Session 01 · AI Basics

AIってそもそも
何者？

なぜAIはそんなに賢いのか — 仕組みから理解する

知識ゼロから始める AI入門

今日の5テーマ

この回を終えると「AIが何をしているか」が腑に落ちる

AIの歴史 — なぜ今なのか

70年の試行錯誤と2020年代の爆発的進化

LLMの仕組み — 確率とトークン

テキストが数字になり、確率で「次の言葉」を選ぶ

ハルシネーション — なぜ嘘をつくのか

3つのメカニズムと実例・対策

Temperature — 答えが変わる理由

「ランダム性」のパラメータを理解する

ChatGPT / Claude / Gemini の違い

3大モデルを比較して使い分けを学ぶ

AIの70年史①：夢と挫折の繰り返し

1950年代から2010年代——「冬の時代」を2回経た長い旅

AIの70年史②：2017〜2025 爆発期

Transformerの発明から始まった「LLM革命」

2017

Transformer 誕生

「Attention Is All You Need」Google論文。これが全ての基盤。

2020

GPT-3 登場

1750億パラメータ。「文章を書くAI」の衝撃。研究者が震撼。

2022.11

ChatGPT 公開

5日で100万人。2ヶ月で1億ユーザー。史上最速普及。

2023

GPT-4 / Claude 2

司法試験トップ10%合格水準。マルチモーダル対応。

2024

GPT-4o / Claude 3.5

リアルタイム音声対話。コーディング能力が劇的向上。

2025

Claude 4 / o3

AIエージェント時代。自律的なタスク実行が現実に。

なぜ「今」なのか：3つの収束

計算力・データ・アルゴリズムが2020年代に揃った

3つが同時に揃ったのは人類史上初めて

⚡

計算力

GPU/TPUの進化でAI用途の計算コストが過去10年で1,000分の1に低下。大規模な学習が現実的なコストで可能に

📊

データ

Web上のテキストデータが爆増。2020年時点で4.4兆GB超。これを学習データとして活用できる環境が整った

🧠

アルゴリズム

Transformerによるアーキテクチャの革新とRLHFによる人間フィードバック学習。「賢く・安全に」する方法が確立

LLMとは何か

Large Language Model — 大規模言語モデルの正体

「次のトークンを予測する」マシンに過ぎない

本質を一言で

AIは「思考」も「理解」もしていない。膨大なテキストから統計的なパターンを学び、「次に来やすい言葉」を確率で選んでいるだけ

それなのに賢い理由

Web上の人類の知識の大部分を「次の言葉の確率」として圧縮・記憶している。その圧縮精度が異常に高いため、賢く見える

トークン — テキストが数字になる

AIはテキストをそのまま処理しない。まず「トークン」に分割する

例：「東京は日本の首都です」→ トークン分割

東京は日本の首都です

→ 数値ID: [20929, 1180, 30661, 380, 39591, 2053] として処理

日本語は非効率

英語は1単語≈1トークン。日本語は1文字〜2文字が1トークンになることが多く、同じ内容でも約3倍のトークン数を消費

料金の単位

APIの課金はトークン数で決まる。Claude Sonnetは入力1Mトークン≈$3。長い会話ほど高コスト

コンテキスト上限

AIが一度に「覚えられる」量の上限。Claude 3.5は200,000トークン≈本1冊分を一気に処理できる

Transformerとは — 「注意」する機構

2017年のGoogle論文「Attention Is All You Need」が現代AIの基盤

東京の人口は…」東京の天気は晴れです東京の人口は Attention 0.92 0.05 「東京」に最注目文脈から関連語を重み付け → 「東京＝大都市」の文脈を正確に捉えて次の語を生成

Attentionの革命

従来のRNNは文章を「順番に」処理。Transformerは全ての単語の関係を「同時に」計算。並列処理が可能になり大規模化が実現

なぜ文脈を理解できるか

「東京の天気…東京の人口」という文で2つ目の「東京」が何を指すか、Attentionスコアで正確に特定できる

スケールの効果

パラメータ数が増えるほど、より複雑な関係パターンを記憶できる。GPT-3は1750億、最新は数兆規模

スケーリング則：大きいほど賢い

パラメータ数・学習データ・計算量を増やすほど能力が伸びる法則

なぜこれが重要か

「もっと大きく」「もっと多くのデータで」という方向が正しいと数学的に証明。これがLLM開発競争の根拠

「創発」という現象

一定規模を超えると突然「推論・多言語・コード生成」などが出現。これは設計されたものでなく自然発生

限界もある

大きくするだけでは解決しない問題も。「正確性」「最新情報」「推論の整合性」は別のアプローチが必要

RLHF — AIを「人間らしく」する技術

Reinforcement Learning from Human Feedback：人間のフィードバックで強化学習

なぜ必要か

プレトレーニングだけだと「確率的に正しい」が「役に立つ」ではない。人間の価値観にアラインする必要がある

ChatGPTの差別化点

GPT-3にRLHFを適用したのがChatGPT。「会話らしく」「有用に」「安全に」という3要件をRLHFで実現

Temperature — 答えが変わる理由

「ランダム性」のパラメータ。0〜1（または2）の数値で制御する

なぜ毎回答えが違うのか

AIは確率分布からサンプリングしている。Temperatureがゼロでなければ、同じ質問でも毎回違う「くじ引き」をしている状態

実用的な使い方

事実確認・コード生成 → 低く設定。アイデア出し・物語 → 高く設定。ChatGPTの「デフォルト」は約0.7

ハルシネーション — なぜAIは嘘をつくのか

作り話を自信満々に語る理由は構造的な問題

AIは「正確かどうか」より「それっぽいか」を優先する

Mechanism 1

確率的な補完

「それっぽい続き」を確率で選ぶため、事実確認プロセスがない。「東京の人口は1600万人」が統計的に自然なら生成してしまう

Mechanism 2

知識の混濁

学習データ中の複数の情報が混ざる。「A社のCEO」を聞いたとき、似た文脈のB社やC社の情報が混入して誤答を生む

Mechanism 3

カットオフ後の情報

学習データには期限がある。2024年以降の情報を聞かれると、古い情報や「それっぽい推測」で答えてしまう

ハルシネーションの実例4パターン

「知っているふり」をするケースを把握しておく

Pattern A · 架空の引用

存在しない論文・書籍を引用

「Smith et al. (2019)によると…」と自信を持って答えるが、その論文は存在しない。著者名・雑誌名・DOIまで作る

対策：学術引用は必ず原文を確認。AIに「論文を探して」ではなく「テーマを説明して」と聞く

Pattern B · 数値の偽造

統計データを自然に作り出す

「日本の〇〇の市場規模は2023年に約3.4兆円」などの数値を自信たっぷりに生成する。ソースなし

対策：数値は必ず公的機関・一次情報で確認。「出典を教えて」と追加で聞く

Pattern C · 人物情報の混濁

経歴・発言を間違える

著名人の経歴を混在させる。「〇〇氏は△△大学出身で…」という紹介に他の人物の情報が混入

対策：人物情報はWikipedia・公式プロフィールで確認。AIの経歴説明を鵜呑みにしない

Pattern D · 法律・規制の誤り

古い・不正確な法的情報

法改正後の正確な条文を答えられない。「〇〇は違法です」という断言が不正確なことがある

対策：法律・税務・医療情報は専門家へ。AIは「概要理解」の補助に限定する

コンテキストウィンドウ — AIの「作業記憶」

一度に処理できるトークン数の上限。これを超えると「忘れる」

長い会話で「忘れる」理由

コンテキストが上限を超えると古い会話から削除される。「さっき言ったこと」が消えてしまう現象はこれが原因

モデル別コンテキスト比較

ChatGPT GPT-4o：128K
Claude 3.5 Sonnet：200K
Gemini 1.5 Pro：1M（100万）

実践Tips

長いドキュメントをそのまま貼れる。PDF・コードも可。新しいタスクは新しいチャットから始めるのが効率的

ChatGPT / Claude / Gemini — 3大モデル比較

それぞれの強みと使い分けを理解する

ChatGPT

OpenAI

Claude

Anthropic

Gemini

Google

コーディング

★★★★★

★★★★☆

長文理解

★★★★☆

★★★★★

日本語品質

★★★★☆

★★★★★

★★★★☆

最新情報

★★★★☆

★★★☆☆

★★★★★

無料枠

GPT-3.5無料

Claude 3 無料

Gemini無料

企業のAI活用：業種別浸透度

2025年現在、どの業種がどれだけAIを使っているか

日本の特殊事情

米国・中国に比べて全業種で5〜15%低い。セキュリティ懸念・ガイドライン不足・リスク回避文化が主な理由

使われている用途TOP3

① 文書作成・メール補助（79%）
② データ分析・レポート（61%）
③ コード生成・レビュー（48%）

AIが「できること」と「まだ難しいこと」

過大評価も過小評価もせず、正確に把握する

✓ AIが得意なこと

→大量テキストの要約・分類・翻訳

→コード生成・デバッグ・リファクタリング

→アイデアのブレスト・構造化

→文章の校正・スタイル調整

→パターン認識・異常検知（大量データ）

→24時間対応のカスタマーサポート

→複数言語での同時対応

✗ まだ難しいこと

→リアルタイムの最新情報の取得（Web検索なし）

→長期記憶（会話をまたいだ文脈保持）

→物理世界との直接インタラクション

→因果推論の確実性（相関は見えるが因果は難しい）

→完全な数値計算精度（複雑な算術は誤る）

→独自の創造（ゼロから革新的アイデアを生む）

→責任の引き受け・倫理的な最終判断

AIを使う際の3つのリスク

リスクを知って、賢く使う。無知が最大のリスク

著作権・知的財産

AIが生成したコンテンツが既存著作物に類似する可能性。学習データの著作権問題も未解決

対策：生成物の二次利用は確認。商用利用の場合は特に慎重に。AIの説明した「事実」は独自に確認

個人情報・機密情報

AIへの入力は学習に使われる可能性がある（サービスによる）。顧客情報・社外秘情報を貼り付けると情報漏洩リスク

対策：機密情報は匿名化・抽象化してから入力。API利用またはプライベートモードを活用

依存・スキル退化

AIに頼りすぎると、自分で考える・書く・判断するスキルが低下する。批判的思考力の退化が最大の長期リスク

対策：AIの出力を検証する習慣を持つ。「なぜその答えか」を問い続ける。補助として使い、思考を委ねない

🔬 Workshop — 同じ質問を3つのAIに投げる

自分の目で違いを確認する（30分）

質問A — 事実確認型

「日本の2024年のGDPは何位ですか？」

→ 正確性・情報の新鮮さ・引用の有無を比較

質問B — 文章生成型

「新入社員への歓迎メールを書いてください」

→ 文体・長さ・丁寧さ・独自性を比較

質問C — 推論型

「ペットボトルのリサイクル率を上げるには？」

→ 思考の深さ・構造・独自性を比較

質問D — 自分の課題

「自分が今抱えているビジネス課題を入力」

→ 最も役に立ったのはどれか

📝 記録シート：各AIの回答に点数（1-5）をつけ、「どこが違うか・なぜ違うか」を書く

そもそも「AI」は1つじゃない — 3つの分類

識別・予測・生成。ニュースで「AI」と呼ばれるものを切り分ける

Type 01

識別するAI

画像・音声・文章を「分類」する。猫か犬か、スパムか否か、ポジティブかネガティブか。最も実用化が進んだ領域

例：顔認証・不良品検知・迷惑メール判定

Type 02

予測するAI

過去のデータから「次」を当てる。需要予測・株価・故障予知。数値・時系列を扱う伝統的な機械学習の主戦場

例：売上予測・与信スコア・離反予測

Type 03 ← 本講座

生成するAI

文章・画像・音声・コードを「作り出す」。ChatGPTやClaudeはここ。2022年以降に爆発的に普及した最新領域

例：文章作成・画像生成・コード生成

機械学習の「3つの学び方」

AIはどうやって賢くなるのか — 学習の種類を知る

① 教師あり学習

Supervised

「問題」と「正解」のペアを大量に与えて学ぶ。猫の写真に「猫」というラベルを付けて教える。最も一般的

スパム判定・画像分類・翻訳

② 教師なし学習

Unsupervised

正解を与えず、データの中の「構造・かたまり」を自分で見つける。似た顧客のグループ分けなど

顧客セグメント・異常検知

③ 強化学習

Reinforcement

「報酬」を最大化する行動を試行錯誤で学ぶ。ゲームAIやロボット制御。ChatGPTのRLHFもこの一種

囲碁AlphaGo・RLHF

ニューラルネットワーク — 脳を真似た計算

「ニューロン」を層状に繋ぎ、数字を変換していく仕組み

ニューロン＝単純な計算器

入ってきた数字に「重み」を掛けて足し、変換して次へ渡す。1個1個は単純だが、何億個も繋がると複雑な判断ができる

「学習」とは重みの調整

答えを間違えるたびに、線の重みを少しずつ修正する。これを何兆回も繰り返して「正解に近づく」

ディープラーニングの「ディープ」とは

層が「深い」から深層学習。深さが表現力を生む

層を重ねるほど抽象的な概念を捉えられる

浅い層

点・線・色

最も基本的な特徴を検出

中間層

目・鼻・耳

パーツを組み合わせる

深い層

顔・物体

意味のある対象を認識

出力

「猫です」

最終的な判断

「学習」と「推論」— AIの2つのフェーズ

作るときと使うとき。コストも時間もまったく違う

Training / 学習

AIを「作る」工程

膨大なデータで重みを調整する。GPT-4クラスで数ヶ月・数十億円・数千枚のGPUが必要。一度きりの大工事

⏱ 期間：数週間〜数ヶ月

💰 コスト：数億〜数百億円

🏭 担い手：OpenAI / Google等

Inference / 推論

AIを「使う」工程

完成したAIに質問して答えを得る。私たちが毎日ChatGPTを使うのはこれ。1回あたり数円〜数十円

⏱ 時間：数秒

💰 コスト：1回数円〜

🙋 担い手：私たちユーザー

埋め込み（Embedding）— 言葉を「座標」にする

AIは意味を「ベクトル（数字の並び）」として扱う

意味が「近さ」になる

似た意味の言葉は近い座標に配置される。「犬」と「猫」は近く、「犬」と「自動車」は遠い。意味を数学で扱える

検索・推薦の基盤

この仕組みが意味検索・レコメンド・RAG（後述）を支える。AIが「言葉の意味を理解しているように見える」核心

事前学習（Pre-training）— 世界の知識を詰め込む

インターネット規模のテキストを「穴埋め問題」で学ぶ

学習方法：次の単語を当てる「穴埋め」を延々と繰り返す

「吾輩は猫である ← これを当てられるよう重みを調整

データ規模

Webページ・書籍・論文・コードなど数兆トークン。人類の知識の大部分

なぜ賢くなるか

「次の語」を当てるには文法・事実・論理を暗黙に学ぶ必要がある。結果として知識が宿る

カットオフ

学習データには締切日がある。それ以降の出来事は「知らない」状態になる

ファインチューニング — 専門家に育てる

汎用モデルを、特定の用途・口調・知識に「微調整」する

汎用 → 専門

「何でも屋」のベースモデルに、自社の問い合わせ履歴や専門文書を追加学習させ、特定分野に強くする

プロンプトとの違い

プロンプトは「その場の指示」、ファインチューニングは「体質を変える」。後者はコストと専門知識が必要

使いどころ

独自の文体での大量生成、専門用語の多い業界、決まったフォーマットの厳守などで効果が出る

まず試すべきは

多くの課題はプロンプト工夫やRAGで解決できる。ファインチューニングは「最後の手段」と考えてよい

マルチモーダルAI — 文字だけじゃない

画像・音声・動画も「理解」し「生成」する時代へ

📝

テキスト

文章の理解・生成・翻訳・要約

🖼

画像

写真の説明・図表の読み取り・生成

🎤

音声

文字起こし・リアルタイム会話

🎬

動画

内容理解・テキストから動画生成

画像生成AIの仕組み — 「ノイズ除去」で描く

拡散モデル（Diffusion）：砂嵐から徐々に絵を浮かび上がらせる

代表サービス

Midjourney・DALL·E・Stable Diffusion・Adobe Firefly。文章（プロンプト）で画像を指示する

ビジネス活用

広告バナー・商品モック・SNS素材・プレゼン挿絵。制作コストを劇的に圧縮できる

AIエージェント — 「自分で動く」AI

指示を受けて、計画し、ツールを使い、自律的にタスクを完了する

「答える」から「やり遂げる」へ

従来のチャット

「〜について教えて」→ 答えを返す。実行は人間がやる。一問一答で完結

AIエージェント

「競合を調べて比較表を作り、メールで送って」→ ①計画 ②Web検索 ③表作成 ④メール送信 を自分で順に実行。人は承認だけ

RAG — AIに「カンニングペーパー」を渡す

検索拡張生成：社内文書や最新情報を参照させて答えさせる

ハルシネーション対策

「知っているふり」を防ぐ。実際の文書を根拠にするので、出典付きで正確に答えられる

社内AIの定番

社内マニュアル・規定・FAQをRAGで参照させる「社内チャットボット」が今いちばん普及している活用法

推論モデル — 「考えてから答える」AI

o1・o3・Claude thinking：答える前に内部で熟考する

従来モデル

即答型

質問されたら瞬時に答える。簡単な質問は速くて良いが、複雑な数学・論理・多段階の問題で間違えやすい

推論モデル

熟考型

答える前に「下書き思考」を何手も展開し、検証してから回答。数学・コーディング・複雑な戦略立案で精度が大幅向上。その分時間とコストはかかる

オープン vs クローズド — 2つの陣営

「公開モデル」と「非公開モデル」、どちらを使うか

Closed / 非公開

ChatGPT・Claude・Gemini

中身は非公開。APIやアプリ経由で使う。最高性能。手軽だがデータを外部に送る

○ 最高品質・運用不要　△ 月額/従量課金

Open / 公開

Llama・Mistral・Gemma・DeepSeek

モデルが公開され、自社サーバーで動かせる。データを外に出さずに済む。運用には技術力が必要

○ データ秘匿・カスタム自由　△ 自前運用が必要

AIを支える「お金」と「GPU」

なぜAIはこんなに話題で、なぜNVIDIAが世界一になったのか

GPU

AI計算の心臓

大量の並列計算が得意。元はゲーム用の画像処理チップがAIの主役になった

$3T

NVIDIA時価総額

AI需要でGPU独占企業が世界最大級に。「ツルハシを売る」立場

電力

巨大な消費

データセンターの電力・水・環境負荷が新たな社会課題に

AIバイアス — 「学習データの偏り」が映る

AIは社会の偏見をそのまま、時に増幅して学んでしまう

なぜ起きるか

学習データ（＝過去の人間社会）に偏りがあれば、AIもそれを学ぶ。「医者＝男性」のような固定観念を再生産しうる

実害の例

採用選考・与信審査・顔認識で特定の属性に不利な判定をした事例が報告されている

使う側の心得

AIの判断を「中立で客観的」と信じ込まない。重要な意思決定は人間が最終確認する

対策の方向

学習データの多様化・出力の監査・人間によるレビュー。「公平性」はAI開発の最重要テーマの一つ

入力したデータはどこへ行く？

「学習に使われる/使われない」の境界を理解する

無料の個人版

入力が学習に使われる場合がある（設定でオフにできるサービスも）。機密情報の入力は避けるのが安全

法人/Team/Enterprise

多くは「入力を学習に使わない」と規約で明記。業務利用はこちらを契約するのが原則

API利用

原則学習に使われない。自社システムに組み込む場合の基本。利用規約は必ず確認する

世界のAIルール作り

「自由に使う」から「責任を持って使う」フェーズへ

EU AI Act

世界初の包括的AI規制。リスクに応じて4段階で規制。「許されない用途」を明確に禁止

日本

ガイドライン中心

厳格な規制より「イノベーション促進」を重視。事業者向けガイドラインで運用

米国

大統領令＋州法

連邦の方針と、カリフォルニア等の州独自ルールが並走。流動的に変化中

生成AIと著作権 — 3つの論点

まだ世界中で議論中。だからこそ「慎重さ」が武器になる

学習データの著作権

既存の著作物で学習することの是非。各国で訴訟・立法が進行中

生成物の権利

AIが作ったものに著作権は認められるか。「人間の創作的寄与」が鍵

類似・侵害

既存作品に酷似した生成物のリスク。商用利用前にチェックを

ディープフェイクと偽情報

「見たもの・聞いたもの」を信じられない時代の守り方

リスク

本人そっくりの偽動画・偽音声で詐欺やなりすまし。経営者の声を真似た「振り込め詐欺」も発生

守り方

「動画＝証拠」と思わない。重要な指示は別経路で本人確認。社内に合言葉・確認ルールを設ける

AGI（汎用人工知能）とは何か

「特化型」から「何でもできるAI」へ — どこまで本当か

現在のAI＝特化型

特定タスクは得意でも、人間のように「あらゆる課題に柔軟に対応」はまだできない

AGI＝人間並みの汎用性

人間ができる知的作業を全般的にこなすAI。実現時期は「数年」〜「数十年」まで専門家の見解が割れる

過熱に注意

「もうすぐAGI」という宣伝は投資を集めるための面もある。冷静に距離を取って情報を読む

私たちの構え

来るか分からない未来より、「今使える道具」を使いこなす方がはるかに価値がある

AIは仕事を奪うのか

「奪われる」ではなく「変わる」。歴史が示すパターン

なくなる作業

定型的なデータ入力・単純な文章作成・一次対応など「ルール化できる作業」から置き換わる

価値が上がる

対人の信頼・最終判断・創造の方向付け・AIを使いこなす力。「AIに指示する側」の価値が高まる

結論

「AIに置き換わる人」ではなく「AIを使う人に置き換わる」。本講座のゴールはまさにここ

AIへの「5つのよくある誤解」

この誤解を解くだけで、AIとの付き合い方が変わる

❌「AIは何でも知っている」

✓ 学習データの締切後は知らない。確率で「それっぽく」答えるだけ

❌「AIの答えは正しい」

✓ 自信満々に間違える（ハルシネーション）。検証は必須

❌「AIは考えている」

✓ 思考はしていない。次の単語を確率で選んでいるだけ

❌「AIは人間を超えた」

✓ 特定タスクは超えたが、汎用的な判断・責任は人間のもの

❌「専門家しか使えない」

✓ 日本語で話しかけるだけ。今日から誰でも使える

AIを作った人たち

名前を知っておくと、ニュースの解像度が上がる

アラン・チューリング

「機械は考えられるか」を問うた計算機科学の父。チューリングテストの提唱者

ジェフリー・ヒントン

「深層学習の父」。2024年ノーベル物理学賞。AIリスクの警鐘も鳴らす

サム・アルトマン

OpenAI CEO。ChatGPTを世に送り出し、AIブームの象徴的存在

ダリオ・アモデイ

Anthropic CEO。「安全なAI」を掲げClaudeを開発

AI用語ミニ辞典 ①

ニュースや会議で出てくる言葉を、一言で押さえる

LLM　大規模言語モデル。ChatGPTなどの本体

トークン　AIが扱う文字のかたまり。課金単位

プロンプト　AIへの指示文。次回のメインテーマ

ハルシネーション　もっともらしい嘘

Temperature　答えのランダム性の強さ

コンテキスト　一度に扱える情報量（作業記憶）

パラメータ　AIの「重み」の総数。規模の指標

マルチモーダル　文字＋画像＋音声を扱う

AI用語ミニ辞典 ②

一歩進んだ言葉。知っていると会話で差がつく

RAG　文書を参照して答える仕組み

エージェント　自律的にタスクをこなすAI

ファインチューニング　追加学習で専門化

RLHF　人間の評価で行儀を整える

埋め込み　意味を座標（数値）にする

推論モデル　考えてから答えるAI

API　システムからAIを呼ぶ窓口

オープンモデル　自社で動かせる公開AI

もう身の回りにあるAI

気づかないうちに、私たちは毎日AIを使っている

📱 スマホ

顔認証・予測変換・写真の自動分類・音声アシスタント

🛒 買い物

ECのおすすめ商品・動画配信のレコメンド・価格最適化

🗺 移動

地図の最短ルート・配車アプリ・渋滞予測

💳 金融

不正利用の検知・与信審査・株の自動取引

📧 仕事

メールの迷惑判定・自動返信案・議事録の文字起こし

🏥 医療

画像診断の補助・創薬・問診の整理

AIが「うっかり間違える」典型

クセを知れば、どこを疑えばいいか分かる

単純な計算・桁数

大きな数の掛け算や桁の数え間違いをする。重要な計算は電卓・表計算で検算する

AIってそもそも何者？

AIってそもそも
何者？