ニューラルネットワークとは何か――AIがパターンを学ぶ仕組みをやさしく理解する

前回は、「ハルシネーションとは何か」について説明しました。

ハルシネーションとは、AIが事実ではない内容を、もっともらしく答えてしまう現象のことです。

生成AIはとても便利ですが、間違えることもあります。その理由の一つは、AIが人間のように事実をそのまま記憶して考えているわけではなく、学習したパターンをもとに答えを作っているからです。

では、AIはどのようにしてパターンを学んでいるのでしょうか。

そこで登場するのが、ニューラルネットワークです。

一言でいうと、ニューラルネットワークとは、たくさんの小さな計算のつながりによって、データの中にあるパターンを見つける仕組みです。

現代のAIを理解するうえで、ニューラルネットワークはとても重要な考え方です。

ニューラルネットワークとは何か

ニューラルネットワークとは、人間の脳の神経細胞のつながりをヒントにして作られた、コンピューター上の計算の仕組みです。

「ニューラル」は、神経に関係するという意味です。

人間の脳には、たくさんの神経細胞があり、それらがつながって情報をやり取りしています。

ニューラルネットワークは、その考え方をまねて、たくさんの小さな計算単位をつなげたものです。

ただし、ここで注意したいのは、ニューラルネットワークは人間の脳そのものではないということです。

あくまで、人間の脳からヒントを得た計算の仕組みです。

人間の脳と同じように感じたり、考えたり、意識を持ったりしているわけではありません。

ニューラルネットワークは「判断のためのつながった計算機」

ニューラルネットワークを身近なたとえで考えるなら、「たくさんの小さな判断係がつながった仕組み」と言えます。

たとえば、写真を見て、それが犬か猫かを判断するAIを考えてみましょう。

人間なら、耳の形、目の位置、鼻、毛の感じ、体の形などを見て、犬か猫かを判断します。

ニューラルネットワークも、画像の中にあるさまざまな特徴を少しずつ見ていきます。

• 線の向き
• 色の違い
• 明るさ
• 輪郭
• 形のまとまり
• 目や耳のような特徴

最初の段階では、とても単純な特徴を見ます。

そこから少しずつ複雑な特徴を組み合わせて、最終的に「これは猫らしい」「これは犬らしい」と判断していきます。

このように、ニューラルネットワークは、一つの大きな判断を、たくさんの小さな計算の積み重ねで行います。

ニューラルネットワークの基本構造

ニューラルネットワークは、一般的にいくつかの層に分かれています。

代表的なのは、次の3つです。

• 入力層
• 中間層
• 出力層

入力層は、AIにデータが入ってくる場所です。

中間層は、入ってきたデータをもとに、さまざまな計算をする場所です。

出力層は、最終的な答えを出す場所です。

たとえば、手書きの数字を見て、それが「0」から「9」のどれかを判断するAIを考えます。

入力層には、手書き数字の画像が入ります。

中間層では、線の形、曲がり方、閉じた丸があるかどうかなどを計算します。

出力層では、「これは0の可能性が高い」「これは8の可能性が高い」といった結果を出します。

中間層では何をしているのか

ニューラルネットワークで特に重要なのが、中間層です。

中間層は、入力されたデータの特徴を見つける場所です。

たとえば、画像を扱うAIの場合、最初の方の層では、線や色のような単純な特徴を見つけます。

その次の層では、線や色の組み合わせから、目、鼻、耳、角、文字の一部のような少し複雑な特徴を見つけます。

さらに進むと、それらを組み合わせて、顔、動物、車、建物のような大きな特徴を判断できるようになります。

文章を扱うAIの場合も、考え方は似ています。

単語や文のつながり、文脈、言葉の関係を段階的に処理していきます。

つまり、中間層は、データの中にある特徴を少しずつ変換しながら、答えに近づけていく場所なのです。

重みとは何か

ニューラルネットワークを理解するうえで、「重み」という言葉も重要です。

重みとは、ある情報をどれくらい大事にするかを決める数値です。

たとえば、テストの成績を考えてみましょう。

ある学校では、期末テストをとても重視するかもしれません。

別の学校では、宿題や授業態度も大きく評価するかもしれません。

同じ「成績」を出す場合でも、何をどれくらい重視するかによって結果は変わります。

ニューラルネットワークの重みも、それに少し似ています。

AIは、入力された情報のどこをどれくらい重視するかを、たくさんの重みによって調整しています。

たとえば、猫を判断するAIなら、耳の形、目の位置、ひげ、顔の輪郭など、さまざまな特徴に対して、それぞれ重要度のようなものが設定されます。

この重みがうまく調整されるほど、AIは正しい判断をしやすくなります。

ニューラルネットワークはどうやって学習するのか

ニューラルネットワークの学習は、簡単にいうと、間違いを見ながら重みを少しずつ調整する作業です。

たとえば、犬と猫を見分けるAIを作るとします。

最初のAIは、まだ何もよくわかっていません。

猫の写真を見せても、犬と答えるかもしれません。

そこで、「これは猫です」と正解を教えます。

AIは、自分の答えと正解を比べます。

間違っていれば、どこをどう変えれば正解に近づけるかを計算し、内部の重みを少しずつ調整します。

この作業をたくさんのデータで繰り返します。

• データを入力する
• AIが答えを出す
• 正解と比べる
• どれくらい間違っているかを計算する
• 重みを少し調整する
• 何度も繰り返す

この繰り返しによって、AIは少しずつパターンを見つけるようになります。

人間が問題集を解いて、間違えた問題を見直しながら成績を上げていくのに少し似ています。

AIの学習は「丸暗記」と同じではない

AIが大量のデータで学習すると聞くと、「AIは全部丸暗記しているのか」と思うかもしれません。

しかし、ニューラルネットワークの学習は、単純な丸暗記とは違います。

AIは、データそのものをそのまま覚えるというより、データの中にあるパターンを学びます。

たとえば、猫の写真をたくさん学習したAIは、特定の1枚の猫の写真だけを覚えるのではありません。

猫らしい形、目や耳の特徴、顔の輪郭、毛の感じなど、猫に多く見られるパターンを学んでいきます。

そのため、学習したことのない新しい猫の写真を見ても、「これは猫らしい」と判断できる場合があります。

これが、ニューラルネットワークの強みです。

ただし、学習データに偏りがあると、AIの判断も偏ることがあります。

たとえば、白い猫の写真ばかりで学習したAIは、黒い猫をうまく猫と判断できないかもしれません。

AIは、学習したデータの影響を強く受けるのです。

ニューラルネットワークでできること

ニューラルネットワークは、さまざまなAI技術に使われています。

画像、音声、文章、数字の予測など、多くの分野で利用されています。

• 画像の分類
• 顔認識
• 音声認識
• 自動翻訳
• 文章生成
• 手書き文字の認識
• 異常検知
• 売上や需要の予測
• 医療画像の補助診断
• 自動運転の一部技術

たとえば、スマートフォンの写真アプリが人物や風景を自動で分類する機能にも、ニューラルネットワークに近い技術が使われています。

音声入力で話した言葉が文字になる仕組みにも使われています。

そして、ChatGPTのような生成AIの基礎にも、ニューラルネットワークの考え方があります。

生成AIとニューラルネットワークの関係

生成AIも、ニューラルネットワークと深く関係しています。

文章を作るAI、画像を作るAI、音声を作るAIなど、多くの生成AIはニューラルネットワークをもとに作られています。

たとえば、大規模言語モデルは、巨大なニューラルネットワークの一種です。

大量の文章を学習し、言葉と言葉の関係を計算しながら、次に続く言葉を予測して文章を作ります。

画像生成AIも、画像の特徴や構図、色、形などを学習し、指示に合わせて新しい画像を作ります。

つまり、ニューラルネットワークは、生成AIの中で動いている基本的な仕組みの一つなのです。

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一緒によく出てくる言葉に、ディープラーニングがあります。

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。

簡単にいうと、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た機械学習です。

ニューラルネットワークには、中間層が少ないものもあれば、非常に多くの層を持つものもあります。

中間層が多く、複雑な特徴を段階的に学べるものが、ディープラーニングと呼ばれます。

つまり、ニューラルネットワークは基本的な仕組みであり、ディープラーニングはその発展形と考えるとわかりやすいです。

このシリーズでは、次回あらためてディープラーニングについて説明します。

ニューラルネットワークの苦手なこと

ニューラルネットワークはとても強力ですが、万能ではありません。

まず、たくさんのデータが必要になることがあります。

十分なデータがないと、正しいパターンを学びにくくなります。

また、学習データに偏りがあると、その偏りをAIも受け継いでしまうことがあります。

さらに、ニューラルネットワークは内部の計算がとても複雑なため、なぜその答えを出したのかを人間が完全に説明しにくい場合があります。

• 大量のデータが必要になることがある
• 学習データの偏りを受けやすい
• なぜその答えになったか説明しにくいことがある
• 学習や実行に大きな計算資源が必要な場合がある
• 見たことのない状況に弱いことがある

たとえば、あるAIが「この画像は猫です」と答えたとしても、どの特徴をどのくらい重視してそう判断したのかを、人間が完全に理解するのは難しい場合があります。

このような問題は、AIの透明性や説明可能性とも関係します。

ニューラルネットワークは人間のように考えているのか

ニューラルネットワークは、人間の脳をヒントにしています。

しかし、人間と同じように考えているわけではありません。

人間は、経験、感情、目的、常識、身体の感覚などを使って考えます。

一方、ニューラルネットワークは、入力されたデータを数値として処理し、学習したパターンをもとに出力を決めます。

たとえば、AIが「猫の画像」を認識できたとしても、猫をなでた経験があるわけではありません。

AIが「悲しい文章」を書けたとしても、AI自身が悲しんでいるわけではありません。

この点を理解しておくことは重要です。

AIは人間のように見える結果を出すことがありますが、その内部の仕組みは人間とは違います。

ニューラルネットワークを理解するとAIが見えやすくなる

ニューラルネットワークを理解すると、AIに対する見方が少し変わります。

AIは、最初から賢い存在として答えを知っているわけではありません。

大量のデータからパターンを学び、入力に対してもっとも合いそうな答えを計算しています。

そのため、AIは得意な分野では非常に高い性能を発揮します。

一方で、学習データにないことや、データが偏っていること、事実確認が必要なことでは間違えることがあります。

これは、前回説明したハルシネーションともつながります。

AIは、自然な答えを作ることができます。

しかし、それが必ず正しいとは限りません。

ニューラルネットワークは、AIの力の源であると同時に、AIの限界を理解するための手がかりでもあります。

まとめ

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学ぶ仕組みです。

人間の脳の神経細胞のつながりをヒントにしていますが、人間の脳そのものではありません。

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、入力されたデータを段階的に計算して答えを出します。

学習では、AIが出した答えと正解を比べ、間違いをもとに内部の重みを少しずつ調整します。

この仕組みによって、AIは画像、音声、文章、数字など、さまざまなデータからパターンを見つけられるようになります。

生成AIや大規模言語モデルも、ニューラルネットワークの考え方と深く関係しています。

ただし、ニューラルネットワークは万能ではありません。学習データの偏り、説明のしにくさ、間違いの可能性などもあります。

ニューラルネットワークを理解すると、AIがなぜすごいのか、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、「ディープラーニングとは何か」について説明します。

ディープラーニングは、ニューラルネットワークをさらに深く、複雑にした技術です。現代のAIブームを支える重要な仕組みを、できるだけやさしく見ていきます。