みんながうなずくAI用語：実用的な用語集

BitcoinWorld

みんなが頷くAI用語：実践的な用語集

人工知能は産業を再構築しつつありますが、同時に膨大な新語彙を生み出し、熟練のエンジニアでさえ追いつくのに苦労することがあります。LLM、RAG、RLHF、拡散（diffusion）といった用語は、見出し、製品発表、重役会議で頻繁に登場しますが、その正確な意味はしばしば不明瞭なままです。この用語集は編集チームが定期的に厳選・更新しており、最も重要なAI用語について明確かつ事実に基づく定義を提供することを目的としています。テクノロジーの進化とともに更新され続ける、生きたリファレンスとして設計されています。

AIの基本概念：AGIから推論まで

AGI（汎用人工知能）は、この分野で最も議論されている用語の一つです。定義はさまざまですが、一般的には幅広いタスクにおいて人間の能力に匹敵または超越するAIシステムを指します。OpenAIの憲章では「経済的価値の高い大半の作業において人間を上回る高度自律型システム」と定義し、Google DeepMindは「大半の認知タスクにおいて少なくとも人間と同等の能力を持つAI」と定義しています。統一された定義が存在しないことは、この概念が主要研究者の間でさえ、いかに投機的かつ理想主義的であるかを示しています。

推論（Inference）とは、学習済みAIモデルを実行して予測や出力を生成するプロセスです。これは、モデルがデータからパターンを学習する計算集約的なフェーズである学習（トレーニング）とは区別されます。推論はスマートフォンのプロセッサからクラウドベースのGPUクラスターまで幅広いハードウェアで実行できますが、推論の速度とコストはモデルのサイズやインフラによって大きく異なります。

トークン（Tokens）は、人間と大規模言語モデル（LLM）の間のコミュニケーションの基本単位です。モデルが処理するテキストの離散的な塊（多くの場合、単語の一部）を表します。トークン化は自然言語とAIシステムが実行する数値演算の橋渡しをします。エンタープライズ環境では、ほとんどのAI企業がトークン単位で課金するため、トークン数がコストを決定します。

AIモデルの学習と改善

学習（Training）は、機械学習モデルに大量のデータを供給し、パターンを識別して出力を改善させるプロセスです。このプロセスはコストがかかりリソースを大量に消費し、専用ハードウェアと大規模データセットを必要とします。ファインチューニング（Fine-tuning）は、事前学習済みモデルをより狭い、タスク固有のデータセットでさらに学習させ、企業がゼロから始めることなく汎用モデルを専門的なアプリケーションに適応させることを可能にします。

強化学習（Reinforcement learning）は、モデルが試行錯誤によって学習し、正しい行動に対して報酬を受け取るトレーニングパラダイムです。このアプローチはLLMの推論能力の向上に特に効果的であることが証明されており、特に人間のフィードバックからの強化学習（RLHF）などの技術を通じて、モデルの出力を有用性と安全性に関する人間の好みに合わせます。

蒸留（Distillation）は、より小さな「生徒」モデルをより大きな「教師」モデルの動作を模倣するように学習させる技術です。これにより、パフォーマンスの損失を最小限に抑えながら、より効率的で高速なモデルを生成できます。OpenAIはおそらく蒸留を使用してGPT-4の高速バージョンであるGPT-4 Turboを作成しました。ただし、競合他社のモデルに蒸留を使用することは、通常、利用規約に違反します。

主要なアーキテクチャとインフラ用語

ニューラルネットワーク（Neural networks）は、ディープラーニングを支える多層アルゴリズム構造です。人間の脳の相互接続された経路にヒントを得たこれらのネットワークは、数千の計算を並列実行できる現代のGPUの登場により、飛躍的に強力になりました。並列化（Parallelization）——多くの計算を同時に実行すること——は学習と推論の両方に不可欠であり、GPUがAI産業のハードウェアの基盤となった主要な理由の一つです。

コンピュート（Compute）は、AIモデルの学習と実行に必要な計算能力を指す略語です。GPU、CPU、TPUなどのハードウェアと、産業を支えるインフラを包括します。この用語は、コスト、スケーラビリティ、およびAIの環境への影響に関する議論に頻繁に登場します。

メモリキャッシュ（Memory cache）（具体的にはトランスフォーマーモデルにおけるKVキャッシング）は、以前に計算された結果を保存することで推論の効率を向上させ、新しいクエリごとに再計算する必要性を減らす最適化技術です。これにより応答時間が短縮され、運用コストが削減されます。

新興および専門用語

AIエージェント（AI agents）は、単純なチャットボットから、旅行の予約、経費の申請、コードの記述など、ユーザーに代わってマルチステップのタスクを実行できる自律型システムへのシフトを表します。コーディングエージェント（Coding agents）は、人間の監督を最小限にしてコードを自律的に記述、テスト、デバッグし、反復的な開発作業を処理できる専門的なサブセットです。エージェントのインフラはまだ構築中であり、定義は業界によって異なります。

拡散（Diffusion）は、多くの画像、音楽、テキスト生成モデルの背後にある技術です。物理学にヒントを得た拡散システムは、データにノイズを加えるプロセスを逆転させることを学習し、ランダムなノイズから新しいリアルな出力を生成できるようにします。GAN（敵対的生成ネットワーク）は異なるアプローチを使用し、生成器と識別器の2つのニューラルネットワークを互いに競わせ、特にディープフェイクや合成メディアにおいて、ますますリアルな出力を生成します。

RAMageddonは、データセンターにおけるAI産業の飽くなきメモリ需要によって引き起こされたRAMチップの深刻な不足を表す非公式の用語です。この不足により、家庭用電子機器、ゲームコンソール、エンタープライズコンピューティング全般で価格が上昇しており、早急な解決の見込みはありません。

この用語集が重要な理由

これらの用語を理解することは、テクノロジー、ビジネス、政策の専門家にとってもはや任意ではありません。AIが製品、サービス、意思決定に組み込まれるにつれ、共通の語彙はより明確なコミュニケーション、より十分な情報に基づく議論、より良い戦略的意思決定を可能にします。この用語集は、分野の進化に合わせて定期的に更新され、業界が自らの仕事をどのように表現するかについての新たな展開と改良を反映します。

よくある質問

Q1: 学習（Training）と推論（Inference）の違いは何ですか？
学習とは、モデルがパターンを学習できるようにデータを供給するプロセスであり、計算集約的でコストがかかります。推論とは、学習済みモデルを実行して出力や予測を生成するプロセスであり、より幅広いハードウェアで実行でき、通常は高速かつ安価です。

Q2: AIモデルの文脈で「オープンソース」とはどういう意味ですか？
MetaのLlamaファミリーのようなオープンソースAIモデルは、基礎となるコードと場合によっては重みが検査、修正、再利用のために公開されています。OpenAIのGPTシリーズのようなクローズドソースモデルはコードを非公開にしています。この区別は、AI開発における透明性、安全性、アクセスに関する議論の中心にあります。

Q3: AIにおいて「ハルシネーション」が問題となる理由は何ですか？
ハルシネーションとは、AIモデルが誤った情報や捏造された情報を生成することを指します。これは学習データのギャップから生じ、特に医療や金融などのリスクの高い分野において、誤解を招くまたは危険な出力につながる可能性があります。これにより、知識のギャップが生じにくい、より専門化されたドメイン固有のAIモデルへの関心が高まっています。

この投稿「みんなが頷くAI用語：実践的な用語集」はBitcoinWorldに最初に掲載されました。