AIの歴史を旅しよう＃３：AIの主要技術の解説
AIの歴史を理解した上で、次は「具体的にどんな仕組みで動いているのか」を押さえておくことが重要です。ここでは、AIを学び始める方でも理解しやすいよう、現代のAIを支える主要技術を丁寧に解説します。難しい数式は使わず、直感的に理解できることを重視しています。
ルールベース（記号処理）と機械学習 — アプローチの違いを理解する
AIのアプローチは大きく ルールベース と 機械学習 に分かれます。
この違いを理解すると、AIの得意・不得意が一気にクリアになります。
ルールベース（記号処理）
ルールベースとは、専門家が「もし〜なら〜」という形でルールを書き、それに従ってAIが判断する仕組みです。
例：
もし咳と高熱があれば「インフルエンザの可能性が高い」
もし取引履歴に不正パターンがあれば「アラートを出す」
強み
理由が説明できる（透明性が高い）
特定領域では専門家並みの性能を出せる
弱み
膨大なルールを作るのに手間がかかる
現実世界の複雑さをすべて記述することは困難
機械学習（Machine Learning）
機械学習は、人間がルールを書くのではなく、データからパターンを学習させる方法です。
たとえば、
・大量の猫画像 → 「猫らしさ」を学習
・過去の売上データ → 需要予測モデルを学習
強み
複雑なパターンを自動で見つけられる
データが豊富なほど精度向上が見込める
弱み
なぜ判断したのか説明が難しいことがある（ブラックボックス性）
データがないと学習できない
現代のAIの中心は機械学習ですが、ルールベースとの組み合わせも増えており、実務ではハイブリッド型が一般的になりつつあります。
機械学習の全貌はこちらの記事から
ニューラルネットワークとディープラーニングの直感的理解
AIブームを現在のレベルまで押し上げた最大の要因が、ニューラルネットワーク と ディープラーニング です。
ニューラルネットワークとは？
人間の脳の神経細胞（ニューロン）の仕組みをヒントに作られた数学モデルです。
イメージとしては、
入力（画像・音声・数値）
中間の層（計算を繰り返す）
出力（分類・予測）
という流れで、層を通るたびに特徴を抽出していきます。
ディープラーニング（深層学習）
ニューラルネットワークの層を“深く”したものがディープラーニングです。
層が深くなることで、
画像の「線 → 形 → 物体」
音声の「振動 → 音素 → 単語」
文の「単語 → 文脈 → 意味」
といった階層構造を捉えられるようになり、精度が劇的に向上しました。
2012年の画像認識コンテスト（ImageNet Large Scale Visual Recognition Challenge; ILSVRC）で深層学習モデルが圧倒的な成績を収めたことで、AI研究は一気に活性化しました。
ディープラーニングの全貌はこちらの記事から
生成AI・大規模言語モデル（LLM）とマルチモーダルAI
大規模言語モデル（LLM）
ChatGPTのようなLLMは、
膨大なテキストを学習し
文脈を理解し
自然な文章を生成する
ことができます。
LLMは「次に来る単語の予測」を大量に学習した結果、人間のような文章を作る能力を身につけたと言えます。
マルチモーダルAI
「テキストだけ」ではなく、
画像
音声
動画
など複数の情報を処理できるAIを マルチモーダルAI と呼びます。
たとえば、
画像を見て説明文を書く
音声を聞いて要約する
表と文章を組み合わせて分析する
といった高度な処理が可能です。
今後のAIは、このマルチモーダル化が主流になると考えられています。
主要技術を押さえておくことで、AIが何を得意とし、どのように動いているのかが理解しやすくなります。これらの知識は、AIを実務で活用する際にも必ず役立ちます。
例えば、生成AI・LLMの仕組みを知ることで、AIの出力を正しく評価し、適切に活用する力が身につきます。
おすすめマガジンです。
生成AI・LLM・マルチモーダルについて
AIの歴史について
ここまでお読み頂きありがとうございます。
AIって何？ AIの歴史から最新情報まで、わかりやすく説明した、
これまでの記事（マガジン）の一覧をプロフィールページにまとめています。
AIの全体像をつかむヒントになると思いますので、ぜひご覧ください。
次へ＞
AIの歴史を旅しよう＃４｜AIの代表的な応用事例と実績（歴史的事例と現代事例）
免責事項
・本記事は生成AI（ChatGPT等）を活用して執筆しています。内容の正確性・最新性には十分配慮しておりますが、誤りや古い情報が含まれる場合があります。ご利用・ご判断はご自身の責任でお願いいたします。万一、著作権等に問題がある場合はご連絡ください。
