解説：AIの基礎
G検定 AI の基礎
このページでは G検定の「人工知能とは」分野（シラバス項目 1〜6）を解説します。AI の歴史・定義・分類から、探索・推論、機械学習・ディープラーニングの登場までの流れをカバーします。
人工知能（AI）とは何か
人工知能（Artificial Intelligence: AI）とは、人間の知的な行動（学習・推論・問題解決・言語理解など）をコンピュータで実現しようとする技術・研究分野です。JDLA のシラバスでは AI のレベルを 4 段階に分類しています。
単純な制御プログラム
あらかじめ定められたルール通りに動く。例：自動ドア、電卓。最も基本的なレベルの自動化です。
古典的な人工知能
探索・推論・知識表現などのアルゴリズム。例：将棋 AI（ルールベース）。記号処理を中心とした AI です。
機械学習
データから自動的にルールを学習する。例：スパムフィルター、画像分類。データドリブンな AI です。
深層学習（ディープラーニング）
多層ニューラルネットワークによる学習。例：ChatGPT、画像生成 AI。現代の AI ブームの中心です。
AI をめぐる有名な問題
G検定では AI 哲学・思考実験に関する用語が問われます。それぞれの提唱者と問題の本質を押さえます。
シンギュラリティ（技術的特異点）
AI が人間の知性を超え、自ら改良を続けることで急激に高度化するとされる仮想の転換点。レイ・カーツワイルが 2045 年頃と予測。
チューリングテスト
人間と区別できないほど自然な会話ができれば知性があるとみなすテスト。アラン・チューリングが提唱しました。
フレーム問題
AI が「今関係ないこと」を判断するのが極めて難しいという問題。現実世界での応用を困難にする要因です。
シンボルグラウンディング問題
記号（言語・文字）と実世界の意味を結びつけることの難しさ。「リンゴ」という記号が実物のリンゴと結びつかない問題。
中国語の部屋
ジョン・サールによる思考実験。AI が中国語を理解しているように見えても「本当に理解」しているとは言えないという主張。
探索・推論
古典的 AI の中心的な技術は探索（Search）と推論（Inference）です。問題を「状態空間」として表現し、解を探す手法群です。
幅優先探索（BFS）
スタートから近い順に全ノードを探索。最短経路を保証するが、メモリを多く必要とする手法です。
深さ優先探索（DFS）
1 本の道を深く探索してから別の道へ。メモリ効率が良いが最短経路は保証されません。
ミニマックス法
ゲーム木で相手の最善手を想定しながら自分の最善手を選ぶ手法。将棋・チェスの AI に使用されます。
αβ法（アルファベータ法）
ミニマックス法を高速化したもの。不要な枝刈りで探索空間を削減する手法です。
モンテカルロ法
ランダムなシミュレーションを大量に行い、統計的に最善手を推定する手法。囲碁の AlphaGo にも活用。
ハノイの塔
再帰的な問題解決の例として有名。探索・推論アルゴリズムの学習に使われる古典的問題です。
知識表現とエキスパートシステム
エキスパートシステムとは、専門家の知識をルールとして蓄積し、問題解決に活用するシステムです。1980 年代に大きな注目を集めました。
Cyc プロジェクト
常識的な知識をすべてコンピュータに入力しようとした巨大プロジェクト。AI 困難性を示す代表的事例です。
DENDRAL
化学構造の同定を行う初期のエキスパートシステム。スタンフォード大学で開発されました。
MYCIN（マイシン）
感染症の診断と抗生物質の投与提案を行うエキスパートシステム。医療 AI の先駆け事例です。
セマンティック Web
Web のデータに意味を付与して、コンピュータが理解できるようにする技術。知識グラフの基盤です。
オントロジー
概念や関係性を体系的に定義した知識ベース。AI の知識表現の基盤として使われます。
IBM ワトソン
クイズ番組「Jeopardy!」で人間チャンピオンに勝利した IBM の AI。質問応答システムの代表例です。
機械学習の登場
ルールを人手で記述するエキスパートシステムの限界を超えるため、データから自動的にルールを学習する機械学習が登場しました。
次元の呪い
データの次元（特徴量の数）が増えると、必要なデータ量が爆発的に増加する問題。機械学習の本質的課題です。
スパムフィルター
機械学習の代表的な応用例。メールの内容からスパムかどうかを自動判定するシステムです。
ビッグデータ
従来の方法では処理困難な大量・高速・多様なデータ。機械学習の発展を支えた要素です。
レコメンデーション
ユーザーの行動履歴から好みを学習し、商品・コンテンツを推薦する技術。EC・動画配信で広く活用。
ディープラーニングの登場
ディープラーニング（深層学習）は、多層のニューラルネットワークを使った機械学習の一手法です。2012 年の ImageNet コンペでの圧勝をきっかけに、AI 研究の主流となりました。
ImageNet（2012 年）
大規模画像認識コンペ。AlexNet がディープラーニングで圧勝し、AI ブームの火付け役になりました。
LeNet
ヤン・ルカンが開発した初期の畳み込みニューラルネットワーク（CNN）。手書き数字認識に使用されました。
AlphaGo（2016 年）
DeepMind が開発した囲碁 AI。ディープラーニング＋強化学習でトップ棋士に勝利した歴史的事例です。
生成 AI（2020 年代〜）
ChatGPT、DALL-E、Stable Diffusion など、テキスト・画像・動画を生成する AI が急速に普及しています。
この分野の出題ポイント
G検定 AI の基礎分野で押さえておきたい 5 つのポイントです。
次のステップへ
AI の基礎を押さえたら、機械学習の解説に進みましょう。