ディープラーニングとは何か――現代AIを進化させた「深く学ぶ仕組み」をやさしく理解する

前回は、「ニューラルネットワークとは何か」について説明しました。

ニューラルネットワークとは、たくさんの小さな計算単位をつなげて、データの中にあるパターンを見つける仕組みです。

では、ニュースやAIの解説でよく聞く「ディープラーニング」とは何でしょうか。

ディープラーニングは、日本語では深層学習とも呼ばれます。

一言でいうと、ディープラーニングとは、層が深いニューラルネットワークを使って、複雑なパターンを学ぶ技術です。

現代のAIの多くは、このディープラーニングによって大きく進化しました。

ディープラーニングとは何か

ディープラーニングとは、多くの層を持つニューラルネットワークを使って、データの中にある複雑な特徴を学ぶ方法です。

「ディープ」は「深い」という意味です。

では、何が深いのでしょうか。

それは、ニューラルネットワークの中にある層が深いということです。

前回説明したように、ニューラルネットワークには、入力層、中間層、出力層があります。

昔のニューラルネットワークは、中間層が少ないものが中心でした。

一方、ディープラーニングでは、中間層をたくさん重ねます。

このたくさんの層によって、AIは単純な特徴から複雑な特徴まで、段階的に学べるようになります。

ニューラルネットワークとディープラーニングの違い

ニューラルネットワークとディープラーニングは、まったく別のものではありません。

ディープラーニングは、ニューラルネットワークを発展させたものです。

簡単に言えば、層が深いニューラルネットワークを使う機械学習がディープラーニングです。

たとえるなら、ニューラルネットワークは「学習する仕組みの基本形」です。

ディープラーニングは、その仕組みをより深く、より大きく、より複雑にしたものです。

なぜ「深い」とすごいのか

では、層が深いと何がよいのでしょうか。

それは、複雑な特徴を段階的に学べるからです。

たとえば、画像を見て「これは猫です」と判断するAIを考えてみましょう。

最初の層では、線や色、明るさの違いのような単純な特徴を見つけます。

次の層では、線の組み合わせから、耳の形や目の形のような特徴を見つけます。

さらに深い層では、顔の形、体の形、猫らしい姿勢など、より大きな特徴を見つけます。

そして最後に、「これは猫の可能性が高い」と判断します。

• 浅い層：線、色、明るさなどを見つける
• 中くらいの層：目、耳、輪郭などを見つける
• 深い層：顔、体、猫らしさなどを見つける
• 出力層：最終的な答えを出す

このように、ディープラーニングでは、単純な特徴から複雑な特徴へと、段階的に情報を変換していきます。

そのため、人間が一つひとつ特徴を教えなくても、AIがデータから特徴を見つけやすくなります。

昔のAIとディープラーニングの違い

ディープラーニングが注目される前にも、AIの研究は行われていました。

しかし、昔のAIでは、人間がルールや特徴をかなり細かく設計する必要がありました。

たとえば、猫を見分けるAIを作るなら、「耳が三角なら猫らしい」「ひげがあれば猫らしい」「目の形がこうなら猫らしい」というように、人間が特徴を考えて与える必要がありました。

しかし、現実の画像はとても複雑です。

猫の向き、明るさ、毛の色、背景、写り方によって、見え方は大きく変わります。

人間がすべての特徴を手作業で決めるのはとても大変です。

ディープラーニングでは、大量のデータを使って、AI自身が特徴を見つけられるようになりました。

これが大きな進歩でした。

ディープラーニングはどうやって学習するのか

ディープラーニングの学習も、基本的にはニューラルネットワークの学習と同じです。

AIにデータを入力し、AIが答えを出し、その答えと正解を比べます。

間違っていれば、内部の重みを少しずつ調整します。

この作業を大量のデータで何度も繰り返します。

• データを入力する
• AIが答えを出す
• 正解と比べる
• 間違いの大きさを計算する
• 重みを調整する
• 何度も繰り返す

たとえば、手書き数字を読むAIなら、たくさんの手書き数字の画像を見せます。

AIが「これは8です」と答えたけれど、正解が「3」だった場合、AIは間違えたことになります。

その間違いをもとに、内部の重みを少し調整します。

このような練習を何度も繰り返すことで、AIは少しずつ数字を見分けられるようになります。

ディープラーニングでできること

ディープラーニングは、さまざまな分野で使われています。

特に、画像、音声、文章のように、情報が複雑で、人間がルールを書きにくい分野で強さを発揮します。

• 画像認識
• 顔認証
• 音声認識
• 自動翻訳
• 文章生成
• 画像生成
• 医療画像の分析
• 自動運転の一部技術
• 異常検知
• 需要予測

たとえば、スマートフォンの顔認証では、顔の形や目、鼻、輪郭などの特徴をもとに本人かどうかを判断します。

音声認識では、人間の声の波形から、どの言葉が話されているのかを判断します。

自動翻訳では、ある言語の文章を別の言語の文章に変換します。

このような技術の多くに、ディープラーニングが関係しています。

生成AIとディープラーニングの関係

現在の生成AIも、ディープラーニングと深く関係しています。

文章を生成する大規模言語モデル、画像を生成するAI、音声を生成するAIなど、多くの生成AIは、ディープラーニングをもとにしています。

たとえば、大規模言語モデルは、大量の文章データを学習し、言葉と言葉の関係を深いニューラルネットワークで処理します。

そして、入力された文章に対して、次に続く言葉を予測しながら回答を作ります。

画像生成AIも、たくさんの画像と説明文の関係を学び、「青い空の下にある未来的な図書館」のような指示に合わせて画像を作ります。

つまり、生成AIは、ディープラーニングによって発展した代表的な技術の一つです。

ディープラーニングはなぜ急に発展したのか

ディープラーニングの考え方自体は、急に生まれたものではありません。

ニューラルネットワークの研究は、かなり以前から行われていました。

しかし、昔は十分なデータや計算能力がありませんでした。

深いニューラルネットワークを学習させるには、大量のデータと強力なコンピューターが必要です。

近年になって、インターネット上のデータが増え、コンピューターの性能も上がり、GPUのような大量計算に向いた装置も使われるようになりました。

その結果、ディープラーニングが実用的に使えるようになりました。

• 大量のデータが集めやすくなった
• コンピューターの性能が上がった
• GPUなどの計算装置が発展した
• 学習方法の研究が進んだ
• インターネットやクラウド環境が広がった

つまり、ディープラーニングは、アイデアだけでなく、データと計算環境の進化によって大きく発展したのです。

ディープラーニングの強み

ディープラーニングの大きな強みは、複雑なデータから特徴を見つけられることです。

画像、音声、文章のようなデータは、人間がルールを手作業で書くのが難しいです。

たとえば、「猫らしさ」をすべてルールで説明するのは簡単ではありません。

耳の形、目の位置、毛の模様、体の姿勢、背景との違いなど、考えることがたくさんあります。

ディープラーニングは、こうした特徴をデータから学びます。

そのため、人間が細かいルールを全部書かなくても、高い性能を出せることがあります。

• 複雑なデータを扱える
• 人間が特徴を細かく設計しなくても学習できる
• 大量のデータがあると高い性能を出しやすい
• 画像・音声・文章など幅広い分野に使える
• 生成AIのような新しい応用につながる

ディープラーニングの弱点

ディープラーニングは強力ですが、万能ではありません。

まず、大量のデータが必要になることがあります。

データが少なすぎると、十分に学習できません。

また、データの質が悪いと、AIの答えも悪くなります。

たとえば、間違った情報が多いデータで学習すれば、AIも間違ったパターンを学ぶ可能性があります。

さらに、ディープラーニングは内部の計算が非常に複雑です。

そのため、なぜその答えを出したのかを人間が説明しにくいことがあります。

これは「ブラックボックス」と呼ばれることがあります。

• 大量のデータが必要になりやすい
• 学習に大きな計算資源が必要になる
• データの偏りを受けやすい
• なぜその答えになったのか説明しにくい
• 見たことのない状況に弱いことがある
• 間違っていても自信ありげに答えることがある

このような弱点は、前に説明したハルシネーションとも関係します。

AIは、学習したパターンをもとに自然な答えを作れます。

しかし、その答えが必ず正しいとは限りません。

ディープラーニングと人間の学び方は同じなのか

ディープラーニングは「学習」と呼ばれます。

しかし、人間の学び方とまったく同じではありません。

人間は、経験、感情、目的、体験、常識などを使って学びます。

一方、ディープラーニングは、データの中にあるパターンを数値として学びます。

たとえば、人間が犬を覚えるとき、実際に犬を見たり、触ったり、鳴き声を聞いたり、飼った経験を持ったりすることがあります。

AIは、犬の画像や説明文を大量に学習して、犬らしい特徴を数値的に学びます。

そのため、AIが犬を認識できても、人間のように犬を体験しているわけではありません。

この違いを理解しておくことは大切です。

ディープラーニングを理解すると何が見えてくるのか

ディープラーニングを理解すると、現代のAIがなぜ強力なのかが見えてきます。

AIは、単に人間が書いたルールに従って動いているだけではありません。

大量のデータから特徴を見つけ、それをもとに判断や生成を行っています。

だからこそ、画像認識、音声認識、文章生成、画像生成など、さまざまな分野で高い性能を発揮できるようになりました。

一方で、AIがなぜ間違えるのかも見えてきます。

AIは、世界そのものを完全に理解しているわけではありません。

学習したデータとパターンをもとに答えているため、データが偏っていたり、質問が難しかったり、事実確認が必要だったりすると、間違えることがあります。

つまり、ディープラーニングは、AIのすごさと限界の両方を理解するための重要なキーワードなのです。

まとめ

ディープラーニングとは、多くの層を持つニューラルネットワークを使って、複雑なパターンを学ぶ技術です。

日本語では深層学習とも呼ばれます。

ニューラルネットワークが基本的な仕組みだとすると、ディープラーニングは、それをより深く、複雑にした発展形です。

ディープラーニングでは、単純な特徴から複雑な特徴へと、段階的に情報を処理します。

この仕組みによって、画像認識、音声認識、自動翻訳、文章生成、画像生成など、多くのAI技術が発展しました。

生成AIや大規模言語モデルも、ディープラーニングと深く関係しています。

ただし、ディープラーニングは万能ではありません。大量のデータや計算資源が必要で、データの偏りを受けることもあり、なぜその答えになったのか説明しにくい場合もあります。

ディープラーニングを理解すると、AIがなぜこれほど進化したのか、そしてなぜ間違えることがあるのかが見えやすくなります。

次回は、「Transformerとは何か」について説明します。

Transformerは、現在の大規模言語モデルを支える重要な技術です。ChatGPTのようなAIが、文章の中の言葉同士の関係をどのように見ているのかを、できるだけやさしく説明します。