AI・機械学習・生成AIの違い

AIは、認識・推論・探索・計画などを機械で実現するための広い分野です。機械学習はその方法の一つで、生成AIは文章や画像などを作る仕組みを指します。名前の違いを、入力・出力・学び方・確かめ方から整理します。

AIは一つの機械や製品ではない

AIという言葉は、会話サービスだけでなく、画像の認識、将来の数値の予測、経路探索、ゲームの手の選択などにも使われます。人が条件を細かく記述する規則ベースの方式も、データから規則性を学ぶ方式もあります。例えば「注文額が一定以上なら送料を0円にする」は明示的な規則で十分です。一方、手書き文字を筆跡の違いに耐えて読むには、すべての形を人が列挙するより、例から特徴を学ぶ方法が役立ちます。まず解きたい課題を決め、そのための方法を選ぶのが出発点です。

機械学習と深層学習の位置づけ

機械学習では、入力から出力を計算するモデルの数値を、データと評価基準に基づいて調整します。深層学習は、多層のニューラルネットワークを使う機械学習の一群です。機械学習には線形回帰や決定木などもあり、すべてが深層学習ではありません。深い層を持つほど常に優れるわけでもなく、データ量、雑音、必要な説明、計算時間によって適した方法は変わります。小さな表形式データで、比較用の単純なモデルを飛ばして巨大なモデルだけを試すと、追加の複雑さが有効だったか判断しにくくなります。

予測と生成を出力から見分ける

数値を予測する回帰、種類を選ぶ分類、似たものをまとめるクラスタリング、文章や画像を作る生成は、解きたい課題の違いです。「生成AI」と「教師あり学習」は同じ軸の分類ではありません。文章生成モデルを教師ありで微調整することもあります。同じ基盤モデルに対しても、文章の続きを出す使い方、文書から項目を抽出する使い方、選択肢を分類する使い方ができます。出力の見た目が似ていても、検索して取り出した原文か、新しく計算された文章かによって確認の仕方は異なります。

学習と利用時の計算を分ける

学習はモデルの重みなどを更新する段階、推論は調整済みのモデルを使って出力を求める段階です。例えば迷惑メール判定では、多数のラベル付きメールから重みを調整し、新着メールではその重みでスコアを計算します。通常の推論で入力を一つ与えただけでは、重みは自動更新されません。会話の前の発言を参照できるのは、その情報が入力の文脈として渡されている場合があります。履歴を保存する仕組み、外部資料を検索する仕組み、追加学習する仕組みは別に考え、覚えたという表現だけで混同しないことが大切です。

能力は課題と条件をそろえて調べる

流暢に答えることと、答えが正しいことは別です。学習で見たものと似た課題では良くても、珍しい例、時点の新しい情報、長い計算では誤りが増えることがあります。性能を比べる際は、対象データ、採点基準、入力の長さ、外部ツールの有無、速度や費用をそろえます。画像分類なら見逃しと誤検出、要約なら原文への忠実さ、計算なら答えと途中の検算を確かめます。AIの名称や大きさだけで万能性を結論づけず、利用する条件に近い例を複数用意し、失敗例も含めて評価します。

関連項目