Skip to content

DNET_ArtificialIntelligence

Jump to bottom
nishi_74322014 edited this page Sep 11, 2026 · 1 revision

人工知能（AI）

概要

AI：Artificial Intelligence

特徴

  • さまざまな発想とかアイデアが歓迎されるというジャンル

  • 社会に普及すると（高度化・複雑化すると）名前が変わる出世魚のような学問

    • 名前がつかないうちは人工知能と呼ばれている（アルゴリズム・モデル）。

    • 普及し始めると名前がついて、もう、それは人工知能と見なされない（AI効果）。

  • 現状は人が持っているような汎用的な能力はまだ持っていない。

    • 特定のことしかできないが、
    • 特定の事は得意（例えば特定のパターンを見つける等）

移行メモ（正誤）: 元ページは「まだ持ってい。」で文が切れていたため、
「まだ持っていない。」に補った。

定義

人工知能の定義は「知性」や「知能」の解釈が
研究者によって異なるため、専門家の間ですら異なる。

学問・技術

  • 人や生物からヒントを得てコンピュータの上でモデルを作る学問
  • 上記のモデルを活用した、知的な情報処理システムの設計や実現に関する研究分野
  • 言語の理解や推論、問題解決などの知的行動を人間に代わってコンピューターに行わせる技術

知能の全体像

  1. パターン処理（身体性）
  2. 記号の処理（機械学習、深層学習、強化学習）
  3. 他者とのインストラクション

モノ、プログラム

  • 推論、認識、判断など人間と同じ知的能力を持つ機械
  • 周囲の状況（入力）によって行動（出力）を変えるエージェント（プログラム）

レベル

  • レベル 1

    • シンプルな制御プログラム
    • すべての振る舞いがあらかじめ決められており、その通りに動くだけ

  • レベル 2

    • 古典的な人工知能
    • 探索・推論、知識データを利用することで、
      状況に応じて極めて複雑な振る舞いをする。

  • レベル 3

    • 機械学習を取り入れた人工知能
    • 非常に多くのサンプル・データをもとに入力と出力の関係を学習

  • レベル 4

    • 深層学習を取り入れた人工知能
    • 特徴量と呼ばれる変数を自動的に学習する。

弱いAI、強いAI

詳細

歴史

人工知能の誕生

1943 − 1956

  • 「神経活動に内在するアイデアの論理計算」（1943）
    ニューラルネットワークの基礎を築いた論文。

  • 世界初の汎用コンピュータの誕生（1946）
    アメリカのペンシルバニア大学で17, 468本の真空管を
    使った巨大な電算機、エニアック（ENIAC）が開発された。

  • ダートマス会議 (1956)

    • ジョン・マッカーシー、マービン・ミンスキー

      • ジョン・マッカーシー：Artificial Intelligence（人工知能）の命名
      • マービン・ミンスキー

    • アレン・ニューウェルとハーバード・サイモンは、
      ロジック・セオリストのデモンストレーションを行い、
      コンピューターを用いて数学の定理を自動的に
      証明することが実現可能であることを示した。

    • 学習のあらゆる面または知能の
      他のあらゆる機能は正確に説明できるので、
      機械でそれをシミュレートすることができる。

第1回AIブーム

推論・探索の時代：1950年代 後半〜1960年代（1956 − 1974）

  • 記号処理による推論と探索
  • 論理回路的ニューロン網
  • パーセプトロン

AIの冬第1期

（1974 − 1980）

  • 学習しない。

  • パーセプトロンの限られた能力への批判（1969、マービン・ミンスキー）

  • 単純な特定の問題（トイ・プロブレム）しか解けない。

    • コンピュータの能力不足

    • Intractabilityと組合せ爆発

    • 常識的知識と推論

    • モラベックのパラドックス
      高度な推論よりも感覚運動スキルの方が多くの計算資源を要する

    • フレーム問題と条件付与問題

第2回AIブーム

知識の時代（1980 − 1987）

  • 知識表現の獲得（エキスパート・システム）

  • 日本政府が推進：第5世代コンピュータープロジェクト

  • 人工ニューロンによるコネクショニズムと
    誤差逆伝播法（1986）

  • パーセプトロンの限られた能力への批判の反省版（1987）

AIの冬第2期

（1987 − 1993）

  • コンピュータ（主にエキスパート・システム）に知識を教えるのに限界があった。
  • コンピュータの能力不足で知識表現の獲得はできなかった（知識の自動的な蓄積と管理）。

第3回AIブーム

機械学習・特徴表現学習の時代（2006 −）

今後の可能性

  • 現時点

  • 近未来

    • Society 5.0

    • 社会構造の変化

    • AIデバイド

    • IntelligentからBrainy

    • 人工知能と人間知能の統合

      • 人工知能：機械・深層学習＝経験と訓練
      • 人間知能：知識の系 → 教育 / 学習 → 形式知 / 暗黙知

  • 遠い？未来

    • 汎用人工知能
    • Singularity

動向

探索・推論

  • 探索木

    • 木構造の走査法（高度午前 - 基礎理論を参照）

      • 幅優先探索
      • 深さ優先探索

    • 用途

      • 迷路
      • ハノイの塔
      • ボード ゲーム

  • ロボットの行動計画
    プランニングと呼ばれる技術（探索木ではないが状態遷移図を用いた探索的な手法）

    • STRIPS：Stanford Research Institute Problem Solver

      • Nils Nilsson が開発した自動計画に関する人工知能の一種。
      • 後にそのシステムの入力に使う以下の部分から構成される形式言語
        ・初期状態 (Init)
        ・目標状態の記述 (Goal)
        ・行動 (Actions)
        　・事前条件 (Preconditions)
        　・効果/事後条件 (Effects / Postconditions)

    • SHRDLU

      • テリー・ウィノグラードによって実施された。
      • コンピューターの中に仮想的に「積木の世界」を構成し、そこに存在する
        積木を英語で指示を与えることで積み上げたり下ろしたり動かすことができる。

  • ボード ゲーム（オセロ・チェス・将棋・囲碁）（機械学習（machine learning）の該当節を参照）

知的表現

  • 人工無脳

    • チャットボット、おしゃべりボット
    • 知識なしでも知性があるように感じる
    • 特定のルール・手順に沿って会話を機械的に処理
    • ジョセフ・ワイゼンバウム、イライザ（ELIZA）1964 - 1966年
      相手の発言をあらかじめ用意されたパターンと比較し、
      パターンに合致した発言があると、そのパターンに応じた発言を返答。

  • エキスパート・システムと知識ベース（機械学習（machine learning）の該当節を参照）

学習するAI

AI自身が学習する仕組みに、機械学習と深層学習がある。

問題

トイ・プロブレム

（おもちゃの問題）

  • 現実世界の問題は複雑過ぎてコンピュータで取り扱うことが難しかった。

  • そこで、

    • 本質を損なわない程度に問題を簡略化したものを考えた。
    • コレで、問題の本質を理解したり、現実世界の問題に取り組む準備ができた。

  • しかし、

    • これらは非常に限定された状況で設定された問題で、
    • 普段直面するような現実世界の問題は、ずっと複雑だった。

  • 現在の人工知能では、
    まだ、このような問題しか解けない。
    と言う事が次第に明らかになっていった。

フレーム問題

  • 1969年にジョン･マッカーシーとパトリック・ヘイズが提唱した

    「今しようとしていることに関係のある事柄だけを選び出すことが非常に難しい」

    と言う、未だに本質的な解決はされていない人工知能における重要な問題。

    • ボードゲームなど、前提条件や、やること、その結果が限定されている場合は生じないが、
      現実世界で様々な状況に対応する場合、無限に考えてフリーズしてしまう。

    • しかし、人間はあらゆる状況について無限に考えてフリーズすることはない。

      • （これは人間でも発生し得るが、その場合、どこかで中断できる）
      • アルファ碁などの特化型AIではフレーム問題を回避する方法が実用化されている。

  • 哲学者のダニエル・デネットは次のような例を用いてこのフレーム問題を説明
    「洞窟の中に、台車の上にはロボットを動かすバッテリーがあるが、その横に時限爆弾が仕掛けられている。
    ロボットは動くためにバッテリーが必要であるため、洞窟からバッテリーを取ってくるように命じられる。」

    • ロボット１号：爆弾も一緒に持ち出して爆発
      洞窟からバッテリーを取ってくることに成功するが、
      バッテリーを持ち出すと爆弾も一緒に運び出してしまうことを知らなかったため、
      時限爆弾も一緒に持ってきてしまい、爆弾が爆発する。

    • ロボット２号：持ち出す方法を考え過ぎて爆発
      爆弾も一緒に持ち出してしまうかどうかを判断できるように、
      「自分が行った行動の結果、副次的に何が起きるかを考慮する」ように改良すると、
      ありとあらゆることが起きる可能性を考え時間切れになり、爆弾が爆発する。

      • 「もし台車を動かしても、洞窟の天井は落ちてこない」
      • 「もし台車を動かしても、洞窟の壁の色は変わらない」（関係のない事柄）
      • 「もし台車を動かしても、洞窟の地面や壁に穴があいたりしない」

    • ロボット３号：持ち出す方法の方法を考え過ぎて爆発
      「目的を遂行する前に、関係のない事柄は考慮しないように」改良すると、
      関係ある事柄とない事柄を仕分ける作業に没頭してしまい、
      無限に考え続け、洞窟に入る前に動作しなくなってしまう。

      • 「洞窟の天井が落ちてこないかどうかは今回の目的と関係あるだろうか」
      • 「壁の色は今回の目的と関係あるだろうか」
      • 「洞窟の地面や壁に穴があいたりしないかどうかは今回の目的と関係あるだろうか」

  • 知識ベースのエキスパート・システム（機械学習（machine learning）の該当節を参照）などで

    • 避けられない。
    • 生データからパターン抽出による知識獲得が必要。
    • ナイーブベイズなどで知識獲得できるが...

チューリング・テスト

（人工知能ができたかどうかを判定する方法）

  • イギリスの数学者アラン・チューリングが
    人工知能ができたかどうかを判定するチューリング・テストを提唱

  • 別の場所にいる人間がコンピュータと会話をし、
    相手がコンピュータだと見抜けなければコンピュータには知能があるとする。

    • 知能をその内部のメカニズムに立ち入って判定しようとすると極めて難しいから、
      外から観察できる行動から判断せざるを得ないという立場を取っている。

    • また人工知能の判定基準として参照されるだけでなく、
      具体的なソフトウェア開発の目標にもなっている
      （精神科セラピストの役割を演じるプログラム、ELIZA）

  • コンテストは毎年開催されているが、
    現時点でパスした会話ソフトウェアは存在しない。

常識推論タスク

チューリング・テストに代わるテストとして提案されている、
常識推論（世界についての基本的な知識を用いて推論する）能力をテストするタスク

  • 人間は自分を取り巻く環境の中で認識する一般的な概念を理解し、活用することを学ぶ中で、文を作る能力を獲得する。

  • 文を作る能力の獲得は、人間が幼児から大人に向かって発達する際の大きなマイルストーンと考えられている。

  • 文を生み出すこうした生成的常識推論能力を機械が本当に獲得できるかどうかをテストしようとした

  • 最新の深層学習モデルは、90％程度の精度を達成できるようになっており、自然言語処理（NLP）はこの目標に近づいている。

  • ベンチマーク データセット - Commonsense.Run - 常識推論研究のポータル サイト
    https://commonsense.run/datasets/

    • COPA：もっともらしい選択肢の選択：常識的な因果推論の評価。

    • WSC：照応解析で例えば以下の文中の照応詞“she”に対して“Tina”を同定できるかどうか。

      When Debbie splashed Tina, she got wet.

強いAIは実現不可能

  • 人の思考を表面的に模倣するような「弱いAI」は実現可能

  • 意識を持ち意味を理解するような「強いAI」は実現不可能

  • チューリング・テストに合格しても本当に知能があるかは解らないと言う議論。

    • チューリング・テストを拡張した心がどこに存在するのか？
    • コンピュータは記号操作を行っているだけで認知意味論を欠いている。

  • 「中国語の部屋」と言う思考実験
    チューリング・テストを発展させた思考実験で、意識の問題を考えるのに使われる。
    心の哲学から、心身問題に対する立場の一つ、機能主義に対する反論を提示している。

    • 思考実験の内容
      部屋の中には中国語の質問に答えることができる完璧なマニュアルがある（≒ AI）。
      部屋の外の人は部屋の中の人（≒ AI）が中国語を理解していると判断してしまう。

  • ロジャー・ペンローズ（数学者）
    『皇帝の新しい心-コンピュータ・心・物理法則』

    • 意識は脳の中にある微細な管に生じる量子効果が絡んでいるので、
    • 既存のコンピュータでは「強いAI」は実現できないと主張。

記号接地問題

（シンボル・グラウンディング問題）

  • 1990年に認知科学者のスティーブン・ハルナッドにより議論された。

  • 記号（シンボル）とその対象がいかにして結び付くかという問題。

    • フレーム問題と同様、人工知能の難問

    • 「シマウマ」の例

      • 「シマウマ」と言う文字は、ただの記号の羅列に過ぎず、
      • 「シマのあるウマ」ということは記述できる。
      • 初めてシマウマを見ても「これがあのシマウマだ」とは認識できない。

  • 現状の人工知能は、

    • 必ずしも記号と実態が結び付いておらず、言葉を理解していないとされる。
    • 深層学習を用いた画像認識も登場したが、人間と同等の意味理解レベルには至っていない。

身体性

知能が成立するためには身体が不可欠であるという考え。

  • 身体を通して得た感覚と記号を結び付けて世界を認識する。
  • 触った感覚や、経験も含めて物体を捉えると言う考え方。

※ シンボル・グラウンディングが視覚だとすると
　 身体性は視覚や触覚を含めた全てで物体をグラウンディングする。

知識獲得のボトルネック

機械翻訳が難しい理由は、コンピュータが「意味」を理解していないことが最大の理由。

  • 「He saw a woman in the garden with a telescope.」
    一般的に、人間は、前者を想像する事が多い。

    • 「彼は望遠鏡を覗いて、庭にいる女性を見た。」
    • 「彼は庭で望遠鏡を覗いて、女性を見た。」

  • 恐らく、以下のような推測によって。

    • 望遠鏡は男性の趣味が多いだろう。
    • 庭に居るのは、恐らく女性だろう。
    • 庭からではなくベランダなどから望遠鏡を覗くだろう。

  • 人間の持っている一般常識は膨大で、

    • コンピュータが知識を獲得することは難しい＝知識獲得のボトルネック。
    • 故に、一般常識の知識をコンピュータが扱うことは極めて困難。

「統計的機械学習からニューラル機械翻訳」（言語処理（AI）の該当節を参照）で知識獲得が期待されている。

特徴量設計

  • 機械学習では「注目すべきデータの特徴」（特徴量）の選び方が性能を決定付ける。
  • 機械学習は、特徴量として与えられたものを利用するだけで、特徴量そのものの選択には関わらない。
  • 特徴量の選択は、相関関係があることを人間が発見し行うことになる。
    • 正しい特徴量を見つけ出すのは一般に非常に難しいタスク。
    • 特徴量を機械学習自身に発見させるアプローチ（特徴表現学習）
    • ディープラーニング（深層学習）は、
      • 「特徴表現学習」を行うアルゴリズムの１つ。
      • 特に、CNNの特徴量マップ（ニューラルネットワークの該当節を参照）など。

シンギュラリティー

（技術的特異点）

  • 特異点というのは数学や物理学でよく用いられる概念で、
    ある基準が適用できなくなる点のことを指す。

  • 人工知能のコンテキストでのシンギュラリティーの仮説

    • 広義：人工知能が人間よりも賢くなること。

    • 狭義：人工知能が自身よりも賢い人工知能を作るようになった瞬間、

      • 無限に知能の高い存在を作るようになり、
        人間の想像力が及ばない超越的な知性が誕生する。

      • 0.9を何度掛けても1.0を超えることはないが、
        1.0を超えると、いきなり無限大に発散してしまうことと同じ。

      • AI分野の「収穫加速の法則」（カーツワイル）。

  • 未来学者で実業家のレイ・カーツワイルの予測

    • 広義のシンギュラリティーが2029年頃
    • 狭義のシンギュラリティーが2045年頃

  • 超越的な知性を持った人工知能の誕生がもたらすかもしれない脅威に警鐘を鳴らす人々

    • 宇宙物理学者のスティーブン・ホーキング
      完全な人工知能を開発できたら、それは人類の終焉を意味するかもしれない

    • テスラやスペースXのCEOであるイーロン・マスク
      ペンタグラムと聖水を手にした少年が悪魔に立ち向かう話云々。

    • マイクロソフトの創業者であるビル・ゲイツ
      私も人工知能に懸念を抱く側にいる1人だと、脅威論に同調

    • 倫理委員会

      • Google
        ディープマインド・テクノロジーズ社を買収する際に、
        社内に人工知能に関する倫理委員会を設置。

      • 日本
        人工知能学会において、2014年に倫理委員会が設置

数学との関連

学習・推論・判断に確率・統計が使用される。

  • 学習：判別ルール、判別器を作る。
  • 推論：判別器を使う。
  • 判断：データから総合的に判断。

確率・統計

  • 確率

    • 0 ＜ 確率（P(A)） ＜ 1

         事象Aが起る場合の数
------------------------
起こり得る全ての場合の数

    • 事象

      • 積事象：共に起きる
      • 和事象：片方起きる
      • 余事象：共に起きない。
      • 排反事象：同時に起きない。

    • 試行

      • 独立試行の確率：確率の積
      • 反復試行の確率：独立試行の確率 * 排反事象の確率 * 組合せの数

    • 条件付き確率（ベイズ統計の該当節を参照）

  • 統計

微分・積分

ベクトル・行列

  • ベクトル：非構造化データのベクトル化表現（テキストのベクトル化、機械学習（machine learning）の該当節を参照）
  • 行列：色々な表現、テンソル（NumPyの該当節を参照）：複数の行列

分類・体系

従来型人工知能（AI）と計算知能（CI）

  • 従来の人工知能（AI）
    線形分離可能な問題（いずれも 機械学習（machine learning）の該当節を参照）

    • エキスパート・システム
    • サポートベクターマシン
    • 事例ベース推論（CBR）

  • 計算知能（CI）
    線形分離不可能な問題
    コンピューターが繰り返し学習をし、
    経験を積みながら成長していく。

ルールベース、統計・確率論、脳科学

機械学習（統計・確率論、脳科学） or NOT.

拡張知能（IA）と知能インフラ（II）

  • 拡張知能：Intelligence Augmentation（IA）
    人間にしかできなかった知的な行為（認識、推論、言語運用、創造など）を、

    • どのような手順（アルゴリズム）と
    • どのようなデータ（事前情報や知識）を

    準備すれば、それを機械的に実行できるか？を研究する分野で、
    この20年の間に、機械学習と深層学習が大きく進展した。

  • 知能インフラ：Intelligent Infrastructure（II）
    現在は、コンピュータ処理とデータと
    物理的なものが絡み合った、IIが出現。

弱いAI、強いAI

アメリカの哲学者ジョン・サールが1980年に発表した
「Minds, Brains, and Programs (脳、心、プログラム)」
という論文の中で提示した区分。

  • 弱いAI（AI：特化型人工知能）
    ある特定の目的（画像認識、音声認識）を遂行する。
    コンピュータは人間の心を持つ必要はなく、有用な道具であればよい。

  • 強いAI（AGI：汎用人工知能）
    ドラえもんとか、ターミネーターとか。
    人間が心を持つのと同じ意味で心を持つコンピュータ。
    また、プログラムそれ自身が人間の認知の説明である。

    • 全脳アーキテクチャ
    • 全脳エミュレーション

AIの例

ルールベースAI

エキスパート・システム

  • 専門家の推論・判断を模倣

    • 膨大な情報と条件を照らし合わせながら、最適な提案を導き出す。

    • 推論エンジンが知識ベースを使って推論を行う。

      • 推論エンジン（固定）
        ルールベースとも言われる。

      • 知識ベース（可変）

  • 応用例
    組み合わせが膨大となるような領域でうまく機能する。

    • 自動音声応答装置、人工無脳
    • 障害診断、医療診断
    • 複雑系、プロセス制御
    • 意思決定支援
      • 市場での推奨取引を提示
      • コンピュータ野球ゲーム

  • 機械学習を用いたエキスパート・システム（機械学習（machine learning）の該当節を参照）

事例ベース推論（CBR）

  • 情報を蓄積して分析し、
    ある事例に類似した事例を導き出す。

  • 原型

    • 自動車整備士が類似の故障を思い出して修理
    • 弁護士が裁判で判例に基づく主張を展開
    • 技術者が自然界にあるものを模倣

  • 4段階のプロセス

    • 検索: 問題に対応した事例を検索する。
    • 再利用: 事例から与えられた問題の解法を得る。
    • 修正: 新しい解法を試して、必要ならば改良を加える。
    • 記憶: うまく適応した解法が得られたら、その経験を新たな事例として記憶する。

  • 応用例

    • ヘルプデスク
    • 意思決定支援システム

  • 統計的に適切なデータがないと、
    その一般化が正しいという保証ができない。

ゲームの思考ルーチン

囲碁などのゲームの思考ルーチン

制御システム

家庭用電気機械器具などの制御システム

機械学習と深層学習

  • トレーニング・データを通してデータに潜むパターンを学習する。

  • テスト・データのインプットに対して推論をアウトプットする。

  • データの数が多ければ多いほど望ましい学習結果（高い予測精度）が得られる。

  • 2000年以降、学習はビッグデータというキーワードと共に注目を集めるようになった。

    • インターネットが普及してデータが蓄積されるまでは、
      データが少なくても学習できる機械学習が主流だった。

    • 故に、ビッグデータを必要としないベーシックな機械学習のアルゴリズム・モデルも多い。

    • 2000年以降、機械学習 と 深層学習は、特に、ビッグデータから
      法則やルールを見つけ出すアルゴリズム・モデルに注目が集まるようになった。

機械学習（machine learning）

レコメンデーションエンジンや迷惑メールを検出するスパムフィルターなどが実用化された。

深層学習（deep learning）

既存産業における今後の発展見込が大きい画像認識の精度、運動の習熟向上により、
今後、多くの作業の効率化・自動化が可能となると考えられる。

その他

導入

AIの活用例

マネジメント

画像・映像・３次元データ

画像処理

画像処理とコンピュータビジョンの該当節を参照。

タスクとモデル

畳み込みニューラルネットワーク（CNN）（ニューラルネットワークの該当節を参照）

時系列・テキスト等のデータ

  • 系列とは、順序を持ち、並びに意味が隠れているもの。
  • 時系列データ（音声、音楽、動画、気象関連）、自然言語

言語処理

いずれも 言語処理（AI）の該当節を参照。

  • 文書検索
  • チャットボット
  • テキストマイニング

タスクとモデル

  • タスク
    回帰タスク（複数の入力から連続値の出力を予測）

  • モデル

    • 自己回帰モデルとその発展型

      • 自己回帰モデル（データ分析の該当節を参照）
      • 発展型
        ・ARIMAモデル（自己回帰和分移動平均モデル）
        ・SARIMAモデル（ARIMAモデルに周期成分を取り入れたモデル）

    • 複数の決定木を使用するモデル（機械学習（machine learning）の該当節を参照）

    • 深層学習のモデル
      （いずれも ニューラルネットワークの該当節を参照）

      • 再帰型ニューラルネットワーク（RNN）
      • 長短期記憶ニューラルネットワーク（LSTM）
      • 畳み込みニューラルネットワーク（CNN）

系列データを特徴量に変換する手法

系列データ：系統立って並んでいるデータ

  • 周波数分析

    • 現象の知見を得る

    • 特徴抽出で得た特徴量を後の処理で使う。

    • 時間波形の周波数分析の手順

      • フレーム化処理（短時間の波形を切り出す）
      • 窓関数を掛ける（Hanning窓、Hamming窓）
      • 離散フーリエ変換
      • 振幅スペクトルを計算
      • 対数振幅スペクトルを計算

  • 深層学習の手法
    （いずれも ニューラルネットワークの該当節を参照）

    • 再帰型ニューラルネットワーク（RNN）

    • 長短期記憶ニューラルネットワーク（LSTM）

    • 畳み込みニューラルネットワーク（CNN）

      • 畳み込みフィルタの適用
      • 拡張された畳込み

その他

ロボティクス

複雑系データ

  • 金融市場もしくは人間の行動などに関するデータ。

    • 時間で構造やパターンが変化する。
    • データを複製できないので数が限定的。
    • モデルを複雑にすると過学習（機械学習（machine learning）の該当節を参照）を起こす。

  • 事例

活用例

参考

Qiita

Wikipedia

Tags: 移行, サービス, DX, AI, 開発基盤

このWikiは「Open棟梁Project」,「OSSコンソーシアム 開発基盤部会」によって運営されています。

NetDevInfraWiki

マイクロソフト系技術情報 Wiki
Open 棟梁 Wiki

（未着手）

開発基盤部会 Wiki

移行管理: DONE ／ TODO

Clone this wiki locally