「知能」と呼ばれても一つの能力ではない

人工知能という言葉は、画像から物体を見分ける、文章を別の言語に翻訳する、需要を予測する、質問に応じて文章を生成するなど、性質の異なる技術を広く含みます。人間の知能そのものを一つの装置に移した、という意味ではありません。何を人工知能に含めるかについて、唯一の厳密な定義が共有されているわけでもありません。

実際に利用されているAIの多くは、目的と扱えるデータが決められた「特化型」です。画像を分類するAIが、同じ仕組みのまま会話や経路案内もできるとは限りません。一方、人間のように幅広い課題へ対応する「汎用人工知能」は、目標として語られる概念です。この二つを区別すると、現在できることと将来像を混同しにくくなります。

また、AIはソフトウェアなので、内部では数値の計算とアルゴリズムの実行が行われます。「AIを使った」という説明だけでは、何を入力し、どんな処理を行い、何を出力したのかは分かりません。製品名や印象より、具体的な役割を確かめることが大切です。

学習型AIはデータから調整される

AIを実現する方法には、人が条件と処理を細かく記述する方法もあれば、データを使って処理のしかたを調整する機械学習もあります。機械学習では、入力に対して望ましい出力が得られるように、モデルと呼ばれる計算の仕組みの内部パラメータを変えていきます。パラメータは、計算結果を左右する数値です。

例えば、画像に写るものを分類する場合、画像と正解ラベルの組を学習に用いる方法があります。学習後は、初めて入力された画像について、学んだ規則性をもとに分類結果を出します。これは学習用の画像をそのまま検索して返す処理とは異なります。ただし、学習データに十分な種類の例がなければ、未知の条件にうまく対応できないことがあります。

深層学習は機械学習の一分野で、多数の層を持つニューラルネットワークを用います。機械学習と深層学習はAIと同じ意味ではなく、AIという広い範囲の中に機械学習があり、その中に深層学習があると考えると関係を整理できます。大量で多様なデータを扱う場面では、ビッグデータの収集方法や品質も結果に関わります。

分類・予測・生成では出力の意味が違う

分類は、入力をあらかじめ用意された区分に分ける処理です。迷惑メールの判定や画像中の物体の識別が例になります。予測は、過去のデータの規則性を使い、需要や数値などの見込みを出します。どちらも確率や評価値を伴うことがあり、出力は必ず正しい断定ではありません。

生成AIは、学習したデータの規則性を利用して、文章、画像、音声などの新しい出力を作ります。文章を扱うモデルは、文脈に続きやすい語の並びを計算して文章を組み立てます。そのため、読みやすく自信があるように見える文章でも、事実と異なる内容を含むことがあります。検索結果をそのまま表示する仕組みとも、文章から語の出現傾向などを分析するテキストマイニングとも、目的と出力が異なります。

AIの機能は、単独のアプリとしてだけでなく、他のサービスから呼び出せる形でも提供されます。ライブラリとAPIを通して既存のシステムへ組み込まれると、利用者がAIを意識しないまま分類や推薦の結果に接する場合もあります。

AIの出力を採用する前に確かめること

AIの品質は、学習データ、目的の設定、評価方法、利用時の入力などに左右されます。学習データに偏りがあれば、特定の条件で誤りが多くなる可能性があります。また、学習時とは異なる環境で使うと、評価時と同じ性能を保てないことがあります。全体の正解率が高くても、見逃しと誤検出のどちらが多いかによって、実際の影響は変わります。

利用時には、まず誤りが起きた場合の重大さを考えます。娯楽向けの候補提示と、健康、安全、進路、採用などに関わる判断では、必要な確認の水準が同じではありません。重要な判断を出力だけに任せず、根拠となる資料を確認し、必要に応じて人が再判断できるようにします。

入力する情報にも注意が必要です。外部のAIサービスへ個人情報、未公開情報、認証情報などを送れば、その情報がサービス提供者のシステムで処理されます。利用規約やデータの扱いを確認せずに入力してよいわけではありません。生成物を公開・提出する場合は、事実関係だけでなく、他者の権利を侵害していないかも確認が必要です。

「AIなら人間のように理解している」という思い込み

AIの出力が自然であることと、人間と同じように意味を理解し、意識や意思を持つことは別です。画面上の受け答えが人間らしくても、それだけで内部の仕組みまで人間と同じだとは判断できません。人工知能という名前は能力の印象を強く与えるため、できることを実際以上に広く想像させる場合があります。

反対に、AIは未来だけの特別な装置でもありません。文字入力の変換候補、写真の分類、商品の推薦、不正利用の検知など、特定の目的を支える機能として組み込まれています。大切なのは「AIかどうか」だけで評価するのではなく、どのデータを使い、何を得意とし、どんな誤りがあり、人がどこで確認するのかを具体的に見ることです。