AI（人工知能）の進化は、テクノロジーそのものだけでなく、それを語るための言語そのものも急速に書き換えている。製品ミーティング、ピッチ、パネルディスカッション——あらゆる場で「LLM」「RAG」「RLHF」といった用語が飛び交い、先週にはOpenAIの新モデル「Astra」に搭載された推論技術「opaque recurrence（不透明な再帰）」が、AI安全研究者の間で大きな議論を巻き起こしている。用語の登場スピードはあまりに速く、テクノロジー業界の最前線にいる人々でさえ、置き去りにされる感覚を覚えているのが実情だ。
本稿は、そうした状況を打開するための試みである——AIを開発するエンジニア、投資家、そして単に最新動向を追いたい読者まで、誰もが直面する重要用語を、平易な日本語で解説する。本記事は定期的に更新される生きたドキュメントであり、AIそのものの進化とともに歩む。
基本概念：AIの共通言語を押さえる
AGI（汎用人工知能）とは何か
AGI（Artificial General Intelligence）は、多くの——あるいはほとんどの——タスクにおいて平均的な人間を上回る能力を持つAIを指す、曖昧で捉えどころのない概念だ。OpenAIのCEOサム・アルトマンはかつてAGIを「同僚として雇える平均的な人間に相当する存在」と表現した。同社の憲章では「ほとんどの経済的に価値のある仕事において人間を上回る、高度に自律的なシステム」と定義される。一方、Google DeepMindの理解はこれらとはやや異なり、「ほとんどの認知タスクにおいて人間と少なくとも同等の能力を持つAI」と位置づけている。ただし、AI研究の最前線に立つ専門家たちも、その定義については意見が一致していないのが現状だ。
AIエージェント：自律型タスク実行の新たなパラダイム
AIエージェントとは、単なるチャットボットを超え、経費精算、チケット予約、レストランの予約、さらにはコードの作成と保守といった一連のタスクを、ユーザーに代わって自律的に実行するツールを指す。ただし、この分野はまだ発展途上であり、「AIエージェント」の定義は人によって異なる可能性がある。インフラもまた、その構想される能力を実現するために整備が進められている段階だ。基本的な概念としては、複数のAIシステムを活用してマルチステップのタスクを実行する自律システムを意味する。
LLM（大規模言語モデル）：AIアシスタントの頭脳
大規模言語モデル（LLM）は、ChatGPT、Claude、GoogleのGemini、MetaのLlama、Microsoft Copilot、MistralのLe ChatといったAIアシスタントの中核を成すモデルだ。これらは数十億の数値パラメータ（重み）で構成される深層ニューラルネットワークであり、単語とフレーズの関係性を学習し、言語の多次元マップとも言える表現を構築する。数十億冊の書籍、記事、トランスクリプトからパターンをエンコードして生成されるこれらのモデルは、プロンプトに対して最も確からしいパターンを出力する。
推論と思考のメカニズム
Chain-of-Thought（連鎖的思考）：推論の質を高める技術
「キリンと猫、どちらが背が高いか」といった単純な質問には、人間はほとんど考えずに答えられる。しかし、「農場にニワトリと牛がいて、頭が40、脚が120本の場合、それぞれ何羽、何頭か」という問題には、計算式を紙に書く必要があるだろう。AIにおけるChain-of-Thought（連鎖的思考）推論とは、この考え方と同様に、問題をより小さな中間ステップに分解して最終結果の質を高める手法だ。回答を得るまでに時間はかかるが、特に論理やコーディングの文脈において、回答の正確性が大幅に向上する。推論モデルは、従来のLLMから発展し、強化学習によって連鎖的思考に最適化されたものだ。
Opaque Recurrence（不透明な再帰）とRecurrent Depth（再帰的深度）
「Opaque Recurrence（不透明な再帰）」は、AIモデルが平易な言語で段階的に推論する代わりに、同じクエリを内部のレイヤーに繰り返しループさせる技術である。OpenAIが2026年9月にリリースしたモデル「Astra」で初期採用されたことで注目を集め、AI安全研究者の間で警戒感が広がった。この手法はより効率的で、小規模なモデルが少ない計算リソースで高性能を発揮できる一方、通常のChain-of-Thought（チャットボットに問いかけた後に表示される、思考過程の解説）と比較して、読み取り可能な痕跡が大幅に少ない。安全研究者にとって、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であり、この技術はその監視を困難にする可能性がある。
「Recurrent Depth（再帰的深度）」は、基本的に同じ手法を指す技術用語である。メディアでは両者がほぼ互換的に使用されるが、Recurrent Depthがエンジニアリング用語であるのに対し、Opaque Recurrenceは安全性の懸念を強調する表現という違いがある。
Neuralese（ニューラリース）：ブラックボックス化の懸念
Neuraleseは、モデルが人間の読める言語ではなく、内部の数値表現のみで推論を行うという仮想的な最悪シナリオを指す。現在出荷されているモデルでこれを行っているものはない。OpenAIはAstraモデルについて、Chain-of-Thoughtを判読可能な状態に保っているとし、Neuraleseとの比較を否定している。しかし、安全研究者はAstraのOpaque Recurrenceの採用を、その方向への第一歩として懸念しており、この用語が注目を集めるきっかけとなった。
学習と訓練のプロセス
Training（学習）とInference（推論）
機械学習AIの開発には「Training（学習）」と呼ばれるプロセスが不可欠だ。これは、モデルがデータからパターンを学習し、有用な出力を生成できるようにするために、データを投入するプロセスを指す。学習には膨大なデータが必要であり、その量は増加傾向にあるため、コストが高騰する傾向がある。一方、「Inference（推論）」は、学習済みのモデルを実際に動作させるプロセス、つまりモデルに予測や結論を導き出させることだ。推論はスマートフォンのプロセッサから高性能GPU、専用設計のAIアクセラレータまで、様々なハードウェアで実行できるが、モデルが大規模になるほど、それに見合った計算能力が必要となる。
Fine-Tuning（ファインチューニング）とTransfer Learning（転移学習）
Fine-Tuning（ファインチューニング）は、AIモデルを特定のタスクや分野に最適化するために、追加の専門データを用いてさらに訓練することを指す。多くのAIスタートアップは、LLMを出発点として商用製品を構築するが、自社のドメイン固有知識をファインチューニングによって注入することで、対象分野での有用性を高めている。一方、Transfer Learning（転移学習）は、事前に学習されたモデルを、別の（通常は関連する）タスクのための新モデルの開発における出発点として使用する手法だ。これにより、モデル開発の効率化が図れるが、転移学習に依存するモデルは、対象分野で良好なパフォーマンスを発揮するために、さらなるデータでの学習が必要となる場合がある。
Distillation（蒸留）：大規模モデルから小型モデルへ
Distillation（蒸留）は、教師モデルから生徒モデルへ知識を抽出する技術である。開発者は教師モデルにリクエストを送信し、その出力を記録。これらの出力を使用して、教師の振る舞いを近似するよう生徒モデルを訓練する。この手法により、大規模モデルをベースに、より小型で効率的なモデルを、最小限の精度損失で作成できる。これはOpenAIがGPT-4の高速版であるGPT-4 Turboを開発した方法と見られている。一部のAI企業が競合他社のモデルに追いつくためにこの手法を使用した可能性も指摘されており、競合他社からの蒸留は通常、APIの利用規約に違反する。
Reinforcement Learning（強化学習）とRLHF
強化学習は、システムが試行錯誤を通じて学習し、正しい回答に対して報酬を受け取る訓練方法だ。教師あり学習が固定データセットで訓練されるのに対し、強化学習ではモデルが環境を探索し、行動を起こし、フィードバックに基づいて行動を継続的に更新する。このアプローチは、ゲームプレイ、ロボット制御、そして近年ではLLMの推論能力の向上に特に有効であることが証明されている。RLHF（人間のフィードバックからの強化学習）は、主要なAIラボがモデルをより有用で正確かつ安全に調整するための中心的な手法となっている。
モデルアーキテクチャと技術基盤
Neural Network（ニューラルネットワーク）とDeep Learning（深層学習）
ニューラルネットワークは、深層学習——ひいてはLLM登場以降の生成AIツール全体のブーム——を支える多層的なアルゴリズム構造である。人間の脳の密に相互接続された経路から着想を得たこの設計思想は、1940年代にまで遡るが、その真価を引き出したのは、ビデオゲーム産業を原動力に発展したGPU（グラフィックスプロセッサ）の登場だった。これらのチップは、従来よりはるかに多くの層を持つアルゴリズムの訓練に適しており、音声認識、自律走行、創薬など、多岐にわたる領域で飛躍的な性能向上を実現した。
深層学習は、多層のニューラルネットワーク構造を持つAIアルゴリズムのサブセットであり、より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抽出できる。深層学習モデルは、データ内の重要な特徴を自ら特定できるため、人間のエンジニアが特徴を定義する必要がない。しかし、良好な結果を得るためには数百万以上のデータポイントが必要であり、訓練時間も長くなる傾向がある。
Mixture of Experts（MoE）：専門家の集合体
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化されたサブネットワーク（エキスパート）に分割し、与えられたタスクに対してその一部のみを活性化するアーキテクチャである。全てのリクエストをモデル全体に通すのではなく、組み込みの「ルーター」がタスクに適した専門家だけを選択する。これにより、大規模なモデルでも、一度に動作するのはネットワークの一部だけであるため、比較的高速で低コストな運用が可能になる。Mistral AIのMixtralモデルはよく知られた例であり、OpenAIの新しいGPTモデルも、同社が公式に確認したわけではないが、このアプローチの何らかのバージョンを使用していると広く考えられている。
MCP（Model Context Protocol）：AIのUSB-Cポート
Model Context Protocol（MCP）は、AIモデルが外部ツールやデータ（ファイル、データベース、SlackやGoogle Driveといったアプリ）に接続するためのオープンスタンダードだ。Anthropicが2024年に導入し、その後Linux Foundationに移管されたこの規格は、OpenAI、Google、Microsoftにも採用され、近年のAI史上最も急速に普及した標準規格の一つとなっている。
Diffusion Model（拡散モデル）とGAN（敵対的生成ネットワーク）
拡散モデルは、画像、音楽、テキストを生成する多くのAIモデルの中核をなす技術である。物理学に着想を得たこのシステムは、データの構造にノイズを加えて徐々に「破壊」し、その「逆拡散」プロセスを学習することで、ノイズから元のデータを復元する能力を獲得する。一方、GAN（Generative Adversarial Network）は、2つのニューラルネットワーク（生成器と識別器）を競わせることで、よりリアルなデータを生成する機械学習フレームワークである。生成器は識別器を欺く出力を生成しようとし、識別器は人工データを見破ろうとする。この構造化された競争により、人間の介入なしに出力のリアリティが最適化される。GANは汎用AIよりも、リアルな写真や動画の生成といった特定用途で最も効果を発揮する。
パフォーマンスと課題
Hallucination（ハルシネーション）：AIの虚偽情報生成問題
ハルシネーションは、AIモデルが事実とは異なる情報を生成する現象を指す業界用語である。これはAIの品質にとって深刻な問題であり、特に医療アドバイスなど、誤った情報が現実世界でリスクを生む可能性がある。ハルシネーションは訓練データのギャップに起因すると考えられており、そのリスクを低減するために、より専門化された垂直特化型AIモデルへの移行が進んでいる。
Validation Loss（検証損失）：モデル学習のバロメーター
Validation Loss（検証損失）は、訓練中にAIモデルがどれだけうまく学習しているかを示す数値で、低いほど良い。研究者はこれをリアルタイムの成績表として注視し、訓練の停止タイミング、ハイパーパラメータの調整、問題の調査などを判断する。この指標が特に警告するのは過学習（オーバーフィッティング）——モデルが真のパターンを学習するのではなく、訓練データを単に記憶してしまう状態——だ。これは、教材を本当に理解している学生と、単に昨年の試験問題を暗記した学生の違いに例えられる。
Token（トークン）とToken Throughput（トークンスループット）
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によって処理または生成されたデータの離散的なセグメントを表す。トークン化と呼ばれるプロセスを通じて生成され、生のテキストを言語モデルが処理できる単位に分割する。エンタープライズ環境では、トークンはコストを決定する重要な要素でもある。ほとんどのAI企業は、LLMの使用料をトークン単位で課金している。トークンスループットは、システムが一定期間に処理できるトークンの量を測定する指標であり、AIインフラチームにとって重要な目標の一つである。高いトークンスループットは、同時にサービスを利用できるユーザー数と応答速度を決定する。
インフラと産業動向
Compute（計算資源）とParallelization（並列化）
Compute（計算資源）は、AIモデルを動作させるために不可欠な計算能力を指す、やや多義的な用語である。これはGPU、CPU、TPUといったハードウェアの総称として使われることが多く、現代のAI産業の基盤を形成している。Parallelization（並列化）は、複数の処理を同時に実行することを意味し、AIの訓練と推論の両方において基本的な概念である。現代のGPUは数千もの計算を並列実行するよう設計されており、これがAI産業のハードウェア基盤としてGPUが選ばれた大きな理由の一つとなっている。AIシステムが複雑化し、モデルが大規模化するにつれ、多くのチップやマシン間で作業を並列化する能力は、モデルの構築と展開の速度とコスト効率を決定する最も重要な要素の一つとなっている。
RAMageddon（RAMageddon）：メモリ不足が招く産業全体への影響
RAMageddonは、RAMチップの不足が深刻化するトレンドを指す、ややユーモラスな新語である。AI産業の急成長に伴い、大手テクノロジー企業やAIラボがデータセンター用のRAMを大量に購入しているため、一般市場向けの供給が逼迫し、価格が高騰している。この影響は、ゲーム業界（コンソール価格の上昇）、家電業界（スマートフォン出荷台数の大幅減少）、エンタープライズコンピューティングなど、広範な産業に及んでいる。価格高騰は、この不足が終息するまで続くと予想されるが、早期の解決の兆しは見えていない。
安全性とオープン性をめぐる議論
Open Source（オープンソース）とClosed Source（クローズドソース）
オープンソースは、ソフトウェア——そして近年ではAIモデル——のソースコードを公開し、誰でも使用、検査、変更できるようにするアプローチだ。MetaのLlamaシリーズはその代表例であり、LinuxはOSにおける歴史的な先例である。オープンソースは、世界中の研究者や開発者が互いの成果を基に構築することを可能にし、進歩を加速させるとともに、クローズドシステムでは困難な独立した安全性監査を可能にする。一方、クローズドソースはコードが非公開であり、製品は使用できても内部の仕組みは確認できない——OpenAIのGPTモデルがその典型だ。この違いは、AI業界における最も重要な議論の一つとなっている。
RSI（再帰的自己改良）：AGIに続く次のフロンティア
RSI（Recursive Self-Improvement、再帰的自己改良）は、AGIと同様に、AIがどれだけ賢くなり得るか、そして人間への依存をどれだけ減らせるかという閾値を示す概念である。RSIシナリオでは、AIモデルが人間の介入なしに自己改良を開始し、能力と自律性の飛躍的な加速をもたらす。一部のシナリオでは、これはシンギュラリティ（技術的特異点）に相当する破局的な瞬間とされる。しかし、近年登場したAIスタートアップのいくつかは、RSIを単に研究の次のフロンティアとして捉え、破滅的な意味合いを否定しながら、再帰的に自己改良するモデルの構築に取り組んでいる。
AI用語の進化は、このテクノロジーそのものの進化の速度と複雑さを如実に反映している。本稿で解説した用語は、ほんの一部に過ぎない。AIの研究方向性、製品開発、そして社会実装の各段階で、新たな概念とそれを表現する言葉が生まれ続けている。本記事は、そうした変革の最前線に立つ読者にとって、信頼できる羅針盤となることを目指して、今後も更新を続けていく。
