AIの主要用語を解説：LLMから幻覚まで

人工知能の世界は広大で複雑だ。この分野の専門家は、自分たちの仕事を説明するのに専門用語をよく使う。そのため、当社のAI業界に関する記事には、こうした専門用語も含まれています。この用語集は、記事中に登場する重要な語句を明確にするために作成しました。

研究者が新しい手法を開発したり、AIの最先端で新たな安全上の懸念を発見したりした際には、このガイドを定期的に更新する予定です。

AGI

人工知能（Artificial General Intelligence、AGI）は広範で、しばしば議論される用語である。一般的には、幅広いタスクにおいて人間の能力を凌駕するAIのことを指す。OpenAIのサム・アルトマンは、AGIを「同僚として雇うことのできる人間の中央値」と表現し、OpenAIの憲章は、AGIを「経済的に価値のある仕事のほとんどにおいて人間を凌駕する高度に自律的なシステム」と定義している。グーグル・ディープマインドは少し異なる見解を示しており、"ほとんどの認知タスクにおいて少なくとも人間と同等の能力を持つAI "と定義している。この概念は、一流のAI研究者の間でさえ、依然として流動的である。

AIエージェント

AIエージェントは、AIを活用して、単純なチャットボットとのやり取りを超えたマルチステップのタスクを自律的に実行するツールである。これには、経費の申告、旅行の予約、コードの管理などが含まれる。発展途上の分野であるため、「AIエージェント」の定義は様々であり、必要なインフラはまだ発展途上である。基本的には、複雑な目的を達成するために複数のAIモデルを調整する自律的なシステムを指す。

思考の連鎖

人間は簡単な質問であれば即座に答えることができるが、複雑な問題ではしばしばステップに分解する必要がある。例えば、農場の動物に関する論理パズルを解くには、中間的な計算が必要になる。

AIにおいて思考連鎖推論は、大規模な言語モデルが問題をより小さな論理的ステップに分解する手法である。このプロセスは、速度は遅いものの、特に論理やコーディングのタスクの精度を大幅に向上させる。特殊な推論モデルは、従来のLLMの上に構築され、強化学習を通じてこのステップバイステップの思考に最適化される。

(参照：大規模言語モデル）

TechCrunch Sessionsにご参加ください：AI

OpenAI、Anthropic、Cohereが登壇するAI業界のプレミアイベントに参加しませんか？エキスパートによる講演、ワークショップ、パワフルなネットワーキングをお楽しみいただけます。

TechCrunch Sessionsに出展：AI

TC Sessionsで1,200人以上の意思決定者にあなたのイノベーションをアピールしましょう：AIに出展してみませんか？5月9日まで、または空きがある限り、手頃な価格でブースを確保できます。

ディープラーニング

AIアルゴリズムが多層の人工ニューラルネットワークで構築される機械学習の高度な一分野。このアーキテクチャにより、決定木のような単純なモデルをはるかに超える複雑なパターンや相関関係を識別することができる。人間の脳にヒントを得たディープラーニング・モデルは、人間が手動で定義することなく、データから主要な特徴を自律的に学習する。ディープラーニング・モデルは、繰り返し学習とエラー修正によって向上する。

しかし、これらのモデルは膨大なデータセット（数百万点以上）とトレーニングのための膨大な計算資源を必要とするため、従来の機械学習に比べて開発コストが高くなる。

(参照：ニューラルネットワーク）

拡散

拡散は、芸術、音楽、テキストを生成する現代のAIモデルの多くを支える中核技術である。物理学にヒントを得たこれらのシステムは、画像や音声のようなデータに徐々にノイズを加え、元の構造が完全に見えなくなるまで変化させる。自然界における不可逆的なプロセスとは異なり、AI拡散モデルはこの破壊を逆に学習し、ノイズから首尾一貫したデータを再構築することで、強力な生成能力を付与する。

ディスティレーション

ディスティレーションは、大規模なAIモデルから小規模なAIモデルへ知識を伝達するための「教師-生徒」手法である。開発者は教師モデルに問い合わせ、その出力を記録し、それを教師モデルの動作を模倣する生徒モデルの訓練に使用する。このプロセスは、GPT-4ターボのようなバージョンの背後にあると考えられている方法で、最小限のパフォーマンス損失で、より小さく、より速く、より効率的なモデルを作成することができます。

内部では一般的に使用されていますが、競合他社のモデルからの蒸留は通常APIの利用規約に違反するため、業界では倫理的かつ法的な考慮事項が生じます。

微調整

これは、特定のタスクやドメインに対してパフォーマンスを特化させるために、既存のAIモデルを追加トレーニングすることを指す。これには、タスク指向の新しいデータをモデルに与えることが含まれる。多くのAIスタートアップは、汎用の大規模言語モデルから始め、法律や医療など特定の分野での有用性を高めるために、独自のデータで微調整を行う。

(参照：大規模言語モデル[LLM）

GAN

GAN（Generative Adversarial Network）は、ディープフェイクを含むリアルなデータ生成の進歩を牽引する機械学習のフレームワークである。GANは、データを生成するジェネレーターと、その真正性を評価する識別器という2つのニューラルネットワークを競合させて使用する。この敵対的なプロセスにより、ジェネレーターは常に人間が介入することなく、ますますリアルな出力を生成するようになる。GANは画像生成のような焦点の絞られたアプリケーションでは優れているが、汎用AIにはあまり適していない。

幻覚

幻覚とは、AIモデルが不正確な情報や捏造された情報を生成することを指す業界用語である。これはAIの信頼性と安全性にとって大きな課題である。誤解を招くような出力は、有害な医療アドバイスを提供するなど、実世界にリスクをもたらす可能性がある。ほとんどのGenAIツールには免責事項が記載されていますが、特に幅広い基盤モデルの場合、トレーニングデータには本質的なギャップがあるため、この問題は依然として残っています。この問題は、エラーを減らすために、より狭く、より明確に定義された知識ドメイン内で動作する、より専門的で垂直なAIモデルに向かって開発を推進している。

推論

推論とは、訓練されたAIモデルを使用して、新しいデータから予測や結論を導き出すプロセスである。トレーニングに続く応用段階である。推論は、スマートフォンから専用のAIチップを搭載したクラウドサーバーまで、さまざまなハードウェア上で実行できるが、性能は大きく異なる。大規模なモデルは、専用の高性能システムに比べて、消費者向けハードウェアでは動作が遅い。

[参照：トレーニング］

大規模言語モデル（LLM）

大規模言語モデル（LLM）は、ChatGPT、Claude、Geminiのような人気のあるAIアシスタントをサポートしています。これらのツールと対話するとき、あなたはLLMと関わっていることになり、多くの場合、ウェブブラウジングのような機能で補強されている。基礎となるモデル（例：OpenAIのGPT）と消費者向け製品（例：ChatGPT）には、それぞれ異なる名前があります。

LLMは、膨大な量のテキストからパターンを学習する、何十億ものパラメーターを持つディープニューラルネットワークです。複雑で多次元的な言語表現を構築する。プロンプトが出されると、学習中に学習した統計的パターンに基づいて、最も可能性の高い単語の並びを予測し、応答を生成する。

(参照：ニューラルネットワーク）

ニューラルネットワーク

ニューラルネットワークは、ディープラーニングと現代のAIブームの基礎となる、階層化されたアルゴリズム構造である。概念的には1940年代から人間の脳に着想を得ていたが、ゲーム業界からのGPUの台頭により、その実用的な力が解き放たれた。これらのチップは多くの層を持つネットワークを効率的に学習させ、音声認識、自律航法、生成AIなどの分野で画期的な進歩を可能にした。

(参照：大規模言語モデル[LLM）

トレーニング

トレーニングとは、機械学習モデルにデータを与え、パターンを学習させて出力を向上させるプロセスである。最初は、モデルは単なる乱数の構造である。訓練によって、画像を識別したり、テキストを書いたりする機能的なツールになる。このプロセスは、膨大な量のデータと計算能力を必要とし、リソースを集約することができる。ルールベースのシステムを微調整するようなハイブリッド・アプローチは、これらのコストを管理するのに役立つ。

[参照：推論］

転移学習

あるタスクのために学習されたモデルを、関連するが異なるタスクの出発点として使用する手法。これにより、以前に学習した知識が活用され、特に新しいタスクのデータが限られている場合に、時間とリソースを節約することができる。しかし、モデルをうまく機能させるためには、通常、新しいドメイン特有のデータでさらにトレーニングを行う必要がある。

(参照：ファインチューニング）

重み

重みは、AIモデル内の中核となる数値パラメータであり、訓練中に異なる入力特徴の重要性を決定する。最初はランダムに設定され、モデルが学習するにつれて体系的に調整され、最終的な出力を形成する。例えば、住宅価格を予測するモデルでは、ベッドルーム数や立地などの特徴に対して重みが学習され、学習データに基づいて最終的な価格への影響を定量化する。