生成AIの用語10選～一般ユーザーが知っておくべき基礎知識：AI・機械学習の用語辞典

生成AI時代を生きる社会人に必須の基礎知識を身に付けよう。生成AIに関する用語として「生成系AI」「大規模言語モデル（LLM）」「プロンプトエンジニアリング」「ハルシネーション」「埋め込み表現」「ベクトル検索」「ベクトルデータベース」「RAG（検索拡張生成）」「事前学習」「ファインチューニング」の10語を紹介する。代表的なチャットAIやLLM、画像生成AIについても触れる。

» 2024年03月29日 05時00分公開

[一色政彦，デジタルアドバンテージ]

連載目次

　本連載『AI・機械学習の用語辞典』では、AIや機械学習に関連する専門用語をできるだけかみ砕いて分かりやすく解説しています。コンパクトながらも、必要十分な知識が得られる内容を目指しています。

　これまでに公開した用語は149語です。詳しくはabc／あいうえお順のキーワード目次を参照してください。

　今回は第150回を記念して、これまでに公開した「生成AI」に関連する用語を厳選してピックアップし、合計10個の用語をまとめてみました（図1）。

図1　生成AI関連の10個の用語

　新しい生成AI時代を生きる現在の社会人にとって必須の基礎知識になると思います。ぜひ社内教育などで知識ゼロの人に「まずは、これを読んでおいてね！」とお勧めしていただけるとうれしいです。

1. 生成系AI（GenAI）

　生成系AI（GenAI：Generative AI）とは、全く新しいオリジナルのアウトプットを生み出すAIです。具体的には、デジタルの画像や動画、オーディオ（音声／音楽など）、文章やコードなどのテキストを生成するAIのこと、もしくはこれらを組み合わせて生成するAIのことです。

図2　生成系AIのイメージ
※「Stable Diffusion Playground」をキャプチャして引用。
※「ChatGPTの実行サイト」をキャプチャして引用。

　筆者の感覚では、学術方面では「生成系AI」と、ニュースなど一般向けでは「生成AI」と呼ばれることが多いです（本稿でも以降は「生成AI」と表記します）。また、2023年の前半では英語を重視して「ジェネレーティブAI」と呼ばれることもありましたが、最近ではあまりこの表記を見ません。英語では「GenAI」という省略表記が定着しています。

代表的なチャットAI: ChatGPT、Gemini、Claude

　生成AIの中でも「チャットAI」は、一般社会でも広く認知されています。以下に代表的な3つのサービスを紹介します。いずれも無料で（下記のリンク先から）利用できます。

OpenAIのChatGPT（チャット・ジー・ピー・ティー）：一番有名で、利用者も多い。高性能な機能が利用可能になる、有料のサブスクリプション「ChatGPT Plus」もある。
GoogleのGemini（日本語ではジェミニ）：二番目に有名。有料のサブスクリプション「Gemini Advanced」もあり、執筆時点*1で2カ月間の無料トライアルが可能。
Anthropic（アンスロピック）のClaude（クロード）：人気が急上昇中。有料のサブスクリプション「Claude Pro」もあり、最高性能の「Claude 3 Opus」（後述）が利用できる。

*1　本稿で「執筆時点」は全て「2024年3月29日時点」を指すこととします。

　この他、Perplexity（パープレキシティ）と呼ばれる、検索AIもあり有用です。検索AIという立ち位置ですが、できることはチャットAIとほぼ同じなので、筆者は上記の3つと同時に常用しています。

　図3は、Googleトレンドで「ChatGPT／Gemini／Claudeの検索トレンド」を比較してみた結果です。

図3　ChatGPT／Gemini／Claudeの検索トレンド比較（2024年3月25日から過去90日間）
※「ChatGPT, Gemini, Claude - 調べる - Google トレンド」をキャプチャして引用。

　圧倒的にChatGPTの人気が高く、2024年3月から突如としてClaudeが人気となりGeminiに拮抗（きっこう）してきています。この結果は筆者の体感に近いので、妥当だと思います。

　ちなみに、MicrosoftはCopilot（コウパイロット）という独自ブランドでAIアシスタントのサービスを提供しており、中身はChatGPTと同じ「GPT-4」（後述）などの大規模言語モデル（後述）を使用しています。

2. 大規模言語モデル（LLM）

　大規模言語モデル（LLM：Large Language Models）とは、大量のテキストデータを使って学習した言語モデル（＝AI技術を用いて文章を理解し、新しい文章を生成できるソフトウェア）のことです。LLMは、文章を要約したり、テキストを生成したり、質問に応答したりできます。つまりチャットAIの中身です。

図4　大規模言語モデル（LLM）のイメージ
「トレーニング」は「学習」のこと、「ファインチューニング（微調整）」は「再学習」のことです。詳しくは後述します。

　ChatGPTの中身の代表例がLLM「GPT-4」、Geminiの中身が同名のLLM「Gemini 1.5 Pro」、Claudeの中身が同名のLLM「Claude 3」です。

　ちなみに、チャットAIの中身としてではなく、LLM単体で有名なものあります。それがオープンソース*2の「Llama 2」（ラマ2）です。

*2　一般人レベルでは「ソースコードが公開されてい（て、それを誰もが自由に使用したり、再頒布したり、その内容を自由に改変したりでき）ること」をオープンソースと呼びますが、より厳密な定義をOpen Source Initiative（OSI）という団体が規定しています。Llama 2は公式に「オープンソース」と説明されていますが、「オープンソース」の定義に当てはまらない、とOSIが主張しています。ちなみに執筆時点では、現状のAIにフィットする「AI用のオープンソース」の定義がOSI主導で議論されています。

代表的なLLM： GPT-4、Gemini 1.5 Pro、Claude 3、Llama 2

　これらの代表的なLLMの特徴は、以下の通りです。

OpenAIのGPT-4： 2023年3月発表。さまざまな用途でバランス良く高性能で大人気。新発表のLLMの説明で「GPT-4の性能を超えた」と書かれるなど、現在の最高性能のLLMとして、他のLLMと比較されることが多い。
GoogleのGemini 1.5 Pro： 2024年2月発表。最大で100万トークン（＝テキストの最小単位で、日本語なら1トークン≒1～2文字）を扱える。非常に長いテキストが入力できるので、例えば本1冊（12万文字程度）を短く要約することなども可能。
AnthropicのClaude 3： 2024年3月発表。有償でしか使えない最高性能のOpus（オーパス）と、無料のチャットAIでも使える一般性能のSonnet（ソネット）、有償だが高速でコンパクトなHaikuの3種類がある。「Opus＝作品」「Sonnet＝14行から成るヨーロッパの定型詩」「Haiku＝5＋7＋5の17音から成る日本の短い詩」という意味で、つまり文章の長さに対応した命名となっている。Claude 3 Opusの出力内容がGPT-4よりも優れているとして、執筆時点で大注目となっている。
MetaのLlama 2： 2023年7月発表。「オープンソース」が最大の特徴で、Llama 2をベースとしたLLMが多数誕生している。例えば2024年3月にLlama 2がベースで700億パラメーター（＝言語モデル内部の設定項目で、数が多いほどより複雑なことができると考えられる）の日本語LLM「ELYZA-japanese-Llama-2-70b」が発表されている。

　オープンソース方面はLlama 2が有名ですが、最近になって強力なライバルが登場してきました。2024年2月にGoogleがオープンなLLM「Gemma」（ジェマ）を、2024年3月にイーロン・マスク氏が率いるxAI（エックス・エー・アイ）がオープンソース（Apache 2ライセンス）のLLM「Grok-1」（グロク1）を発表しています。

3. プロンプトエンジニアリング

　ユーザーがチャットAIなど（のLLM）に入力する質問や指示のテキストは、専門用語で「プロンプト」（Prompt）と呼ばれます。

　チャットAI（LLM）や画像生成AIなどの生成AIで、より望ましい返答テキストや画像などが生成されるようにするには、ユーザーがAIモデルに入力する質問や指示のプロンプトを工夫することが有効です。この工夫は、プロンプトエンジニアリングと呼ばれます。

図5　プロンプトエンジニアリングのイメージ

　基本的には、図5に示されている「明確に指示する」「背景情報を提供する」「制約を設定する」ことに気を付けて、プロンプトを入力するとよいでしょう。

　この他のテクニックとしては、回答方法の見本となる例文を幾つか提示することで同じように回答させるフューショット・プロンプティングや、計算問題のように順番に解いていくことが有効な内容に対して「ステップ・バイ・ステップで考えてみましょう」というプロンプトを含めるゼロショット・思考の連鎖（Zero-shot-CoT）プロンプティングなどがあります。

4. ハルシネーション

　チャットAIやLLMは有用ですが、万能ではありません。間違った情報を出力することがあります。たちが悪いことに、自信満々にもっともらしく誤情報（＝事実とは異なる内容や、文脈と無関係な内容）を生成します。この現象をハルシネーション（Hallucination）と呼びます。

図6　ハルシネーションのイメージ

　ちなみに、ハルシネーションは「幻覚」という意味です。まるでAIが「幻覚」を見聞きして出力しているみたい、というわけです。

　ハルシネーションはもっともらしいことが多いので、AIから返答を受け取った人間が「本当かどうか」の判断に困るという問題があります。この問題を回避する方法として、生成内容の正確さを向上させるために、Webアクセスを含める機能や、独自の情報源を付与するRAG（後述）、ファインチューニング（後述）による再学習などがあります。

　そのRAGを理解するために、「埋め込み表現」「ベクトル検索」「ベクトルデータベース」についても事前に知っておきましょう。

5. 埋め込み表現

　埋め込み（Embedding：エンベディング）とは、単語やテキスト、画像を、AI／言語モデルが扱いやすい数値ベクトル（後述）に変換することです。

　数値ベクトルとは、例えば[0.47, －0.12, 0.26, 0.89, －0.71, ...]のように実数値が並べられた配列のことで、例えば100個の数値が並ぶ場合は「100次元」とも表現できます。このように表現された数値ベクトルは、埋め込み表現とも呼ばれます。

　例えば単語を埋め込む、つまり数値ベクトルに変換することで、意味的に近い単語同士が（数学概念の）ベクトル空間上で近接するように変換されます（図7）。つまり埋め込みによって、意味的な類似度を数学的に計算できるようになるというメリットがあるわけです。

図7　「埋め込み」のイメージ

6. ベクトル検索

　ベクトル検索とは、数値ベクトル（埋め込み表現）間の類似度を計算することで、関連する情報を見つけ出す検索方法です（図8）。意味的な類似性を捉えられるのが特徴です。これは、単に文字列の一致やパターンマッチングに基づいて検索する（従来の）キーワード検索とは大きく異なる特性です。

図8　「ベクトル検索」のイメージ

　例えば企業がチャットAIを導入する際、「自社内の情報を回答できるようにしたい」というニーズは高いでしょう。これを実現するには、「RAG」と呼ばれる仕組み（後述）を導入するのが一般的です。そのRAGで自社情報を検索するための方法として、ベクトル検索がよく採用されています。

7. ベクトルデータベース

　ベクトルデータベースとは、テキストなどのデータを数値ベクトル（埋め込み）として保存するデータベースのことです。ベクトル検索により、意味的に類似する情報を探せるのが特徴で、チャットAIのRAG構築に役立ちます。

　ただし、データを格納して管理するシステム形式の「データベース」製品だけではなく、単に開発者用のライブラリ（＝プログラミングで使う部品集）形式の製品（例えばMetaの「Faiss：Facebook AI Similarity Search」など）も存在するので、ベクトル検索の機能を持つ製品全般を総称してベクトルストアと呼ばれる場合もあります。

　図9は代表的な「ベクトルデータベース／ベクトルストア」のカオスマップ（業界地図）です。

図9　「ベクトルデータベース／ベクトルストア」のカオスマップ（業界地図）
このカオスマップでは、筆者の考える「注目度」の順に、各製品／サービス／ライブラリを中心点（ホットスポット）から外側に向けて放射状に配置している。例えば、中心点から右斜め上に目を向けると、「Pinecone」「Milvus」「Weaviate」といった順に製品が配置されている。これと同じように、中心点から左斜め上、左斜め下、右斜め下へと目を移すことで、各方向に配置された製品群を発見できる。このように中心点から各方向へ探索することで、関連性や技術的な親和性に基づいて製品を発見できるのが、このカオスマップの利点だ。

8. RAG（検索拡張生成）

　RAG（Retrieval-Augmented Generation：検索拡張生成）とは、ChatGPTなどのチャットAIに独自の情報源を付与する仕組みのことで、具体的には言語モデルによるテキスト生成に特定の情報源（ナレッジベース）の検索を組み合わせることです。これには、生成内容の正確さが向上して、ハルシネーションを回避しやすくなるメリットがあります。

　図10はRAGの基本的な流れを示したものです。

図10　「RAG」のイメージ

　ユーザーからの質問内容で、いったんナレッジベース（ベクトルデータベースなどの情報源）を検索して自社情報を引き出し、それを踏まえてLLMに質問への回答を生成してもらう、というわけです。そのナレッジベースとして、ベクトルデータベース／ベクトルストアを採用することが一般的です。

　ハルシネーションを回避する方法として、「RAG」の他に「ファインチューニング」もあると説明済みです。ファインチューニングを説明するために、まずは事前学習について説明します。

9. 事前学習

　LLMなど最近のAIモデルでは、データからの学習（訓練、トレーニング）の工程が2段階に分けられています。最初にAIモデルを訓練することを事前学習と呼び、次にその事前学習済みモデルを特定の用途（例えばチャットAI用）に適応させるために微調整（ファインチューニング、後述）することを下流タスクと呼びます（図11）。

図11　「事前学習」と「下流タスク」のイメージ
※図中には自己教師あり学習や転移学習という記載があるが、本稿では説明を割愛する。

　少し専門的な話になりますが、LLMの中身はニューラルネットワークという、人間の脳神経の構造に着想を得たネットワーク構造で構成されています。図11がそのニューラルネットワークの一例で、左側からデータが入力され、そのデータがネットワークを通って、右側へ出力されます。

　事前学習では、左側のデータ入力に近い方から（基本的に）全体を訓練します。LLMなら、これにより言語を理解するモデルが出来上がります。

　下流タスクでは、右側にさらにネットワークの層を追加するなどしてチャットのような特定の用途に対応できる形にした上で、右側の出力に近い方を中心に再訓練してモデルを微調整（ファインチューニング）します。

10. ファインチューニング

　これまでの説明で分かるように、「Fine-tuning（ファインチューニング）」を翻訳すると「微調整」となります。微調整は一般的な日本語なので、より専門用語として目立たせるためなどの理由で「ファインチューニング」と表記されることが多いです。

　あらためてファインチューニングとは、「事前学習」した訓練済みニューラルネットワークモデルの一部もしくは全体を、別のデータを使って再訓練することで、新しい用途向けにモデルのパラメーター（＝言語モデル内部の設定項目）を微調整することです（図12）。

図12　「ファインチューニング」のイメージ

　一般的に、ファインチューニングはRAGよりも取り組むハードルは高いと考えられますが、独自の情報源を再学習することで、より強力にハルシネーションを抑えられる可能性があります。

　以上、2～10番目までは、生成AIのうち主にLLM（大規模言語モデル）に関する用語でした。しかしながら生成AIでは、画像生成AIも注目されています。そこで、代表的な画像生成AIとして「Stable Diffusion」「Midjourney」「DALL-E」についても簡単に紹介しておきます。

代表的な画像生成AI： Stable Diffusion、Midjourney、DALL-E

　これらの代表的な画像生成AIの特徴は、以下の通りです。

Stability AIのStable Diffusion（ステーブル・ディフュージョン）：日本では一番有名で、利用者も多い。オープンソースの画像生成AIモデル。このモデルを使えるサービスは幾つかあり、公式のWebツールに「DreamStudio」がある。さまざまなローカル実行ツールも存在し、例えば「Stable Diffusion web UI（AUTOMATIC1111）」などが有名。
Midjourney（ミッドジャーニー）：日本では二番目に有名。基本的にDiscordというオンライン交流サイト上で/imagine ＜プロンプト＞コマンドを打ち込む形で使用するのが特徴。Discord不要のWeb版が執筆時点ではアルファ版として提供開始されている。
OpenAIのDALL-E 3（ダリ3）： ChatGPTの中に組み込まれており、有料のサブスクリプション「ChatGPT Plus」で利用できる「GPT-4」を選択したときに使用可能。名前は有名だが、Stable Diffusionほど広く利用されていない（という印象を筆者は持っている）。