AIの歴史を旅しよう＃２：AIの知識表現とセマンティクス

AIを理解するうえで欠かせないテーマのひとつが「知識表現（Knowledge Representation）」です。これは、人間が持つ知識をコンピュータが扱える形に構造化することを意味します。推論や対話、判断を行うためには、AIが世界に関する情報を持ち、それを“意味”として理解できる必要があります。しかし、この「意味をどう表現するか」はAI研究において長年の課題でした。

意味ネットワークとは

意味ネットワーク（Semantic Network）は、知識を ノード（概念）とリンク（関係） のかたちで表現する方法です。
例：

• 「犬」は「動物」の一種（is-a）

• 「車」は「タイヤ」を持つ（part-of）

このように、概念と概念を結びつけることで、AIが“世界の構造”を理解しやすくなります。
意味ネットワークの利点は、直感的で人間にも分かりやすい点です。一方で、複雑な知識体系をすべてネットワークで表現しようとすると、膨大なノードやリンクが必要になり、管理が困難になるという課題もあります。

オントロジー：より体系的な知識の整理

意味ネットワークの課題を踏まえ、より体系的に知識を定義するアプローチとして登場したのが オントロジー（Ontology） です。
オントロジーは、

• 概念（クラス）

• 属性（プロパティ）

• 関係（リレーション）
  を明確に定義し、世界の構造を論理的に記述します。

ヘビーウェイトオントロジー

学術的で厳密な構造を持ち、哲学的な分類や論理体系を重視します。例としては医療や科学分野のように、知識の正確性が求められる場面で利用されます。

ライトウェイトオントロジー

Webサービスや企業データで使われる、より実用的で軽量なモデルです。現代では セマンティックウェブ や LOD（Linked Open Data） の基盤として広く活用されています。
たとえば、検索エンジンが「東京」と検索したときに、

• 都市である

• 日本に属する

• 観光地や施設との関係がある
  といった意味を理解して情報を整理するのは、こうしたオントロジーとナレッジベースのおかげです。

ナレッジベースと推論

ナレッジベース（Knowledge Base）は、オントロジーやルール、事実を格納した知識のデータベースです。AIは、ナレッジベースに蓄積された知識をもとに、推論エンジンを使って判断を行います。
たとえば、

• 「すべての犬は哺乳類である」

• 「ポチは犬である」
  という知識があれば、AIは「ポチは哺乳類である」と推論できます。

これはAI研究初期から続く「記号処理AI（シンボリックAI）」の代表的な方法であり、近年の機械学習中心の潮流のなかでも、再び注目が高まっています。

ディープラーニング時代における知識表現の重要性

深層学習が主流になった現在でも、知識表現の研究はむしろ重要度が増しています。理由は以下の通りです。

• 深層学習は大量のデータに依存し、論理的な推論が苦手

• 生成AI（LLM）は知識を構造化して保持しているわけではない

• ビジネスでは、データとルールの両方を扱う必要がある

そのため、「記号処理×機械学習」の融合（Neuro-Symbolic AI） が次の大きな流れとも言われています。
これは、AIに既存の知識体系を活用させつつ、データからの学習能力も持たせるためのアプローチで、今後のAIの発展を支える技術として注目されています。

知識表現は、一見すると専門的に感じられますが、AIが「世界をどう理解し、どう判断するのか」を考えるうえで非常に重要です。AIの歴史を学ぶ際にも、この概念を押さえておくことで理解が格段に深まります。

ここまでお読み頂きありがとうございます。
AIって何？ AIの歴史から最新情報まで、わかりやすく説明した、
これまでの記事（マガジン）の一覧をプロフィールページにまとめています。
AIの全体像をつかむヒントになると思いますので、ぜひご覧ください。

＜前へ
AIの歴史を旅しよう＃１｜時代別の歩み（黎明期〜現代）

次へ＞
AIの歴史を旅しよう＃３｜AIの主要技術の解説：ディープラーニング・LLM・マルチモーダルなど

免責事項
・本記事は生成AI（ChatGPT等）を活用して執筆しています。内容の正確性・最新性には十分配慮しておりますが、誤りや古い情報が含まれる場合があります。ご利用・ご判断はご自身の責任でお願いいたします。万一、著作権等に問題がある場合はご連絡ください。