G検定を勉強していると、
「ELIZAは世界初のAIなの？」
「PARRYとは何が違う？」
「そもそも、どういう仕組みで会話していたの？」
「ELIZA効果って何？」
「今のChatGPTのようなLLMと何が違うの？」
という疑問が出てくる。
名前と年代だけ覚えてしまうこともできるが、それではAIの歴史がなかなかつながらない。
そこでこの記事では、G検定の勉強中に疑問になった ELIZA・PARRYを中心に、初期の対話AIがどのように発展してきたのか を整理する。
1. まずAIの歴史を大きく見る
AIの歴史では、何度か大きなブームと停滞が繰り返されている。
ざっくり整理すると、
1950年代
↓
「機械は知的に振る舞えるのか？」
1956年
↓
ダートマス会議
Artificial Intelligenceという研究分野が本格化
1960年代
↓
ELIZAなどの初期AI
1970年代
↓
PARRYなど
1980年代
↓
エキスパートシステム
1990〜2000年代
↓
機械学習の発展
2010年代
↓
ディープラーニングの発展
2020年代
↓
大規模言語モデル（LLM）・生成AI
ELIZAやPARRYは、
「現在の生成AIにつながる非常に初期の対話システム」
として見ると位置づけが分かりやすい。
2. ELIZAとは何か
ELIZAは、1960年代にMITのJoseph Weizenbaumによって開発された対話プログラムである。
特に有名なのが、
DOCTOR
というスクリプトである。
これは心理療法士のような受け答えをする。
例えば、
User:
I am unhappy.
ELIZA:
Why are you unhappy?
あるいは、
User:
My mother doesn't understand me.
ELIZA:
Tell me more about your mother.
といった会話をする。
一見すると、
「ELIZAが人間の気持ちを理解して返答している」
ように見える。
しかし、実際にはそうではない。
3. ELIZAはどうやって会話していた？
ここが最初に疑問になったところ。
ELIZAは現在のLLMのように、大量の文章を学習して文章を生成していたわけではない。
基本的には、
パターンマッチング
によって返答していた。
イメージとしては、
入力
↓
特定のキーワードを探す
↓
パターンに一致するルールを探す
↓
文章を変換
↓
返答
という仕組みである。
例えば、
I am X
というパターンを検出したら、
Why are you X?
のような返答ルールを適用する。
つまり、
人間
「私は悲しい」
ELIZA
「なぜあなたは悲しいのですか？」
という会話が成立しても、
ELIZA自身が、
悲しい
↓
感情
↓
この人には何か嫌な出来事があった
と人間のように理解しているわけではない。
4. それなのになぜ人間は「理解された」と感じた？
ここから出てくる重要な概念が、
ELIZA効果
である。
ELIZA効果とは、
コンピュータの単純な反応に対して、人間が実際以上の知性・理解・感情などを読み取ってしまう現象
を指す。
例えば、
私：
最近仕事が大変です
AI：
仕事のどんなところが大変ですか？
と言われると、
「ちゃんと話を理解してくれている」
と感じることがある。
しかし、
仕事
大変
という単語を検出して定型文を返しているだけでも、表面的には似た会話を作れる。
5. なぜELIZA効果が重要なのか
これは昔のAIだけの話ではない。
むしろ生成AIが普及した現在でも重要な考え方である。
AIが自然な文章を返すと、人間はつい、
自然な文章を書く
↓
内容を理解している
↓
物事を人間と同じように考えている
と考えやすい。
しかし、この3つは同じではない。
特にLLMについて考えるとき、
「人間らしい出力」と「人間と同じ方法で理解していること」を区別する
必要がある。
ELIZA効果は、その問題が1960年代から存在していたことを示している。
6. PARRYとは何か
次に疑問になったのがPARRY。
PARRYは1970年代にKenneth Colbyによって開発された対話プログラムである。
ELIZAと同じく初期の対話AIだが、重要な違いがある。
ELIZAは主に、
入力
↓
パターン
↓
応答
だった。
一方PARRYには、より複雑な内部状態が存在した。
7. 「PARRYの内部状態」とは何？
ここは名前だけ覚えるとかなり分かりにくい。
PARRYは、人間の心理状態のようなものを単純化して内部に持っていた。
例えば、
疑い
恐怖
怒り
などに相当する変数・状態を持たせる。
そして会話によって状態が変化する。
イメージとしては、
最初
疑い = 30
恐怖 = 20
怒り = 10
↓
相手から怪しい質問をされる
↓
疑い = 60
恐怖 = 40
怒り = 20
↓
返答が変化
という感じ。
※実際のPARRYの実装をそのまま表した数値ではなく、仕組みを理解するためのイメージである。
重要なのは、
同じ入力でも内部状態によって反応が変わる
という考え方である。
8. ELIZAとPARRYは何が違う？
整理するとこうなる。
| ELIZA | PARRY | |
|---|---|---|
| 登場 | 1960年代 | 1970年代 |
| 主な人物 | Joseph Weizenbaum | Kenneth Colby |
| 基本思想 | パターンに応じて応答 | 内部状態も使って応答 |
| 特徴 | 心理療法士風の会話 | 特定の心理状態をモデル化 |
| 人間の言葉を本当に理解？ | していない | 人間と同じ意味で理解しているわけではない |
流れとして見ると、
ELIZA
入力
↓
パターンマッチング
↓
返答
から、
PARRY
入力
↓
内部状態
↓
ルール
↓
返答
へ少し複雑になったと考えると理解しやすい。
9. PARRYは機械学習なの？
ここも混同しやすい。
基本的には、
現在いう機械学習やディープラーニングとは違う。
現在の機械学習では、
大量のデータ
↓
学習アルゴリズム
↓
パラメータを調整
↓
モデル
という形で、データから規則性を獲得する。
一方、ELIZAやPARRYの時代は、
人間
↓
ルールを書く
↓
コンピュータ
↓
ルールに従って処理
という考え方が中心だった。
つまり、
人間が知識やルールを与えるAI
である。
10. ここから「ルールベースAI」が見えてくる
初期AIを理解すると、その後のAI史も分かりやすくなる。
昔の代表的なアプローチは、
if 条件A:
処理A
if 条件B:
処理B
のように、人間がルールを書く方法だった。
これは、
ルールベースシステム
と呼ばれる。
さらに、
専門家の知識
↓
ルール化
↓
コンピュータに登録
↓
推論
という考え方が発展して、
エキスパートシステム
につながっていく。
11. なぜルールベースだけでは難しかった？
ここがAIの歴史を理解するうえで重要。
例えば、
犬なら四本足
猫なら四本足
馬なら四本足
程度なら人間がルールを書ける。
しかし現実世界では、
この写真は犬？
この文章は怒っている？
この人は何を言おうとしている？
のような問題がある。
これらについてすべてのルールを人間が書こうとすると、膨大になる。
さらに例外も大量に存在する。
ルールを追加
↓
例外が発生
↓
別のルールを追加
↓
ルール同士が衝突
↓
さらに修正
となり、システムの維持が難しくなる。
12. そこで機械学習という考え方が重要になる
発想を変える。
人間がルールを書く
のではなく、
データからコンピュータにルールを見つけてもらう
という考え方である。
つまり、
ルールベース
人間
↓
ルール
↓
データ
↓
答え
機械学習
データ
＋
正解など
↓
学習
↓
モデル
↓
新しいデータに対する予測
という違いがある。
ここはG検定を勉強するときの大きな分岐点になる。
13. さらにディープラーニングへ
従来の機械学習では、人間が、
どんな特徴を見るべきか
を設計することも多かった。
例えば画像認識なら、
輪郭
色
形
角
など。
これを特徴量と呼ぶ。
ディープラーニングでは、多層のニューラルネットワークを利用して、データから有用な特徴表現まで学習できることが大きな特徴となった。
大きな流れで見ると、
ルールベースAI
↓
人間がルールを書く
機械学習
↓
データから規則性を学習する
ディープラーニング
↓
多層ニューラルネットワークで
特徴表現も含めて学習する
となる。
14. ではChatGPTのようなLLMは？
現在のLLMは、ELIZAとは仕組みが大きく異なる。
非常に単純化すると、
大量のテキスト
↓
Transformer
↓
学習
↓
大量のパラメータを持つモデル
↓
文脈からトークンを予測
↓
文章生成
という仕組みになっている。
ELIZAのように、
"I am X"
↓
"Why are you X?"
という会話ルールを一つひとつ人間が登録しているわけではない。
15. それでもELIZAを学ぶ意味がある
「今はLLMがあるのに、1960年代のELIZAを覚える意味ある？」
と思うかもしれない。
かなり意味がある。
ELIZAを見ると、
AIの出力が人間らしいことと、AI内部の仕組みが人間と同じことは別問題
だと分かるからである。
ELIZA
↓
単純な仕組みでも
人間は「理解された」と感じた
PARRY
↓
内部状態を持たせることで
さらに人間らしい振る舞いを作った
ルールベースAI
↓
人間が大量の知識を書くことに限界
機械学習
↓
データから規則性を学習
ディープラーニング
↓
複雑な特徴表現も学習
LLM
↓
大量のテキストから
言語の複雑なパターンを学習
こう考えると、G検定で登場するAI史が単なる年表ではなくなる。
16. G検定では「名前」より関係性で覚える
今回の内容なら、
ELIZA
│
├─ Joseph Weizenbaum
├─ 1960年代
├─ 対話プログラム
├─ パターンマッチング
└─ ELIZA効果
↓ より複雑な対話モデル
PARRY
│
├─ Kenneth Colby
├─ 1970年代
└─ 内部状態を利用
↓
ルールベースAI
│
└─ 人間がルール・知識を記述
↓ 限界
機械学習
│
└─ データから規則性を学習
↓
ディープラーニング
│
└─ 多層ニューラルネットワーク
↓
生成AI・LLM
という一本の線として理解した方が覚えやすい。
17. 今回の疑問を一問一答で復習
Q. ELIZAとは？
初期の対話プログラム。パターンマッチングなどを利用して、人間と会話しているような応答を実現した。
Q. ELIZAは人間の気持ちを理解していた？
人間と同じ意味で理解していたわけではない。
Q. ELIZA効果とは？
単純なコンピュータの応答に対して、人間が実際以上の知性や理解を感じてしまう現象。
Q. PARRYとは？
1970年代に開発された初期の対話プログラム。内部状態を使って振る舞いを変化させる点が特徴。
Q. ELIZAとPARRYの大きな違いは？
ELIZAはパターンマッチング中心。PARRYでは内部状態をモデル化し、それも応答に影響させた。
Q. PARRYは機械学習？
現在いう機械学習・ディープラーニングとは異なる。人間が設計したモデルやルールに基づくシステムである。
Q. ルールベースAIとは？
人間が「この条件ならこの処理」という知識・ルールを明示的に与える方式。
Q. なぜ機械学習が必要になった？
現実世界の複雑な問題について、人間がすべてのルールを記述することが難しいため。
Q. 機械学習とディープラーニングの関係は？
ディープラーニングは機械学習の一分野で、多層ニューラルネットワークを利用する。
まとめ
G検定では大量の人物名・AI・アルゴリズムが登場する。
しかし、
ELIZA = 1960年代
PARRY = 1970年代
だけ覚えても忘れやすい。
重要なのは、
「その技術では何ができて、何ができなかったのか？」
まで考えることである。
今回なら、
単純なルールでも人間らしい会話は作れる
↓
しかし本当に理解しているわけではない
↓
より複雑な知識・状態をモデル化する
↓
人間がルールを書く方法には限界がある
↓
データから学習させる
↓
機械学習・ディープラーニングへ
という流れになる。
この「なぜ次の技術が必要になったのか」を追いかけると、G検定のAI史はかなり理解しやすくなる。