AIの主役は二度交代した ── 記号主義とコネクショニズムの70年

この記事は、架空の大学「圏峰（けんぽう）工科大学」の研究室を舞台にした、ひとつの対話篇です。

登場するのは、AIの歴史に興味を持ちはじめた学部生と、AI・計算機科学の歴史にくわしい若手専任講師のふたり。

人物や大学はフィクションですが、扱う中身（歴史・技術・人物）は、すべて実在する事実にもとづいています。出典は記事末にまとめました。

想定読者は、高校の数学はだいぶ忘れたけれど、毎日 Python のコードを読み書きしているエンジニア・データサイエンティスト・機械学習エンジニア・AI リサーチャーの皆様です。

むずかしい言葉は、初めて出てくるところでかみくだいて説明します。

---

想定読者と、この記事を読む価値

想定読者

• 普段 Python・JavaScript・Go・Rust などで実装していて、LLM や AIエージェントを使っているけれど、その背後の「技術史の文脈」 までは追えていないエンジニア
   
• 「記号主義」「コネクショニズム」「論理プログラミング」「関数型」という言葉を、聞いたことはあるが、互いの関係がいまひとつ掴めていない方
   
• QNLP や論理プログラミングの記事を読んで、「統計派と構造派は、結局どういう関係なのか」を、一本の歴史として理解したい方
   
• 最近 Python や Rust に関数型の書き方が増えてきたのを感じていて、それが何を意味するのかを知りたい方

いま、この記事を読む価値

いまは LLM 一色の時代に見えます。

けれど、AI の歴史を知ると、「圧倒的な主役は、これまで二度とも交代してきた」 という事実が見えてきます。

いま、関数型プログラミングがモダン言語に静かに浸透しています。

さらに、 AIエージェントや QNLP（量子自然言語処理：英文や日本語の文がもつ文の組み立て方（文法構造）を、そのまま計算の設計図として使って、量子コンピュータで動かす手法）が「構造」を呼び戻しつつあります。

こうした動きは、こんなふうに捉えることもできます

── ディープラーニングに基づく LLM や AI エージェント（コネクショニズムの系譜）が全盛のいま、その足元で、関数型プログラミングや「構造・記号」に着目するアプローチ（記号主義と地続きの“構造”側の系譜）が、形を変えて再び立ち上がってきている。

本記事は、この対比を 70 年の歴史の上に置き直していきます。

この記事から得られるもの

• 記号主義 ⇄ コネクショニズムの主役交代の歴史を、年号・人物・出来事つきで一本の物語として理解できる
• その歴史に、プログラミング言語のパラダイム（手続き型・論理型・関数型）の変遷を重ねて、「AI の考え方」と「言語の設計思想」がどう連動してきたかが分かる
• 論理プログラミング・関数型プログラミングの基本を、Python しか知らなくても掴める
• Haskell 由来の関数型の流儀が、Python・JavaScript・Rust・Scala に取り込まれている流れが、歴史的に何を意味するかを評価できる
• これらを踏まえた、「統計と構造の合流」という将来展望の見取り図が手に入る

---

TL;DR ── この記事で分かること（お急ぎの方へ）

AI の歴史は、「２つの考え方」が、主役の座を奪い合ってきた歴史です。

• 記号主義（symbolic AI）：人間がルールや論理を書いて、機械に推論させる。「if-then ルール」「論理」「文法」「構造」が主役。
• コネクショニズム（connectionism）：大量のデータから、機械が自分で学ぶ。「ニューラルネット」「統計」「重み」が主役。いまの Transformer・LLM はこちら。

この２つは、まるで振り子のように、何十年かおきに主役が交代してきました。
 

1. 1950〜60年代：記号主義とコネクショニズムが競合。徐々に記号主義が優勢に。
    
2. 1969年：ミンスキーらの『パーセプトロン』が、ニューラルネットの限界を指摘 → 第一次AIの冬、記号主義の黄金時代（エキスパートシステム）へ。
    
3. 1980年代後半〜：エキスパートシステムが行きづまり $→$ 第二次AIの冬。
    
4. 2012年：ディープラーニングが画像認識で圧勝（AlexNet）$→$ コネクショニズムの大逆転。
    
5. 2017年〜：Transformer の登場 $→$ LLM の時代へ。さらに 2022年の ChatGPT 公開で一般社会にも爆発的に普及。いま、コネクショニズムが圧倒的な主役です。
    

そしていま、面白いことが起きています。
振り子が、また少し戻りはじめているのです。

• AIエージェント・LLM＋ツール：統計的な LLM に、記号的な「道具（電卓・コード実行・制約ソルバー・検索）」を持たせる動き。
   
• QNLP（量子自然言語処理）：文法構造そのものを計算の設計図にする、記号主義・構造主義の血を引くアプローチ。
   
• これらは、「統計（コネクショニズム）」と「構造（記号主義）」を、もう一度結びつけ直そうという流れ ── ニューロシンボリック（neuro-symbolic） とも呼ばれます。

この記事の主張：AI の歴史は「どちらが勝つか」ではなく、「２つの主役が、交互に光を浴びながら、少しずつ合流していく物語」 として読むのがいちばん正確です。そして、QNLPもLLMもAIエージェントも、その大きな物語のなかに位置づけられるのです。

なお、この記事は、姉妹編として書いた２本 ──「論理プログラミングは終わらなかった ── 第五世代コンピュータから LLM / AI Agent / MCP Solver へ」と「「猫が魚を食べる」を量子回路に変換する（QNLP入門）」── の、ちょうど“歴史の見取り図”にあたる回です。あわせて読むと、点と点が線になります。

---

はじめに ── なぜ「歴史」を知ると、いまの AI がよく見えるのか

学部生:
先生。最近、QNLPの記事や、第五世代コンピュータの記事を読ませてもらって、ひとつ大きな疑問が湧いたんです。

Transformer や LLM みたいな「統計でガンガン学ぶ AI」
と
QNLP や論理プログラミングみたいな「構造・ルールでカチッと組み立てる AI」

── この２つ って、いったいどういう関係なんでしょう。仲が悪いんですか？ それとも、どっちかが正しいんですか？

講師:
すばらしい問いだ。その問いに答えるには、AI の歴史そのものを見るのがいちばんいい。

実はね、
その２つ ──「統計で学ぶ」派と「構造で組み立てる」派は、AI 研究の最初期から、ずっと主役の座を奪い合ってきたんだ。70年くらいのあいだに、主役が、少なくとも２回、がらりと入れ替わっている。

学部生:
２回も！ いまは、どっちが主役なんですか。

講師:
いまは圧倒的に「統計で学ぶ」派 ── Transformer や LLM の時代だ。でも、ほんの15年前まではそうじゃなかった。そして ── ここが面白いんだけど ── その振り子が、いままた、少しだけ逆に戻りはじめている気配がある。QNLP も、AIエージェントも、その「揺り戻し」の一部として見ると、ぐっと意味がはっきりするんだよ。

学部生:
振り子……。じゃあ、その振り子の歴史を、最初から教えてください。

講師:
いいとも。まず、その２つの「派閥」 に、ちゃんと名前をつけるところから始めよう。

---

第１章 ── ２つの「派閥」── 記号主義とコネクショニズム

講師:
まず「記号主義（symbolic AI）」。

これは、人間が、知識やルールを記号（言葉や論理式）で書いて、機械に推論させるという考え方だ。

たとえば、「鳥は飛ぶ」「ペンギンは鳥だ」「でもペンギンは飛ばない」
── こういう知識を、ひとつずつ if-then のルールとして書いていく。

機械は、そのルールにそって論理的に推論する。

Prolog という言語や、エキスパートシステムが、その代表だね。

学部生:
人間がルールを手で書く。たしかに、いちばん素直なやり方に見えます。

講師:
そう、最初はこっちが「当たり前」だった。
コンピュータは論理機械だから、論理で考えさせるのが自然だ、とね。

もう一方が「コネクショニズム（connectionism）」。

こっちは、脳の神経細胞（ニューロン）のつながりをまねた仕組みを作って、大量のデータから、機械が自分でパターンを学ぶという考え方だ。ニューラルネットがその本体だよ。

人間はルールを書かない。データを与えて、ネットワークの中の「重み」を調整させるだけだ。

学部生:
あ、それ、いまの機械学習そのものですね？
model.fit(X, y) の世界。

講師:
まさに。いま君が毎日触っているのは、コネクショニズムの子孫なんだ。

でもね ── このコネクショニズム、歴史の中で２度も「もう死んだ」と言われて、２度とも復活している。不死鳥みたいな分野なんだよ。

学部生:
２度も死んで、２度も復活……。ドラマチックですね。

講師:
まさにドラマだ。その第一幕は、1950年代に始まる。

---

第２章 ── 第一幕：パーセプトロンの栄光と、最初の「冬」

講師:
1957年、心理学者のフランク・ローゼンブラットが、「パーセプトロン（perceptron）」というものを作った。

これは、データから学習できる、世界で初めての人工ニューラルネットだ。
間違えるたびに、自分の中のつながりの強さ（重み）を、自分で調整する。

学部生:
1957年！ そんな昔に、もう「学習するAI」があったんですか。

講師:
あったんだ。しかも大評判でね。当時のニューヨーク・タイムズは、「いつか歩き、話し、見て、書き、自分を再生産し、自分の存在を意識するようになるだろう」とまで書いた。すごい期待だ。

学部生:
完全に、いまのAGIブームと同じ煽り方ですね……。

講師:
歴史は韻を踏むんだよ。── ただ、ここで大事なことを補っておきたい。この時期に輝いていたのは、パーセプトロンだけじゃなかった。むしろ記号主義の側も、ほぼ同時に大きな成果を上げていたんだ。

ニューウェルとサイモンの「Logic Theorist」（1956年）は、数学の定理を機械に証明させてみせた。

続く「General Problem Solver（GPS）」（1957年）、もう少し後の「SHRDLU」（1970年、積み木の世界を言葉で操る）── どれも「人間がルールや論理を書いて、機械に推論させる」記号主義の、輝かしい初期作だ。

そもそも "AI" という言葉が生まれた1956年のダートマス会議自体、発想の中心は記号主義だった。

学部生:
じゃあ、最初から「データから学ぶ」派と「ルールで組み立てる」派が、並んで競っていたんですね！

講師:
そういうことだ。

1950〜60年代は、両者がしのぎを削っていた。

そして ── ここからが歴史の皮肉なんだけど ── その競争に、いったん決着をつけにきたのが、記号主義の側の大物だった。マービン・ミンスキーだ。1969年、彼は同僚のシーモア・パパートと一緒に『パーセプトロンズ（Perceptrons）』という本を出す。

この本は、単層のパーセプトロン（いちばん単純なニューラルネット）には、原理的な限界があることを、数学的に証明してみせた。有名なのが「XOR問題」だ。

学部生:
XOR ── 排他的論理和。「どちらか一方だけが真のとき、真」。プログラムでよく使うやつですね。

講師:
そう。ところが、単層パーセプトロンは、この単純な XOR すら学習できないことが示されてしまった。これは効いた。しかもミンスキーらは、「層を増やしても、たぶんダメだろう」と推測した（※これは後に間違いだと分かるんだけど、当時はそう受け取られた）。

学部生:
権威ある記号主義の大物が「ニューラルネットには限界がある」と数学で示した……。

講師:
結果、ニューラルネット研究への資金が、ばっさり打ち切られた。

多くの研究者が分野を去った。ローゼンブラット自身も、1971年に若くして亡くなっている。こうして訪れたのが、第一次「AIの冬（AI winter）」 だ。コネクショニズムの、一度目の死だね。

学部生:
たった一冊の本で、分野がまるごと冬になる……。こわいですね。

講師:
ただ、公平に言うと、当時のニューラルネットは本当に小規模で、実際うまくいっていなかった面もある。本は「とどめ」ではあったけど、原因のすべてじゃない。

ともあれ、ここから記号主義の黄金時代が始まる。

---

第３章 ── 記号主義の黄金時代：エキスパートシステム

講師:
1970〜80年代、記号主義は「エキスパートシステム」として大きく花開く。

これは、ある分野の専門家の知識を、ぜんぶ if-then ルールにして詰め込み、専門家の代わりに判断させるシステムだ。

学部生:
専門家を、ルールの塊で再現する。

講師:
そう。実例がたくさんある。

医療診断の MYCIN、
化学構造を推定する DENDRAL、
コンピュータの構成を自動設計する XCON（別名 R1）
── XCON は、DEC という会社で年間2500万ドル規模（初期には最大4000万ドルとも言われる）を節約した、商業的な大成功例だ。

鉱床を探す PROSPECTOR は、ワシントン州で未知のモリブデン鉱床を掘り当てた（その規模は一説に約1億ドルとも言われる）。

学部生:
ちゃんとお金を生んでいたんですね。じゃあ、なぜ廃れたんですか。

講師:
「知識獲得のボトルネック」 という、根本的な壁にぶつかったんだ。

専門家の知識を、人間がひとつずつ手作業でルールにして入力しないといけない。
これが、とてつもなく大変でね。

学部生:
あー・・・・・。

専門家の「暗黙知」って、本人もうまく言葉にできないことが多いですよね。
「なんとなく分かる」を、全部ルールに書き下すなんて。

講師:
そのとおり。

しかもルールが増えると、ルール同士が矛盾したり、例外の例外が出てきたりして、保守できなくなる。

「世界のすべてをルールで書き尽くす」のは、無理だったんだ。

こうして1980年代後半、エキスパートシステムは行きづまり、第二次AIの冬が訪れる。

学部生:
今度は、記号主義のほうが冬になった……。
振り子ですね、本当に。

講師:
そう。
そしてこの「冬」のあいだ、ひっそりとコネクショニズムが復活の準備をしていたんだ。

---

第４章 ── 第二幕：コネクショニズムの逆襲（バックプロパゲーション）

講師:
コネクショニズムを冬から救ったのは、「バックプロパゲーション（誤差逆伝播法）」という学習アルゴリズムだ。

1986年、デビッド・ラメルハート、ジェフリー・ヒントン、ロナルド・ウィリアムズが、Nature 誌に発表した論文で、広く知られるようになった。

学部生:
あれ、待ってください。エキスパートシステムの第二次の冬って、1980年代後半でしたよね。バックプロパゲーションの1986年と、ほとんど同じ時期じゃないですか？

講師:
鋭いね。実は、ほぼ重なっているんだ。

章を分けて順番に話しているから前後して見えるけど、時間軸では並走している。

つまり ── 記号主義（エキスパートシステム）が「冬」に向かって失速していくのと、ほぼ同時期に、コネクショニズム側では復活の種（バックプロパゲーション）が芽を出していた。

だから、1986年は、「記号主義の冬のさなかに、次の主役が静かに準備を始めた年」と読むのが正確なんだよ。

学部生:
なるほど。「冬が明けてから次が始まる」んじゃなくて、「冬のあいだに、もう次の芽が出ていた」んですね。

講師:
そういうことだ。

ちなみに、このラメルハートたちが広めるより前にも、同じアイデアは何度か独立に発見されていた（リンナインマー1970年、ウェルボス1974年など）。

ただ、多層ネットで実際に効果が出る事実を示して、分野全体に火をつけたのが、この1986年の論文だった。

学部生:
ヒントン！ いまの「ディープラーニングの父」ですね！
2024年にノーベル賞を取った。

講師:
そう、その人だ。

バックプロパゲーションが何をしたかというと
── 層を何枚も重ねた「多層」ニューラルネットを、ちゃんと学習させる方法を与えたんだ。

ネットワークの答えの「誤差」を、出力側から入力側へ後ろ向きにたどって、どのつながりをどう直せばいいかを計算する。

学部生:
あ、それ、いまの loss.backward() ですね。PyTorch で毎日呼んでるやつ。

講師:
まさに、それの先祖だ。ここが歴史の妙でね ── ミンスキーらが「単層では XOR も解けない」と言って冬を呼んだだろう。

バックプロパゲーションは、層を重ねればその限界を超えられることを、実際に示してしまった。つまり、『パーセプトロンズ』の批判を、多層ネットが乗り越えたんだ。

学部生:
冬の原因になった「限界」を、正面から突破した。気持ちいい逆襲ですね！

講師:
ちなみに、この1980年代の復活のとき、「ニューラルネット」という言葉は少し評判が悪くてね。だから 「コネクショニズム」という新しい名前で再ブランディングされた、という面白い経緯もあるんだ。

学部生:
なぜ評判が悪かったんですか？

講師:
さっきの『パーセプトロンズ』を思い出してほしい。

あの一冊以来、「ニューラルネット」という言葉には 「ミンスキーに限界を証明されて、冬を呼んだ分野」というレッテルがべったり貼られていた。

研究費の申請でも、そのままの名前だと「ああ、あの古い・うまくいかなかったやつね」と門前払いされかねない。だから、同じ中身を、過去のイメージから切り離すために、別の看板を掲げたわけだ。

学部生:
中身は同じなのに、名前を変えて“出直した” んですね。

学部生:
じゃあ、ここで一気にコネクショニズムが主役に戻ったんですか？

講師:
それが、まだなんだ。バックプロパゲーションができても、当時はまだ ── データが足りない、計算機が遅い。だから、なかなか他の手法に勝てなかった。

本当の大逆転は、ここからさらに四半世紀、待つことになる。

学部生:
そんなに……。何が足りなかったんですか。

講師:
「データ」と「計算力」だ。

この２つが、2000年代に、世界の側からそろってくる。
インターネットが大量のデータを生み、GPU が大量の計算を可能にした。

役者はそろった。あとは、それを証明する一発の事件を待つだけだった。

---

第５章 ── 2012年：ディープラーニング革命（大逆転）

講師:
2012年。これが、AI 史の決定的な転換点だ。

ImageNet という、画像認識の大きなコンペがあってね。そこに、ヒントンと、その教え子のイルヤ・サツケバー、アレックス・クリジェフスキーが、「AlexNet」という深いニューラルネットで参加した。

学部生:
結果は？

講師:
圧勝だ。

それまでの手法を、ぶっちぎりで引き離した。
コンピュータビジョンの世界に衝撃が走った。

この瞬間、コネクショニズムが、ついに大逆転で主役の座に返り咲いたんだ。

学部生:
何が、それまでと違ったんですか。
アルゴリズムは1986年からあったのに。

講師:
いい質問だ。

ImageNet を作ったフェイフェイ・リーは、こう言っている
── 「現代AIの３つの要素が、初めて同時にそろった瞬間だった」 と。

（1） ニューラルネット（バックプロパゲーション）
（2） 大量のデータ（ImageNet）
（3） GPU による計算力

この３つだ。

学部生:
あっ。それ、第五世代コンピュータが足りなかったものと、ちょうど同じですね！
データと計算力。

講師:
よく気づいた、まさにそこなんだ。

記号主義のエキスパートシステムも、コネクショニズムの初期も、「データ」と「計算力」が足りずに冬になった。

2012年は、その２つがついにそろい、ニューラルネットというアプローチが、それを最大限に活かせる形だった ── だから勝った。

アルゴリズムの勝利というより、「条件がそろったときに、いちばん伸びるのがニューラルネットだった」 んだ。

学部生:
あれ、でも……その２つがそろったのに、なぜ記号主義のエキスパートシステムのほうは復活しなかったんでしょう。

やっぱり、専門家がもつ知識を ── 暗黙知の部分まで含めて ── プログラマがヒアリングして手でコードに落とす、あの手間がボトルネックだったんですか？

講師:
半分は、まさにその通り。でも、もう半分が大事でね ── そもそも、両者は「冬になった理由」が違うんだ。

コネクショニズムが伸び悩んだ理由は、「データ」と「計算力」の不足だった。
だから、その２つが2012年にそろった瞬間、欠けていたピースがそのまま埋まって、一気に開花した。

ところが記号主義のボトルネックは、「知識を人手でルールに書き下す」手間そのものだ。
これは、データが増えても、GPU が速くなっても、ほとんど解消されない。

むしろ ── ここが皮肉なんだけど ── 増えた大量のデータから知識を“自動で”汲み取れるのは、ルールを人が書かなくていいニューラルネットのほうだった。

学部生:
あっ……。同じ「データと計算力」でも、コネクショニズムにとっては“欠けていた燃料”、記号主義にとっては“弱点を埋めてくれないもの” だったんですね。

講師:
そういうことだ。

だから2012年は、たまたま条件が「ニューラルネットの欠点だけ」をピンポイントで埋めた。
記号主義の弱点は、別のところに残ったままだった。

学部生:
なるほど。同じ「冬の原因」が、今度は「勝因」に変わった。

講師:
そういうことだ。

ここから、コネクショニズムは怒涛の快進撃に入る。
画像、音声、そして ── 言語へ。

その言語で、決定的な発明が起きる。2017年だ。

---

第６章 ── 2017年：Transformer、そして LLM の時代

講師:
2017年、Google の研究者たちが「Attention Is All You Need」という論文を出した。ここで提案されたのが「Transformer」というアーキテクチャだ。

学部生:
出ました、Transformer。いまの LLM の土台ですね。

講師:
そう。Transformer の鍵は「アテンション（注意機構）」だ。

文の中で、どの単語が、どの単語に「効いている」かを、大量のデータから統計的に重みづけして学ぶ。
文法を人間が教えるんじゃない ── データから、暗黙に学びとる。

学部生:
完全にコネクショニズムの発想ですね。
ルールを書かず、データから。

講師:
そのとおり。

そして、この Transformer を、とんでもない量のテキストと、とんでもない数のパラメータで訓練したものが
── 大規模言語モデル（LLM） だ。

GPT、Claude、Gemini、Perplexity。いま君が毎日使っているものだね。

学部生:
あ、でも ── Transformer の論文は2017年ですよね？
世界中が大騒ぎになったのは、もっと後だった気がします。

講師:
いいところを突くね。

「Transformer の発明（2017）」と「世界が衝撃を受けた瞬間」は、別物なんだ。

あいだをつなぐ階段がある。

まず GPT-3（2020年、1750億パラメータ）で、「とにかく巨大にして大量に学習させると、驚くほど言葉が上手くなる」ことが分かった。

次に InstructGPT（2022年）で、人間のフィードバックでモデルを微調整する（RLHF） という仕上げが加わり、「人間の指示にちゃんと従う」ようになった。

そして、それを誰でも対話形式で触れるようにしたのが ── ChatGPT（2022年11月） だ。
世界が一気に「AI が来た」と感じたのは、論文の2017年ではなく、この2022年末だった。

学部生:
土台（2017）と、社会的な爆発（2022）で、5年ずれてるんですね。

ひとめでわかる：Transformer から ChatGPT まで

• 2017 Transformer 登場（論文「Attention Is All You Need」）
• 2020 GPT-3 ── 「巨大化＋大量学習」で言葉が一気に上達
• 2022 InstructGPT／RLHF ── 人間のフィードバックで「指示に従う」ように
• 2022年11月 ChatGPT 公開 ── 一般社会に爆発的に普及

「発明」と「社会的インパクト」は、5年ずれている。

講師:
そう。だから「Transformer ＝ ChatGPT」と一足飛びに考えると、その5年ぶんの地味な積み重ね（スケール・RLHF）が見えなくなる。

そこは押さえておくといい。── ともあれ、こうして完全にコネクショニズムの天下になった。

学部生:
ここで、記号主義はすっかり脇役に。

講師:
そう見えるね。いまは、コネクショニズム（統計で学ぶ派）が、圧倒的な主役だ。
── でもね。ここで歴史を思い出してほしい。

「圧倒的な主役」は、これまで２回とも、いつのまにか交代してきたんだ。

学部生:
……まさか、また振り子が？

講師:
断言はしない。

でも、振り子が、また少しだけ戻りはじめている兆しは、確かにある。

しかも今度は、前の２回とは少し違う
── 「どちらかが勝つ」んじゃなくて、「両方が手を結びはじめている」 んだ。

そこが、いまの時代のいちばん面白いところだよ。

学部生:
……てことは、記号主義のボトルネックだった「専門家の知識を、プログラマが聞き取って手でコードに落とす」あの手間は、今度は解消されつつあるってことですか？

講師:
半分はイエス、だね。

LLMは、大量のテキストから専門知識を暗黙のうちに吸い込んでいる。

だから昔のように、専門家に一問一答でヒアリングして if-then を一行ずつ書き起こす
── あの工程は、確かに大幅に要らなくなった。

記号主義が何十年も苦しんだ「知識獲得のボトルネック」を、コネクショニズムが横から迂回して解いてしまった、とも言える。

学部生:
じゃあ、もう記号主義の負けじゃないですか。

講師:
そう思うだろう？
でも、ここで**ボトルネックが“移動した”**んだ。

たしかに「知識を書き下す手間」は消えた。

でもね、その代わりに、 **「その知識が正しいか、筋道が通っているかを保証する手間」**が、新しい壁として残った。

LLM は、もっともらしく間違えるし、なぜその答えなのかも見せてくれない。

学部生:
あっ……。だから、そこを構造（論理・ルール・検証）で締め直そうという動きが出てくる。
それが「揺り戻し」なんですね。

講師:
そういうことだ。手間が消えたんじゃなくて、形を変えた。
そして、その新しい手間に効くのが ── のちほど話す「構造側の道具」 なんだよ。

それにね、この「出力をどう保証するか」という問いは、いまや学問的な興味の話じゃ済まなくなっている。

AI がモニターの画面の中から、現実の社会空間に出てきはじめたからだ
── ドローン、無人運転車、介護ロボット、レストランの配膳ロボット、倉庫や工場の作業ロボット、巡回警備ロボット。いわゆる Physical AI だね。

学部生:
画面の中で間違えるのと、現実空間で間違えるのとでは、重みが全然ちがいますね。

講師:
まさにそういうこと。

だから AI の安全性（AI Safety） が、いま大きなテーマになっている。

「もっともらしく間違える」では済まされない領域で、いかに振る舞いを構造で保証するか
── ここで、形式証明（formal verification）のような“構造側”の道具が、もう一度ものを言いはじめているんだ。

📝 筆者より：この「形式証明 × AI Safety」というテーマは、Zenn Bookで筆者がすでに書いています。興味のある方は、あわせて読んでみてください。

ただ、その「揺り戻し」の話に入る前に
── ひとつ、並走してきたもうひとつの歴史を重ねておきたい。プログラミング言語の歴史だ。

---

第７章 ── もうひとつの並走史：プログラミング言語のパラダイム

学部生:
プログラミング言語の歴史も、AI の振り子と関係あるんですか？

講師:
大ありなんだ。

「AI をどう作るか」という発想は、「どんな言語で書くか」と、しっかり連動してきた。

まず、言語の大きな地図を描こう。
プログラミング言語は、ざっくり２つの大分類に分かれる。

• 命令型（手続き型）：「どうやるか（How）」を、手順として書く。for で回して、変数を書き換えて…という、君がいちばん慣れた書き方。C や、Python のふつうの書き方だ。
   
• 宣言型：「何が欲しいか（What）」を書いて、どうやるかは機械に任せる。SQL がいい例だね ── 「営業部の上位10人」と書くだけで、ループもソートも DB が勝手にやる。

そして、この宣言型の中に、いまの話に効いてくる３兄弟がいる。

• 関数型（functional）：計算を「関数の合成」として書く。Lisp、ML、Haskell が代表。
• 論理型（logic）：計算を「事実と規則を宣言して、推論させる」ものとして書く。Prolog が代表。
• データベース型：SQL など。

学部生:
関数型と論理型……名前は聞きますが、正直あまり書いたことがないです。

講師:
Python しか書いたことがなくても大丈夫、イメージだけ掴もう。

論理型（Prolog）は、こんな感じだ。「トムはボブの親」「ボブはアンの親」という事実と、「XがYの親で、YがZの親なら、XはZの祖父母」という規則を書く。

すると、「トムはアンの祖父母か？」と質問するだけで、推論エンジンが「真」と答えを探してくれる。

ループも if 文も書かない。

これは、まさに記号主義そのものだ ── 人間がルールを書いて、機械が推論する。

実際のコードで見ると、こうだ。

% --- 事実（fact）: 「親である」という関係をそのまま書く ---
parent(tom, bob).    % トムはボブの親
parent(bob, ann).    % ボブはアンの親

% --- 規則（rule）: 「XがYの親、YがZの親なら、XはZの祖父母」---
grandparent(X, Z) :-
    parent(X, Y),
    parent(Y, Z).

% --- 質問（query）: 「トムはアンの祖父母か？」 ---
?- grandparent(tom, ann).
% true.   ← 推論エンジンが探して「真」と答える

注目してほしいのは、「どう探すか」を一行も書いていないこと。

for ループも if 文もない。

grandparent の“定義”を宣言するだけで、答えの探し方（推論）は処理系がやってくれる。
これが宣言型 ── そして記号主義 ── の手ざわりだ。

学部生:
あ、記号主義のエキスパートシステムと、発想がそっくりですね！

「祖父母とは、親の親である」── そういう判断のルールを宣言しておくと、あとは機械が当てはめてくれる。

これって、医者の診断知識を「この症状とこの所見があれば、この病気を疑え」ってルールで書いておく、エキスパートシステムとまったく同じ作り方じゃないですか。

講師:
そっくりどころか、地続きだ。

だから ── 第五世代コンピュータ（記号主義AIの国家プロジェクト）が、Prolog（論理型言語）を土台にしたのは、必然だった。

記号主義AI の全盛期は、論理型言語の全盛期でもあったんだ。

この話は、姉妹記事「論理プログラミングは終わらなかった ── 第五世代コンピュータから LLM / AI Agent / MCP Solver へ」 でじっくり書いたよ。

学部生:
じゃあ、関数型は？

講師:
関数型（Haskell など） は、もう少し違う角度から「構造」を大事にする。

計算を、副作用のない関数の組み合わせとして書く。

データを書き換えない（不変・immutable）、
同じ入力には必ず同じ出力（参照透過）、
そして強力な型システムで、間違いをコンパイル時に捕まえる。

学部生:
データを書き換えない……Python でうっかり list を破壊して、バグらせるあれの、逆ですね。

講師:
まさに。

そして、ここが重要なんだけど ── 関数型の根っこは「ラムダ計算」という数学で、型システムは圏論や論理と深くつながっている。

QNLP の記事で出てきた**「カリー・ハワード対応（証明＝プログラム＝圏）」** を覚えているかい？
関数型言語の型は、論理の証明と同じ構造をしている。

このあたりも、先ほど挙げた Zenn Bookに、掘り下げた解説が掲載されているから、興味を寄せてくれたなら、一度目を通してみるとよいかもしれない。

学部生:
関数型も、論理型も、「構造」サイドの住人なんですね。
記号主義の親戚。

講師:
そういう見立てができる。
整理しよう。

AIの振り子と、言語の主役は、こう並走してきた。

• 記号主義の時代（〜1980年代）：論理型（Prolog）・宣言的な「構造」言語が、AIの表舞台にいた。第五世代コンピュータがその象徴。
   
• コネクショニズムの時代（2012〜）：主役は、ニューラルネットを手続き的に書く言語 ── つまり Pythonだ。for を回し、テンソルを書き換え、model.fit() を呼ぶ。いまの AI 実装は、圧倒的に手続き型のスタイルで書かれている。

学部生:
言われてみれば……。
深層学習のコードって、ぜんぶ手続き型ですね。
Prolog で書いた CNN なんて見たことない。

講師:
そうだろう。

「データから学ぶ」コネクショニズムは、手順を書く手続き型言語（Python）と相性がよかった。

それに対して、「ルールで組み立てる」記号主義は、宣言型・論理型と相性がよかった。

AIのパラダイム と、言語のパラダイム は、鏡のように連動してきたんだ。

学部生:
じゃあ、関数型（Haskell） は、ずっと日陰だったんですか？

講師:
いい質問だ。

そして、ここからが、いちばん現代的で面白い話になる。
── その日陰にいたはずの関数型が、いま、君の使っている言語に、静かに忍び込んでいる んだよ。

---

第８章 ── 関数型が、モダン言語に浸透している ── これは何のサインか

講師:
ここ十数年、Haskell に代表される関数型の流儀が、モダンで人気のある言語に、次々と取り込まれている。君が毎日使う言語にも、もう入っているはずだ。具体例を見よう。

• Python：lambda、リスト内包表記、map / filter、functools。型ヒントも年々強化されている。
   
• JavaScript：アロー関数（x => x）、map / filter / reduce、イミュータブルを重んじる流儀。
   
• Rust：不変がデフォルト、Option<T> / Result<T, E>（これは関数型でいう「モナド」的な仕組み）、Iterator による変換パイプライン、一級のパターンマッチング、代数的データ型。
   
• Scala：そもそも OOP と関数型の橋渡しとして設計され、パターンマッチ・case class・不変データを備える。
   
• Java：もとは硬派なオブジェクト指向だったのに、ラムダ式と Stream API を取り込んだ。

学部生:
あ、ぜんぶ見覚えがあります。map、filter、Rust の Option、パターンマッチ……。
これ、全部「関数型由来」だったんですか。

講師:
そうなんだ。

しかも面白いのは、Python も Rust も Java も、純粋な関数型言語じゃないこと。

これらは「マルチパラダイム」── 手続き型のベースに、関数型の良いところをつまみ食いしている。

「不変にしておくとバグが減る」「関数を組み合わせると見通しがいい」「型でミスを防げる」── こういう関数型の知恵だけを、実用言語が取り込んでいるんだ。

学部生:
なぜ、いまになって 取り込まれているんでしょう。

講師:
理由は、たぶん２つある。

ひとつは、並行・並列処理だ。
データを書き換えない（不変）なら、複数のプロセッサが同じデータを安全に同時に読める。
マルチコアや大規模データの時代に、関数型の「不変」が効くようになった。

もうひとつは、コードの信頼性だ。
状態の書き換えが減れば、バグが減る。
型が強ければ、間違いを早く捕まえられる。
大規模化・複雑化したソフトウェアを、安全に保つために、関数型の規律が求められてきた。

学部生:
あ、それで Python にも型ヒントや内包表記がどんどん増えているんですね。

講師:
そういうことだ。── しかも、これは「言語仕様」だけの話じゃない。君が毎日使う機械学習フレームワーク自体が、同じ方向へ動いているんだ。

補足：機械学習ツールにも忍び込む「関数型・宣言型」

• JAX（Google）── 純粋関数（副作用のない関数）を前提にして、grad（微分）・vmap（自動ベクトル化）・jit（コンパイル）という「関数を受け取って関数を返す」変換を組み合わせて深層学習を書く。まさに関数合成そのものだ。
• PyTorch 2.0 の torch.compile ── ふだんの手続き的なコードから、計算グラフ（構造）を宣言的に抽出して最適化する。さらに、JAX 由来の grad／vmap（functorch）が torch.func として本体に取り込まれた。

「データから学ぶ統計の道具」のなかに、「構造を大事にする関数型・宣言型の発想」が、確かに入り込んでいる。

学部生:
言語のレベルでも、AI実装ツールのレベルでも、同じことが起きている……。

てことは、いっそのこと Haskell や Idris みたいな関数型言語に乗り換えたほうがいいんですか？
新しい書き方を覚える学習コストは、ちょっと大変ですけど……。

講師:
いや、そこは早とちりしないでほしい。「乗り換え」じゃないんだ。

考えてみてほしい ── いまの AI 実装の主役は、これからも当分 Python だ。誰も Idris で LLM を訓練しない。

手続き型の現場は、現場のまま強い。だから、ピュアな関数型言語に引っ越す必要はない。

大事なのは 「移住」じゃなくて「輸入」 だ。

いつもの Python のなかに、関数型の“良い習慣”だけを持ち込む
── 不変（書き換えない）、関数の合成、型でミスを防ぐ、パターンマッチ。これは学習コストの割に、すぐ効く。

学部生:
言語ごと変えるんじゃなくて、いまの言語の“書き方”を一段良くする、ということですね。

講師:
そう。── ただ、Python 一択かというと、そうとも限らない。いま Julia が注目されているのも、同じ流れのなかにある。

学部生:
Julia、よく名前を聞きます。あれは何が違うんですか？

講師:
科学技術計算・数値計算に強くて、Python 並みに書きやすいのに、C 並みに速いことを狙った言語だ。

面白いのは、その設計の中心に 多重ディスパッチっていう、関数を主役に据える考え方があること ── これは関数型の発想と地続きだ。

しかも、不変なデータや型をうまく使うスタイルが効く。

「速さ（手続き型の現場力）」と「構造（関数型的な書き味）」を、最初から両取りしようとしている言語、と言ってもいい。

学部生:
じゃあ Julia も、「統計と構造の合流」 を、言語のレベルで体現してるみたいな存在なんですね？

講師:
そういう見方ができる。
── そしてもうひとつ。Haskell や Idris、あるいは Lean のような証明支援系を“勉強する”のは、また別の意味で価値がある。

現場の主力にするためじゃなく、「構造側」の考え方そのもの ── 論理・型・証明 ── を頭に入れるためだ。

さっき話した QNLP や形式検証、AI Safety に踏み込むなら、その素養が効いてくる。

たとえば Lean だ。
もともとは数学の証明を、機械がチェックできる形で書くための言語でね
── 「この定理は正しい」を、人間のレビューじゃなく、コンパイラが保証してくれる。

その発想を、プログラムやAIの振る舞いに向ければ、「このシステムは、この条件では絶対にこう動く」を“証明として”積み上げられる。

**「もっともらしく正しい」じゃなく「証明できるから正しい」**の世界だ。
LLM が苦手な“厳密さ”を、いちばん硬いところで引き受ける道具、と言ってもいい。

それにね ── さっき、Physical AI の時代になって AI Safety のニーズが高まっている、と言ったのを覚えているかい？

あれは、研究室の中だけの話じゃないんだ。
Google DeepMind や OpenAI をはじめ、主要な研究機関が、AI の安全性を担保するための研究に、いま本気で投資している。

学部生:
「正しさを保証する」って、もう“あれば嬉しい”じゃなくて、“ないと困る”になってきてるんですね。

講師:
そういうことだ。
LLM をどれだけ賢くしても、「絶対に間違えてはいけない場面」は残る。

そこを埋めるのが、形式検証や証明といった**「構造側」の道具**だ。
── つまり、君がいま学ぼうとしている構造の素養は、時代が必要としはじめている、ということでもある。

現場は Python（や Julia）、視野として構造側を持っておく。それが、いちばん費用対効果のいい構えだと思うよ。

学部生:
……こうして見ると、「構造側」って、ぜんぶどこかで繋がっているんですね。関数型、論理、証明、AI Safety……。で、これって結局、さっきの「AI の振り子」とは、どうつながるんですか？

講師:
ここが核心だ。思い出してほしい。関数型と論理型は、どちらも「構造」サイドの住人だった。記号主義の親戚だ。

その 「構造」の知恵が、いま、手続き型のど真ん中（Python や JavaScript）に、静かに染み込んでいる。

学部生:
あ……。言語の世界でも、「構造」が揺り戻している、ということですか。

講師:
僕はそう読んでいる。

AI のレベルでは「ニューロシンボリック（統計＋構造）」、
言語のレベルでは「マルチパラダイム（手続き型＋関数型）」

── 同じ「揺り戻し」が、２つの層で同時に起きているんだ。

どちらも、「純粋にどれか一つ」ではなく、「良いところを編み合わせる」方向だね。
さっきの証明や AI Safety も、結局この「構造側」の同じ系譜だよ。

学部生:
AI も、言語も、「合流」に向かっている。
なぜ揃うんでしょう。

講師:
偶然じゃないと思う。

大規模で複雑で、間違いが許されないものを作るとき、人は、「構造の規律」 を求める。

AI が「説明できない・間違える」で困れば、構造（記号主義・QNLP・形式手法）が呼び戻される。

ソフトウェアが「バグだらけ」で困れば、構造（関数型の不変・型）が呼び戻される。同じ力学だよ。

だから、関数型を学ぶことは、「揺り戻し」の側を学ぶことでもある。

しかも ── QNLP のところで話したように ── 関数型の型システムは、論理・圏論・証明と地続きだ。
Python の質を上げつつ、QNLP や形式検証のような「構造側のAI」への入り口にもなる。一粒で何度もおいしい、複利の効く投資なんだよ。

📝 筆者より：この「型 ＝ 論理 ＝ 証明（カリー・ハワード対応）」のつながりや、QNLP の具体は、前述の Zenn Book と、姉妹編「「猫が魚を食べる」を量子回路に変換する（QNLP入門）」で掘り下げています。あわせてどうぞ。

学部生:
統計も、構造も、両方が大事になってきている。

講師:
歴史が２つの層で同じことを言っているなら、それはたぶん本物のサインだからね。

---

第９章 ── 揺り戻し：統計と構造が、手を結びはじめる

講師:
いまの LLM は、本当にすごい。でも、苦手なこともはっきりしてきた。

厳密な論理推論、正確な計算、絶対に間違えてはいけない判断
── このあたりは、「次の単語を確率的に予測する」という仕組みの本質的な弱点なんだ。

学部生:
たしかに、LLMに難しい計算をさせると、もっともらしく間違えますよね。

講師:
そこで起きているのが「揺り戻し」だ。

統計が得意なこと（言葉・パターン）は LLM に任せ、
構造が得意なこと（論理・計算・制約）は、記号的な道具に任せる。

両方を組み合わせよう、という動きだね。

代表的なものを３つ挙げよう。

１つ目：AIエージェント、LLM＋ツール。
LLM に、電卓やコード実行、検索、そして制約ソルバーといった「道具」を持たせる。
LLM が「何をすべきか」を考え、苦手な厳密計算は外部の記号的なツールに投げる。

学部生:
電卓、ですか？ なんだか急に素朴ですね。

講師:
これがいい例なんだ。

LLM は「次の単語を確率的に予測する」仕組みだから、348 × 29 みたいな計算が、実は本質的に苦手でね
── もっともらしく間違える。

だから賢いやり方は、LLM 自身に暗算させず、計算は電卓（計算ツール）に投げて、正確な答えを受け取ること。

コード実行・検索・制約ソルバーも、発想は全部これと同じだ。「正確さ・厳密さ」が要る仕事を、それが得意な記号的な道具に任せるんだよ。

学部生:
なるほど、LLM が「何を計算するか」を決めて、「正確に計算する」のは道具にやらせる。

講師:
そういうことだ。姉妹記事で紹介した MCP Solver（LLM が制約ソルバーを呼ぶ）は、その代表例だ
── 記号主義の末裔（制約プログラミング）と、コネクショニズムの王者（LLM）が、握手した瞬間だった。

学部生:
統計の LLM が、構造のソルバーを「道具」として使う。役割分担ですね。

講師:
２つ目：QNLP。
これは、もっと深いところで構造に立ち返る。

文法構造そのものを、計算の骨格にする。

LLM が文法を「データから暗黙に学ぶ」のとは逆に、QNLP は文法という構造を、明示的に計算の設計図として使う。記号主義・構造主義の血を、はっきり引いているんだ。

ただし、ここは誤解しないでほしい。

QNLP は、いまはまだ研究段階のアプローチで、実用で圧倒的な LLM と、現時点で正面から張り合う技術ではない。

「次の本命はこっちだ」と言いたいんじゃない。あくまで、構造側の系譜が、量子計算という新しい器の上で静かに息づいている一例として見てほしいんだ。

学部生:
QNLP は、振り子でいうと「構造」側に、あえて戻っているんですね。

講師:
そう。ただし、ただ昔に戻るんじゃない。

量子計算という新しい器の上で、構造を蘇らせている。

３つ目：ニューロシンボリック（neuro-symbolic）AIだ。

これは、その名のとおり、ニューラルネット（neuro＝統計）と、シンボリック（symbolic＝構造）を、ひとつのシステムに統合しようという研究分野そのものだ。

学部生:
さっきの 「手を結ぶ」を、正面から目指す 分野。

講師:
そういうことだ。歴史を思い出してほしい。

記号主義は「構造は書けるが、データから学べない」。
コネクショニズムは「データから学べるが、構造（筋道）が見えない」。
── 両者は、お互いの弱点が、ちょうど裏返しなんだよ。

学部生:
あ……。
だから「どっちが勝つか」じゃなくて、「合流」なのか。
片方の弱点を、もう片方が埋められる。

講師:
まさに、それがこの記事でいちばん伝えたいことだ。

---

第１０章 ── 今後の展望：振り子から、らせんへ

学部生:
こうして歴史を通してみると、「振り子」っていう言い方、すごくしっくりきます。

$記号主義 → コネクショニズム → 記号主義 → コネクショニズム$ ……って、行ったり来たり。

講師:
うん。でも、最後にひとつ、見方を更新しておきたい。
これは、ただの「振り子」じゃないと思うんだ。

学部生:
というと？

講師:
振り子は、同じところを行ったり来たりするだけだろう。

でも AI の歴史は、一周するたびに、少し高いところに登っている。

1950年代の記号主義と、いまのニューロシンボリックは、同じ「構造重視」でも、まるでレベルが違う。
1960年代のパーセプトロンと、いまの LLM も、同じ「統計」でも、桁違いだ。

たとえば、３つの時代を、「学習できるか／構造を扱えるか」 で並べてみると、はっきりと上に登っていることが分かる。

時代	代表	データから学べる？	構造（筋道）は？
記号主義（〜1980s）	エキスパートシステム	✗ 学べない（人が手で書く）	◎ 明示的に書ける
コネクショニズム（2012〜）	LLM	◎ 学べる	✗ 見えない（暗黙）
ニューロシンボリック（いま）	LLM＋ツール / QNLP	◎ 学べる	○ 取り戻そうとする

同じ「構造を大事にする」でも、1950年代の「学習できない構造」から、いまの「学習と構造の両立」へと、一段のぼっている。

だから ──

学部生:
行ったり来たりしながら、上に登っていく
── らせんですね。

講師:
そう、振り子じゃなくて、らせんだ。

そして、いま起きている「揺り戻し」は、たぶん次のことを意味している
── これからの AI は、「統計か、構造か」の二択をやめて、「統計も、構造も」を、どう賢く組み合わせるかの時代に入る。

学部生:
LLM がベースにありつつ、そこに構造的な道具や、QNLP のような構造的なアプローチが、編み込まれていく。

講師:
僕はそう見ている。もちろん、断言はできないよ ── 未来のことだからね。量子ハードウェアがどこまで育つか、ニューロシンボリックがどこまで実用になるかは、まだ分からない。いま実用で圧倒的なのは、あくまで LLM だ。そこは誇張しない。

でも、歴史の方向としては、「合流」に向かっている。

だから、君がもし「構造側」── 論理、圏論、QNLP、形式手法 ── を学ぶなら、それは「時代遅れの記号主義」じゃない。次のらせんを巻き上げる、もう半分の糸を学ぶことなんだ。

学部生:
統計だけでも、構造だけでもなく、その両方を編める人になりたいです。

講師:
いい着地だ。

── その第一歩は、何も大げさなことじゃなくていい。

たとえば、いつものPythonのループを、ひとつ内包表記や map に書き換えてみる。

状態を書き換える代わりに、frozen=True の不変なデータにしてみる。

その小さな「構造化」が、らせんのこちら側 ── 構造の世界への、いちばん身近な入り口だ。

学部生:
明日、手元のコードでやってみます。

講師:
それでいい。── 歴史は、まだ続いている。

次に、このらせんを、もう一段巻き上げる のは、案外、君たちの世代かもしれないよ。

---

まとめ

AI の歴史を、「記号主義（構造で組み立てる）」と「コネクショニズム（データから学ぶ）」という２人の主役の交代劇として、振り返ってきました。

念のため、本記事で「主役が二度交代した」と呼んでいるのは、次の２度を指します。

1. コネクショニズム → 記号主義（1969年前後）── 『パーセプトロンズ』と第一次の冬を経て、記号主義（エキスパートシステム）が表舞台へ。
    
2. 記号主義 → コネクショニズム（2012年前後）── AlexNet の衝撃を機に、ニューラルネットが主役に返り咲く。

その後の Transformer・LLM（2017〜）は、この２度目の交代を決定的に押し広げたもの、と位置づけています。

「冬」や流行り廃りは他にもありましたが、本記事では、“圧倒的な主役”がまるごと入れ替わったこの２度を「主役交代」と捉えています。

• 1957：パーセプトロン（ローゼンブラット）── コネクショニズムの輝かしい出発。
   
• 1969：『パーセプトロンズ』（ミンスキー＆パパート）── XOR の壁、第一次AIの冬。記号主義が優勢に。
   
• 1970〜80年代：エキスパートシステムの黄金時代 ── ただし「知識獲得のボトルネック」で行きづまり、第二次AIの冬。
   
• 1986：バックプロパゲーション（ラメルハート・ヒントン・ウィリアムズ）── 多層ネットが復活、『パーセプトロンズ』の壁を突破。
   
• 2012：AlexNet ── ニューラルネット＋大量データ＋GPU が初めて結実し、ディープラーニングが大逆転。
   
• 2017：Transformer ──「Attention Is All You Need」、そして LLM の時代へ。
   
• 2022：ChatGPT 公開 ── Transformer 系モデルが一般社会に爆発的に普及。いまコネクショニズムが圧倒的主役。
   
• いま：揺り戻し ── AIエージェント（LLM＋ツール）、QNLP、ニューロシンボリック。統計と構造が、手を結びはじめている。

大事なのは、この歴史を「どちらが正しいかの勝敗」ではなく、「お互いの弱点を補い合いながら、らせん状に登っていく物語」として読むことです。

記号主義は、「構造は書けるが、学べない」。
コネクショニズムは、「学べるが、筋道が見えない」。

この２つは、弱点がちょうど裏返しでした。
だからこそ、最後は「合流」に向かう ── それが、70年の歴史が示している方向です。

そして、姉妹編で扱った QNLP（構造を量子計算に乗せる）も、論理プログラミング＋LLM（MCP Solver）（構造のソルバーを LLM が呼ぶ）も、この大きな物語のなかの、「揺り戻し」の最前線として位置づけられます。

ただし、誤解のないように言い添えると ── **いま実用で圧倒的なのは、あくまで LLM です。

QNLP はまだ研究段階**であり、現時点で LLM と競合する技術ではありません。

ここで言いたいのは「QNLP が次の主役だ」ということではなく、「統計一辺倒に見える時代の足元で、構造の系譜が静かに息づいている」という事実のほうです。

Transformer と LLM の圧倒的な現在を正しく認めたうえで、その隣で静かに育っている「構造」の系譜にも目を向けておく
── それが、これからの AI を、流行に流されず、長い射程で見るための、いちばん確かな足場になるはずです。

---

関連記事（姉妹編）

この記事は、次の２本と合わせて読むと、「統計」と「構造」の物語が立体的になります。

• 論理プログラミングは終わらなかった ── 第五世代コンピュータから LLM / AI Agent / MCP Solver へ ── 「構造」側の系譜（論理・制約プログラミング）が、現代の LLM とどう再合流したか。
• 「猫が魚を食べる」を量子回路に変換する ── QNLP（量子自然言語処理）入門 ── 「構造」を量子計算に乗せる、もう一つの最前線。

関連本

• 論理学から AI Safety へ ─ 圏論・Gödel・HoTT がつなぐ知の地図

---

参考文献

1. Rosenblatt, F. (1958). The perceptron: A probabilistic model for information storage and organization in the brain. Psychological Review. ／ 1957年のパーセプトロン開発、当時の報道（New York Times）に関する歴史的記述。
2. Minsky, M. & Papert, S. (1969). Perceptrons: An Introduction to Computational Geometry. MIT Press. ── 単層パーセプトロンの限界（XOR 問題）と、多層への（誤った）推測。
3. 第一次・第二次「AIの冬」、記号主義 vs コネクショニズムの競合に関する歴史的レビュー（例：arXiv:2109.01517 "A brief history of AI"）。
4. 1970〜80年代のエキスパートシステム（MYCIN, DENDRAL, XCON/R1, PROSPECTOR ほか）と「知識獲得のボトルネック」に関する整理。
5. Rumelhart, D. E., Hinton, G. E., & Williams, R. J. (1986). Learning representations by back-propagating errors. Nature, 323. ── バックプロパゲーションによる多層ネットの学習。
6. Krizhevsky, A., Sutskever, I., & Hinton, G. E. (2012). ImageNet Classification with Deep Convolutional Neural Networks（AlexNet）. ── ニューラルネット＋ビッグデータ＋GPU の結実。
7. Vaswani, A. et al. (2017). Attention Is All You Need. ── Transformer の提案。
8. ニューロシンボリックAI（neuro-symbolic AI）に関する近年のサーベイ。
9. Tsouros et al. (2025). MCP Solver（arXiv:2501.00539）── LLM と制約ソルバーの結合。
10. QNLP / DisCoCat：Coecke, Sadrzadeh, Clark (2010) ほか。詳細は姉妹編の QNLP 記事の参考文献を参照。
11. Brown, T. et al. (2020). Language Models are Few-Shot Learners（GPT-3）. ／ Ouyang, L. et al. (2022). Training language models to follow instructions with human feedback（InstructGPT, RLHF）. ／ ChatGPT 公開（2022年11月）。── Transformer から LLM の社会的普及までの経緯。
12. JAX（Google）の関数変換（grad / vmap / jit と純粋関数の前提）、および PyTorch 2.0 の torch.compile（TorchDynamo による計算グラフ抽出）・torch.func（functorch 由来の合成可能な関数変換）。── 機械学習フレームワークにおける関数型・宣言型アプローチの浸透。