AI가

AI（人工知能）の概念・核心技術・産業応用と2024～2025年の最新動向を整理したウィキ文書。

AI가

概要

AI（Artificial Intelligence、人工知能）は、人間の学習・推論・知覚・言語理解などの知的能力をコンピュータシステムで実現しようとする技術分野であり、学問領域でもある。1956年のダートマス会議でこの用語が正式に定められて以来、何度かの停滞と復興を経て、2010年代のディープラーニングの台頭と2020年代の生成AI・大規模言語モデル（LLM）の普及を通じて、産業全体の汎用技術（General Purpose Technology）としての地位を確立した。今日、AIは検索、翻訳、医療診断、自動運転、コンテンツ制作、ソフトウェア開発など、ほぼすべてのデジタルサービスの基盤層に組み込まれつつある。

主要な内容

定義と範囲

AIは大きく3つの段階に分けて論じられる。第一に、特定のタスクのみを遂行する弱いAI（Narrow AI）であり、現在商用化されているほとんどのシステムがこれに該当する。第二に、人間と同等の汎用的な問題解決が可能な汎用AI（AGI）であり、まだ実現していない。第三に、人間を超越する超知能（ASI）であり、主に理論・政策言説の対象である。学術的には記号論理に基づく伝統的AIとデータに基づく機械学習（Machine Learning）に分けられ、最近の主流は後者である。

核心技術

  • 機械学習：データから規則を自ら推論する学習パラダイム。教師あり学習、教師なし学習、強化学習に区分される。
  • ディープラーニング：多層人工ニューラルネットワークを用いて、画像・音声・言語の高次元パターンを学習する。
  • トランスフォーマーとアテンション：2017年に提案された構造で、文脈依存性を並列処理しLLM時代を切り開いた。
  • 生成AI：テキスト・画像・音楽・映像・コードを新たに作り出すモデル群で、拡散モデル（Diffusion）と自己回帰モデルが代表例である。
  • マルチモーダル・エージェント：テキスト・画像・音声を一緒に理解し、ツール呼び出しと計画立案を通じて自律的にタスクを遂行する方向へ進化している。
  • 学習インフラ：GPU・TPUなどのアクセラレータ、分散学習、データパイプライン、モデル軽量化（量子化・蒸留）技術がともに発展する。

発展の歴史

1950年のチューリングテストの提案、1956年のダートマス会議、1960～70年代のエキスパートシステム、1980年代の第2次AIブーム、1990～2000年代の統計的機械学習の普及を経た。2012年の画像認識コンペティション（ImageNet）でディープラーニングが圧倒的な性能を示したことが分岐点となり、2016年のアルファ碁の囲碁対局、2017年のトランスフォーマー発表、2022年末の対話型チャットボットの大衆化を経て、2023～2025年にはマルチモーダル・推論特化モデルと小型言語モデル（SLM）が同時に普及した。

産業応用

製造業では予知保全とビジョン検査、金融では信用評価・不正取引検知、医療では画像読影支援と新薬候補探索、流通では需要予測とパーソナライズ推薦が標準化された。ソフトウェア開発ではコード生成・レビュー自動化が日常的なツールとして定着し、公共・法律・教育分野では文書要約と検索拡張生成（RAG）ベースの質疑応答が急速に導入されている。

社会的影響と規制

生産性の向上とともに、雇用の再編、著作権侵害、ディープフェイク・偽情報、バイアスと差別、エネルギー消費、個人情報侵害が主要な争点として浮上した。これに伴い、EUはAI法（AI Act）を通じてリスクベースの規制体系を導入し、米国は大統領令と産業の自主規範、韓国はAI基本法の議論とガイドラインを並行する流れを見せている。企業レベルでは、責任あるAI原則、モデルカード、レッドチーム評価、ウォーターマーキングといった安全装置が標準的な慣行として定着しつつある。

最新動向

2024～2025年の核心キーワードは推論（reasoning）、エージェント、マルチモーダル、効率化である。第一に、単純な応答を超えて段階的思考を行う推論特化モデルが登場し、数学・コーディング・科学の問題で性能を大きく引き上げ、推論時の計算量（compute at inference）を増やすスケーリング戦略が新たな競争軸となった。第二に、ブラウザ・メール・業務ツールを直接操作するAIエージェントが実務に投入され、「ツールを使うAI」から「仕事を遂行するAI」へ重心が移った。第三に、テキスト・画像・音声・映像を1つのモデルで処理するオムニモデルとリアルタイム音声対話が一般化した。第四に、巨大モデル一辺倒から脱し、オンデバイス・小型モデル、オープンウェイトモデル、検索拡張生成、ファインチューニング・LoRAなどコスト効率戦略が広がった。第五に、データセンターの電力需要が急増したことで、電力・冷却・半導体サプライチェーンがAI競争の核心変数として浮上し、各国はコンピュートインフラと半導体の自立を国家戦略として推進している。最後に、AI生成コンテンツの表示義務化、学習データの透明性公開、モデル評価・監査制度などガバナンスの議論が実際の立法と標準化の段階に突入した。

関連トピック

  • [[人工知能]]
  • [[機械学習]]
  • [[ディープラーニング]]
  • [[生成AI]]
  • [[大規模言語モデル]]
  • [[トランスフォーマー]]
  • [[アルゴリズム]]
  • [[半導体]]
  • [[データセンター]]
  • [[AI規制]]