AI・機械学習・ディープラーニングの違いとは？3つの関係を整理

「AI」「機械学習」「ディープラーニング」——ニュースでも会議でも当たり前のように飛び交う3つの言葉ですが、いざ「違いは？」と聞かれると説明に詰まる方は少なくありません。実はこの3つは、横に並ぶライバルではなく、大きな箱の中に小さな箱が入っているような 入れ子（包含）の関係 にあります。

結論を先に言えば、最も広いのが AI（人工知能） で、その中に 機械学習 があり、さらにその中に ディープラーニング（深層学習） がある、という三層構造です。この記事では、3つの言葉が何を指し、どこで線が引かれるのかを、Natureに掲載されたディープラーニングの解説論文などをもとに、非専門家向けに整理します。

全体像：3つは入れ子になっている

まず全体像をつかみましょう。3つの言葉は、次のような包含関係で整理できます。

AI（人工知能）：人間のような知的なふるまいをコンピュータで実現しようとする取り組み全般。最も広い概念
機械学習：そのAIを実現する一つの手段で、データからパターンを学び取る方法
ディープラーニング：その機械学習の中の一手法

日立ソリューションズ・クリエイトの解説も、ディープラーニングを「機械学習を発展させた手法であり、機械学習の一部」²と位置づけています。つまりディープラーニングは機械学習の一種であり、機械学習はAIを実現する代表的な手段の一つ、という関係です。この入れ子を頭に入れておくと、3つの言葉が混ざって出てきても迷いません。

AIとは：最も広い「賢いふるまい」全般

一番外側のAI（人工知能）は、言葉としては最も古く、最も広い概念です。ルールを人間が細かく書き込んで動かす昔ながらのプログラムも、データから自分で学ぶ最新のシステムも、「人間のような判断や認識をコンピュータにさせる」試みであれば、広い意味ではAIに含まれます。

ポイントは、AIという言葉自体は「どうやって実現するか」までは規定していないことです。手書きのルールで実現してもAI、データから学習させて実現してもAI。その「データから学習させる」アプローチを担うのが、次の機械学習です。

機械学習とは：データからパターンを学ぶ

機械学習は、人間がすべてのルールを書き下す代わりに、大量のデータをコンピュータに読み込ませ、そこに潜むパターンを自動的に見つけさせる方法です²。たとえば「迷惑メールかどうか」を判定したいとき、ありとあらゆる条件を人間が列挙するのは困難ですが、大量のメール例を学習させれば、機械が自分で見分け方を獲得していきます。学んだパターンを新しいデータに当てはめて予測・判断する、というのが基本的な流れです²。

ただし、従来の機械学習には人間の手間が残ります。データの「どこに着目すべきか」——専門的には 特徴量 と呼ばれる注目点——を、人間が設計して指定する必要があったのです²。画像認識なら「輪郭」「色の分布」といった見るべきポイントを人間が定義し、その土俵の上で機械が学習する、という分業でした。この「特徴量を誰が決めるか」が、次のディープラーニングとの分かれ目になります。

ディープラーニングとは：特徴量まで自動で見つける

ディープラーニングは、人間の脳の神経細胞のつながりをまねた ニューラルネットワーク を何層にも深く重ねた機械学習の手法です。「深層（ディープ）」という名前は、この層の深さに由来します。

ディープラーニングを世に広めた一人である研究者ら（ヤン・ルカン、ヨシュア・ベンジオ、ジェフリー・ヒントン）は、2015年にNature誌に掲載した解説論文で、ディープラーニングを「複数の処理層から成る計算モデルが、複数の抽象度でデータの表現を学習できるようにするもの」¹と定義しています。層を重ねるごとに、単純な特徴からより複雑で抽象的な特徴へと、段階的に理解を積み上げていくイメージです。

従来の機械学習との最大の違いは、先ほどの 特徴量を人間が設計しなくてよい 点にあります²。ディープラーニングは、どこに着目すべきかという特徴そのものを、大量のデータから自動的に見つけ出します。この性質によって、画像・音声・言語といった、人間が特徴を言葉で定義しにくい複雑なデータをうまく扱えるようになりました。Natureの論文も、こうした手法が「音声認識、画像物体認識、物体検出、創薬やゲノミクスなど多くの領域で最先端を大きく改善した」¹と報告しています。ちなみにこの3人の著者は、その後2018年にコンピュータ科学のノーベル賞とも呼ばれるチューリング賞を共同受賞しています。

仕組みの面では、ディープラーニングは 誤差逆伝播（バックプロパゲーション） と呼ばれるアルゴリズムを使います。これは、出力の誤差をもとに、各層が前の層の情報からどう計算すべきか、その内部のパラメータをどう調整すべきかを示す手法です¹。この調整を膨大なデータで繰り返すことで、ネットワークは複雑な構造を学び取っていきます。

生成AIやLLMはどこに位置するのか

ここまでの入れ子がわかると、いま話題の技術の位置づけも見えてきます。ChatGPTのような大規模言語モデル（LLM）や画像生成AIといった 生成AI は、ディープラーニングの応用です。すなわち「AI ⊃ 機械学習 ⊃ ディープラーニング ⊃ 生成AI・LLM」という、最も内側に位置する最新の発展形だと整理できます。

LLMの中核にあるTransformerも、ディープラーニングの一種であるニューラルネットワークの一形態です。モデルの規模を表すパラメータ数の「7B」「70B」といった数字も、突き詰めればこのニューラルネットワークが内部に持つ調整可能な値の多さを指しています。つまり、生成AIブームは突然降ってわいたものではなく、AI→機械学習→ディープラーニングという積み重ねの延長線上にあるわけです。

実務でこの区別が役立つのは、たとえば社内で「AIを導入したい」という話が出たときです。それがルールベースの自動化で十分なのか、データから学ぶ機械学習が必要なのか、画像や文章を扱うディープラーニングまで踏み込むのかで、必要なデータ量も体制もコストも大きく変わります。3つの言葉の関係を押さえておくことは、AIにまつわる意思決定の出発点になります。

AIの中身をもう一歩理解したい方は、生成AIの代表であるLLMの仕組みや、その心臓部であるTransformer、モデルの大きさを示すパラメータ数とあわせて読むと、いまのAIがどの技術の上に立っているのかが立体的に見えてきます。