1. AIの全体像

AIという言葉は毎日のように見聞きしますが、「中で何が起きているのか」を言葉で説明できる人は多くありません。この章では、AI（人工知能）とは何かという土台から始め、機械学習・ディープラーニング・生成AI・LLMといった用語の意味と、それらがどのような入れ子の関係になっているのかを順番に整理します。ここを理解しておくと、ニュースや社内の会話で出てくるAI用語を正しく位置づけられるようになり、種類と包含関係を自分の言葉で説明しやすくなります。

AIとは何か

AI（Artificial Intelligence、人工知能）とは、人間の知的な活動の一部をコンピュータで実現しようとする技術や仕組みの総称です。現在ビジネスで広く使われているAI、とくに機械学習型AIでは、大量のデータからパターンを学習して判断や生成を行います。

この章では、現在主流の機械学習型AIを中心に説明します。ここで最も重要なのは、通常のコンピュータプログラムとの本質的な違いです。

通常のコンピュータプログラムは、人間が書いたルール通りにしか動きません。たとえば「気温が30度以上なら『暑い』と表示する」と書けば、その通りに動きますが、書かれていない状況に出会っても自分で判断することはできません。ルールに書かれていないことは何もできないのが、従来のプログラムの特徴です。

これに対して現在主流の機械学習型AIは、大量のデータを与えることで、データの中からパターンを見つけて学習します。人間が一つひとつのルールを書かなくても、データという「経験」から規則性を見つけ出し、見たことのない新しい状況にも対応できるようになります。

この違いは、AIを理解するうえで出発点になります。通常のプログラムは人間が書いたルールに従い、現在主流の機械学習型AIはデータからパターンを学びます。まずは次の対比として理解すると整理しやすくなります。

• 通常のプログラム＝人間が書いたルール通りにしか動かない（新しいパターンに自分で対応できない）
• 現在主流の機械学習型AI＝データからパターンを見つけて学習する（新しい状況に対応できる）

身近なところでも、私たちはすでにAIを使っています。動画サイトのおすすめ表示は、視聴履歴というデータから「この人はこういう動画を好む」というパターンを学習し、次に見たくなりそうな動画を予測しています。人間が「この人にはこの動画」と一件ずつ指定しているわけではありません。

AIの基本的な能力

ここでは、AIの代表的な能力として、特に次の3つを整理します。

1. 学習する力……大量のデータからパターンや特徴を自分で見つける力。たとえば猫と犬の写真を大量に見せると、「耳の形」「鼻の長さ」といった特徴をAI自身が発見し、新しい写真でも見分けられるようになります。人間が「猫の特徴はこれ」と書く必要はありません。
2. 推論する力……学習したパターンをもとに、見たことのない新しい状況を判断する力。過去の気象データから学習したAIが、まだ来ていない明日の天気を予測するのがこれにあたります。
3. 言葉を扱う力……人間が普段使う言葉を処理し、意味に沿った応答を生成する力。これは「自然言語処理（Natural Language Processing）」と呼ばれる技術です。対話型AIが質問の意図に沿って答えられるのは、この能力によるものです。

ここでは「自分で目標を設定する力」「感情を持って自発的に共感する力」といった見方が混同されがちです。これらは現在のAIの基本能力ではありません（後述する汎用AIのイメージに近い、まだ実現していない話です）。また「画像から物体を見分ける視覚認識の力（コンピュータビジョン）」は別系統の能力であり、上記の学習・推論・自然言語の3能力とは区別して扱われることがあります。

この章の要点

• 通常のプログラムは人間が書いたルール通りに動く。現在主流の機械学習型AIは、データからパターンを学習して判断や生成を行う。
• ここで特に理解したいAIの代表的な3能力は「学習する力」「推論する力」「言葉を扱う力（自然言語処理）」。
• 「自分で目標を設定する力」「感情を持つ力」は現在のAIの基本能力ではない。
• 人間の言葉を処理して応答する技術の名称は「自然言語処理（NLP）」。画像認識・強化学習・機械翻訳と区別する。

現在のAIと種類（特化型と汎用AI）

AIは、できることの範囲によって大きく2つのタイプに分けられます。

特化型AIは、1つの分野や用途に特化したAIです。顔認証システムは顔を照合する用途に強い一方、文章を作成したり経営戦略を立てたりするためのAIではありません。翻訳AIは英語を日本語にできますが病気の診断はできません。音声認識AIは声を文字に変換できますが株価の予測はできません。このように、得意分野がはっきり決まっているのが特化型AIです。

汎用AIは、人間のようにあらゆる分野で自律的に考え、どんな問題も解決できるAIです。映画やアニメに登場するような、自分で考えて何でもこなすAIがこれにあたります。

ここで理解するべき最重要ポイントは、現在実用化されているAIは、ほぼすべてが特化型AIであるということです。汎用AIはまだ実現していません。感情を持ち自分の意思で行動するAIも実現していません。対話型AIは非常に多機能に見えますが、人間のようにあらゆる目的を自律的に達成する汎用AIではありません。

ここでは、「人間と同じようにあらゆる分野で自律判断できる汎用AIが既に普及している」「1つのAIが画像認識から音声認識、翻訳まで何でもこなす形で提供されている」といった説明が混同しやすい理解として出ます。これらは汎用AIの説明であって、現状の実態とは異なります。「1つの分野や用途に特化したAIがほぼすべて」が正しい現状認識です。

この章の要点

• 特化型AI＝1つの用途に特化（画像認識、翻訳、音声認識など）。現在実用化されているAIはほぼすべてこのタイプ。
• 汎用AI＝人間のように何でもこなすAI。まだ実現していない。
• 「汎用AIが既に普及」「感情を持つAIが実現済み」は実態とは異なります。
• 対話型AIも、現時点では人間のように何でも自律的にこなす汎用AIではない。

機械学習とは

機械学習（Machine Learning）とは、コンピュータが大量のデータからパターンや規則性を自動的に見つけ出して学習する技術です。AIを実現するための中心的な技術であり、AIという大きな概念の中に含まれます。

注意したいのは、「人間が書いたルール通りに計算する従来型の処理」や「人間が書いたif-then型のルールで判定するエキスパートシステム」は機械学習ではない、という点です。これらは人間がルールを用意する仕組みであり、データから自分でパターンを見つける機械学習とは異なります。また「出された問題の答えを丸暗記して同じ問題にだけ正解する」のも機械学習ではありません。機械学習の本質は、見たことのない新しいデータにも一般化できる規則性を見つけることにあります。

機械学習には、大きく分けて3つの学習方法があります。

教師あり学習

正解データとセットにして、入力に対する答えを学習させる方法です。たとえば迷惑メール判定なら、「これは迷惑メール」「これは正常なメール」という正解ラベルを付けた大量のメールを与え、AIに見分け方を学習させます。分類や予測の多くがこの方法で作られます。

教師なし学習

正解データを与えず、データの中から特徴やグループをAIが自動的に見つける方法です。たとえば通販サイトの顧客データを分析し、似た購買行動をする顧客グループを自動的に分類します。「高価格商品を好むグループ」「頻繁に購入するグループ」といった構造を、人間が答えを教えなくてもAIが発見します。

強化学習

試行錯誤を繰り返し、良い行動には報酬を、悪い行動にはペナルティを与えることで、最適な行動を学習させる方法です。囲碁AIが膨大な対局を繰り返して強くなったのが代表例です。ゲームやロボットの制御などで使われます。

ここでは、この3つの違いを整理しておくことが大切です。機械学習の基本分類は「教師あり学習・教師なし学習・強化学習」です。「暗記学習」「ルールベース学習」といった説明は、この分類とは別の話です。それぞれの定義（正解データあり＝教師あり、正解データなしで構造発見＝教師なし、報酬とペナルティで試行錯誤＝強化）が入れ替わらないように理解してください。

この章の要点

• 機械学習＝大量のデータからパターン・規則性を自動的に見つけて学習する技術。
• ルールベース処理・エキスパートシステム・丸暗記は機械学習ではない。
• 3つの学習方法は「教師あり学習」「教師なし学習」「強化学習」。「暗記学習」「ルールベース学習」は実態とは異なります。
• 教師あり＝正解データあり／教師なし＝正解なしで構造発見／強化＝報酬とペナルティで試行錯誤。

ディープラーニングとは

ディープラーニング（Deep Learning、深層学習）は、機械学習の一種です。人間の脳の神経細胞のつながりを真似た「ニューラルネットワーク」を、何層にも深く重ねた構造を持っています。包含関係としては「機械学習の中にディープラーニングがある」、つまりディープラーニングは機械学習に含まれます。

「深い（ディープ）」とは、層をたくさん重ねていることを指します。各層は前の層から受け取った情報を処理して次の層へ渡し、層が深くなるほど単純な特徴（線や点）から複雑な特徴（耳や目の形）へと、段階的により複雑なパターンを捉えられるようになります。

通常の機械学習との大きな違いは、特徴の抽出までAIが自動で行う点にあります。従来の機械学習では、画像から猫を見分けるために人間が「耳の形」「ひげの有無」といった注目すべき特徴をあらかじめ定義する必要がありました。ディープラーニングでは、大量のデータを与えるだけで「どこに注目すれば見分けられるか」をAI自身が発見します。これにより人間の手間が減り、精度も大きく向上しました。

ディープラーニングは、画像認識（顔認証、自動運転の物体検出）、音声認識（スマートスピーカーの音声理解）、自然言語処理（機械翻訳、文章生成）、動画解析などで特に高い性能を発揮します。一方で、「会計の仕訳をルールに従って手作業で記入する」ような人手による定型処理は、データから自動でパターンを学ぶディープラーニングの応用領域ではありません。現在広く使われている対話型AIやコード補助ツールは、いずれもディープラーニングを土台にしています。

この章の要点

• ディープラーニングは機械学習の一種（機械学習 ⊃ ディープラーニング）。
• 多層のニューラルネットワークで、層が深いほど複雑なパターンを学習できる。
• 従来の機械学習と違い、注目すべき特徴の抽出もAIが自動で行う。
• 得意分野は画像認識・音声認識・自然言語処理・動画解析。手作業の定型処理は対象外。

生成AIとは

生成AI（Generative AI）は、現在主流のサービスではディープラーニングを活用しており、新しいコンテンツを生み出すことに特化したAIです。ここでは、包含関係として「ディープラーニングの中に生成AIがある」、つまり生成AIはディープラーニングに含まれるものとして整理します。生成AIがディープラーニングより広い、あるいは両者が無関係、といった説明は実態とは異なります。現在主流の生成AIは機械学習（ディープラーニング）の上に成り立っており、機械学習を一切使わずに動くわけではありません。

従来のAIとの最大の違いは、何をするかにあります。

• 従来のAI……主に「分類」や「予測」を行う。迷惑メール判定、画像の分類、株価が上がるか下がるかの予測など。
• 生成AI……新しいコンテンツを「生み出す」。文章、画像、楽曲、プログラムコードなどを作り出す。

この違いは、生成AIを理解するうえで重要です。「従来のAIは分類・予測が中心で、生成AIは新しいコンテンツを生み出す点に特化している」が正しい対比です。混同しやすい理解として「処理速度の違い」「料金の違い」「オンラインかオフラインか」「英語専用か日本語対応か」といった説明が出ますが、これらは本質的な違いではありません。また「リアルタイムの株価予測」は数値の予測であって生成ではないため、生成AIが生み出すコンテンツの例には含まれません。

生成AIは、扱うコンテンツによって次のように分類されます。

• テキスト生成AI……文章を生成する。代表例は対話型AI。メールの下書き、記事の執筆補助、プログラムコードの生成などに使える。
• 画像生成AI……文章での指示から画像を生成する。デザイン案の作成などに使える。
• 音声生成AI……音声や音楽を生成する。テキストの読み上げや自動作曲など。

「データ分析AI」は既存データの集計・分析を行うもので、新しいコンテンツを生み出す生成AIの分類には含まれません。生成AIはあくまで「コンテンツの種類（テキスト・画像・音声・動画・コード）」によって分けられる点を理解してください。

この章の要点

• 生成AI＝現在主流のサービスではディープラーニングを活用し、新しいコンテンツを生み出すことに特化したAI。
• 従来のAIは分類・予測が中心、生成AIはコンテンツ生成に特化。これが本質的な違い（速度・料金・動作環境の違いではない）。
• ここでは、生成AIの基盤技術はディープラーニング、包含関係はディープラーニング ⊃ 生成AIとして整理する。
• 種類はテキスト生成AI・画像生成AI・音声生成AIなど。データ分析AIは生成AIではない。
• 株価予測などの数値予測は生成ではない。

AI・機械学習・ディープラーニング・生成AI・LLMの包含関係

ここまで出てきた用語を、最後に1つの図にまとめます。これらは横並びの別物ではなく、外側が内側を含む入れ子（包含）の構造になっています。

現在主流のAIサービスを理解するうえでは、次の包含関係で整理すると分かりやすくなります。ここでは、この順序を基本の包含関係として理解します。

AI ⊃ 機械学習 ⊃ ディープラーニング ⊃ 生成AI ⊃ LLM

• AI……最も広い概念。人間の知的活動の一部をコンピュータで実現しようとする技術や仕組みの総称。
• 機械学習……AIの一部。データからパターンを見つける技術。
• ディープラーニング……機械学習の一種。多層のニューラルネットワークを使う。
• 生成AI……現在主流のサービスではディープラーニングを活用する。新しいコンテンツを生み出す。
• LLM……生成AIの中で、テキスト（言語）の処理と生成に特化したもの。

LLM（Large Language Model、大規模言語モデル）は、生成AIの中でも人間の言語（テキスト）の処理と生成に特化したAIです。対話型AIの中身として動いている代表的な技術がこのLLMです。LLMはディープラーニングを土台に作られており、ディープラーニングがLLMを支える技術基盤になっています。したがってディープラーニングのほうがLLMより広い概念です。

LLMについては混同されやすい説明があります。「あらゆる種類のコンテンツを均等に扱う汎用の生成AI」「画像生成に特化したAI」「音声を文字に変換するAI」「知識データベースを検索するシステム」などは、LLMそのものの説明ではありません。LLMはあくまでテキスト（言語）に特化している点が、画像生成AIや音声生成AIとの違いです。

包含関係では、順序を入れ替えて理解しないことが大切です。特に混同しやすいのが次の2パターンです。

• AIと機械学習が逆（「機械学習 ⊃ AI」）……AIのほうが広い概念です。
• 機械学習とディープラーニングが逆（「ディープラーニング ⊃ 機械学習」）……機械学習のほうが広い概念です。

「AI ⊃ 機械学習 ⊃ ディープラーニング ⊃ 生成AI ⊃ LLM」という一直線の並びで、外側から内側へ順に理解すると整理しやすくなります。

「技術」と「モデル」の違い

最後に、混同しやすい「モデル」という言葉を整理します。機械学習・ディープラーニング・生成AIは、AIを実現するための技術の種類です。これに対してモデルとは、それらの技術を使って大量のデータで学習を完了したAI本体のことで、いわば「AIの脳」にあたります。実際に応答や生成を行う主体がモデルです。

ここでは、モデルを「プログラミング言語や開発ツールの総称」「AI技術の種類を指す言葉」「学習に使った元のデータセット」「AIに渡す指示文（プロンプト）」「動かすためのハードウェア」と取り違えさせる混同しやすい理解が出ます。いずれも実態とは異なり、モデルは「学習を完了したAIそのもの」だと理解してください。

この章の要点

• 現在主流のAIサービスを理解するうえでは「AI ⊃ 機械学習 ⊃ ディープラーニング ⊃ 生成AI ⊃ LLM」と整理できる。ここではこの順序を基本として理解する。
• AIと機械学習の逆転、機械学習とディープラーニングの逆転が混同しやすい理解。
• LLM＝生成AIの中でテキスト（言語）の処理と生成に特化したAI。画像・音声生成や検索システムではない。
• ディープラーニングはLLMより広い概念で、LLMの技術基盤。
• モデル＝技術を使って学習を完了したAI本体（AIの脳）。技術の種類・データ・プロンプト・ハードウェアとは別物。

ミニ例題

問1. 通常のコンピュータプログラムと、現在主流の機械学習型AIの本質的な違いとして正しいものはどれですか。

• A. 通常のプログラムはデータから学習し、機械学習型AIは人間が書いたルール通りに動く
• B. 通常のプログラムは人間が書いたルール通りにしか動かないが、機械学習型AIはデータからパターンを学習する
• C. どちらも大量のデータからパターンを学習する
• D. 通常のプログラムは新しいパターンに自律的に対応でき、機械学習型AIは固定ルールしか実行できない

正解: B 解説: データから学習するのは、現在主流の機械学習型AIの側です。AとDは両者の説明が逆、Cは「両方とも学習する」とした点が誤りです。

問2. 機械学習の主な学習方法の組み合わせとして正しいものはどれですか。

• A. 教師あり学習・教師なし学習・暗記学習
• B. 教師あり学習・ルールベース学習・強化学習
• C. 教師あり学習・教師なし学習・強化学習
• D. 教師なし学習・強化学習・全文検索学習

正解: C 解説: 機械学習の3方式は「教師あり学習」「教師なし学習」「強化学習」です。暗記学習・ルールベース学習・全文検索学習は機械学習の分類に含まれません。

問3. AI・機械学習・ディープラーニング・生成AI・LLMの包含関係として正しいものはどれですか。

• A. AI ⊃ 機械学習 ⊃ ディープラーニング ⊃ 生成AI ⊃ LLM
• B. 機械学習 ⊃ AI ⊃ ディープラーニング ⊃ 生成AI ⊃ LLM
• C. AI ⊃ ディープラーニング ⊃ 機械学習 ⊃ LLM ⊃ 生成AI
• D. LLM ⊃ 生成AI ⊃ ディープラーニング ⊃ 機械学習 ⊃ AI

正解: A 解説: AIが最も広く、機械学習・ディープラーニング・生成AI・LLMの順に内側へ含まれます。BはAIと機械学習が逆、Cは機械学習とディープラーニングおよび生成AIとLLMが逆、Dは全体が逆向きです。