日本の検索サービスは2003年に死んだ

NTTの検索サービス「goo」が今月25日にサービスを終了する。これは1997年にロボット型の検索エンジンとしてサービス開始したもので、Googleより1年早かった。



当初gooはNTTが開発した検索エンジンinfobeeを使っていたが、文化庁が「検索サービスは違法の疑いがある」と行政指導した。検索エンジンでは効率的に検索するため、コンテンツをキャッシュ（一時記憶）に保存するが、これが無断複製にあたるというのだ。コンテンツにインデックスを付けて表示することは編集に該当し、検索結果の表示は自動公衆送信で権利者の許諾が必要だとされた。

当時の著作権法には検索についての規定がなく、これは文化庁の官僚の解釈だったが、NTTはそれに従い、バックエンドの検索サーバをアメリカのInktomiに切り替えた。その後2002年にInktomiの経営が破綻し、Yahoo!に買収されたため、gooは2003年からGoogleの検索エンジンを採用した。

その後もソフトバンクなどが検索サービスを立ち上げようとしたが、著作権法でグレーになっていたため法務部が認めなかった。著作権法で検索インデックスが合法化されたのは2009年の改正だが、そのときは世界の検索マーケットはGoogleの独占状態になっていた。

続きは11月10日（月）朝7時に配信する池田信夫ブログマガジンで（初月無料）

任天堂の奇蹟はなぜ生まれたのか（アーカイブ記事）

日本のゲームやアニメがなぜ世界を制覇したか、わかってるの？
役所が相手にしなかったからだよ。ファミコンなんて、スーパーマリオは通産省の統計にも入っていなかった（玩具の扱いだった）。
同じ時期に通産省が570億円投入した第5世代コンピュータは、何も生み出せずに終わった。 https://t.co/egY5NiqTLg

— 池田信夫 (@ikedanob) September 26, 2025

私は1980年代にゲームソフトの番組をつくったことがある。「スーパーマリオ」の宮本茂さんと「ゼビウス」の遠藤雅伸さんが登場し、「ポートピア殺人事件」の堀井雄二さん（のちの「ドラゴンクエスト」の作者）のインタビューを没にした、いま思えば贅沢な番組だった。

ゲームの開発者は、みんな変わり者だった。私の印象では、日本社会の本流からはずれた人だった。有名大学出身の人はまずいない。大学を中退したり電機メーカーをやめたりして、どこか傷ついた人が多かった。



遠藤さんは自分で「落ちこぼれ」だといっていた。堀井さんは「ボクは大きくなったら何になるんでしょうね・・・」とつぶやいていた。彼らの話はとりとめなくて編集がむずかしかったが、三度の飯よりゲームが好きだということだけは強烈に感じられた。いま思えば、それがゲーム産業の成功の秘訣だったのだ。

続きは9月29日（月）朝7時に配信する池田信夫ブログマガジンで（初月無料）

TRONはターゲティング政策の失敗例（アーカイブ記事）

役所の失敗は赤字とか倒産という結果をともなわないので、担当者が異動したら忘れられ、10年ぐらいたつと政治家が同じような話を持ち出す。今回の自民党総裁選で小林鷹之氏の提唱する「経済成長を促す戦略分野への大胆な投資」はその典型だ。

本書は通産省の産業政策の失敗を分析した研究だが、その最大の失敗例が第5世代コンピュータとTRONである。それは坂村氏が「日の丸OS」として通産省に売り込み、だまされた官僚がメーカーと文部省を引っ張り込んで学校用コンピュータの標準にしようとしたが、MS-DOSと互換性のない国内規格をまじめに開発する企業はなく、物を実際に作っていたのはパソコンで出遅れた松下だけだった。

今でも工業用のITRONは使われているので、組み込みシステムとして地味にやればよかったのに、風呂敷を広げすぎて自滅した。セールストークは派手だが、設計は凡庸で、パソコン用のBTRONの中身はMacOSの物まねにすぎない。CPU（Gマイクロ）も、互換性がないのだからせめてRISCにして処理速度を上げればよかったのに、平凡なCISCで結局、商品にはならなかった。

「日本発の国際標準」となるはずだったのに、通商交渉で米国がスーパー301条の制裁対象の候補にしてつぶしたというのは坂村健氏がいまだに繰り返している嘘だが、当時、彼と仕事で1年もつきあわされた被害者として断言する。TRONがものになる可能性は万に一つもなかった。続きを読む

ニューラルネットとフレーム問題（アーカイブ記事）

人工知能をめぐる議論は、近代の認識論の歴史を繰り返しているようにみえる。1980年代までの初期のAIでは、人間の知能は論理だからコンピュータの論理回路で実現できると考えたが挫折した。その本質的な原因がフレーム問題だった。

たとえば「猫に餌を与える」という動作をロボットにやらせるには、猫とは何か、餌をどうやって口に入れるのか…といったフレームを無限に設定しなければならない。これはカントの認識論に似ている。「物自体」は認識できず、まずカテゴリー（フレーム）に分類する必要があるのだ。

1990年代にニューラルネットで人工知能という曖昧な技術は機械学習に進化したが、フレーム問題は解決できなかった。機械学習は学習で画像や音声を処理する技術だが、その答は人間が与える教師あり学習だから、顔認証や指紋認証はできるようになったが、何も教えないで猫というフレームを発見することはできなかった。


ところが2012年に、グーグルが教師なし学習で猫を発見した。無作為に抽出した1000万枚のYouTubeの動画（いろいろな物体が出てくる）をコンピュータに見せ、人間が何も教えないで、コンピュータが上のような猫のイメージを描いたのだ。この計算には、1000台のサーバで1万6000のプロセッサーをつないで3日間かかったという。

このようにコンピュータがフレームをつくって対象を認識するのが深層学習だが、人間の子供なら誰でも瞬時にできる処理にこれほど膨大なコストがかかるということは、「古い脳」の動作原理がノイマン型コンピュータと根本的に違うことを示している。

続きは4月21日（月）朝7時に配信する池田信夫ブログマガジンで（初月無料）

第5世代コンピュータ（アーカイブ記事）

渕一博氏は、1980年代の国策プロジェクト「第5世代コンピュータ」を進める新世代コンピュータ技術開発機構(ICOT)の研究所長だった。私もICOTは何回か取材したが、発足(1982)のころは全世界の注目を浴び、始まる前から日米で本が出て、欧米でも似たような人工知能(AI)を開発する国策プロジェクトが発足した。ところが、中間発表(1984)のころは「期待はずれ」という印象が強く、最終発表(1992)のころはニュースにもならなかった。


ICOTの唯一の成果PIM（並列推論マシン）

1970年代に、通産省（当時）主導で行われた「超LSI技術研究組合」が成功を収め、日本の半導体産業は世界のトップに躍り出た。その次のテーマになったのが、コンピュータだった。当時はIBMのメインフレームの全盛期で、その次世代のコンピュータは、AIやスーパーコンピュータだと考えられていた。通産省の委員会では、国産のAI開発をめざす方針が決まり、第5世代コンピュータと名づけられた。これは、次世代の主流と考えられていた「第4世代言語」（結局そうならなかったが）の先の未来のコンピュータをめざすという意味だった。

ICOTには、当初10年で1000億円の国家予算がつき、国産メーカー各社からエースが出向した。その当初の目標は、自然言語処理だった。プログラミング言語ではなく日本語で命じると動くコンピュータを目的にし、推論エンジンと知識ベースの構築が行われた。システムは、Prologという論理型言語を使ってゼロから構築され、OSまでPrologで書かれた。これは、Prologの基礎になっている述語論理が、生成文法などの構文規則を実装する上で有利だと考えられたからである。

エンジニアたちは、当初は既存の言語理論をソフトウェアに実装すればよいと楽観的に考えていたが、実際には実用に耐える自然言語モデルがなかったので、言語学の勉強からやり直さなければならなかった。彼らは、文法はチョムスキー理論のような機械的なアルゴリズムに帰着するので、それと語彙についての知識ベースを組み合わせればよいと考えていたが、やってみると文法解析（パーザ）だけでも例外処理が膨大になり、行き詰まってしまった。続きを読む

GPTは「フレーム問題」を解いたのか

4月4日からのアゴラセミナー「AIは世界を変えるか」の重要なテーマはフレーム問題である。これは半世紀以上前に定式化され、その後も多くの研究者がチャレンジしたが、いまだに解けない難問である。チャットGPTはこれを解いたのだろうか。きいてみた。

フレーム問題とは何か？

フレーム問題は、1969年にマッカーシーとヘイズによって提起された。彼らは、AIがある行動をとった際に、どの情報を更新し、どの情報を無視すべきかを適切に判断することが困難であることを指摘した。

フレーム問題の具体例：ロボットが爆弾が仕掛けられている部屋から貴重な美術品を取り出してこなければならない。ロボットは台車を押して美術品をとってきたが，不幸なことに爆弾は台車にしかけられていたので，ロボットは爆発に巻き込まれてしまった。

そこでこの問題を改良したロボットが美術品を取り出しに部屋に再び向かったが、

• 台車を動かしたら天井は落ちてこないか？
• 部屋の電気は消えないか？
• 壁に穴があかないか？

…と考えているうちに爆弾が爆発してしまった。このようにすべての状況変化を考慮しなければならない場合、AIは無限に計算し続けることになり、実際に行動を起こせなくなる。このような問題がフレーム問題であり、現在のAIにおいても本質的な課題として残っている。

続きは1月24日（月）朝7時に配信する池田信夫ブログマガジンで（初月無料）

大規模言語モデルはなぜ人間に似ているのか

チャットGPTなどの生成AIのコアは大規模言語モデルだが、それが飛躍的に進歩したのはトランスフォーマーというシステムが2017年に提案されてからだ。

その原理は、次の動画も説明するように次の単語を予測するという単純作業をくり返しているだけだ。なぜそれによってこれほど人間に似た言語処理ができるのだろうか？

続きを読む

大乗仏教は大規模言語モデルである

大乗仏教の教理は、一般的に「般若」「空（くう）」「縁起」「慈悲」などの概念を中心として構築されている。これらの哲学的な概念は抽象的であり、理解が難しいことが多い。しかし、現代の大規模言語モデル（LLM：Large Language Model）の仕組みを参考にすることで、これらの教理を具体化し、直感的に捉えることができるのではないか。

縁起とLLMの学習モデル：全ての事象は相互に関連している

仏教における縁起（えんぎ）の教えは、「すべてのものは他のものとの関係によって存在する」という考え方に基づいている。個々の事物や現象には独立した実体がなく、因果関係によって生じ、変化し、消滅する。

LLMにおける学習の仕組みも、まさにこの縁起の考えに似ている。LLMは個々の単語やフレーズを単独で記憶しているわけではなく、膨大なデータセットの中から統計的な関連性を学習し、それをもとに適切な文章を生成する。たとえば、「般若」と「空」という単語が共起する確率が高い場合、それらの概念が相互に関係していることを学習し、適切な文脈で使い分ける。

この点で、LLMの知識構造は縁起のモデルと類似している。すなわち、特定の知識が固定的な形で存在するのではなく、無数の関連性の中で意味を成すのである。

空とLLMの非実体的知識：すべてのものは固定された実体を持たない

大乗仏教では、空（くう）の概念が重要視される。これは「全ての事象には固定された本質がない」ことを意味する。例えば、「人」という概念は、生物学的な要素、社会的な要素、歴史的な要素などが絡み合いながら形成されているが、それ自体に本質的な実体はないとされる。

LLMの知識のあり方も、まさにこの「空」の考えに近い。LLMが生成する文章や回答は、事前に固定された意味を持つのではなく、文脈によってその都度異なる形で表出する。たとえば、「AIとは何か？」という問いに対するLLMの答えは、使用するデータセットや文脈に応じて変わる。これは、知識が固定的ではなく、流動的であることを示している。

仏教的な観点から見ると、LLMが生成する知識は色即是空、空即是色という般若心経の思想と一致する。すなわち、言葉や情報は実体として存在するように見えるが、それらはただ文脈の中で成立しているに過ぎない。文脈を離れた本質（自性）は存在しないのである。続きを読む

DeepSeekはチャットGPTの脅威か？

DeepSeek（ディープシーク）は、中国・浙江省杭州市に拠点を置く人工知能（AI）企業で、2023年に設立されました。主にオープンソースの大規模言語モデル（LLM）の開発を行っており、特に数学的推論やプログラミング能力に優れたモデルを提供しています。

DeepSeekのコスト削減と影響

DeepSeekの注目すべき点は、従来の高性能なAIモデルと比較して、開発や運用コストを大幅に削減していることです。例えば、最新モデルDeepSeek-R1は、OpenAIのo1モデルと同等の性能を持ちながら、非常に低コスト・短期間で開発されました。

DeepSeekの市場への影響

DeepSeek-R1の台頭により、半導体など米国AI関連の株価に大きな打撃を与え、これはディープシーク・ショック（DeepSeek-ショック）と言われています。この中国製生成AIの影響で、AI向け半導体の王者エヌビディア（NVIDIA）の株価は17%もの暴落を見せました。[Viva Eureka]

DeepSeekの技術的特徴

DeepSeekは、最新のAI技術を活用したマルチモーダル大規模言語モデル（LLM）であり、画像、テキスト、コードなど多様なデータを解析・生成できることが特徴です。オープンソース戦略を採用し、多くの開発者や研究者がその技術を活用できる環境を提供しています。[Comdesk]

続きはアゴラで

DeepSeekの衝撃：NVIDIA株価急落の背後にある真実とは？

2025年1月27日、AI分野に激震が走った。新興企業DeepSeekが「最先端のGPUを必要としない並列処理技術」を発表し、NVIDIAの株価が急落。これにより、生成AI業界におけるGPUの優位性に疑問が投げかけられる事態となった。この出来事が、特に大規模言語モデル（LLM: Large Language Model）の構造に与える影響を中心に考察する（ChatGPT）。

1. 大規模言語モデルの構造とGPU依存の背景

大規模言語モデルは、その名の通り、膨大な数のパラメータを持つ。これらのモデルの中核をなすのがトランスフォーマーアーキテクチャであり、以下の計算が頻繁に行われる。

• 自己注意機構（Self-Attention）: 入力トークン間の関係性を計算する。
• 大規模な行列演算: モデルパラメータと入力データを効率的に処理。

これらの計算は極めて並列化が可能であり、NVIDIAのGPUはその設計上、特に行列演算やテンソル計算に優れた性能を発揮する。このため、AI研究や実用化の場面でGPUがデファクトスタンダードとなっていた。

2. DeepSeekの技術がもたらす革新

DeepSeekが発表した技術は、これまでGPUに依存していた並列処理を、従来型のCPUや低コストなFPGAで実現するものだとされる。特に注目すべきは以下の点である。

• 非同期並列処理: トランスフォーマーアーキテクチャで必要な計算を、GPUのような専用ハードウェアなしで効率的に分散処理。
• メモリ使用効率の向上: 大規模言語モデルのトレーニングにおいて、従来よりも少ないリソースでモデルを学習させる技術。
• カスタマイズ可能なチップ設計: モデルごとに最適化されたハードウェアをFPGAで実現可能。この技術により、AIモデルのトレーニングや推論コストが劇的に削減される可能性が浮上した。

続きは2月3日（月）朝7時に配信する池田信夫ブログマガジンで（初月無料）