機械学習・ディープラーニング・生成AIの違いを図解で理解【2026年版】
ルミィ
AIの歩き方
ニューラルネットワークとは？AIが学ぶ最小のしくみをやさしく図解
ルミィ
ここまでで、文章はトークンに分けられ、意味を表すベクトル（埋め込み）になりました。では、その数値を受け取って実際に「考える」のは何でしょうか。それがニューラルネットワークです。いまのAI——画像認識も、音声も、ChatGPTのような言語AIも——すべてこの仕組みの上で動いています。
名前は難しそうですが、中身は「丸（ニューロン）と線（つながり）でできた網」。この記事では、その丸と線が何をしているのかを、図でやさしくほどいていきます。
📘 連載「LLMはどう作られるのか」（全8回）
ChatGPTのようなLLMが、ただの文章からどうやって作られるのか。トークン化から学習のしくみまでを、順番にやさしくたどる連載です。
- トークン化
- 埋め込み（ベクトル化）
- ニューラルネットワーク（この記事）
- ディープラーニングの学習
- Transformer
- Attention（自己注意）
- 事前学習・ファインチューニング・RLHF
- 蒸留・量子化・MoE
ニューラルネット＝丸と線の網。脳のニューロンをうんとシンプルにまねたものなんだよ。
ニューラルネットワークとは？丸と線でできた「網」
ニューラルネットワークは、ニューロンと呼ばれる小さな計算の単位（図の丸）を、たくさんつないだものです。人間の脳の神経細胞（ニューロン）が信号をやり取りする様子に、ざっくり着想を得ています。
図のように、丸は層（レイヤー）になって並びます。左から、データを受け取る入力層、間で計算する隠れ層、答えを出す出力層。情報は左から右へ、丸から丸へと流れていきます。
1個のニューロンは何をしている？
1個の丸（ニューロン）の仕事は、意外とシンプルです。
- ①受け取る：前の層の丸たちから、数値を受け取る
- ②重みをかけて足す：それぞれの入力に「重み」をかけて合計する（重要な入力ほど大きな重み）
- ③活性化関数を通す：合計を、ある関数に通して「次に渡す信号」を決める
この「重み」こそが、AIが学習で身につける“知識”の正体です。何百万・何億という重みの値の組み合わせで、AIは複雑な判断を表現しています。
「活性化関数」がカギ：単純な足し算で終わらせない
②までだと、ただの重み付きの足し算（一次関数）です。それだけを何層重ねても、結局は単純な直線的な判断しかできません。そこで効くのが③の活性化関数です。
活性化関数は、「合計がある値を超えたら強く反応し、低ければ反応しない」のようなひとくせ（非線形性）を加えます。これがあるおかげで、層を重ねるほど曲がりくねった複雑なパターンを表現できるようになります。よく使われるReLU（レルー）は、「マイナスは0、プラスはそのまま」というシンプルな関数です。
活性化関数がないニューラルネットは、何層あっても“ただの直線”。非線形のひとくせが、複雑さを生む源です。
層を重ねると何ができる？
層が浅いネットワークは、単純な判定しかできません。でも層を深く重ねると、前の層が見つけた特徴を、次の層がさらに組み合わせることができます。
画像認識を例にすると、最初の層は「線・点」、次の層は「目・鼻のパーツ」、その次は「顔」——と、だんだん高度な特徴を組み立てていきます。この「層が深い」ニューラルネットを使う学習を、ディープラーニング（深層学習）と呼びます。
重みはどうやって決まる？＝学習
では、その大量の「重み」は誰が決めるのでしょう。最初はランダムな値から始まり、たくさんの例を見せて、答えに近づくように少しずつ調整していきます。これが「学習」です。
「予測する → 答えと比べて誤差を見る → 重みを少し直す」をひたすら繰り返す——その具体的な仕組みは、次回のディープラーニングの学習で詳しく見ます。
何に使われている？
ニューラルネットワークは、いまのAIのほぼ全部の土台です。
- 画像認識：顔認証、医療画像、自動運転の目
- 音声：音声認識、文字起こし、音声合成
- 言語：翻訳、文章生成、ChatGPTのようなLLM（その特別な形がTransformer）
つまり、この「丸と線の網」を深く大きくし、言語向けに工夫を加えたものが、現代のLLMです。
用途で形が違う：3つの代表選手
ニューラルネットワークは、扱うデータに合わせて“形”が工夫されています。代表的な3つを知っておくと、AIの記事がぐっと読みやすくなります。
| 種類 | 得意 | ざっくりイメージ |
|---|---|---|
| CNN（畳み込み） | 画像 | 小さな窓をずらしながら、線や形の特徴を拾う |
| RNN / LSTM | 音声・時系列 | 順番に読んで、前の情報を覚えながら進む |
| Transformer | 言語（LLM） | 全体を一度に見て、語どうしの関係を捉える |
どれも「丸と線の網」という土台は同じで、データに合わせて配線を変えているだけ。この連載の主役Transformerも、ニューラルネットワークの一種だと分かれば、全体像がつながります。
よくある誤解
ニューラルネットワークには、初心者がつまずきやすい誤解がいくつかあります。先に解いておきましょう。
- 「人間の脳と同じように考えている」——着想は脳ですが、中身はかけ算と足し算の繰り返しです。意識や理解があるわけではありません
- 「層が多いほど必ず賢い」——深いほど表現力は上がりますが、学習が難しくなり、データが足りないと逆効果。深さとデータ量はセットです
- 「答えの理由を説明できる」——大量の重みの合わせ技で答えるため、人間に分かる“理由”を取り出すのは簡単ではありません
「賢く見えるけれど、中身は数式の積み重ね」。この距離感を持っておくと、AIと上手に付き合えます。
1個のニューロンを、身近な例で
「重みをかけて足して、活性化関数を通す」を、もう少し身近にしてみましょう。たとえば、「今日は出かけるか？」を決めるニューロンを考えます。
入力は「天気の良さ」「予定の有無」「気分」の3つ。あなたは天気をいちばん重視するなら、天気の入力に大きな重み、気分には小さな重みをかけます。それらを合計して、「ある基準（しきい値）を超えたら出かける、超えなければやめる」——この“超えたらON”の判断が、活性化関数の役割です。
1個のニューロンは、これくらい単純です。すごいのは、この単純な判断を何百万個も重ねると、画像認識や文章生成のような複雑なことができてしまうこと。小さな判断の積み重ねが、全体として高度な知能のように振る舞う——ここがニューラルネットワークの面白さであり、不思議さです。
そして、その“重視の度合い（重み）”や“基準（しきい値）”を、人間が手で決めるのではなく、データから自動で見つけるのが学習です。あなたが経験から「やっぱり天気が大事だな」と学んでいくのに、少し似ています。
なぜ今になってブームなの？3つがそろった
ニューラルネットワークの基本アイデア自体は、実はかなり古くからあります（数十年前から研究されていました）。では、なぜここ数年で一気に花開いたのか。理由は、3つの条件が同時にそろったからです。
- ①データ——インターネットの普及で、学習に使える文章・画像が爆発的に増えた
- ②計算力——GPUなど、大量の計算を並行してこなせる装置が手に入るようになった
- ③仕組みの工夫——深い層でもうまく学習できる活性化関数や、効率的な設計（Transformerなど）が生まれた
「アイデアは昔からあったのに、燃料（データ）と火力（計算）と設計図（工夫）が、ようやく出そろった」。いまのAIブームは、突然ひらめいた魔法ではなく、この3つが重なった結果なのです。だから、これらが伸び続けるかぎり、AIもまだ伸びる余地がある——と見られています。
「パラメータ数」＝重みの数
AIのニュースで「700億パラメータのモデル」のような表現をよく見ます。このパラメータとは、まさにこの記事で説明してきた“重み”の数のことです。つながりの数が多いほど、表現できるパターンも増えます。
ざっくり言えば、パラメータ数はモデルの“脳の大きさ”の目安。数億のものから、数千億・数兆におよぶものまであります。一般に、大きいほど賢くなりやすい一方で、
- 動かすのに大きなメモリと計算が必要——大きいモデルは、そのぶん重い
- 学習にも莫大なコストがかかる——巨大モデルを作れるのは一部の企業に限られる
- 大きければ常に正解、ではない——用途によっては、小さくて速いモデルの方が便利なこともある
だからこそ、大きなモデルを「軽く・速くする」工夫——蒸留や量子化——が重要になります（連載第8回で扱います）。「パラメータ数＝重みの数＝脳の大きさの目安」と分かると、モデル比較のニュースがぐっと読みやすくなります。
まとめ
ニューラルネットワークは、ニューロン（丸）を層状につないだ計算の網です。各ニューロンは「重みをかけて足し、活性化関数を通す」だけ。その重みを学習で調整することで、複雑なパターンを表現します。1個ずつの判断はとても単純なのに、それを層として深く・広く重ねると、画像認識から文章生成まで高度なことができてしまう——この“単純の積み重ねが知能のように振る舞う”ところが、ニューラルネットワークの面白さです。そして、この網を言語向けに磨き上げたものが、次回以降の主役になります。
丸（ニューロン）が、重み付きのつながりで信号を渡す。
活性化関数の非線形性が、複雑さを生む。
層を深く重ねたものがディープラーニング＝いまのAIの土台。
次回は、その重みを「どう調整して賢くするか」——ディープラーニングの学習（勾配降下と誤差逆伝播）に進みます。
よくある質問（FAQ）
ニューラルネットワークとは何ですか？
A. ニューロン（小さな計算単位）を層状にたくさんつないだ仕組みです。各ニューロンは入力に重みをかけて足し、活性化関数を通して次へ渡します。重みを学習で調整することで、画像・音声・言語など複雑なパターンを扱えます。
ディープラーニングとの違いは？
A. ディープラーニングは、層を深く重ねたニューラルネットワークを使う学習のことです。ニューラルネットワークという仕組みのうち、特に層が深いものを使うのがディープラーニングだと考えるとよいです。
「重み」とは何ですか？
A. ニューロンどうしのつながりの強さを表す数値です。重要な入力ほど大きな重みがかかります。AIが学習で身につける“知識”の正体がこの重みで、何百万〜何億という値の組み合わせで判断を表現します。
活性化関数はなぜ必要ですか？
A. 活性化関数がないと、何層重ねても直線的な判断しかできません。非線形のひとくせを加えることで、層を重ねるほど複雑なパターンを表現できるようになります。ReLUなどが代表的です。
ニューラルネットワークは脳と同じですか？
A. 着想は脳のニューロンですが、実際の脳とは別物です。脳の仕組みをうんと単純化して数式にしたもので、本物の神経細胞のように働くわけではありません。あくまで「ヒントを得た計算モデル」です。
入力層・隠れ層・出力層とは何ですか？
A. データを受け取るのが入力層、間で計算して特徴を組み立てるのが隠れ層、最終的な答えを出すのが出力層です。隠れ層を深く重ねるほど複雑なパターンを表現でき、これを深層学習（ディープラーニング）と呼びます。
ReLU（レルー）とは何ですか？
A. 代表的な活性化関数の一つで、「入力がマイナスなら0、プラスならそのまま通す」という単純な関数です。計算が軽く学習も安定しやすいため、多くのニューラルネットワークで使われています。
あわせて読みたい
参考・一次ソース
- IBM「What is a Neural Network?」（ibm.com）
- Google「Machine Learning Crash Course – Neural Networks」（developers.google.com）
※本記事は2026年6月時点の一般的な仕組みを初心者向けに整理したものです。各モデルの仕様や数値は変わることがあるため、最新情報は公式情報でご確認ください。
🧠 もっと具体的に知る：ニューラルネットは、目的に応じて“配線”を変えることで力を発揮します。画像のCNN、系列のRNN・LSTM、生成のGAN・拡散モデルといった代表的なアーキテクチャは、連載「ディープラーニングの地図」（アーキ編・全5回）で図解しています。
ChatGPT・Gemini・Claudeなどの会話AI、画像生成AI、動画生成AI、資料作成AI、AI検索ツールを初心者向けに解説するAIナビゲーター。実際に使ってみた感想や、仕事・学習・発信に役立つAI活用法をわかりやすく紹介しています。
