CHAPTER 05／1966〜1980

第1次熱潮之後的寒冬

未能達到期待的年代，以及這段期間成長的新芽（1966〜1980年）

研究經費與期待縮減，據說就這樣來臨。但翻開資料會發現，寒冬來臨的方式，各國都不一樣；這段期間，今天AI的新芽，也在日本成長了許多。

011965〜1985 · 寒冬天氣圖

寒冬是同時來臨的嗎

美國、英國、日本的，是在同一年來臨的嗎？

，是對1970年代研究經費與期待縮減那段時期的稱呼。不過，從哪一年到哪一年，各份資料的說法不同。日本總務省的白皮書（2016）把1970年代稱為，網路上的彙整資料則說是1974〜1980年。寫過AI歷史著作的Nilsson（2010），反而把1975〜1985年左右稱為AI的。

右圖把3個國家的事件放在同一張年表上。美國有1966年的機器翻譯報告、1969年對國防預算用途的限制，以及1976年口語研究計畫的中止。英國有1973年的萊特希爾報告。但日本在1971年啟動國家大型計畫「模式資訊處理系統」，接著有1972年的聯想器、1979年的新認知機，與今天相連的研究持續進行。

依照不同資料切換寒冬的色帶，色帶的位置就會大幅移動。是個會隨衡量標準而改變的稱呼。

這個詞，最早出現在1984年，用來表達對未來可能來臨的寒冬的擔憂。把1970年代稱為，是後來才取的名字。

021966 · 機器翻譯

ALPAC報告與機器翻譯的前景

把單字逐一用字典替換，就能完成翻譯嗎？

1966年，受美國政府3個部門委託，美國國家科學院的一個委員會（ALPAC）調查了機器翻譯研究。報告寫道：（譯）。

在右圖試試最簡單的做法：把句子中的單字逐一用字典替換。若1個單字有好幾種譯法，整句話的譯法數量就會隨各單字譯法數的相乘而增加。哪一種才正確，必須了解句子的意思與當時的情境，才能決定。

不過，報告並沒有要求停止所有研究。它建議，研究語言運作方式的學問（計算語言學），以及協助人類翻譯的工具，仍應獲得研究經費。

譯法的數量＝n₁ × n₂ × … × n_k

n_i: 第i個單字的譯法數
k: 句子的單字數

以為知道的事常見說法：ALPAC報告斷言機器翻譯行不通，讓研究停了下來
原始資料中：報告建議，計算語言學與協助人類翻譯的機器工具，仍應獲得預算。科學院自己也在報告前附了一封信，擔心讀者只讀到部分內容，連研究經費都被刪除。

單字數與譯法數（縱軸刻度每格增加為10倍）

031969 · 線性可分

一條直線的限制

會學習的感知器，有沒有怎麼樣都解不開的問題？

1969年，MIT的明斯基與Seymour Papert在著作中，用數學研究了1958年感知器的限制。感知器是一種學習機器，把輸入乘上權重後相加，超過指定的值就回答「是」。

最簡單的例子是XOR（兩個輸入中，只有一個是1時，結果為1）。試著用一條直線，把右邊4個點中的黑點（答案為1）與白點（答案為0）分開。AND和OR都能分開，但 XOR不管怎麼畫都分不開。單層感知器能畫出的邊界，就只有這「一條直線」。

按下「改用2條線（增加層數）」，就能把黑點放在兩條線之間，與白點分開。這就是增加層數後，能學會XOR的原因（第8章）。書中認為，擴展成多層機器也（譯），但書本身將這個看法稱為（譯），並列為需要驗證的課題。

y＝1（當w₁x₁ ＋w₂x₂ ＋b＞0時），其他情況為0

x₁, x₂: 輸入（0或1）
w₁, w₂: 權重
b: 偏差值。w₁x₁ ＋w₂x₂ ＋b＝0表示作為邊界的「一條直線」

以為知道的事常見說法：證明類神經網路解不開XOR（所以沒有用）
原始資料中：書中證明的，是每個元件只能看到有限範圍的單層機器的限制。至於多層機器沒有用的預想，在書中也只是直覺判斷。

這是用Python寫的程式碼，原理和「動手試試」裡的一樣。按下▶ 執行，結果會顯示在下方。改改數字，再執行一次試試。

u05_xor_wall.py

# u05 直線 1 本の壁：パーセプトロンは「どちらか一方だけ」（XOR）を学習できない
#
# どの出来事か：1969 年、ミンスキーとパパートの本『パーセプトロンズ』（記録 perceptrons_book_1969）。
#   本が数学で示したのは、各部品が見る範囲を限った 1 段のパーセプトロンにはできないこと
#   （点の数が偶数か奇数か、図形がつながっているか など）。XOR（2 つの入力のうち片方だけが 1 なら 1）は
#   その一番小さな例で、本より前から知られていた。層を重ねたネットワークに広げても「実りがない」（訳）という見方は、
#   本の中でも「直観的な判断」だった。
# 仕組み：u03 と同じ学習の規則で、AND（かつ）と XOR を学習させる。AND はすぐ学習できるが、XOR は何回やっても重みの修正が続く。
#   2 つの入力を平面上の点と見ると、AND は直線 1 本で分けられるが、XOR は分けられないから。
# 試してみよう：
#   - ROUNDS を 100 にしても、XOR の誤りの数は 0 にならないか
#   - 層を重ねると解ける（→ u08 の backprop_xor）

ROUNDS = 12
CASES = [(0, 0), (0, 1), (1, 0), (1, 1)]

def train(target):
    w1 = w2 = bias = 0
    history = []
    for r in range(ROUNDS):
        errors = 0
        for a, b in CASES:
            out = 1 if w1 * a + w2 * b + bias > 0 else 0
            want = target(a, b)
            if out != want:
                d = want - out          # 正解との誤差（+1 か -1）
                w1 += d * a
                w2 += d * b
                bias += d
                errors += 1
        history.append(errors)
    return history, (w1, w2, bias)

for name, f in (("AND（かつ）", lambda a, b: a & b), ("XOR（どちらか一方だけ）", lambda a, b: a ^ b)):
    hist, w = train(f)
    print(f"{name}：1 周ごとの誤りの数 {hist}  最後の重み・バイアス {w}")

print("\n点の配置（1 が〇、0 が・）。AND は右上の 1 点だけを直線で切り取れる。XOR は斜めの 2 点で、直線 1 本では分けられない")
for name, f in (("AND", lambda a, b: a & b), ("XOR", lambda a, b: a ^ b)):
    print(f"  {name}:  b=1 → {'〇' if f(0, 1) else '・'} {'〇' if f(1, 1) else '・'}")
    print(f"        b=0 → {'〇' if f(0, 0) else '・'} {'〇' if f(1, 0) else '・'}   （左が a=0、右が a=1）")

041969 · 學習方法

學習了，也只有XOR解不開

讓感知器持續學習XOR，會發生什麼事？

感知器的學習方法，是只在答錯時，朝正確答案的方向稍微修正權重。若問題能用一條直線分類，反覆修正之後，錯誤數一定會在某個時候變成0（感知器收斂定理）。

右圖是把4個點一輪一輪地展示給感知器學習的例子。AND和OR經過幾輪後，錯誤數就變成0，邊界線也停住了。但 XOR的線會一直來回移動。因為不管把線畫在哪裡，一定有某個點留在錯誤的一側。這就是從學習的角度，看到「無法線性分開」的樣子。

w ← w＋η（t − y）x

w, η: 權重與學習率（η讀作eta）
t, y: 正確答案與感知器的輸出
x: 輸入。只有答錯時（t ≠ y）才更新w

早在1969年之前的1967年，九州大學的甘利俊一就提出學習理論：依照誤差逐步修正權重，讓它接近最佳權重。

每一輪的錯誤數

051973 · 組合爆炸

每走一步，分支就增加幾十倍

「把後續所有走法都算完」的方法，會在哪裡卡住？

解決遊戲或謎題的AI，基本做法是列出所有可走的步，再列出後續所有步，從中尋找最佳路線（搜尋）。以井字遊戲為例，到遊戲結束為止的走法共有255,168種，電腦很快就能算完。

但每一步可走的步數（分支數）增加、往後算的深度變深時，排列數就會增加為分支數的「深度次方」。在右圖增加分支數與深度試試。如果每一步都有30種走法，即使只往後算10步，也有30的10次方，約590兆種排列。

1973年的萊特希爾報告，把AI進展不順的一大原因歸結為：沒有注意到這種組合爆炸。

排列數 ≈ b^d

b: 每一步的分支數
d: 往後算的深度（步數）

這些數字是「假設的數字」。實際遊戲中，每一步的分支數會變，也可能透過不同的順序到達同一個局面。

深度與排列數（縱軸刻度每格增加為10倍）

這是用Python寫的程式碼，原理和「動手試試」裡的一樣。按下▶ 執行，結果會顯示在下方。改改數字，再執行一次試試。

u05_explosion.py

# u05 組み合わせ爆発：全部を探索するやり方は、ゲームが大きくなると続かない
#
# どの出来事か：1973年のライトヒル報告（記録 lighthill_report_1973）は、AIがうまくいかない大きな理由として、
#   調べる組み合わせの数が爆発的に増えること（組み合わせ爆発）を挙げた。
# 仕組み：三目並べの「最後まで打ったゲーム」をすべて数える。次に、1手ごとの選択肢と手数から、
#   大規模なゲームの総数を掛け算で見積もる（仮定の数値による計算）。
# 試してみよう：
#   - 下の表の、1手あたりの選択肢の数（branch）とゲームの長さ（depth）を変えて、数がどう増えるか

import math

LINES = [(0, 1, 2), (3, 4, 5), (6, 7, 8), (0, 3, 6), (1, 4, 7), (2, 5, 8), (0, 4, 8), (2, 4, 6)]

def won(b):
    return any(b[i] != "." and b[i] == b[j] == b[k] for i, j, k in LINES)

def count_games(b, turn):
    if won(b) or "." not in b:
        return 1
    total = 0
    for i, c in enumerate(b):
        if c == ".":
            total += count_games(b[:i] + turn + b[i + 1:], "×" if turn == "〇" else "〇")
    return total

games = count_games(".........", "〇")
print(f"三目並べの、最後まで打ったゲームの数：{games:,}（1秒に1ゲーム探索すると約 {games / 86400:.1f} 日）")

print("\n1手あたり BRANCH 通りの選択肢があり、DEPTH 手続くゲームの数は BRANCH の DEPTH 乗（仮定の数値による計算）")
for branch, depth, note in ((9, 9, "三目並べを大きめに見積もった数"), (30, 20, "20手で打ち切る"), (30, 80, "チェスほどの規模（仮）"), (250, 150, "囲碁ほどの規模（仮）")):
    digits = depth * math.log10(branch)
    print(f"  BRANCH={branch:3d} DEPTH={depth:3d} → 約 10 の {digits:.0f} 乗  （{note}）")
print("\n1秒に10億ゲーム探索できるコンピュータでも、10の18乗ゲームで約32年かかる。全部を探索するやり方は、どこかで行き詰まる")

061972〜1973 · 萊特希爾報告

分成A、B、C三類的報告

英國的那份報告，是把AI全部否定了嗎？

受英國研究經費補助機構委託，流體力學大師萊特希爾獨自檢視了AI研究。報告把AI分成三類：A是工廠等場所的自動化，C是用電腦研究大腦與神經，而B以製作機器人為中心，是連接A與C的橋梁。

報告認為，A與C已有一定的成果。它嚴厲評價的是B，以及什麼都能做的AI這個目標。報告寫道：（譯）。

右圖上方是報告的A、B、C分類，下方是報告中預言的時鐘。報告介紹的科學家預言（1980年代、2000年），以及萊特希爾自己的展望（未來25年），都放在年份刻度上。用滑桿調整「目前年份」，超過期限的預言就會依序變色。

以為知道的事常見說法：萊特希爾報告全盤否定了AI
原始資料中：報告認為A（自動化）與C（大腦研究）已有成果，並將日本政府的工廠組裝自動化計畫，列為符合A方向的有前景案例。

071973 · 說法不一

辯論是什麼時候舉行的

同一件事的日期，各份資料說法不同時，該怎麼辦？

針對這份報告，倫敦的皇家研究所舉行了公開辯論，BBC以電視節目播出。麥卡錫、Donald Michie、Richard Gregory向萊特希爾提出反駁。

不過，辯論日期在各份資料中並不一致。2025年的一篇技術雜誌文章寫的是5月9日，愛丁堡大學的錄影頁面寫的是1973年6月。1982年一位歷史學家的論文註釋，則說辯論在7月4日，播出在8月30日。當時BBC的雜誌刊有皇家研究所7月4日的活動預告，以及一篇可能刊在9月初那一期的電視評論。

右圖列出各份資料是什麼時候寫的：是當時，還是多年之後。本站採用有接近當時的資料相互支持的7月4日（播出為8月30日）。但由於尚未看到BBC的節目表，確認程度仍維持「彙整資料中確認」。

決定日期時，不能任意選擇其中一方。要把資料全部列出，辨別哪些是當時的資料、哪些是後來的資料。

081971〜1976 · 口語

達到目標卻被中止的計畫

連續的口語，電腦是怎麼聽懂的？

從1971年起的5年間，美國國防部（DARPA）每年提供約300萬美元，支持能理解連續口語的機器研究。目標包括1000個詞、多位說話者、語意錯誤率低於10%等。1976年，卡內基美隆大學的Harpy在1011個詞上取得語意錯誤率5%的成果，達到了目標。

Harpy的一項做法是束搜尋（beam search）。它不會檢查所有可能符合所聽聲音的單字序列，而是只留下評分高的幾條，繼續往下找。在右圖調整保留的條數（束的寬度）試試。寬度窄，處理速度就快，但有時會在途中丟掉正確的序列。

即使如此，DARPA仍未提供後續計畫的預算，直到1984年才正式重啟口語研究。

保留的序列＝按分數由高到低取W條

W: 束的寬度（保留的條數）
分數: 把聲音與單字的符合程度相加的值（這裡是本站設計的數字）

以為知道的事常見說法：1970年代的語音辨識研究失敗了，因此被中止
原始資料中：Harpy達到了最初設定的目標（1000個詞、語意錯誤率低於10%）。但後續計畫仍未出現。

這是用Python寫的程式碼，原理和「動手試試」裡的一樣。按下▶ 執行，結果會顯示在下方。改改數字，再執行一次試試。

u05_beam_search.py

# u05 ビームサーチ：評価の高い候補をいくつか残して先へ進む
#
# どの出来事か：1971〜76 年のアメリカの、話し言葉を理解する研究計画と、CMU の Harpy（記録 darpa_speech_understanding_1971）。
#   Harpy の工夫の 1 つがビームサーチだった（CMU の 1977 年の報告）。
# 仕組み：各時刻で単語の候補と「音との合い方」の点数がある。2 語のつながりの良さも足す。
#   すべての組み合わせを調べる代わりに、点数の高い W 本だけを残して進む。点数はこのサイトが作った数。
# 試してみよう：
#   - W を 1・2・3 と変えて、正しい並び（あした の かいぎ は ごご から）にたどり着くか確かめる
#   - すべての並びの数と、実際に調べた並びの数を比べる

LATTICE = [
    [("あした", 5), ("あたし", 7), ("はした", 6)],
    [("の", 6), ("も", 5), ("に", 2)],
    [("かいぎ", 5), ("かいき", 6), ("かぎ", 4)],
    [("は", 7), ("わ", 6), ("が", 2)],
    [("ごご", 6), ("ここ", 5), ("ごみ", 2)],
    [("から", 7), ("まで", 3), ("だから", 4)],
]
BIGRAM = {("あした", "の"): 5, ("あたし", "の"): 1, ("はした", "の"): 1, ("あたし", "も"): 2, ("の", "かいぎ"): 5, ("も", "かいぎ"): 1, ("の", "かぎ"): 3,
          ("かいぎ", "は"): 4, ("かいき", "は"): 1, ("かぎ", "は"): 3, ("かぎ", "が"): 3, ("は", "ごご"): 4, ("は", "ここ"): 2,
          ("わ", "ここ"): 1, ("ごご", "から"): 4, ("ここ", "から"): 3, ("ここ", "まで"): 3}
RIGHT = ["あした", "の", "かいぎ", "は", "ごご", "から"]

for W in (1, 2, 3, 5):
    beams = [([], 0)]
    looked = 0
    for step in LATTICE:
        nxt = []
        for words, score in beams:
            for w, ac in step:
                bonus = BIGRAM.get((words[-1], w), 0) if words else 0
                nxt.append((words + [w], score + ac + bonus))
                looked += 1
        nxt.sort(key=lambda b: -b[1])
        beams = nxt[:W]
    best = beams[0][0]
    total = 1
    for step in LATTICE:
        total *= len(step)
    mark = "○ 正しい" if best == RIGHT else "× 違う"
    print(f"W={W}：{' '.join(best):<22} {mark}（調べた並び {looked} ／ 全体 {total}）")

091971 · 日本

對齊說話速度的差異，再比較

同一個「一」，有時說得快，有時說得慢。該怎麼比較？

同一個詞，人每次說話的速度也不一樣。如果把事先記住的聲音與剛聽到的聲音，直接按時間對齊比較，速度稍有不同就對不上了。

1971年，日本電氣（NEC）的迫江博昭與千葉成美提出一種方法：用動態規劃（重複利用中途的計算結果，從許多路線中有效率地找出最佳路線的計算方法），對齊聲音在時間上的伸縮，再加以比較。在右圖的表格中，尋找兩段聲音的哪些時刻彼此對應的路線。路線由左下走向右上，只能往右、往上或斜向前進。

1971年的論文中，對5個人說出的2400次一位數字，平均正確辨識率為99.8%。

D(i, j)＝d(i, j)＋min{ D(i−1, j), D(i, j−1), D(i−1, j−1) }

d(i, j): 聲音A的第i個位置與聲音B的第j個位置的差異
D(i, j): 沿路線走到該位置為止，差異加總的最小值

現在也稱為DTW（動態時間校正）。同樣的想法，也用在今天的語音研究與資料之間的比較。

這是用Python寫的程式碼，原理和「動手試試」裡的一樣。按下▶ 執行，結果會顯示在下方。改改數字，再執行一次試試。

u05_dp_matching.py

# u05 DP マッチング：話す速さの違いを、動的計画法でそろえてから比べる
#
# どの出来事か：1971 年、NEC の迫江博昭・千葉成美の方法（記録 sakoe_chiba_dp_matching_1971）。
# 仕組み：D(i, j) = d(i, j) + min(D(i−1, j), D(i, j−1), D(i−1, j−1))。
#   d は 2 つの声の i 番目と j 番目の違い。表を左下から埋めていくと、右上の値が「そろえた時の違い」になる。
#   声はこのサイトが作った数の並び（「いち」の強さの形をまねたもの）。
# 試してみよう：
#   - SLOW（ゆっくり言った声）の並びを、もっと引き伸ばしてみる
#   - 先頭から順に比べた違いと、DP でそろえた違いを比べる

TEMPLATE = [0, 1, 3, 6, 8, 6, 3, 2, 4, 5, 4, 2, 0]          # 登録した音声
SLOW = [0, 1, 2, 3, 5, 6, 8, 8, 6, 5, 3, 2, 2, 3, 4, 5, 5, 4, 3, 2, 1, 0]   # ゆっくり発声した音声
OTHER = [0, 2, 5, 2, 0, 1, 6, 7, 6, 1, 0, 0, 0]              # 違う言葉の音声

def dp(a, b):
    INF = float("inf")
    D = [[INF] * len(b) for _ in a]
    for i in range(len(a)):
        for j in range(len(b)):
            d = abs(a[i] - b[j])
            if i == 0 and j == 0:
                D[i][j] = d
            else:
                D[i][j] = d + min(D[i - 1][j] if i else INF, D[i][j - 1] if j else INF, D[i - 1][j - 1] if i and j else INF)
    return D[-1][-1]

def naive(a, b):
    return sum(abs(x - y) for x, y in zip(a, b))

for name, voice in [("ゆっくり言った同じ言葉", SLOW), ("ちがう言葉", OTHER)]:
    print(f"{name}：先頭から順に比べた違い {naive(TEMPLATE, voice):3}　DP でそろえた違い {dp(TEMPLATE, voice):3}")
print("DP でそろえると、同じ言葉は違いが小さくなり、違う言葉は大きいまま残る")

101971〜1980 · 日本的國家計畫

寒冬中啟動的模式辨識大計畫

美國與英國刪減預算時，日本啟動了什麼？

1971年，日本通商產業省把「模式資訊處理系統」加入以國家預算推動的大型計畫。這個計畫以電子技術綜合研究所為中心，與民間企業共同開發能辨識文字、圖形等模式的電腦（模式辨識），在國會也被稱為（譯）。

辨識的基本做法，是與事先記住的樣板比較。在右圖替文字加上雜訊，或移動位置試試。直接與樣板比較，稍微偏移，分數就會下降。一邊移動一邊比較，就能提升辨識能力。如何處理這種「偏移」，後來連接到新認知機（本章的12）。

計畫開始時的國會說明是（譯）。根據1985年的答詢，1971〜1980年度的委託費約為220億日圓。

計畫內容的報告書，包括製作了哪些裝置、能做到什麼，本站還沒有確認。

雜訊量與辨識率

這是用Python寫的程式碼，原理和「動手試試」裡的一樣。按下▶ 執行，結果會顯示在下方。改改數字，再執行一次試試。

u05_template_ocr.py

# u05 パターン照合による文字認識：そのまま照合・ずらして照合
#
# どの出来事か：1971〜80 年度の日本の国家プロジェクト「パターン情報処理システム」（記録 pips_pattern_information_processing_1971）。
# 仕組み：7×7 マスの文字パターンを用意し、認識したい文字と 1 マスずつ照合する。一致率が最も高いパターンを答えにする。
#   位置をずらして照合すると、ずれに強くなる。文字パターンとノイズはこのサイトが作った例で、実際の手書き文字ではない。
# 試してみよう：
#   - NOISE を 0.2 にすると、それぞれの認識率はどうなるか
#   - SHIFT を 2 にしてみる

import random

random.seed(1971)
FONT = {
    "ア": ["#######", "......#", "...#.#.", "...#...", "...#...", "..#....", ".#....."],
    "イ": ["......#", ".....#.", "...##..", ".##.#..", "....#..", "....#..", "....#.."],
    "ウ": ["...#...", "#######", "#.....#", "......#", ".....#.", "...##..", ".##...."],
    "エ": [".......", "#######", "...#...", "...#...", "...#...", "#######", "......."],
    "オ": ["....#..", "#######", "...##..", "..#.#..", ".#..#..", "#...#..", "...##.."],
}
NOISE = 0.08
SHIFT = 1
TRIALS = 60

def grid(k):
    return [[1 if ch == "#" else 0 for ch in row] for row in FONT[k]]

def make(k):
    g = grid(k)
    img = [[0] * 9 for _ in range(9)]
    for y in range(7):
        for x in range(7):
            xx = x + 1 + SHIFT
            if 0 <= xx < 9:
                img[y + 1][xx] = g[y][x]
    return [[1 - v if random.random() < NOISE else v for v in row] for row in img]

def score(img, k, dx=0, dy=0):
    t = grid(k)
    s = 0
    for y in range(9):
        for x in range(9):
            ty, tx = y - 1 - dy, x - 1 - dx
            tv = t[ty][tx] if 0 <= ty < 7 and 0 <= tx < 7 else 0
            s += img[y][x] == tv
    return s

def read(img, shifted):
    if not shifted:
        return max(FONT, key=lambda k: score(img, k))
    return max(FONT, key=lambda k: max(score(img, k, dx, dy) for dx in range(-2, 3) for dy in range(-1, 2)))

ok_plain = ok_shift = 0
for _ in range(TRIALS):
    k = random.choice(list(FONT))
    img = make(k)
    ok_plain += read(img, False) == k
    ok_shift += read(img, True) == k
print(f"ノイズ {NOISE:.0%}・右へ {SHIFT} マスずれた文字を {TRIALS} 回認識すると")
print(f"  そのまま照合：{ok_plain / TRIALS:.0%}")
print(f"  ずらして照合：{ok_shift / TRIALS:.0%}")

111972 · 日本

只看一部分，就能想起全部

能做出從部分記憶想起全部的類神經網路嗎？

1972年，東京大學的中野馨發表了只看一部分就能想起全部的記憶機制。它把資訊當成0與1的圖案，分散儲存在整個網路中。同一年，甘利俊一也發表了將圖案儲存為網路穩定狀態的理論。

右圖是一個記住了3種圖案的網路。點格子刪除部分圖案，或調低顯示比例，再按「回想（5次）」。顯示的部分越多，回想就越準確；越少，就越模糊。增加要記住的圖案，記憶就會和其他圖案混在一起，開始出錯。

記憶的方式是：「同時為黑、同時為白，就加強兩個格子之間的連結」；同時呈相反顏色，就減弱連結。這與大腦神經的連結會隨同時活動而增強的想法（1949年的赫布）有相同的形式。

w_ij ＝Σ_p x_i^p x_j^p　　x_i ← 正負號（Σ_j w_ij x_j）

x_i: 第i個格子（黑 +1・白 −1）
p: 記住的圖案編號
w_ij: 格子i與j之間的連結強度

以為知道的事常見說法：聯想記憶模型最早由1982年的Hopfield提出
原始資料中：早在10年前的1972年，中野馨與甘利俊一就已經發表了。京都獎（2025）認為甘利的模型在數學上與Hopfield的模型相同，2024年諾貝爾委員會的解說也將它列入參考文獻（正文沒有提到他的名字）。

這是用Python寫的程式碼，原理和「動手試試」裡的一樣。按下▶ 執行，結果會顯示在下方。改改數字，再執行一次試試。

u05_associatron.py

# u05 一部を見せると全体を思い出すネットワーク（中野さんのアソシアトロン・甘利さんの 1972 年の考え方）
#
# どの出来事か：1972 年、東京大学の中野馨「アソシアトロン」（記録 nakano_associatron_1972）と、
#   同じ年の甘利俊一の理論（記録 amari_associative_memory_1972）。パターンをネットワーク全体に分散して記憶し、一部を見せると
#   全体を思い出す。1982 年のホップフィールド・ネットワークと同じ形の考え方で、日本の方が 10 年早かった。
# このサンプルの仕組み：パターンを +1（黒）と -1（白）の並びにし、「同時に黒・同時に白なら結びつきを強く」と
#   足し合わせた行列（相関行列）に記憶する。思い出す時は、見えない部分を 0 にして行列を掛け、符号を取る。
#   ※ 1972 年の論文そのままの実装ではなく、同じ考え方の小さなモデル。
# 試してみよう：
#   - SHOW（見せる割合）を下げると、どこから思い出せなくなるか
#   - 記憶するパターンの数を増やすと、誤りが増える（最後の表）

import random

random.seed(1972)
SIZE = 7
PATTERNS = {
    "十": ["...#...", "...#...", "...#...", "#######", "...#...", "...#...", "...#..."],
    "口": ["#######", "#.....#", "#.....#", "#.....#", "#.....#", "#.....#", "#######"],
    "Ｘ": ["#.....#", ".#...#.", "..#.#..", "...#...", "..#.#..", ".#...#.", "#.....#"],
}
N = SIZE * SIZE

def vec(rows):
    return [1 if ch == "#" else -1 for row in rows for ch in row]

def learn(pats):
    M = [[0] * N for _ in range(N)]
    for p in pats:
        for i in range(N):
            for j in range(N):
                if i != j:
                    M[i][j] += p[i] * p[j]
    return M

def recall(M, x, steps=3):
    for _ in range(steps):
        x = [1 if sum(M[i][j] * x[j] for j in range(N)) >= 0 else -1 for i in range(N)]
    return x

def draw(x):
    return ["".join("■" if x[r * SIZE + c] > 0 else ("・" if x[r * SIZE + c] < 0 else "？") for c in range(SIZE)) for r in range(SIZE)]

pats = {k: vec(v) for k, v in PATTERNS.items()}
M = learn(pats.values())

SHOW = 0.4   # 見せる割合（残りは「？」＝分からない部分）
target = pats["口"]
known = set(random.sample(range(N), int(N * SHOW)))
partial = [target[i] if i in known else 0 for i in range(N)]
out = recall(M, partial)
print(f"「口」の {SHOW:.0%} だけ見せる → 思い出したパターン（{sum(o == t for o, t in zip(out, target))}/{N} マス 正解）")
for a, b in zip(draw(partial), draw(out)):
    print(f"   {a}   →   {b}")

print("\n見せる割合と、正しく思い出せたマスの割合（3 つのパターン × 20 回の平均）")
for show in (0.1, 0.2, 0.3, 0.5, 0.7):
    ok = 0
    for _ in range(20):
        for p in pats.values():
            kn = set(random.sample(range(N), int(N * show)))
            o = recall(M, [p[i] if i in kn else 0 for i in range(N)])
            ok += sum(a == b for a, b in zip(o, p))
    print(f"  {show:.0%} 見せる → {ok / (20 * 3 * N):.0%}")

print("\nランダムなパターンをたくさん記憶させると（半分見せて思い出す、各 10 回の平均）")
for k in (2, 4, 6, 8, 12):
    ok = 0
    for _ in range(10):
        rnd = [[random.choice((1, -1)) for _ in range(N)] for _ in range(k)]
        Mk = learn(rnd)
        p = rnd[0]
        kn = set(random.sample(range(N), N // 2))
        o = recall(Mk, [p[i] if i in kn else 0 for i in range(N)])
        ok += sum(a == b for a, b in zip(o, p))
    print(f"  {k:2d} 個記憶したネットワーク → {ok / (10 * N):.0%} 正解")

121975 · 日本

不需要教師，自行形成的網路

不逐一教細胞「要這樣反應」，網路也能成長嗎？

1975年，NHK研究所的福島邦彥展示了一種機制：多層類神經網路，在沒有教師（逐一詳細指導細胞如何反應的角色）的情況下，自行形成。他將它命名為。

關鍵在於細胞之間的競爭。根據論文摘要，只有當附近沒有反應比自己更強的細胞時，通往該細胞的連結才會增強。右圖把這個想法簡化到最基本：點接連出現，只有最近的細胞（有顏色的圓圈）會向那個點靠近一點。反覆進行之後，細胞就分別停在各群點的中心。明明沒有教過答案，卻開始各自負責相似的東西。

只有最近的細胞k：m_k ← m_k ＋η（x − m_k）

x: 新出現的點
m_k: 細胞k負責的位置
η: 靠近的速度

電腦實驗的結果顯示，越深的層負責的範圍越大，最後一層的細胞只對特定圖案有反應。「只有贏家才學習」的想法，也與後來的k-means（第9章）相通。

131979 · 日本

位置偏移，也能靠形狀辨識

字只是稍微向右移動，機器就讀不出來了嗎？

1979年，福島邦彥進一步發展認知機，發表了即使位置偏移、形狀稍微變形，也能辨識文字的類神經網路「新認知機」。他以大腦視覺研究為參考，將擷取形狀特徵的 S細胞層，以及吸收位置偏移的 C細胞層，堆疊成多層。

S細胞用小視窗尋找「角」與「線」等特徵。同一個平面上的細胞使用相同的視窗，只是位置不同（也就是現在所說的卷積）。只要附近某個S細胞有反應，C細胞就會有反應（也就是現在所說的池化）。在右圖中，即使將文字從中央向左或向右移動1格，選定框內的C細胞反應仍不變。但跨過框的邊界時，即使只移動1格，反應也會改變。

2024年諾貝爾物理學獎的解說，將這項研究列為今天影像辨識AI（CNN）的源頭。

S細胞：s(x, y)＝Σ視窗 × 輸入（位置x, y附近）　C細胞：c＝max（附近的s）

視窗: 形狀特徵的樣板（3×3）
max: 最大的值

以為知道的事常見說法：影像辨識AI（CNN）是在1989年左右的美國開始的
原始資料中：一邊移動位置、一邊使用相同連結的網路，福島早在1979年就已經發表了。不過，新認知機採用非監督式學習，將它與誤差反向傳播法結合的是LeCun等人。

這是用Python寫的程式碼，原理和「動手試試」裡的一樣。按下▶ 執行，結果會顯示在下方。改改數字，再執行一次試試。

u05_s_and_c_cells.py

# u05 S 細胞と C 細胞：位置がずれても形で認識する
#
# どの出来事か：1979 年、福島邦彦の「ネオコグニトロン」（記録 fukushima_neocognitron_1979）。
# 仕組み：S 細胞は小さな窓（3×3）で「横線」を探す（同じ窓を位置だけずらして適用する＝畳み込み）。
#   C 細胞は、3×3 の範囲の S 細胞のどれかが反応していれば反応する（プーリング）。
#   文字を 1 マスずらすと、S 細胞の反応位置は動くが、C 細胞の反応はあまり変わらない。
# 試してみよう：
#   - 窓を縦線用にかえる（KERNEL を縦向きに）
#   - SHIFT を 2 や 3 にすると、C 細胞の反応はどれくらい変わるか

N = 12
SHAPE = ["#######", "...#...", "...#...", "...#..."]   # T の形
KERNEL = [[-1, -1, -1], [2, 2, 2], [-1, -1, -1]]      # 横線の窓（フィルター）
SHIFT = 1

def image(dx):
    g = [[0] * N for _ in range(N)]
    for y, row in enumerate(SHAPE):
        for x, ch in enumerate(row):
            if ch == "#":
                g[y + 3][x + 2 + dx] = 1
    return g

def s_cells(g):
    out = [[0] * N for _ in range(N)]
    for y in range(1, N - 1):
        for x in range(1, N - 1):
            s = sum(KERNEL[a][b] * g[y + a - 1][x + b - 1] for a in range(3) for b in range(3))
            out[y][x] = max(0, s)
    return out

def c_cells(s):
    return [[max(s[y * 3 + a][x * 3 + b] for a in range(3) for b in range(3)) for x in range(N // 3)] for y in range(N // 3)]

def show(m):
    return "\n".join("   " + "".join("■" if v > 0 else "・" for v in row) for row in m)

for dx in (0, SHIFT):
    c = c_cells(s_cells(image(dx)))
    print(f"文字を右へ {dx} マス：C 細胞（横線）の反応\n{show(c)}\n")
a = [v > 0 for row in c_cells(s_cells(image(0))) for v in row]
b = [v > 0 for row in c_cells(s_cells(image(SHIFT))) for v in row]
print(f"C 細胞の反応が一致した割合：{sum(x == y for x, y in zip(a, b)) / len(a):.0%}")

141970〜1973 · 日本

電腦找出臉上的眼、鼻、口

照片中的哪裡是眼睛、哪裡是嘴巴？電腦怎麼找出來？

1970年大阪世界博覽會上，NEC的展示節目，用電視攝影機拍攝參觀者的臉。電腦自動找出臉部各部分，再回答屬於21種中的哪一種（從臉部看出性格的想法，不能說有科學根據）。

1973年，京都大學的金出武雄製作了從臉部照片自動找出眼、鼻、口的程式，並用約800張照片測試（其中688張是在世界博覽會收集的臉部照片）。金出的論文反覆使用的一項線索，是將照片中細長帶狀區域的暗度加總起來的量（integral projection）。眼睛與嘴巴比較暗，因此沿橫向加總，圖表就會在那個高度出現峰值。

在右圖移動臉部各部分，橫向與縱向加總圖表的峰值就會跟著移動，標示找到位置的線也會跟著走。遇到不順利的情況，就退回前一階段重做，也是金出論文的特色。

橫向加總H(y)＝Σ_x 暗度(x, y)

暗度(x, y): 照片位置 (x, y)的暗度
H(y)較大的高度: 眼睛或嘴巴所在的高度

以為知道的事常見說法：金出武雄1973年的論文是世界上最早的人臉辨識
原始資料中：用電腦辨識人臉的研究，1960年代初期的美國也有。金出論文的特色是，用約800張臉部照片，驗證了包含重做步驟的自動分析。

沿橫向加總的暗度（依高度排列）

151973 · 日本

用2隻腳走路，卻不會跌倒

用2隻腳走路的機器人，為什麼不會跌倒？

1973年，早稻田大學加藤一郎等人的團隊製作了人形機器人WABOT-1。它用油壓驅動的2隻腳走路，用雙手抓取物品，用人工眼睛找出物品位置，能辨別分段說出的日語指令，並以聲音回答。報告指出，它能載著20 kg的重物，按照語音指令直走或轉向。

慢慢走路的機器人不會跌倒，基本條件是重心正下方位於腳與地面接觸的範圍（支撐範圍）內。在右圖移動重心試試。重心正下方一旦超出範圍，就會跌倒。抬起一隻腳時，支撐範圍會縮小，因此要先把重心移到支撐腳上方，再抬起另一隻腳。

不跌倒 ⇔ 重心正下方在支撐範圍內

支撐範圍: 接觸地面的腳底所圍成的範圍

這裡呈現的，是只考慮重心的「慢慢走路」示意圖。走得快時，還需要考慮運動的勢頭。

以為知道的事常見說法：WABOT-1是世界上第一個人形機器人
原始資料中：這是早稻田大學自己的評價。1973年的報告本身並未自稱「世界首創」，而是將手、腳、頭齊全且能自行動作的機器定義為機器人，並寫道他們製作了符合這些條件的機器。

161970 · 日本

太像人，反而令人不舒服？

機器人是不是越像人，就越讓人感到親切？

1970年，東京工業大學的森政弘，在石油公司出版的雜誌專題中寫了隨筆。機器人的外觀與動作越接近人，親切感就越強。不過，在幾乎與人一模一樣之前，親切感會突然轉為詭異感，形成一個谷。森用圖表呈現這個想法。

右圖畫出這個想法的形狀（本站依照森原圖的形狀繪製。數值呈現的是森的直覺，並非測量結果）。用滑桿調整「像人的程度」，就能看出在哪裡進入谷中。森寫道，加上「動作」時，谷會變得更深。

森也建議機器人設計者，與其跨過谷地、追求與人一模一樣，不如把目標放在適度像人的。

以為知道的事常見說法：恐怖谷是經過實驗證實的科學定律
原始資料中：它原本是1970年刊在石油公司雜誌上的一篇3頁隨筆，圖表來自森的直覺。他本人在2012年說，這比較像是給機器人設計者的建議，而非科學論斷。

171969 · 符號式AI

連不變的事，也要全部寫出來？

寫下「移動了箱子」，其他東西會變成什麼狀態？

用邏輯公式表達世界、規劃行動的AI，不只要寫出行動中會改變的事，還得逐一寫出不會改變的事。1969年，麥卡錫與Hayes將這個困難命名為。如果有n種行動、m個表示狀態的量，就可能需要寫出m × n條不變的條件。

在右圖增加房間內的物品與行動試試。「機器人推箱子」時，箱子的位置會改變，但燈光的顏色、門的開關狀態、桌子的位置不會改變。全部寫出來，要寫的數量就會隨行動數與物品數的相乘而增加。

要寫的「不變」條件數 ≈ m × n

m: 表示狀態的量（物品數量等）
n: 行動的種類

以為知道的事常見說法：框架問題＝AI無法分辨相關與無關事項的難題
原始資料中：在1969年的原始論文中，它是作為必須逐一寫出不變事項的技術問題而出現的。更廣的含義，是哲學家後來延伸的解釋。

181973〜1978 · 衡量標準

寒冬中，會員人數成為3倍

研究經費減少時，研究的人數也減少了嗎？

歷史學家Haigh（2023）指出，電腦學會ACM的AI分會（SIGART）會員，從1973年的1,241人增加到1978年的3,500人，幾乎成為3倍，並根據這些情況主張。

右圖在會員人數的折線上，疊加各份資料所說的色帶。切換色帶，就能看出會員人數增加的年份，與被稱為寒冬的年份重疊。1970年代，英國部分研究室，以及美國的語音、機器人研究經費變得吃緊，這是確實的。但不能說整個研究界都萎縮了。

換個衡量標準，答案也會改變。是看大型研究所的經費、從事研究的人數，還是詞語的使用方式？

會員人數只確認了1973年與1978年這2個資料點。中間各年的數字，本站沒有確認，因此折線只是連接這2個點。

191980 · 意義

按規則回答，就算理解了嗎

能給出正確答案的機器，理解了其中的意義嗎？

1980年，哲學家瑟爾提出了一個思想實驗：不懂中文的自己待在房間裡，只靠一本用英文寫的規則書，用中文回答遞進來的中文問題。即使外面的人無法分辨他與懂中文的人有什麼不同，房間裡的他其實什麼也不懂。因此他主張，只按程式操作符號的電腦，也不能說理解了意義。

右圖就是那個房間。選擇問題後，房間裡的人只看符號的形狀，查閱規則書，再送出答案的符號。也可以查看規則書的內容，但裡面沒有寫出任何「意義」。

這篇論文與27人的反駁或意見，一起刊在學術期刊上。同樣的問題，也直接指向今天能產生文章的AI，至今仍未有定論。

差不多同一時期，製作ELIZA的Joseph Weizenbaum在著作（1976）中寫道，除了能不能做到之外，有些工作不應該交給機器做。

結語

這一章還不清楚的事

1970年代AI的研究經費，按國家、按年份排列的數字，至今還沒有找到。是不是，答案會隨衡量標準而改變：大型研究所的經費、學會會員人數，或詞語的數量。

是否讓類神經網路研究停下來，各份資料說法不同，無法下定論。只按規則排列符號的機器，能不能說「理解了意義」，從1980年至今仍持續有討論。

而這個寒冬期間，在日本成長的新芽（聯想器、新認知機、DP比對），在具代表性的英文AI歷史著作中，幾乎沒有出現過名字。下一章，將由寫入專家知識的AI，開啟第2次熱潮。

本章的其他事件（1則。都附有原始資料和可信度）

1977年已查證綜合整理資料說法有出入日本

安川電機的全電動電弧焊接機器人「Motoman-L10」──資料中的1975、1976、1977年各指什麼年份

安川電機（當時是安川電機製作所）從1972年前後開始開發電動機器人，1974年在機器人展上展出了初代Motoman。公司把它定為國內首個全電動（不用液壓或氣壓，只靠電動機驅動）的工業機器人，但由於價格高等原因沒有走到商用。其後，公司造出了關節像人的手臂一樣縱向排列的垂直多關節5軸、最多能搬運10kg（L10的10就是這個重量）的Motoman-L10，並專用於弧焊（利用電極之間放電的火花把金屬熔化連接的方法）。控制使用了微處理器（小型電腦）。1977年，大分縣中津市的Yorozu汽車（現為Yorozu）中津工廠決定購買，第1號訂單機成交，並作為產品出貨。關於L10的年份，發明協會的彙整寫1975年，日本機械學會的機械遺產（2015年認定的第76號）寫1977年，兩者不一致。打開資料整理後，1975年和1976年被寫作開發之年，1977年被寫作最初的訂單和出貨之年。

常見說法：人們常寫「日本第一台全電動工業機器人是Motoman-L10」（機械遺產、國立科學博物館的資料庫、安川電機2021）
原始資料中：製造者安川電機的技術故事，以及安川電機的人寫的2017年日本機械學會會刊的文章，把1974年在機器人展上展出的初代Motoman（與L10不是一回事）當作國內首個全電動機器人。它們認為，L10是在沒能走到商用的初代之後重新製作、1977年才第一次賣出（出貨）的機器。第一次展示的機器和第一次賣出去的機器不是同一台。年份也是如此，1975年、1976年被寫作開發之年，1977年被寫作訂單和出貨之年。

還不清楚的事：1975年是什麼年（設計開始、試製完成，還是對外公開），並不清楚。楠田（2004）的出處（1978年雜誌「機器人」第19卷的文章）和安川電機1978年的技報（），本網站沒有打開過。銷售台數（2年間2000台，還是之後約1700台）也因資料而異。

原始資料8筆及查證內容

有出入：年份：1975年（楠田2004的「（1975）」。發明協會「戰後日本的創新100選」引用它寫作「（1975年）」）／1976年開發（小平2025、國立科學博物館2024年度版）／1977年（安川電機的技術故事：第1號訂單機成交；安川電機2021：出貨；日本機械學會會刊2017：產品化、作為產品出貨；機械遺產第76號：開發和銷售；國立科學博物館的資料庫：製造年）。銷售台數：2年間2000台（楠田2004）／其後約1700台（日本機械學會會刊2017）。作為榜樣的其他公司電動多關節機器人的發佈：1973年（安川電機的技術故事沒有寫其他公司的名字。小平2025稱是歐洲廠商，IRB 6）／1974年（楠田2004，ASEA的IRB-6）。國內首個全電動：1974年的初代Motoman（安川電機的技術故事、日本機械學會會刊2017）／1977年的L10（機械遺產、安川電機2021所說的「日本第一台全電動工業機器人」指的是L10的出貨）。

機器人｜技術故事｜科技｜安川電機（MOTOMAN的誕生）（株式會社安川電機・MOTOMAN的誕生・「MOTOMAN」對外發表的第1…・本人後來的回憶）
機械遺產第76號全電動工業機器人「Motoman-L10」（「日本機械學會會刊」第120卷第1183期，2017年6月，pp.42-43）（安田賢一（（株）安川電機開發研究所機器人技術部）・2017・p.42 1. Motoman-L10・2. 開發背景・本人後來的回憶）
工業機器人MOTOMAN累計出貨台數達到50萬台（安川電機的通知，2021-03-30）（株式會社安川電機・2021・正文第1段・１．本公司工業機器人的歷程・本人後來的回憶）
機械遺產第76號（2015年認定）全電動工業機器人「Motoman-L10」（日本機械學會）（一般社團法人日本機械學會・2015・正文・綜合整理）
MOTOMAN-L10（產業技術史資料資料庫，資料編號101890081011）（國立科學博物館產業技術史資料資訊中心（調查機構團體：社團法人日本機器人工業會）・製作（製造）年・特色・綜合整理）
工業機器人技術發展的系統化調查（國立科學博物館技術的系統化調查報告第4集，2004年3月）（楠田喜宏・2004・p.21-22 4.3停滯期（1970年代後半）・照片4.18・註 …・綜合整理）
工業機器人技術的系統化調查（2024年度版）（國立科學博物館技術的系統化調查報告Vol.34，2025年3月）（小平紀生・2025・p.134 4.1.3日本主要製造商的電動機器人開發競爭・註腳6・綜合整理）
戰後日本的創新100選高度經濟成長期「工業機器人」創新的由來、參考文獻等（公益社團法人發明協會）（公益社團法人發明協會・創新的發展經過（註17〜19）・參考文獻等・綜合整理）