AI（人工知能）とは何か？
AI（Artificial Intelligence／人工知能）は、「人間の知的な働きをコンピュータ上で再現・模倣する技術や研究分野の総称」です。
AIの目的は、単なる自動化ではなく「人間のように考え、学び、判断する」ことにあります。
AIは大きく次の2つの系譜に分けられます。
記号主義（ルールベースAI）
1980年代まで主流だった考え方で、「もし〜なら〜する」というルールを人間が明示的にプログラムする方法です。
例：もし 気温 > 30℃ なら エアコンをON
機械学習（Machine Learning）
ルールを手作業で書く代わりに、データから規則を自動で学ばせる手法です。
過去のデータを分析し、パターンを学習して将来を予測するモデルを構築します。
統計学や確率論を基礎に発展し、現在のAI応用の中核を担っています。
ニューラルネットワークとは？
ニューラルネットワーク（Neural Network）は、人間の脳の神経細胞（ニューロン）の働きを数学的に模倣したアルゴリズムです。
構造の基本
ニューラルネットワークは次のような層構造を持ちます。
- 入力層（Input Layer）：データを受け取る層
- 隠れ層（Hidden Layers）：データの特徴を抽出・変換する層
- 出力層（Output Layer）：最終的な結果（分類・予測）を出す層
それぞれの層には多数の「ニューロン（ノード）」があり、各ノードは重み（weight）とバイアス（bias）を持ち、
活性化関数（activation function）を通じて非線形な変換を行います。
学習の仕組み
ニューラルネットは「誤差逆伝播法（backpropagation）」と呼ばれる手法で学習します。
- 入力データを順方向に伝達（順伝播）
- 出力と正解の差（誤差）を計算
- 誤差を逆方向に伝播させ、重みを修正
- この処理を繰り返し、精度を高めていく
これにより、ネットワークは自動的に「データの特徴」を抽出できるようになります。
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の関係
この4つは「階層的な包含関係」にあります。
AI（人工知能）
├─ 記号主義（ルール・知識ベース）
└─ 機械学習（データ駆動型AI）
└─ ニューラルネットワーク（脳の構造を模倣）
└─ ディープラーニング（多層化＋表現学習）
└─ Transformerなどの最新構造
| 概念 | 内容 | 代表例 |
|---|---|---|
| AI | 人間の知能を模倣する広い概念 | 自動運転、音声アシスタント |
| 機械学習 | データからルールを学ぶ手法 | スパム判定、推薦システム |
| ニューラルネットワーク | 機械学習の一種で、脳を模倣 | 画像認識、音声認識 |
| ディープラーニング | 多層のニューラルネットで表現学習 | ChatGPT、画像生成AI |
ディープラーニングとは何か？
ディープラーニング（Deep Learning）は、ニューラルネットワークを多層化し、特徴を自動的に学習する技術です。
以前の機械学習では「特徴量設計（feature engineering）」を人間が行っていました。
しかしディープラーニングは、生データから特徴を自動抽出する“表現学習”を可能にしました。
応用例
- 画像認識：CNN（畳み込みニューラルネットワーク）
- 音声・時系列：RNN／LSTM
- 自然言語処理：Transformer（ChatGPTなどの基盤）
ChatGPTなどの生成AIとニューラルネットワーク
ChatGPTのような大規模言語モデル（LLM）は、ディープラーニングの発展形であるTransformer構造を採用しています。
学習の仕組み
- 自己教師あり学習：大量のテキストを使い、次に来る単語を予測するタスクで事前学習
- 微調整（Fine-tuning）：人間の評価（RLHF）を用いて応答品質を最適化
これにより、AIは膨大な文脈情報を理解し、人間に近い自然な会話を生成できます。
AI技術の進化の歴史（3つのブーム）
| 時期 | 技術的背景 | 主な特徴 |
|---|---|---|
| 第1次（1950〜60年代） | 記号主義AI（論理推論・探索） | 知能の模倣を理論的に追求 |
| 第2次（1980年代） | エキスパートシステム（知識工学） | 特定分野に強いが維持が困難 |
| 過渡期（1990〜2000年代） | 統計的機械学習（SVM・ベイズ） | 手作業の特徴設計が主流 |
| 第3次（2012年〜現在） | ディープラーニング（GPU＋大規模データ） | 画像・音声・言語で実用化が進む |
ニューラルネットワークが得意なこと・不得意なこと
得意分野
- 画像、音声、自然言語など非構造データの解析
- 複雑なパターン認識や高次特徴の自動抽出
- 翻訳・生成・自動要約など「表現を扱う」タスク
不得意な分野（研究が進行中）
- 説明可能性（XAI）：モデル内部の判断根拠が不透明
→ 近年はSHAPなどポストホック説明法の研究が進む - 常識的推論：改善しているが、ハルシネーション（誤情報生成）は未解決
- 少量データ学習／分布外一般化：依然として課題
まとめ：AIとニューラルネットワークの違いとは？
AIは「知能を作る」という目的そのもの。
ニューラルネットワークは、その目的を実現するための“手段”の一つ。
両者は「目的と技術」の関係にあり、ニューラルネットワークはAIという大きな傘の下で最も成功した方法論の一つです。
そして、ディープラーニングの登場によってAIは再び「実用段階」に入りました。
以上、ニューラルネットワークとAIの違いについてでした。
最後までお読みいただき、ありがとうございました。
