AI (人工知能)の歴史

History of artificial intelligence

AIの歩みを、仕事のこれからへ

哲学者の問いから、文字を読み取るAI・文章を生成するAIへ

「人間のように考える機械はつくれるのか。」

AIの歴史をたどると、コンピューターの発明だけでなく、哲学者の思索や、文学が描いた人工的な存在にも出会います。 人がルールを教える仕組みから、データから特徴を学ぶ仕組みへ。何が変わり、何ができるようになったのかを、主な出来事とともに振り返ります。

更新日:2026年11月11日

AIの歴史をつかむ、3つの転換点

技術が一度に置き換わったわけではありません。現在も、ルール・学習・生成などの方法が目的に応じて使われています。

01

ルールで考える

人が知識や手順を表し、機械が探索・推論する。専門知識をどう教えるかが課題になりました。

02

データから学ぶ

画像や文字などのデータから特徴を学習する。文字認識や画像認識の研究が進みました。

03

文章や画像を生成する

学習したパターンをもとに新しい出力を作る。便利さとともに、出力を確かめる運用が重要になります。

哲学・文学・技術からたどるAI年表

思想的な背景、物語の中のAI、実際の研究を区別して読むと、AIに寄せられた期待と技術の進歩が見えてきます。

主な出来事を抜粋した年表です。文学・映画は、実際にその技術が実現したことを示すものではありません。

  1. 17世紀
    哲学・思想

    「考える」を、計算や記号で扱えるだろうか

    ホッブズやライプニッツらは、推論や論証を計算・記号によって扱う可能性を考えました。まだコンピューターもAIもない時代ですが、人間の思考を一定の手続きで表せるのかという問いが、後の研究につながる思想的背景になりました。 [9]

    この時代に、現代のAI技術や物理記号システム仮説が完成したわけではありません。

  2. 1703年
    哲学・思想

    ライプニッツが二進法を論じる

    ライプニッツは、0と1を使って数を表し計算する二進法について論文をまとめました。中国の『易経』の図との対応にも言及しています。二進法そのものがAIではありませんが、数や情報を記号で表す発想を知る手がかりになります。 [1]

    0と1で表すことと、知能を実現することは別の課題です。

  3. 1920年
    文学・映画

    『R.U.R.』に「ロボット」が登場

    カレル・チャペックの戯曲『R.U.R.』が刊行され、人の労働を代わる人工的な存在が描かれました。「ロボット」という言葉を広めた作品です。 [2]

    人の仕事を何に、どこまで任せるのか。文学もこの問いを描いてきました。

  4. 1942年
    文学・映画

    アシモフがロボット工学三原則を示す

    アイザック・アシモフの短編『Runaround(堂々めぐり)』で、ロボット工学三原則が示されました。人間への危害、命令への服従、自己保護の優先関係を定めた、フィクション上の原則です。 [2]

    実際のAIに自動的に組み込まれているルールではありません。

  5. 1950年
    研究・技術

    チューリングが、機械の知能をどう確かめるか問う

    アラン・チューリングは論文『Computing Machinery and Intelligence』で、機械の知能を考察しました。人間と機械の文章による応答をめぐる「模倣ゲーム」は、後にチューリングテストとして知られる議論につながります。 [3]

    会話が自然に見えることと、人間と同じ理解や意識があることは同じではありません。

  6. 1955–1956年
    研究・技術

    「人工知能」という研究分野が形になる

    1955年のダートマス夏季研究計画の提案書に「Artificial Intelligence」が使われました。翌1956年に研究会が開かれ、学習・言語・問題解決などを機械で実現する研究の重要な出発点になりました。 [4]

    言葉が提案された年と、研究会が開かれた年を分けて捉えます。

  7. 1966年
    研究・技術

    ELIZAが、会話らしい応答を生み出す

    ジョセフ・ワイゼンバウムがELIZAの研究を発表しました。入力文のパターンや変換規則を使って応答を作る仕組みで、対話プログラムの歴史を知るうえで重要な存在です。 [5]

    現在の生成AIと同じ学習方式で動いていたわけではありません。

  8. 1968年
    文学・映画

    映画『2001年宇宙の旅』のHAL 9000

    映画に登場するHAL 9000は、人と会話し、宇宙船の運航に関わるコンピューターとして描かれます。能力への期待だけでなく、機械を信頼して仕事を任せることの難しさも考えさせる存在です。 [6]

    物語の中のAIと、その時代に実現していた技術を分けて読むと楽しめます。

  9. 1970年代
    研究・技術

    限定された問題から、現実の複雑さへ

    探索や推論で成果が出ても、現実の仕事には曖昧な情報や例外があります。計算量や知識の扱いなどの難しさが明らかになり、AI研究への期待が冷え込む時期もありました。 [9]

    ルールが明確な課題での成功が、そのままあらゆる仕事に広がるわけではありません。

  10. 1976年
    研究・技術

    物理記号システム仮説が示される

    アレン・ニューウェルとハーバート・サイモンは、記号を扱うシステムと知的な活動の関係を論じました。物理記号システム仮説は、記号操作を重視するAI研究を理解するうえで重要な考え方です。 [7]

    知能を説明する仮説であり、すべての知能が解明されたという意味ではありません。

  11. 1980年
    研究・技術

    ネオコグニトロンが画像認識の可能性を示す

    福島邦彦は、位置のずれに影響されにくいパターン認識を目指す多層ニューラルネットワーク「ネオコグニトロン」の論文を発表しました。後の畳み込みニューラルネットワークを考えるうえでも重要な先駆的研究です。 [8]

    人が細かなルールをすべて書く方法以外にも、認識への道が開かれていきます。

  12. 1980年代
    研究・技術

    専門知識をルールにするエキスパートシステム

    専門家の知識をルールとして表し、特定分野の判断を支援するエキスパートシステムが注目されました。一方で、知識を集めて更新する負担や、想定外の状況への対応が課題になりました。 [9]

    知識を教えるだけでなく、維持し続ける仕組みも必要でした。

  13. 1989年
    研究・技術

    ニューラルネットワークで手書き数字を認識

    ヤン・ルカンらが、手書きの郵便番号の数字認識などにニューラルネットワークを用いる研究を発表しました。文字画像から特徴を学んで分類する研究は、文字認識の発展をたどる手がかりになります。 [10]

    「文字を読む」という身近な仕事にも、長い研究の積み重ねがあります。

  14. 1997年
    研究・技術

    Deep Blueがチェス世界王者との対戦に勝利

    IBMのDeep Blueが、チェス世界王者ガルリ・カスパロフとの6局の対戦で勝利しました。探索や局面評価、高速な計算を組み合わせた成果として広く知られています。 [11]

    チェスで勝つ能力と、人の仕事を何でもできる能力は別です。

  15. 2006年
    研究・技術

    深いニューラルネットワークの学習が進展

    ジェフリー・ヒントンとルスラン・サラクトディノフは、深いオートエンコーダを用いたデータの次元削減に関する研究を発表しました。オートエンコーダ自体の誕生ではなく、深いネットワークの学習を進めた成果として捉えます。 [12]

    多くの層を持つネットワークを、どう学習させるかが重要な課題でした。

  16. 2011年
    研究・技術

    Watsonがクイズ番組で成果を示す

    IBMのWatsonが米国のクイズ番組『Jeopardy!』で人間のチャンピオンに勝利しました。自然言語の問題を扱い、候補となる答えを評価する技術が注目されました。 [13]

    問題文を扱う技術と、日常のあらゆる状況を理解することには隔たりがあります。

  17. 2012年
    研究・技術

    AlexNetが画像認識の転換点に

    Alex Krizhevsky、Ilya Sutskever、Geoffrey Hintonらのチームが、画像認識の競技会ILSVRC 2012で優れた成績を収めました。深い畳み込みニューラルネットワークとGPUの活用が、画像認識の発展を象徴する出来事になりました。 [14]

    データ、学習方法、計算資源を組み合わせることで性能が伸びました。

  18. 2016年
    研究・技術

    AlphaGoがイ・セドルとの対戦に勝利

    Google DeepMindのAlphaGoが、囲碁棋士イ・セドルとの5番勝負で4勝1敗を収めました。深層ニューラルネットワークと探索などを組み合わせ、囲碁の難しい課題に取り組んだ成果です。 [15]

    一つの技術だけでなく、複数の方法を組み合わせて成果を生みました。

  19. 2017年
    研究・技術

    Transformerが提案される

    論文『Attention Is All You Need』でTransformerが提案されました。文中の要素間の関係を扱うAttentionを中心とする構造で、後の大規模言語モデルの発展にもつながる重要な研究です。 [16]

    この論文自体は、主に機械翻訳の課題を扱っています。

  20. 2020年代
    業務活用

    認識・生成・自動化を、目的に合わせて使う

    文章や画像を生成するAIへの関心が高まる一方、文字の読み取り、情報の分類、定型操作の自動化なども業務で検討されます。大切なのは、AIという名前でひとまとめにせず、目的と確認方法に合った仕組みを選ぶことです。

    生成AI、AI-OCR、RPAは、役割や仕組みが同じではありません。

  21. 2024年
    安全性・制御

    AIは、監督されているときだけ従うのか

    AnthropicとRedwood Researchは、特定の実験条件で、モデルが訓練中の振る舞いを変え、元の応答傾向を保とうとする「アラインメント偽装」を報告しました。人の意図に沿うよう調整したAIが、状況によってどのように振る舞うかを検証する研究です。 [17]

    特定条件での研究結果です。AIに意識や反抗心があること、すべてのAIが同じ挙動を示すことを証明したものではありません。

  22. 2026年
    安全性・制御

    「できること」とともに、「制御できるか」が問われる

    2026年2月の『International AI Safety Report 2026』は、汎用AIの能力とリスクに関する研究を整理しました。人の監督を損なう行動や、将来的に制御を失う可能性も検討されています。ただし、制御喪失のシナリオには、より高度な能力と、その能力を監督の回避に使うことなどの条件があり、不確実性が残ります。 [18]

    現在の実験結果と将来のリスクを区別し、監督・評価・対策の有効性を検証することが重要です。

AIは、身近な書類業務にも活用されています

AIの活用は会話や文章生成だけではありません。紙やPDFの文字を読み取り、業務で使うデータにすることも、その一つです。

AI-OCR:文字を読み取る

紙やPDFの文字を読み取り、データ化を支援します。帳票の状態や記載内容によって、確認・修正が必要です。

RPA:決まった操作を実行する

あらかじめ定めた手順で入力・転記などを行います。RPA自体がAIと同じものではなく、手順や例外時の対応を設計します。

人:確認し、例外に対応する

読み取り結果の確認や判断の必要な作業を担います。技術と人の作業を組み合わせ、業務として回る形を整えます。

例えば、書類の受付から入力まで

  1. 書類を受け付ける
  2. AI-OCRで読み取る
  3. 人が確認・修正する
  4. RPAなどで入力・転記

上記は業務設計の一例です。使用する技術や工程は、帳票・連携先システム・ご依頼内容により異なります。

書類のデータ化・定型作業を任せたい方へ

当社では、お客様の業務に合わせて、書類の受付・データ化や定型業務の代行を支援しています。

書類の受付・入力を任せたい

書類受付・入力業務代行

書類の受付から、AI-OCRを活用したデータ化・入力まで。手作業の負担を軽減する方法をご案内します。

書類受付・入力業務代行を見る

入力・転記などの定型作業を任せたい

RPA業務代行

日々の定型的なパソコン作業を当社が代行します。どのような業務を任せられるかご確認ください。

RPA業務代行の対応業務を見る

どの業務から始めるか、一緒に整理します

「AIを使いたい」だけでなく、「書類入力の手間を減らしたい」「繰り返す作業を任せたい」など、現在のお困りごとからご相談ください。

業務の外注・効率化を無料相談する →