AI 知識百科
わかりやすい解説で、人工知能の重要な概念を学びましょう。
AI
見て、聞いて、話し、判断する機械。感情も自我もない、便利な助手です。
詳しく見る →AGI
AGIとは、人間のようにあらゆる問題を理解・学習・解決できる万能AIです。
詳しく見る →プロンプト
プロンプトとは、AIに伝える「頼み方の言葉」。同じモデルでも、聞き方を変えるだけで答えの質は大きく変わります。
詳しく見る →AI Agent
自ら計画しツールを使いタスクを実行する能動的AI。単なる対話型ではない。
詳しく見る →LLM
膨大なテキストから学ぶ確率予測器。超高速で「しりとり」を行うAI。
詳しく見る →AIGC
AIが文章・画像・動画などを自律生成。創作のハードルが「言葉を伝えるだけ」に低下。
詳しく見る →RAG
AIが資料を検索してから回答。幻覚を減らし、信頼性を高める。
詳しく見る →機械学習
データからコンピュータが自らパターンを学ぶ。ルールを書く必要はない。
詳しく見る →ディープラーニング
多層ニューラルネットが自ら特徴を抽出。膨大なデータとGPUが必須。
詳しく見る →ファインチューニング
少量の分野別データで汎用AIを特定タスクのエキスパートに変える。
詳しく見る →知識蒸留
大規模モデルの推論知恵を小型モデルに圧縮。速度は10倍、性能はほぼ維持。
詳しく見る →AI幻覚
大規模モデルが確信してでっち上げる。確率的なゲームに過ぎない。
詳しく見る →思考と推論
AIに段階的な解き方を書かせると正答率アップ。だが本質は確率パターン。
詳しく見る →具身知能
AIに物理的な体を与え、現実世界での試行錯誤を通じて本物の知恵を学ばせる。
詳しく見る →ワールドモデル
ワールドモデルは「次の単語」ではなく「世界の次の状態」を予測しようとする技術です。物理法則や因果関係をAIが理解するための鍵となります。
詳しく見る →トークン
トークンはAIが言葉を扱う最小単位です。モデルは文字を読むのではなく、テキストをトークンに切り分けて計算します。従量課金や長さ制限の正体でもあります。
詳しく見る →AI普及
AI普及とは、AIが一部の大企業だけの特権ではなく、誰もが手の届く価格で使えるようになること。オープンモデルと安価な計算資源が、AIを一部の業界からあらゆる業界へ広げています。
詳しく見る →マルチエージェントシステム
マルチエージェントシステムは、複数のAIエージェントを「仮想チーム」に組み、役割分担しながら、1体のAIでは難しい複雑な作業をこなします。
詳しく見る →インテリジェントエコノミー
インテリジェントエコノミーとは、AIを中核の駆動力とし、データを主要な生産要素とする新しい経済の形。AIは道具ではなく、水や電気のようなインフラになります。
詳しく見る →RLHF（人間のフィードバックによる強化学習）
RLHFは人間の好みの順位付けでモデルの振る舞いを調整する技術。AIの出力をより安全に、より人の期待に沿ったものにする中核技術のひとつです。
詳しく見る →教師あり微調整
教師あり微調整（SFT）は、質の高い「質問と模範解答」のペアで基盤モデルを追加学習し、指示に従って整った形式で答えることを教えます。「話せる」から「仕事ができる」への一歩です。
詳しく見る →プロンプトエンジニアリング
プロンプトエンジニアリングは「どう聞けばAIが上手に答えるか」の方法論。同じモデルでも、良いプロンプトなら精度を61%から95%に引き上げられます。
詳しく見る →コンテキストエンジニアリング
コンテキストエンジニアリングは、AIの「記憶」を管理するシステム的な技術。検索、並べ方、キャッシュ、トークン予算。それが複雑なエージェントの賢さ・コスト・信頼性を左右します。
詳しく見る →AIによる科学研究
AIによる科学研究は、仮説生成から実験設計まで研究の全工程にAIを入れ、創薬・材料・気候などのブレイクスルーを加速します。
詳しく見る →一人会社（ワンパーソンカンパニー）
AIを「仮想の社員」として使い、設計・開発・運用・サポートまで一人で回し、それを本物のビジネスにする。
詳しく見る →自律的コンピューティングパワー（自主算力）
国産AIチップとスーパークラスターの体系的強化で、AIの「燃料」である計算力を自らの手に握る取り組み。
詳しく見る →生成AI（ジェネレーティブAI）
まったく新しいテキスト・画像・動画・音声を生み出すAI。このAIブームの本当の起点です。
詳しく見る →アライメント（整合）
AIの振る舞いを人間の価値観や意図と一致させ続けること。AIの全ライフサイクルを貫く安全の中核課題です。
詳しく見る →思考の連鎖（Chain of Thought）
答える前に推論の手順を一歩ずつ書き出させることで、難しい問題の正答率が大きく上がります。
詳しく見る →バイブコーディング
自然言語の対話でコードを作る手法。欲しいものを「感覚」で説明し、AIが実際のコードを生成します。
詳しく見る →オープンソース大規模モデル
モデルの重みとコードを公開し、誰でもダウンロード・改変・二次開発できるようにする。中国発オープンソースモデルの世界累計DLは100億回超え。
詳しく見る →データ要素（データエレメント）
データを土地や労働と並ぶ重要な生産要素と位置づける考え方。2026年は「データ要素価値解放の年」と定められました。
詳しく見る →モデルコンテキストプロトコル（MCP）
Anthropicが提唱するオープン標準。AIモデルを外部ツールやデータソースに「差し込む」ように接続できるようにします。
詳しく見る →ロングコンテキスト（長文脈）
AIが一度に数百万トークンの文脈を扱えるようにすること。78%の企業ユーザーが大規模モデル選定の最優先要件に挙げます。
詳しく見る →推論型モデル
「考えてから答える」モデル。より多くの計算で高い精度を得る一方、「考えすぎ」になることもあります。
詳しく見る →強化学習
試行錯誤と報酬でシステムに最適な戦略を学ばせる仕組み。RLHFや推論モデルを支える土台です。
詳しく見る →ワークスロップ
ワークスロップはAIが生み出す質の低い仕事の産物。役に立たないだけでなく、同僚に仕事を押し付けてしまいます。
詳しく見る →FOBO（時代遅れ恐怖）
FOBOはAIの急速な進歩が生む「時代遅れになる恐怖」。普通の仕事の不安より深い、存在感の揺らぎです。
詳しく見る →マルチモーダル
マルチモーダルは、テキスト・画像・音声・動画など複数のモダリティをAIが同時に理解・生成する技術。人間のように世界を総合的に捉えます。
詳しく見る →シンクスロップ
シンクスロップはAIへの過度な依存が生む「思考の怠け」。考えることをAIに外注し、能力が静かに衰えていきます。
詳しく見る →DPO（直接選好最適化）
DPOは報酬モデルを訓練せず、人間の選好データで直接モデルを最適化する手法。RLHFよりシンプルでコストも抑えられます。
詳しく見る →領域特化モデル
通信・金融・医療・法律など特定の業界向けに訓練されたモデル。用語が正確で、業界ルールに詳しく、実務により馴染みます。
詳しく見る →スーパーノード
スーパーノードは数百〜数千のAIチップを深く統合し、1台の巨大スーパーコンピューターにするもの。最先端モデル訓練の計算基盤です。
詳しく見る →自然言語処理
自然言語処理はコンピューターに人間の言葉を理解・生成させる技術。音声アシスタント、翻訳、ChatGPTなどあらゆるAI応用の土台です。
詳しく見る →コンピュータビジョン
コンピュータビジョンは、機械に画像や動画を「理解」させます。物体を認識し、場面を読み取り、動きを追う。自動運転・防犯・医療画像の裏にある「目」です。
詳しく見る →音声認識
音声認識は、あなたの話した言葉を文字に変えます。音声アシスタント・字幕・書き起こしの裏にある中核能力で、機械に人話を「聞き取らせる」技術です。
詳しく見る →音声合成
音声合成は文字を自然な人の声に変えます。AIに「口を開かせる」技術で、オーディオブックからナビの案内まで、その声は年々人間らしくなっています。
詳しく見る →拡散モデル
拡散モデルは「ノイズを加えて、また取り除く」ことで画像を生成する技術。MidjourneyやStable Diffusionなどの画像生成ツールの核となるエンジンです。
詳しく見る →Transformer（トランスフォーマー）
2017年に発表された、アテンション機構で系列を並列に処理するニューラルネットワークのアーキテクチャ。現在のほぼすべての大規模言語モデルは、この上に立っています。
詳しく見る →注意機構（アテンション）
注意機構は、モデルが各単語を処理するとき、文の中のより関連の深い別の単語へ「注意」を向けられる仕組み。Transformerの魂であり、大規模モデルが文脈を理解できる鍵です。
詳しく見る →LoRA（ローラ、低ランク適応）
LoRAは、追加したごく少数のパラメータだけを訓練して大規模モデルに新しいタスクを覚えさせます。微調整を「大金」から「コーヒー1杯」のコストに変え、誰でも遊べるようにしました。
詳しく見る →量子化
量子化はモデルのパラメータを高精度な浮動小数点数から低ビットの整数へ圧縮します。モデルを軽く、速く、省メモリにし、「大規模モデルをローカルで動かす」鍵です。
詳しく見る →投機的デコーディング
投機的デコーディングは、小さなモデルが先に「下書き」し、大きなモデルが「査読」する高速化の技。答えを変えずに、大規模モデルの生成を2〜3倍速くします。
詳しく見る →端側AI（オンデバイスAI）
端側AIはスマホ・パソコン・クルマなどの端末上でモデルを動かす技術。ネットがなくても動き、より速く、通信量も節約でき、プライバシーも守れます。
詳しく見る →エージェント間プロトコル
エージェント間プロトコル（A2A）は、異なるベンダーやプラットフォームのAIエージェント同士が、互いを見つけ、通信し、協力するための共通ルール。いわば「AI同士の共通言語」です。
詳しく見る →ベクトルデータベース
ベクトルデータベースは「ベクトル」を保存・検索するデータベース。RAGや意味検索、レコメンドを支えるエンジンで、AIが「字面」ではなく「意味」で探すことを可能にします。
詳しく見る →埋め込み
埋め込みは、文章・画像・音声を「似ている度合いを比べられる」数値ベクトルに変える技術。AIが意味を理解し、検索やレコメンドをするための最初の土台です。
詳しく見る →指示チューニング
指示チューニングは、大量の「指示と回答」のデータでモデルを訓練し、「何をしてほしいか」をより良く理解させます。「言葉を継ぐだけ」から「指示に従う」へ変える技術です。
詳しく見る →憲法AI（Constitutional AI）
憲法AIはAnthropicが提唱した方法。まずAIに文章化された「憲法の原則」を与え、それに照らして自己批判・自己修正させます。大量の人手によるラベル付けを省けます。
詳しく見る →レッドチーミング
レッドチーミングは、あえて「攻撃者」を演じ、敵対的・誘導的な質問でAIシステムを攻め、安全上の穴・偏り・欠陥を誰よりも先に見つけ出す手法です。
詳しく見る →説明可能なAI
説明可能なAI（XAI）は、モデルの判断を透明で、理解でき、追跡できるものにします。結果だけ返して理由を言わない「ブラックボックス」にしない技術です。
詳しく見る →アルゴリズムバイアス
アルゴリズムバイアスとは、訓練データの偏りや設計上の欠陥によって、AIが特定の集団を体系的かつ不公平に扱うこと。警戒し、正していくべき問題です。
詳しく見る →連合学習
連合学習はデータを手元に置いたまま、「モデルの更新」だけをサーバーへ送って集約します。生データを共有せず、多者が協力して訓練できます。
詳しく見る →差分プライバシー
差分プライバシーはデータや出力に制御された「ノイズ」を加え、特定の個人を突き止められなくする、個人のプライバシーを守る数学的手法です。
詳しく見る →合成データ
合成データは、AIが「作り出す」見た目は本物そっくりで、実在の個人情報を含まない偽データ。不足する実データを補い、プライバシーやコンプライアンスのリスクを避けられます。
詳しく見る →データアノテーション
データアノテーションとは、生データにラベルを貼ること。「これは猫、あれは犬」とAIに教える作業で、教師あり学習の土台。ラベルの質がモデルの上限を決めます。
詳しく見る →データクレンジング
データクレンジングは訓練前の「大掃除」。重複・ノイズ・誤りを取り除き、乱れたデータをモデルが安心して食べられるきれいな訓練セットに整えます。
詳しく見る →ベンチマーク
ベンチマークは標準化された「問題集」でモデルを採点し、異なるモデルを同じ物差しで横並びに比較します。モデル選定やリリース時の重要な根拠です。
詳しく見る →グラウンディング
グラウンディングは、モデルの回答を実データや検索結果に「根づかせる」こと。勝手に作り上げず、ハルシネーションを抑える重要な手段です。
詳しく見る →温度（テンパラチャー）
温度（テンパラチャー）はモデル出力の「ランダムさ」を決めるつまみ。低くすれば安定して保守的、高くすれば自由奔放に。コードと詩では求める温度が違います。
詳しく見る →Top-pサンプリング
Top-p（ニュークリアスサンプリング）は「累積確率がちょうどpに達する最小の単語集合」から抽出します。候補範囲を動的に決める、固定のTop-kより柔軟なサンプリング手法です。
詳しく見る →構造化出力
構造化出力は、JSON Schemaなどの決まった形式でモデルに結果を返させること。「自由な」テキストを、プログラムが直接解析できるデータに変えます。
詳しく見る →関数呼び出し
関数呼び出しはモデルに「手」を与える技術。リアルタイムの情報が必要なとき、決まった形式で関数の実行を求め、外のプログラムが実際に動かします。
詳しく見る →ReActパターン
ReActは「推論＋行動」を交互に繰り返すループ。一歩考えて、ツールを呼び、結果を確かめ、答えにたどり着くまで続けます。多くのエージェントの標準的な動き方です。
詳しく見る →計画・実行パターン
計画・実行パターンは、大きなタスクをまず明確なステップのリストに分解し、計画に沿って一歩ずつ進みます。長く多段階のタスク向きです。
詳しく見る →リフレクションパターン
リフレクションは、一巡した後に自分の結果を振り返り、どこが間違っていたかを見つけ、教訓を胸にもう一度挑戦する手法。回を重ねるほど良くなります。
詳しく見る →短期記憶
短期記憶は、エージェントがいまのセッションで保つ文脈。直前の話は覚えていますが、セッションが終われば消えます。人の作業記憶に似ています。
詳しく見る →長期記憶
長期記憶は、セッションをまたいで残る記憶。通常はベクトルデータベースや外部ストレージに保存し、次に会ったときもあなたを「認識」し、好みを覚えています。
詳しく見る →スーパーバイザーパターン
スーパーバイザーパターンでは、1体のメインエージェントが「管理者」となり、複数のサブエージェントに仕事を分け、結果を統合します。複雑で並列可能なタスク向きです。
詳しく見る →ピアツーピアパターン
ピアツーピアでは、複数のエージェントが対等に協力し、直接やり取りします。中央の制御ノードはなく、交渉とメッセージで共通の目標を達成します。
詳しく見る →プロンプトインジェクション
プロンプトインジェクションは、入力に悪意ある命令を潜ませ、エージェントに本来の設定を無視させ、意図しない操作をさせる攻撃。LLMアプリで最も多い攻撃のひとつです。
詳しく見る →サンドボックス
サンドボックスはエージェントのコード実行環境を隔離し、管理された「檻」の中で動かす仕組み。悪意あるコードやバグがホストへ及ぶのを防ぎます。
詳しく見る →チャンキング
長い文書を小さな塊に分け、検索を正確にする技術。RAGの品質を左右する土台です。
詳しく見る →ハイブリッド検索
キーワード検索の「正確さ」とベクトル検索の「意味理解」を合わせ、RAGの検索を正確かつ網羅的にします。
詳しく見る →リランキング
一次検索の結果をもう一度厳しく並べ直し、最適な答えを先頭に。RAGで費用対効果の高い工程です。
詳しく見る →クエリ書き換え
検索の前に、ユーザーの口語的な質問を検索しやすい形へ整えます。指示語を補い、言葉を整えて、システムを当てやすくします。
詳しく見る →マルチターン検索
会話の途中で繰り返し検索し、文脈を動的に補う。長い会話でもAIが途切れず、毎回新しい答えを返せます。
詳しく見る →Mixture of Experts（MoE）
モデルを複数の「専門家」に分け、毎回少数だけを起動。少ない計算で巨大モデルの性能を引き出します。
詳しく見る →小規模言語モデル
パラメータが少なくローカルで動く言語モデル。速く、省電力で、データを外に出さない。端末アシスタントや縦割りタスクに向きます。
詳しく見る →KVキャッシュ
アテンション層のKey・Valueを保存し、一文字ずつの生成で再計算を省く。メモリと引き換えに推論を高速化する重要技術です。
詳しく見る →FlashAttention
分塊計算と再計算で、アテンションのメモリと計算を大幅に削減・高速化する実装。長文脈モデルの標準です。
詳しく見る →vLLM
高スループットのオープンソース推論エンジン。PagedAttentionでメモリをページ管理し、1枚のGPUでより多くの同時リクエストを処理します。
詳しく見る →SGLang
SGLangは、大規模モデルの推論のために作られた構造化生成のオープンソースフレームワーク。制約言語と高速な推論バックエンドを組み合わせ、JSONや関数呼び出しのような複雑な出力を速く、正しい形で返します。
詳しく見る →パラメータ効率的ファインチューニング
パラメータ効率的ファインチューニング（PEFT）は、モデルの大半を凍結し、ごく少数の新しいパラメータだけを訓練して新タスクを覚えさせます。メモリと時間を節約でき、1つの基盤から無数の専門モデルを作れます。
詳しく見る →QLoRA
QLoRAは「量子化」とLoRAをひとつの仕組みにまとめ、本来は業務用GPUが要る大規模モデルの微調整を、一般向けGPU1枚で実現します。メモリは桁違いに減り、性能はほとんど落ちません。
詳しく見る →カリキュラム学習
カリキュラム学習は、人間の「易しいものから」という学び方を取り入れます。訓練データを易しい順に並べ、モデルが土台を固めてから難しいものに挑むことで、収束が安定し、より良く学べます。
詳しく見る →データ拡張
データ拡張は、反転・回転・ノイズ付加・書き換え・合成などで、1つのデータを「似ているが同じではない」複数の新サンプルに増やします。データが少なく高価な時代に、最もお得な節約術のひとつです。
詳しく見る →LLM-as-a-Judge（LLMによる自動評価）
LLM-as-a-Judgeは、ある大規模モデルで別のモデルの出力を自動評価する手法。高くて遅い人手評価を、スケール可能で再現性のある自動プロセスに変えます。
詳しく見る →SWE-bench
SWE-benchは、実際のGitHub issueとその修正内容でAIをテストします。バグ報告とコードリポジトリを渡し、エンジニアのように問題を特定してパッチを書けるかを試すのです。
詳しく見る →WebArena
WebArenaは十数個のリアルなウェブサイトを用意し、「航空券の予約」「パスワード変更」といった実際のタスクを、人間のようにクリック・入力・閲覧してAIにこなさせます。AIが本当にウェブで仕事できるかを測るテストです。
詳しく見る →視覚言語モデル（VLM）
視覚言語モデル（VLM）は、画像を読み、言葉で語ります。写真を見せれば、説明し、質問に答え、写っているものについて推論までできる。目と口をつないだAIです。
詳しく見る →マルチモーダル大規模モデル
マルチモーダル大規模モデルは、テキスト・画像・音声・動画をひとつのモデルに詰め込みます。聞き、見て、読み、話す。感覚をつなぐ単一のシステムで、汎用AIへの大きな一歩です。
詳しく見る →テキストから画像生成（Text-to-Image）
一文を書けば、一枚の絵に。テキストから画像生成は、「宇宙服を着た猫」から「サイバーパンクの街並み」まで、説明を画像に変えます。
詳しく見る →テキストから動画生成（Text-to-Video）
一文で、動く映像が生まれます。テキストから動画生成は説明を連続した映像に変え、AIを「静止画を描く」から「動画を撮る」へ進化させました。
詳しく見る →テキストから3D生成（Text-to-3D）
一文で、ぐるりと回せる3Dモデルが生まれます。テキストから3D生成は説明を3Dアセットに変え、ゲーム・映像・プロダクトデザインの作り方を変えつつあります。
詳しく見る →ヒューマノイドロボット
人間の姿と動きを持つロボット。ヒューマノイドロボットは、人間の世界に合わせた身体とAIの頭脳を組み合わせ、工場や家庭に入る汎用の「労働力」を目指します。
詳しく見る →ROS（ロボットオペレーティングシステム）
ROSは「ロボットのアンドロイド」。ハードウェア抽象化、通信、認識、ナビゲーションをまとめたオープンソースのフレームワークで、開発者が車輪を再発明しなくて済むようにします。
詳しく見る →Sim-to-Real（シミュレーションから実機へ）
シミュレーションでロボットを「満点」まで鍛え、そのあと現実で働かせる。Sim-to-Realは、仮想世界で学んだ技術を実機に移す方法を研究する分野です。
詳しく見る →GPU
GPUはもともとゲームの描画を担うチップでした。並列計算が得意なことから、AIモデル学習の主力ハードウェアになりました。
詳しく見る →TPU
TPUはGoogleが機械学習専用に設計したカスタムチップ。テンソル演算に特化し、Googleの大規模モデルの学習・推論を支えます。
詳しく見る →NPU
NPUはニューラルネットワークの推論専用プロセッサ。消費電力が極めて低く、スマホやイヤホン、カメラの中でAIをオフラインで動かします。
詳しく見る →HBM
HBMはメモリチップを高層ビルのように積み上げ、AIチップに極めて高いデータ転送速度を提供します。
詳しく見る →RAMageddon（メモリ危機）
AIブームでメモリチップの需要が急増し、世界的な品不足と価格高騰を招いた現象。それが「RAMageddon」と呼ばれます。
詳しく見る →AIデータセンター
AIデータセンターはAI計算専用に設計された施設。電力・冷却・ネットワークをGPUクラスタ中心に再構築した、AI時代の新しいインフラです。
詳しく見る →算力ネットワーク
算力ネットワークは、各地に散らばる計算資源を送電網のようにつなぎ、必要な分だけ配分して料金をまとめる。計算力をいつでも使える公共資源にする構想です。
詳しく見る →ジェイルブレイク（脱獄）
脱獄（ジェイルブレイク）は、巧妙なプロンプトでAIの安全制限をすり抜け、本来拒否すべき言葉を引き出す攻撃。モデル安全で最も難しい攻防のひとつです。
詳しく見る →敵対的サンプル
敵対的サンプルは、人にはほとんど変化が分からないのに、AIを誤認識・誤判断させる入力。モデルの脆さを最も如実に示すものです。
詳しく見る →データガバナンス
データガバナンスは、データの品質・安全・コンプライアンス・ライフサイクルを体系的に管理し、データを「乱れた帳簿」から信頼できる資産へ変えます。
詳しく見る →AI法
AI法は、EUがAIに初めて定めたルールブック。用途をリスクの高さで分類し、危険なほど規制を強めます。全面禁止から透明性の確保まで段階的に決められています。
詳しく見る →責任あるAI
責任あるAIは、公平性・透明性・プライバシー・安全性・説明責任という倫理原則のセット。開発から公開までのAIの全過程を貫きます。
詳しく見る →再帰的自己改善
再帰的自己改善は、AIが人間の手を借りずに自分自身を改良し、回を重ねるごとに強くなるという考え。「超知能」への道のりで最も重要であり、最も警戒すべき一歩です。
詳しく見る →不透明な再帰
不透明な再帰は、モデルが考えを「言葉にせず」、問題を内部で何度もループ処理して直接答えを返す手法。より安く、より速い「隠れた推論」です。
詳しく見る →再帰深度
再帰深度は不透明な再帰の「ダイヤル」。内部の層が何回ループされたかを表します。回数が増えるほど思考は深まり、計算資源と時間もかかります。
詳しく見る →トークン経済
トークン経済は、AIのあらゆる出費を「トークン」に換算して帳簿をつけます。何がお金を食うか、どこを節約できるか、どう使うのが得か。AI時代の基本的なコスト感覚です。
詳しく見る →トークン処理量
トークン処理量は、システムが毎秒どれだけのトークンを処理できるかという指標。回答の速さや高負荷への耐性を決める、推論性能の中心的な尺度です。
詳しく見る →セマンティックキャッシュ
セマンティックキャッシュは「完全一致」に頼りません。「言い方は違えど意味は同じ」質問だと見抜き、前の答えを再利用して再計算のコストを省きます。
詳しく見る →エージェントゲートウェイ
エージェントゲートウェイは、すべてのAIエージェントのリクエストを一元で受ける「総門」。認証・レート制限・ルーティング・監視を集中し、何百ものエージェントを秩序立てて行き来させます。
詳しく見る →コンピュータ操作
Computer Useは、AIが人のように「画面を見て、クリックする」ことを可能にします。スクリーンショットとピクセル単位の推論でブラウザやデスクトップアプリを操作し、「話せる」を「できる」に変えます。
詳しく見る →ブラウザ自動化
エージェントがブラウザを自動操作して、クリックや入力、データ取得などのWeb作業をこなす技術。面倒な「手作業のクリック」をプログラムに任せます。
詳しく見る →キルスイッチ
エージェントに付ける「緊急ブレーキ」。暴走したとき、手動または自動で実行を止め、被害の拡大を防ぎます。
詳しく見る →冪等性
同じ操作を1回やっても10回やっても結果が同じになる性質。エージェントのツール呼び出しを安全にリトライできる土台です。
詳しく見る →最小権限
今のタスクに必要な最小限の権限だけをエージェントに与える原則。万一暴走しても、起こせる被害を最小に抑えます。
詳しく見る →批評者パターン
ひとつのエージェントが生成し、もうひとつが専任でチェック・批判する。「作る役」と「検収する役」で成果物を磨き上げます。
詳しく見る →デッドロック
複数のエージェントが互いの持つリソースや行動を待ち合い、誰も動けずシステム全体が固まる状態です。
詳しく見る →ループ
エージェントが「実行→確認→まだ足りない→また実行」の輪から抜け出せず、同じ動作を繰り返すだけでゴールに届かない状態です。
詳しく見る →サーキットブレーカー
エージェントの異常が続いたとき、実行経路を自動で遮断し、小さな故障がシステム全体の事故に広がるのを防ぐ仕組みです。
詳しく見る →少数ショット学習
「入力→出力」の例をいくつか見せるだけで、モデルがその場で新しいタスクを覚えます。再訓練は不要です。
詳しく見る →ゼロショット学習
例をひとつも与えず、明確な指示だけで、モデルが見たことのないタスクをこなす方法。訓練で身につけた汎用的な理解力が支えです。
詳しく見る →文脈内学習
文脈内学習（ICL）は、パラメータを一切変えず、プロンプトに示した数個の例だけでモデルに新しいタスクをその場で学ばせる仕組みです。
詳しく見る →思考の木
思考の木（ToT）は、モデルに複数の推論の枝を同時に展開させ、比較し、後戻りしながら最善の道を選ばせる手法です。
詳しく見る →ヒューマン・イン・ザ・ループ
ヒューマン・イン・ザ・ループ（HITL）は、AIを要所で一時停止させて人の確認や修正を待ち、自動化の流れに人の判断を織り込みます。
詳しく見る →LangChain
LangChainは、連鎖呼び出し・記憶・ツール・エージェントを部品化したLLMアプリ開発のフレームワーク。LLM開発の事実上の標準です。
詳しく見る →LangGraph
LangGraphはエージェントを「グラフ」として編成します。ノードがステップ、エッジが流れ、状態は確認・後戻り可能。複雑で多段階、複数エージェントの協調に向きます。
詳しく見る →AutoGen
AutoGenはマイクロソフトが公開したマルチエージェント・フレームワーク。複数のAI役割が対話し、お互いをチェックしながら、タスクを「一言」から「成果物」へ進めます。
詳しく見る →CrewAI
CrewAIは各エージェントに「役割とタスク」を割り当て、本物のチームを組むようにマルチエージェント・システムを構築します。目標・分担・協力があり、業務自動化に向きます。
詳しく見る →FAISS
FAISSはMetaが公開した高速なベクトル類似検索ライブラリ。大量のベクトルにインデックスを作り、最も似ている一団を数ミリ秒で見つけます。RAGの土台のひとつです。
詳しく見る →Milvus
Milvusはベクトル専用に作られた分散データベース。大量のベクトルを保存し、高速に検索でき、インデックスと拡張を内蔵。本番RAGの定番の土台です。
詳しく見る →近傍探索
近傍探索は、ベクトル空間の中で「自分に一番近い」いくつかの点を見つける手法。レコメンド、検索、RAGなど、あらゆる「似たものを探す」機能を支える共通の土台です。
詳しく見る →再現率（リコール）
再現率は検索の「網羅性」を測る指標。本当に関連する文書のうち、どれだけを見つけられたかを表します。
詳しく見る →適合率（精度）
適合率は検索結果の「正確さ」を測る指標。返ってきた結果のうち、本当に関連するものの割合を表します。
詳しく見る →逆順位融合（RRF）
RRFは複数の検索結果リストを1つのランキングに統合するアルゴリズム。順位だけを見て逆数で採点する、シンプルでノイズに強い、ハイブリッド検索の定番戦略です。
詳しく見る →ストップトークン
ストップトークンは、モデルが特定の印を生成した時点で出力を止める特殊トークン。出力の境界を制御し、長話やコストを抑える鍵です。
詳しく見る →ストリーミング（逐次出力）
ストリーミングは生成しながら結果を見せる技術。長い回答をトークン単位でリアルタイムに配信し、体感の遅延を大きく減らします。
詳しく見る →システムプロンプト
システムプロンプトはモデルに設定するグローバルなルールと役割定義。すべてのターンに優先度の高い形で効き、AIの正体と境界を決める「見えない憲法」です。
詳しく見る →ログ確率（logprobs）
ログ確率は次のトークンに対するモデルの確信度分布（対数形式）。不確かさの測定、サンプリング、ハルシネーション検出の土台となる信号です。
詳しく見る →安全なマルチパーティ計算
安全なマルチパーティ計算は、各者のデータを漏らさずに共同で計算する暗号技術。秘密分散と断片上の演算で、プライバシーと正しい結果を両立します。
詳しく見る →準同型暗号
準同型暗号は暗号化したデータの上でそのまま計算する暗号技術。クラウドが「見ずに計算」でき、プライバシーと計算能力を両立します。
詳しく見る →基盤モデル
基盤モデルは大規模データで事前学習された汎用モデル。さまざまな下流アプリが共有する「土台」であり、今回のAIブームの根幹です。
詳しく見る →チャットモデル
チャットモデルは「行き来する複数ターンの会話」に特化したAI。文脈を覚え、口調を読み、やり取りを人との会話のように自然にします。
詳しく見る →コードモデル
コードモデルはコードで鍛えたAI。生成・補完・デバッグができ、プロジェクト全体の文脈も読める、プログラマーの「副操縦士」です。
詳しく見る →埋め込みモデル
埋め込みモデルは文字や画像を数字の列（ベクトル）に変え、「意味が近いもの」を数学的に近くに置きます。検索・レコメンド・RAGの土台です。
詳しく見る →リランカーモデル
リランカーモデルは、一次検索で出た候補を「精選」し、最も関連するものを先頭へ。検索やRAGの精度を高める重要な一手です。
詳しく見る →AI+（人工知能プラス）
「AI+」は新しい技術ではなく、ひとつの浸透の動き。製造・医療・教育・農業などへAIを入れ、伝統産業をAIでつくり直します。
詳しく見る →垂直モデル
垂直モデルは「スペシャリスト」。何でも知ることを目指さず、特定の業界・場面を深く掘り、より少ないパラメータでより精密な仕事をします。
詳しく見る →信頼できるAI
信頼できるAIは掛け声ではなく、安全・公平・透明・追跡可能・説明責任という具体的な基準。人が大切なことをAIに任せられるようにします。
詳しく見る →テスト駆動開発
テスト駆動開発は順番を逆にします。先に「これから検証するテスト」を書き、それを通すコードを書く。赤から緑への繰り返しが、より明快で信頼できる設計を引き出します。
詳しく見る →継続的インテグレーション
継続的インテグレーションは、開発者がコードを頻繁にメインへマージし、テストとビルドを自動実行します。問題は早く見つかり、統合は爆発しない。ソフトウェア提供の土台です。
詳しく見る →GitHub Copilot
GitHub Copilotはあなたの「AIペアプログラマー」。エディタでコードを補完し、質問に答え、テストを書き、コーディングを「タイピング」から「説明＋確認」に変えます。
詳しく見る →Cursor
Cursorは、VS CodeをベースにAIを「後付け」ではなく「標準装備」にしたコードエディタ。自動補完やチャットによる編集で、コードを書く時間を大幅に削ります。
詳しく見る →Claude Code
Claude CodeはAnthropicが作ったターミナル型のAIコーディングアシスタント。プロジェクトの中に入り込み、ファイルを読み書きし、コマンドを実行しながら仕事をやり遂げます。
詳しく見る →コードレビュー
コードレビューは、マージ前に人の目で変更点を確認する工程。AIが加わると、数秒で差分全体を走査し、バグや脆弱性、可読性の問題を洗い出します。
詳しく見る →デバッグ
デバッグは、プログラムが思い通りに動かない理由を突き止める作業。AIが加わると、エラーを読み、ログをたどり、原因を特定し、修正案まで示してくれます。
詳しく見る →リファクタリング
リファクタリングは「機能はそのまま、中身を整理する」こと。命名を直し、関数を分け、重複を除き、読みやすく保守しやすいコードに変えます。AIなら速く安全にこなせます。
詳しく見る →単体テスト生成
単体テストは、コードの最小単位（関数など）の動作を検証するもの。AIが関数を読み、通常・異常・境界のテストケースを自動生成してくれます。
詳しく見る →プランニング
プランニングは、AIエージェントが大きな目標を実行可能な小さなタスクに分解する能力。目標が大きく曖昧なほど、この力が「仕事をやり遂げる」か「空回りする」かを左右します。
詳しく見る →ツール選択
ツール選択は、AIエージェントが使える複数のツールの中から「最も適切なもの」を選ぶ能力。正しく選べば効率的に、間違えれば呼び出しを無駄にし、仕事を台無しにします。
詳しく見る →観測（Observation）
観測（Observation）は、エージェントがツールの実行結果を読み取り、自分の状態を更新するステップ。「行動→フィードバック→調整」のループをつなぐ要です。
詳しく見る →エンティティ抽出
エンティティ抽出は、会話から「名前・日付・好み・進捗」などの重要情報を抜き出して記録する能力。長期記憶に保存し、次回から同じことを聞き返さずに済みます。
詳しく見る →サマリー記憶
サマリー記憶は、長い会話を短い要約に圧縮して保存し、原文の代わりに覚えさせます。ごく少ないトークンで「何を話したか」を残す、長期記憶の定番手法です。
詳しく見る →エピソード記憶
エピソード記憶は、エージェントが実際に経験した出来事——いつ、何をし、どうなったか——を記録します。AIに「体験の記憶」を持たせ、過去の成功と失敗から学ばせる仕組みです。
詳しく見る →セマンティック記憶
セマンティック記憶は、場面から切り離された事実や概念——定義・ルール・常識——を蓄えます。AIの「知識庫」であり、体験を記すエピソード記憶と補い合ってエージェントの長期記憶を形作ります。
詳しく見る →ゴールデンデータセット
ゴールデンデータセットは、人が厳選し「これが正解」と合意したテスト集。AIの品質を測り、変更のたびにモデルが悪くなるのを防ぐ「基準の物差し」です。
詳しく見る →A/Bテスト
A/Bテストはユーザーをランダムに2グループに分け、それぞれ別の版を見せて、どちらが良い結果を出すか比べます。勘ではなくデータで判断する方法です。
詳しく見る →人手評価
人手評価は、実際の評価者がAIの出力を採点し、欠点を指摘し、フィードバックを残すこと。「使いやすいか・安全か・人らしいか」を測る最終的な物差しです。
詳しく見る →自動評価
自動評価は、プログラムや別のモデルでAIの出力を採点し、誤りを検出します。数秒で何千件も処理でき、速さとスケールが武器。人手評価と組む「量担当」です。
詳しく見る →マイクロサービス
マイクロサービスは、大きなAIシステムを小さな独立サービスに分けます。それぞれ開発・デプロイ・拡張でき、1つ壊れても全体は無事、1つ直すのに全体再デプロイは不要です。
詳しく見る →サーバーレス
サーバーレスはサーバー管理から解放されること。コードは必要な時に動き、終われば解放され、実際に動いた時間だけ課金されます。たまに走る推論や関数にぴったりです。
詳しく見る →コンテナ化
コンテナ化は、AIアプリを依存関係や環境ごと「標準コンテナ」に梱包します。どこでも同じ環境で動き、開発・テスト・本番の「うちのマシンでは動くのに」問題をなくします。
詳しく見る →Kubernetes（K8s）
Kubernetesはコンテナを統率する「司令官」。スケジューリング・スケール・自己修復を担い、AIモデルを本番環境で安定稼働させる土台です。
詳しく見る →推論サービス
推論サービスは学習済みモデルを「いつでも呼べるAPI」にし、アプリがミリ秒単位で予測を得られるようにします。モデルが「実験室」から「本番」へ出る一歩です。
詳しく見る →モデルのバージョン管理
モデルのバージョン管理は、Gitがコードを管理するようにモデルを管理します。学習のたび、パラメータ、データを記録し、いつでも再現・比較・ロールバックできます。
詳しく見る →カナリアリリース
「炭鉱のカナリア」のように、まず一部の実ユーザーに新モデルを試してもらい、問題がなければ段階的に拡大。リリースのリスクを最小にします。
詳しく見る →モデル監視
モデルのデプロイは終わりではなく「当直」の始まり。性能・レイテンシ・出力品質を監視し続け、悪化する前に問題を発見します。
詳しく見る →データドリフト
現実のデータが静かに変わったのに、モデルが「昔の世界」に留まっている状態。それがデータドリフト、モデルを静かに狂わせる原因です。
詳しく見る →モデル減衰
モデルは永遠に「若い」ままではいられません。環境の変化とともに性能は少しずつ下がります。モデル減衰はAIの「錆び」です。
詳しく見る →状態空間モデル
系列処理の新発想。全位置が全位置を見るのではなく、隠れ状態が情報を圧縮して後ろへ運びます。省エネかつ高性能です。
詳しく見る →Mamba
「選択的状態空間」に基づく系列モデル。必要なものを覚え、不要なものを省き、超長文を速く省エネで処理します。
詳しく見る →ルーターネットワーク
MoEの中の「受付」。リクエストごとに、どの専門家に任せるかを決めます。振り分けが合えば、強く省エネになります。
詳しく見る →勾配チェックポイント
勾配チェックポイントは「少し多めに計算する」ことで「ずっと少なく保存する」技術。中間の活性値を全部保存せず、必要なときだけ再計算して、GPUメモリを大幅に節約します。
詳しく見る →混合精度訓練
混合精度訓練は、計算の大部分を半精度のFP16で行って速度と省メモリを両立し、精度が重要な部分だけFP32で補う手法。速く、メモリを節約でき、精度の低下もほぼありません。
詳しく見る →分散訓練
分散訓練は、訓練タスクを複数のマシン・複数のGPUに分けて同時に処理し、数ヶ月かかったモデルを数週間・数日で仕上げる技術です。
詳しく見る →データ並列
データ並列は最もシンプルな並列化の方式。各GPUに完全なモデルのコピーを置き、それぞれ別のバッチを処理し、最後に勾配を集めて同期します。
詳しく見る →モデル並列
モデルが大きすぎて1枚に載らないとき、モデル並列はモデルをいくつかに切り分け、別々の層を別々のGPUに置いて、ひとつのモデルを協力して計算します。
詳しく見る →パイプライン並列
パイプライン並列はモデルを層ごとに別デバイスへ切り分け、複数のバッチをラインのように流すことで空き時間を減らし、全体のスループットを高めます。
詳しく見る →データバージョン管理
データバージョン管理は、コードをGitで管理するようにデータを管理します。データセットの変更を毎回記録し、問題を遡れて、実験を確実に再現できます。
詳しく見る →特徴量ストア
特徴量ストアは「特徴量」を集中管理する倉庫。訓練も推論も同じ特徴量を使うので、重複計算を省け、オンラインとオフラインの一貫性も保てます。
詳しく見る →