最初期の人工知能研究者が考えたこと
n 知能とは…おそらく “記号処理” に本質がある
n コンピュータは “数” という記号を処理して計算
n コンピュータで，知能を実現できるのでは！？
2
※ 論理回路の塊で，論理演算できる。
Slide 3
Slide 3 text
記号処理に知能の本質？？？
n 記号処理 ＝ 論理的な演算
u 例： ソクラテスは人，人は死ぬ，ソクラテスは死ぬ
n なんで？
u なぜ，記号処理が知能の本質だと考えたのか？？
u 例えば…
p 人間が高度な知能を持つとして，その他の動物との違いは？
• 言葉をもっている！！！言葉をしゃべれてエライ！
• 言葉＝記号
u いろいろな実体を記号（概念）に変換して，
操作できる能力，それこそが知能なのでは？
3
すごーい
Slide 4
Slide 4 text
ヨハネによる福音書
n 例によって，おそらくはキリスト教文化の影響も
n ヨハネによる福音（冒頭）
u 日本語では ”はじめに言葉ありき” と訳される
p Logos = 神の言葉，真実，真理，論理，理性，概念
神様（ヤハウェ）が そう言うんなら，間違いない！
※ 著者は別に，キリスト（ユダヤとかイスラムなども含む）教徒 ではないです
4
Slide 5
Slide 5 text
鳥の視点 と 虫の視点
n 前掲の宗教的・文化的背景は，問題の捉え方に影響
u 一神教的な世界観では，神はすべてを見渡せる
u 東洋的な世界観では，様々な視点が混合する
p 当然，どちらが優れているという話ではない。優劣は場合による。
u 人工知能についても，神の視点（鳥の視点）から見て
構築するか，虫の視点（環境内部）から見て構築するか
というので，アプローチが全く異なる可能性
環境を外から眺める
神・鳥の視点
環境を内部から眺める
虫の視点
5
Slide 6
Slide 6 text
物理記号仮説（記号主義）
n すべての知的作業の本質は記号操作にある
…という作業仮説，記号主義とも呼ばれる
u 色や形などの物理量はうわべのものであって，
それらを捨象し，カテゴリー化した後の記号が本質
u この記号操作によって，高度な知的処理が可能！
作業仮説 ：
本当かどうかは知らんが，その検証のためにも，とりあえず仮に
そうだとして・考えて，やってみよう…という，暫定的な仮説
…っていう気がする。多分そう。
6
Slide 7
Slide 7 text
コンピュータで記号処理？
n コンピュータは AND，OR，NOT を組合わせて処理
u 論理的な処理がいろいろできる装置
u 知能が記号の論理的処理だとすると，
この論理的な処理ができる機械で当然，模倣できる
u まぁすぐに人間同等は無理でも，チェスみたいに，
完全に論理的に話が進むところならすぐできるハズ！
7
ここから下は，当時の研究者が考えたであろう事
Slide 8
Slide 8 text
記号接地問題
n 体を持たないAIにリンゴは理解できるか？
u 概念（記号）としてのリンゴが理解できたとして，
目も耳もないAIは，真にリンゴを知っているといえるか
• …でも，そもそも「真のリンゴ」とは…リンゴのイデアって何？
n 人間は様々な情報をうまく抽象化（記号化）して
処理をしている
n 抽象化された情報と，実体を対応づけること
＝記号接地
8
将来補足
Slide 9
Slide 9 text
推論
n 知識を元に新しい結論を得ること
n 三段論法も推論
u 知識1： 人間は死ぬ
u 知識2： ソクラテスは人間である
u 結論 ： 知識1＆2 → ソクラテスは死ぬ
n 論理学は推論のための基礎
u AならばB，AかつBならばC…のような演算規則
u これを用いて，知識を操作していくと推論できる
操作自体は，後述する探索とほぼ同じ
9
Slide 10
Slide 10 text
推論の種類
n 推論にも種類が
u 演繹（De-duction）← 記号処理系はこれ
p 既存の知識・ルールを組み合わせて行って結論を得る
u 帰納（In-duction） ← 機械学習系はこれ
p 観測された事実や事例をまとめ上げていって結論を得る
u アブダクション（Ab-duction）
p 仮説形成とも。観測された事象を説明する仮の理論を考える
10
環境・外部
内部
Deduction
内から外へ
Abduction
外から内へ
Induction
ぐるぐる
かけ算・⾜し算
のイメージ
公約数・因数分解
のイメージ
Slide 11
Slide 11 text
どのようにすれば推論できるか？
n 例えば現在であれば，プログラミング言語の Prolog などを
用いて，記号処理ができるが…
n 1950年代の計算機は，基本的に電卓の状態
u 単純な問題であれば，“こうなったらこう” という状態を
あらかじめ書き下すことはできる
p オセロであれば，そもそも石を置ける場所は限られる
p この状態の時，ココに石を置くと，相手はココに置ける …も，あらかじめ分かる
u であれば，推論そのものが難しくても，状態を書いておいて，
その中から適切なモノを選び取らせれば，行動は模倣できる
p いつか，状態そのものの演算（推論）ができるとして，結局，あり得る状態から
適切なモノを選び取る…という行動は必要になる
11
推論そのものと並んで，探索も主要なテーマとして扱われた
Slide 12
Slide 12 text
探索
Start
Goal
12
Slide 13
Slide 13 text
探索
Start
Goal
A
C
D
G
B
E
H
F
13
Slide 14
Slide 14 text
探索
Start
Goal
A
C
D
G
B
E
H
F
14
Slide 15
Slide 15 text
木構造(Tree) : 2分木 binary-tree
root
A
C
F
K
B
G
L
J
M
D
I
E
H
Node
Edge
終端のNodeはLeafともいう root
ひっくり返すと木のように見えるので，
Tree（木，木構造）と言う名前
情報工学における基礎的かつ
重要なデータ構造の一つ
AI分野でも多用される
線でつながっている上のNodeを親，
下のNodeを子という。
ここでは2分木のみを示したが，子が2人以上のものや，
トライ木，赤黒木など，様々なタイプの木構造が存在
15
Slide 16
Slide 16 text
探索：幅優先探索
Start
Goal
A
C
D
G
B
E
H
F
>
親は一人なので，Goalを見つけたら，
親をたどっていけば正解がわかる
16
Slide 17
Slide 17 text
探索：深さ優先探索
Start
Goal
A
C
D
G
B
E
H
F
>
親は一人なので，Goalを見つけたら，
親をたどっていけば正解がわかる
17
グラフ
A
B F
C
D
E
G
Node と Edge の集合で表現できるデータ構造
無向グラフと有向グラフ，循環路の有無で扱いがことなる
要素間の関係性や，状態遷移の表現に用いる．“グラフ理論”や“ネットワーク解析”などで扱う
A
B F
C
D
E
G
無向グラフ 有向グラフ
最短経路の探索などにはこのグラフ表現を用いる
著名な最短経路の探索手法は ダイクストラ法
29
Slide 30
Slide 30 text
このどこが知能なのか？？
n 一つには歴史的背景
u 探索問題は AI 研究の初期課題
p ENIAC 誕生は1946年頃
p AI という言葉ができたのは1956年
• 探索がブームになったのは1950年代〜70年代
u コンピュータは，いまの電卓に当たるイメージ
p 弾道計算など，四則演算を高速に行うことがメイン
p そうした視点に立った場合，こうした問題を自動的に解く…
ということも，十分に先進的で知的なタスクだった
30
Slide 31
Slide 31 text
このどこが知能なのか？？
n 人間も似たような行動をとる …こともある
u 将棋などゲームの定石
u スポーツにおける戦略
u 格闘技（主に武道）における型
p “こう来たらこうする”という一連の遷移パタンについて，
反復練習することで無意識的に出せるようにする
p その分の演算リソースを先読みを含めた対応策に割ける
31
Slide 32
Slide 32 text
このどこが知能なのか？？
n 単純なロボット的なものも作成できる
u 例えばお掃除ロボットを考えると…
p この位置はすでに通過したか？
p 前方に進むことができるか？
など，いくつかの条件の組み合わせで実現できる
32
Slide 33
Slide 33 text
単純な探索の限界
n オセロや将棋も探索で解けるのではないか？
u と，考えるのは自然な流れではある
u が，実際には難しかった… なぜか？
組み合わせが爆発するから
円盤3枚のハノイの塔でも状態は27通り
64枚だと最短の遷移だけに絞っても…
264 通り = 18,446,744,073,709,551,616 通り
= 1844京6744兆737億955万1616 通り
ゲームでは相手の動作もあるので，
先読みしつつベストな手を探す必要…だが，
探索するのに莫大な時間が…
33
Slide 34
Slide 34 text
ボードゲームの複雑さ
n オセロ ： 10^30 10^60
n チェス ： 10^50 10^120
n 将棋 ： 10^70 10^220
n 囲碁 ： 10^160 10^360
盤面の数 探索木
盤面の広さ，駒の数，動きの種類，とった駒を再投入できるか？などで変化
囲碁は石（駒）の数が多く，配置自由度も高い上，盤面も広いので難しい
※ 宇宙にある水素原子の数は 10^80 個と見積もられている
34
Slide 35
Slide 35 text
数え上げの困難さ：組み合わせ爆発
n 単純な経路探索は
なかなか大変…
u どのくらい大変か，
ちょっと見てみましょう
u パタンの組み合わせは
容易に爆発！！！
u ただの紙も 42回 折ると
月に届く厚さになる…
https://www.youtube.com/watch?v=Q4gTV4r0zRs
35
Slide 36
Slide 36 text
数年前，囲碁とAIが話題になったような…？
n いくつかのブレイクスルーを経て，最近ようやく
この問題を解決できるようになったと言うこと
u 取り得る状態を列挙して，有利そうな手を取るのは同じ
u すべて列挙するわけではなくて，良い感じの手…
というのを学習することで，全探索を回避する
ここではいったんここまで
詳細は別の回で説明
36
Slide 37
Slide 37 text
トイ・プロブレム
n 初期のAI研究においては，迷路やハノイの塔など
ごく単純化された条件下での問題を扱った
n 単純化された問題 = トイ・プロブレム
u いきなり複雑な条件は扱えないので，
簡単な例から考えていくのは，問題を解く上での定石
u しかし，初期のAIはこの段階を超えることができず，
“知能”の難しさ，複雑さが明らかとなった
Toy:おもちゃ
37
Slide 38
Slide 38 text
トイ・プロブレムの成功例
n トイ・プロブレム とはいえ，成果を上げたものも
u STRIPS （ Stanford Research Institute Problem Solver ）
p 前提，行動，結果 という3要素で 仮想ロボットの動作を実現
• ロボットが自動的に動作計画を立てることを“プランニング”という
p 仮想ではあるが，いろいろな動作を実現できた
u 積み木の世界 SHRDLU（シュルドゥル）
p 仮想空間上に配置された 積み木 を操作させることができた
• 人「ブロックの上に，四角錐はおけるか？」，AI「Yes」
• 人「四角錐の上に，四角錐はおけるか？」，AI「No」
…といった対話形式で，積み木を操作させたり説明させられた
＝ 対話的にAIにプランニングを実行させることができた
38
Slide 39
Slide 39 text
SHRDLU と Google
n SHRDLE の 開発者
u SHRDLE を 開発したのは スタンフォード大学の
テリー・ウィノグラード 博士
u この ウィノグラード博士 の 教え子 ラリー・ペイジ が
後に Google を創業することになる
39
Slide 40
Slide 40 text
まとめ
n 初期のAI研究では推論・探索などに注目があった
u 具体課題：迷路やハノイの塔，積み木など
u 探索木などを用い望ましい状態への遷移を探索
p 遷移のパタンを自動で組み立てること＝プランニング
u トイプロブレムは解けたが，少し複雑になると破綻
p チェスや将棋，囲碁は解けなかった…
• 組み合わせ爆発に伴う計算量の増加に対応できなかった
40
Slide 41
Slide 41 text
同時代の関連研究
n 自動翻訳も最初期に取り組まれたものの一つ
n 精密な文法書と，辞書さえあれば簡単にできそう
u 多義語の存在や，構文解析の複数解釈可能性…
p 核： 原子核？ 細胞核？ 核心的利益？ 議論の核？
p 黒い目の大きな女の子
• 目が大きくて黒い女性 の 子供
• 目が黒くて 体が大きな 女の子
• 黒目の部分が大きい女性 の 子供
• 体の大きな女性 の 黒い目をした子供
• etc.
41
Slide 42
Slide 42 text
明らかになった課題
n 限定された環境下では，
単純な探索でもそれなりに問題を解くことができる
n 少し複雑になってくると計算量の問題から，
うまくは機能しなくなってくる
u そもそも複雑な問題を扱えてこその知能なのでは？
n コンピューターが極めて高価な時代，
できるだけ実用上の問題を解きたい…！！！
42