1 背景
1.1 第一次AI冬の終焉と1980年代の復興
1970年代に訪れた第一次AI冬は、記号処理アプローチの限界と失望から生じた研究資金の枯渇により特徴づけられる。この冬の時期を乗り越えた後、1980年代初頭にAI研究は新たな息吹を取り戻した。復興の中心となったのは、実用的な応用が可能な技術への注目であった。
1.1.1 エキスパートシステムの商業的成功
エキスパートシステムは、特定の専門知識をルールベースで記述し、推論エンジンを用いて問題解決を行うシステムである。MYCIN（医療診断）、DENDRAL（化学分析）、XCON（コンピュータ構成）などの初期システムが成功を収め、特にDEC社のXCONシステムは年間数千万ドルのコスト削減をもたらした。これらの成功事例は、AI技術が実用的なビジネス価値を生み出せることを証明し、企業や政府の関心を一気に高めた。
1.1.2 日本による第五世代コンピュータ計画
1982年、日本の通商産業省（現・経済産業省）は「第五世代コンピュータ計画」を発表した。この計画は、知識情報処理を可能にする画期的なコンピュータの開発を目指し、10年間で約5億ドルの予算を投じる国家的プロジェクトであった。目標には、並列推論マシンの開発、自然言語処理の実現、自動翻訳システムの構築などが含まれていた。この発表は欧米諸国に大きな衝撃を与え、アメリカやヨーロッパでも同様の大型プロジェクトが立ち上げられるきっかけとなった。
1.2 過熱する投資と誇大広告
第五世代コンピュータ計画の発表とエキスパートシステムの商業的成功は、AI業界への過剰な期待と投資を引き起こした。1980年代半ばには、世界中の政府がAI研究に巨額の予算を投入し、ベンチャーキャピタルもAI関連企業に殺到した。多くの新興企業が設立され、LISPマシンやAIワークステーションなどの専用ハードウェア市場が急成長した。しかし、これらの投資の多くは短期的な利益を期待したものであり、技術的な課題や現実的な制約に対する理解が不足していた。
2 主な原因
2.1 エキスパートシステムの限界
エキスパートシステムは当初大きな成功を収めたが、実用化が進むにつれて深刻な限界が明らかになった。
2.1.1 知識獲得のボトルネック
エキスパートシステムの構築には、ドメイン専門家から知識を抽出し、ルール形式に変換するプロセスが必要であった。この「知識獲得」は極めて労働集約的で時間のかかる作業であり、専門家自身も自分の知識を明確に言語化できない場合が多かった。知識エンジニアと呼ばれる専門家が介在したが、そのコストは高く、大規模なシステムほど知識の完全性と一貫性を維持することが困難になった。
2.1.2 堅牢性とメンテナンスの問題
エキスパートシステムは、知識ベースに含まれない事例や予期せぬ入力に対して脆弱であり、堅牢性に欠けていた。また、新しい知識を追加するたびにルール間の競合や矛盾が生じやすく、システムのメンテナンスは複雑化した。特に実務環境では、知識ベースの定期的な更新が必須であるにもかかわらず、そのコストと人的リソースが過大になり、多くの企業がシステムの維持を断念した。
2.2 第五世代コンピュータ計画の失速
2.2.1 並列処理技術の未成熟
第五世代コンピュータ計画の中核技術であった並列推論処理は、当時のハードウェア技術では実用的な性能を達成できなかった。大規模並列マシンの開発には、プロセッサ間の通信オーバーヘッド、メモリアクセスの競合、プログラミングモデルの複雑さなど、多くの技術的課題が存在した。これらの問題は計画の進捗を大幅に遅らせ、当初掲げられた目標の達成を困難にした。
2.2.2 目標の非現実性
第五世代コンピュータ計画の目標は、当初から過度に野心的であった。人間と自然言語で対話できるコンピュータ、自動翻訳システム、知識ベースによる推論など、これらの多くは当時のAI技術の水準をはるかに超えるものであった。10年という期間でこれらの目標を達成することは非現実的であり、計画の途中で現実的な成果との乖離が明らかになった。1992年に計画は実質的に終了したが、その時点で具体的な実用的成果は限られていた。
2.3 LISPマシン市場の崩壊
2.3.1 汎用ハードウェアの台頭
LISPマシンは、AI処理に特化した専用ハードウェアとして1980年代前半に大きな市場を形成した。しかし、1980年代後半に入ると、UNIXワークステーションやパーソナルコンピュータの性能が急速に向上し、これらの汎用ハードウェア上でもAI処理が十分に実行可能となった。加えて、汎用ハードウェアの価格性能比はLISPマシンを大幅に上回り、専用機の経済的優位性は失われた。
2.3.2 代表企業の倒産と買収
LISPマシン市場の崩壊は、多くの専業メーカーの経営を直撃した。業界最大手であったSymbolics社は、1980年代後半に業績が悪化し、1995年に破産した。同様に、LISP Machine Inc.やTexas Instruments社のLISPマシン事業も継続困難となった。これらの企業の倒産と撤退は、AI産業全体に対する信頼を大きく損ない、投資家や企業のAI離れを加速させた。
3 影響
3.1 学術界における影響
3.1.1 研究資金の減少
第二次AI冬により、政府や企業からのAI研究への資金提供は大幅に減少した。アメリカでは、国防高等研究計画局（DARPA）のAI関連予算が1980年代後半から1990年代初頭にかけて削減された。日本の第五世代コンピュータ計画もその勢いを失い、欧州のESPRIT計画も縮小された。大学の研究室では、博士課程の学生の獲得困難やポスドク研究員のポジション減少が見られ、AI研究コミュニティ全体が縮小した。
3.1.2 用語のブランド化と隠蔽
資金調達の困難さから、多くの研究者は自身の研究を「AI」と明示的に呼ぶことを避けるようになった。代わりに、「機械学習」「パターン認識」「知識工学」「データマイニング」など、より特定の分野を指す用語が使われるようになった。この現象は「AIという言葉のブランド化」と呼ばれ、研究内容自体はAIの範疇にありながらも、ラベリングを変更することで資金獲得の可能性を高める戦略であった。これにより、AI研究は表向きには縮小したが、実質的には様々な名前で継続された。
3.2 産業界における影響
3.2.1 AIベンチャーの大量淘汰
1980年代前半に隆盛を極めたAI関連ベンチャー企業の多くが、資金調達の困難と市場の縮小により倒産した。特に、エキスパートシステムのコンサルティングやLISPマシンの販売を事業の柱としていた企業は深刻な打撃を受けた。投資家の信頼が失われ、新たなAIベンチャーの設立も停滞した。この時期に生き残った企業は、極めて限られたものとなった。
3.2.2 現実的な応用へのシフト
第二次AI冬は、AI技術の商業化に対する過度な楽観主義を終わらせた。産業界では、大げさな約束よりも、具体的で現実的な応用可能性に焦点を当てる姿勢が強まった。製造業における品質管理、金融業におけるクレジットスコアリング、石油探査における地層解析など、リスクの低い応用分野から徐々にAI技術が再導入された。この現実主義的なアプローチは、後のAI産業の持続可能な成長の基盤となった。
4 終焉と教訓
4.1 遺伝的アルゴリズムやニューラルネットワークの再浮上
第二次AI冬の時期にも、一部の研究者は新しいアプローチの研究を継続していた。特に、神経科学に触発されたニューラルネットワークの研究は、1986年にRumelhartらが誤差逆伝播法（バックプロパゲーション）を再発見したことにより、新たな注目を集めた。また、John Hollandによって提唱された遺伝的アルゴリズムも、最適化問題への応用可能性が認識されるようになった。これらの手法は、従来の記号処理アプローチの限界を補完するものとして、1990年代半ばから急速に発展した。
4.2 機械学習への注目
第二次AI冬の終焉期には、データ駆動型のアプローチである機械学習への関心が高まった。明示的なルールを人手で記述するエキスパートシステムの失敗から、統計的手法や確率モデルを用いてデータからパターンを自動的に学習する方法が有望視されるようになった。このパラダイムシフトは、AI研究の方向性を根本的に変え、後のディープラーニング革命への基盤を築いた。
4.3 長期的に見た研究投資の重要性
第二次AI冬の経験は、AI研究への投資が短期的な成果を期待するものではなく、長期的な視点に立つべきであることを示した。過度な誇大広告と非現実的な期待は、研究コミュニティと産業界の両方に悪影響を及ぼす。一方で、冬の時期に途切れることなく基礎研究を続けた研究者たちの努力が、その後の技術革新を支えた。持続可能な研究エコシステムの構築には、過熱と冷却のサイクルを避け、技術の本質的な発展に焦点を当てた安定的な投資が必要である。