フレーム問題とは？チューリングテスト・シンギュラリティもG検定向けに解説

どーも、りけーこっとんです。

「フレーム問題って、結局なにが問題なの？」「チューリングテストとシンボルグラウンディング問題、どっちがどっちか分からなくなる」

このような、G検定の勉強でAIの「限界」の話に入ったところの方はいないでしょうか？

この記事では、AIの研究がこれまでぶつかってきた問題を、身近な例え話で1つずつ解説していきます。

本記事の範囲は問題数としては少ないものの、合格に向けては必須の基礎知識です。ここを理解していないと、機械学習やディープラーニングがどういうものかも理解しにくくなるので、しっかり押さえておきましょう。

（2026年10月更新：G検定の現行シラバス（2024年第6回から適用）に合わせて内容を見直しました。）

この記事の要点

• フレーム問題とは、機械はどんなに賢くなっても探索する範囲（フレーム）を決められないこと（1969年、マッカーシーとヘイズが提起）
• チューリングテストとは、「機械が人間的かどうか」を判別するテスト（1950年、アラン・チューリングが考案）
• シンボルグラウンディング問題とは、機械は「信号（シンボル）」と「意味」を結びつけられない問題（1990年、ハルナッドが提起）
• 知識獲得のボトルネックは第二次AIブームが冬の時代になるきっかけ。シンギュラリティはレイ・カーツワイルが2045年と提唱

手元に公式テキストが1冊あると、この記事で扱う用語をシラバスの言葉づかいのまま確かめられます。

この記事は、現行シラバスでは第1章「人工知能とは」の「人工知能分野で議論される問題」の範囲です（シラバスはJDLAの公式ページで確認できます）。G検定の範囲全体を一覧で見たい方はG検定チートシートもどうぞ。

この記事では、文字の装飾を次の3段階にそろえています。試験直前は赤太字だけ拾い読みしても要点がつかめます。

• 赤太字（超重要）：試験で正解を決める決め手。年号・人物・数字・違いのポイント
• 青色マーカー＋太字（重要）：用語の定義。「〇〇とは」の一文
• 太字（覚えておきたい）：あわせて覚えたい関連用語や覚え方

第一次AIブームの問題｜トイ・プロブレムしか解けない

第一次AIブームの問題は、トイ・プロブレムという簡単な問題しか解けなかったことです。

トイ・プロブレムとは、計算量や使用メモリが少ない問題のことでしたね。例えばオセロを行う、迷路を解く、ハノイの塔を解くなどです。

「もっと色んな事ができるようになったと思ったのに…」という失望感から、第一次AIブームは終わってしまったようです。

第一次AIブームの探索の手法は第1次AIブームの記事で解説しています。

第二次AIブームの問題

第二次AIブームを迎えて、新たにAIに期待が寄せられるようになりました。

しかし第二次AIブームでも、やはり問題がありました。具体的には以下のようなものです。

• フレーム問題
• チューリングテスト
• 強いAIと弱いAI
• シンボルグラウンディング問題
• 知識獲得のボトルネック

一つずつ見ていきましょう。

フレーム問題とは

フレーム問題とは、機械はどんなに賢くなっても探索する範囲（フレーム）を決められないことです。

1969年にジョン・マッカーシーとパトリック・ヘイズが提起しました。

言い換えると、今しようとしていることに関係のあることだけを抽出できないということですね。

例えば人であれば「机の上にあるペットボトルを持ってくる」作業は簡単にできますよね。

これは人間が「ペットボトルを持ってくること」に関係あること（フレーム）を無意識に決めて、その問題に対処できているからなんです。

しかしロボットは「ペットボトルを持ってくること」に関係することが分かりません。

• 「どこにあるか認識するのが先？」
• 「一歩踏み出すのが大事？」
• 「周りに危険が無いか確認？」

など些細なことまで計算してしまい、計算量が膨大になってフリーズしてしまうようです。これが「フレーム問題」といわれます。

ロボットと爆弾の例

G検定では、哲学者ダニエル・デネットのロボットと爆弾の例もよく使われます。

1. 部屋からバッテリーを取ってくるよう命令されたロボットが、バッテリーと同じ台車に爆弾が載っていることを気にせず、台車ごと持ってきてしまう
2. 改良版のロボットは、行動の結果どうなるかをすべて考えるようにしたところ、考えることが多すぎて時間切れになる
3. さらに「目的に関係ないことは考えない」ようにしたら、今度は何が関係ないかをすべて調べ始めて、また動けなくなる

3番目がまさにフレーム問題の本質で、関係ないものを除外するためにも、結局すべてを考えないといけない、という矛盾になっています。

チューリングテストとは

チューリングテストとは、「機械が人間的かどうか」を判別するテストです。

1950年にアラン・チューリングによって考案されたことから「チューリングテスト」と呼ばれています。

具体的な手順は以下の通りです。

1. 被験者は2台のPCでテキストで対話を行う
2. 片方は人間、もう片方はAIが対話の相手
3. 被験者が対話相手のAIを「人間」と判断すれば、人間的な機械

このテストによって、「機械が知能を持つ」かどうかを、外から見た振る舞いで判定する1つの基準が示されました。

チューリングテストに合格するAIを競う大会がローブナーコンテストです。

また、「人間らしく振る舞えても本当に理解しているとは言えない」と批判したのが、ジョン・サールの中国語の部屋という思考実験です。

どちらも中国語の部屋とローブナーコンテストの記事で詳しく解説しています。

強いAIと弱いAIとは

強いAIと弱いAIとは、機械が意思を持って自発的に行動するかどうかで二分したAIの分け方です。

アメリカの哲学者ジョン・サールによって定義されました。

強いAIは、人間のように考え行動する機械のことです。汎用型人工知能とほぼ同じ意味で使われることもあります。

逆に弱いAIは、何か一つの作業に特化した機械のことで、特化型人工知能に近いイメージですね。

ただし、強い・弱いは「心（意思）を持つかどうか」、汎用型・特化型は「できることの範囲」という別の観点の分類です。

G検定ではこの違いを問われることもあるので、AIの定義の記事で比較表を確認しておきましょう。

多くの方が想像しているのは「強いAI」ではないでしょうか。第三次ブームの今でも、「強いAI」というのは開発されていません。

シンボルグラウンディング問題とは

シンボルグラウンディング問題とは、機械は「信号（シンボル）」と「意味」を結びつけられない（グラウンディング）問題のことです。

1990年にスティーブン・ハルナッドが提起しました。

人工知能（AI）が、どれだけ人間と同じように行動・思考しているように見えても、実際に中で行われているのは膨大な計算です。

「数値的にどういう意味があるの？」「統計的になんと言えるの？」ということが分からないと、機械では処理ができません。

このように、「意味」は分からず「数学的にこう」としか言えないということを明らかにする問題でした。

G検定でよく出る例がシマウマです。人間は「シマウマ＝縞模様のある馬」と聞いただけで、初めて見るシマウマでも見分けられます。

「縞」や「馬」という言葉が、実際に見た経験と結びついているからですね。ところが機械にとっての「シマウマ」は、ただの記号の並びにすぎない、ということです。

知識獲得のボトルネックとは

知識獲得のボトルネックとは、コンピュータが知識獲得することの難しさのことです。

第二次AIブームでは「大量の知識を入れれば知能を持つ」というところに焦点を当てていました。

しかしここまで見てきたように、「フレーム問題」「シンボルグラウンディング問題」など様々な問題がありましたよね。

そして人間のように行動するための「大量の知識」というのは、本当に膨大です。

これらのことから、知識獲得の難しさをAI分野では「知識獲得のボトルネック」と呼ぶようです。

これが第二次AIブームが冬の時代になるきっかけでもありますね。専門家の知識を詰め込んだエキスパートシステムについては第2次AIブームの記事で解説しています。

身体性とは

身体性とは、AIの身体が物理的に存在することによる効果を論じる問題のことです。

実はAIには、まだ身体と呼べる部分がないんですね。「ロボットじゃないの？」と思う方もいると思います。

ただ現時点で、AIとロボットはまだ別々の役割を果たしていて、一つに統合できていないんです（そうなる未来も近そうですが）。

ロボットもまだまだ、人間のような身体的な動きを実現するには至っていません。

人は身体や知覚でもって学ぶことも多いため、身体を持たないAIは人間のような高度な知能は獲得できない、と考えられています。

スポーツだとイメージしやすいですかね。「実際にやってみないと分からない」とよく言いますが、AIは実際にやれません。これが身体性という問題です。

特徴量設計とは

特徴量設計とは、課題と相関のある仮説や、過去データの入力パターンを機械学習の入力データとして準備することです。

機械学習を行う際の作業工程の一つでもありますね。超重要です。

ここできちんと課題を解決できるような仮説・入力データを選べるかが、全てのカギを握ります。

データサイエンティストとして実務をしていても、一番時間をかける工程の一つです。

ディープラーニングは、この特徴量そのものをデータから自動で学習できるようになった点（特徴表現学習）が画期的でした。

特徴量そのものについては特徴量と次元の呪いの記事、特徴表現学習は機械翻訳と特徴表現学習の記事で解説しています。

AIはもう大人だけのものではありません。お子さんと一緒に、生成AIの正しい使い方から学べる講座もあります。

シンギュラリティとは

シンギュラリティとは、2045年には人間よりも賢い人工知能が登場して起こる技術的特異点のことです。

レイ・カーツワイルが提唱しました。

「ロボットに人間の仕事が全て奪われる！」といわれている背景がここにあるかと。これには賛否両論あるようです。

りけーこっとんは、この記事を最初に書いた2022年6月の時点では「今の技術では起こらないかな」と考えていました。

ディープラーニングがすごいからといって、膨大な計算を行っていることに変わりはなく、フレーム問題やシンボルグラウンディング問題を解決できたわけではないからです。

その後、ChatGPTのような生成AIが急速に進歩し、シンギュラリティの議論は改めて注目されています。

それでも、これらの問題が完全に解決されたわけではなく、いつ来るのか、そもそも来るのかについては専門家の間でも見方が分かれている、というのが現状ですね。

りけーこっとんは、地道にデータサイエンティスト・AIコンサルタントとしての発信を続けることを頑張るのみです。

ハイパーパラメータとは

ハイパーパラメータとは、分析者自身で決定しなければならない学習モデルの要素のことです。

人間が決めるパラメータなので、分析者の腕にかかってきます。

このパラメータが多いほど、分析者がカスタマイズしやすい学習モデルといえるでしょう。

しかし多すぎると、一つ一つ決めるのが大変で、調整に時間がかかってしまうという欠点もあります。

ハイパーパラメータの探し方（グリッドサーチなど）は、現行シラバスでは「最適化手法」の範囲です。詳しくはハイパーパラメータの記事で解説しています。

G検定での問われ方｜人物・年号の早見表

この分野は、「誰が」「いつ」提唱したかと、「どの問題がどんな内容か」の組み合わせがよく問われます。この表は、現行シラバスの「人工知能分野で議論される問題」のキーワードをすべて含んでいます。

ダートマス会議はAIの歴史の記事で、機械翻訳の方式は中国語の部屋と機械翻訳の記事で詳しく解説しています。

よくある質問

Q. フレーム問題は今のAIで解決されましたか？

完全には解決されていません。

大規模言語モデルは文脈から関係ありそうなことをある程度選べるようになりましたが、どんな状況でも関係あることだけを確実に選べるわけではありません。

G検定では「現在も完全には解決されていない問題」として押さえておけば十分です。

ChatGPTなどを使う時にもフレーム（前提となる知識など）をAIに与えるのが重要ですね。

Q. チューリングテストに合格したAIはありますか？

「合格した」と報道された例はありますが、審査の条件や判定方法に議論があり、広く認められた合格とは言えません。

チューリングテストそのものが知能の判定として十分か、という批判もあります。

Q. シンギュラリティは2045年に本当に来ますか？

2045年はレイ・カーツワイルの予測で、確定した見通しではありません。実現の時期や可能性については専門家の間でも意見が分かれています。

試験では「カーツワイル」と「2045年」の組み合わせが問われやすいです。

よくある質問の内容までスラスラ答えられたら、次は問題形式で解いてみるのがおすすめです。選択肢を見比べると、どこで引っかけられるのかが分かってきます。

まとめ

• 第一次AIブームの問題：トイ・プロブレムしか解けなかった
• フレーム問題：探索する範囲（フレーム）を決められない（マッカーシーとヘイズ、1969年）
• チューリングテスト：機械が人間的かどうかを判別するテスト（チューリング、1950年）
• シンボルグラウンディング問題：シンボルと意味を結びつけられない（ハルナッド、1990年）
• 特徴量設計とハイパーパラメータは、分析者の腕が問われる部分
• シンギュラリティ：2045年に人間より賢いAIが登場して起こる技術的特異点（カーツワイル）

次は、AIの限界をめぐるもう1つの議論「中国語の部屋」と、機械翻訳がどう進化してきたかを中国語の部屋・機械翻訳の記事で解説しています。

何度もキーワードが出てくるということは、それだけ重要ということです。復習しながら、新しい単語を覚えていきましょう。

G検定の試験範囲をまとめて見直したい方は、シラバスの全キーワードを一行でまとめたG検定チートシートをどうぞ。分野ごとに読み進めたい方はG検定の解説記事一覧からどうぞ。

G検定に合格したあと、その資格をどう使うかまで考えておくと勉強のモチベーションが続きます。

AI・データ系の求人では、こうした基礎知識を持っていることが評価される場面も増えています。どんな求人があるのか眺めておくだけでも、学ぶ内容の優先順位が見えてきますよ。

20代で未経験からIT職を目指す方は、若手向けの就職・転職サービスを使うと、書類作成から面接まで相談できます。