生成AIは突然現れた技術ではない — AIの歴史と分類から理解する既存の機械学習との違い

生成AIは既存の機械学習を押し退けて突然登場した新しい種族ではない。70年以上にわたる人工知能研究がデータ、演算能力、ニューラルネットワーク技術と出会って生み出された一つの流れだ。

ChatGPTが文章を書き、画像生成モデルが数行の説明だけで絵を作り出すことで、生成AIは人工知能の代名詞のように定着しました。

しかし、企業ではずっと以前からスパムフィルター、商品推薦、異常取引検知、需要予測のようなAIを使用してきました。これらのシステムもすべて機械学習と呼ばれていました。では、生成AIは既存の機械学習と全く異なる技術なのでしょうか？それとも既存の技術に新しい名前を付けただけなのでしょうか？

この質問に適切に答えるには、両技術の機能だけを比較するだけでは不十分です。人工知能という概念がどのように始まり、その中で機械学習とディープラーニングがどのように発展し、生成AIがどの位置にあるのかを一緒に見る必要があります。

この記事で扱う内容は以下の通りです。

人工知能とは正確には何を意味するのか
AIがルールベースシステムから生成AIまで発展した過程
AI、機械学習、ディープラーニング、生成AIの包含関係
生成AIと既存の機械学習の核心的な違い
両技術をそれぞれ選択するか、あるいは一緒に使用すべき状況

人工知能は一つの技術名ではない

人工知能、すなわちAIは、コンピューターが認識、推論、学習、計画、意思決定、言語処理のように人間の知能に関連するタスクを遂行するようにする技術と研究分野全体を指します。

ここで重要な点は、AIが特定のアルゴリズムや製品一つの名前ではないということです。

チャットボットだけがAIなのではなく、ニューラルネットワークを使用しなければAIにならないわけでもありません。人が作成した論理規則で問題を解決するエキスパートシステム、ゲームで次の手を探索するプログラム、データからパターンを学習する機械学習モデル、そして文章を生成する大規模言語モデルまで、すべて広い意味でのAIに含まれます。

NISTは生成AIを、入力データの構造と特性を模倣してテキスト、画像、映像、音声のような合成コンテンツを作り出すAIモデルの一種と定義しています。この定義からも、生成AIはAI全体と同義ではなく、AIの中に含まれる特定の分類であることが確認できます。

したがって、次の二つの文は互いに意味が異なります。

AI를 사용한다.
생성형 AI를 사용한다.

最初の文はルールベースシステム、予測モデル、推薦システム、生成モデルをすべて含むことができます。二番目の文はその中でも新しいコンテンツを生成するモデルを使用するという意味です。

AIの歴史を見ると生成AIの位置が見える

生成AIを理解する最も良い方法は、AIの歴史を単純な製品発売年表としてではなく、問題を解決する方法がどのように変化してきたのかを考察することです。

1940～1950年代：機械は考えることができるか

1943年、ウォーレン・マカロックとウォルター・ピッツは、神経細胞の動作を論理演算で表現できるという数学的モデルを発表しました。今日のディープラーニングニューラルネットワークとは形が大きく異なりますが、生物学的ニューロンの動作を計算モデルで表現しようとした点で、人工ニューラルネットワークの歴史の重要な出発点となりました。

1950年、アラン・チューリングは論文「Computing Machinery and Intelligence」で「機械は考えることができるか？」という質問を扱いました。抽象的な知能の定義を巡って議論する代わりに、対話を通じて人間と機械を区別できるかを調べる「模倣ゲーム」を提案しました。その後、このアイデアはチューリングテストとして知られるようになりました。

1956年には、ジョン・マッカーシー、マービン・ミンスキー、ナサニエル・ロチェスター、クロード・シャノンなどが参加したダートマス夏季研究プロジェクトが開催されました。このプロジェクトの提案書で「Artificial Intelligence」という名称が使用され、AIは独立した研究分野の名前を持つことになりました。

1958年、フランク・ローゼンブラットは入力から分類境界を学習するパーセプトロンを論文で提示しました。人がすべての規則を入力する代わりに、データから判断基準を調整する学習モデルの可能性を示したのです。

この時期からAIには二つの流れが共に存在しました。

人が知識と規則を記号で表現するアプローチ
機械がデータと経験から規則を学習するアプローチ

1960～1980年代：規則と知識を入れれば知能になるか

初期のAI研究では、記号主義的アプローチが大きな比重を占めました。人が論理、知識、問題解決手順をコンピューターが理解できる形で入力すれば、機械が推論できると考えられたのです。

エキスパートシステムはこのアプローチの代表的な結果でした。医師やエンジニアの判断規則をIF-THEN形式で整理し、入力された事実に規則を適用して結論を導き出しました。

IF 발열이 있고 특정 검사 결과가 양성이면
THEN 특정 질환의 가능성을 검토한다.

問題が明確で範囲が狭い場合には有用でしたが、現実のすべての例外や暗黙の知識を人が規則として作成することは困難でした。規則が多くなるほど互いに衝突したり、メンテナンスが複雑になったりしました。

研究者と大衆の期待は急速に高まりましたが、当時のデータ、コンピューティング性能、アルゴリズムはその期待に応えられませんでした。投資と関心が急激に減少する時期が繰り返され、これを一般にAIの冬と呼びます。

1990～2000年代：規則よりデータ

コンピューターにすべての判断規則を入力する代わりに、実際のデータから統計的パターンを学習する機械学習が次第に中心へと移行しました。

この時期に決定木、サポートベクターマシン、アンサンブル、確率モデル、ニューラルネットワークが分類、予測、検索、推薦問題に活用されました。企業が言う「既存の機械学習」は、主にこの流れで発展した技術を意味します。

1997年、IBMのディープブルーがチェスの世界チャンピオン、ガリー・カスパロフとの公式再戦で勝利した事件もAIの歴史において象徴的な場面です。ただし、ディープブルーを今日の生成AIや汎用学習モデルとして理解すべきではありません。ディープブルーはチェスという明確に定義された問題において、探索、評価関数、専門知識を組み合わせた特化システムに近いものでした。

この事例は、AIが人間のようにすべてを理解していなくても、特定の課題においては人間最高レベルの性能を発揮できることを示しました。

2010年代：ディープラーニングの復活

ニューラルネットワーク研究は古くから存在しましたが、十分なデータと演算リソースが不足していたため、大規模な問題への適用は困難でした。インターネットを通じてデータが増え、GPUを利用した並列演算が可能になったことで状況が変わりました。

2012年、AlexNetは約120万枚の画像を使用するImageNet分類課題で、深い畳み込みニューラルネットワークとGPU学習の効果を示しました。この出来事は、画像認識だけでなく、音声、自然言語処理、推薦分野でディープラーニングの活用が急速に広がるきっかけとなりました。

2014年には、生成者と識別者が競争しながら学習するGANが発表されました。識別モデルばかりが注目されていたニューラルネットワーク研究において、実際のデータと似た新しいデータを作り出す生成モデルが強い存在感を持つようになりました。

2017年の論文「Attention Is All You Need」は、リカレントニューラルネットワークに依存せず、アテンションを中心に文脈関係を処理するトランスフォーマー構造を提案しました。トランスフォーマーは大規模並列学習に有利であり、その後、大規模言語モデルの核心的な基盤となりました。

2020年代：生成モデルが汎用インターフェースとなる

2020年のGPT-3論文は、大規模自己回帰言語モデルがタスクごとに再学習されなくても、指示と少数の例だけで翻訳、質疑応答、文章生成など複数のタスクを遂行できることを示しました。

同年発表されたDDPM研究は、ノイズを段階的に除去して高品質な画像を生成する拡散モデルの可能性を示しました。その後、テキスト説明から画像を生成するサービスが急速に発展しました。

2022年11月に公開されたChatGPTは、言語モデルを研究者や開発者だけが使うモデルではなく、誰もが自然言語で操作できる対話型ツールへと変えました。

この歴史から導かれる重要な結論は明確です。

生成AIは既存のAIと断絶した発明品ではなく、初期のニューラルネットワーク研究と機械学習、ディープラーニング、大規模データ、GPU、トランスフォーマー、生成モデル研究が累積された結果である。

AI、機械学習、ディープラーニング、生成AIはどのように接続されるのか

これらの用語は頻繁に混同して使用されますが、同じレベルの分類ではありません。

最も単純化すると、次のような包含関係を描くことができます。

인공지능(AI)
├── 규칙·논리·탐색 중심 AI
└── 학습 중심 AI
    └── 머신러닝(ML)
        ├── 전통적 머신러닝
        └── 딥러닝
            ├── 판별·예측 중심 모델
            └── 현대적 생성 모델
                ├── 대규모 언어 모델
                ├── 확산 모델
                ├── GAN
                └── VAE 등

この図は理解を助けるための単純化です。生成モデルという概念はディープラーニングよりも古く、すべての生成モデルが必ずしも巨大なニューラルネットワークを使用するわけではありません。ただし、今日「生成AI」と呼ばれるサービスのほとんどがディープラーニングベースであるため、実務では上記のような構造で理解しても大きな問題はありません。

各用語を区別してみましょう。

人工知能

コンピューターが知的なタスクを遂行するようにする最も広い範疇です。ルールベースシステム、探索アルゴリズム、機械学習、生成AIがすべて含まれます。

機械学習

AIを実装する複数の方法の一つです。人がすべての規則を直接作成するのではなく、データからパターンと判断基準を学習します。

ディープラーニング

機械学習の一種で、多層で構成された人工ニューラルネットワークを使用します。画像、音声、テキストのような複雑な非定型データから特徴を自動的に学習するのに強いです。

生成AI

学習データの構造と分布に基づいて、新しいテキスト、画像、音声、映像、またはコードを作成するAIです。現代の生成AIはほとんどがディープラーニングを使用しますが、「生成する」という目的を基準に付けられた名前である点が重要です。

大規模言語モデル

生成AIの一種です。大規模なテキストから言語パターンを学習し、次のトークンを予測しながら文章を生成します。すべての生成AIが言語モデルであるわけではありません。画像拡散モデルや音楽生成モデルも生成AIです。

もう一つの分類軸：どのように学び、何を出力するのか

AIの分類が混乱する理由は、一つの基準だけを使用しないためです。

学習方法を基準としては、次のように分けることができます。

教師あり学習：正解が付いたデータで学習
教師なし学習：正解なしでデータの構造を発見
自己教師あり学習：データの一部を正解のように活用して学習
強化学習：行動の報酬を通じて戦略を学習

出力目的を基準としては、次のように分けることができます。

判別・予測モデル：入力がどのカテゴリに属するか、どのような値になるかを判断
生成モデル：学習した分布に基づいて新しいサンプルを生成

したがって、「既存の機械学習対生成AI」という比較は、厳密な学術分類というよりは実務的な表現です。

既存の機械学習は技術の実装方式と時代的な使用慣行を指す言葉であり、生成AIは主にモデルの出力目的を指します。両カテゴリは完全に左右対称ではありませんが、企業システムを比較する際には次のような意味で有用です。

기존 머신러닝: 정해진 업무에서 분류·예측·추천하는 모델
생성형 AI: 열린 형태의 텍스트·이미지·코드를 만드는 모델

既存の機械学習は判断し、生成AIは作り出す

既存の機械学習が主に解決する問題は、分類、回帰、推薦、異常検知です。

이 이메일은 스팸인가?
이 거래는 사기일 확률이 얼마인가?
다음 달 판매량은 얼마나 될까?
이 사용자에게 어떤 상품을 추천할까?

結果はクラス、確率、数値、または順位のように制限された形で出力されます。

스팸일 확률: 97%
예상 판매량: 12,400개
추천 상품: A, C, F

生成AIは学習したパターンを利用して新しいコンテンツを作成します。

이 고객 문의를 세 문장으로 요약해 줘.
환불 정책을 근거로 답변 초안을 작성해 줘.
쿠버네티스 장애 대응 절차를 표로 정리해 줘.
제품 콘셉트에 맞는 이미지를 만들어 줘.

言語モデルも内部的には次のトークンを予測します。したがって、生成AIが予測をしないわけではありません。小さな予測を繰り返し連結して長く開放的な結果物を作り出す点が異なります。

両技術の違いを一覧で比較すると


区分	既存の機械学習	生成AI
主な目的	分類、予測、推薦、検知	テキスト、画像、コードなどの生成
入力	構造化データ、センサー値、取引記録	自然言語、文書、画像、複合入力
出力	クラス、確率、数値、順位	文章、画像、音声、コード
業務範囲	特定の問題に特化	一つのモデルで多様な作業が可能
学習データ	ラベル付き業務データが多い	大規模非構造化データと自己教師あり学習を活用
評価	精度、適合率、再現率、予測誤差	事実性、有用性、指示遵守、安全性
代表的なリスク	誤分類、偏り、データドリフト	ハルシネーション、情報漏洩、有害または不正確な生成
コスト・速度	小さく、素早く最適化しやすい	比較的多くの演算と費用が必要
結果制御	出力範囲が比較的明確	表現と内容が毎回異なる可能性がある

既存の機械学習の利点は、狭く明確な問題において迅速かつ一貫した判断を下せることです。一方、生成AIの強みは、非構造化情報を扱い、人がすぐに利用できる形で結果を表現する能力です。

同じ顧客問い合わせを処理してみると違いが鮮明になる

オンラインショッピングモールに次の問い合わせがあったと仮定してみましょう。

지난주에 주문한 상품이 아직 도착하지 않았습니다.
배송 조회도 사흘째 같은 위치인데 취소할 수 있나요?

既存の機械学習モデルは問い合わせを分類し、危険度を計算できます。

문의 유형: 배송 지연
고객 이탈 위험: 높음
긴급도: 0.82

生成AIは問い合わせ内容に基づいて、オペレーターが使用する回答を作成できます。

배송 지연으로 불편을 드려 죄송합니다.
현재 배송 상태를 확인한 뒤 취소 가능 여부와 예상 도착일을 안내해 드리겠습니다.
주문번호를 알려주시겠어요?

最も良いシステムは、どちらか一方だけを固執しません。

고객 문의
   ↓
기존 머신러닝으로 유형·위험도 분류
   ↓
주문 시스템과 환불 정책 조회
   ↓
생성형 AI가 근거 기반 답변 초안 작성
   ↓
규칙 검증 또는 상담원 승인
   ↓
고객에게 전송

既存の機械学習は判断を担当し、生成AIは説明と表現を担当します。データベースとルールエンジンは事実と権限を保証します。

生成AIが既存の機械学習を代替しない理由

生成AIは汎用的ですが、すべての問題に最適な選択肢ではありません。

正解範囲が明確な問題

カード取引の詐欺確率や来週の需要を予測する問題であれば、専用の機械学習モデルの方が速く、安価である可能性があります。

結果が必ず一貫していなければならない問題

税金計算、アクセス権限判定、決済承認のように、同じ条件で同じ結果が必要な業務は、ルールベースシステムと専用モデルが中心となるべきです。

大量リアルタイム処理

毎秒数千件のイベントを処理する必要がある場合、大規模な生成モデルよりも小さな分類モデルや異常検知モデルの方が効率的です。

明確な性能測定

詐欺取引検知率のように目標を数値で管理する必要がある場合、既存の機械学習は精度、適合率、再現率などで性能を比較しやすいです。

生成AIを無条件に適用すると、コストが増加し、結果の検証も難しくなる可能性があります。大きなモデルが最新であるという理由だけで、より適切であるとは限りません。

生成AIにはなぜ新しいリスク管理が必要なのか

既存の機械学習の代表的な失敗は誤分類です。正常な取引を詐欺と判断したり、詐欺取引を正常として通過させたりするようなものです。

生成AIではハルシネーションが重要な問題として浮上します。モデルが存在しない論文、誤ったAPIオプション、あるいは実際に発表されていないポリシーを自然かつ自信を持って説明することがあります。

言語モデルは真実を保管したデータベースではなく、文脈上可能性の高い次のトークンを生成するモデルです。文章が自然であるという事実は、内容が正確であるという証拠ではありません。

したがって、重要な業務では次のような制御が必要です。

承認された文書を検索してモデルに提供するRAG
回答とともに根拠となる出典を表示
構造化された出力とスキーマ検証
個人情報と機密情報の入力遮断
許可されたツールと作業範囲の制限
高リスクの結果に対する人間の承認
プロンプトと出力に対する監査記録

生成AIシステムは、モデル一つだけでなく、検索、データ、権限、検証、運用ポリシーを含む全体構造で評価する必要があります。

どのような技術を選択すべきか

結果がどうあるべきかを最初に考えると、選択が容易になります。

次の条件であれば、既存の機械学習をまず検討することをお勧めします。

答えがクラス、スコア、数値、または順位である。
処理速度とコストが重要である。
出力形式が固定されている。
同じ入力に対して安定した判断が必要である。
性能を明確な指標で測定する必要がある。

次の条件であれば、生成AIが適している可能性があります。

文書、画像、音声、またはコードを作成する必要がある。
自然言語で質問し、回答するインターフェースが必要である。
非構造化文書を要約したり、他の形式に変換したりする必要がある。
人が使用する下書きを迅速に作成する必要がある。
タスクごとに入力と出力の形式が少しずつ異なる。

次の条件であれば、両技術を組み合わせることが現実的です。

予測結果を人が理解しやすいように説明する必要がある。
社内文書を根拠に回答を生成する必要がある。
リスク度に応じて自動処理と人の承認を分ける必要がある。
自然言語のリクエストを構造化された業務命令に変換する必要がある。

生成AIを分類図で見る瞬間、誤解が減る

生成AIはAIの歴史の中で突然現れた例外ではありません。

1940年代の人工ニューロンの概念、1950年代のAI研究とパーセプトロン、ルールベースエキスパートシステムの成功と限界、データ中心の機械学習の拡散、2010年代のディープラーニングの発展、GANとトランスフォーマー、大規模言語モデルと拡散モデルが順に積み重なって、今日の生成AIが登場しました。

関係を一つの文でまとめると次のようになります。

AIは最も大きな目標と研究分野であり、機械学習はデータを介してAIを実装する方法であり、ディープラーニングは機械学習の一種であり、現代の生成AIは主にディープラーニングを利用して新しいコンテンツを作成する応用領域である。

既存の機械学習と生成AIも、競争関係としてのみ見る必要はありません。

既存の機械学習は「これが何であるか、将来どれくらいになるか」を判断するのに強いです。生成AIは「その判断をどのように説明し、どのような成果物として表現するか」を扱うのに強いです。

良いAIシステムは、最も大きなモデルを選択するシステムではありません。予測が必要な場所には予測モデルを、生成が必要な場所には生成モデルを、正確な事実と権限が必要な場所にはデータベースとルールエンジンを配置するシステムです。

生成AI時代にも変わらない原則が一つあります。

技術の名前から出発するのではなく、解決しようとする問題から出発すべきです。