メールの迷惑判定、写真に写った物の識別、文章を作る生成AI。これらには同じAIという名前が付いていても、内部で行う仕事は異なります。それでも、現在の多くのAIを支える共通の仕組みとして登場するのが「ニューラルネットワーク」です。名前から脳のような装置を想像するかもしれませんが、最初はもっと素朴に捉えて構いません。

一言で答えるなら、ニューラルネットワークとは「つながった計算単位が、データの特徴を段階的に処理する仕組み」です。入力された情報を一度に理解するのではなく、小さな計算を何段階も重ね、目的に合う出力へ変えていきます。IBMは、ニューラルネットワークを相互接続されたノードの層で構成され、褛雑なデータのパターンや関係を処理する仕組みとして説明しています（出典: IBM）。

ここでいう「特徴」は、人が普段使う長所や個性という意味だけではありません。画像なら色や形に関係する情報、文章なら単語の並びや文脈に関係する情報など、判断に利用される手掛かりを指します。ただし、どの手掛かりが使われるかは、扱うデータや学習方法、目的によって変わります。

ニューラルネットワークだけで、あらゆることができるわけでもありません。AIは広い概念であり、機械学習はデータから規則性を学ぶ方法、その中で多層のニューラルネットワークを使う分野が深層学習です。Google Cloudも、AIを上位の広い概念、機械学習をその一部として整理しています（出典: Google Cloud）。つまり、ニューラルネットワークはAIそのものではなく、AIを実現するために使われる代表的な方法の一つなのです。

仕組みをつかむには、写真を見て「猫らしいか」を判定する架空のチームを考えると分かりやすくなります。最初の担当者は写真を受け取り、色や明るさなどの細かな情報を整理します。その情報を受け取った別の担当者は、輪郭や模様らしき組み合わせを探します。後ろの担当者は、耳、目、毛並みのような、よりまとまった手掛かりを検討し、最後の担当者が「猫らしさ」を示す結果を出します。

実際のニューラルネットワークに人間の担当者が入っているわけではありません。各担当者に相当するのは、入力を受け取って計算し、その結果を次へ渡す「ノード」と呼ばれる計算単位です。ノード同士がつながり、層をまたいで情報を伝えます。たとえの要点は、一人が写真全体を見て直感的に決めるのではなく、多数の小さな処理が受け渡されて最終結果になることです。

受け渡される途中の情報を、そのまま人間向けの言葉で読めるとは限りません。「これは耳です」「これはひげです」と明確に名札が付いているとは限らず、実際には数値の組み合わせとして処理されます。そのため、たとえは流れを理解する助けにはなりますが、内部に小さな人間や意思が存在するという意味ではありません。

同じ考え方は画像以外にも当てはめられます。文章を扱う場合は、入力された文字列や単語の関係を表す情報が段階的に処理されます。音声なら音の変化、数値データなら項目間の関係などが手掛かりになり得ます。ただし、「何を特徴として利用しているか」を外から簡単に断定できない場合もあります。まずは、細かな計算結果をリレーのように渡し、全体として一つの判断や生成につなげる仕組みだと捉えるとよいでしょう。

ニューラルネットワークの基本構造は、入力層、中間層、出力層の三つに分けて考えられます。「層」は、似た段階で計算を担当するノードの集まりです。情報は入力層から入り、中間層で何度か形を変え、出力層から目的に応じた結果として出てきます。IBMの説明でも、ニューラルネットワークは相互接続されたノードの層からなり、深層ニューラルネットワークには入力層、複数の隠れ層、出力層があるとされています（出典: IBM）。

入力層は、外部のデータを計算に渡す入口です。画像であれば画素に関係する数値、文章であれば文字列を処理可能な形にした情報などが入ります。入力層そのものが「これは猫の写真です」と理解しているわけではありません。人が見れば意味のある写真でも、ネットワークの入口では、計算に使える情報として受け取られます。

中間層は「隠れ層」とも呼ばれ、受け取った情報を組み合わせながら次の層へ渡します。層が進むにつれて、単純な手掛かりから複雑な関係を扱える場合があります。深層学習の「深層」は、この中間層が多層になっていることに由来します。ただし、層を増やせば無条件に優れた結果になるという意味ではありません。目的に合わせた設計や学習データ、評価が必要です。

出力層は、処理した結果を用途に合う形で示す出口です。分類なら候補ごとの値、数値予測なら予測値、生成モデルなら次の内容を選ぶための情報などが出力に関わります。画面に表示される文章や判定結果は、この計算結果をアプリケーション側が利用者向けに整えたものかもしれません。したがって、利用者が目にする画面とニューラルネットワークの層を、そのまま一対一で対応させないことも大切です。

| 層 | 基本的な役割 | 猫画像を扱う架空例 |
| --- | --- | --- |
| 入力層 | データを計算へ渡す | 画像の情報を受け取る |
| 中間層 | 特徴や関係を段階的に処理する | 輪郭や模様に関係する手掛かりを組み合わせる |
| 出力層 | 目的に応じた結果を出す | 猫らしさに関係する値を示す |

AIに質問を入力すると、その場で新しい知識を勉強し、賢くなってから答えているように見えることがあります。しかし、ニューラルネットワークの学習と、学習済みモデルが入力を処理して回答することは、分けて考える必要があります。少なくとも、利用者が一回質問して回答を受け取る工程と、開発時に多数のデータを使ってモデルを作る工程は同じではありません。

学習では、例となるデータを繰り返し処理し、目的に合う結果へ近づくようにネットワーク内部の設定値を調整します。正解ラベル付きのデータを使う教師あり学習では、入力と正解の組み合わせから対応関係を学び、新しく受け取ったデータの結果を予測できるようにすることが目標です。IBMは、機械学習モデルをデータに基づいて予測や判断を行うようアルゴリズムを訓練して作るものと説明しています（出典: IBM）。Google Cloudも、機械学習モデルはアルゴリズムを学習データ上で動かした結果、プログラムが学んだものだと整理しています（出典: Google Cloud）。

架空の果物判定を例にすると、「リンゴ」とラベルが付いた画像と「オレンジ」と付いた画像を用意し、モデルの予測と正解のずれを確認しながら内部の設定を変えていくイメージです。学習が終わった後に未知の画像を入力すると、調整済みの設定を使って結果を計算します。この回答時の処理は、一般に推論と呼ばれます。ここでの「推論」は、人間が事情を深く理解して結論を導く行為とまったく同じだという意味ではありません。

生成AIでも、開発時の学習と利用時の生成は区別されます。IBMは生成AIの大まかな工程を、基盤モデルを作る学習、用途に合わせる調整、生成と評価、その後の追加調整として説明しています（出典: IBM）。利用者がプロンプトを送るのは主に生成側の入口です。「会話で訂正したから、基盤となるモデル全体がその場で再学習した」と決めつけないほうが、サービスの説明を正確に読めるでしょう。

一枚の写真には、明るさ、色、境界、模様、物の配置など、多くの情報が含まれています。最初から「猫」「犬」「自転車」といった完成した意味だけがデータに書かれているわけではありません。ニューラルネットワークは、前の層から渡された情報を次の層で組み合わせ、判断や生成に利用できる表現へ段階的に変えていきます。

たとえば架空の画像処理では、入口に近い層が色の変化や線に関係する単純な手掛かりを扱い、その後の層が複数の手掛かりをまとめ、形や配置に関係する情報を扱う場合があります。さらに後ろの層では、それまでの結果を組み合わせて分類に必要な手掛かりを作ります。これは仕組みをつかむための簡略化した例であり、すべてのネットワークで「第何層が必ず耳を担当する」と決まっているわけではありません。

IBMは、多層のニューラルネットワークを使う深層学習について、大量のラベルなしデータや非構造化データから特徴を抽出でき、自然言語処理や画像認識など、複雑なパターンを扱う仕事に適していると説明しています（出典: IBM）。層を重ねる意味は、単純に計算回数を増やすことではなく、前段の処理結果を材料にして、より複雑な関係を扱えるようにする点にあります。

ただし、複雑な特徴を扱えることと、対象の意味を人間と同じように理解していることは同義ではありません。写真の分類結果が合っていても、そのモデルが猫との生活や「かわいい」という感情を知っているとは限りません。文章を自然に生成できても、書かれた出来事を実際に経験したことにはなりません。出力の滑らかさではなく、入力された情報が複数段階の計算を通った結果だと見ることで、AIを必要以上に擬人化せずに済みます。

ニューラルネットワークという言葉を、生成AIの別名として覚えるのは正確ではありません。関係を大きな箱から順に見ると、AIという広い分野の中に機械学習があり、機械学習の中にニューラルネットワークを多層化した深層学習があり、現在の生成AIを支えるモデルの多くが深層学習を利用しています。IBMも、AI、機械学習、深層学習、生成AIを入れ子または派生する概念として説明しています（出典: IBM）。

AIは、認識、予測、意思決定支援、生成などを含む広い呼び名です。機械学習は、個別の条件をすべて人が書く代わりに、データからパターンを学んで予測や判断に使う方法を指します。深層学習は、多層のニューラルネットワークを使う機械学習の一分野です。生成AIは、入力されたプロンプトに応じて文章、画像、音声などの新しい内容を生成する技術を指します。IBMは、生成モデルが学習データの簡略化された表現を作り、それを基に元データと同一ではない内容を生成すると説明しています（出典: IBM）。

| 用語 | この中での位置づけ | 身近な見方 |
| --- | --- | --- |
| AI | 最も広い概念 | コンピューターで認識や判断などを行う技術の総称 |
| 機械学習 | AIを実現する方法の一部 | データからパターンを学ぶ方法 |
| 深層学習 | 機械学習の一部 | 多層のニューラルネットワークを使う方法 |
| 生成AI | 内容を生成するAI | プロンプトに応じて文章や画像などを作る仕組み |

たとえば、写真から不良品の候補を分類する仕組みがニューラルネットワークを使っていても、それは文章や画像を作る生成AIとは限りません。逆に、文章生成AIの内部には大規模なニューラルネットワークが使われ得ます。この区別ができると、「AI搭載」という説明だけで機能を想像せず、何を入力し、どのような結果を返す仕組みなのかを確かめられます。

「ニューラル」は神経を意味するため、ニューラルネットワークは人間の脳をコンピューター内に再現したものだと思われがちです。確かに、IBMは人間の脳の構造と機能を参考にモデル化され、ノードがニューロンに似た関係を持つと説明しています（出典: IBM）。ただし、これは発想や構造を説明するための対応関係です。人間の脳、意識、感情、経験がそのまま複製されているという説明ではありません。

もう一つの誤解は、大量のデータを学習したニューラルネットワークなら、出力は必ず正しいというものです。学習はデータ内のパターンや関係を利用できるようにする工程であり、あらゆる事実を照合する保証を与える工程ではありません。生成AIの場合、もっともらしい文章が出ても、その内容が現実の事実と一致するかは別の確認事項です。IBMの資料でも、生成AIアプリケーションでは開発者や利用者が出力を継続的に評価し、精度や関連性を高めるために追加調整すると説明されています（出典: IBM）。

たとえば、社内制度の質問に対して自然な回答が返ってきても、最新の規程を参照したかどうかは文章の滑らかさだけでは分かりません。日付、金額、固有名詞、引用、医療や法律に関わる判断などは、元資料に戻って確認する必要があります。これはニューラルネットワークが役に立たないという話ではなく、得意な処理と事実確認を分担するという話です。

利用者が意識したいのは、「人間のように考えたか」ではなく、「どのような入力に対して、どの目的の出力を返すモデルなのか」です。目的が分類なら評価すべきは分類結果であり、文章生成なら読みやすさだけでなく、根拠や事実との一致も確認対象になります。脳のたとえは入口として便利ですが、判断の場面では計算モデルとして扱うほうが誤解を減らせます。

ニューラルネットワークの詳しい数式を知らなくても、AI製品やサービスの説明を読む視点は変えられます。確認したいのは、入口、途中の学習、出口の三点です。入口では、文章、画像、音声、数値など、何をデータとして受け取るのかを見ます。学習については、どのような目的のモデルなのか、出力をどの基準で評価するのかを確認します。出口では、分類、予測、推薦、生成のどれを返すのかを見分けます。

たとえば「AIが問い合わせに対応します」という説明だけでは、仕組みや確認方法は分かりません。「入力された質問に対し、学習済みモデルが文章を生成するのか」「決められた候補から回答を選ぶのか」「外部の資料を検索して利用するのか」では、期待できる結果も注意点も異なります。ニューラルネットワークが使われていると分かっても、それだけで最新情報を調べているとは判断できません。

生成AIへ依頼する場合も同じです。架空の提案例として、「この文章を三つの要点に整理してください。日付と金額は原文の表記を残し、不明な点は不明と示してください」と伝えれば、求める出力と確認箇所を区別しやすくなります。ただし、この指示によって正確性が保証されるわけではありません。生成結果と原文を照合する作業は残ります。

明日AIの説明を見かけたら、「何が入力層に相当するのか」「どんな目的で学習されたモデルなのか」「出力を誰がどう確かめるのか」を一つずつ尋ねてみてください。専門用語の数よりも、情報がどこから入り、どのような結果として出るかを追うほうが、利用場面を具体的に判断できます。ニューラルネットワークを魔法や小さな脳としてではなく、段階的な計算の受け渡し網として見ることが、AIを過信せず、遠ざけもしないための出発点になります。

- What Is Artificial Intelligence (AI)?
- AI vs. Machine Learning: How Do They Differ?