第3次人工知能ブーム (G検定)

1. 定義と概要

第3次人工知能ブームとは、2000年代半ば以降、機械学習、とりわけディープラーニング（深層学習）が急速に発展し、実用化が進んだ、現在まで続くAIの興隆期です。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い、AIが自らデータの特徴を学習する技術です。

背景には、インターネットやIoTの普及で蓄積されたビッグデータ（インターネットやIoT機器などから集まる膨大な量のデータ）があります。加えて、GPU（もともと画像処理用に作られた、大量の計算を並列で処理するのが得意な演算装置）など計算資源の性能向上も、実用化を後押ししました。

象徴的な出来事としては、2012年の画像認識コンペティションILSVRC（画像認識の精度を競う大規模な国際コンペティション）が挙げられます。このコンペティションで、トロント大学のヒントン研究室が開発したAlexNet（ディープラーニングを使った画像認識モデル）が従来手法を大差で上回って優勝しました。さらに、2016年3月にはAlphaGo（Google傘下のDeepMind社が開発した囲碁AI）がプロ棋士のイ・セドル九段に勝利しました。

第2次AIブーム（専門家の知識をコンピュータに教え込む研究が中心だった時期）では、専門家の知識をルールとしてコンピュータに教え込むエキスパートシステム（専門家の知識をルールとしてコンピュータに教え込み、判断させる仕組み）が中心でした。しかし、知識をすべて人手で整備する必要がある知識獲得のボトルネック（専門家の知識をすべて人手でルール化するのに限界があるという課題）が壁となり、AI研究は冬の時代を迎えました。

2000年代以降、ビッグデータの蓄積とGPUなど計算資源の性能向上が重なったことで、AIが自らデータから特徴を学習する特徴表現学習（人間が特徴量を設計せず、AIが自らデータから特徴を見つけ出す仕組み）が実用段階に達しました。「AlexNet」の圧勝を契機に、ディープラーニングへの注目が急速に高まりました。画像認識・音声認識・自然言語処理（人間の言葉をコンピュータに処理させる技術）などの分野で精度が飛躍的に向上し、現在まで続くブームとなっています。

2. 試験対策ポイント

まず整理したいのは、第3次AIブームを牽引しているのがディープラーニングであり、その中核にあるのが特徴表現学習という考え方だという点です。ディープラーニングそのものの詳しい仕組みは、多層のニューラルネットワークを重ねる技術として学ぶことになりますが、第3次AIブームの文脈では、この技術が時代を象徴する牽引役だったという位置づけとして整理されます。

ブームのきっかけとしては、インターネットやIoTによるビッグデータの蓄積と、画像処理用に開発されたGPUなど計算資源の性能向上という2つの要因が柱になります。ビッグデータの蓄積だけでは学習に必要な計算量を処理しきれず、GPUによる計算資源の向上だけでは学習させるデータが不足するため、両者がそろって初めてディープラーニングの実用化が進んだという関係にあります。

象徴的な出来事としては、2012年のILSVRCで「AlexNet」が従来手法を大差で上回って優勝したこと、2016年3月に囲碁AI「AlphaGo」がイ・セドル九段に勝利したことが代表的な出来事として挙げられます。この2つの出来事は、ディープラーニングの有効性が学術界だけでなく社会全体に広く知られる転機となりました。

第1次・第2次ブームとの違いも押さえておきたいポイントです。時代ごとに中心となった技術を並べると、区分の輪郭がつかみやすくなります。

時代区分	中心となった技術・考え方
第1次人工知能ブーム	推論（既知の事実から新しい結論を導く処理）・探索。トイプロブレム（迷路やパズルのように、単純化・簡略化された問題）を扱う
第2次人工知能ブーム	知識・エキスパートシステム
第3次人工知能ブーム	機械学習・特徴表現学習

時代の呼び名と、その時代の中心にあった技術の組み合わせで覚えておくと、順序が入れ替わった選択肢にも気づきやすくなります。

3. 関連概念との比較・相違点

第1次人工知能ブームとの最大の違いは、取り組んだ課題の性質にあります。第1次ブームでは、トイプロブレムを解く推論・探索が研究の中心でした。

トイプロブレムでは一定の成果を上げたものの、変数が絡み合う現実の複雑な問題には対応できず、ブームは限界を迎えます。これに対し第3次AIブームは、ビッグデータという現実世界の膨大なデータを直接扱う点で異なります。

第2次人工知能ブームとの違いは、知識の獲得方法にあります。第2次ブームでは、エキスパートシステムが中心で、あらゆる知識を人手でルール化する必要がありました。この知識獲得のボトルネックが限界となり、ブームは冬の時代を迎えます。

一方、第3次AIブームでは、AIがデータから特徴量（データのどこに注目して判断するかを表す手がかり）を自動的に学習する特徴表現学習が中心となっており、人手による知識の整備に依存しない点が異なります。

ディープラーニングとの関係で混同しやすいのは、両者が指す対象の違いです。第3次人工知能ブームは、AIの歴史における一つの時代区分を指す言葉であり、ディープラーニングはそのブームを牽引した具体的な技術、すなわち多層のニューラルネットワークによる特徴表現学習の代表的な手法を指します。時代の呼び名と、それを支えた個別の技術という、意味の階層の違いがここにあります。

4. ビジネス・実務での活用シナリオ

製造業や医療の現場では、画像認識分野でディープラーニングの活用が進んでいます。精度の向上によって、製造ラインでの外観検査や医療画像による疾患診断への実用化が広がり、これまで人手に依存していた検査工程の一部が自動化されました。検査員が一つずつ目視で確認していた作業を、AIが高速かつ均一な基準で担う体制へと移行しつつあります。

コンシューマー向けサービスの分野では、音声認識・自然言語処理の精度向上が、スマートスピーカーやチャットボット（文字や音声による会話でユーザーの質問に自動応答するプログラム）の普及を後押ししました。これらは問い合わせ対応や情報検索の窓口として日常的に活用されており、第3次AIブーム以前は一部の研究段階にとどまっていた技術が、一般消費者の生活に浸透した点に大きな変化があります。

エンタメ・研究開発の分野では、強化学習（試行錯誤を繰り返しながら、報酬が最大になる行動を学習する手法）との組み合わせにより、「AlphaGo」のような事例が生まれました。囲碁のような複雑なゲームでAIが人間トッププレイヤーを上回ったことは、AI技術の可能性を社会に印象づける契機となり、研究開発への投資が世界的に加速する流れにつながっています。

5. 要点まとめ

• 第3次人工知能ブームは、2000年代半ば以降、ビッグデータとGPUなど計算資源の向上を背景に、機械学習・ディープラーニングが発展した現在進行中の時代です。
• 牽引役は特徴表現学習（AIが自らデータから特徴量を学習する仕組み）で、2012年の「AlexNet」、2016年の「AlphaGo」が象徴的な出来事として挙げられます。
• 第1次（推論・探索）、第2次（知識・エキスパートシステム）との違いは、AIが自ら特徴量を学習する点にあります。

6. 確認問題