【第66回】AIはどこでスイッチを入れる？活性化関数（Sigmoid, ReLU等）とは
前回、AIが複雑な問題を解くために「層を重ねる（MLP）」という仕組みを学びましたね。でも、実は層を重ねるだけでは不十分なんです。そのまま計算を続けると、結局は「ただの長い足し算」になってしまい、AIの強みである「複雑な判断」ができなくなってしまいます。そこで登場するのが、今回の主役「活性化関数」です。AIがどうやって「ここが重要だ！」と判断してスイッチを入れているのか、その秘密を見ていきましょう！
1. 読み方
活性化関数 ＝ かっせいかかんすう
2. 意味（定義）
活性化関数をひとことでいうと、「入ってきた情報の重要度を判定して、次の層に伝えるか、あるいはどれくらい伝えるかを決める『フィルター』のようなもの」です。
これを、「厳しい面接官」に例えてみましょう。
AIのネットワークの中では、たくさんのデータが流れてきます。もし、すべてのデータをそのまま次の層に伝えてしまったら、重要じゃない「雑音（ノイズ）」まで伝わってしまい、AIは混乱してしまいます。
そこで、各ニューロンに「面接官（活性化関数）」を配置します。
不合格（出力が0に近い）： 「この情報は全然重要じゃないね。次の人には伝えないよ」 → スイッチOFF
合格（出力が1や正の値）： 「お、この情報はかなり重要だ！しっかり次の層に伝えよう」 → スイッチON
このように、入ってきた数値（刺激）に応じて、出力を「調整」して次へ送る仕組みのことを活性化関数と呼びます。
3. 歴史・背景
なぜ、わざわざこんな「フィルター」が必要なのでしょうか？ その理由は、数学的な「線形（せんけい）」という壁にあります。
「線形」とは、簡単にいうと「直線的」なことです。もし活性化関数を使わずに計算（掛け算と足し算）だけを繰り返すと、いくら層を100層、1000層と重ねても、数学的には「たった1層の単純な計算」と同じ結果になってしまいます。これでは、前回の記事で出た「曲がった境界線」を作ることができず、複雑な問題は解けません。
そこで、計算の途中に「わざと直線を曲げる（非線形にする）」ための活性化関数を挟み込みました。これにより、AIは初めて「複雑なカーブ」や「急激な変化」を表現できるようになり、画像認識や翻訳などの高度なタスクをこなせるようになったのです。
4. 比較・対比（代表的な関数の違い）
活性化関数にはいくつか種類がありますが、特に重要な「シグモイド関数」と「ReLU（レル）関数」の違いを見てみましょう。
【シグモイド関数（昔の定番）】
形： 緩やかな「S字カーブ」を描きます。
特徴： どんなに大きな数字が入ってきても、答えを必ず「0から1の間」にギュッと押し込めます。
弱点： 数字が大きすぎたり小さすぎたりすると、グラフが平らになり、学習が進まなくなる「勾配消失（こうばいしょうしつ）」という問題が起こります。
【ReLU関数（今の主流）】
形： 「0までは0、0を超えたらそのまま右肩上がり」という、カクッとしたL字型の形をしています。
特徴： 0以下の情報はバッサリ切り捨て、0より大きい情報はそのまま通します。
強み： 計算が非常にシンプルで速く、シグモイド関数のような「学習が止まる問題（勾配消失）」が起きにくいため、現代のディープラーニングの隠れ層ではほぼこれが使われています。
5. 活用シーン（実社会のどこで、どんな問題に使うか）
活性化関数は、AIが「何を判断するか」によって使い分けられています。
① 「YesかNoか」を判定する（二値分類） 例えば、「このメールはスパムメールか？」を判定する場合。 最後に出力層でシグモイド関数を使います。答えを「0（白）〜1（黒）」の範囲で出すため、「0.9なら90%の確率でスパムだ！」という確率として解釈できるからです。
② 複雑な画像から「特徴」を見つけ出す（深層学習） 例えば、自動運転AIが「歩行者」を認識する場合。 途中のたくさんの中間層でReLU関数を使います。不要な情報を素早く切り捨て、重要な特徴だけを効率よく次の層へ伝えることで、深い層までスムーズに学習を進めることができるからです。
6. G検定での出題傾向
活性化関数については、以下のポイントが狙われます。
目的の理解： 「なぜ活性化関数を使うのか？」 → 「非線形な表現（複雑な境界線）を可能にするため」 という点が最重要です。
関数の特徴： 「ReLUは計算が高速で、勾配消失が起きにくい」というメリットがよく問われます。
使い分け： 「中間層にはReLU、出力層（二値分類）にはシグモイド」という組み合わせを覚えておきましょう。
7. G検定の例題
【問題1：最頻出（基礎的な定義）】
ニューラルネットワークにおいて、線形な計算結果を非線形な出力に変換し、複雑な表現を可能にするために導入される関数を何と呼ぶか？
A. 損失関数
B. 活性化関数
C. 目的関数
D. 恒等関数
【問題2：頻出（特徴に関する問題）】
現代のディープラーニングの中間層で最も広く利用されており、計算コストが低く、勾配消失問題が起きにくいとされる関数はどれか？
A. シグモイド関数
B. tanh関数（ハイパボリックタンジェント）
C. ReLU関数
D. ステップ関数
【問題3：ひっかけ（概念に関する問題）】
活性化関数を一切使わずに、線形な計算（行列演算）だけで構成された多層ニューラルネットワークは、どのような性質を持つか？
A. 層を深くすればするほど、表現力が飛躍的に高まる
B. 単層のパーセプトロン（1層のネットワーク）と数学的に等価になる
C. 誤差逆伝播法が使えなくなるため、学習が不可能になる
D. ReLU関数と同じ効果が得られる
8. 7の例題の回答と解説
【問題1：回答】 B
【解説】 正解はBです。活性化関数があるおかげで、AIは直線的な計算だけでなく「曲がった境界線」を描けるようになり、複雑なデータの分類ができるようになります。
【問題2：回答】 C
【解説】 正解はCです。ReLU（Rectified Linear Unit）は、0以下の値を0として切り捨てるシンプルな構造です。これにより計算が非常に速くなり、さらに深い層まで効率よく学習が伝わるため、現在のディープラーニングの標準となっています。
【問題3：回答】 B
【解説】 正解はBです。ここが最大のひっかけポイントです！「層を増やせば賢くなる」と思われがちですが、活性化関数がない（＝線形な）場合、いくら層を重ねても、数式をまとめると結局は一つの大きな直線的な式になります。つまり、1層のシンプルなAIと能力が変わらないということになります。
9. Ankiアプリ用（CSV形式）
活性化関数を導入する最大の目的は何か？,非線形な表現を可能にし、複雑な問題を解けるようにするため
ReLU関数の最大の特徴とメリットは？,0以下を0とし0より大きければそのまま通す。計算が高速で勾配消失が起きにくい
シグモイド関数の出力範囲は？,0から1の間（確率として扱いやすい）
活性化関数を使わず線形計算のみを重ねたネットワークはどうなるか？,単層のネットワーク（線形関数）と同じになり、表現力が上がらない
現代のディープラーニングの中間層で主流となっている活性化関数は？,ReLU関数
📝 総評・まとめ
お疲れ様でした！今回は、AIに「柔軟な思考（曲がり角）」を与える活性化関数について学びました。
「ただ計算するだけ」から「フィルターを通して重要なものだけを通す」というステップを加えることで、AIは一気に知的な進化を遂げたわけですね。ReLUのようなシンプルな仕組みが、世界を変えるAIを支えていると思うと面白いですよね。
✅ 絶対に覚えて！
活性化関数 ＝ 「非線形」な表現を可能にして、複雑な問題を解けるようにするもの！
ReLU ＝ 現代の主流！計算が速く、深い層でも学習が止まりにくい！
シグモイド ＝ 出力を0〜1に収めるため、最後の「確率判定」によく使われる！
🚀 次回予告 活性化関数で「スイッチ」は入りましたが、AIは自分が正解したかどうかをどうやって判断しているのでしょうか？
【第67回】AIは予測のズレをどう評価する？損失関数とは
✅ この記事が役に立ったら「スキ」で応援してください！
あなたの応援が、次の解説を作るエネルギーになります！🚀
