【第65回】AIはなぜ複雑な問題も解ける？MLP（多層パーセプトロン）とは
前回の「パーセプトロン」で、AIが Yes/No を判断するシンプルな仕組みを学びましたね。でも、現実の世界にある問題は「直線一本でスパッと分けられる」ほど単純ではありません。そこで登場するのが、今回の主役「MLP（多層パーセプトロン）」です。AIがどうやって「複雑な思考」を手に入れたのか、その秘密を解き明かしましょう！
1. 読み方
MLP（多層パーセプトロン）＝ マルチレイヤー・パーセプトロン （Multi-Layerは「多層」、つまり「層が重なっている」という意味です）
2. 意味（定義）
MLPをひとことでいうと、「パーセプトロンという小さな判断スイッチを、何層にも積み重ねてネットワーク状に繋げたもの」です。
これを、会社の「承認ルート」に例えてみましょう。
【単純パーセプトロンの場合】 社員が社長に直接、「この企画、通しますか？」と聞く状態です。社長一人の判断（直線的な基準）で決まるため、複雑な事情を考慮するのが難しいです。
【MLP（多層パーセプトロン）の場合】 間に「課長」や「部長」という中間層（隠れ層）が入ります。
入力層（社員）： 生のデータ（企画書）を提出する。
中間層（課長・部長）： 「予算は大丈夫か？」「スケジュールは現実的か？」など、バラバラな視点から情報を整理・分析して、上の人に伝える。
出力層（社長）： 部長たちがまとめてくれた「分析結果」を見て、最終的な Yes/ No を決める。
このように、間に「情報を整理する担当者（中間層）」が入ることで、単純な Yes/No では判断できない「複雑な条件」を処理できるようになるのです。
3. 歴史・背景
前回の記事で、単純なパーセプトロンには「XOR問題（排他的論理和）」という、直線一本では絶対に解けない宿題があるとお話ししました。これにより、AI研究は一度「冬の時代」に入ってしまいます。
しかし、研究者たちは諦めませんでした。「直線一本でダメなら、直線を何本も組み合わせて、曲がった境界線を作ればいいじゃないか！」と考えついたのです。これが「多層化」というアイデアです。
ただ、層を増やしただけではある大きな壁にぶつかりました。「一番最後の社長（出力層）が間違えたとき、途中の課長や部長（中間層）はどの程度正しかったのか、どの程度間違えたのかが分からない」という問題です。
これを解決したのが、「誤差逆伝播法（バックプロパゲーション）」という画期的な学習方法です。ゴール（正解）から逆方向に「あなたはココを直して！」「あなたはココをもっと重視して！」と修正指示を出すことで、深い層まで正しく学習させることが可能になりました。これにより、AIはついに複雑な問題を解けるようになり、第2次AIブームへと突き進んだのです。
4. 比較・対比（「単純パーセプトロン」と「MLP」の違い）
似ていますが、できることは天と地ほどの差があります。
【単純パーセプトロン】
構造： 入力層 → 出力層（2層だけ）
得意なこと： 直線一本で分けられる簡単な分類（線形分離可能）
限界： XOR問題のような、「複雑な条件（曲線的な境界線）」が必要な問題は解けない
【MLP（多層パーセプトロン）】
構造： 入力層 → 中間層（1層以上） → 出力層（3層以上）
得意なこと： 複雑な条件の分類（非線形分離可能）
強み： 中間層が「データの重要な特徴」を自動的に抽出してくれるため、人間がルールを教えなくても複雑なパターンを見つけ出せる
5. 活用シーン（実社会のどこで、どんな問題に使うか）
MLPの考え方は、現代のあらゆるAIの基礎になっています。
① 手書き文字の認識 例えば「数字の 8」を認識する場合。
1つ目の中間層： 「短い線があるか？」「丸い部分があるか？」という単純なパーツを検出。
2つ目の中間層： 「丸が上下に2つ重なっているか？」という組み合わせを検出。
出力層： 「これは 8 だ！」と判定。 このように、層を重ねることで「単純な点」から「複雑な形」へと理解を深めています。
② 信用審査や不正検知 「年収が高いか」だけでなく、「過去の支払い履歴」や「今の職業」「居住年数」など、たくさんの条件を複雑に組み合わせて、「この人はローンを貸しても大丈夫か（Yes/No）」を判断する際に使われています。
6. G検定での出題傾向
MLPに関しては、以下のキーワードがセットで問われることが多いです。
中間層（隠れ層）： 入力と出力の間にある層のこと。ここがあるからこそ複雑な問題が解ける、という点が重要です。
非線形分離： 直線ではなく、曲がった境界線でデータを分けること。MLPの最大の特徴です。
誤差逆伝播法： 出力層で出た間違いを、後ろから前に向かって伝えて重みを更新する学習アルゴリズムのこと。セットで出題されます。
7. G検定の例題
【問題1：最頻出（基礎的な定義）】
多層パーセプトロン（MLP）において、入力層と出力層の間に配置され、データの特徴を抽出する役割を持つ層を何と呼ぶか？
A. バイアス層
B. 中間層（隠れ層）
C. 重み層
D. 活性化層
【問題2：頻出（特徴に関する問題）】
単純パーセプトロンでは解決できず、多層パーセプトロン（MLP）によって解決が可能となった問題はどれか？
A. 線形回帰問題
B. K-means法
C. XOR問題（排他的論理和）
D. 過学習問題
【問題3：ひっかけ（学習方法に関する問題）】
MLPにおいて、出力層で生じた誤差を逆方向に伝播させ、各層の重みを効率的に更新する手法はどれか？
A. 勾配降下法（のみ）
B. 誤差逆伝播法（バックプロパゲーション）
C. 正則化
D. 決定木アルゴリズム
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。入力と出力の間に挟まっているため「中間層」、外からは何をしているか見えないため「隠れ層（Hidden Layer）」と呼ばれます。この中間層があるおかげで、AIは複雑な判断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。単純パーセプトロンは「直線」でしか分けられないため、XOR問題のような「直線で分けられないデータ」に太刀打ちできませんでした。層を重ねて「曲がった境界線」を作れるようになったMLPこそが、この問題を解決した救世主です。
【問題3：回答】 B
【解説】 正解はBです。層が深くなると、どの重みをどう直せばいいか分からなくなります。そこで、答えから逆向きに（バック）誤差を伝えていく「誤差逆伝播法」が発明されました。 Aの勾配降下法は「重みを更新する仕組み」そのものであり、それを多層ネットワークで実現するための「ルート（道筋）」が誤差逆伝播法である、と考えると分かりやすいです。
9. Ankiアプリ用（CSV形式）
MLP（多層パーセプトロン）の「多層」とは、具体的にどの層が増えたことを指すか？,中間層（隠れ層）
単純パーセプトロンでは解けず、MLPで解けるようになった問題は？,XOR問題（排他的論理和）
MLPにおいて、出力層の誤差を逆向きに伝えて重みを更新する手法は？,誤差逆伝播法（バックプロパゲーション）
MLPが単純パーセプトロンより優れている点は、どのような境界線を引けることか？,非線形（曲がった）境界線
MLPの中間層が果たす主な役割は何か？,データから重要な特徴を抽出すること
📝 総評・まとめ
お疲れ様でした！「単なるスイッチ」だったパーセプトロンが、チーム（多層）を組んで「複雑な思考」を手に入れるまでのストーリー、理解していただけたでしょうか。
「層を重ねる」というシンプルなアイデアが、今のChatGPTなどの超高性能AIに繋がっていると思うとワクワクしますね。さて、層を重ねるだけでは実は不十分な点があるんです…。それを解決する「魔法のスパイス」について、次回お話しします！
✅ 絶対に覚えて！
MLP ＝ 中間層（隠れ層）を持つことで複雑な問題が解ける！
XOR問題 ＝ MLPによって解決された歴史的ポイント！
誤差逆伝播法 ＝ 後ろから前に向かって間違いを修正する学習法！
🚀 次回予告 層を重ねても、実はそのままでは「直線的な計算」の繰り返しに過ぎません。AIに本当の「柔軟さ」を与えるスイッチ、それが「活性化関数」です！
【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
✅ 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！🚀
