【生成AIパスポート合格講座 第1回】AI（人工知能）の正体をつかむ

生成AIパスポート合格講座「AI（人工知能）の正体をつかむ（第1回）」の内容を記事にまとめました。動画で見たい方は下の動画を、要点だけ読みたい方は本文をご覧ください。また、記事末に確認問題（解答・解説つき）があります。

本講座は「生成AIパスポート試験」（一般社団法人 生成AI活用普及協会：GUGA）の合格を目指す全6回シリーズです。本文・図解・確認問題は当講座オリジナルです。

この章で、あなたが「判断できるようになる」こと

生成AIの勉強を始めると、いきなり「LLM」「ディープラーニング」「ファインチューニング」といった言葉が飛んできます。ここで身構えてしまう人は、とても多いです。

でも、安心してください。第1章でやることは、たった一つです。

「AIとは、結局なんなのか」を、自分の言葉で説明できるようになる。

これだけです。生成AIは、AIという大きな木の、いちばん新しい枝にすぎません。根っこにあたる「AIそのもの」の仕組みをここで押さえておくと、第2章以降の生成AIの話が、驚くほどスッと入ってきます。逆に、ここを飛ばすと、後半でずっと足元がぐらつきます。

試験対策としても、第1章は「点を取りやすい章」です。歴史や用語の定義が中心で、計算問題のような難しさはありません。意味を理解して覚えれば、丸暗記より楽に、そして忘れにくく得点できます。

この章を読み終えると、あなたは次のことができるようになります。

• AIとロボットの違いを、同僚に説明できる
• 「機械学習」と「ルールベース」を、具体例で区別できる
• ニュースで「ディープラーニング」と聞いたときに、何を指しているか分かる
• AIの歴史の流れ（3回のブーム）を、ストーリーとして語れる
• 「シンギュラリティ」や「AI効果」という言葉に、冷静に反応できる

では、全体像から押さえていきましょう。

1-1　そもそもAIとは何か

AIには「たった一つの正解の定義」がない

まず、いちばん大事なことからお伝えします。

AI（人工知能、Artificial Intelligence）には、世界中の誰もが認める唯一の定義が、実はありません。

「えっ、そんな曖昧なものなの？」と思うかもしれません。でも、これは知っておくと得をするポイントです。研究者によって「人間のように考えるシステム」と言う人もいれば、「人間のように行動するシステム」と言う人もいる。立場によって少しずつ定義が違うのです。

試験では、ここを逆手に取った出題がされます。「AIの定義は研究者によって異なる」という事実そのものが、ひっかけ問題の材料になりやすいのです。「AIには国際的に統一された厳密な定義がある」という選択肢が出てきたら、それは誤りだと判断できます。

攻略MEMO AIの定義は「研究者によって見解が分かれる」が試験的な正解。「厳密に一つに定まっている」という記述は誤りと判断する。

すべての始まり「ダートマス会議」

AIという言葉が生まれた瞬間は、はっきりしています。

1956年、アメリカで開かれた「ダートマス会議」です。ここで、研究者のジョン・マッカーシーが「Artificial Intelligence（人工知能）」という言葉を初めて使いました。この会議が、AI研究の出発点とされています。

「1956年」「ダートマス会議」「人工知能という言葉の誕生」――この3点セットは、試験で問われる定番です。年号まで覚えるのが理想ですが、まずは「AIという言葉は20世紀半ば、ダートマス会議で生まれた」という流れだけでも頭に入れておきましょう。細かい暗記は、章の最後の用語整理でもう一度やります。

AIとロボットは、まったく別物

ここで、多くの人がモヤッとするポイントを先に片づけておきます。

AIとロボットは、同じではありません。

イメージしやすいように、こう考えてください。

• AI＝「頭脳」（考える部分、ソフトウェア）
• ロボット＝「体」（動く部分、ハードウェア）

工場で動く産業用ロボットの多くは、決められた動きを繰り返すだけで、自分で考えてはいません。つまり「ロボットだけど、AIは入っていない」ものがたくさんあります。

逆に、ChatGPTのような対話AIは、体（ロボット）を持たず、頭脳だけがソフトウェアとして動いています。「AIだけど、ロボットではない」わけです。

このように、AIとロボットは重なる部分もあるけれど、別々の概念です。「AIとロボットの区別」は、試験でも実務でも、最初に押さえておきたい基本です。

実務でひとこと 社内で「AIロボットを導入しよう」という話が出たとき、それが「考えるAI」を指しているのか「自動で動く機械」を指しているのかを確認すると、話の食い違いを防げます。両者は混同されがちです。

AIの研究とは――ロボット研究だけではない

AI研究とは、人間の知的な働きの一部を、コンピュータで実現しようとする研究分野です。

ここでいう「知的な働き」とは、たとえば次のようなものです。

• 答えにたどり着くために候補を探す（探索）
• 条件から結論を導く（推論）
• データから規則性を見つける（学習）
• 画像や音声を認識する（認識）
• 文章を理解したり生成したりする（自然言語処理）

つまり、AI研究は「人型ロボットを作る研究」だけを指すわけではありません。むしろ、現在のAIの多くは、目に見えるロボットではなく、ソフトウェアとして動いています。

攻略MEMO AI研究は「ロボットそのものの研究」とイコールではない。探索・推論・学習・認識・言語理解など、人間の知的活動をコンピュータで扱う幅広い研究分野と押さえる。

1-2　AIに知能をもたらす「2つの仕組み」

ここからが第1章の心臓部です。少しだけ専門的になりますが、一つずつ、生活の例にたとえながら進みます。ここでつまずく人は多いですが、コツをつかめば一気に視界が開けます。

知能をもたらす2つの仕組み

AIが「賢く振る舞う」ための仕組みは、大きく2つに分けられます。

1. ルールベース：人間がルールを教え込む方式 2. 機械学習：AIがデータからパターンを見つける方式

この2つの違いが分かれば、第1章の半分は理解できたようなものです。順番に見ていきましょう。

ルールベースとは――「全部、人間が決める」方式

ルールベースは、その名のとおり「ルール（規則）」をもとに動く仕組みです。

人間があらかじめ「もしAならば、Bをせよ」という条件を一つひとつ書き込んでおき、AIはそのとおりに動きます。たとえば、

• 「温度が28度を超えたら、冷房をつける」
• 「この単語が来たら、迷惑メールに分類する」

といった具合です。シンプルで分かりやすく、動きが予測しやすいのが長所です。

ただし弱点もあります。想定外のことには対応しにくいのです。人間がルールを書き忘れたケースが来ると、お手上げになります。世の中のあらゆる状況をルールで書き尽くすのは、現実には不可能です。ここに、次の「機械学習」が登場する理由があります。

機械学習とは――「データから自分で学ぶ」方式

機械学習（マシンラーニング）は、AIが大量のデータを読み込み、その中から規則性（パターン）を自分で見つけ出す仕組みです。人間がルールを一つずつ書く必要はありません。データを見せれば、AIが自分で「こういう傾向があるな」と学んでいきます。

たとえば、犬と猫の写真を大量に見せると、AIは「犬と猫を見分けるコツ」を自分でつかんでいきます。人間が「耳の形がこうで、ヒゲがこうで……」と細かく教えなくてもよいのです。

この学習を終えたAI、つまり学習を終えてできあがった状態のものを「学習済みモデル」と呼びます。料理でいえば、レシピを覚えきった料理人のようなものです。一度学習を終えれば、新しいデータに対しても判断できるようになります。

観点	ルールベース	機械学習
ルールを作る主体	人間	AIがデータから見つける
得意なこと	条件が明確で、例外が少ない処理	データに規則性があり、パターンを見つけたい処理
苦手なこと	想定外・例外が多い状況	学習データが少ない、偏っている、質が低い状況
例	「温度が28度を超えたら冷房」	写真から犬・猫を分類する

ここが分かれ目 「ルールベース＝人間がルールを与える」「機械学習＝AIがデータから学ぶ」。この対比は、試験で何度も形を変えて問われます。主語は誰か（人間か、AIか）で見分けると間違えません。

機械学習の手法――4つの学び方

機械学習には、いくつかの「学び方」があります。試験でよく問われるので、ここはやや丁寧に分けて覚えましょう。代表的なのは次の4つです。

① 教師あり学習

「正解ラベル」がついたデータで学ぶ方法です。「これは犬」「これは猫」と答えつきのデータを見せて訓練します。学校の問題集で、答え合わせをしながら学ぶイメージです。売上予測や、画像が何かを当てる分類などに使われます。

② 教師なし学習

こちらは「正解ラベルがない」データで学びます。AIが自分でデータの似たもの同士をグループ分けしたり、データの構造を整理したりします。代表的な処理が2つあります。

• クラスタリング：似たデータを自動でグループにまとめること。たとえば、顧客を購買傾向ごとにいくつかのグループに分ける、といった使い方です。
• 次元削減：たくさんありすぎる情報（次元）を、大事なところを残して減らし、扱いやすくすること。データを整理して見通しをよくする作業だと考えてください。

③ 強化学習

「うまくいったら報酬（ごほうび）を与える」ことで、AIに望ましい行動を学ばせる方法です。犬のしつけに近いイメージです。よい結果が出る行動を繰り返すうちに、AIはどんどん上達します。囲碁や将棋のAI、ロボットの制御などで活躍します。

④ 半教師あり学習

「正解ラベルつきのデータ」と「ラベルなしのデータ」を混ぜて使う方法です。ラベルをつける作業には手間とコストがかかるため、一部だけにラベルをつけて効率よく学習させる、という現実的な工夫です。

攻略MEMO 4つの手法は、「正解ラベルがあるか・ないか・混在か」「報酬で学ぶか」で整理すると覚えやすい。 ・教師あり＝ラベルあり ・教師なし＝ラベルなし（クラスタリング・次元削減） ・半教師あり＝ラベルあり＋なしの混在 ・強化学習＝報酬で学ぶ

機械学習の考え方――「万能の方法はない」

ここで一つ、知っておくと差がつく考え方を紹介します。ノーフリーランチ定理です。

少し難しそうな名前ですが、言っていることはシンプルです。

「あらゆる問題に対して、常に最強の方法（アルゴリズム）は存在しない」

つまり、ある問題に強い手法は、別の問題では弱いかもしれない。だから「どんな課題にも使える万能のAI手法」はない、という考え方です。「フリーランチ（タダのランチ）はない」＝「うまい話はない」という英語の言い回しが元になっています。

実務的にも大切な発想です。「このAI手法さえ入れれば何でも解決する」という売り文句には、ちょっと慎重になったほうがよい、ということを示してくれます。

人間の脳とニューラルネットワーク

機械学習をさらに発展させる鍵になったのが、人間の脳のまねをするという発想です。

私たちの脳の中には、ニューロン（神経細胞）という細胞が無数にあり、それらがシナプスというつなぎ目を通じて、互いに信号をやりとりしています。この信号のやりとりによって、私たちは考えたり覚えたりしています。

この仕組みをコンピュータ上で再現しようとしたのが、人工ニューロン（ノード）です。脳のニューロンを模した、計算上の「点」だと考えてください。

そして、この人工ニューロン（ノード）をたくさんつなぎ合わせて、網の目のようにしたものがニューラルネットワークです。脳の神経回路をまねた、AIの基本構造の一つです。

ここで重要な言葉が重みです。ニューロン同士のつながりには、それぞれ「どれくらい重要か」を表す数値がついています。これが重みです。AIの学習とは、ざっくり言えば、この重みを少しずつ調整して、正しい答えを出せるようにしていく作業にほかなりません。「情報の重みづけ」を変えることで、AIは判断を改善していきます。

ディープラーニング――ニューラルネットワークを「深く」する

ニューラルネットワークの層を、何層も深く積み重ねたものがディープラーニング（深層学習）です。「ディープ（深い）」という名前は、この層の深さから来ています。

層を深くすることで、AIはより複雑で微妙なパターンまで捉えられるようになりました。今の生成AIブームの土台にあるのが、このディープラーニングです。第1章では「ニューラルネットワークを深くしたものがディープラーニング」という関係さえ押さえておけば十分です。

“`text AI（人工知能） └─ 機械学習 └─ ニューラルネットワーク └─ ディープラーニング “`

攻略MEMO 「AI」「機械学習」「ニューラルネットワーク」「ディープラーニング」は同じ意味ではありません。大きな枠から順に、AI → 機械学習 → ニューラルネットワーク → ディープラーニング、と入れ子で覚えます。

AIが画像を認識する仕組み

ニューラルネットワークの代表的な活躍の場が、画像認識です。

たとえば「写っているのは犬か猫か」をAIが判断するとき、AIは画像を細かな点（ピクセル）の集まりとして読み取り、ニューラルネットワークの各層で「線」「形」「目や耳のパターン」と、段階的に特徴を捉えていきます。そして最終的に「これは犬」と判断します。

人間がいちいち「耳が三角なら……」と教えなくても、データから自分で見分け方を学んでいく――これが、AIが画像を認識する仕組みのイメージです。

AIが学習を通じて改善される仕組み

機械学習の強みは、新しいデータを学習に活用することで、判断の精度を改善できる場合がある点です。

学習済みモデルに対して、適切に集めた新しいデータを学習用データとして追加し、再学習や追加学習を行うと、モデルの重みが調整され、判断が改善されることがあります。人間が手作業でルールを全部書き換えるのではなく、データをもとにモデルを改善していくわけです。

ただし、ここで注意が必要です。実際の生成AIサービスや機械学習システムが、利用者に使われた瞬間に、その場で自動的に賢くなるとは限りません。 多くの場合、データの収集、品質確認、再学習、評価、安全確認といった手順を経て、モデルやサービスが更新されます。

実務でひとこと 「AIは使えば勝手に学習する」と思い込むと、個人情報や機密情報の扱いで誤解が生まれます。サービスごとに、入力データが学習に使われるか、設定で拒否できるか、利用規約や社内ルールを確認することが大切です。

過学習（オーバーフィッティング）という落とし穴

ただし、機械学習には有名な落とし穴があります。それが過学習（オーバーフィッティング）です。

過学習とは、AIが訓練に使ったデータを「覚えすぎて」しまい、本番の新しいデータに対応できなくなる状態のことです。

たとえるなら、過去問の答えを丸暗記しすぎて、少し問われ方が変わると解けなくなる受験生のようなものです。訓練データには完璧に答えられるのに、初めて見るデータには弱い。これでは実用になりません。

過学習を避ける手法

そこで、過学習を防ぐための工夫がいくつかあります。試験では用語として問われます。

• 正則化：モデルが複雑になりすぎないように、あえて「ブレーキ」をかける手法。覚えすぎを抑えます。
• ドロップアウト：学習の途中で、一部のニューロン（ノード）をわざと「お休み」させる手法。一部に頼りすぎる状態を防ぎ、バランスよく学ばせます。

攻略MEMO 「過学習を避ける手法」として正則化とドロップアウトの2つはセットで覚える。どちらも「覚えすぎ（過学習）を防ぐためのブレーキ」と理解すれば、意味で記憶に残る。

転移学習――学んだことを「使い回す」

最後に、効率のよい学習方法として転移学習を押さえます。

転移学習とは、ある分野で学習済みのモデルを、別の分野の学習に使い回す方法です。

たとえば、大量の画像で「ものを見分ける力」を身につけたモデルがあれば、その力を土台にして、少ないデータでも「医療画像の異常を見つける」といった新しいタスクを効率よく学習できます。一から学び直すより、はるかに早く、少ないデータで済むのが利点です。

人間でいえば、英語を習得した人がドイツ語を学ぶとき、ゼロから始める人より早く身につくのに似ています。「すでに学んだことを土台にする」――これが転移学習の発想です。

ここまでの整理 1-2は用語が多く、いちばん大変なパートです。でも、すべては「AIはどうやって賢く振る舞えるようになるのか」という一本の問いでつながっています。ルールベース→機械学習→ニューラルネットワーク→ディープラーニングという流れと、過学習という落とし穴とその対策。この骨組みさえ意識すれば、細かい用語は後から肉づけできます。

1-3　AIの種類を整理する

仕組みが分かったところで、次は「AIにはどんな段階・種類があるのか」を整理します。ここは比較的やさしいパートです。

AIの4つのレベル

AIは、その賢さや仕組みによって、4つのレベルに分けて説明されることがあります。

レベル	呼び方	しくみのイメージ	例	ポイント
レベル1	単純な制御	あらかじめ決められた動きをする	温度に応じて動くエアコン、洗濯機など	厳密にはAIと呼べるか微妙だが、「AI搭載」と呼ばれることがある
レベル2	古典的なAI	多くのルールで状況に応じて振る舞う	多くのルールを組み込んだ将棋プログラム、障害物を避ける掃除ロボットなど	ルールベースの延長線上にある
レベル3	機械学習を取り入れたAI	データからパターンを学ぶ	検索エンジン、ビッグデータ分析など	特徴量は基本的に人間が設計する
レベル4	ディープラーニングを取り入れたAI	深いニューラルネットワークで複雑な特徴を学ぶ	画像認識、音声認識、自動運転、生成AIなど	特徴量をAI自身が見つけられる

レベルが上がるほど、「人間がルールを与える」割合が減り、「AIがデータから学ぶ」割合が増えていく――この流れで覚えると、1-2の内容ともつながります。

特徴量――AIが「どこに注目するか」

ここで大事な言葉が特徴量です。

特徴量とは、AIが判断のために注目する手がかりのことです。たとえば「中古車の値段」を予測するなら、「年式」「走行距離」「車種」などが特徴量になります。

ポイントは、レベルによって特徴量の決め方が違うことです。

• レベル3まで：どこに注目するか（特徴量）を、基本的に人間が決めてやる必要があった。
• レベル4（ディープラーニング）：注目すべき特徴量を、AI自身が見つけ出せるようになった。

この「特徴量を人間が決めるのか、AIが自分で見つけるのか」という違いが、ディープラーニングが画期的だった理由の一つです。

攻略MEMO 「ディープラーニングの何がすごいのか」と問われたら、特徴量を自動で抽出できる点を思い出す。これは頻出ポイント。

弱いAI（ANI）と強いAI（AGI）

AIの種類を語るうえで、もう一つ欠かせない区別があります。弱いAIと強いAIです。名前にだまされないように、意味で押さえましょう。

• 弱いAI（ANI：Artificial Narrow Intelligence、特化型AI）

特定の仕事や範囲に特化したAI。将棋、翻訳、画像認識、文章生成など、決められた範囲で力を発揮します。「弱い」と言っても性能が低いわけではなく、「守備範囲が限定されている」という意味です。現在実用化されているAIは、非常に幅広いことができる生成AIを含めても、人間のような汎用知能を持つAGIではなく、一般には弱いAI・特化型AIの延長線上に位置づけられます。

• 強いAI（AGI：Artificial General Intelligence、汎用人工知能）

人間のように、分野をまたいで幅広い問題に対応できるAI。一つのAIが、会話、研究、計画、創作、身体的作業などを、人間のように柔軟にこなすイメージです。これは、試験対策上はまだ実現していない未来の構想として押さえます。

ここが分かれ目 「弱い・強い」は性能の高低ではなく、守備範囲の広さを表す。 ・弱いAI（ANI）＝特定分野に特化（＝現在実用化されているAIの基本的な位置づけ） ・強いAI（AGI）＝汎用的に対応（＝まだ未実現） 「今のChatGPTは強いAI（AGI）だ」という選択肢は、試験対策上は誤りと判断する。

1-4　AIの歴史――3回のブームの物語

AIには、これまで3回のブームがありました。歴史と聞くと身構えるかもしれませんが、これは「盛り上がっては冷め、また盛り上がる」というドラマのような流れです。ストーリーとして覚えてしまえば、年号の丸暗記より楽に頭に残ります。

第一次AIブーム――「探索」と「推論」の時代

最初のブームは、1950年代後半から1960年代ごろです。ダートマス会議のあと、AI研究は大いに期待を集めました。

この時代の主役は、探索と推論です。

• 探索：迷路やパズルを解くように、たくさんの選択肢の中から答えへの道筋を探すこと。
• 推論：「AならばB、BならばC、だからAならばC」と、論理を積み重ねて結論を導くこと。

この技術で、迷路や簡単なパズルは解けるようになりました。しかし、現実の複雑な問題（病気の診断や、ビジネスの判断など）には歯が立たず、「結局、おもちゃの問題しか解けないじゃないか」と失望が広がります。こうして熱が冷め、最初のAIの冬（研究の停滞期）が訪れました。

第二次AIブーム――「エキスパートシステム」の時代

2回目のブームは、1980年代ごろです。この時代の主役はエキスパートシステムです。

エキスパートシステムとは、専門家（エキスパート）の知識を、ルールとしてコンピュータに大量に詰め込んだAIです。「こういう症状なら、この病気の可能性が高い」といった専門知識をルール化し、専門家のような判断をさせようとしました。

実際、特定の分野では成果を上げました。しかし、ここにも限界がありました。

• 専門家の知識を、一つひとつルールとして書き出すのが、とてつもなく大変だった。
• 例外やあいまいな状況にうまく対応できなかった。

世の中の知識を全部ルールにするのは無理がある――この壁にぶつかり、再びブームは冷め、2度目のAIの冬が訪れます。

第三次AIブーム――「機械学習」と「ビッグデータ」の時代

そして3回目のブームが、2010年代から現在まで続いています。今まさに、私たちが生きているブームです。

このブームを支えたのが、これまで学んできた機械学習、とりわけディープラーニングです。そして、もう一つの立役者がビッグデータです。

ビッグデータとは、インターネットの普及などで爆発的に増えた、膨大なデータのことです。機械学習は「データから学ぶ」仕組みですから、学ぶための材料であるデータが大量にあることは、何よりの追い風でした。

「大量のデータ（ビッグデータ）」×「それを深く学べる技術（ディープラーニング）」――この2つがそろったことで、AIは画像認識や音声認識で人間に匹敵する精度を出せるようになり、ついには生成AIへとつながっていきます。

ブーム	時期の目安	主役技術	できたこと	限界・その後
第一次AIブーム	1950年代後半〜1960年代ごろ	探索・推論	迷路やパズルのような問題を解く	現実の複雑な問題に対応できず、AIの冬へ
第二次AIブーム	1980年代ごろ	エキスパートシステム	専門家の知識をルール化して判断	ルール作成が大変で、例外にも弱く、AIの冬へ
第三次AIブーム	2010年代〜現在	機械学習・ディープラーニング・ビッグデータ	画像認識、音声認識、生成AIなどへ発展	現在進行中

攻略MEMO 3回のブームは、それぞれの「主役技術」とセットで覚えるのが鉄則。 ・第一次：探索・推論 → 冬 ・第二次：エキスパートシステム → 冬 ・第三次：機械学習・ディープラーニング・ビッグデータ（現在進行中） 「過去2回はブームのあとに冬が来た」という流れも、出題されやすいポイント。

1-5　シンギュラリティ――AIが人間を超える日？

第1章の締めくくりに、よくニュースやSF映画で耳にする、ある言葉を取り上げます。シンギュラリティです。

シンギュラリティ（技術的特異点）とは

シンギュラリティ（技術的特異点）とは、AIの知能が人間の知能を超え、社会や技術のあり方が大きく変わるとされる仮説上の転換点を指す言葉です。

ここを境に、AIがAI自身を改良し始め、人間には予測も制御もできないほどの速さで進化していく――そんな未来像として語られることがあります。「特異点」とは、それまでの常識が通用しなくなる、特別な点という意味です。

ただし、シンギュラリティは確定した未来ではなく、議論のある仮説です。試験対策では、「シンギュラリティ＝技術的特異点」「AIが人間の知能を超えるとされる転換点」「2045年問題と関連」と整理しておけば十分です。

キーパーソンを2人押さえる

この言葉をめぐっては、覚えておくべき人物が2人います。

• ヴァーナー・ヴィンジ

シンギュラリティという概念を広めた人物として知られます。SF作家でもあり、数学者でもありました。

• レイ・カーツワイル

シンギュラリティを世に広く知らしめた発明家・未来学者。「2045年ごろにシンギュラリティが訪れる」と予測したことで有名です。

2045年問題

カーツワイルの予測にちなんで、「2045年問題」という言葉があります。これは「2045年ごろにシンギュラリティが到来し、社会が大きく変わるのではないか」という議論を指します。

注意したいのは、これは確定した未来ではなく、あくまで予測・仮説だということです。実現を疑う専門家もいます。試験では「2045年問題＝カーツワイルの予測に関連する」という結びつきを押さえておけば十分です。

AI効果――「それができたら、もうAIじゃない」

最後に、ちょっと面白い心理現象を紹介します。AI効果です。

AI効果とは、AIがある課題をできるようになると、人間が「なんだ、これは単なる計算（自動処理）であって、本当の知能ではない」と考えてしまう傾向のことです。

たとえば、かつては「コンピュータが将棋でプロに勝つなんて、すごい知能だ」と言われました。ところが、いざ実現すると「あれは大量に計算しているだけで、知能とは言えない」と評価が下がりがちになります。ゴールが達成されるたびに、「本物のAI」の定義が逃げていく――この現象がAI効果です。

AIの定義が一つに定まらない（1-1で学びましたね）こととも、どこかつながっている話です。

第1章のまとめ

おつかれさまでした。第1章では、生成AIを理解するための「土台」をひととおり押さえました。最後に、全体を一枚の地図として振り返りましょう。

• AIとは：唯一の定義はない。1956年のダートマス会議で言葉が誕生。AI（頭脳）とロボット（体）は別物。AI研究は、探索・推論・学習・認識・言語理解などを含む幅広い研究分野。
• 知能をもたらす2つの仕組み：人間がルールを与える「ルールベース」と、データから学ぶ「機械学習」。
• 機械学習の手法：教師あり／教師なし（クラスタリング・次元削減）／強化学習／半教師あり。万能の手法はない（ノーフリーランチ定理）。
• 脳のまね：ニューロン・シナプスを模した人工ニューロン（ノード）をつないだニューラルネットワーク。それを深くしたのがディープラーニング。学習とは重みの調整。
• 改善の考え方：新しいデータを適切に使って再学習・追加学習を行うことで、モデルの精度を改善できる場合がある。ただし、使った瞬間に必ず自動で学ぶわけではない。
• 落とし穴と対策：覚えすぎる過学習を、正則化やドロップアウトで防ぐ。学んだ力を使い回すのが転移学習。
• AIの種類：4つのレベル。ディープラーニングは特徴量を自動で見つける。守備範囲が狭い弱いAI（ANI）と、汎用の強いAI（AGI、未実現）。
• 歴史：探索・推論の第一次、エキスパートシステムの第二次、機械学習・ビッグデータの第三次（現在）。
• 未来：人間の知能を超えるとされる仮説上の転換点がシンギュラリティ。ヴィンジ、カーツワイル、2045年問題、AI効果をセットで押さえる。

この地図が頭に入っていれば、第2章「生成AI」の話は、この木に新しい枝を足していくだけです。

重要用語整理

章末で、試験に出やすい言葉を一気に確認しておきましょう。まずは完璧に暗記しようとしなくて大丈夫です。「この言葉は、何の話だったか」を思い出せる状態を目指します。

用語	押さえるポイント
AI（人工知能）	人間の知的な働きをコンピュータで実現しようとする技術・研究分野。唯一の定義はない。
ダートマス会議	1956年に開かれた会議。ジョン・マッカーシーが「Artificial Intelligence」という言葉を使った。
AIとロボットの区別	AIは頭脳（ソフトウェア）、ロボットは体（ハードウェア）。同じではない。
AIの研究	探索、推論、学習、認識、自然言語処理など、人間の知的活動を扱う幅広い研究。
ルールベース	人間が「もしAならB」というルールを与えて動かす方式。
機械学習	AIがデータから規則性やパターンを学ぶ方式。
学習済みモデル	学習を終えて、新しいデータに判断を返せる状態になったモデル。
教師あり学習	正解ラベルつきデータで学ぶ。分類や予測に使われる。
教師なし学習	正解ラベルなしデータから構造やグループを見つける。
クラスタリング	似たデータを自動でグループにまとめる処理。教師なし学習の代表例。
次元削減	多すぎる情報を、大事な特徴を残しながら少なくして扱いやすくする処理。
強化学習	行動の結果に応じた報酬をもとに、望ましい行動を学ぶ。
半教師あり学習	ラベルありデータとラベルなしデータを組み合わせて学ぶ。
ノーフリーランチ定理	あらゆる問題に常に最強の万能アルゴリズムは存在しない、という考え方。
ニューロン／シナプス	人間の脳の神経細胞と、そのつなぎ目。ニューラルネットワークの発想のもと。
人工ニューロン（ノード）	ニューロンをまねた計算上の点。ニューラルネットワークの構成要素。
ニューラルネットワーク	人工ニューロンを多数つなげた構造。脳の神経回路をまねた仕組み。
ディープラーニング	ニューラルネットワークを深く重ねた機械学習の手法。
重み／情報の重みづけ	つながりの重要度を表す数値。学習ではこの重みを調整する。
過学習	訓練データを覚えすぎ、新しいデータに対応できなくなる状態。
正則化	モデルが複雑になりすぎないようにする過学習対策。
ドロップアウト	学習中に一部のノードを休ませ、過学習を防ぐ手法。
転移学習	ある分野で学習済みのモデルを、別の分野の学習に使う方法。
特徴量	AIが判断に使う手がかり。ディープラーニングでは自動抽出が可能になった。
AIの4つのレベル	単純な制御、古典的AI、機械学習AI、ディープラーニングAIの4段階。
弱いAI（ANI）	特定分野・範囲に特化したAI。現在実用化されているAIの基本的な位置づけ。
強いAI（AGI）	人間のように幅広い分野へ汎用的に対応するAI。試験対策上は未実現。
第一次AIブーム	探索・推論が主役。現実の複雑な問題に弱く、AIの冬へ。
第二次AIブーム	エキスパートシステムが主役。知識のルール化に限界があり、AIの冬へ。
第三次AIブーム	機械学習、ディープラーニング、ビッグデータが主役。現在につながる。
AIの冬	AIへの期待がしぼみ、研究や投資が停滞した時期。
シンギュラリティ	AIが人間の知能を超え、社会が大きく変わるとされる仮説上の転換点。
ヴァーナー・ヴィンジ	シンギュラリティの概念を広めた人物として知られる。
レイ・カーツワイル	2045年ごろのシンギュラリティ到来を予測した人物として知られる。
2045年問題	カーツワイルの予測に関連する、シンギュラリティ到来をめぐる議論。
AI効果	AIができるようになったことを、人間が「本当の知能ではない」と見なしがちな傾向。

次の章へ ここまでで「AIとは何か」という根っこが固まりました。第2章では、いよいよ本題の「生成AI（ジェネレーティブAI）」に入ります。ChatGPTがどんな仕組みで動いているのか、Transformerとは何か――第1章の知識を土台に、一気に解像度を上げていきましょう。