第1章 AIの現在地

～2025年 知っておくべきメガトレンドと基本知識～

学ぶこと：AIの主要トレンド

AIの現状理解のための主要技術トレンドと基本概念。

• AIの定義と分類
• 自然言語処理技術 (Transformer, LLM)
• データと機械学習
• AIアラインメント
• 生成AI
• AI for Science
• AIの効率性と持続可能性
• 責任あるAI

現代社会におけるAIの重要性

AIは社会の様々な場面で活用。
DCON等では、学生のアイデア実現の強力な手段。
本章でAI活用の基礎知識を習得。

1.1 AIの定義と分類

AI（人工知能）とは
人間の知的活動をコンピュータで模倣・実現する技術・学問。

AIの主な分類

• 特化型AI (ANI): 特定タスク特化。現在の主流。
  例：顔認証、自動翻訳。
• 汎用AI (AGI): 人間のように多様なタスク対応。未実現。

ポイント: 現在のAIは「特化型」。万能ではないが特定分野で高性能。
キーワード: AI, 特化型AI (ANI), 汎用AI (AGI)

1.2 Transformerと大規模言語モデル(LLM)

自然言語処理のブレークスルー
Transformer (2017年): NLPに革命。自己注意機構で深い文脈理解。

大規模言語モデル (LLM)
Transformerベース。膨大なテキストデータで事前学習。例: GPTシリーズ。

LLMの主な能力
高度な文脈理解、文章生成、翻訳、対話、要約。
キーワード: Transformer, LLM, 自己注意機構, GPT, NLP

LLMの限界と課題

• ハルシネーション: 誤情報生成。
• バイアス: 学習データの偏見を反映・増幅。
• 知識のカットオフ: 最新情報に未対応。
• 計算資源とエネルギー消費: 膨大なリソース。

批判的視点での活用が重要。

1.3 データ駆動型AIと機械学習

AIとデータ
機械学習モデルはデータから学習。データがAI性能を左右。

機械学習の主要な手法

1. 教師あり学習: 入力と正解ラベルで学習。例：迷惑メール分類。
2. 教師なし学習: 正解ラベルなしでデータ構造発見。例：顧客セグメンテーション。
3. 強化学習: 試行錯誤で報酬最大化。例：ゲームAI。
   キーワード: 機械学習 (ML), 教師あり学習, 教師なし学習, 強化学習, 訓練データ

学習データの重要性：質・量・バイアス

• データの量: 多いほど汎化性能向上。大規模モデルでは特に重要。
• データの質: 不正確・ノイズは性能低下 (GIGO)。データバイアスは判断に偏り。

高品質で偏りのないデータ準備が不可欠。

1.4 AIアラインメント：人間との価値整合

AIアラインメントとは
AIの行動・目標を人間の価値観・意図・社会全体の利益と一致させること。

• 指示チューニング: 指示と望ましい出力ペアで学習。意図理解向上。
• RLHF: 人間評価を報酬にLLM応答を人間の好みに近づける。

AI高度化に伴い重要性増。
キーワード: アラインメント, RLHF, 指示チューニング

1.5 生成AI：新たなコンテンツ創造

生成AI (Generative AI):
既存データから学習し、新規オリジナルコンテンツを自動生成。

• テキスト生成: LLM (GPT等)、プログラムコードなども
• 画像生成: 拡散モデル (Stable Diffusion等)
• 音楽生成
• 動画生成 (Sora等)
• 3Dモデル生成

マルチモーダルAI: 複数情報（テキスト、画像等）を統合処理・生成 (GPT-4V等)。
キーワード: 生成AI, プロンプト, 拡散モデル, マルチモーダルAI

生成AIの活用例 (DCONを想定)

• アイデア創出支援
• 資料作成補助
• デザインプロトタイピング
• コーディング支援

生成AI活用で創造活動を加速。

1.6 AI for Science：科学研究の革新

AI for Scienceとは
AIを科学研究に応用。新発見加速、課題解決。大量データ解析、シミュレーション高速化、仮説生成。

主な応用分野の例

• 生命科学・創薬: AlphaFold
• 材料科学: マテリアルズ・インフォマティクス
• 地球科学
• 天文学

科学研究の方法論を変革。

1.7 AIの効率化と持続可能性

AIの環境負荷
大規模AIモデルは訓練・運用に多大な電力消費。環境負荷が課題。
グリーンAI、サステナブルAIが求められる。

主な取り組み

• モデル軽量化・圧縮
• 効率的なAIアーキテクチャ
• 省エネAIハードウェア
• エッジAI

AI民主化と地球環境との調和に貢献。

1.8 責任あるAI (Responsible AI)

責任あるAIとは
AIが人間の価値観・社会規範に沿い、公平・透明・安全・説明可能に運用されることを目指す概念。

主要原則
公平性 ,透明性 ,説明可能性 (XAI) ,安全性と信頼性 ,プライバシー保護 ,アカウンタビリティ ,人間中心性
キーワード: 責任あるAI, ELSI, 公平性, 透明性, XAI, AI倫理

まとめ：AIの現在地と今後の展望

本章のまとめ：

• AI定義・分類、TransformerとLLMの影響。
• データの重要性（質・量・バイアス）。
• AIアラインメントの必要性。
• 生成AI、AI for Scienceの進展。
• AIの効率化・持続可能性、責任あるAI。

これらはAI理解・活用の基礎。AIは社会を変革し続ける技術。

質疑応答

ご質問、さらに詳しく知りたい点など、ご遠慮なくどうぞ。