AI全史

1985年的國會上，有人說明AI被稱為「現在是第二次熱潮」（譯）

東京大學的石井威望先生被請到國會（眾議院的委員會），他說明道：「據說這個AI現在正處於第二次熱潮」（譯）。他說，第1次是1960年代中期到後半期以美國為中心的嘗試，第2次是日本的第五代電腦計畫。可見，把熱潮按次數來數的看法，在第2次熱潮正當中就已經有了。

還不清楚的事：「第二次熱潮」這種說法，在1985年之前是誰先開始用的，還不清楚（這是在國會會議記錄範圍內找到的最早的一條）

1984年，「AI寒冬（AI Winter）」被用來稱呼未來可能出現的最壞情況

在AAAI-84的討論會上，主持人Drew McDermott說，研究者之間有一種擔憂：人們對AI的期待太高，總有一天會出大問題。他舉出的最糟糕的情形是：5年後strategic computing initiative（戰略計算計畫）慘敗，日本的第五代電腦也不順利，日本政府很快從電腦領域撤手，新興企業全部倒閉，與AI相關的事情再也拿不到錢。他把這種情形形容為「這種被一些人稱為『AI寒冬』的狀態」，並呼籲大家以此自我告誡，也把這一點傳達給社會。也就是說，「AI寒冬」是在第2次熱潮正當中，作為對未來的警告而出現的詞。把1970年代研究經費的減少稱為「第1次寒冬」，是後來才加上的叫法。

還不清楚的事：最先說出「AI Winter」的人是誰還不清楚（連討論中也只說是「被一些人」）。Ngram裡1983年那個很小的數值是哪本書，沒有確認。

以編號稱呼「第1次、第2次……熱潮」，主要是日本的計數方式（英語為「寒冬」編號）

查看英語書籍詞頻（Google Books Ngram），「AI寒冬（AI winter）」從1983年開始出現，在2010年代後半大幅增加。也有「第一次AI寒冬」「第二次AI寒冬」這類為寒冬編號的表達。另一方面，「第二次AI熱潮」「第三次AI熱潮」「第四次AI熱潮」沒有足夠的數量可供計數。日語中，1982年的雜誌可見「第一次人工智慧熱潮」（譯），1985年的書可見「第二次人工智慧熱潮」（譯），1985年的國會可見「第二次熱潮」（譯）。此外，從2014年起，學會期刊使用第一次、第二次、第三次AI熱潮的說法，2015年松尾豐書籍的章名，以及2016年之後的國家白皮書也都有使用。

還不清楚的事：尚未調查中文（第三次人工智能浪潮等）與韓語的計數方式。Ngram僅涵蓋截至2022年的書籍，因此2023年之後的英語表達還不知道

圖靈《論可計算數》——用想像中的機器定義什麼叫「可計算的」

艾倫·圖靈發表了論文《論可計算數及其在判定問題上的應用》。他把用紙筆計算的人的步驟，簡化成了一種只靠劃成方格的紙帶（代替紙）、每次讀寫1格的讀寫頭和有限個狀態運轉的「機器」（第1節、第9節）。他把這台機器能寫出小數的數，定義為「可計算」。他還證明，只要以紙帶接收其他機器的描述，就能造出1台可以計算任何可計算序列的機器（通用機器）（第6節）。接著，他又證明，不存在一種按固定步驟、必定能判定邏輯公式是否可證的方法（判定問題的答案）（第11節）。這個模型在第二年被命名為「圖靈機」，被視為計算理論和資訊科學的基礎模型。

麥卡洛克與皮茲的論文：用式子把腦中的神經細胞寫成「放電或不放電」的開關電路

沃倫・麥卡洛克和華特・皮茲發表了論文《神經活動中內在概念的邏輯演算》。他們認為，神經細胞（神經元）的活動是「全或無」（放電或不放電），所以神經網路的運作可以用命題邏輯（只有真、假2個值的邏輯）來描述。他們為計算設定了幾個前提：放電是全或無的；一定數量的突觸同時受到刺激就會放電；只要有1個抑制性突觸起作用就不會放電；網路的結構不隨時間改變，等等（第118頁）。他們還寫道，只要加上紙帶和讀取裝置，這種網路能計算的數就與圖靈機相同（第129頁）。這被視為後來人工神經元研究的起點。

還不清楚的事：論文本身也說明，能將會學習的網路換成結構不變的網路，這種「形式上的等價」並不是對真實大腦的事實所作的解釋（第117頁）。真實的神經並不是完全按照這些前提（全或無、結構不變）運作；這可用來理解模型與真實事物的差異。

圖靈發表論文，用「模仿遊戲」探討機器的智能

英國數學家艾倫・圖靈發表了一篇論文，把「機器能思考嗎？」這個問題換成「模仿遊戲」（imitation game）。這原本是一個由提問者只靠文字往來，猜出另一個房間裡的男女各自性別的遊戲。圖靈把問題改成：如果由機器扮演男性的角色，提問者會有多常判斷錯誤？論文也回答了9條反對意見，並討論透過教育來培養的「兒童機器」（child machine）的構想。

還不清楚的事：「圖靈測試」這個叫法是誰、在什麼時候最先使用的，本網站沒有查證過。

肯佩倫的「下西洋棋的土耳其人」——裡面藏著一個人

匈牙利普雷斯堡的貴族肯佩倫，在維也納宮廷裡為女皇瑪麗亞·泰瑞莎製作並展示了一台機器：一個穿土耳其式服裝的人偶坐在箱子上下西洋棋。它在歐洲和美國巡迴，讓許多人驚嘆，但其實是箱子裡藏著一個棋藝高超的人在操縱。1784年就已經有書出版，寫到有人藏在裡面下棋；1821年又出了一本用圖解藏身方法的書。這台機器在1854年毀於費城的一場火災。

打出「人工智慧」之名的暑期研討會計畫書

麥卡錫、明斯基、Rochester、夏農4個人起草了計畫書，打算在第二年夏天在達特茅斯學院舉辦「人工智慧」研討會，並向洛克菲勒基金會申請資金。計畫書從一個設想出發：學習的各個方面，以及智慧的其他任何特徵，原則上都「能精確描述到足以讓機器模擬」。它把機器使用語言、形成概念、自我改進等列為研究課題。申請的金額合計為13,500美元。

海軍的發布與報紙標題「海軍新裝置透過實作學習」

1958年7月，美國海軍在華盛頓為記者舉行了演示。氣象局的大型電腦IBM 704，經過大約50次試驗，學會了辨別卡片上的標記在右邊還是左邊。通訊社UPI的報導稱，海軍期待這個「胚胎」（尚未誕生的階段）將來能夠走路、說話、看、寫，還能自我複製，並意識到自己的存在。Rosenblatt在報導中說，它將成為第一台像人腦一樣思考的機器，一開始會出錯，但會憑經驗變聰明，也許能作為探險器被送往行星。專用的機器（感知器）當時還沒有，計畫用1年左右、花10萬美元來製造。

還不清楚的事：報導中所說的海軍的期待，究竟是海軍裡的誰說的，從報導中無從得知

預言「10年之內，電腦將成為西洋棋世界冠軍……」（1957年的演講）

賽門和紐威爾預言，10年之內電腦將成為西洋棋世界冠軍（除非規則禁止其參賽）。

後來：1967年4月時，最強的西洋棋程式之一（MIT的MAC HACK VI）只有業餘中級的水準（美國等級分1450）。1968年，西洋棋國際大師李維（Levy）與研究者們打賭，10年之內電腦能否戰勝他。1978年李維戰勝了電腦，贏得了賭局。電腦在6局比賽中戰勝在任世界冠軍（卡斯帕洛夫），是在預言之後約40年的1997年5月（IBM的深藍，3.5比2.5）。另外，電腦從未獲得過人類世界冠軍的稱號本身（預言裡也寫了「除非規則禁止它參賽」）。

路徑搜尋A*（A-star）—— 用「已走過的路程＋到終點的估計」來搜尋

彼得·哈特、Nils Nilsson、伯特倫·拉斐爾發表了論文「A Formal Basis for the Heuristic Determination of Minimum Cost Paths」。針對在連接各地點的圖中找出費用最小路徑的問題，他們建立了把問題本身給出的線索（啟發式：憑經驗或估計得到的捷徑智慧）納入其中的理論，並證明了某種搜尋方法是最佳的（論文摘要）。據Nils Nilsson的回憶，為了機器人「Shaky」的路徑搜尋，在Nils Nilsson提出的用到終點的「直線距離」作估計的方案上，加入了拉斐爾提出的加上「到目前為止走過的路程」的方案。然後，哈特證明了只要估計值不超過實際剩餘距離，就一定能找到最短路徑。這種搜尋方法被命名為A*，現在也用於汽車導航的路線引導和遊戲等（Nilsson 2010）。

以文字交談的程式ELIZA。作者論文的1個目的，是揭開看似神奇的魔法背後的機制

MIT的Weizenbaum先生在論文中發表了可以與電腦用文字對話的程式ELIZA。它的機制是從人輸入的句子中找出關鍵字，按照規則重新組合後作為回答。對話對象的角色可以透過更換「腳本」來改變，1966年時除了英語，還有威爾斯語和德語的腳本。在論文開頭，他本人寫道，如果用淺顯的語言講明白程式的內容，魔法就會崩塌，人們就會明白它不過是一堆步驟，這篇論文就是為此而寫的，大意如此。

手寫郵遞區號的自動讀取分揀機（東芝・郵政省，1968年）

1968年7月1日，郵遞區號制度開始的那一天，東芝在郵政省的指導下研發的郵遞區號自動讀取分揀機（TR-3・TR-4）在東京中央郵局公開亮相。由機器辨識人們隨意手寫的數字來分揀郵件，被認為是世界首例。他們分析了從全國收集的約30萬個手寫數字，調查字形的習慣容易出現在哪裡，再用光學濾光片消去紅框，只擷取數字的筆畫。它以每1秒約6封的速度讀取前3位，認不出來的字作為「拒絕讀取」交給人工處理。

還不清楚的事：「世界上第一次」這一說法，來自日本的學會、博物館和公司的說明。我們沒有翻開過與外國同一時期機器作比較的資料。

賽門的預言「20年之內，機器將能做人類能做的任何工作」（1965年的書／原文出自1960年的論文）

賽門在1965年的著作中寫道，機器將在20年內能做人類能做的任何工作。原本的1960年論文則寫道，在遠短於25年的時間內，將擁有以機器取代組織中人類任何功能的「技術能力」。但他隨即說明，技術上做得到的事，與實際如何使用技術，是兩回事。接著，他假設長期而言，幾乎所有想工作的人都能工作（充分就業），並主張人與機器的分工取決於「比較利益」（各自負責相對擅長的事）。

後來：沒有找到認為到1985年機器已能做人的任何工作的資料。Nilsson（2010）談到賽門1957年的同類說法（機器能處理的問題範圍將與人的頭腦一樣廣），認為即使到2010年也仍然遙遠。另一方面，賽門本人把技術能力與就業分開考慮，預計從長遠看失業不會增加（在1966年的回信裡，他寫道失業率不到4%，而且在下降）。

「第1次AI寒冬」是從哪一年到哪一年？──不同資料有不同答案。也有歷史學家認為「並不存在第1次AI寒冬」

日本總務省的白皮書（2016）把1970年代稱為「寒冬時期」（譯），Wikipedia則列為1974〜1980年。另一方面，撰寫AI歷史的研究者Nilsson（2010）把1975〜1985年左右稱為AI的「繁榮期（boomtimes）」，認為「AI寒冬」是1980年代後半的事。歷史學家Haigh（2023）則根據電腦學會ACM的AI分會（SIGART）會員在1973〜1978年增加到近3倍等情況，主張「並不存在第1次AI寒冬」。其實，「AI寒冬（AI Winter）」一詞較早的使用例子出現在1984年，用來表達對未來可能到來的寒冬的擔憂。

還不清楚的事：沒有找到按國家、按年份排列的1970年代AI整體研究經費的數字。算不算「寒冬」，取決於以什麼為標準（大型研究所的預算／學會的會員數／這個詞的使用情況），答案會不同。

明斯基與派珀特的『感知器』：用數學指出簡單網路的侷限

MIT的Marvin Minsky與Seymour Papert在這本書中，用數學分析Rosenblatt在1950年代製作的學習機器「感知器」（利用類神經網路辨識圖樣的機制）。他們證明，若限制每個零件所觀察的點數，就無法辨識比「只能二選一」（XOR）更複雜的「點的數量是偶數還是奇數」，或「圖形是否連成1個整體」。對於多層網路，他們提出即使擴展也「沒有成果」的直覺判斷，同時也指出，驗證（或推翻）這個判斷是重要的研究課題（Pollack引用的p.231）。

英國的萊特希爾報告：「在這個領域的任何地方，至今的發現都沒有產生當時承諾的重大影響」

受英國的研究資助機構（科學研究會議SRC）委託，流體力學大家James Lighthill 1個人縱覽AI研究後整理出的報告。他把AI分為A（自動化）、B（製造機器人等的橋接）、C（用電腦研究大腦和神經的研究），認可了A和C，對B則很嚴厲。對於進展不順的重大原因，他指出研究者沒有意識到要搜尋的組合數量爆炸式成長的現象（組合爆炸）。這份報告之後，英國對AI研究的信任和研究經費大幅下降。

中野馨（東京大學）的「聯想器（Associatron）」：模仿大腦的記憶機制，看到一部分就能想起整體

東京大學的中野馨發表了「聯想器（Associatron）」這一機制：把資訊作為0和1的模式分散地記在整個網路裡，從其中一部分回想出全體。線索越大回想得越準確，線索小則回想得模糊。它是對大腦的神經網路加以簡化的模型，並指出可以用只有相鄰元件相連、同時工作的形式構成。他在電腦上做了實驗，還展示了應用於概念形成和遊戲的例子。

MYCIN：以「如果……那麼……」規則為醫師提供感染症用藥建議的AI。評估表現堪比專科醫師，卻未在醫院常態使用

史丹佛大學當時的醫學生Edward Shortliffe等人，開發了MYCIN程式，為醫師提供細菌感染症（血液感染，後來也包括腦膜炎）的用藥建議。他們將醫師的知識寫成「如果（檢查結果是……），那麼（病菌可能是……）」的規則（最初約200條，1978年約500條），也讓程式能說明判斷理由。1979年的評估中，針對10名腦膜炎病患，史丹佛大學以外的8位感染症專科醫師，在處方來源名稱被隱去的情況下，為MYCIN與醫師們的處方評分。MYCIN的處方有65%被評為「可以接受」，史丹佛的5位專科醫師則為42.5〜62.5%（平均55.5%）。即便如此，開發者的書仍記載：「MYCIN從未在病患診療中常態使用」。

還不清楚的事：「法律和責任」的說法是誰、什麼時候最先提出的，沒有查證。

1984年，AI大會的展示會場出現「造出了更好的大腦」的宣傳──記錄當時「這次終於成真」的氣氛

科學記者George Johnson記述了1984年8月美國人工智慧協會（AAAI）大會展廳裡的情形。多數研究者是來討論一點一點進展的，但參展企業中有些公司的表現，彷彿創造擁有人類智慧的夥伴這一古老的夢想已經實現。一款把專家知識寫入的AI工具TIMM的宣傳冊聲稱「造出了更好的大腦」，還寫道專家系統不會生病，也不會辭職或提前退休。記者寫道，推銷者的話有時聽起來像「宣告新時代的先知」。

還不清楚的事：銷售TIMM的公司叫什麼名字，報導裡沒有寫。

仙台市地下鐵通車，列車自動駕駛採用「預見模糊控制」（處理模糊性的規則式AI）

1987年7月15日，仙台市地下鐵（日本第9個城市地下鐵）開通。日立製作所開發的列車自動運行裝置採用了「預見模糊控制」。它是用「IF〜THEN〜形式」（譯）（如果……就……的形式）寫成的AI（知識工程）規則，用來取代熟練司機的技術。文章寫道，乘坐舒適度和停車精度得到提高，也實現了節能，並把這種預見模糊控制介紹為「世界上第一個」（這是研製公司的文章裡的說法）。

還不清楚的事：「世界上第一個」是研製公司文章裡的說法，沒有用其他資料查證過。

1981年的展望：據說在1990年代初，將出現有眼、耳、口，聽得懂話，也能自動翻譯與口譯的電腦

計畫開始前的調查（1979〜1981年，委員長為東京大學的元岡達）報告記述，以1990年為目標年份完成原型機。向一般讀者解說的小冊子寫道，第五代電腦「據說將在1990年代初出現」（譯），要「到1990年做出原型」（譯）（製作原型機），就必須盡早開始研究。它列出8項期望的功能，包括能直接處理語音、圖形、影像與文字的「有眼、耳、口的電腦」（譯），能用日常語言交談的「聽得懂話的電腦」（譯）（憑藉這項能力，也能自動翻譯與口譯），具有常識、能推論解決新問題的電腦，以及不寫程式也能使用的電腦。

後來：計畫在1982—1992年度實施。據1993年的最終評估報告書，推理速度的目標（1秒1億次）以1億5千萬次以上的成績達成並超過。另一方面，通過聲音和影像與人交流的機制，被發現需要大量背景知識，中途改為只專注於語言研究的基礎，因此沒有做到造出具體機制。所長渕一博先生在1992年說，製作機器翻譯這類應用系統，在1982年計畫開始時就已經從目標中去掉了。

還不清楚的事：寫有翻譯詞數、正確率等數字目標的「研究開發課題說明書」（1981年，7個小組26個課題）沒有找到，因此未能查證。

第五代計畫的成果：平行推論機器PIM與語言KL1（最大的機器有512台，5種型號合計超過1,000台）

第五代電腦計畫研製出把許多台電腦連起來、同時進行推論（從規則推出結論）的「平行推論機器PIM」（譯），以及它的專用語言「KL1」，並於1992年6月在國際會議FGCS'92上發表。KL1是近山隆先生以研究員上田和紀先生設計的語言GHC的機制為基礎設計的（出自所長渕一博先生的演講）。PIM做出了規格各不相同的5種型號，其中最大的PIM/p用了512台電腦，1秒內能做1億5,600萬次推論。5種型號加起來超過1,000台。最終評價寫道，這超過了1秒1億次的目標。

還不清楚的事：計畫結束後PIM是怎麼使用的（有多少台在哪裡運行了幾年），還沒有查證。

「第五代電腦失敗了」的說法──當事人、評估委員會、外部研究者各自怎麼寫

1992年6月，在計畫收尾的國際會議（FGCS'92）剛結束之後，報紙The Baltimore Sun的社論（寫給美國企業看的）寫道，該計畫的「失敗終於在6月1日東京的研討會上被承認」。然而，在這場會議的主題演講中，所長渕一博先生介紹說「國內外出現了認為這個計畫失敗的評論」（譯）。他接著解釋，「想在10年內解決人工智慧（AI）的難題」（譯）「正在嘗試打造達到人類程度的機器翻譯系統」（譯）之類的宏大形象，是從計畫開始前1981年的會議起傳開的。他說，1982年開始的計畫內容要低調得多（平行推論），他相信這是成功的。推進委員會的最終評價（1993年）也認為「充分滿足了最初的期待」。通商產業省的研究所報告（1995年）寫道，因為沒有做成產品就說是失敗，是沒有充分理解計畫目的（基礎研究和國際貢獻）的看法。但同一份報告也寫道，所造電腦的機制本身，由於小型電腦的進步，被認為不太可能用於未來的技術。外部研究者寫的歷史書（Nilsson 2010）則寫道，許多人認為這些成果如今只有歷史意義。

還不清楚的事：「失敗」的評價最初是從美國哪裡傳開的（例如1992年6月New York Times的報導《『第五代』成了日本失落的一代》），因為打不開那篇報導，沒有查證。

以誤差反向傳播法訓練多層類神經網路的論文刊登於Nature

Rumelhart、辛頓、Williams發表了訓練在輸入與輸出之間帶有「隱藏層」的類神經網路的方法。他們把輸出與正確答案的差（誤差）從輸出端依序傳回輸入端，同時逐步更新連結的強度（「反向傳播誤差」＝誤差反向傳播法）。實驗顯示，隱藏層會自行表徵沒有被教過的特徵。

還不清楚的事：隱藏層裡表示了什麼，人要讀懂，在這篇論文的小例子（家譜）裡是做得到的。但在大的網路裡，至今只弄清了一部分（與第4次的單元相連）。

1984年的討論描繪的「AI寒冬」最壞情境──與後來的發展對照

美國人工智慧協會（AAAI）的大會上，舉行了一場題為「AI的黑暗時代──能避免嗎？能撐過去嗎？」的討論會。主持人Drew McDermott說，在產業界的熱鬧背後，多年從事研究的人心中有著源於這樣一種擔心的深深不安：「也許人們對AI的期待太高了，最終會招致災難」。他描繪了一個最壞的情境：5年後美國的「戰略運算計畫」失敗，日本的第五代電腦也陷入僵局，創業公司倒閉，對AI的資金停止，大家都改掉研究的名字。他介紹說，有人把這種狀態稱為「AI寒冬」。不過他本人也表示，認為這種情形發生的可能性不大。討論中，另一位研究者（Roger Schank）說，他被問到是否認為災難會來時回答說會來。另一方面，也有人提出了「會有AI寒冬嗎？我認為可能會迎來AI的黃昏」這樣的意見（同一個人接著說，泡沫也許不是破裂，而是稍微縮小一點）。

後來：後來，計畫的重點中的1個——自動駕駛車（ALV）的開發於1988年4月被終止。1987年上任的主管部門負責人也終止了一部分AI計畫。該計畫於1993年從DARPA的預算中消失。美國人工智慧協會的會員數在1987年達到16,421人的峰值，到1996年穩定在4,000~5,000人。開發專家系統的AI企業，多數倒閉、被收購或轉了行。日本的第五代電腦計畫在1992會計年度結束了主體部分。Nilsson寫道，這些事件在1980年代中後期相繼發生，被稱作「AI寒冬」。

還不清楚的事：情形中的1個「大家都急忙把研究計畫的名稱改成別的」在1990年代是否真的發生過，沒有用原始資料確認（u08 中處理的候選內容）

LSTM：能記住長句子或聲音前面部分的類神經網路問世

Sepp Hochreiter和Jürgen Schmidhuber發表了LSTM，在處理時間序列資料（聲音或文字排列）的類神經網路中，加入「記憶單元」以及控制資訊進出的「閘門」。先前的方法中，用誤差反向傳播法修正網路的訊號，隨著時間向前回溯，會消失（趨近於零）或膨脹，因此無法記住很久以前的資訊。LSTM能保留並利用相隔1000步以上的過去線索。

Vapnik等人製作支援向量機，在資料之間劃出最寬的道路來分類

劃一條線把2類點分開時，就把線劃在離兩邊的點都盡可能遠的、最寬的路的正中間。這樣，對第一次見到的點也能分得好。Vapnik等人把這個想法做成了只需用路邊的少數幾個點（支援向量＝撐住這條路的點）就能運算的形式。在手寫數字集MNIST上，錯誤率為1.1%（Cortes和Vapnik），成績接近類神經網路LeNet。到2000年前後，這類方法成為實際應用中的主流。

普林斯頓大學的李飛飛等人發表ImageNet，收集數百萬張附有名稱的照片。核對的是透過網路接工作的工作者

李飛飛等人以按階層結構整理概念的字典WordNet為基礎，發表了ImageNet：為約8萬組名詞，各收集平均500〜1000張照片（論文的例子是「緬甸貓」（譯））。發表時已達12個領域、5247個類別、320萬張。影像透過搜尋引擎收集；照片是否正確呈現目標物體，由全球在Amazon Mechanical Turk接工作、領取報酬的工作者逐張核對，再以多人投票決定。

還不清楚的事：關於工作者的人數、居住國和報酬金額，這篇論文中沒有記載（未確認）。

影像辨識大賽（ILSVRC 2012）：多倫多 大學的深層卷積類神經網路（SuperVision）以大幅差距獲得第1名。第2名是東京大學團隊

在從照片中辨識1000種物體的比賽裡，Krizhevsky、Sutskever、辛頓的團隊「SuperVision」，在允許回答5次的規則下把 錯誤率 壓到了15.3%（僅使用比賽提供的資料時為16.4%）。第2名東京大學的團隊（ISI）為26.2%，相差約11個百分點。他們用2塊遊戲用的GPU（影像處理用的半導體，NVIDIA製造），訓練了一個擁有6000萬個參數的8層類神經網路。比賽的主辦方在後來的論文中寫道，這一年是「轉捩點」。

辛頓等人發表讓深層網路「每次1層」學習的方法，通向「深度學習」的重要一步

層數很多的類神經網路，只靠誤差反向傳播法很難學好。辛頓等人提出的方法是：先每次學1層，不提供正確答案，讓網路抓住「資料的特徵」（預訓練），再用誤差反向傳播法調整整個網路。在手寫數字資料集MNIST上，錯誤率為1.25%（Neural Computation的論文）；在用少量數值表示影像和文件的任務上，效果也比先前的方法好（Science的論文）。

預測電影喜好的100萬美元獎金比賽「Netflix Prize」（2006〜2009年）：冠軍由20分鐘之差決定

2006年10月，當時出租電影DVD的Netflix舉辦了一場大賽：只要能把電影評分預測得比自家的推薦系統（Cinematch）準確10%，就頒發100萬美元獎金。他們發放的資料是：把姓名換成編號的約48萬人，對約1萬8000部電影打出的超過1億條評分（1—5顆星）。約3年後的2009年9月21日，BellKor's Pragmatic Chaos隊奪冠。第2名的隊伍得分相同（誤差0.8567，提高10.06%），但提交時間早了約20分鐘的一方獲勝（依據的是同分則先提交者勝的規定）。

AlphaGo以4勝1負戰勝世界一流棋手李世石（首爾）

2016年3月，在韓國首爾，AlphaGo與曾18次獲得世界冠軍的李世石九段進行了不讓子的5番棋比賽。AlphaGo以4勝1負獲勝。第4局，李世石九段憑藉第78手出人意料的一著取得了勝利。DeepMind宣布，將100萬美元獎金捐給教育和圍棋團體以及聯合國兒童基金會。

讓圍棋軟體變強的「蒙地卡羅樹搜尋」所依據的2篇論文

圍棋1個局面可下的著法很多，局面的評估也困難，所以西洋棋那樣的搜尋方法沒能讓圍棋變強。2006年，法國的庫隆（Rémi Coulom）的論文提出了新的搜尋方法（蒙地卡羅樹搜尋，MCTS）。它從某個局面出發，一直隨機下到終局，多次重複（蒙地卡羅），按勝率比較著法，越有希望的分支查得越深。庫隆用9路棋盤的圍棋軟體Crazy Stone，贏得了電腦圍棋比賽（KGS）的冠軍。同一年，匈牙利的Levente Kocsis和Csaba Szepesvári提出了決定該試哪些分支、各試多少次的方法UCT。10年後的AlphaGo論文（2016年）把這2篇作為MCTS的文獻引用，並將MCTS與2個類神經網路（預測下一手和評估局面）相結合。

資訊處理學會認為電腦將棋「已追上頂尖職業棋士」，宣布計畫結束

資訊處理學會從2010年起推進以實現「戰勝頂尖職業棋士……的電腦將棋」為目標的計畫。2015年10月，學會以「分析結果顯示，到2015年時已經追上頂尖職業棋士」為由，宣布計畫結束。據說明，所謂「正在趕上」，並不是指每次都贏，而是指下很多盤的話，贏多輸少的可能性很大。不過在這個時間點，與頂尖職業棋士的直接對局還沒有實現。

後來：大約1年半後的2017年4月1日和5月20日，將棋軟體PONANZA 2盤都戰勝了名人佐藤天彥（以叡王身分出場）。主辦方在這場對局後結束了電王戰。

牛津大學的研究：「美國全部就業機會中有47%屬於高風險類別」（被電腦取代的風險，2013年）

2013年9月，牛津大學的卡爾·貝內迪克特·弗雷（Carl Benedikt Frey）和邁克爾·奧斯本（Michael Osborne）發表論文，對美國的702種職業估算了被電腦取代的機率。論文認為，美國47%的就業機會「高風險」。這個數字後來被當作「工作會消失的預測」，也成了檢驗的對象（例：ITIF在2022年的文章，標題為「哎呀：預測中AI造成的47%就業機會流失並沒有發生」。出自本站之外另行調查的、對工作預測進行驗證的記錄）。詳細內容和之後的檢驗，記錄在本站之外的另一項調查（AI時代的工作預測的驗證）中。

成為如今文字AI基礎的「Transformer」論文發表

Google的研究者與多倫多大學的學生共8人，發表了新的AI結構（Transformer）。它只使用一種機制，將「注意力」放在句子中哪些詞彼此有關係。論文測試了英語翻譯成德語與法語等任務，用較短的訓練時間取得比以往更好的成績。後來的GPT與BERT都以這個結構為基礎（已在各自的論文中確認）。

對話式AI「ChatGPT」作為免費的「研究試用版」公開

OpenAI公開了對話式AI「ChatGPT」。發佈文章說，它能回答後續追問、承認自己的錯誤、指出錯誤的前提，並拒絕不當的請求。它的內部，是對2022年初完成訓練的GPT-3.5系列，讓人類給回答打分後再進行調整。文中寫道，在「研究試用版」期間可以免費使用，目的是收集使用者的回饋。

還不清楚的事：發佈文章把難以糾正錯誤的原因中的1個，說成是「在強化學習訓練期間，目前沒有正確答案的來源」。聽起來合理的錯誤（後來被稱為「幻覺」）為什麼、何時出現，開發者在當時也寫道「很困難」。

「ChatGPT在2個月內有1億人使用」來自銀行分析師根據網站造訪量所做的估計，並非公司公告

2023年2月，「ChatGPT公開2個月就有1億人使用，是史上傳播最快的應用」這一消息傳遍世界。追根溯源，它來自投資銀行瑞銀（UBS）分析師的一份備忘錄，是根據網路分析公司Similarweb的數字總結出的「估計1月的每月使用者人數為1億人」（引號內是轉述這份備忘錄的路透社報導的措辭）。路透社寫的是「估計」，Similarweb當時沒有回應對數字的核實。《衛報》的正文則把它作為Similarweb的數字介紹：「1月約有5億9,000萬次造訪，來自1億名不同訪客」。

規模越大，效能就按固定比例提升的法則論文，但作者自己註明「這個趨勢終有一天必然會達到極限」

OpenAI和約翰斯·霍普金斯大學的研究者指出：語言模型的成績（用預測下一個詞彙的難度來衡量），在增加參數數量、訓練資料量和計算量時，會按整齊的固定形式（冪次法則）變好。這種形式在7個數量級（1,000萬倍）以上的範圍內都持續成立。這個想法後來成了製造更大AI的競賽的基礎中的1個。

還不清楚的事：已經清楚的：就2020年之前調查的範圍而言，規模越大，效能就按固定的規則提升。尚不清楚的：能持續到哪裡，為什麼會這樣（論文自己寫道「終究會到達上限」「我們並沒有扎實的理論理解」）。

AI能否在2025年以前拿到數學奧林匹亞金牌──2022年，2位研究者分別預測低於8%與高於16%。2025年7月，結果揭曉

AI研究者保羅·克里斯蒂亞諾和埃利澤·尤德科夫斯基對AI進步的看法不同。於是他們公開了一個能分出對錯的預測：在國際數學奧林匹亞（高中生的比賽）中，「在比賽前開發的AI……能在2022〜2025年中的某一年拿到金牌」的機率（時間等規則按IMO大挑戰的規定）。克里斯蒂亞諾說低於8%，尤德科夫斯基說16%以上。對於解出最難一道題的機率，克里斯蒂亞諾預測低於4%。2025年7月，Google DeepMind宣佈，Gemini的增強版6道題中完整解答了5道，42分中拿到35分（金牌分數），並由比賽的評分員正式評分並確認。它在4.5小時的限時內，用普通的自然語言寫出了解答。

後來：2025年7月，Google DeepMind的Gemini增強版在42分中拿到35分（金牌分數）。比賽的評分員正式評分，國際數學奧林匹亞的主席確認為「金牌分數」（不過據部落格所述，確認的是解答，並不是對AI結構的驗證）。比賽在4.5小時的限時內進行，最難的一題（第6題）沒有解出（6題中解出5題）。兩種預測都是機率，無法斷定中或不中，但實際結果更接近把機率估得較高的一方（高於16%）。

96名專家的國際報告（包括由30國等選出的諮詢委員會）：「（通用AI的）模型內部運作大多難以理解，連開發者也不例外」「專家們對未來幾個月、幾年會發生什麼也意見不一」

以布萊切利會議（2023年）為契機，由約書亞・班吉歐領導的96名專家（包括由30國及聯合國、EU、OECD選出的諮詢委員會）彙整了AI安全性的國際報告（日本代表為北野宏明）。報告說明，通用AI模型「並非以傳統意義上的方式編寫程式」，而是透過訓練建構，並寫道「這些模型的內部運作，連開發者也幾乎無法理解」「目前用來解釋通用AI模型為何產生某個輸出的可解釋性技術，仍然非常有限」。關於今後的進展，報告指出通用AI的能力提升「可能進展緩慢、迅速或極其迅速」，並表示「由於對進一步擴大規模（scaling）的前景看法不同，專家對今後的進展速度意見不一」。2026年2月的第2次報告也指出，「研究人員無法確切預測某種能力何時會出現」「對於投入（計算、演算法改進、資料）的指數成長是否會持續，專家們意見不一」。

還不清楚的事：尚未知道的事（由各國選出的專家指出）：①現代大型AI的內部運作（內部機制連開發者也幾乎無法理解，解釋技術也非常有限）。②今後的進步速度（從緩慢到極快都有可能。專家對擴大規模能發揮多大效果，意見不一）。2026年報告中，同樣的不確定性仍持續存在。

認為AI預言多指向15〜25年後 的研究（現在論文開頭附有「這篇論文的結果是根據資料集中的錯誤得出的」這項註記）

這篇論文收集並分析了95條關於AI實現時間的預言。它認為「15〜25年後」這類預言最多，而且專家和非專家的預言無法區分。公開的PDF第1頁上，現在帶有一條注：「這篇論文的結果是根據資料集中的錯誤得出的」。錯誤的原因是把區分是否為專家的分類列讀錯了（AI Impacts在2016年指出）。

還不清楚的事：預言是否集中在大約20年後，會因資料的製作方式而改變。目前並不明確。

追溯國家教材的預言「到2025年，效能將達到可以完整模擬一個人大腦的程度」（譯） ── 源頭是庫茲威爾2005年著作中，超級電腦速度圖上的一條線

文部科學省的高中「資訊Ⅱ（日本高中資訊科目）」（譯）教師教材（2020年），根據總務省2014年資訊通信白皮書的資料寫道：假設計算速度持續以目前的速度提升，到2025年，效能就能達到完整模擬一個人腦的程度（模擬是指在電腦中模仿其運作）。追溯出處，白皮書是在圖表3-1-1-4「運算速度的提升」（譯）中記載這段話，而非本文。該圖來自木谷強（資料封面標示為NTT DATA技術開發本部）在2014年2月13日總務省會議上提出的資料。資料寫明，是根據雷·庫茲威爾2005年的著作「奇點將至」中的圖製作的。原圖描繪了超級電腦速度的各個數據點（FLOPS：1秒內能做幾次小數運算），以及每1.2年變成2倍的直線（Trendline）。在直線達到10的19次方FLOPS的位置，註記為「為了上傳所需的人腦神經模擬（2025）」。也就是說，原始資料談的是計算速度的展望，而非腦模擬本身。

後來：計算速度的檢驗：按與原圖相同的指標（超級電腦性能排行榜TOP500所用的HPL值；原圖也把TOP500列為出處），2025年11月位居榜首的El Capitan（美國）為1.809百京次（每秒約180京次），只有10的19次方FLOPS的約5.5分之1。2026年6月登上第1位的LineShine（中國）為2.198百京次，也還沒有達到。另一方面，在測量混入低位數運算的方式（mixed-precision）的另一個榜單HPL-MxP（原HPL-AI）上，2025年11月，El Capitan（16.680）、Aurora（11.643）、Frontier（11.390）這3台突破了10的19次方FLOPS。至於10的16次方FLOPS（圖中預測為2013年），日本的「京」早在2011年11月就以10.51千兆次達到了。腦模擬的成果：2013年，用「京」的全部計算節點模擬了17億3,000萬個神經細胞和10兆4,000億個突觸（約為人腦神經迴路的1%），但再現腦1秒鐘的活動花了40分鐘（理化學研究所等）。2018年，理化學研究所寫道，即使是當時性能最高的超級電腦，也無法模擬人腦整體的規模，並公布了面向2020年以後的下一代超級電腦實現它的做法。2025年11月，艾倫研究所和電氣通信大學等使用「富岳」，發布了對小鼠整個大腦皮層（約1,000萬個神經細胞、260億個突觸、86個腦區）的詳細模擬。艾倫研究所的Anton Arkhipov表示，長期目標是對整個大腦建模，將來也以人腦模型為目標。在本站打開的當事者發布中，沒有任何一份說在2025年之前模擬了整個人腦。

還不清楚的事：模擬整個人腦實際需要多少計算，不同的估算者差別很大。同一份2014年「資訊通信白皮書」別的章節的註釋裡，引用了IBM的莫哈（Modha）2008年的說法：2018年以38.5千兆次（petaflops，約4×10的16次方）就能模擬人腦。這與庫茲威爾圖中的10的19次方相差約260倍。要 模仿神經 細胞到多細的程度，所需的速度就不同（例如，2025年「富岳」的模擬據發表，連神經細胞分支中的電流都模仿了）。到2025年為止是否在任何地方都沒有模擬過整個人腦的例子，本站沒能完全確認（打開的只有當事者的3份發布）。