AI進化史：LLMからAIエージェントへ

授業用に，モダンなAgentic AIの最近までのサーベイを書きました．

Transcript

1. AI進化史：LLMからAIエージェントへ 知能の階梯と技術的転換点に関する考察 1
2. はじめに 1950年代の黎明期から現代に至るAIの劇的な変遷を分析 単なる計算能力の向上から「意志」に近い計画性の獲得へ 本スライドでは、LLMの誕生から最新の「AIエージェント」への移行を解説 2
3. 第1章：人工知能の黎明と限界 記号的アプローチの時代（1950s - 1980s） 3
4. 知能の定義と初期の試み 1950年：チューリングテストの提唱 知能の基準を「言語的相互作用」に置く 1956年：ダートマス会議 「人工知能（AI） 」という用語が正式に誕生 1966年：ELIZAの登場 パターンマッチングによる初期のチャットボット 人間が機械に知性を投影する「ELIZA効果」を証明 4
5. エキスパートシステムの台頭と限界 1970-80年代：シンボリックAI 特定の専門知識を「If-Then」ルールで記述 例：感染症診断システム「MYCIN」 致命的な弱点 ルールの手動更新が困難 文脈の変化や未知のデータに柔軟に対応できない 結果として「AIの冬」を招く 5
6. 第2章：トランスフォーマー革命 統計的アプローチへの転換 6
7. 逐次処理から並列処理へ RNN / LSTM の限界 文章を端から順に処理するため、長い文の初期情報を忘れる（勾配消失問 題） 大規模な並列計算が困難 2017年：Transformerの登場 論文 "Attention Is All You Need" 逐次処理を排除し、自己注意機構（Self-Attention）を導入 7
8. 自己注意機構（Self-Attention）の衝撃 全単語間の関連度を同時に計算 文中のどの単語が、他のどの単語に注目すべきかを動的に決定 数千単語離れた文脈も効率的に学習可能 現代AIの標準アーキテクチャ その後の全てのLLM（BERT, GPT等）の基盤となった 8
9. 第3章：LLMの誕生とスケーリング則 「理解」のBERTと「生成」のGPT 9
10. BERTとGPT：二つの道 BERT（Google） エンコーダーを活用。文脈を「双方向」から理解 感情分析や質問回答に強み GPT（OpenAI） デコーダーを活用。 「自己回帰的」に次単語を予測 文章生成に特化し、高い汎用性を示す 10
11. 知能の「スケーリング則」 パラメータ数とデータ量の増大 GPT-1（1.1億）→ GPT-2（15億）→ GPT-3（1750億） 創発的能力の出現 モデルを巨大化するだけで、予測精度がべき乗則に従い向上 明示的な学習なしにタスクをこなす「ゼロショット / フューショット学習」 が可能に 11
12. 第4章：アライメントの時代 人間の意図に沿うAIへ 12
13. RLHFによる調整 課題：ハルシネーションとバイアス LLMは「もっともらしい嘘」をつくことがあった RLHF（人間からのフィードバックによる強化学習） i. 人間が回答例を作成（SFT） ii. 回答の良し悪しをランク付け（報酬モデル） iii. AIが報酬を最大化するように自己最適化（PPO） 13
14. ChatGPTと社会実装の爆発 2022年11月：ChatGPT公開 対話インターフェースとしてLLMの地位を確立 2023年3月：GPT-4リリース 画像も扱えるマルチモーダル化 司法試験やコーディングで人間レベルの性能を発揮 14
15. 第5章：推論モデルへの進化 「直感」から「論理」へ 15
16. 推論時間（Test-time）のスケーリング 従来のLLM：システム1（直感的） 入力に対して即座に応答を生成 推論モデル（o1, R1等） ：システム2（論理的） 回答前に「思考の連鎖（Chain-of-Thought） 」を内部展開 考える時間を増やすほど精度が向上する 16
17. 自己修正と検証 DeepSeek R1 等の革新 人間の手本なしで、強化学習のみで高度な思考プロセスを獲得 思考のトレース：手順を言語化 自己修正：途中の誤りに気づき、遡って直す 検証：結論の整合性を再確認 17
18. 第6章：AIエージェントの定義 「対話」から「行動」へ 18
19. チャットボットとエージェントの違い チャットボット（受動的） ユーザーの問いに答えるだけ AIエージェント（能動的） 自ら計画を立て、目的達成まで自律的に実行 外部ツール（Web、API、ファイル操作）を使いこなす Observe-Think-Actのサイクルを回す 19
20. エージェントの3つの構成要素 1. プランニング（計画） 抽象的な目標を具体的な実行ステップに分解 2. メモリ（記憶） 短期：対話の文脈保持 長期：過去の知識やユーザーの好みを蓄積 3. ツール利用 外部検索、コード実行、企業内システムとの連携 20
21. 第7章：自律型エージェントの歴史 2023年からのパラダイムシフト 21
22. 先駆的プロジェクト：AutoGPTとBabyAGI 2023年のトレンド 「自己プロンプト（Self-Prompting） 」の導入 AIが自分自身に指示を出し続け、タスクを完遂するデモが世界に衝撃を与 えた 初期の課題 無限ループに陥りやすい トークン消費（コスト）が激しい 22
23. オーケストレーションの時代 単一のループから構造化されたワークフローへ 主要フレームワーク LangChain / LangGraph：複雑なプロセスをグラフ構造で制御 AutoGen / CrewAI：複数の専門エージェントを連携させる「マルチエージ ェント」体制の構築 23
24. 第8章：ビジネス実装の現状（2025年） 実験から実用フェーズへ 24
25. 産業へのインパクト カスタマーサービス 回答だけでなく、在庫確認や返金処理まで完遂 ソフトウェア開発 生成だけでなく、デバッグ・テスト・デプロイまで自律化 組織構造の変化 **最高AI責任者（CAIO）**の登場 AIを「個人ツール」ではなく「仮想労働力（ワークフォース） 」として管理 25
26. 第9章：将来展望（2026-2030） エージェント経済の到来 26
27. テクノロジーの深化 世界モデル（World Models） 自分の行動が物理世界に与える影響を「想像」する能力 製造・物流・医療への展開を加速 恒久的メモリ ユーザーと共に成長し、数年単位のコンテキストを保持するパーソナルエ ージェント 27
28. 社会・経済の変容 エージェント間取引（A2A） AI同士が交渉し、スマートコントラクトで決済するエコシステム ソロ企業（Solo Enterprise）の急増 1人の人間が数百のエージェントを操り、大規模な収益を上げるモデル 労働市場の再編 「定型作業」から「ゴール設定と監督（Human-in-the-loop） 」へ 28
29. 第10章：リスクと課題 安全性とガバナンス 29
30. 予見されるリスク 法的責任の所在 AIの自律的な判断による事故（AIによる死など）への対処 認知能力の低下 過度な依存による人間の批判的思考の衰え セキュリティ プロンプトインジェクションによる権限奪取やデータ漏洩 監視用「セキュリティ・エージェント」の重要性 30
31. まとめ AIは「知識の図書館（LLM） 」から「有能な社員（エージェント） 」へ変容した 2017年：Transformer（技術の種火） 2022年：アライメント（対話能力） 2024年：推論（論理的思考） 2025年以降：自律的行動（エージェント） 私たちに求められるのは、AIと競うことではなく、AIという強力な労働力を 「導き、共生する」オーケストレーション能力である 31