CHAPTER 01/1940〜2026

一波波熱潮與編號方式

引言:人們對AI的期待曾幾度高漲、幾度消退?又該怎麼數?

AI曾多次經歷期待高漲的時期(熱潮)和消退的時期(寒冬)。「第1〜4次」這種編號是日本常用的計數方式,是後來的人加上去的。這一章裡,我們親手重新計算詞語的出現次數,確認浪潮的形狀和編號的由來。

011950〜2026·詞語的浪潮

用詞語的出現次數看熱潮

熱潮有多大,肉眼看不見。數什麼,才能看出浪潮的形狀呢?

人工智慧(AI)是指用電腦重現人類智慧活動(思考、學習、辨別、說話等)的研究和技術。人們常說,AI曾多次經歷期待高漲的時期(熱潮)和消退的時期(寒冬)。

為了看出熱潮有多大,本站按年份計算了詞語被使用的次數。一共有4類:英語書籍中的artificial intelligence、世界各地論文的標題、日本書籍的書名,以及日本國會的發言。右圖在每個框內,把所看範圍中數量最多的那一年設為1,將各年的數值換算成同一尺度。

按下「截至2011年」,被如今巨大浪潮蓋住的1980年代高峰就會顯現。4個框裡都在1980年代中期到1990年左右有一座高峰,2000年代進入低谷,2010年代起又再次增加。

換算後的值 = 該年的數量 ÷ 所看範圍中數量最多那一年的數量
該年的數量
英語書籍是每100萬詞中出現的次數,論文是每1萬篇中的篇數,日本書籍是冊數,國會是發言件數

同1個框內的線使用相同尺度。不同框的尺度不同,所以只比較形狀。

圖所展示的:用4種不同資料計數,都在1980年代中期〜1990年左右出現高峰,2000年代出現低谷,2010年代起再度增加。縮小查看範圍,就能看見被現在巨大浪潮遮住的早期高峰。

021940〜1995·稱呼

1950年代的詞是

在這個詞普及之前,會思考的機器叫什麼?

我們來看英語書籍中,詞語每100萬詞出現的次數。1950年代用得最多的是 electronic brain(電子頭腦),1956年最多(約0.21次)。1956年也是這個名稱誕生的年份。artificial intelligence(人工智慧)在1962年超過了電子頭腦。

即使是被稱為的1965年,人工智慧也只有約0.11次,只有1987年高峰(約2.0次)的約18分之1。

在右圖把縱軸刻度切換成「每格10倍」,就能看清小數值的變化。使用「一般」刻度時,1960年代幾乎看起來都是0。稱呼一變,只追蹤1個詞的浪潮,就會從某個時候開始看不見。

每100萬詞中的次數 = 該詞出現的次數 ÷ 該年書籍的總詞數 × 1,000,000
每格10倍的刻度
每上1格,數值就變成10倍的刻度(對數刻度)
以為知道的事常見說法:1960年代是AI的黃金時代
原始資料中:按在英語書籍中的出現次數來看,1965年只有1987年高峰的約18分之1。1950年代出現得多的,是這個不同的詞

圖所展示的:1950年代常用的是「電子頭腦」,「人工智慧」在1962年才超過它。只追蹤1個詞,稱呼一變,浪潮就會看不見。

031950〜2025·比例

論文本身的數量也在增加

AI論文增加到8倍,就能說人們對AI的關注也變成了8倍嗎?

世界各地的論文中,標題含有 "artificial intelligence" 的論文,1987年有585篇,2018年有4,640篇。只看數量,大約是8倍。但同一期間,全球論文總數也從約173萬篇增加到約1,044萬篇。

於是我們換算成每1萬篇論文中的篇數(比例)。1987年約3.4篇,2018年約4.4篇,只增加到約1.3倍。

在右圖切換看看。按篇數本身來看,2005年(565篇)似乎又回到接近1987年高峰的高度。按比例來看,2008〜2010年的約0.8篇則是很深的低谷。換一種計數方式,寒冬就會出現或消失。

每1萬篇中的篇數 = 標題含AI的論文數 ÷ 該年全部論文數 × 10,000
下方的圖表
以1987年為1的倍數。2條線之間的差距越大,表示論文數量本身和比例的差別越大

即使換算成比例,論文標題的命名趨勢,以及OpenAlex收錄的論文範圍,每年也不一樣。

圖所展示的:AI論文雖然增加到8倍,但論文總數也增加到6倍,所以換成比例,只增加到1.3倍。改變計數方式,寒冬就會出現或消失。

以1987年為1的倍數(縱軸為每格10倍的刻度)
04正規表示式·前處理

只用「AI」2個字搜尋

只要搜尋「AI」這2個字,就能正確計算AI話題的數量嗎?

在日本國會的發言中搜尋「AI」這2個字,連藥害愛滋事件的 AIDS、保險公司的 AIG、飛彈名稱 AIM9L 都會被搜出來。

所以本站讀了搜尋到的句子內容,再決定是否計入,並制定規則:只計算前後都沒有其他羅馬字母相連的 AI。像這樣用簡短的寫法表示文字排列模式的方法,叫作正規表示式。

右圖是從國會發言中擷取的18個句子,並列呈現人讀過後的判斷和規則的判斷。關閉開關,就能看到哪些句子會被誤算。

(?<![A-Za-zA-Za-z0-90-9])(AI|AI)(?![A-Za-zA-Za-z])
(?<!…)
緊接在前面不出現……
(?!…)
緊接在後面不出現……。[A-Z]表示 A〜Z 中的任意1個字元

即使這18個句子的判斷正確,也不保證其他句子都正確。例如用羅馬字拼寫的人名,只靠這條規則也無法辨識。

圖所展示的:只搜尋「AI」這2個字,連 AIDS、AIG 和飛彈的名字都會算進去。加上前後不能接著羅馬字母的規則,就能與人工閱讀的判定一致。

051975〜2026·前處理

消除不存在的高峰

重新計數前後,浪潮的形狀會改變多少?

在國會發言中直接計算「AI」這2個字,1996年有85件,2009年有152件,2012年有746件,形成了高峰。內容分別是藥害愛滋事件的 AIDS、保險公司的 AIG、退休金事件的 AIJ。用前一個跨頁的規則重新計數,這3個年份都變成0件。

日本書籍的書名也發生了同樣的事。國立國會圖書館的搜尋也會比對假名讀音,所以搜尋「AI」,連書名中有「愛」的書也會出現。1990年搜到了152冊,但書名中AI獨立出現的書只有14冊。

在右圖切換「恢復原樣」和「重新計數」。下方的圖表是搜尋到的數量中,重新計數後留下的比例。國會發言中,2015年只有4%的比例,到2019年變成了95%。

留下的比例 = 重新計數的數量 ÷ 直接計數的數量

重新計數的規則,是人讀過搜尋結果後制定的,並按年份保留了計入和未計入的例子。

以為知道的事常見說法:只要搜尋「AI」這2個字,就能知道AI話題的數量
原始資料中:國會發言中,1996、2009、2012年出現了和AI無關的高峰。查看內容後重新計數,這些高峰就消失了

圖所展示的:直接計算「AI」這2個字的次數,會在1996、2009、2012年出現與AI無關的高峰。重新計數後,這些年份都是0筆。

重新計數後留下的比例(%)
061959〜2026·日本國會

國會中稱呼的變遷

在日本國會,會思考的機器是從什麼時候開始,被叫作什麼的?

我們按年份計算了含有各個詞語的國會發言件數。在1959年首次出現,最多的1966年也只有4件。從1981年開始出現,1985年有33件。在右圖選選看各個詞語。

首次出現是在1983年(在找到的範圍內)。野村綜合研究所的森谷正規先生,把(譯)列為21世紀的技術。此後1993〜2014年幾乎都是0件,從2015年起突然增加。

2017年,表示AI意思的「AI」有268件,超過了的145件。到了2023年,「生成式AI」以172件的數量出現。

縱向高度 =log₁₀(發言件數 +1) (+1是為了讓0件的年份也能畫出來)

的數量,就是搜尋結果的件數(沒有逐件確認內容)。「AI」則是重新計數後的數量。

圖所展示的:日本國會裡的稱呼,像接力一樣從電子頭腦→第五世代→人工智慧→AI→生成式AI,接連更換。「人工智慧」首次出現於1983年,2015年起快速增加。

071975〜2005·高峰的時間差

日本的高峰來得比較晚嗎

日本第2次熱潮的高峰,比英語書籍的高峰來得更晚嗎?

英語書籍中最多的是1987年。日本書名中最多的是1990年(37冊)。只比較高峰的年份,日本晚了3年。

但是,高峰的年份會因為1個年度的增減而移動。日本書籍在1987年和1988年也各有30冊。每3年取平均、平滑化之後,日本的高峰在1989年,時間差縮小到2年。

所以我們來比較整體的形狀。把日本的線左右移動,計算2條線的形狀有多相似(相關係數),在1975〜2005年間,不移動時(0年)最吻合。這個「時間差」,隨比較方式不同,可以是3年,也可以是0年。

r=Σ(x − x̄)(y − ȳ) ÷ √( Σ(x − x̄)² × Σ(y − ȳ)² )
x
英語書籍的值
y
日本書籍的值(移動了k年的)
x̄, ȳ
平均值。r越接近1,形狀越一致

下方的事件卡片,採用按高峰年份比較的寫法(晚約3年)。兩者是同一份資料的不同看法。

圖所展示的:比較高峰年份,日本晚了3年,但若平滑處理,或比較整體形狀,差距也可能變成2年或0年。「差距」會隨比較方式改變。

移動不同年數時的相關係數r
08計數方法·高峰

熱潮的高峰有幾座

只靠詞語出現次數的折線來數「熱潮」,會數出幾次?

一聽到「第1〜4次」,就覺得熱潮好像有過4次。那麼,按固定步驟從折線中計算高峰,結果會怎樣呢?

計數方式是這樣的:沿著折線走,從最高處下降的比例達到設定的標準,就算1座高峰。高度不到數值最大那一年的10%的高峰,不計入。

在右圖調整標準看看。英語書籍中,使用預設標準能找到的高峰,只有1987年的1座,以及目前還沒有下降的這一波上升。1960年代的數值太小,算不上高峰。日本書名以1年為單位來看,連5冊、10冊的小幅增減都會成為高峰。每3年取平均、平滑化後,留下1989年左右和2018年左右的2座高峰。熱潮有幾次,光看折線無法決定,會隨計數標準而改變。

算作一座高峰 ⇔(高峰的高度 − 之後的谷底)÷ 高峰的高度 ≥ 標準
標準
下降多少%就算1座高峰
平滑化
與前後的年份取平均

圖所展示的:從折線數高峰,依標準不同,可能只有1個,也可能有5個。英語書籍採用固定標準時,只找得到1987年的高峰和目前的上升。

091982〜2023·編號

熱潮的編號指的是哪個時代

這些編號,是在什麼時候、指哪個時代而加上去的?

編號並不是在2010年代才一次加上去的。在國立國會圖書館數位化書籍和雜誌的全文搜尋中,1982年的雜誌上就已經有(譯)這個詞,指的是大約20年前的那次熱潮。

可是到了1985年,同樣是1980年代的熱潮,計數方式卻各不相同。3月的一本書稱之為(譯)。4月的國會上,東京大學的石井威望先生說:(譯)。7月的雜誌則把(譯)列為近期專題報導的1篇。

在右圖選擇編號,用過這個編號的資料,就會把使用的年份(◆)和所指的時代(色帶)用線連起來。選,就能看到2017年指向未來的線,到2023年已經指向2017年以後。

以為知道的事常見說法:人們常以為「第1次、第2次……這些編號,是後來(2010年代)才加上去的」
原始資料中:1982年的雜誌裡就已經有,在第2次熱潮期間就已經用編號稱呼。不過,計數方式還沒有確定

圖所展示的:編號並不是到了2010年代才一起加上去,1982年的雜誌就已經出現「第一次」。但1985年,同一波熱潮既被稱為第一次,也被稱為第二次,計數方式還沒有定下來。

101950〜2026·分期

同一個編號,起始年份卻不同

熱潮和寒冬,從哪一年到哪一年?各份資料的說法一致嗎?

編號相同,起訖年份卻因資料而異。總務省的白皮書(2016年)把第三次定為2000年代至今。人工智慧學會期刊的封面畫卷(2023年)則畫成以2012年的影像辨識比賽為契機、從2010年左右開始。第二次之後的寒冬,白皮書說從1995年左右開始,畫卷則說是1992年左右到2010年左右。即使在同一份白皮書裡,也有的地方把第二次定為1980年代,有的地方定為1980〜90年代。

英語的解說(英文版維基百科)把編號加在寒冬上,而不是熱潮上,將2次寒冬定為1974〜1980年和1987〜2000年。

在右圖調整「查看年份」,就會並列顯示各份資料對這一年的稱呼。例如2005年,白皮書中是第三次熱潮,畫卷中是寒冬,英語解說中則不屬於任何一次寒冬。

「1980年代」這類寫法,是按這10年從頭到尾來畫的。色帶的端點是本站的畫法,不是資料中的原話。

圖所展示的:即使編號相同,從哪年到哪年,各份資料也不同。例如2005年,在白皮書裡是第三次熱潮,在歷史畫卷裡是寒冬,在英語解說裡則不屬於任何一次寒冬。

112016·白皮書的說明

期待與能力之間的「落差」

熱潮為什麼會結束?國家的白皮書是怎麼解釋的?

2016年總務省的白皮書,對過去2次熱潮作了這樣的說明:社會的期待超過了AI技術的極限。並寫道(譯;落差指差異、距離),也提醒第三次熱潮需要同樣的注意。

右圖是本站把這個說明做成可動圖的例子(數值全都是為了示範而設定的)。表示能做到哪些事的線(綠色),偶爾像階梯一樣上升。表示期待的線(紫色)則漲得更高。過度高漲的狀態持續下去,一旦落差顯現,期待就會消退。

用滑桿調整期待高漲的容易程度,以及察覺落差之前的年數看看。在這張圖中,察覺之前的年數越長,期待就漲得越高,下跌幅度也越大。如果期待不容易高漲,寒冬就不會來。

消退 ⇔(期待 − 能做到的事)> 門檻 持續d年
d
察覺落差之前的年數。門檻是能做到的事的30%(為了示範而設定的數值)

這張圖只是白皮書說明的1種解讀,並不是熱潮總是這樣結束的證據。

圖所展示的:白皮書說明,期待超過了實際能做到的事,這個落差變得明顯後,熱潮就結束了。圖中越晚察覺落差,期待就膨脹得越高,下跌幅度也越大。

落差(期待 − 能做到的事)與門檻
122017·核對預測

用數據檢驗高峰的預測

2017年寫下的熱潮高峰預測,和後來的數據有多吻合?

2017年,人工智慧學會期刊專題的前言中,高橋恒一先生和井上智洋先生寫道:如果把第三次熱潮視為字面意義上的熱潮,高峰會在2016年或2017年,之後會逐漸穩定為踏實的產業應用。他們預測接下來的是(譯;通用AI指像人一樣能勝任各種工作的AI)。

在右圖選擇曲線,再調整「核對年份」看看。如果在2022年核對,日本書名中的高峰在2017年(38冊),國會的高峰在2018年(194件),形狀接近預測。但按「AI」計數,國會在2019年達到593件,2020〜2021年減少之後,2023年達到761件,超過了先前的高峰。答案會隨計算哪個詞、何時核對而改變。

以為知道的事常見說法:第4次AI熱潮,指的是能產生文章和圖畫的AI(生成式AI)的熱潮
原始資料中:在2017年的人工智慧學會期刊中,指的是可能由通用AI引發、尚未到來的未來熱潮。編號所指的內容,後來可能改變

圖所展示的:2017年寫下的「高峰在2016年或2017年」這項預測,會因用哪個詞計數、何時驗證,而變成說中或沒說中。

131984·AI寒冬

是對未來的警告

這個詞是什麼時候、以什麼意思出現的?

AI寒冬是期待消退、研究經費和關注減少的時期的稱呼。找到的最早紀錄,是1984年美國人工智慧協會大會(AAAI-84)上的一場討論會。主持人Drew McDermott提出最壞的情境:5年後,strategic computing initiative(戰略運算計畫)和日本的第五代電腦計畫都不成功,與AI有關的研究完全拿不到經費。他把這稱為(譯)。這個情境中,還有大家把研究名稱改成其他名稱的場面。這樣一來,即使研究還在繼續,詞語的出現次數也會看起來減少。

在右圖展開「英語書籍的詞數與來源」,就能看到英語書籍中詞語的出現次數。AI winter從1983年起零星出現,到2010年代後期大幅增加。second AI winter在2000年、first AI winter在2011年首次出現。

英語書籍是為寒冬編號的。把1970年代叫作,是後來的稱呼。second AI boom、third AI boom、fourth AI boom的出現量少到不足以計數。

以為知道的事常見說法:人們常以為「1970年代研究經費的減少,當時就被稱為」
原始資料中:最早的紀錄是1984年,當時它是對未來可能發生的最壞情況的稱呼

圖所展示的:「AI寒冬」最早的紀錄是1984年,當時是替未來可能發生的最壞情況取的名字。把1970年代稱為「第1次寒冬」,是很久以後才出現的說法。

詞語出現的年份,以及所指的時代
141985〜2026·流傳

說出的人

有名的故事在流傳過程中,說話的人會變嗎?

英文版維基百科寫道,在1984年的學術會議上,(譯)警告了AI寒冬。它列出的來源是Crevier在1993年出版的書。

可是打開討論紀錄(AI Magazine,1985年),最先說出「AI Winter」這個詞的是主持人Drew McDermott,而且是以(譯)的方式介紹。參與討論的有Waldrop、Ohlander、Schank、Chandrasekaran、John McDermott共5人。明斯基的名字,只作為另一場聚會的參加者出現了1次。

右圖並列呈現各份資料中出現的名字。按下「比對討論者名單」,不在名單上的名字就會被標記。有名人物的名字,可能在故事被簡短轉述的過程中混進來。回到原始紀錄,就能看出這一點。

本站還沒有讀過Crevier的書。明斯基在其他場合提出過相同警告的可能性仍然存在。

以為知道的事常見說法:「是尚克和明斯基在1984年的學術會議上提出警告時使用的詞」
原始資料中:紀錄中,說出這個詞的是主持人Drew McDermott,而且是介紹有些人這樣稱呼。明斯基不在討論者之中

圖所展示的:原始討論紀錄裡,提出「AI Winter」這個詞的是主持人McDermott,而明斯基並不在討論者名單中。知名人物的名字,有時會在傳播過程中混進來。

152017·DARPA

3次浪潮是按做法區分的

美國的研究機構是怎麼計算AI的歷史的?

美國國防部研究機構DARPA的John Launchbury,在2017年的簡報中用(譯)來說明AI。第1次浪潮,是工程師制定規則來表示知識(Handcrafted Knowledge)。第2次浪潮,是建立統計模型,用大量資料讓它學習(Statistical Learning)。第3次浪潮,是系統自行建立能解釋情境的模型(Contextual Adaptation)。簡報上沒有寫年代的分界。在日本第3次熱潮中扮演核心角色、用資料學習的AI,在DARPA的分類中是。

右圖是簡報中的螺旋例子。想用人制定的規則(與中心的距離)把2條螺旋臂分開,並不成功。把空間拉伸之後,1條線就能把它們分開。簡報說明,第2次浪潮的類神經網路,是逐層拉伸或壓縮空間,將它們分開。

(x, y) → (θ, r)
r
與中心的距離
θ
轉過的角度(每轉1圈就加2π)。圖中的拉伸方式是本站決定的。第2次浪潮的AI,連拉伸方式也是從資料中學到的
以為知道的事常見說法:AI歷史的編號(第1次、第2次……)是全球通用的
原始資料中:DARPA的浪潮是做法的種類。李開復的(譯,2018年),是同時發展的4種用途

圖所展示的:DARPA的「3次浪潮」是依製作方法分類,並不是分年代。用人訂的規則無法分開的螺旋,只要把空間拉伸,就能用1條線分開。

簡報中4種能力的長條(本站目測讀出的長度)
161995〜·技術成熟度曲線

套用高峰與低谷的模式

新技術是不是總會經歷「期待的高峰 → 失望的低谷 → 趨於穩定」?

研究公司Gartner發布了一張以1條曲線表示人們對新技術期待變化的圖(技術成熟度曲線,Hype Cycle)。在2019年對日本的評估中,人工智慧被放在「幻滅期」。研究這張圖的論文指出,這條曲線是把表示人們狂熱的山形曲線,和表示技術成熟的S形曲線相加而成。

在右圖調整高峰的年份和S形曲線的年份看看。高度由計算決定,讓曲線與英語書籍的資料最吻合。只套用1975〜2010年的資料,這個模式和資料很吻合。可是,用這個模式預測2022年,得到的數值只有實際值的約8分之1。符合過去的資料,和準確預測未來,是兩回事。

2016年,Dedehayir和Steinert用Gartner自己的紀錄檢驗這張圖,指出紀錄與圖的模式有歧異。

期待(t)=A × 山形曲線(t)+B × S形曲線(t)
A, B
曲線的高度(用最小平方法計算,使之符合資料)
t
年份
以為知道的事常見說法:新技術一定會依序經歷期待的高峰、失望的低谷、趨於穩定
原始資料中:經過研究檢驗,無法說一定會照這個模式發展

圖所展示的:科技熱潮週期的形狀很貼合過去的資料,但用它預測2022年,只有實際數值的約8分之1。貼合過去和預測未來,是兩回事。

模式的組成:山形曲線與S形曲線
172026·年表的篇幅

英語AI年表中的日本

AI年表對哪個時代、哪個國家寫得比較多?

我們計算了一份可以互動操作的英語AI年表(加拿大組織GLOBAÏA)的資料。介紹中寫著(譯),但資料共有539件。其中2012年起的事件有325件(約6成)。以日本為中心的事件有7〜8件(約1.5%)。年表沒有標示每件事件的查證程度。

右圖把539件事件按年份堆疊起來。用滑桿調整分界年份,就會顯示該年起的事件占全部的百分之幾。紫色的點是以日本為中心的事件的年份。

年表選擇收錄哪些事件,會改變我們看待歷史的方式。越新的時代,越容易有更多事件被選中。本站的年表,也請用同樣的眼光看待。

分界年份起的比例 = 該年起的件數 ÷ 全部的件數
全部的件數
539件(其中1940年之前有45件)

年份按資料中year值的整數部分計算。

圖所展示的:英語AI年表的539筆紀錄中,約6成是2012年起的事件,以日本為中心的事件只有7〜8筆。年表選擇哪些事件,會改變人們看見的歷史。

181982〜1995·OCR文字

從OCR辨識的文字中搜尋

舊雜誌中的字,是怎麼搜尋到的?其中有沒有陷阱?

1982年的(譯)這個詞,是在國立國會圖書館數位化書籍和雜誌的全文搜尋中找到的。搜尋的是機器從紙面照片中辨識出的文字(OCR)。

可是,機器辨識會出錯。在1985年神沼二真先生的書中,同一年另一本書裡可讀作(譯)的地方,卻變成了錯亂的文字(〓列アーキテンチャー,〓 是無法辨識的字)。用完全相同的文字搜尋,就找不到這本書。

所以要計算改幾個字才能一致(編輯距離),讓稍有不同的文字也能被搜到。在右圖增加允許修改的字數看看。能找到的結果會變多,但也開始搜到不同的詞。

d(i, j)=min{ d(i−1, j)+1, d(i, j−1)+1, d(i−1, j−1)+(字元不同則為1)}
d(i, j)
讓要找的詞的前i個字,與句子的前j個字一致,所需的最少修改次數

圖中的句子,多數是本站設計的例子(標有「作」字)。

圖所展示的:機器辨識出的古老文字有錯誤,所以搜尋完全相同的文字會找不到。改用需要修正幾個字才能一致的方式搜尋,就能找到,但容許太多差異,也會找到別的詞。

19本站的看法·查證程度

彩色標籤是怎麼決定的

本站事件上的彩色標籤(查證程度),代表什麼?

本站的每1件事件,都有標籤表示查證到什麼程度。原始資料確認:打開原始資料,確認到頁面或段落。綜合資料確認:無法打開原始資料,但在2份以上可信的綜合資料中確認了相同內容。查證不足:只有1份綜合資料,或資料之間的歧異尚未釐清。只有記憶、只有推測的內容,不會作為事件收錄。

右圖是決定標籤的流程。按下方這一章的事件,通往該顏色的路徑就會亮起。這一章的23件事件中,有18件是原始資料確認。1982、1985、1993、1995年的編號用語這5件,無法看到紙面照片,只靠機器辨識文字的摘錄來確認,所以標為查證不足。

資料之間年份或說法不同的,除了顏色之外,還會加上「有歧異」的標籤,不選定其中一方,而是兩邊都寫。

圖所展示的:本站的彩色標籤,依照原始資料開啟並查證到什麼程度來決定。本章23筆中,有18筆已查證原件,5筆只看過辨識出的文字,所以確認程度較低。

結語

這一章中,仍不清楚的事

詞語出現的次數,不等於熱潮本身的大小。稱呼改變(電子頭腦 → 人工智慧 → AI → 生成式AI),用同樣的計數方式,就會追蹤不到。書籍和論文本身的數量,也在逐年增加。「AI」這2個字,也會是其他詞(AIDS、AIG、人名)的一部分,所以我們逐件查看內容、制定標準,重新計數。國會中的「AI」在2020〜2021年減少的原因,無法歸結為單一原因(與傳染病流行的年份重疊)。

編號的歷史也還有不清楚的事。這種說法,在1985年之前是誰開始用的?最先說出「AI Winter」的是誰?中文和韓語中,熱潮是怎麼計算的?英語書籍的資料只到2022年,所以那之後的英語說法也還不清楚。

熱潮有幾次,會隨計數標準而改變。下一章,我們回到這個名稱誕生之前,從會思考的機器之夢與電腦的歷史開始。