第1章 AI（人工知能）

第1章は、生成AIを学ぶ前提となる「AIそのもの」の基礎です。AI、機械学習、ディープラーニング、ニューラルネットワーク、AIの歴史を整理し、後続章で出てくるChatGPTや生成AIの仕組みを理解する土台を作ります。

この章の3分要約

生成AIパスポートでは、単語を暗記するだけでなく、概念の階層関係を理解することが重要です。

関係性：
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

AIは広い概念です。その中に、データから学習する機械学習があり、さらに人間の脳を参考にしたニューラルネットワークを多層化したものがディープラーニングです。

AIは「人工知能」と訳され、人間の知的なふるまいをコンピュータで実現しようとする技術です。推論、探索、分類、予測、言語処理、画像認識などが含まれます。現在のAIの多くは、人間と同じように意識を持って考えているわけではなく、大量のデータやルールに基づいて処理を行っています。

AIは判断や学習の仕組みで、必ずしも物理的な体を持ちません。スマートフォンの翻訳機能、検索エンジン、画像認識、チャットAIなどもAIです。一方、ロボットは物理的に動く機械です。ロボットにAIが搭載されている場合もありますが、決められた動作だけを行う機械はAIとは限りません。

ルールベースは、人間が「もしAならB」といった条件を事前に設定して動かす方式です。たとえば「気温が30度以上なら冷房をつける」のような明確なルールに基づきます。説明しやすい反面、想定外の状況に弱いという特徴があります。

機械学習は、データから規則性やパターンを学習し、未知のデータに対して予測や分類を行う仕組みです。人間がすべてのルールを書くのではなく、データからモデルが特徴を学びます。スパムメール判定、画像分類、需要予測などで使われます。

教師あり学習は、入力データと正解ラベルを使います。教師なし学習は、正解ラベルなしでデータの構造を見つけます。クラスタリングや次元削減が代表例です。強化学習は、行動に対する報酬をもとに、よりよい行動を学ぶ方法です。半教師あり学習は、少量の正解付きデータと大量の正解なしデータを組み合わせます。

ニューラルネットワークは、ニューロンやシナプスの考え方を参考にしたモデルです。人工ニューロン（ノード）が層状につながり、重みによって情報の重要度を調整します。ディープラーニングは、この層を深くした学習方法で、画像認識や自然言語処理の性能向上に大きく貢献しました。

過学習は、訓練データにはよく当たるものの、新しいデータに弱くなる状態です。試験では「高精度になった状態」と誤解しないことが重要です。対策には、正則化、ドロップアウト、データ拡張、モデルの複雑さの調整などがあります。

転移学習は、ある課題で学習済みのモデルを別の課題に活用する方法です。大量のデータや計算資源がなくても、既存の学習済みモデルを利用することで効率よく学習できます。現在の生成AIや画像認識の実用化にも関係します。

第一次AIブームでは探索や推論が注目されました。第二次AIブームでは専門家の知識をルール化するエキスパートシステムが登場しましたが、知識を人手で整備する限界から停滞しました。第三次AIブームでは、ビッグデータ、計算能力の向上、ディープラーニングにより実用化が進みました。

弱いAI（ANI）は、特定の目的やタスクに特化したAIです。現在の多くのAIは弱いAIです。強いAI（AGI）は、人間のように幅広い知的活動を行えるAIを指しますが、一般に実現済みとはされていません。

シンギュラリティは、AIが人間の知能を超え、社会に大きな変化をもたらすとされる仮説です。2045年問題やレイ・カーツワイルと関連して出題されることがあります。AI効果は、AIで実現できるようになった技術が「もはやAIではない」と見なされる現象です。

用語	意味	試験での注意点
ダートマス会議	AI研究の出発点とされる会議	AIの歴史と結び付ける
ノーフリーランチ定理	すべての問題に万能な最適手法は存在しないという考え方	特定の手法が常に最強ではない
特徴量	データの性質を表す情報	機械学習で重要な入力情報
重み	入力情報の重要度を調整する値	ニューラルネットワークと関連
ドロップアウト	一部のノードを無効化して過学習を抑える方法	過学習対策として覚える
正則化	モデルが複雑になりすぎるのを抑える方法	汎化性能と関連
転移学習	学習済みモデルを別の課題に活用する方法	効率的な学習として重要