人工知能（AI）とは？

人工知能（AI）は、学習、推論、問題解決、パターンの認識、意思決定など、通常は人間の知能を必要とするタスクをマシンに実行させるコンピュータサイエンスの一分野です。もっとシンプルに言えば、AIとは、データから学習し、その学習内容を利用して、タスクごとに明示的にプログラミングされることなく、予測、意思決定、または新しいコンテンツの作成を行うソフトウェアのことです。

今日のAIは、迷惑メールフィルターやレコメンデーションエンジンから、ChatGPTのようなチャットボットや画像生成ツールに至るまで、あらゆるものを動かしています。AIはさまざまな技術を活用しており、特に機械学習やジェネレーティブAIが有名です。そして、研究室の段階から、人々が毎日使う製品へと移行しています。

スタンフォード大学のコンピュータ科学者であるフェイフェイ・リー（Fei-Fei Li）氏は、Stanford Emerging Technology Reviewの中で、AIを近代史上最も変革をもたらした技術と同じカテゴリに位置づけています。「AIは他の科学分野を発展させる基盤技術であり、電気やインターネットのように、社会の仕組みを変革する可能性を秘めている。」現在、ヘルスケアや金融サービスから小売、製造に至るまで、あらゆるセクターで導入が拡大しており、そのペースは加速しています。

このページでは、AIの仕組み、AIの主な種類、実世界の例、注意すべき限界、およびこの分野の簡単な歴史について解説します。

AIとは？ 簡単にわかりやすく解説

AIとは、ステップバイステップの指示を書く代わりに、実例を示してコンピュータに教えることだと考えてみてください。システムに何千枚もの猫の写真を見せると、誰かが「猫にはひげがあり、耳が尖っている」と教えなくても、システムは自分で猫を認識できるようになります。これは、パターンを理解するのに十分な数の実例を見たからです。AIは、人間のように「考えて」いるわけではありません。データの中からパターンを見つけ出し、そのパターンを使って最適な推測を行っているのです。この違いは重要です。AIは特定の限定された領域では極めて優れた結果を出すことができますが、人間の意味での理解をしているわけではありません。

モデルに猫を認識させるのと同じパターンマッチングの手法は、生検でがん細胞を発見したり、何百万もの正常な取引の中から不正取引を検出したりすることにも役立ちます。アプリケーションの見かけが劇的に異なっていても、データからパターンを見つけ出すという根本的な仕組みは同じです。これは、検索エンジン、音声アシスタント、ナビゲーションアプリ、迷惑メールフィルター、動画配信サービスのレコメンデーションなど、すでに日常のツールの一部となっています。

AIの仕組み

現代のほとんどのAIは、大量のデータからパターンを学習し、そのパターンを新しい状況に適用することで機能します。開発者がルール（「メールに『無料でお金がもらえる』と含まれている場合は迷惑メールとしてマークする」など）を記述する代わりに、システムに多くの実例を示し、システム自身にルールを見つけ出させます。

基本的なプロセスは次のようになります。

1. データの収集：システムに大量の関連テキスト、画像、数値、音声、または動画を読み込ませます。データに欠落があると、それがモデルの欠陥につながります。
2. モデルのトレーニング：アルゴリズムがデータを学習し、正しい出力を確実に生成できるようになるまで、内部の重みとパラメータを調整します。これは計算コストの高いステップであり、多数のGPUを使用して数時間、数日、あるいは数週間かかることもあります。
3. テストと微調整：トレーニングに使用していない「ホールドアウト」テストデータセットでモデルを評価します。本番環境でミスが発覚するよりも、この段階でミスを検出する方がはるかにコストを抑えられます。
4. 予測の実行：トレーニングが完了すると、モデルはこれまでに見たことのないデータに対して、質問への回答、入力の分類、コンテンツの生成、またはアクションのトリガーを行います。これが、エンドユーザーが実際に操作する「推論」ステップです。
5. 学習と改善：多くのAIシステムは、より多くのデータやフィードバック（出力に対する人々の反応など）に触れることで、継続的に改善していきます。

現代のAIトレーニングは、規模（スケール）の点でも大きな課題を伴います。最先端のフロンティアモデルは、数兆トークンのテキストでトレーニングされ、数万台のGPUで実行され、構築には数億ドルもの費用がかかります。ほとんどの組織は、モデルをゼロからトレーニングすることはありません。代わりに、既存の基盤モデルを自社のデータでファインチューニングします。これにより、特定のタスクやドメインに合わせたモデルを構築しながら、時間とコストを劇的に削減できます。

AIシステムの品質は、学習元となるデータに大きく依存します。トレーニングデータが不完全であったり、偏り（バイアス）があったり、低品質であったりすると、AIの出力も同様になります。構成要素の詳細については、機械学習モデルおよびニューラルネットワークの概要をご覧ください。

AIの4つのタイプとは？

研究者は一般的に、AIをその能力に基づいて4つのカテゴリに分類しています。この分類法（タキソノミー）は、ミシガン州立大学の研究者であるアーレンド・ヒンツェ（Arend Hintze）氏が2016年にAIの進化の方向性を考える方法として提案したものです。現在、実世界に存在するのは最初の2つのカテゴリのみであり、残りの2つは研究や哲学における未解決の課題となっています。

この分類法は、AIが現在実際にできることと、理論上またはフィクションの中でしかできないこととの間に明確な一線を画すため、非常に有用です。

現在人々が使用しているほぼすべてのAI製品（最も高度な大規模言語モデルを含む）は、この「限定的なメモリ」のカテゴリに分類されます。

特化型AI vs. 汎用AI vs. 超人工知能

現在使用されているすべてのAIシステムは、特化型AIに分類されます。以下の表では、これらの現在のシステムと、理論上の概念である汎用AIおよび超人工知能との違いを示しています。

現在AGIが存在するかどうかは、その定義に大きく依存します。高度なモデルは、ドメインを越えて推論し、複雑なタスクを完了することができますが、依然としてエラーが発生し、信頼性にもばらつきがあるため、この分類については議論が分かれています。

AI vs. 機械学習 vs. ディープラーニング vs. ジェネレーティブAI

これら4つの用語はしばしば混同して使用されますが、それぞれ異なる意味を持っています。チームがツールを選択したり、プロジェクトの範囲を決定したり、ベンダーを評価したりする際には、これらの違いを理解することが重要です。

これらを理解するには、入れ子状の円をイメージすると分かりやすいでしょう。AIは最も広いカテゴリであり、機械学習はAIのサブセット、ディープラーニングは機械学習のサブセット、そしてジェネレーティブAIは新しいコンテンツの作成に特化したディープラーニングの応用技術です。以下の表で、各用語の意味と違いを詳しく解説します。さらに詳しい比較については、機械学習とディープラーニングの比較をご覧ください。

人工知能（AI）の具体例にはどのようなものがありますか？

AIはすでに日常のツールの裏側で静かに稼働しており、メールの下書き作成、ミリ秒単位での不正検出、店舗在庫の予測などを行っています。プロトタイプから製品への組み込みまでの期間は劇的に短縮されており、Databricksが提供するソリューションは、これらのカテゴリの多くをカバーしています。

重要なのは、その適用の広さです。AIはもはや一部の技術的なアプリケーションに限定されるものではなく、パターン認識やコンテンツ生成が価値を生み出すほぼすべての業務カテゴリに普及しています。導入のパターンはどれも類似しており、第1波では限定的で反復的なタスクを処理します。その後、モデルの機能が成熟し、組織がそれを支えるデータ基盤を構築するにつれて、第2波、第3波として、より高度な判断を必要とする業務へと移行していきます。

AIの主な分野（ブランチ）は何ですか？

AIは、いくつかの専門分野をカバーする総称です。それぞれの分野は異なる種類のタスクや機能に焦点を当てていますが、ディープラーニングが多くの取り組みの共通のエンジンとなったことで、分野間の境界線は曖昧になっています。

• 機械学習：データからパターンを学習し、経験を積むことで向上するシステム。今日のAIにおける主流のアプローチであり、他のほとんどの分野が構築される基盤となっています。
• ディープラーニング：層状のニューラルネットワークを使用して、画像、音声、言語などの複雑な入力を処理する、より高度な機械学習の手法。現在のAIの潮流を可能にした画期的な技術です。
• 自然言語処理（NLP）：人間の言語を理解し、生成する技術。NLPは、チャットボット、翻訳、音声アシスタント、感情分析などを支えています。詳細は、自然言語処理の概要をご覧ください。
• コンピュータビジョン：画像や動画を解釈する技術。顔認識、医療画像、製造業における品質検査、自動運転車が道路を認識するための知覚システムなどで使用されています。コンピュータビジョンの詳細については、こちらをご覧ください。
• ロボティクス：AIと物理的な機械を組み合わせて、現実世界でタスクを実行する技術。倉庫ロボット、手術支援システム、自律走行車、農業用ドローンなどが挙げられます。AIソフトウェアと機械工学の交差点です。
• ジェネレーティブAI：単に既存のデータを分析するだけでなく、新しいコンテンツを作成するモデル。テキスト、画像、音声、動画、コードなどがすべて対象となります。2022年にChatGPTの登場によって一躍世間の注目を集めた分野です。
• エキスパートシステム：特定の狭い領域において、人間の専門家の意思決定を模倣する、従来のルールベースのAI。大部分は機械学習のアプローチに取って代わられましたが、明示的で監査可能なルールが必要とされる場所では現在も使用されています。

実際には、最新のAIシステムのほとんどは複数の分野を組み合わせています。自動運転車は、周囲の状況を把握するためにコンピュータビジョンを使用し、近くの車両の挙動を予測するために機械学習を使用し、制御を稼働させるためにロボティクスを使用します。これらの分野は頭の中のマップとして整理するのに役立ちますが、実際に提供される製品は通常、これらの分野を横断しています。

AI of the 簡単な歴史

AIは70年以上にわたる研究分野であり、機能の大きな変化は過去10年間に集中しています。最新のトレンドにより、この分野は学術的な関心の対象から、日常的なインフラへと移行しました。

• 1950年 — チューリングテストの提案：アラン・チューリングが論文「Computing Machinery and Intelligence（計算機械と知性）」を発表し、機械は思考できるかという問いを投げかけ、今日でも議論の基礎となっている機械知能のテストを提案しました。
• 1956年 — 「AI」という名称の誕生：ジョン・マッカーシーがダートマス会議で「人工知能（artificial intelligence）」という言葉を提唱し、学術分野として正式にスタートしました。
• 1960年代〜1970年代 — 初期の楽観論とAIの冬：研究者たちは、初期のルールベースのシステムや自然言語プログラムを構築します。しかし、難解な問題に直面して進展が滞ると資金が枯渇し、2回ある「AIの冬」の最初の時期が到来します。
• 1997年 — Deep Blueがカスパロフに勝利：IBMのチェスコンピュータが、6ゲームのマッチで世界王者のガルリ・カスパロフを破りました。機械がチェスで現役の世界王者を破ったのはこれが初めてであり、AIにとって歴史的な節目となりました。
• 2012年 — ディープラーニングのブレイクスルー：AlexNetと呼ばれるニューラルネットワークが、ImageNetコンペティションで画像認識精度を飛躍的に向上させ、現代のAIブームの火付け役となりました。これにより、ディープラーニングこそが進むべき道であると確信されるようになりました。
• 2017年 — Transformerの登場：Googleの研究者が論文「Attention Is All You Need」を発表し、今日の大型言語モデル（LLM）への扉を開くTransformerアーキテクチャを導入しました。
• 2022年 — ChatGPTのローンチ：OpenAIがChatGPTを一般公開したことで、ジェネレーティブAIが主流になりました。わずか2か月でユーザー数が1億人に達し、当時のコンシューマー向けテクノロジーの普及ペースとしては史上最速を記録しました。
• 2023年〜現在 — エンタープライズAIのスケール：企業や組織が、カスタマーサービスからソフトウェア開発、社内業務に至るまで、あらゆるビジネス機能において、実験段階から本番環境のAIやAIエージェントの運用へと移行しています。

過去3年間で際立っているのは、その進化のスピードです。2022年以降、AIの機能はほとんどの専門家の予想を上回る速さで進化しており、研究のブレイクスルーから製品リリースまでの期間は、数年から数か月へと短縮されました。次の10年のあり方は、モデル自体の純粋な機能よりも、組織がそれらの機能をいかに信頼性が高く、ガバナンスの効いたシステムへと変革できるかにかかっています。

AIの限界とリスクは何ですか？

AIは強力ですが、完璧ではありません。本番環境（プロダクション）では一般的に以下のようなリスクが発生し、これらは大きく技術的制限、運用上の課題、およびより広範な社会的影響の3つのカテゴリに分類されます。

ハルシネーションと不正確な出力

ジェネレーティブAI（生成AI）は、事実とは異なるにもかかわらず、もっともらしく聞こえる回答を生成することがあります。業界用語ではこれを「ハルシネーション（幻覚）」と呼びます。チャットボットが引用元を捏造したり、情報源を誤って引用したり、一見すると本物のように見える事実をでっち上げたりすることがあります。これは、大規模言語モデル（LLM）が検証済みの情報を検索するのではなく、次に来る可能性の高い単語を予測しているために起こります。つまり、モデルは真実性ではなく、流暢さに最適化されているのです。

医療、法的アドバイス、財務上の意思決定など、重大な影響を及ぼす状況では、AIの出力を実行に移す前に人間が検証する必要があります。それほど重大ではない状況であっても、生成モデルと検索拡張生成（RAG）システムを組み合わせる組織が増えています。これにより、信頼できるソースドキュメントに基づいて出力を生成できるようになります。また、体系的な評価も効果的です。デプロイ前にベンチマークの質問セットでモデルをテストすることで、多くのハルシネーションをユーザーに届く前に早期に発見できます。

トレーニングデータのバイアス

AIはデータから学習します。特定のデモグラフィック（人口統計属性）を優遇していた過去の採用パターンや、特定の層に不利に働いた融資決定など、データに人間のバイアスが反映されている場合、AIはそのバイアスを再現し、多くの場合それを増幅させてしまいます。Stanford Emerging Technology Reviewが指摘しているように、「十分な高品質データがなければ、AIモデルは不正確または偏った結果を生成する可能性があります。」

バイアスは、採用、融資、刑事司法などのアプリケーションにおいて大きな懸念事項であり、偏った出力は実質的な不利益をもたらします。これを軽減するには、トレーニングデータの慎重なキュレーション、公平性指標に対する継続的な評価、およびトレーニング中に過小評価されていた可能性のある集団に対してモデルをテストする規律が必要です。これは一度限りの修正では済みません。世界の変化に伴ってモデルのドリフト（性能変化）が発生するため、公平性のモニタリングは、リリース時のチェックポイントではなく、継続的な運用プロセスとして行う必要があります。

「ブラックボックス」問題

特にディープラーニング（深層学習）では、AIがなぜ特定の決定を下したのかを正確に説明することが困難な場合が多々あります。モデルの推論プロセスは数百万から数十億のパラメータに分散されており、そのどれもが人間が理解できる説明に直接結びつくわけではありません。これは、銀行、医療、保険など、顧客、監査人、または裁判所に対して意思決定を説明する義務がある規制業界において最も重要になります。

これに対応して、説明可能なAI（XAI）の分野が登場し、モデルの出力に最も影響を与えた特徴量を明らかにするツールが開発されています。一部の業界ではさらに一歩進んで、重大なユースケースに対して、よりシンプルで「解釈可能」なモデルアーキテクチャを求め、追跡可能で説明可能な意思決定と引き換えに、生の精度のわずかな低下を受け入れています。

プライバシーとセキュリティのリスク

AIシステムは多くの場合、大量のデータへのアクセスを必要とするため、そのデータがどのように収集、保存、使用されるかという疑問が生じます。また、ジェネレーティブAIは独自の新種のリスクをもたらします。実在の人物になりすますディープフェイク、AIが生成する大規模な誤情報、およびモデルを騙して開示すべきでない情報を漏洩させたり、許可されていないアクションを実行させたりするプロンプトインジェクション攻撃などです。プライバシー管理とセキュリティのガードレールは、責任あるAI設計の一部であり、後から付け足すものではありません。

雇用の代替に対する懸念

AIは多くの業界でタスクの自動化を進めており、仕事やスキルがどのように変化するかという現実的な疑問を投げかけています。起こり得るパターンは、全面的な代替ではなく「変化」です。AIは職種そのものを完全に排除するのではなく、仕事の中のタスクの組み合わせを変化させる傾向があります。一部の役割は衰退し、新しい役割が登場し、多くの既存の役割では新しいスキル、特にAIシステムと効果的に協働する能力が必要になります。この変化は現実であり、そのスピードは速く、労働力への影響はリーダー、教育者、政策立案者が真剣に取り組むべき課題です。

ガバナンスとコンプライアンス

AIを導入する組織には、明確なガードレールが必要です。誰がどのモデルにアクセスできるか、それらのモデルがどのデータを使用するか、出力がどのように監視されるか、問題が発生したときにアクセス権をどのように取り消すことができるかなどです。過去10年間のクラウドセキュリティから得た教訓は、最初から組み込まれた管理策のほうが、後から付け足した管理策よりも効果的に機能するということです。

これはAIにも当てはまります。規制の整備も進んでおり、EU AI法、USの州レベルの法律、金融や医療におけるセクター固有の規則など、すべてがAIの導入に新たな義務を課しています。開発者にとって実質的な意味は、ガバナンスはもはや後回しにできないということです。データレイヤーから設計に組み込む必要があります。その背景にある規律の詳細については、当社のAIガバナンスの概要をご覧ください。

なぜビジネスにおいてAIが重要なのか？

AIは、組織の運営、競争、顧客サービスのあり方を再構築しています。その価値は、孤立した実験を繰り返すことではなく、信頼され、ガバナンスが効いたデータを実際のビジネス課題に適用することから生まれます。

企業は以下のような目的でAIを活用しています。

• より迅速で、情報に基づいた意思決定を行う
• 定型業務を自動化する
• 顧客体験をパーソナライズする
• 複数ステップのタスクを実行するエージェントをデプロイする
• 予測精度とカスタマーサービスを向上させる

その価値を実現するには、データの準備、モデルのトレーニング、エージェントのデプロイ、およびフルスタックのガバナンスをエンドツーエンドで一元管理できる統合プラットフォームが必要です。

競争圧力も高まっています。多くのセクターでAIが標準となる中、先進的な組織は以下のように取り組んでいます。

• 具体的なビジネス課題から着手する
• モデルの高度化よりもデータの品質を優先する
• 現実世界の成果に照らしてパフォーマンスを評価する
• 最初からプラットフォームにガバナンスを組み込む

DatabricksがどのようにAIをサポートするか

本番環境のAIを構築するのは困難です。データはさまざまな場所に散在し、モデルのトレーニングと評価が必要であり、ガバナンスはパイプライン全体に及ぶ必要があります。DatabricksプラットフォームはデータとAIを1つの場所に統合するため、チームはデータの保存と準備、モデルのトレーニングと微調整（ファインチューニング）、AIエージェントのデプロイ、およびこれらすべてをエンドツーエンドで管理できます。これには、企業データに基づいたエージェントを構築するためのAgent Bricksや、データとAI資産全体のガバナンスを実現するUnity Catalogが含まれます。このプラットフォームは、OpenAI、Anthropic、Google、Metaなどの主要なモデルやオープンソースの選択肢と接続できるため、スタックを再構築することなく、各タスクに適したモデルを選択できます。

世界中の20,000以上の組織が、Databricksを使用してAIの構築、拡張、ガバナンスを行っています。統合プラットフォームの利点は、シームレスであることです。チームはシステム間でデータをコピーしたりリネージを失ったりすることなく、データからモデル、デプロイへと移行できるため、AIの取り組みがより迅速、低コスト、かつ監査しやすくなります。詳細はDatabricksのお客様ディレクトリをご覧ください。

よくある質問

人工知能（AI）の具体例にはどのようなものがありますか？

ChatGPT、SiriやAlexaなどの音声アシスタント、Netflixの推奨（レコメンデーション）エンジン、クレジットカード取引の不正検知、および自動車の自動運転機能などは、すべて現在使用されているAIの例です。これらのほとんどは「限定的なメモリ（Limited Memory）」カテゴリに分類されます。これらは過去のデータから学習して予測を行ったり応答を生成したりしますが、人間のように永続的な長期記憶を保持することはありません。

AIの4つのタイプとは何ですか？

簡易的な反応型マシン（Reactive machines）、限定的なメモリ（Limited memory）、心の理論（Theory of mind）、自己認識型（Self-aware）AIの4つです。最初の2つは現在すでに存在しており、迷惑メールフィルターからChatGPTに至るまで、すべてがこれらのカテゴリのいずれかに属しています。後者の2つは依然として理論上の段階であり、どちらについても明確な技術的道筋はまだ確立されていません。

AIと機械学習（ML）は同じものですか？

いいえ、異なります。AIは、知的なタスクを実行するマシンを構築するより広範な分野です。機械学習（ML）はAIの一分野であり、明示的にプログラミングされるのではなく、データから学習するシステムを指します。すべての機械学習はAIですが、すべてのAIが機械学習であるとは限りません。

AIとジェネレーティブAI（生成AI）の違いは何ですか？

AIは、人間の知能に関連するタスクを実行するあらゆるシステムをカバーする包括的な分野です。ジェネレーティブAI（生成AI）は、ディープラーニング（深層学習）に基づいて構築された特定のタイプのAIであり、既存の入力から分類や予測を行うのではなく、新しいコンテンツ（テキスト、画像、音声、動画、コードなど）を作成します。ChatGPTや画像生成ツールが身近な例です。

AIの最大の懸念・リスクは何ですか？

最も一般的なリスクは、ハルシネーション（もっともらしい誤った出力）、トレーニングデータから引き継がれるバイアス、「ブラックボックス」問題（簡単に説明できない決定）、プライバシーとセキュリティのギャップ、雇用の代替、および不十分なガバナンスです。これらを軽減するには、検証、監視、慎重なデータのキュレーション、および組み込みのガードレールが必要です。

AIを使い始める

AIはもはや実験的なものではありません。日常的な製品を支え、ビジネスのあり方を再構築する基盤技術であり、その導入ペースは加速しています。AIが何であるか、どのように機能するのか、どこに適しており、どこに限界があるのかという基本を理解することが、AIを効果的に活用するための第一歩です。そこから、信頼できるデータに基づいて実際の課題に適用し、責任を持って拡張するためのガバナンスを構築していくことになります。

Databricksが、組織が自社データを用いてAIを構築・スケールさせるのをどのように支援しているかをご覧ください — Databricksプラットフォームの詳細を見る。

(このブログ記事はAI翻訳ツールを使用して翻訳されています) 原文記事