AIが画像や文字を見分けられるのはなぜ？
本記事は、一般社団法人AI活用教育推進協会(GUGA)の、『生成AIパスポート試験シラバス』に準拠しながら
小学生～ビジネスパーソンまで理解できるよう執筆したAI教育記事です。
こんにちは、やなぎっツです！🧩
スマホのカメラって、顔を自動で認識するじゃないですか。あれも、どうやって「顔だ」ってわかってるんだろう？
実は人間の脳の仕組みをヒントに作られてるんです。
AIは写真を「見て」いるわけではなく、数字の集合からパターンを読み取っているんです。この仕組みを知ると、AIの本当の力が見えてきます。
これがわかると、AIがなぜあんなに画像や文字を正確に見分けられるのか、AIのニュースで「AIが誤認識した」とか「学習不足だ」って聞いたとき、「ああ、そういう仕組みだからそうなるのか」って、その奥にあるメカニズムが見えてくるようになりますよ。
AIが画像を「見る」ってどういう意味なの？
特徴量：画像を数字に変換する仕組み
AIが画像を見分けるとき、「この写真は…鼻がとがってるから犬だ」等と見た目や言葉で理解しているわけじゃないんです。
AIには目がありません。代わりに、画像の中にある「特徴」を数字に変換（置き換え）して覚えているんです。
具体的にはこんな感じです。
犬の顔の写真をAIに見せるとき、AIはこうやって処理しています。
まず、画像を碁盤のようなマス目に細かく分割していきます。そして、そのマス目ごとに番号（数字）を振っていくんです。
例えば犬の場合：
マス番号23のところ：「耳の端がある」
マス番号22のところ：「目がある」
マス番号20のところ：「鼻がある」
マス番号17~21のところ：「口がある」
猫の場合は：
マス番号○○のところ：「耳の端がある（犬より上にある）」
マス番号○○のところ：「目がある（犬より上向き）」
マス番号○○のところ：「鼻がある」
マス番号○○のところ：「口がある」
AIはこうやって、画像の中の「どのマス番号に何があるか」を数字で記録していくんです。
そして「マス○○に耳、マス○○に目、マス○○に鼻、マス○○に口」という組み合わせが出てきたら「犬だ」「猫だ」と判定しているわけです。
ちなみに、AIはこのマス番号の位置情報だけじゃなくて、その場所の「色の明るさ」や「色の濃さ」も一緒に数字で記録しています。
でも基本的な考え方は「画像全体を細かく分割して、そのマス目ごとに『何があるか』を数字で記録する」とシンプルなんです。
このように、AIが「マス目ごとの位置情報と、そこに何があるかを数字で変換したもの」のことを特徴量（とくちょうりょう）といいます。
正式名称は「Feature Quantity（フィーチャー クオンティティ）」です。 Feature（特徴）とQuantity（量）という2つの英語を組み合わせた言葉です。
人間の脳がAIのお手本？
ニューラルネットワーク：脳の神経細胞をまねた計算モデル
ここからが面白いところなんですが、AIが特徴量を学ぶ仕組みは人間の脳の神経細胞をヒントに作られているんです。
人間の脳の中には、ニューロンという神経細胞が約1000億個あります。
ニューロンって、脳の中にある小さな電球みたいなもので、シナプスはその電球同士をつなぐ電線みたいなものなんです。
「熱いものを触った！」という情報が入ってきたとき、電球から電球へ電線を通って信号が次々と伝わって、最終的に「手を引っ込めろ」という命令が出る。これが脳の仕組みです。
つまり、一つのニューロンが信号を受け取ると、他のニューロンに情報を渡す。この繰り返しで、複雑な思考が生まれるってわけなんです。
AIの世界では、この脳の仕組みを数学モデルで再現したものを使います。
AIはこの電球と電線のネットワークをコンピューターで再現したもので、これをニューラルネットワーク（神経回路網）といいます。
正式名称は「Neural Network（ニューラル ネットワーク）」です。Neural（神経の）とNetwork（網）という2つの英語を組み合わせた言葉です。
人工的なニューロンをたくさんつなげて、情報を伝え合う仕組みのことです。
層を重ねるとどうなるの？
ここからが重要です。ニューラルネットワークの層数を増やすと、何が起きると思いますか？
実は、層が浅いネットワーク（2～3層）では、単純な判定しかできません。
たとえば「耳がある＝犬」みたいな、ざっくりした判定です。
でも、層を重ねていくと、段階的により複雑な特徴を学習するようになるんです。
1層目では「縦線」「横線」といった単純な線を検出し、2層目では「耳の形」「目の形」を検出し、3層目では「顔全体の形」を検出する…という具合です。この段階的な学習を積み重ね、層が深くなるほど複雑な特徴を見つけられるようになるんです。
この「層をたくさん重ねたニューラルネットワーク」のことをDeep Learning（ディープ ラーニング）といいます。「ディープ」は「深い」という意味で、Deep（深い）とLearning（学習）という2つの英語を組み合わせた言葉です。
学習済みモデルを使うってどういうことなの？
学習済みモデル：学習が終わった状態のAI
学習済みモデルとは、学習が終わって「もう使えます」という状態になったAIのことです。
正式名称は「Trained Model（トレーニッド モデル）」です。
AIが画像を見分けるまでの流れはこうなります。
📍例題：犬と猫を見分けるAIができるまで
STEP１ 犬の写真100万枚・猫の写真100万枚を用意する
STEP２ ニューラルネットワークにその写真を全部見せて、特徴量を学ばせる
STEP３ 何度も何度も繰り返して、正確に見分けられるまで調整する
STEP４ 完成したAIが「学習済みモデル」
いったん学習済みモデルができれば、新しい写真を見せるだけで、すぐに「犬か猫か」を判定できます。毎回ゼロから学習する必要はなく、すでにできあがった「賢い脳」を再利用するってわけなんです。これが、AIが活躍する理由の一つでもあります。
スマホに入っている顔認識AIも、Googleの画像検索も、全部この学習済みモデルが動いているんですよ！
学習済みモデルを別の場面で使い回す
転移学習：一度学んだ学習済みモデルを、別の問題に応用させる
スマホの顔認識AIも、医療画像の診断AIも、実は同じニューラルネットワークの仕組みを使っています。
つまり、「犬と猫を見分けるために学んだニューラルネットワーク」を、 「別の物体（自動車と自転車）を見分ける場面」など、似たAIを作るときに使い回すことができるんです。
このように、「一度学んだ学習済みモデルを、別の問題に応用する」ことを転移学習といいます。
ゼロから学習し直さなくても、すでに「画像を見分けるコツ」を学んだモデルなら、 別の画像でもすぐに活用できるわけです。すごいですね！
大量の情報はどう処理されるの？
次元削減：情報を圧縮する仕組み
ここまで、AIが画像から「特徴量（数字）」を学ぶ話をしてきました。でも、実は画像全体を細かくマス目に分割すると、ものすごい数の数字が出てくるんです。
では、AIはそんなに多くの数字をそのまま処理しているのでしょうか？答えはノーです。
むしろ、ニューラルネットワークは学習の過程で、「本当に大事な特徴」だけを抽出して、数字の数を減らしていくんです。
たとえば、1つの写真を1000個のマス目に分割したら、1000個の数字が生まれます。100万枚の写真を学習させたら、100万 × 1000 = 10億個の数字を処理しなきゃいけないんですよ。
そんなに多くの数字を全部処理するのは、時間がかかるし大変です。
だから、ニューラルネットワークの「層」は、こんなことをしているんです。
イメージとしては、写真を徐々にぼかしていく感じです。最初は細部が見えていますが、ぼかすたびに、本当に大事な「輪郭」だけが残っていくような感じです。
最初の層：「1000個の細かい数字」を受け取る
次の層：「本当に大事な特徴だけを選んで、100個に減らす」
さらに次の層：「その100個から、もっと大事な情報だけを選んで、10個に減らす」
最後の層：「その10個の数字から、『犬か猫か』を判定する」
人間で例えるなら、「100個の質問の答え」をもらったとき、「その中から、本当に大事な3つのポイント」だけをメモして、あとは忘れちゃう、という感じに近いです。
この「たくさんの情報を、もっと少ない情報に圧縮していく」という処理のことを、次元削減といいます。
正式名称は「Dimensionality Reduction（ディメンショナリティ リダクション）」です
AIも同じで、「全ての細かい情報は覚えていられないから、大事なことだけをピックアップして、シンプルにしていく」という工夫をしているんですよ。
まとめ
① 特徴量：AIが画像を見分けるときに注目する「特徴」を数字に変換したもの。
② ニューラルネットワーク：人間の脳のニューロン・シナプスをヒントに作られた、AIの情報処理の仕組み。
③ ディープラーニング：ニューラルネットワークの層をたくさん重ねることで、複雑な特徴まで認識できるようになった仕組み。
④ 学習済みモデル：学習が終わって使える状態になったAI。使い回しができる。
⑤ 転移学習：一度学んだ学習済みモデルを、別の問題に応用させること。
⑥ 次元削減：大量の情報を、もっと少ない情報に圧縮していく処理。
この仕組みがわかると、「なんでAIってこんなに画像を正確に見分けられるんだろう？」という疑問がすっきり解決すると思います。
ここまで、AIが画像を見分ける「仕組み」を学びました。
しかしこんなに優秀なAIでも、時には失敗することがあります。
大量のデータで学習しすぎて、かえって判定が下手になってしまう現象があるんです。
次は、AIが「学びすぎて失敗する」という、ちょっと意外な落とし穴を見ていきます。
次も一緒に学んでいきましょう🧩
