多くの人々は、AIバブルが今日初めて起こったものだと思っている。

実際、AIの歴史には、すでに一度非常に典型的な資本熱狂が存在した。
それが1980年代の「エキスパートシステム」バブルである。
そのAIブームの背景には、最初のAI冬の時代を経て、業界がようやく商業化可能な道筋を見つけたという事情があった。
初期のAI研究者たちは、かつて直接汎用知能を作り出そうと試みたが、機械翻訳、汎用推論、ロボットなどの分野は期待された成果を出せず、資金と信頼は急速に冷え込んだ。
そこで1980年代、AI業界は別の考え方に切り替えた。
汎用知能があまりに難しいのなら、まずは垂直特化型の知能を作ろう、と。
医師、エンジニア、化学者、金融専門家、設備保守専門家の経験を、一つ一つのルールに分解し、コンピュータに書き込んだ。
もしAとBが同時に発生したら、Cと判定する。
もしある症状の組み合わせが現れたら、ある診断を推奨する。
もし注文に何らかの設定の矛盾があれば、システムが自動的に修正する。
これがエキスパートシステムである。
現在のような膨大なデータから学習した大規模モデルではなく、人手で整理された知識ベースと推論エンジンから成るものだった。
当時、それは本当に純粋なコンセプトではなかった。
DECのXCON/R1システムは、最も代表的なビジネス成功事例の一つである。これはDECが複雑なミニコンピュータの注文を自動的に構成し、構成ミスを減らし、納品効率を向上させるのを助け、後にエキスパートシステムの商業化成功の象徴的な事例と見なされた。
この事例が登場すると、市場の想像力は完全に燃え上がった。
企業は信じ始めた。
もしエキスパートシステムが一部のエンジニアの判断を代替できるなら、医師の判断も代替できるのではないか？
コンピュータの構成ができるなら、工場の構成、サプライチェーンの管理、金融判断、法律推論もできるのではないか？
そこで資本が殺到した。
大企業はこぞってAI部門を設立し、IBM、DEC、GE、GMなどの企業がエキスパートシステムに投資した。
スタートアップも現れ、知識工学、エキスパートシステムソフトウェア、推論エンジン、業界ソリューションを手掛けた。
さらに興味深いのは、AIバブルがすぐにハードウェアに波及したことだ。
当時、多くのAIソフトウェアがLisp言語を使用しており、Lispは計算リソースと開発環境に高い要求があったため、AI向けに特化したLispマシンを製造する企業が現れた。
Symbolics、Lisp Machines Inc.、Texas Instrumentsなどの企業が、この専用AIハードウェアの波に参加した。
これは今日の状況と非常によく似た歴史の鏡像である。
当時はエキスパートシステムがLispマシンを牽引した。
今日は大規模言語モデルがGPU、HBM、光モジュール、スイッチ、データセンター、電力、液冷を牽引している。
AIブームのたびに、最初に利益を上げるのは往々にしてアプリケーションではなく、道具を売る者たちである。
しかし、問題はまさに大規模導入後に露呈した。
エキスパートシステムの最大のボトルネックは、知識獲得であった。
真の専門知識は、単なる取扱説明書ではない。
多くの判断は、経験、直感、境界条件、長年の試行錯誤に基づいている。
専門家自身も、すべての暗黙知を明確に表現できるとは限らない。
たとえ表現できたとしても、完全にルールとして書き下すのは難しい。
その結果、企業はエキスパートシステムの構築が想像よりもはるかに遅く、高価であることに気づいた。
第二の問題は、維持コストである。
企業のプロセスは静的ではない。
製品は変わり、顧客は変わり、規制は変わり、サプライチェーンは変わり、市場環境は変わる。
現実世界が変化するたびに、ルールベースを修正しなければならない。
ルールが増えると、システム内部で矛盾、漏れ、重複が発生する。
結局、多くの企業が手に入れたのは、自動的に利益を生む機械ではなく、永遠に修正し続けなければならないルールの迷宮だった。
第三の問題は、脆弱性である。
エキスパートシステムは、ルールがカバーする範囲内では優れた性能を発揮できる。
しかし、いったん境界ケース、曖昧な情報、不完全な情報に直面すると、システムは容易に機能しなくなる。
真の常識を持たない。
能動的に学習することもない。
人間のように状況の変化を理解することも難しい。
デモは印象的だが、エンタープライズシステムが直面するのは日々変化する現実世界である。
これが研究室から本番環境への大きなギャップである。
第四の問題は、ハードウェアの経済性の崩壊である。
Lispマシンは当初、AIのインフラストラクチャだった。
しかし1980年代後半、汎用ワークステーションとパーソナルコンピュータが急速に高性能化し、価格が低下し、エコシステムが拡大した。
より安価な汎用コンピュータでも関連ソフトウェアが動作するようになると、高価な専用Lispマシンは商業的な合理性を失った。
その結果、Lispマシン市場は急速に崩壊した。
ハードウェアチェーンが最初に再評価され、続いてソフトウェア企業とAIコンサルティング企業も圧力を受けた。
多くのエキスパートシステム企業が倒産、買収、転換し、AIは再び資本市場が聞きたがらない言葉となった。
これが第二次AI冬である。
しかし、ここで非常に重要な細部がある。
エキスパートシステムはまったく役に立たなかったわけではない。
消滅したのではなく、企業ソフトウェア、ルールエンジン、リスク管理システム、知識管理システム、カスタマーサービススクリプト、プロセス自動化システムに吸収された。
技術は生き残った。
バブルは死んだ。
これこそ、今日のAI投資家が何度も噛みしめるべき点である。
今日の大規模言語モデルはもちろんエキスパートシステムではない。
LLMは手作業のルールベースではなく、大規模データ、ニューラルネットワーク、Transformer、計算能力、強化学習から生まれた。
その汎用性、言語能力、コード能力、マルチモーダル能力は、当時のエキスパートシステムをはるかに超えている。
したがって、今日の大規模言語モデルを単純にエキスパートシステムと同一視するのは、厳密ではない。
しかし、歴史が本当に似ているのは、技術の道筋ではなく、資本市場の心理構造である。
AIブームは毎回、似たような3つのステップを経る。
第一に、技術に真のブレークスルーが起こる。
第二に、資本がその技術があらゆる産業を変革できると信じる。
第三に、企業は技術を安定し、制御可能で、監査可能で、収益を生むシステムに変えることが想像よりもはるかに難しいと気づく。
今日の大規模言語モデルも、まさに第三のステップに入っている。
C端では使用量があるが、トラフィックの構図はまだ完全に書き換えられていない。
B端ではパイロットプロジェクトはあるが、多くはまだ試行段階にとどまり、本格的な大規模生産システムには至っていない。
エージェントは魅力的だが、長いタスクではステップごとの誤差が蓄積する。
単一ステップの精度が高く見えても、プロセスが十分に長ければ全体の成功率は顕著に低下する。
産業、金融、医療、法律、サプライチェーンなどの分野で求められるのは、一度の美しい回答ではなく、エンドツーエンドの信頼性、異常処理、権限管理、責任の所在、監査記録、人手によるバックアップである。
これらはモデル発表会で解決できるものではない。
したがって、今日のAIの最大のリスクは、技術に価値がないことではない。
むしろ逆で、AIには大きな価値がある。
本当の問題は：
それが生み出すキャッシュフローが、現在の設備投資とバリュエーションを支えるに十分かどうかである。
もし企業がAIのROIが依然として不明瞭だと気づけば、予算の縮小ペースは非常に速くなる可能性がある。
もしクラウドベンダーが推論収入で減価償却、電力、データセンターコストをカバーできないと気づけば、設備投資ガイダンスは下方修正される可能性がある。
もしアプリケーション層に十分に強力な課金のフィードバックループが現れなければ、ハードウェアチェーンは需要予想の下方修正を織り込み始めるだろう。
歴史は単純には繰り返さない。
しかし資本市場はしばしば似た方法で、真の技術的ブレークスルーを過大な利益予想に押し上げる。
1980年代の教訓は「AIは詐欺である」ということではない。
真の教訓は：
技術革命は本物であり得る。
商業化のペースは遅くなり得る。
インフラ投資は過剰になり得る。
株価評価は間違っている可能性がある。
この4つは同時に成立し得る。
エキスパートシステムは最終的に消えなかったが、エキスパートシステムバブルははじけた。
今日の大規模言語モデルもおそらく消えないだろう。
本当の問題は：
このAIインフラストラクチャの熱狂の中で、どの企業が未来のインフラになるのか、そしてどの企業がこのサイクルにおけるLispマシンに過ぎないのか、ということである。