第2章：AIの歴史とブームの背景

Chapter 2: History of AI and the Background of Its Booms

2.1 初期のAIとその限界

Early AI and Its Limitations

人工知能（AI）の研究は1950年代に端を発します。
当初は論理推論やルールベースのエキスパートシステムが主流で、特定分野では実用化も試みられました。

The study of Artificial Intelligence began in the 1950s.
Early AI was dominated by logic-based reasoning and rule-based expert systems, with some attempts at practical applications.

• 1956年：ダートマス会議 / Dartmouth Conference
  「Artificial Intelligence」という用語が初めて提唱される。
  The term “Artificial Intelligence” was first proposed.

• 1980年代：エキスパートシステムの台頭 / Rise of Expert Systems
  医療・製造などへの応用が進むが、運用コストやスケーラビリティの課題が顕在化。
  Applied in areas like healthcare and manufacturing, but issues with cost and scalability emerged.

• その結果、AIへの過度な期待が失望に転じ、「AIの冬」と呼ばれる停滞期が二度訪れた。
  This led to the so-called “AI winters”, periods of stagnation due to unmet expectations.

JP: 初期AIはルール駆動型で柔軟性や学習能力に乏しかった。
EN: Early AI was rule-driven, lacking flexibility and learning capability.

2.2 深層学習の登場とGPUの台頭

The Emergence of Deep Learning and the Rise of GPUs

2006年、Hintonらの研究により「深層学習（Deep Learning）」が再評価され始め、
2012年のImageNetコンペで AlexNet が圧倒的な成果を収めたことで新たなAIブームが到来しました。

In 2006, research by Hinton and others revived interest in “Deep Learning,”
and in 2012, AlexNet achieved a breakthrough performance in the ImageNet competition, sparking a new AI boom.

🔑 技術的ブレイクスルー / Key Technical Breakthroughs

• 演算性能の壁を打破 / Breaking the Computational Barrier
  並列演算に優れた GPU が深層学習に活用され始める。
  Highly parallel GPUs began to be used for deep learning.

• アルゴリズム革新 / Algorithmic Innovations
  ReLU, Dropout, BatchNorm などで学習効率が飛躍的に向上。
  Techniques like ReLU, Dropout, and BatchNorm greatly improved training efficiency.

• データ×計算×アルゴリズムの三位一体 / Data × Compute × Algorithm Synergy
  大量データ・高性能計算・高度なアルゴリズムの組み合わせが成果を生んだ。
  The combination of large datasets, powerful computing, and advanced algorithms drove results.

JP: GPUはもともとグラフィックス向けだったが、汎用AIアクセラレータへと進化した。
EN: Originally for graphics, GPUs evolved into general-purpose AI accelerators.

2.3 現在のブームと大規模言語モデル（LLM）

Current Boom and Large Language Models (LLMs)

2020年代に入り、AIの主戦場は画像認識から自然言語処理へ拡大。
特に 大規模言語モデル（LLM） がAIの能力を飛躍的に高めています。

In the 2020s, AI’s focus expanded from image recognition to natural language processing,
with Large Language Models (LLMs) greatly enhancing AI capabilities.

🌍 LLMの特徴と要件 / Features and Requirements of LLMs

• 代表例 / Examples: GPT-4 (OpenAI), Claude (Anthropic), Gemini (Google)
• パラメータ数は数千億〜数兆規模。
  Parameter counts range from hundreds of billions to trillions.
• 学習には莫大な演算量・ストレージ・電力が必要。
  Training requires enormous compute, storage, and power.
• 推論でもレイテンシ・帯域・電力が課題。
  Inference faces challenges in latency, bandwidth, and power.

💡 ハードウェア依存の高まり / Rising Hardware Dependence

• 高性能モデルの実現には専用アクセラレータ（GPU, TPU, ASICなど）が必須。
  Specialized accelerators (GPUs, TPUs, ASICs) are essential for high-performance models.
• LLMはソフトとハードの共進化の象徴。
  LLMs symbolize the co-evolution of software and hardware.

2.4 参入企業の多様化と市場拡大

Diversification of Players and Market Expansion

AI市場の成長に伴い、多くの企業がAI専用ハードウェアの開発に参入しています。

With the growth of the AI market, many companies have entered the AI-specific hardware race.

JP: AIブームは「ハードウェア主導の競争」でもある。
EN: The AI boom is also a “hardware-driven competition.”

✅ 本章のまとめ / Chapter Summary

• JP: AIは1950年代から数度のブームと冬を繰り返し、深層学習とGPUで飛躍を遂げた。

• EN: Since the 1950s, AI has gone through cycles of booms and winters, with deep learning and GPUs driving its recent leap.

• JP: 現在はLLMと演算インフラ革新がブームを加速。

• EN: Today, LLMs and innovations in computing infrastructure are accelerating the boom.

• JP: 多くの企業がAIハード開発に参入し、半導体が技術・市場の中心となっている。
• EN: Many companies are entering AI hardware, making semiconductors central to technology and markets.

🔙 前後リンク / Navigation

• ◀ 前節 / Previous: 第1章：はじめに — AI半導体の重要性と全体像
• ▶ 次節 / Next: 第3章：主要企業と市場動向
• 📄 本シリーズREADME: ai-semiconductor README