解説：AIの基礎
G検定 AIの基礎
このページでは、G検定で最初に押さえたい「AIの基礎」を解説します。AIの定義、AI・機械学習・ディープラーニングの関係、AIの歴史、探索・推論、エキスパートシステム、機械学習・ディープラーニングの登場までの流れを整理します。
AIの基礎はG検定学習の入口
AIの基礎分野は、G検定の最初に学ぶべき土台です。ここで「AIとは何か」「機械学習やディープラーニングと何が違うのか」を整理しておくと、後の機械学習・ディープラーニング分野が理解しやすくなります。
人工知能（AI）とは何か
人工知能（Artificial Intelligence：AI）とは、人間の知的な行動である学習・推論・問題解決・言語理解などを、コンピュータで実現しようとする技術・研究分野です。G検定では、AIのレベルや機械学習・ディープラーニングとの関係を整理しておくことが大切です。
単純な制御プログラム
あらかじめ定められたルール通りに動く仕組みです。例として、自動ドアや電卓などが挙げられます。
古典的な人工知能
探索・推論・知識表現などを使って問題を解くAIです。ルールベースの将棋AIなどが代表例です。
機械学習
人間がすべてのルールを与えるのではなく、データから規則性を学習する仕組みです。スパムフィルターや画像分類などに使われます。
深層学習（ディープラーニング）
多層のニューラルネットワークを用いる機械学習の一分野です。画像認識、音声認識、生成AIなど、現代のAIブームの中心です。
AI・機械学習・ディープラーニングの関係
G検定では、AI・機械学習・ディープラーニングの関係がよく問われます。3つは同じ意味ではなく、AIの中に機械学習があり、機械学習の中にディープラーニングがある、という包含関係で理解しましょう。
AI
人間の知的な働きをコンピュータで実現しようとする広い分野です。探索・推論・知識表現・機械学習などを含みます。
機械学習
AIの一分野で、データから規則性や判断基準を学習します。教師あり学習・教師なし学習・強化学習などがあります。
ディープラーニング
機械学習の一分野で、多層ニューラルネットワークを使って特徴量を自動的に学習します。
AIをめぐる有名な問題
G検定では、AI哲学や思考実験に関する用語も問われます。それぞれの用語について、「何が問題なのか」を一言で説明できるようにしておきましょう。
シンギュラリティ（技術的特異点）
AIが人間の知性を超え、自ら改良を続けることで急激に高度化するとされる仮説上の転換点です。
チューリングテスト
人間と区別できないほど自然な会話ができれば知性があるとみなすテストです。アラン・チューリングが提唱しました。
フレーム問題
AIが「今の問題に関係あること」と「関係ないこと」を適切に切り分けるのが難しいという問題です。
シンボルグラウンディング問題
記号や言葉と、現実世界の意味をどう結びつけるかという問題です。「リンゴ」という言葉と実物のリンゴを結びつける難しさを表します。
中国語の部屋
ジョン・サールによる思考実験です。AIが中国語を理解しているように見えても、本当に理解しているとは限らないという主張を示します。
探索・推論
古典的AIの中心的な技術に、探索と推論があります。問題を状態空間として表現し、目的の状態にたどり着くための手順を探す考え方です。
幅優先探索（BFS）
スタートから近い状態を順番に探索する方法です。最短経路を見つけやすい一方、メモリを多く使いやすい特徴があります。
深さ優先探索（DFS）
ひとつの道を深く探索してから、別の道へ戻る方法です。メモリ効率はよい一方、最短経路を保証しない場合があります。
ミニマックス法
相手も最善手を選ぶと仮定し、自分にとって最も有利な手を選ぶ方法です。チェスや将棋などのゲームAIで使われます。
αβ法（アルファベータ法）
ミニマックス法の探索を効率化する方法です。不要な探索を枝刈りして、計算量を減らします。
モンテカルロ法
ランダムな試行を大量に行い、統計的に良い選択を推定する方法です。囲碁AIなどでも重要な考え方です。
ハノイの塔
探索や再帰的な問題解決の例としてよく使われる古典的な問題です。
知識表現とエキスパートシステム
エキスパートシステムとは、専門家の知識をルールとして蓄積し、推論によって問題解決を支援するシステムです。第2次AIブームを支えた代表的な技術として押さえておきましょう。
Cycプロジェクト
常識的な知識をコンピュータに入力しようとした大規模プロジェクトです。知識を人手で記述する難しさを示す例です。
DENDRAL
化学構造の推定を行う初期のエキスパートシステムです。化学分野の事例として覚えておきましょう。
MYCIN（マイシン）
感染症の診断や抗生物質の投与提案を行うエキスパートシステムです。医療分野の代表例です。
セマンティックWeb
Web上の情報に意味を付与し、コンピュータが理解しやすくする考え方です。知識表現と関係します。
オントロジー
概念や関係性を体系的に定義したものです。知識ベースや知識表現の基盤として使われます。
IBM Watson
クイズ番組で人間に勝利したことで知られるAIです。質問応答システムの代表例として押さえておきましょう。
機械学習の登場
エキスパートシステムでは、人間がルールや知識を一つずつ入力する必要がありました。その限界を超えるために、データから自動的に規則性を学ぶ機械学習が重要になりました。
次元の呪い
特徴量の数が増えると、必要なデータ量や計算量が急激に増える問題です。機械学習でよく問われる重要概念です。
スパムフィルター
メールの内容や特徴からスパムかどうかを判定する、機械学習の代表的な応用例です。
ビッグデータ
大量・多様・高速に発生するデータです。機械学習の発展を支えた重要な要素です。
レコメンデーション
ユーザーの行動履歴などから、商品やコンテンツを推薦する仕組みです。ECサイトや動画配信サービスで広く使われます。
ディープラーニングの登場
ディープラーニングは、多層のニューラルネットワークを使う機械学習の一手法です。画像認識や自然言語処理などで大きな成果を上げ、現在のAIブームの中心になっています。
ImageNetとAlexNet
大規模画像認識コンペでAlexNetが高い性能を示し、ディープラーニングが注目されるきっかけになりました。
LeNet
初期の畳み込みニューラルネットワーク（CNN）として知られ、手書き数字認識などに使われました。
AlphaGo
囲碁でトップ棋士に勝利したAIです。ディープラーニングと強化学習の代表的な応用例として押さえておきましょう。
生成AI
テキスト・画像・音声などを生成するAIです。ChatGPTや画像生成AIなど、近年のG検定でも重要なテーマです。
この分野の出題ポイント
G検定のAI基礎分野で押さえておきたいポイントです。用語を丸暗記するだけでなく、違いや関係性を説明できるようにしましょう。
AIの基礎を学んだ後の進め方
AIの基礎を押さえたら、次は機械学習・ディープラーニングへ進みましょう。読みっぱなしにせず、練習問題で理解度を確認することも大切です。
次のステップへ
AIの基礎を押さえたら、機械学習・ディープラーニングへ進みましょう。学習した内容は、練習問題や分野別問題集で確認すると定着しやすくなります。