1956はじまり
CHAPTER 01
『人工知能』という研究の旗印
ダートマスの研究集会が、人工知能をひとつの研究分野として形にする節目となりました。知能を機械で扱うという問いは、現在の生成AIよりずっと前から続いています。
いまにつながる視点
Artificial Intelligence (AI) Coined at Dartmouth 技術の名前より先に、『何をできるようにしたいか』という問いがある。
ATLASA STORY STILL UNFOLDING
その進化には、
いつも「問い」があった。
AIは突然現れた魔法ではありません。技術の節目をたどり、今につながる発想を見つけよう。
1956→NOW
ここで扱うのは、生成AIのしくみにつながる主な節目。
研究の発表と、サービスが使えるようになった時点は区別しています。
1966対話の実験
CHAPTER 02
ELIZA：会話するコンピューター
ELIZAは、入力の言葉を手がかりに規則で応答を組み立てる対話プログラムでした。今日の大規模言語モデルとは異なる方式ですが、人が機械との会話に何を感じるかを考える入口になりました。
いまにつながる視点
ELIZA — A Computer Program for the Study of Natural Language Communication Between Man and Machine 会話が自然に見えることと、人のように理解していることは分けて考える。
2012データから学ぶ
CHAPTER 03
深いニューラルネットワークが画像を見分ける
AlexNetの研究で、大規模なデータとGPUを用いた深層学習が画像分類で成果を示しました。これは画像を作る研究そのものではなく、データから特徴を学ぶ技術の重要な節目です。
いまにつながる視点
ImageNet Classification with Deep Convolutional Neural Networks 見分ける技術と、作る技術は違う。どちらもAIの広い地図の一部。
2013生成の基礎
CHAPTER 04
VAE：特徴の空間から作り出す
VAEにつながるAuto-Encoding Variational Bayesが公開されました。観測したデータの背後にある潜在変数を扱い、学習と生成を結ぶ方法を示しています。
いまにつながる視点
Auto-Encoding Variational Bayes 見た目の細かな点だけでなく、その裏にある特徴を扱う発想がある。
2014つくる技術
CHAPTER 05
GAN：作る側と見分ける側
生成器と識別器を競わせるGANが提案されました。データの分布を学び、新しいサンプルを作るための重要な方式のひとつです。
いまにつながる視点
Generative Adversarial Networks 画像生成の歴史には、現在の主流とは異なる方法の積み重ねもある。
2017しくみの転換
CHAPTER 06
Transformerが登場
Attentionを中心とするTransformerが提案され、機械翻訳で成果が示されました。その後の言語モデルを理解するための重要な起点です。
いまにつながる視点
Attention Is All You Need 文脈の中で、どの情報に注目するかが出力に関わる。
2020規模と文脈
CHAPTER 07
自己回帰生成を単純化した模式図。A〜Fは説明用の記号で、実際の単語分割や確率ではありません。Transformerはモデルの設計、自己回帰は出力を順に作る方法で、別の観点です。
GPT-3と、例を渡して頼む方法
GPT-3の研究は、大規模な言語モデルが、入力中の指示や少数の例に応じてさまざまな課題に取り組む能力を示しました。
いまにつながる視点
Language Models are Few-Shot Learners 目的に合う例を渡すことが、AIへの伝え方の重要な要素になった。
なぜ変わった？ 仕組みと、今へのつながり
2020年5月28日に初版を公開。研究中のGPT-3と、後のChatGPTというサービスは同一の出来事ではありません。
何が難しかった？
課題ごとに大量の正解例を集め、モデルを追加学習させる方法には準備の負担がありました。少数の例や説明をその場で渡すだけで、新しい課題に対応できるかが研究の問いでした。
何が変わった？
GPT-3の研究では大規模な自己回帰型の言語モデルに、指示と少数の例を文章として与えました。評価時にはモデルの重みを更新せずに、翻訳・質問応答など複数の課題を試しています。これが文脈内学習を考える具体例になります。
いま使うなら · 編集の視点
編集の視点：「件名→短い要約」の例を2つ見せてから3件目を頼むと、求める形式を共有できます。例を見せるのは、その会話の入力を整える操作です。サービス全体がその場で再学習された、と考える必要はありません。
できることと、限界
論文では苦手な課題や、学習用のWebデータに評価問題が混ざる問題も論じています。少数例での成功は、未知の問題すべてに対応できる保証ではありません。例の形式だけでなく、答えの内容を別に点検しましょう。
根拠となる一次資料 · 内容確認 2026-10-22
研究・発表の説明と、学びへの応用案を区別しています。原論文と現在の製品が、同一の実装とは限りません。
2020資料とつなぐ
CHAPTER 08
RAGの役割をつかむための模式図。検索の版・対象と、生成した主張の根拠を別々に確認します。RAGは、自己回帰や拡散と並ぶ排他的な生成方式ではなく、外部資料を生成につなぐ仕組みです。
検索と生成を組み合わせるRAG
検索した情報と生成モデルを組み合わせる研究が進みました。モデル内部の知識だけに頼らず、外部の資料を使う発想につながっています。
いまにつながる視点
Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks AIに『知っている？』と聞くだけでなく、確認する資料を渡せる。
なぜ変わった？ 仕組みと、今へのつながり
2020年5月22日に初版を公開。資料検索と生成を組み合わせる研究の節目であり、すべての検索付きAIが原論文と同じ実装という意味ではありません。
何が難しかった？
モデル内部の数値に知識を持たせるだけでは、新しい事実への更新や「どの資料が根拠か」の提示が難しくなります。必要な知識を外に置いたまま、文章生成に利用する方法が研究されました。
何が変わった？
2020年のRAG論文では、質問に関連するWikipediaの文章を検索し、質問と検索された文章を生成モデルへ渡す構成を検証しました。検索用の索引と、文章を生成するモデルの役割を分けた点が重要です。
いま使うなら · 編集の視点
編集の視点：自分の資料を扱うAIを見るときは、「資料を探す」「選んだ箇所を使って答える」の2段階に分けて確認できます。答えが違うなら、検索で必要なページを逃したのか、見つけたページを誤読したのかを切り分けましょう。
できることと、限界
これは検索そのものの発明ではなく、検索と生成を組み合わせる特定の研究です。また、資料を検索して参照する操作だけで、毎回モデルの重みが更新されるわけではありません。検索結果が正しい資料でも、生成した主張との一致は別に確認が必要です。
根拠となる一次資料 · 内容確認 2026-10-22
研究・発表の説明と、学びへの応用案を区別しています。原論文と現在の製品が、同一の実装とは限りません。
2020画像の進化
CHAPTER 09
無条件のDDPMを説明する模式図。風景とノイズは教材用の図形で、AIの実出力ではありません。文章条件や潜在空間の方式は省略しています。上段の学習画像を、下段でそのまま取り戻す図ではありません。
拡散モデルの可能性が広がる
DDPMの研究で、ノイズを取り除く過程を学ぶ画像生成の高い品質が示されました。画像生成を理解する代表的な考え方のひとつです。
いまにつながる視点
Denoising Diffusion Probabilistic Models 文章と画像では、生成する対象に合わせたしくみが使われる。
なぜ変わった？ 仕組みと、今へのつながり
2020年6月19日に初版を公開。拡散モデルを初めて提案した年ではなく、画像品質を示した重要な節目です。
何が難しかった？
自然な画像には、形・色・細部の組合せが大量にあります。拡散モデルは以前から研究されていましたが、当時のほかの生成方式に並ぶ品質で画像を作れるかが課題でした。
何が変わった？
DDPMでは、学習画像に加えたノイズを推定するようにネットワークを学習させます。生成時はランダムなノイズから出発し、学習した処理を繰り返して画像に近づけます。2020年の論文は、この考え方で高品質な画像生成を示しました。
いま使うなら · 編集の視点
編集の視点：生成の途中を「隠れていた元画像を発見する」と捉えるより、学習したパターンから新しい候補を組み立てると考える方が適切です。元画像の復元と、何もないところからの生成は区別して比べましょう。
できることと、限界
基本のDDPMでは生成に多数の反復が必要です。2020年の実験は、そのまま現在の文章から画像を作る全サービスを説明するものではありません。文章条件の与え方、計算を軽くする工夫、編集の仕組みは別の研究も重ねられています。
根拠となる一次資料 · 内容確認 2026-10-22
- Denoising Diffusion Probabilistic Models
- High-Resolution Image Synthesis with Latent Diffusion Models
研究・発表の説明と、学びへの応用案を区別しています。原論文と現在の製品が、同一の実装とは限りません。
2022会話が入口に
CHAPTER 10
ChatGPTが一般に公開
2022年11月30日、会話形式のChatGPTが公開されました。追加の質問や条件の修正を重ねる対話が、生成AIの入口のひとつになりました。
いまにつながる視点
Introducing ChatGPT 一度の命令だけでなく、対話を通して目的に近づけられる。
2023制作へ広がる
CHAPTER 11
生成AIが、創作の道具箱へ
AdobeはFireflyを発表し、生成AIを創作の作業に組み込む方向を示しました。画像を一度作るだけでなく、既存の編集ツールと組み合わせて仕上げる発想が広がります。
いまにつながる視点
Bringing Generative AI into Creative Cloud with Adobe Firefly 出力の見栄えと、後から編集できることの両方が大切になる。
2024複数の感覚へ
CHAPTER 12
文章・画像・音声を横断する
GPT-4oの発表では、文章・音声・画像などをまたぐ入出力の能力が示されました。発表された能力と、各サービスで提供される機能は同じではなく、提供は段階的でした。
いまにつながる視点
Hello GPT-4o 文字にしにくい情報も入力にできる。何を見せるか、聴かせるかも依頼の設計になる。
2025複数の手順へ
CHAPTER 13
調査を進めるエージェント
ChatGPTのdeep researchが、Web上の複数資料を調べてまとめる機能として公開されました。ひとつの回答を出すだけでなく、道具を使って手順を進める使い方の一例です。
いまにつながる視点
Introducing deep research 時間をかけた調査でも、出典・条件・未確認事項を点検する役割は残る。
2026途中から一緒につくる
CHAPTER 14
生成する前に、構成を見直す
Gemini Notebookは、資料からスライドや動画を作る途中で、構成を確認・修正する流れを発表しました。2026年10月19日から段階展開と案内されています。
いまにつながる視点
How to shape your slides and videos with Gemini Notebook 最初の依頼と完成品の間にも、自分の判断を入れる余地がある。
2026いま、そして次へ
THE STORY CONTINUES
作ることと、確かめること。
生成AIを学ぶとき、モデルの新しさだけでなく、自分が何を作り、どこを検証するかが大切です。各分野で確認した最近の公式発表は、ジャーナルで紹介しています。
公式発表から、今を知るFIELD HISTORIESTHE MANY PATHS OF AI