2026.06.13

【G検定対策】AIブームの歴史とは？｜第一次・第二次・第三次AIブームを流れで整理

seo-webmaster

プロモーションが含まれています

G検定では、人工知能の技術だけでなく、AIがどのような流れで発展してきたのかも問われます。

AIの歴史は、単に年号を覚えるよりも、「何が期待され、何が限界になり、次の技術につながったのか」で整理すると理解しやすくなります。

人工知能の歴史では、第一次AIブーム、第二次AIブーム、第三次AIブームという3つの大きな流れが重要です。

この記事では、AIブームの歴史を、探索・推論、知識表現、機械学習、ディープラーニングのつながりから整理します。

ジャンプするもくじ

AIブームの歴史とは？
G検定ではどう問われる？
まとめ
関連記事・おすすめ記事

AIブームの歴史とは？

AIブームの歴史とは、人工知能に大きな期待が集まった時期と、その後に限界が見えて停滞した時期を整理したものです。

人工知能は、ずっと一直線に発展してきたわけではありません。

期待が高まる時期があり、その後に技術的な限界や計算能力の不足によって期待が下がる時期もありました。

この停滞期は、AIの冬と呼ばれることがあります。

AIブームの歴史は、次のように整理できます。

時期	中心となった技術	大きな特徴
第一次AIブーム	探索・推論	コンピュータに考えさせることへの期待が高まった
第二次AIブーム	知識表現・エキスパートシステム	専門家の知識をルールとして扱おうとした
第三次AIブーム	機械学習・ディープラーニング	データから特徴を学習するAIが発展した

大きな流れで見ると、AIは「人間がルールを与えるAI」から、「データから学習するAI」へと発展してきました。

第一次AIブームとは？

第一次AIブームは、コンピュータに探索や推論をさせることで、知的な問題を解けるのではないかと期待された時期です。

中心になったのは、迷路、パズル、ゲーム、定理証明のような、ルールがはっきりした問題です。

たとえば、チェスや将棋のように、次にどの手を選ぶかを考える問題では、コンピュータが可能な手を探索し、より良さそうな手を選ぶことができます。

第一次AIブームの特徴は、次のように整理できます。

観点	内容	ポイント
中心技術	探索・推論	候補を調べて、答えを導く
得意な問題	ルールが明確な問題	パズルやゲームなどに向いている
限界	現実の複雑な問題に弱い	ルール化しにくい問題ではうまくいきにくい

第一次AIブームでは、「コンピュータに考えさせる」ことへの期待が高まりました。

しかし、現実世界の問題は、パズルのようにルールが明確とは限りません。

そのため、探索や推論だけでは対応しにくい問題が見えてきました。

探索・推論とは？

探索とは、たくさんの候補の中から答えを探すことです。

推論とは、与えられた情報やルールをもとに、結論を導くことです。

G検定では、この2つを「第一次AIブームの中心技術」として押さえることが重要です。

探索と推論の違いは、次のように整理できます。

用語	意味	イメージ
探索	候補の中から答えを探す	迷路でゴールまでの道を探す
推論	ルールや情報から結論を導く	条件をもとに答えを考える

探索・推論はAIの基礎として重要ですが、現実世界のあいまいさや複雑さを扱うには限界がありました。

この限界が、次の第二次AIブームにつながっていきます。

第二次AIブームとは？

第二次AIブームでは、専門家の知識をコンピュータに入れれば、専門家のように判断できるのではないかと考えられました。

中心になったのは、知識表現とエキスパートシステムです。

知識表現とは、人間の知識をコンピュータが扱える形で表すことです。

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登録し、そのルールに基づいて判断するシステムです。

第二次AIブームの特徴は、次のように整理できます。

観点	内容	ポイント
中心技術	知識表現・エキスパートシステム	専門家の知識をルールとして扱う
得意な問題	限られた専門分野の判断	医療診断や故障診断などで期待された
限界	知識を人手で入力する必要がある	知識獲得のボトルネックが問題になった

第二次AIブームでは、専門家の知識をコンピュータに入れることで、AIを実用化しようとしました。

しかし、現実には専門家の知識をすべてルールとして書き出すのは簡単ではありません。

また、状況が変わるたびにルールを追加・修正する必要がありました。

知識表現とエキスパートシステムの関係

知識表現とエキスパートシステムは、セットで理解するとわかりやすいです。

知識表現は、知識をコンピュータで扱える形にする考え方です。

エキスパートシステムは、その知識を使って専門家のように判断する仕組みです。

関係を流れで見ると、次のようになります。

専門家の知識がある

↓

知識をルールとして表す

↓

コンピュータに登録する

↓

ルールに基づいて判断する

エキスパートシステムは、特定の分野では役立ちました。

しかし、人間の知識はあいまいで、経験や文脈に依存することも多いため、すべてをルール化することには限界がありました。

この問題は、知識獲得のボトルネックと呼ばれます。

知識獲得のボトルネックとは？

知識獲得のボトルネックとは、専門家の知識をコンピュータに入力する作業が難しく、AI開発の妨げになる問題です。

専門家は多くの知識を持っていますが、そのすべてを明確なルールとして説明できるとは限りません。

また、専門家が判断するときには、経験や勘、文脈の読み取りも使われます。

そのため、AIに必要な知識を人手で集め、整理し、登録することが大きな負担になりました。

知識獲得のボトルネックは、次のように整理できます。

問題	内容	結果
知識を集めにくい	専門家の知識をすべて聞き出すのが難しい	システムに入れる知識が不足する
ルール化しにくい	経験や文脈に依存する判断がある	単純な条件分岐では表しにくい
更新が大変	状況が変わるたびにルールを修正する必要がある	運用コストが高くなる

この限界によって、AIは再び大きな停滞期を迎えました。

その後、AIは「人間がすべての知識を教える」のではなく、「データから学習する」方向へ進んでいきます。

第三次AIブームとは？

第三次AIブームでは、機械学習とディープラーニングが中心になりました。

機械学習とは、データからパターンを学び、予測や分類を行う技術です。

ディープラーニングは、機械学習の一部で、多層のニューラルネットワークを使って複雑な特徴を学習します。

第三次AIブームでは、大量のデータ、計算能力の向上、ディープラーニングの発展が重なり、画像認識、自然言語処理、音声認識、生成AIなどの分野で大きな成果が出ました。

第三次AIブームの特徴は、次のように整理できます。

観点	内容	ポイント
中心技術	機械学習・ディープラーニング	データからパターンを学ぶ
発展の背景	大量データ・計算能力・アルゴリズム	AIが実用レベルに近づいた
代表例	画像認識・自然言語処理・生成AI	現在のAI活用につながる

第三次AIブームでは、AIが人間からルールを教えられるだけでなく、データから特徴を学習できるようになったことが大きな変化です。

第一次・第二次・第三次AIブームの違い

3つのAIブームは、「AIに何をさせようとしたか」で見ると違いがわかりやすくなります。

第一次AIブーム

探索・推論によって答えを導く

第二次AIブーム

専門家の知識をルールとして使う

第三次AIブーム

データからパターンを学ばせる

違いは次のように整理できます。

AIブーム	中心となる考え方	限界・課題
第一次AIブーム	探索・推論で答えを探す	現実の複雑な問題に弱い
第二次AIブーム	専門家の知識をルール化する	知識を人手で入力するのが大変
第三次AIブーム	データからパターンを学習する	大量データや計算資源が必要になる

G検定では、「第何次AIブームか」だけでなく、「中心技術は何か」「なぜ限界があったのか」をセットで押さえることが大切です。

AIブームの流れをフローで整理

AIブームの歴史は、単発の出来事ではなく、前の限界が次の技術につながる流れとして理解すると覚えやすくなります。

流れで見ると、次のようになります。

探索・推論で問題を解こうとした

↓

現実の複雑な問題に限界が見えた

↓

専門家の知識を使うAIが注目された

↓

知識を人手で入力する限界が見えた

↓

データから学習する機械学習が発展した

↓

ディープラーニングで特徴も学習できるようになった

この流れを押さえると、AIの歴史は単なる暗記ではなくなります。

「なぜ次のブームが起きたのか」を理解できるようになります。

AIの冬とは？

AIの冬とは、AIへの期待が下がり、研究や投資が停滞した時期を指します。

AIブームでは、新しい技術に大きな期待が集まります。

しかし、期待されたほど成果が出なかったり、現実の問題に対応できなかったりすると、AIへの関心が下がります。

このような停滞期が、AIの冬です。

AIの冬が起きる流れは、次のように整理できます。

AIへの期待が高まる

↓

実用化への期待が大きくなる

↓

技術的な限界が見える

↓

研究や投資が停滞する

↓

AIの冬と呼ばれる時期になる

AIの歴史では、ブームだけでなく、停滞した理由も重要です。

限界を理解すると、次の技術がなぜ必要になったのかが見えてきます。

ディープラーニングはなぜ第三次AIブームを広げたのか？

ディープラーニングが第三次AIブームを広げた理由は、データから複雑な特徴を学習できるようになったからです。

従来の機械学習では、人間が特徴量を設計することが重要でした。

たとえば、画像認識であれば、色、形、輪郭など、どの特徴に注目するかを人間が考える必要がありました。

一方、ディープラーニングでは、多層のニューラルネットワークによって、データの中から特徴を段階的に学習できます。

この違いは、次のように整理できます。

方法	特徴の扱い方	ポイント
従来の機械学習	人間が特徴量を設計する	特徴量設計が重要になる
ディープラーニング	データから特徴を学習する	画像・音声・文章で高い性能を発揮しやすい

ディープラーニングによって、画像認識、音声認識、自然言語処理などの分野でAIの性能が大きく向上しました。

この流れが、現在の生成AIや大規模言語モデルにもつながっています。

生成AIとのつながり

現在注目されている生成AIも、第三次AIブームの延長線上にあります。

生成AIは、文章、画像、音声、動画などを生成するAIです。

その背景には、ディープラーニング、Transformer、大規模言語モデル、事前学習などの技術があります。

AIブームの歴史から見ると、生成AIは突然出てきたものではありません。

探索・推論、知識表現、機械学習、ディープラーニングという流れの先にあります。

生成AIまでの流れは、次のように整理できます。

探索・推論

↓

知識表現・エキスパートシステム

↓

機械学習

↓

ディープラーニング

↓

Transformer・大規模言語モデル

↓

生成AI

G検定では、生成AIだけを切り離して覚えるよりも、AIの歴史の流れの中で理解しておくと、関連問題に対応しやすくなります。

G検定ではどう問われる？

G検定では、AIブームの歴史について、時期、中心技術、限界を組み合わせて問われることがあります。

単純に「第一次AIブームは何か」と聞かれるだけでなく、選択肢の中で技術や特徴が入れ替えられることがあります。

問われやすいポイントは、次のように整理できます。

問われやすい観点	押さえるポイント	混同注意
第一次AIブーム	探索・推論が中心	エキスパートシステムと混同しない
第二次AIブーム	知識表現・エキスパートシステムが中心	ディープラーニングと混同しない
第三次AIブーム	機械学習・ディープラーニングが中心	探索・推論だけの時代と混同しない
AIの冬	期待と現実のギャップで停滞	ブームそのものではなく停滞期
知識獲得のボトルネック	専門家の知識を集めてルール化する難しさ	データ不足の問題だけではない

覚えるときは、ブーム名と中心技術をセットにするのがおすすめです。

第一次は探索・推論、第二次は知識表現・エキスパートシステム、第三次は機械学習・ディープラーニングです。

まとめ

AIブームの歴史は、人工知能がどのように発展してきたかを理解するための重要なテーマです。

第一次AIブームでは、探索・推論によって問題を解こうとしました。

第二次AIブームでは、専門家の知識をルールとして扱うエキスパートシステムが注目されました。

第三次AIブームでは、機械学習とディープラーニングによって、データから学習するAIが大きく発展しました。

最後に、重要ポイントを整理します。

用語	押さえるポイント
第一次AIブーム	探索・推論が中心
第二次AIブーム	知識表現・エキスパートシステムが中心
第三次AIブーム	機械学習・ディープラーニングが中心
AIの冬	期待と現実のギャップによる停滞期
知識獲得のボトルネック	専門家の知識を人手で集めてルール化する難しさ
ディープラーニング	データから複雑な特徴を学習する技術