AIを作った人は誰？歴史と主要な研究者を解説
Check!
- 「人工知能」という言葉の起源がわかる
- AIの発展に関わった主要な研究者がわかる
- 歴史を知ることの業務上の意味がわかる
「AIを作った人は誰か」という問いに、単純な一つの答えはありません。AIは一人の発明者による発明品ではなく、複数の研究者が数十年にわたって積み重ねてきた学問分野です。本記事では、人工知能という言葉の歴史と、その発展に関わった主要な研究者を解説します。
おすすめ記事
目次
開く
閉じる
開く
閉じる
「人工知能」という言葉の起源
「人工知能(Artificial Intelligence)」という言葉は、1956年に開催された「ダートマス会議」で、アメリカの計算機科学者ジョン・マッカーシーによって初めて使われたとされています。
総務省「令和6年版 情報通信白書」では、この会議を通じて人工知能の概念が確立し、研究者の間で「AI」という言葉が認知されるようになったと説明されています(総務省「令和6年版 情報通信白書」2024年、https://www.soumu.go.jp/johotsusintokei/whitepaper/ja/r06/html/nd131110.html 2026年8月13日取得)。ただし、この会議より前にも、後にAIの理論的基盤とされる研究が存在していました。
AIの発展に関わった主要な研究者
理論的基盤を築いたアラン・チューリング、「人工知能」の名付け役ジョン・マッカーシー、深層学習の実用化に貢献した研究者群という3つの世代の貢献が、現在のAIにつながっています。
| 時代 | 主な貢献 |
|---|---|
| 理論的基盤(1950年前後) | アラン・チューリングが「機械は考えられるか」を論じ、後の議論の出発点を作った |
| 概念の確立(1956年) | ジョン・マッカーシーがダートマス会議で「人工知能」という言葉を提唱した |
| 深層学習の実用化(2010年代以降) | 複数の研究者による深層学習技術の発展で、現在の生成AIの基盤が整った |
現在使われている生成AIは、これらの研究の積み重ねの上に、大量の計算資源とデータを活用することで実用化されたものです。特定の一人が「AIを作った」というより、複数世代にわたる研究者の連続的な貢献の結果と理解するほうが実態に近いといえます。
歴史を知ることの業務上の意味
AIには過去に複数回の「ブーム」と「冬の時代」があったという歴史を知ることは、現在のAIブームを過度に楽観・悲観せず捉える視点につながります。
AIの歴史や基本的な考え方を、担当者個人の興味に留めず、組織全体で学べる研修コンテンツとして整理しておくと、AI活用を検討する際の議論に共通の土台ができます。
なぜ何度も「ブーム」と「冬の時代」を繰り返したのか
AI研究は、1950年代から現在までの間に、期待が高まる「ブーム」の時期と、期待に技術が追いつかず研究資金が減少する「冬の時代」を、複数回繰り返してきました。この繰り返しの構造を理解しておくと、現在のAIブームをどう評価すべきかの視点が持てます。
最初のブームは1950年代から1960年代にかけて起こり、簡単な推論やゲームを行うプログラムが登場し、「機械が人間のように考える」という期待が高まりました。しかし、当時の計算能力とデータ量の制約から、複雑な実世界の問題を解決するには至らず、1970年代には研究資金が縮小する「第一の冬」を迎えました。1980年代には、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」が注目され、再びブームが起こりましたが、ルールの作成・保守にかかる手間の大きさから、再び期待が縮小する「第二の冬」を経験しました。
2010年代以降の現在のブームは、深層学習という技術的な進展に加え、インターネットの普及による大量のデータと、計算能力の大幅な向上という2つの条件が同時に整ったことで、過去のブームとは異なる実用化の広がりを見せています。過去2回の冬の時代を経験している点を踏まえると、現在の技術も、今後さらに発展する可能性と、一部の期待が修正される可能性の両方を、冷静に見ておく視点が実務上は有効です。
AIの歴史理解でよくある失敗パターン3つ
単一の発明者がいると誤解する、現在のブームを過去の歴史と関連づけずに捉える、歴史理解を個人任せにするという3つが、AIの歴史理解でよく見られる失敗の典型です。
失敗パターン1:単一の発明者がいると誤解する。特定の人物を「AIの発明者」として単純化し、実態を誤って理解するケースです。複数世代の積み重ねと理解することが回避策になります。
失敗パターン2:現在のブームを過去の歴史と関連づけずに捉える。過去に冬の時代があった経緯を知らず、過度な期待や不安に振れやすいケースです。歴史的な変遷を理解することが回避策になります。
失敗パターン3:歴史理解を個人任せにする。特定の担当者しか背景知識を持たず、組織的な議論の土台がずれるケースです。研修等で共通理解を作ることが回避策になります。
企業規模・業種によってAIの歴史理解に求められる深さは異なる
AIの歴史をどこまで詳しく理解しておくべきかは、企業の規模や業種によって実務上の必要性が異なります。すべての従業員が研究者と同じ水準の歴史知識を持つ必要はなく、自社の意思決定に関わる範囲に絞って理解を深めるという考え方が現実的です。
大企業でAI活用の投資判断を担う部門(経営企画・情報システム部門等)の場合、過去のブームと冬の時代の繰り返しという歴史的な構造を理解しておくことが、複数年にわたる投資計画の妥当性を検討するうえで役立ちます。特に、エキスパートシステムのブームが「導入時の期待の大きさ」に比べて「運用の手間」が想定以上だったために縮小した経緯は、現在の生成AI導入を検討する際にも参考になる視点です。大規模なシステム投資を決める立場にある担当者ほど、技術の目新しさだけでなく、過去に同様の期待先行がどのような結果につながったかを踏まえて判断する姿勢が求められます。
一方、中小企業やスタートアップのように、限られた人数でAI活用を検討する組織では、歴史全体を体系的に学ぶよりも、現在の生成AIが「過去のどの技術的制約を解消したことで実用化に至ったのか」という要点だけを押さえておくほうが実務的です。たとえば、計算資源とデータ量の制約が解消されたことが現在のブームを支えているという理解があれば、自社が新しい生成AIサービスを検討する際にも、「このサービスは具体的にどのようなデータと計算資源を前提にしているか」を確認する視点につながります。業種で見ると、製造業や物流業のように現場の業務プロセスへの組み込みを検討する業種では、エキスパートシステム時代の「ルール保守の手間」という失敗パターンが特に参考になりやすく、逆に情報サービス業やコンサルティング業のように新しい技術の目利きそのものが業務価値に直結する業種では、深層学習の発展経緯まで踏み込んで理解しておく価値が相対的に高いといえます。
社内研修でAIの歴史を扱う際の構成例
AIの歴史を組織内の研修コンテンツとして整理する際は、年表を並べるだけでなく、「なぜこの流れを知る必要があるのか」という業務上の目的を明示した構成にすることで、単なる教養知識ではなく実務判断に活かせる内容になります。
具体的な構成としては、まず前半で「人工知能という言葉の起源」「主要な研究者の貢献」といった基礎的な事実を短く共有し、参加者が最低限の共通言語を持てるようにします。次に中盤で「ブームと冬の時代がなぜ繰り返されたのか」という構造的な理解に時間を割きます。ここでは、単に年表を暗記させるのではなく、各ブームで「何が期待され」「何が実現できず」「その結果どう資金や関心が変化したか」という因果関係を議論形式で扱うと、参加者が自分の業務に置き換えて考えやすくなります。最後に後半で、現在自社が検討している、あるいは既に導入しているAI活用の取り組みについて、過去の歴史から得られる教訓(期待と実態のギャップを見極める、導入後の運用負荷を事前に検討する等)をどう適用できるかをグループで話し合う時間を設けると、研修の内容が実際の業務判断に接続されやすくなります。
研修の頻度としては、AI関連の技術動向は変化が速いため、一度作成した内容を固定的に使い続けるのではなく、年に1回程度、直近の技術動向やニュースを踏まえて内容を見直すことが望ましいとされています。特に、新しい生成AIサービスが話題になるたびに社内で個別に情報が飛び交う状況を避けるためにも、共通の歴史的背景を土台とした研修を定期的に実施しておくことは、部門間でのAI活用に関する議論をかみ合わせやすくする効果が期待できます。
歴史理解を進める際に注意したい情報源の選び方
AIの歴史に関する情報は、書籍やWeb記事によって年代や人物の記述に細かな差異が見られることがあるため、社内の研修資料や公開コンテンツとして使う場合は、可能な限り公的機関や学術的な資料を一次情報源として参照することが望ましいといえます。
特に、特定の人物やエピソードを強調しすぎた読み物調の記事は、話としては読みやすい一方で、年代や事実関係が簡略化されている場合があります。社内で正式な研修資料として使う際は、総務省や経済産業省が公表する白書のように、出典が明確で継続的に更新される資料を基本の参照先とし、読み物的な記事はあくまで補足的な理解を深める目的で使う、という使い分けを意識すると、情報の正確性を保ちやすくなります。
よくある質問(FAQ)
Q1. AIを作った人は誰ですか?
A. 単一の発明者はいません。アラン・チューリングやジョン・マッカーシーをはじめ、複数世代の研究者の積み重ねによって発展してきました。
Q2. 「人工知能」という言葉はいつ生まれましたか?
A. 1956年のダートマス会議で、ジョン・マッカーシーによって初めて使われたとされています。
Q3. アラン・チューリングはAI研究にどう関わりましたか?
A. 「機械は考えられるか」という問いを論じ、後のAI研究の理論的な出発点を作りました。
Q4. AIには「冬の時代」があったのですか?
A. あります。過去に複数回のブームと停滞期(冬の時代)を経て、現在の発展に至っています。
Q5. 現在の生成AIは誰の功績によるものですか?
A. 2010年代以降の深層学習の発展に貢献した複数の研究者の功績が、現在の生成AIの基盤になっています。
Q6. 社内でAIの歴史をどう学べばよいですか?
A. 個人の興味に留めず、研修コンテンツとして整理し、組織全体で共通理解を持てるようにすることをおすすめします。
まとめ｜今日からできる3つのこと
- 単一の発明者という誤解をなくす:複数世代の積み重ねと理解します。
- 歴史的な変遷を知る:過去のブームと冬の時代を踏まえて現状を捉えます。
- 基礎知識を組織で共有する:研修等で共通理解を作ります。
歴史を知ることが業務判断に活かせる場面
AIの歴史を理解しておくことは、単なる教養にとどまらず、実際の投資判断・技術選定の場面で役立つ視点を提供します。
過去のブームでは、「機械が人間のように何でもできるようになる」という過度な期待が先行し、その期待に技術が追いつかなかったことで冬の時代を招いた側面があります。この経緯を知っていると、現在のAI技術に関する報道や宣伝文句を見た際に、「この技術は具体的にどの業務のどの部分を効率化できるのか」を見極める視点を持ちやすくなります。抽象的な「AIで全てが変わる」という期待ではなく、具体的にどの作業がどの程度自動化できるのかを確認する姿勢が、過去の冬の時代の教訓から得られる実務的な学びです。
また、技術選定の場面では、話題性の高い最新技術が、実際に自社の業務で安定して使えるレベルに達しているかを、慎重に見極める必要があります。エキスパートシステムのブームの際、ルールの保守にかかる手間が想定より大きく、実務での運用が難しかったという歴史的な事例は、現在の技術を導入する際にも、「導入後の運用・保守にどの程度の手間がかかるか」を事前に検討する重要性を示しています。歴史を知ることは、過去の失敗から学び、同じような判断ミスを繰り返さないための実務的な知恵になります。
参考文献
- 総務省「令和6年版 情報通信白書」2024年 https://www.soumu.go.jp/johotsusintokei/whitepaper/ja/r06/html/nd131110.html(2026年8月13日取得)
