また、必要な専門知識を漏れなくインプットできるようであれば、膨大な学習量が必要となるディープラーニングよりも安価に実用化できるという利点があります。
たとえば、会計処理というのは基本的に仕訳等のルールが非常に明確になっている世界です。また、実務上で事前に設定されたルールに当てはめることは難しいものだけ「判断保留」にして人間が意思決定するというルールを設けることも可能です。
このように会計処理のように基本ルールが明確で、例外処理を人間に委ねられるような領域であれば、エキスパートシステム（ルールベースドAI）は非常に活用しやすく、現在も多くの分野で実用化されています。
AIの種類
特化型AI（ANI）
特化型AI（ANI）は名前の通り、特定の領域や仕事に特化して開発されたAIです。領域を絞ることで必要な知識やルールが限定されますので、開発が比較的容易となります。また、特定分野に絞って膨大なデータをインプットすることで、解答の精度もあげやすくなります。
特化型AIとしてイメージしやすいものは、たとえば、自動運転システム、SiriやAlexaなどの音声認識システム、気象データから天気を予測するシステムなどです。このほか、現在、実用レベルで様々なツール等に組み込まれているものはすべて特化型AIです。
英語では、Artificial Narrow Intelligence（狭い人工知能）と呼ばれ、略してANIと表記されます。
なお、次に解説する汎用型AI（Artificial General Intelligence）と対比して、汎用型AIを「強いAI」、特化型AIを「弱いAI」と表現することもあります。
汎用型AI（AGI）
汎用型AI（AGI）は、Artificial General Intelligenceの日本語訳と略称で、分野や領域を限定せずにさまざまな役割や課題を処理できる、人間が行う知的活動をすべて再現できるAIを指します。
特化型AIの機能が人間の指示に従って特定のタスクを処理することに限定されているのに対して、汎用型AIはさまざまなタスクを理解して人間のように自ら思考、また判断します。イメージとしては「ドラえもん」が汎用型AIです。
汎用型AIは、数年前には概念だけのものとされていました。
ChatGPTもリリースされた当初は言語モデルだけに特化しているという点では特化型AIに分類されます。ただし、ChatGPTの対応範囲の広さは、これまでの特化型AIと比べると特筆すべきものです。現在は、音声コミュニケーションへの対応し、画像生成AI「DALL·E」と連携して画像生成が可能になるなどの点も進化し、汎用型AIに少しずつ近づいていると言うこともできるでしょう。
また、ソフトバンクグループの孫正義氏は2023年10月に開催されたイベントで「「全人類の叡智の総和の10倍を実現したようなAGIが10年以内に開発される」とコメントして注目を集めています。
人口超知能（ASI）
人口超知能（Artificial Super Intelligence）とは、人間を超えた知能を持つAIを指す概念です。当然、現段階では実用化されていません。
人口超知能（ASI）は人間を遥かに超える知能を持ち、自分で意思決定を行いますし、自ら目的や目標設定をすることもできます。ASIのイメージは、SFやアニメにおけるAI、世界や国家をAIが支配するような世界観を想像すると分かりやすいかもしれません。当然、ASIが実用化されれば人類に非常に大きな影響を与える可能性があります。
ChatGPTに代表される生成AIが汎用型AI（AGI）の入り口だとすれば、AGIの紹介で言及した孫正義氏が10年以内に開発されるとコメントした「全人類の叡智の総和の10倍を実現したような汎用型（AGI）」は人口超知能（ASI）の入り口といえるでしょう。
AIの関連用語
ホワイトボックスAI
AI活用がどんどん実用化される中で登場したのがホワイトボックスAI（ホワイトボックス型AI）という概念です。ホワイトボックスAIとは、AIが出した結果や解答に対して、結果や解答に至った理由や根拠がわかるAIを指します。別名で「説明可能なAI（Explainable AI）」とも呼ばれます。
ディープラーニングが実用化されてAI活用はどんどん広がっています。その中で課題となっているのが、通常のAIは「AIが出した結論に至った根拠が分からない」という点です。なお、「根拠が分からない」という特徴を指して、通常のAIはブラックボックスAIとも呼ばれます。そして、ブラックボックスAIに対比する言葉として提唱されたのがホワイトボックスAIです。
たとえば、品質検査のような企業内部の話であれば、精度が確かなら根拠がわからなくても問題ないかもしれません。
しかし、たとえば、採用の意思決定や人事評価、融資の意思決定などの人に大きな影響を与えるような業務であれば、企業は理由を説明できるようにしておく責任があると考えられます。また、企業の経営判断などであれば、AIの答えをすべて鵜呑みにするわけではなく、「AIはこう考えてこういう結論を出した。それを踏まえて協議・意思決定しよう」と根拠が必要になることが多いでしょう。
このようにAIが広範囲で実用化されてきたからこそ生じた問題に対するアプローチがホワイトボックスAIになります。
生成AI
生成AI（Generative AI）は、AIの種類のひとつであり、「0から1を生み出すせるAI」を指します。
生成AIにもAI自体と同じようにきちんとした定義はありません。ただ、従来のAIが「学習済みのデータから最適な解答を考えたり予測を答えたりする」ものなのに対して、生成AIは「学習済みのデータを踏まえて、新たなコンテンツを生み出す」ことができるのが特徴です。
生成AIが生み出すコンテンツは、文章（テキスト）、画像、音声、音楽、動画などです。生成AIの具体例としては、生成AIという名前を一躍有名にした「ChatGPT」、ChatGPTと同じOpenAI社が開発した画像生成AI「DALL・E」、画像生成AIの先駆けとなった「Midjourney」などがあげられます。
生成AIは既にさまざまな領域で実用化されており、今までAIが活用されていなかったマーケティングやクリエイティブの領域で生成AIを導入するような動きも増えています。
シンギュラリティ
シンギュラリティは英語では「Technological Singularity」と表記され、日本語では「技術的特異点」と翻訳されます。1980年代からAI研究者の間で使われるようになり、2000年代の第三次AIブームで一般にも広く知られるようになりました。
AI分野においては、シンギュラリティは「AIの性能が人間の知性を超える時点」を指すものとして使われます。別の表現をすれば、シンギュラリティは「汎用型AIが実現する時点」だということも出来るでしょう。シンギュラリティが到来すると、AI自身がより高性能のAIを開発できるようになるとも言われ、人間社会に大きな影響を与えると考えられています。
シンギュラリティの概念を提唱した米国のレイ・カーツワイル博士は、「技術発達が指数関数的に加速していく」という収穫加速の法則と共に、2045年にシンギュラリティが実現すると述べました。この説を踏まえて、シンギュラリティの到来に伴う問題を別名「2045年問題」とも呼びます。
ただ、カーツワイル博士の説には批判も多く、シンギュラリティが本当に訪れるのか、どのような影響があるのかについては様々な議論が紛糾する現状となっています。
まとめ
ここまで、AI（人口知能）とは何か？その定義や歴史、関連用語から活用事例まで解説しました。
皆さまお気づきの通り、ここ最近の最新鋭Mar-techツールはいろいろな形でAI（人口知能）を搭載してきています。例えば、カスタマーエンゲージメントツールMoEngageは、インサイト主導型のAIを搭載。
施策に便利な11種類のRFM予測セグメントを自動作成してくれ、作業時間を大幅削減することもできるそうです。他にも、未来予測セグメントなど、マーケターがワクワクするようなAIが搭載されていますので、ぜひリンク先をご覧ください。
最新鋭のMar-techツールについて相談したい場合には、ぜひ下記よりお問い合わせ頂ければと思います。
