AI業界の専門用語解説：不透明な再帰など新語

AI は世界を再構築すると同時に、そのプロセスを説明するための全く新しい言語も生み出しています。最近の製品会議やピッチ、パネルディスカッションに参加すれば、LLM や RAG、RLHF といった用語が飛び交うのを耳にできるでしょう。先週からはさらに、「不透明な再帰（opaque recurrence）」という用語も加わりました。これは OpenAI の新モデル「Astra」で採用された推論手法ですが、AI セーフティ研究者たちを不安にさせています。

この用語集は、その混乱を解消しようとする試みです。技術開発者、投資家、あるいは TechCrunch の記事や関連するポッドキャストを通じて最新動向を追う一般読者まで、皆さんが最も頻繁に出会う可能性のある AI 用語を、平易な英語で定義しました。この分野は急速に進化するため、本稿も常に更新される生きたドキュメントとして扱ってください。それはまさに、記述対象である AI システムそのものと同じく、進化し続けるものです。

AGI

人工汎知能（AGI）という言葉は、あいまいな定義を持つ用語です。一般的には、人間が得意とする多くのタスク、あるいはほとんどすべてのタスクにおいて、平均的な人間よりも優れた能力を持つAIを指します。

OpenAIのサム・アルトマンCEOはかつて、AGIを「[共同作業者として雇える] 平均的な人間の能力に等しいもの」と表現しました。一方、[OpenAIの定款] では、「経済的に価値のある仕事のほとんどにおいて人間を上回る、高度に自律的なシステム」と定義されています。Google DeepMindの見解もこれらとはわずかに異なり、「認知タスクの大部分において人間と同等以上の能力を持つAI」と捉えています。

混乱しているでしょうか？ご安心を——AI研究の最前線で活躍する専門家たちも、実は同じように迷っているのです。

AIエージェント

AI エージェントとは、基本的な AI チャットボットの範囲を超えて、経費精算やチケット・レストランの予約、コードの作成と保守といった一連のタスクを代行するツールのことを指します。しかし、これまで解説してきたように、この新興領域には多くの要素が絡み合っており、「AI エージェント」という言葉は人によって解釈が異なる場合があります。また、その期待される機能を発揮するためのインフラストラクチャもまだ整備途中です。しかし、基本的な概念としては、複数の AI システムを活用して多段階のタスクを遂行する自律型システムを指します。

API エンドポイント

API エンドポイントを「ソフトウェアの裏側にあるボタン」と考えてみてください。他のプログラムはこのボタンを押すことで、特定の動作を実行させることができます。開発者はこれらのインターフェースを利用して統合機能を開発し、例えばあるアプリケーションから別のアプリケーションへデータを取得したり、AI エージェントが人間が一つずつ操作するのではなく、サードパーティのサービスを直接制御できるようにしたりします。スマートホームデバイスや接続されたプラットフォームの多くには、こうした隠れたボタン（エンドポイント）が用意されていますが、一般ユーザーがそれらに気づいたり直接触れたりすることはほとんどありません。AI エージェントの能力が高まるにつれ、これらのエンドポイントを自ら見つけて利用できるようになり、強力な——時には予期せぬ——自動化の可能性が開かれています。

思考の連鎖

単純な質問に対し、人間の脳は深く考えずに答えられます。「キリンと猫、どちらが背が高いか？」といった問いに即答できるのはそのためです。しかし多くの場合、正しい答えを出すにはペンと紙が必要で、中間ステップを踏む必要があります。例えば、「農園に鶏と牛がいて、頭数が合わせて40、足が120本あるとき、それぞれ何匹ずついるか」という問題では、簡単な方程式を立てて解くことで「鶏と牛が各20匹」という答えにたどり着きます。

AI の文脈における「思考の連鎖（chain-of-thought）」推論とは、大規模言語モデルが問題をより小さな中間ステップに分解し、最終結果の質を高める手法です。回答を得るまでには時間がかかりますが、特に論理的な推論やコーディングの分野では、正答率が格段に上がります。こうした推論型モデルは従来の大規模言語モデルを発展させ、強化学習を通じて思考の連鎖に適応するように最適化されています。

（関連：Large language model）

コーディングエージェント

これは「AI エージェント」という概念をより具体化したものです。AI エージェントとは、自らの判断で段階的に行動を起こし、目標を達成するプログラムを指します。コーディング・エージェントはそのソフトウェア開発に特化させたバージョンです。単に人間がレビューして貼り付けるためのコードを提案するだけでなく、コードの作成、テスト、デバッグを自律的に行い、通常は開発者の一日を消費するような反復的な試行錯誤作業も処理できます。これらのエージェントはコードベース全体で動作し、バグを発見し、テストを実行し、人間の監督を最小限に抑えたまま修正を適用します。眠らず、集中力を失わない非常に速い新人 interns を雇ったようなものですが、他の interns と同様、最終的な成果物を人間がレビューする必要があります。

Compute

やや多義的な用語ではありますが、「計算資源（Compute）」は一般的に、AI モデルを稼働させるために不可欠な計算能力を指します。この処理能力が AI 業界の原動力となり、強力なモデルの訓練と展開を可能にしています。この用語は、GPU、CPU、TPU、および現代の AI 産業の基盤となるその他のインフラなど、計算能力を提供するハードウェアの種類を簡略して表す際にもよく使われます。

Deep learning

自己学習型機械学習の一分野であるディープラーニングは、AI アルゴリズムを多層構造を持つ人工ニューラルネットワーク（ANN）として設計するアプローチです。これにより、線形モデルや決定木といった単純な機械学習システムと比較して、より複雑な相関関係を捉えることが可能になります。ディープラーニングのアルゴリズム構造は、人間の脳内の神経細胞が相互に接続された経路から着想を得ています。

ディープラーニングを用いたAI モデルは、重要な特徴を人間のエンジニアが定義するのではなく、データの中から自ら識別できます。また、この構造はエラーから学習し、反復と調整のプロセスを通じて出力自体を改善できるアルゴリズムも支えています。ただし、ディープラーニングシステムが良い結果を得るためには大量のデータポイント（数百万以上）が必要であり、単純な機械学習アルゴリズムに比べてトレーニングに時間がかかるため、開発コストが高くなる傾向があります。

（関連項目：ニューラルネットワーク）

拡散モデル

拡散（Diffusion）は、画像生成や音楽生成、テキスト生成などを行う多くの AI モデルの根幹をなす技術です。物理学に着想を得たこの仕組みでは、データ（写真や楽曲など）にノイズを加え続けることで構造を徐々に「破壊」していきます。物理現象としての拡散は不可逆的で、コーヒーに溶けた砂糖が再び角砂糖に戻ることはありません。しかし AI における拡散システムは、このプロセスの逆を行うことを学習します。つまり、ノイズからデータを復元する能力を獲得し、失われた情報を再生成するのです。

蒸留

蒸留（Distillation）とは、大規模な AI モデルから知識を抽出するための手法で、「教師モデル」と「生徒モデル」を用います。開発者は教師モデルにリクエストを送り、その出力結果を記録します。回答の精度を確認するために、場合によっては既存のデータセットと比較もされます。そしてこれらの出力結果を利用して生徒モデルを訓練し、教師モデルの振る舞いを近似させるように学習させます。

蒸留技術を用いることで、より小さく効率的なモデルを、大規模モデルをベースに作成することが可能です。これは、GPT-4 の高速版である GPT-4 Turbo を OpenAI が開発した際にも採用された手法と考えられています。

AI 企業はすべて内部で知識蒸留（distillation）を利用していますが、一部の企業は最先端モデルに追いつくためにこれを活用した可能性があります。競合他社からの知識蒸留は、通常、AI API やチャットアシスタントの利用規約に違反します。

ファインチューニング

これは、AI モデルをさらに訓練し、以前の学習焦点よりも特定のタスクや領域でのパフォーマンスを最適化する手法です。具体的には、新しい専門データ（つまり、タスク指向のデータ）を入力することで実現されます。

多くの AI スタートアップは、大規模言語モデルを出発点として商用製品を開発していますが、独自のドメイン固有の知識と専門性を活用してファインチューニングを行うことで、既存の学習サイクルを補完し、特定の業界やタスクにおける利便性を高める競争を繰り広げています。

（関連：[大規模言語モデル [LLM]](#large-language-model)）

GAN

GAN（Generative Adversarial Network：敵対的生成ネットワーク）は、深層学習を用いて深偽ツールなどを含むリアルなデータを生成する際、生成 AI の重要な発展を支える機械学習フレームワークの一つです。GAN は一組のニューラルネットワークを使用し、一方が訓練データに基づいて出力を生成し、それをもう一方のモデルに渡して評価を行います。

2 つのモデルは、互いに競い合うようにプログラムされています。生成器は出力を識別器を通そうと試みる一方、識別器は人工的に生成されたデータを発見しようと働きます。この構造的な競争により、追加の人間の介入なしに AI の出力をより現実的なものへと最適化できます。ただし、GAN は汎用 AI ではなく、リアルな写真や動画の生成など特定の用途において最も効果を発揮します。

Hallucination

ハルシネーションは、AI モデルがでたらめな情報を生成する現象を指す業界用語です。つまり、事実と異なる情報を捏造してしまう問題です。これは明らかに AI の品質にとって大きな課題となっています。

ハルシネーションによって生じた生成 AI の出力は誤解を招く恐れがあり、最悪の場合は現実世界で危険な結果を招くこともあります。例えば、健康に関する質問に対して有害な医療アドバイスが返ってくるケースなどが考えられます。

AI が情報を捏造する問題は、学習データの欠落に起因すると考えられています。この課題に対処するため、業界では知識のギャップや誤情報のリスクを減らすため、より専門的かつ垂直分野特化型の AI モデル（ドメイン固有の AI）の開発へと注力しています。

Inference

推論（Inference）とは、AI モデルを実行するプロセスのことです。モデルに学習済みのデータから予測や結論を引き出させる行為を指します。

ただし明確にしておくと、推論にはトレーニングが不可欠です。モデルは事前にデータの傾向を学習し、そのトレーニングデータを基に効果的に外挿できるようになって初めて、推論が可能になります。

推論を実行できるハードウェアの範囲は広く、スマートフォン用プロセッサから高性能な GPU、さらには AI 用に特別設計されたアクセラレータまで多岐にわたります。ただし、すべてのハードウェアが等しく高い性能を発揮するわけではありません。例えば、非常に大規模なモデルを推論する場合、ハイエンドな AI チップを搭載したクラウドサーバーとノートパソコンでは、所要時間に雲泥の差が生じます。

関連: [トレーニング]

大規模言語モデル (LLM)

大規模言語モデル（LLM）は、ChatGPT、Claude、Google の Gemini、Meta の AI Llama、Microsoft Copilot、Mistral の Le Chat といった人気のある AI アシスタントに利用されている AI モデルです。AI アシスタントとチャットする際、あなたはウェブブラウジングやコードインタープリターなどのさまざまなツールを活用しながら、あるいはそれらなしで、自分のリクエストを直接処理する大規模言語モデルと対話しています。

LLM は数十億もの数値パラメータ（重みとも呼ばれます）からなる深層ニューラルネットワークです。これらは単語やフレーズ間の関係を学習し、言葉の表現——いわば単語の多次元マップ——を構築します。

これらのモデルは、数十億冊の本、記事、および転写テキストの中から発見されるパターンを符号化して作成されます。LLM にプロンプトを入力すると、そのモデルはプロンプトに最も適合する可能性が高いパターンを生成します。

（関連項目：ニューラルネットワーク）

メモリキャッシュ

メモリキャッシュは、AI がユーザーの問い合わせに対して応答を生成するプロセスである推論（インファレンス）の速度を向上させる重要な仕組みです。本質的にキャッシュは、推論をより効率的に行うための最適化技術であり、AI は高負荷な数学的計算によって駆動されていますが、その計算が行われるたびに電力消費が増大します。メモリキャッシュは、特定の計算結果を保存して将来のユーザー問い合わせや操作に再利用することで、モデルが実行しなければならない計算回数を削減する役割を果たします。

メモリキャッシュにはいくつかの種類がありますが、その中でも特に知られているのが KV（キーバリュー）キャッシュ です。これはトランスフォーマーベースのモデルで動作し、ユーザーへの回答生成にかかる時間やアルゴリズム的な負荷を減らすことで、より高速な結果をもたらす効率化を実現します。

（関連項目：推論）

Model Context Protocol (MCP)

Model Context Protocol（MCP）とは、AI モデルが外部ツールやデータに接続するためのオープンスタンダードです。これにより、開発者が各組み合わせごとにカスタムコネクタを構築する必要なく、ファイル、データベース、Slack や Google Drive などのアプリと連携できるようになります。いわば AI 向けの USB-C ポートのようなものです。

MCP は 2024 年に Anthropic が導入し、その後 Linux Foundation に引き継がれました。現在では OpenAI、Google、Microsoft にも採用されており、近年の AI 史において最も急速に普及した標準の一つとなっています。

Mixture of Experts (MoE)

Mixture of Experts（MoE）は、ニューラルネットワークを多数の小さな専門サブネットワーク、つまり「エキスパート」に分割するモデルアーキテクチャです。特定のタスクに対しては、その中から数個のみが活性化します。

すべてのリクエストをモデル全体に通すのではなく（まるで質問ごとにオフィス全体の社員を呼ぶようなもの）、MoE モデルにはビルトインの「ルーター」が備わっており、タスクに最適な専門家だけを呼び出します。これにより、ネットワークの一部しか同時に動作しないため、巨大なモデルであっても比較的高速かつ低コストで実行することが可能になります。

Mistral AI の Mixtral モデルは有名な例です。また、OpenAI の最新 GPT モデルも同様のアプローチを採用していると考えられていますが、同社が公式に認めたことはありません。

(関連: Neural network, deep learning)

Neural network

ニューラルネットワークとは、ディープラーニングを支える多層構造のアルゴリズムを指し、より広く言えば大規模言語モデル（LLM）の登場以降に勃興した生成 AI ツール全体のブームの基盤となる概念です。

人間の脳内の密接な相互接続経路から着想を得てデータ処理アルゴリズムの設計構造とするというアイデア自体は 1940 年代まで遡りますが、この理論の実力を解き放ったのは、ビデオゲーム産業を通じて登場したグラフィックプロセッシングユニット（GPU）のような高性能ハードウェアの近年の台頭です。これらのチップは、過去の時代には不可能だったよりもはるかに多くの層を持つアルゴリズムの訓練に極めて適しており、音声認識、自律航行、創薬など多岐にわたる分野で、ニューラルネットワークを基盤とした AI システムが飛躍的な性能向上を実現することを可能にしました。

（関連記事：[大規模言語モデル [LLM]](#large-language-model)）

Neuralese

モデルが人間の読める言語ではなく、内部の数値表現だけで推論を行うという仮想的な最悪のシナリオがあります。この場合、思考プロセスは完全なブラックボックス化してしまいます。

現在、実際にリリースされているモデルでこれを実行しているものはありません。OpenAI は、その Astra モデル（2026 年 9 月にリリースされ、「不透明な再帰」推論手法を早期に採用したことで注目されています）について、思考の連鎖が可読性を保たれていると明言しており、ニューラル言語との比較には反発しています。しかし、安全研究者たちは Astra が「不透明な再帰」を採用している点を指摘し、これはその方向への現実的な第一歩であると警告しています。このため、Astra の発表に関する報道以降、この用語の注目度が急上昇しました。

不透明な再帰

不透明な再帰とは、AI モデルが平文で段階的に推論するのではなく、同じクエリを内部層に繰り返し通す手法です。これはより効率的であり、小規模なモデルでも計算資源を抑えながら高い性能を発揮できます。しかし、通常の思考の連鎖（チャットボットの助けを求める際に表示される進行状況のようなコメント）と比較すると、読み取れる痕跡がはるかに少なくなります。

この点は安全研究者を不安にさせています。なぜなら、これらのログは不適切な動作を検出するための重要なツールだからです。この手法が使われると、監視が格段に困難になる恐れがあります。

（関連項目：思考の連鎖）

オープンソース

オープンソースとは、基盤となるコードが誰でも利用・検証・改変できるように公開されているソフトウェア、あるいは近年ではAIモデルを指します。AIの世界では、MetaのLlamaシリーズが代表的な例であり、オペレーティングシステムにおける歴史的な類似例としてはLinuxが挙げられます。オープンソースのアプローチにより、世界中の研究機関や開発者、企業が互いの成果の上に構築することが可能となり、技術進歩が加速するとともに、クローズドシステムでは容易に実施できない独立した安全性監査も実現できます。

一方、クローズドソースとはコードが非公開であることを意味します。製品は利用できても内部の仕組みを確認することはできません。OpenAIのGPTモデルがその典型例であり、この違いは現在、AI業界における最も重要な議論の一つとなっています。

並列化

並列処理とは、一つずつ順番に行うのではなく、複数のことを同時に実行することを指します。例えば、10 人の従業員がプロジェクトの異なる部分を同時に担当する代わりに、一人の従業員がすべてを順次こなすようなものです。

AI において、並列処理はトレーニングと推論の両方に不可欠です。現代の GPU は数千回の計算を並列で行うように特別に設計されており、これが業界におけるハードウェアの中核となった大きな理由の一つです。AI システムがより複雑になり、モデルが大きくなるにつれて、多数のチップやマシンにわたって作業を並列化する能力は、モデルをいかに迅速かつ費用対効果高く構築・展開できるかを決定する最も重要な要素の一つとなっています。より良い並列化戦略の研究は、今や独自の研究分野として確立されています。

RAMageddon

「RAMageddon（ラムアッゲドン）」とは、テック業界を席巻しているあまり楽しくないトレンドに対する、少しユーモラスな新用語です。これは、私たちの日常生活で使用するほぼすべてのテクノロジー製品を支えるランダムアクセスメモリ（RAM）チップの不足が、ますます深刻化している現象を指しています。

AI 産業が花開くにつれ、最も強力かつ効率的な AI を実現しようと競い合う大手テック企業や AI ラボは、データセンターを稼働させるために大量の RAM を購入しており、一般ユーザーが利用できる分にはほとんど残っていません。この供給のボトルネックにより、手元に残っている RAM の価格はますます高騰しています。

これには、ゲーム業界（主要企業がコンソールの価格引き上げを余儀なくされている背景として、デバイス用のメモリチップの入手が困難になっている）、家電業界（メモリの不足により過去 10 年以上で最大規模となるスマートフォンの出荷台数減少が懸念される）、そして一般企業のコンピューティング分野（自社データセンターに必要な RAM が確保できないため）が含まれます。価格の高騰は、恐ろしい供給不足が終わった後にようやく落ち着くと予想されていますが、残念ながら、そのような事態がすぐに訪れる兆候はほとんど見られません。

再帰的深さ

これは「不透明な再帰（opaque recurrence）」と同じ基盤となる手法を指す、より技術的な名称です。具体的には、言語による逐次的推論を行うのではなく、クエリをモデルの層に何度も通回させる手法を指します。メディアはこの 2 つの用語をほぼ同義で使い分けていますが、ここでは両方を含めています。なぜなら、「再帰的深さ」は工学的な用語であり、「不透明な再帰」は安全性への懸念を強調した表現だからです。

（関連項目：不透明な再帰、思考の連鎖）

再帰的自己改善

AGI（汎用人工知能）と同様に、再帰的自己改善（RSI）は AI の能力の上限や人間への依存度がどこまで低下するかを示す重要な分岐点です。RSI のシナリオでは、AI モデルが人間の介入なしに自己改良を続け、その結果として能力と自律性が劇的に加速します。一部の見解では、これは特異点（シンギュラリティ）に匹敵する破局的な瞬間、つまり AI が外部からの干渉を受け付けなくなる転換点として描かれます。しかし RSI は単なるSF的な概念ではなく、「AI モデルが自身の次世代版を設計できるか」という基本的な能力の問いでもあります。この定義があるため、エンジニアたちは実際にその仕組みを実装しようとする道筋を立てやすくなっています。

A number of recent AI startups は再帰的自己改善型モデルの実現を目指して設立されましたが、その多くは終末論的な含意を否定し、RSI を単なる研究の次のフロンティアとして位置づけています。

強化学習

強化学習は、AI を訓練する手法の一つで、システムが試行錯誤を繰り返しながら正解に対して報酬を得ることで学習します。愛するペットにおやつを与えてしつけるようなものですが、この場合の「ペット」はニューラルネットワーク、「おやつ」は成功を示す数値信号です。

教師あり学習のようにラベル付きデータセットで固定された訓練を行うのではなく、強化学習ではモデルが環境を探索し、行動を起こし、得られるフィードバックに基づいて継続的に振る舞いを更新します。このアプローチは、AI にゲームのプレイやロボットの制御を教えたり、最近では大規模言語モデルの推論能力を高めるために特に有効であることが証明されています。

人間のフィードバックからの強化学習（RLHF）などの技術は、主要な AI ラボがモデルをより有用で正確かつ安全なものに微調整する際の中心的な役割を果たしています。

人間と機械のコミュニケーションにおいて、いくつかの明白な課題があります。人間は自然言語で意思疎通を図る一方、AI プログラムはデータに基づいた複雑なアルゴリズムプロセスを通じてタスクを実行します。このギャップを埋めるのが「トークン」です。トークンは人間と AI のコミュニケーションにおける基本的な構成要素であり、LLM（大規模言語モデル）によって処理または生成されたデータの離散的な断片を表しています。

トークンは「トークナイゼーション」と呼ばれるプロセスを通じて作成されます。これは、言語モデルが消化できる bite-sized な単位に生テキストを分解する工程で、コンパイラーが人間が理解できる言語をコンピュータが理解できるバイナリコードに変換する過程に似ています。企業環境では、トークンはコストにも直結します。AI 企業の多くは LLM の利用料をトークン数に応じて課金しており、ビジネスでの利用量が増えれば、それだけ費用も増える仕組みです。

Token throughput

まず、トークンとは AI 言語モデルが処理前にテキストを細かく分割した断片のことです。単語全体ではなく、単語の一部であることも多く、AI の workload を理解する上での「単語」に相当します。

スループットは、単位時間あたりに処理できる量を指します。つまり、トークンスループットとは、システムが一度にどれだけの AI 作業を捌けるかを測る指標です。AI インフラチームにとって高スループットを実現することは最重要課題の一つで、これは同時にサポート可能なユーザー数や、各ユーザーへの応答速度を決定づけます。

AI リサーチャーのアンドレイ・カルパティ氏は、自分の AI サブスクリプションがアイドル状態にあると不安になると語っています。これは大学院生時代、高価なコンピューターハードウェアが十分に活用されていないことに焦りを感じていた時の感覚と同じです。この感情こそが、なぜ業界でトークンスループットの最大化が執拗に追求されるのかを象徴しています。

トレーニング

機械学習 AI を開発するには、「トレーニング」と呼ばれるプロセスが必要です。簡単に言えば、モデルがパターンから学び、有用な出力を生成できるようにデータを投入する工程です。本質的には、システムがデータ内の特性に応答し、猫の画像識別や即席の俳句作成といった目的達成に向けて出力を適応させるプロセスと言えます。

学習には膨大な入力データが必要となるためコストが高くなりがちで、その必要量は年々増加しています。そのため、ルールベースの AI にターゲットを絞ったデータを適用して微調整するといったハイブリッドなアプローチが、ゼロから作り直すことなくコストを抑える手段として有効です。

関連: [推論]

転移学習

以前に訓練された AI モデルを新たなモデル開発の起点として利用する手法で、異なるが通常は関連性の高いタスクに対応した新しいモデルを開発する際に用いられます。これにより、過去の学習サイクルで得られた知見を再利用することが可能になります。

転移学習は、モデル開発のプロセスを短縮することで効率化とコスト削減を実現します。また、対象とするタスクのデータが限られている場合にも有用です。ただし、この手法には限界があることも理解しておく必要があります。汎用的な能力を獲得するために転移学習に依存するモデルは、その専門分野で高い性能を発揮するためには、追加のデータによる訓練が必要になるケースが多いでしょう。

(関連: 微調整)

検証損失

バリデーションロス（Validation loss）は、AI モデルが学習中にどの程度うまく機能しているかを示す数値で、値が低いほど良いことを意味します。研究者はこの指標をリアルタイムのレポートカードのように厳密に追跡し、学習の停止タイミングやハイパーパラメータの調整、あるいは潜在的な問題の調査が必要かどうかを判断する材料としています。

この指標が特に警告を発する重要な課題の一つが「過学習（overfitting）」です。これはモデルがデータから本質的なパターンを学習するのではなく、訓練データを単に暗記してしまう状態を指します。例えば、「内容を理解している学生」と「昨年の試験問題を丸暗記した学生」の違いのようなものです。バリデーションロスを見ることで、あなたのモデルがどちらのタイプになりつつあるかを明らかにすることができます。

Weights

重み（Weights）は AI 学習の中核をなす要素です。これは、システムを訓練するために使用されるデータ内の異なる特徴や入力変数に対して、どの程度の重要性（重み）を与えるかを決定し、AI モデルの出力を形作る役割を果たします。

言い換えれば、重みとは、特定の学習タスクにおいてデータセットの中で最も重要な要素が何かを定義する数値パラメータです。この機能は、入力値に乗算を行うことで実現されます。モデル学習は通常、ランダムに割り当てられた重みから開始されますが、プロセスが進むにつれて、モデルは目標とする出力により近い結果を出すよう重みを調整していきます。

例えば、ある地域の不動産価格を予測する AI モデルは、その地域の過去の不動産データを用いて訓練されます。このモデルには、寝室や浴室の数、一戸建てか二階建てかなどの特徴に対する重み（ウェイト）が含まれます。また、駐車場やガレージの有無なども特徴として考慮されます。

最終的に、モデルが各入力に付与する重みは、与えられたデータセットに基づいて、その要素が物件の価値にどの程度影響を与えるかを反映したものです。

*本記事は新しい情報に合わせて随時更新されています。*

*当サイトの記事内のリンクを通じて購入された場合、小規模な手数料が発生する可能性があります。ただし、これは当社の編集の独立性には一切影響しません。