文系GのG検定対策｜AIを賢くする3つのアプローチ（第2章）

「森 → 木 → 枝 → 葉」の学習アプローチで、G検定の「森」全体を見渡した次のステップは、各章を「木」として俯瞰することです。

第１章でAIとは何か、どんな歴史を経て現在に至るかを大きな流れで押さえました。

第２章は、その歴史の中で登場した3つのアプローチ——探索・推論、知識表現、機械学習・深層学習——の「中身」を学ぶ章です。

実は、第１章と第２章は表裏の関係にあります。

「なぜその技術が生まれたか（第１章）」と「その技術がどう動くか（第２章）」をセットで理解することが、Part 1 の学習ゴールです。

第２章の全体像

第2章は、白本（公式テキスト）の構成に沿って、次の3節で構成されています。

この章を一言でまとめると、「AIを賢くするための3つのアプローチが、それぞれどう動き、どこで行き詰まったか」を技術的に理解する章です。

2-1｜探索・推論

「探索」とは何か

探索とは、ゴールにたどり着くまでの経路を場合分けで洗い出す方法です。迷路を解くとき、コンピュータは「ここを曲がる・曲がらない」という選択肢を木の枝のように広げながら、正解の経路を見つけていきます。このような構造を探索木（ツリー構造）と呼びます。

基本的な探索方法は2つです。

探索を効率化するためにヒューリスティックな知識（経験的・発見的な知識）を使う方法もあります。たとえば「東京から大阪へ行くとき、関係のない北の経路は最初から除外する」というように、コストのかかる探索を省略できます。

プランニング——探索の実世界への応用

探索は迷路やパズルだけでなく、ロボットの行動計画にも応用されます。これをプランニングと呼びます。

プランニングでは、ある状態から目標の状態に到達するための行動を計画します。基本的な記述方法は「前提条件・行動・結果」という3つの組み合わせで、この形式をSTRIPS（Stanford Research Institute Problem Solver）と呼びます。

あらゆる状態に対して「前提条件・行動・結果」を記述しておけば、目標に至る行動計画を自動的に立てることができます。試験ではSTRIPSの名称と構成要素の組み合わせが問われることがあります。

ゲームへの応用

チェスや囲碁のようなボードゲームでは、相手が存在するため単純な探索では対応できません。そこで登場するのがMini-Max法です。

考え方はシンプルです。自分の番では自分が有利（スコア最大）になる手を選び、相手の番では相手が有利（自分のスコア最小）になる手を相手が選ぶと仮定して、未来の局面から現在に向かって逆算しながら最善手を決定します。

Mini-Max法は論理的に無駄な探索が生じるため、計算不要な枝を切り落とすαβ法（アルファベータ法）という改良版も重要な手法です。

さらに、囲碁のように組み合わせが膨大すぎて全探索が不可能な場合には、ランダムなシミュレーション（プレイアウト）を大量に繰り返し、どの手が最も勝率が高いかを統計的に近似するモンテカルロ法（モンテカルロ木探索）が使われます。人間が局面のスコアを決めるより、ランダムに大量に試した方が優れているという発見が、囲碁AIを大きく前進させました。AlphaGoが登場する以前の主要技術です。

試験では「各手法の仕組みと限界（計算量爆発）」が問われることがあります。

2-2｜知識表現

人工無脳——知識なしでも「賢く見える」不思議

1964〜1966年に開発されたイライザ（ELIZA）は、人工無脳の元祖です。相手の発言をあらかじめ用意したパターンと照合し、パターンに合致した返答を返すだけの仕組みですが、本物の人間と対話しているような錯覚（イライザ効果）が生まれました。

これは「意味を理解せずに適切に見える応答ができる」という現象であり、第１章の「中国語の部屋」と同じ構造を持っています。

エキスパートシステムの代表例——マイシン（MYCIN）

第2次AIブームの代表的なエキスパートシステムが、1970年代にスタンフォード大学で開発されたマイシン（MYCIN）です。血液中のバクテリアを診断する医療支援システムで、500のルールがあらかじめ用意されており、質問に順番に答えると感染した細菌を特定して適切な抗生物質を処方できるという、あたかも感染症専門医のように振る舞うシステムでした。

マイシンの正答率は約69%で、専門医の80%には及ばないものの、専門医ではない一般医師よりは高い水準でした。

試験では「エキスパートシステムの具体例」として問われることがあります。マイシン・MYCIN・血液診断という組み合わせを押さえておきましょう。

意味ネットワーク

「概念」をノードで、「概念間の関係」をリンク（矢印）で結んだネットワーク構造で知識を表現する方法です。

特に重要な関係が2つあります。

is-aとpart-ofの推移律の扱いの違いは試験の重要ポイントです。is-aは推移律が常に成立しますが、part-ofは成立しないケースがあるという対比を押さえてください。

「東京はアジアの一部」（東京→日本→アジア）のように成立する場合もある一方、「指は野球部の一部」のように成立しない場合もあります。関係の種類と文脈によって異なるのです。

意味ネットワークは人間にとって直感的で分かりやすく、関連する知識をリンクをたどって検索できます。ただし、記述の約束事が決まっていないため、複数の人が知識を記述すると語彙や記述レベルがバラバラになり、共有が困難になります。

オントロジー

意味ネットワークの「記述の約束事がない」という問題を解決するのがオントロジーです。知識を記述する際の語彙・意味・関係性を、他の人とも共有できるように明確な約束事として定義したものです。

オントロジーには2種類のアプローチがあります。

「すべての常識をコンピュータに入れよう」という壮大な試みが1984年から始まったCycプロジェクトです。驚くべきことに現在も継続中であり、人間の常識がいかに膨大で形式化が難しいかを示す象徴的な事例です。

エキスパートシステムと知識獲得のボトルネック

エキスパートシステムは、専門家の知識をルール化してコンピュータに蓄積し、特定の分野で判断を下すシステムです。医療診断・化学分析など多くの分野で実用化されました。

しかし限界が明らかになります。専門家の持つ知識の多くは暗黙的で言語化が難しく、知識の数が数千・数万になると矛盾や管理の問題が生じました。さらに、一般常識のような「明文化されていない知識」はそもそも取り込むこと自体が困難でした。この問題を知識獲得のボトルネックと呼び、第2次ブームの終焉をもたらした主要因です。

ワトソンと東ロボくん——知識表現の到達点と限界

IBMが開発したワトソン（Watson）は、2011年にアメリカのクイズ番組「ジョパディー！」で歴代チャンピオンと対戦し勝利したことで一躍有名になりました。ウィキペディアの情報からライトウェイトオントロジーを生成し、質問に含まれるキーワードと関連しそうな答えを高速に検索することで回答します。意味を理解しているわけではなく、高速な検索と照合の精度を極めた技術です。

日本では「ロボットは東大に入れるか（東ロボ）」プロジェクトで開発された東ロボくんが2016年の進研模試で偏差値57.1を達成し、多くの私立大学に合格できるレベルに達しました。しかし、AIの図理解や常識推論の限界から東大合格は断念し、2016年をもって模試での全科目受験を終了しました。

試験では「ワトソンが使った技術（ライトウェイトオントロジー）」と「意味理解なしに正解できる構造」が問われることがあります。

2-3｜機械学習・深層学習

機械学習——データからパターンを学ぶ

機械学習とは、AIのプログラム自身がデータから学習する仕組みです。コンピュータは大量のサンプルデータを通してデータに潜むパターンを学習します。サンプルデータが多ければ多いほど、望ましい学習結果が得られます。

機械学習において、学習対象の「どの特徴に注目するか」を定量的に表したものを特徴量と呼びます。機械学習では、この特徴量を人間が選んで設定し、AIがその特徴量からパターンを学習します。

データの特徴が増えすぎると、必要なデータ量が指数的に増大するという次元の呪いも重要な概念です。適切な学習を行うには、特徴量（次元）を絞る工夫か、大量の多様なデータが必要になります。

2000年以降、インターネットの普及でデータが爆発的に増加したことで機械学習は大きく実用化が進みました。この大量データをビッグデータと呼び、第3次AIブームの土台となりました。

統計的自然言語処理——機械学習と言語の出会い

Webページの爆発的な増加は、文章を扱う研究を加速させ、統計的自然言語処理という分野の急速な発展をもたらしました。

たとえば「bank」という単語には「銀行」と「土手」という訳語候補がありますが、大量の対訳データ（これをコーパスと呼びます）があれば、「bank」の近くに「money」や「in」という単語が現れた場合は「銀行」と訳す確率が高いということを、機械学習を使って学べます。文法構造を人間が決めるのではなく、データの統計的なパターンから訳を選ぶのが特徴です。

試験では「コーパス」の定義（対訳データの集合）と、統計的手法が従来のルールベース翻訳と異なる点が問われることがあります。

ニューラルネットワークの歴史

ニューラルネットワークは、人間の脳の神経回路（ニューロン）の構造を模したアルゴリズムです。その歴史は3つのブームを経験してきました。

特徴量を人間が決める機械学習（レベル3）に対して、特徴量そのものもAIが自動学習する技術がディープラーニングです。この違いが、機械学習とディープラーニングを区別する核心です。

ディープラーニングの台頭

2012年、画像認識競技会ILSVRC（ImageNet Large Scale Visual Recognition Challenge）でトロント大学のジェフリー・ヒントンが率いるチーム「SuperVision」がディープラーニングを用いてエラー率15.3%という衝撃的な結果で圧勝しました（2位の東大チームに10%以上の差）。このときのモデルはAlexNetと呼ばれます。2015年には人間の画像認識エラー率（約4%）をも上回る精度を達成しています。

2016年には、DeepMindが開発したAlphaGoが世界トップの囲碁棋士イ・セドル九段に勝利。これはモンテカルロ木探索にディープラーニングを組み合わせた成果です。

これらの出来事は、人間を超える「超知性」の誕生（シンギュラリティー）への関心を世界規模で高めました。

なお、ディープラーニングはAIが特徴量を自動抽出するため、なぜその判断をしたのかを人間が説明できない「ブラックボックス型の人工知能」であるといわれています。判断の根拠が示せないことは、医療や法律など説明責任が必要な分野での課題のひとつです。

大規模言語モデル（LLM）と生成AI

2017年、Googleの研究者が発表した論文「Attention Is All You Need」で提案されたトランスフォーマーが、自然言語処理の世界を一変させました。単語と単語の関係性を「アテンション（注意機構）」を使って広範囲にわたって学習できるこのモデルは、従来のRNNが苦手としていた長距離の文脈理解と並列計算を可能にしました。

トランスフォーマーをベースに、大量のテキストデータで事前学習させた巨大なニューラルネットワークを大規模言語モデル（LLM: Large Language Model）と呼びます。

LLMの開発では、まず大量の文章で基本的な言語構造を学ぶ事前学習を行い、次に特定のタスクや応用分野に向けたファインチューニング（微調整）を加えることで、論理的・適切な応答を生成できるようになります。

2022年11月にOpenAIが公開したChatGPTは、このLLMを活用したサービスで、公開後わずか2カ月でアクティブユーザー1億人を突破。「生成AI」という言葉を社会に広く浸透させ、第4次AIブームとも呼ばれる現在の局面を切り拓きました。

第２章のまとめ

第2章で理解しておくべきことを3行に絞るとこうなります。

• 探索・推論は「場合分けで解を見つける」技術。プランニング（STRIPS）・Mini-Max法・モンテカルロ法が試験頻出。
• 知識表現は「概念と関係を構造化する」技術。is-aは推移律が常に成立、part-ofは成立しないケースがある点に注意。エキスパートシステムの限界が知識獲得のボトルネック。
• 機械学習・ディープラーニングは「データから自ら学ぶ」技術。特徴量を人が設定するか（機械学習）AIが自動学習するか（ディープラーニング）が核心の違い。ディープラーニングはブラックボックス型。

この3点が説明できれば、第2章の「枝」はつかめています。

🔑 試験対策キーワード

ここからは「葉」のフェーズです。Mainキーワードを10秒で説明できる状態を目指してください。Subは問題を解いていて「迷った・止まった」語句だけ追加していきます。

■ Main（説明の軸：必ず10秒で話せるようにする）

■ Sub（補助説明：問題で迷ったら追加する）

■ Reference（読めば分かる：覚えなくてよい）

次のステップ

第1章・第2章で「AIはどこから来たのか」という Part 1 の学習が完了しました。次は Part 1 まとめとして、第1章と第2章の対応関係を一枚の表に整理します。試験直前の復習や、黒本との照合にも使いやすいコンテンツです。

その後、Part 2「AIはどうやって学ぶのか」へ。第3章の機械学習の具体的手法に進みます。