人工知能（AI）は、コンピュータや機械が、人間の学習、理解、問題解決、意思決定、創造性、自律性を模倣することを可能にする技術です。

人工知能（AI）を搭載したアプリケーションやデバイスは、物体を視覚的に捉えて認識することができます。また、人間の言語を理解し、それに応答することも可能です。さらに、新たな情報や経験から学習し、ユーザーや専門家に対して詳細な提案を行うこともできます。自律的に行動できるため、人間の知性や介入を必要としない状況を作り出します（その典型的な例が自動運転車です）。

しかし2024年現在、AI研究者や関連分野の従事者、そしてメディアの関心の多くは、生成AI（Gen AI）の飛躍的な進歩に注力しています。生成AIとは、テキスト、画像、動画、その他のオリジナルコンテンツを生成できる技術です。生成AIを十分に理解するためには、まずそのツールの基盤となっている技術、すなわち機械学習（ML）とディープラーニング（深層学習）を理解することが重要です。

機械学習 (Machine Learning)

人工知能を捉えるための単純な方法の一つは、それを70年以上にわたって登場してきた、互いに重なり合う概念や派生的な概念の連なりと見なすことです。

人工知能（AI）の枠組みの直下に位置するのが「機械学習」です。これは、データに基づいて予測や意思決定を行うようアルゴリズムを訓練し、モデルを構築する手法を指します。機械学習は、特定のタスクに対して明示的にプログラムされることなく、コンピュータがデータから学習し、そこから情報を導き出すことを可能にする幅広い技術を含んでいます。

機械学習の技術やアルゴリズムには、線形回帰、ロジスティック回帰、決定木、ランダムフォレスト、サポートベクターマシン（SVM）、k近傍法（KNN）、クラスタリングなど、多種多様なものがあります。これらの手法はそれぞれ、異なる種類の問題やデータに適しています。

機械学習アルゴリズムの代表的なものの一つに、 ニューラルネットワーク（または人工ニューラルネットワーク）があります。ニューラルネットワークは、人間の脳の構造や機能を模倣して設計されています。これは、複雑なデータの処理や分析を行うために連携する、相互接続されたノード（神経細胞に相当）の層で構成されています。ニューラルネットワークは、膨大なデータの中から複雑なパターンや関係性を特定するようなタスクに最適です。

機械学習の最も単純な形態は「教師あり学習（Supervised Learning）」と呼ばれます。これは、ラベル付けされたデータセットを使用してアルゴリズムを訓練し、データの分類や結果の正確な予測を行えるようにする手法です。この学習方法では、人間が各訓練データに正解となる出力（ラベル）を関連付けます。その目的は、モデルが訓練データ内の入力と出力の関係を学習し、それによって未知の新しいデータに対しても出力の予測を行えるようにすることにあります。

ディープラーニング（深層学習）

ディープラーニング（深層学習）は機械学習の一分野であり、人間の脳の複雑な意思決定能力を高度に模倣する「ディープニューラルネットワーク（深層ニューラルネットワーク）」と呼ばれる多層ニューラルネットワークを使用します。

ディープニューラルネットワークは、入力層、少なくとも3つの隠れ層（通常は数百に及ぶ）、および出力層で構成されています。これは、通常1つか2つの隠れ層しか持たない、従来の機械学習モデルで使用されるニューラルネットワークとは対照的です。

これら複数の層は、教師なし学習（Unsupervised Learning）を可能にします。すなわち、大規模かつラベル付けされていない非構造化データセットから特徴量を自動的に抽出し、そのデータが何を表しているかについて独自の予測を行うことができるのです。

ディープラーニング（深層学習）は人間の介入を必要としないため、大規模な機械学習を可能にします。これは、自然言語処理（NLP）やコンピュータビジョンなど、膨大なデータの中から複雑なパターンや関係性を迅速かつ正確に特定する必要があるタスクに非常に適しています。私たちの日常生活におけるAIアプリケーションの多くは、何らかの形のディープラーニングに基づいています。

ディープラーニングは、～も可能にします。

半教師あり学習は、教師あり学習と教師なし学習を組み合わせたものであり、分類や回帰のタスクに向けてAIモデルを学習させるために、ラベル付きデータとラベルなしデータを使用します。
自己教師あり学習は、教師信号としてラベル付きデータセットに依存するのではなく、非構造化データから暗黙的なラベルを生成します。
強化学習は、隠れたパターンから情報を抽出するのではなく、試行錯誤と報酬関数を通じて学習を行う手法です。
転移学習とは、あるタスクやデータセットを通じて獲得した知識を、関連する別のタスクや異なるデータセットにおけるモデルの性能を向上させるために利用する手法のことです。

生成AI（ジェネレーティブAI）

生成AI（「Gen AI」とも呼ばれる）とは、ユーザーからのプロンプトやリクエストに応じて、長文のテキスト、高品質な画像、リアルな動画や音声など、独創的かつ複雑なコンテンツを生成できるディープラーニング（深層学習）モデルを指します。

一般的に、生成モデルは学習データの簡略化された表現を符号化し、その表現を用いて、元のデータと類似してはいるものの同一ではない新しい作品を生成します。

生成モデルは、長年にわたり統計学において数値データの分析に用いられてきました。しかし、ここ10年で、より複雑な種類のデータを分析・生成できるよう進化を遂げました。この進化は、3種類の高度なディープラーニング（深層学習）モデルの登場と時期を同じくしています。

2013年に導入された変分オートエンコーダ（VAE）は、プロンプトや指示に応じて多様な形式のコンテンツを生成することをモデルに可能にしました。
2014年に初めて登場した拡散モデル（Diffusion Models）は、画像に「ノイズ」を加えて識別できない状態にした後、そのノイズを除去することで、プロンプト（指示）に応じた独自の画像を生成するものです。
「トランスフォーマー（Transformers）」は、一連のデータを用いて学習を行い、長いコンテンツのシーケンス（文中の単語、画像内の形状、動画のフレーム、あるいはプログラムコードの命令など）を生成するモデルです。これらは、ChatGPT、GPT-4、Copilot、Geminiなど、現在大きな注目を集めている生成AIツールの多くの中核を成しています。

生成AIの仕組み

一般的に、生成AIは3つの段階で機能します。

基盤モデルを構築するための学習
特定の用途に合わせてモデルを適合させるための調整。
精度の向上のための生成、評価、およびさらなる調整。

トレーニング

生成AIは「基盤モデル」から始まります。これは、さまざまな種類の生成AIアプリケーションの土台となるディープラーニング（深層学習）モデルです。

現在、最も一般的な基盤モデルは、テキスト生成アプリケーション向けに開発された大規模言語モデル（LLM）です。しかし、画像、動画、音声、あるいは音楽を生成するための基盤モデルや、複数の種類のコンテンツに対応するマルチモーダルな基盤モデルも存在します。

基盤モデルを構築するために、専門家はディープラーニングのアルゴリズムを、関連性のある膨大な量の未構造かつラベル付けされていない生データ（インターネット上のテラバイトやペタバイト規模のテキスト、画像、動画など）を用いて学習させます。この学習の結果、データ内のエンティティ、パターン、関係性を符号化した数十億ものパラメータを持つニューラルネットワークが生成されます。このネットワークは、プロンプト（指示）に応じて自律的にコンテンツを生成することが可能です。これこそが基盤モデルです。

この学習プロセスには膨大な計算能力が必要とされ、多大な時間と極めて高いコストを要します。数千基のGPUを連携させて数週間にわたり処理を行う必要があり、その費用は通常、数百万ドルに上ります。しかし、Metaの「Llama-2」のようなオープンソースの基盤モデル・プロジェクトを活用すれば、生成AIの開発者はこの工程やそれに伴うコストを回避することが可能になります。

設定

その後、特定のコンテンツ生成タスクに合わせてモデルを調整する必要があります。これを行うには、以下を含むさまざまな方法があります。

ファインチューニング（微調整）とは、アプリケーション固有のラベル付きデータ、そのアプリケーションが受け取る可能性の高い質問やプロンプト、およびそれらに対応する正解を、所定の形式でモデルに与えるプロセスを指します。
人間からのフィードバックによる強化学習（RLHF）とは、モデルが自らを改善できるよう、人間のユーザーがモデルの出力の正確さや適切さを評価する手法のことです。これには、チャットボットやバーチャルアシスタントに対して、人間が修正内容をテキスト入力したり音声で伝えたりするといった単純な作業も含まれます。

生成、評価、およびさらなる調整

開発者やユーザーは、生成AIアプリケーションの出力を定期的に評価し、精度や関連性を高めるために、週に1回といった頻度でモデルの微調整（ファインチューニング）を継続的に行います。これに対し、基盤モデル自体の更新頻度はそれよりも低く、1年または1年半に1回程度にとどまります。

生成AIアプリケーションの性能を向上させるためのもう一つの選択肢として、 RAG（検索拡張生成）があります。これは、より高い精度や関連性を実現するために、学習データ以外の関連ソースを活用して基盤モデルを拡張する技術です。

AIエージェントとエージェント型AI

AIエージェントとは、自律的なAIプログラムの一種であり、独自のワークフローを設計し、利用可能なツール（他のアプリケーションやサービスなど）を活用することで、人間の介入なしに、ユーザーや他のシステムに代わってタスクを遂行し、目標を達成することができます。

エージェンティックAI（Agentic AI）とは、複数のAIエージェントで構成されるシステムのことです。これらのエージェントは、システム内の単一のエージェントだけでは達成できないような、より複雑なタスクやより大きな目標を成し遂げるために、その活動が調整・連携されます。

事前に定められた制約の範囲内で動作し、人間の介入を必要とするチャットボットやその他のAIモデルとは異なり、AIエージェントや「エージェンティックAI（自律型AI）」は、自律性、目標指向の行動、そして変化する状況に適応する能力を示します。「エージェント」や「エージェンティック」という用語は、これらのモデルが持つ「エージェンシー（主体性）」、すなわち自律的かつ目的を持って行動する能力を指しています。

「エージェント」を理解する一つの方法は、それを生成AIに続く自然な次のステップとして捉えることです。生成モデルは学習したパターンに基づいてコンテンツを生成することに重点を置きますが、エージェントはそのコンテンツを活用し、他のエージェントやツールと連携しながら、意思決定や問題解決、タスクの遂行を行います。例えば、生成AIアプリなら、あなたの仕事のスケジュールに基づいてエベレスト登山の最適な時期を教えてくれるかもしれませんが、エージェントであれば、その情報を提示するだけでなく、オンライン旅行サービスを利用して最適な航空便を予約し、ネパールでの最適なホテルまで手配することが可能です。

人工知能の利点

人工知能（AI）は、さまざまな産業や用途において多くのメリットをもたらします。主なメリットには、以下のようなものがあります。

反復的なタスクの自動化
データから、より多くの洞察を、より速く。
意思決定プロセスの強化
人的ミスの減少
年中無休・24時間体制での利用が可能。
物理的リスクの低減

反復的なタスクの自動化

人工知能（AI）は、データの収集・入力・処理といったデジタル業務や、倉庫での在庫ピッキングや製造工程といった物理的な作業を含め、日常的かつ反復的で、往々にして退屈な業務を自動化することができます。こうした自動化により、従業員はより付加価値が高く創造的な業務に専念できるようになります。

意思決定プロセスの強化

意思決定の支援であれ、完全自動化された意思決定であれ、人工知能（AI）は、データに基づいた、より迅速かつ正確な予測や信頼性の高い意思決定を可能にします。さらに、自動化と組み合わせることで、AIは企業に対し、機会の活用や危機の発生時における即時の対応を、リアルタイムかつ人の介入なしに行えるようにします。

より少ない人的ミス

人工知能（AI）は、プロセスの正しい手順を人々に案内したり、発生しうるミスを事前に指摘したり、さらには人の介入なしにプロセスを完全に自動化したりするなど、さまざまな方法で人的ミスを低減できます。これは特に医療などの分野において重要であり、例えばAI制御の外科用ロボットは、一貫した精度の高さを実現しています。

24時間体制の可用性と一貫性

AIは常に稼働し、24時間利用可能で、常に安定したパフォーマンスを発揮します。チャットボットやバーチャルアシスタントといったツールは、顧客サービスやサポート業務における従業員への負担を軽減することができます。また、資材の取り扱いや生産ラインなどの分野では、反復的または単調なタスクをAIに任せることで、作業品質や生産レベルを維持するのに役立ちます。

物理的リスクの低減

動物の制御、爆発物の処理、深海や高所、あるいは宇宙空間での作業といった危険な業務を自動化することで、AIは作業員を負傷やそれ以上の危険にさらす必要性をなくすことができます。完全な技術とは言えませんが、自動運転車やその他の車両は、乗員が負傷するリスクを低減できる可能性を秘めています。

AIの活用事例

人工知能（AI）の実際の応用例は数多くあります。その可能性を示すために、さまざまな業界における活用事例をいくつかご紹介します。

顧客体験、サービス、およびサポート

企業は、AIを搭載したチャットボットやバーチャルアシスタントを導入し、顧客からの問い合わせやサポートリクエストなどに対応することができます。これらのツールは、自然言語処理（NLP）や生成AIの機能を活用し、注文状況、製品の詳細、返品ポリシーなどに関する顧客の質問を理解して回答します。

不正検知

機械学習やディープラーニングのアルゴリズムは、取引パターンを分析し、不正取引の兆候となる異常（通常とは異なる支出や見慣れない場所からのログインなど）を検知・報告することができます。これにより、企業は潜在的な不正行為に対してより迅速に対応し、その影響を最小限に抑えることが可能になります。

パーソナライズド・マーケティング

小売業者や銀行、その他顧客と接する企業は、AIを活用してパーソナライズされた顧客体験やマーケティングキャンペーンを創出することで、顧客満足度の向上、売上拡大、そして顧客離れの防止を実現できます。

人事・採用

AIを活用した採用プラットフォームは、履歴書のスクリーニングや候補者と職務要件とのマッチング、さらには動画分析を用いた一次面接の実施などを通じて、採用プロセスを効率化することができます。

アプリケーションの開発と更新

AIを活用したコード生成ツールや自動化ツールは、アプリケーション開発に伴う反復的なコーディング作業を簡素化し、レガシーアプリケーションの移行や刷新を大規模かつ迅速に進めることを可能にします。

予知保全

機械学習モデルは、センサー、IoT（モノのインターネット）デバイス、およびOT（運用技術）から得られるデータを分析し、メンテナンスが必要な時期や機器の故障を発生前に予測することができます。

人工知能の課題とリスク

企業は、最新のAI技術を活用し、その数多くのメリットを享受しようと競い合っています。こうした急速な導入は不可欠なものですが、AIのワークフローを導入・維持することには、課題やリスクも伴います。

データリスク

AIシステムはデータセットに依存していますが、それらのデータセットは、データポイズニング、データ改ざん、データのバイアス、あるいはデータ侵害につながる可能性のあるサイバー攻撃に対して脆弱である可能性があります。

モデルのリスク

悪意ある主体は、AIモデルを標的として、盗用、リバースエンジニアリング、あるいは不正な改ざんを行う可能性があります。

オペレーショナル・リスク

あらゆる技術と同様に、モデルもモデル・ドリフト（乖離）、バイアス、ガバナンス体制の崩壊といったオペレーショナル・リスクにさらされています。

倫理的および法的なリスク

組織がAIシステムの開発や導入において安全性や倫理を優先しなければ、プライバシーを侵害したり、偏った結果を生み出したりするリスクを負うことになります。

人工知能の倫理とガバナンス

AI倫理は、リスクや負の影響を最小限に抑えつつ、AIの有益な効果を最大化する方法を研究する学際的な分野です。AI倫理の原則は、AIツールやシステムの安全性と倫理性を確保するガバナンス体制を通じて実践されます。

AIの倫理や責任あるAIに関連する一般的な価値観には、以下のようなものがあります。

説明可能性と解釈可能性 (Explainability and Interpretability)

人工知能（AI）の進歩に伴い、アルゴリズムがどのようにして結論に至ったのかを理解するという課題に直面しています。「説明可能なAI（XAI）」とは、ユーザーがアルゴリズムの導き出した結果を解釈・理解し、それを信頼できるようにするためのプロセスや手法の総称です。

公正性と包摂性（Fairness and Inclusion）

機械学習は本質的に統計的な識別の一形態ではありますが、その識別が特定の集団に体系的な優位性を与え、そうでない集団を不利な立場に置くような場合には、容認できないものとなります。

堅牢性とセキュリティ (Robustness and Security)

堅牢なAIは、入力の異常や悪意ある攻撃といった例外的な状況に効果的に対処し、意図しない損害を引き起こすことはありません。

説明責任と透明性

組織は、明確な責任の所在とガバナンス体制を確立する必要があります。さらに、ユーザーはAIサービスの仕組みを把握し、その機能を評価するとともに、強みや制約を理解できる必要があります。

プライバシーとコンプライアンス

一般データ保護規則（GDPR）を含む多くの規制の枠組みは、個人情報を処理する際、組織に対して特定のプライバシー原則を遵守することを義務付けています。

弱いAI対強いAI

人工知能の利用を、複雑さの異なるレベルに応じて位置づけるために、研究者らはいくつかの種類の人工知能を定義しました。

弱いAI（Weak AI） ：別名「特化型AI（Narrow AI）」とも呼ばれ、特定のタスクを実行するように設計されたAIシステムを指します。具体例としては、AlexaやSiriといった「スマート」音声アシスタントや、ソーシャルメディア上のチャットボットなどが挙げられます。

強力なAI（Strong AI） ：別名「汎用人工知能（AGI）」とも呼ばれ、人間の知能と同等かそれ以上のレベルで、幅広いタスクにわたる知識の理解、学習、および応用を行う能力を備えています。このレベルのAIは現時点では理論上の存在であり、これほどの高度な能力に近づいているAIシステムは確認されていません。

人工知能の歴史

「思考する機械」という概念は古代ギリシャにまで遡ります。しかし、電子計算機が登場して以来、人工知能の発展における重要な出来事や画期的な出来事には、以下のようなものがあります。

1950年、アラン・チューリングは論文『計算する機械と知能』を発表しました。その中で彼は「機械は思考できるか？」という有名な問いを投げかけ、現在「チューリング・テスト」として知られるテストを提案しました。
1956年：ジョン・マッカーシーが、初の人工知能会議において「人工知能（AI）」という用語を考案した。
1967年：フランク・ローゼンブラットが「マーク1・パーセプトロン」を構築しました。これは、試行錯誤を通じて「学習」するニューラルネットワークに基づいた最初のコンピュータでした。
1980年：誤差逆伝播法を用いて自己学習を行うニューラルネットワークが、人工知能の応用分野で広く利用されるようになりました。
1997年：IBMのコンピュータ「ディープ・ブルー」が、当時のチェス世界王者ガルリ・カスパロフを破った。
2011年：IBMのワトソンが、クイズ番組「ジェパディ！」で歴代チャンピオンを打ち負かしました。
2015年：Baiduのスーパーコンピュータ「Minwa」が、人間平均を上回る精度で画像を識別・分類するために、特殊な深層ニューラルネットワークを使用しました。
2016年：DeepMind社のプログラム「AlphaGo（アルファ碁）」が、囲碁の世界チャンピオンであるイ・セドルを破りました。
2022年：OpenAIのChatGPTのような大規模言語モデル（LLM）の登場は、人工知能（AI）の性能と可能性に劇的な変化をもたらしました。
2024年：最新のAIトレンドは、AIの隆盛が続いていることを示しています。多様な種類のデータを受け入れ可能なマルチモーダルモデルは、より豊かで強力な体験をもたらしています。また、小規模なモデルも進化を遂げています。

この刺激的な世界の基礎をマスターした今こそ、実践の時です。

あなたの言葉を、心と知性を魅了する「声」に変える準備はできていますか？

音声コンテンツの世界で、今日から旅を始めましょう。

「Makina（マキナ）」プラットフォームを無料でお試しください。最初の1,000文字を、5分以内にプロ仕様のナレーションに変換できます！

今すぐ無料トライアルを始めましょう

出典: IBM.COM

人工知能とは何ですか？