「弊社のAIが」「これは機械学習で」「生成AIを使えば」——AI導入を検討すると、こうした言葉が説明なく飛び交います。多くの人が、これらを横並びの別物か、あるいは全部同じものだと思っています。どちらも誤解です。
この記事では、AI・機械学習・生成AIが実際にはどういう関係にあるのかを、海外の権威ある定義から「地図」として描きます。地図を持てば、ベンダー提案が「どの技術の話なのか」を見分けられ、過大広告に流されなくなります。
- AI・機械学習・深層学習は横並びでなく、大きさ違いの入れ子（マトリョーシカ）構造
- 従来型AIと生成AIを分ける本質は「人が手で書くか／データから自分で学ぶか」
- 生成AIは魔法でなく、「1モデルを多用途に使える基盤モデル」という設計の産物
AIは「入れ子のマトリョーシカ」構造になっている
最初の誤解をほどきます。AI・機械学習・深層学習・ニューラルネットワークは、並んだ選択肢ではありません。大きい順に内側を包み込む、入れ子の同心円です。IBMはこう定義しています。
人工知能が最も大きな枠で、機械学習はAIの一部、深層学習は機械学習の一分野、そしてニューラルネットワークが深層学習の背骨をなす。——大きいものから小さいものへ、それぞれが次を内側に含む一連のシステムだと考えるのが一番わかりやすい。
（IBM「AI vs. Machine Learning vs. Deep Learning vs. Neural Networks」）
つまり人工知能 ⊃ 機械学習 ⊃ 深層学習 ⊃ ニューラルネットワーク。マトリョーシカ人形のように、大箱の中に中箱、その中に小箱が入っているだけ。同じものの大きさ違いです。ベンダーが「弊社のAIが」と言ったら、「それはどの大きさの箱の話か（機械学習か、ルールベースの自動化か）」と一言返すだけで、話の解像度が一段上がります。
本当の分岐点は「人が書くか、データから学ぶか」
では、その中で最も重要な境界線はどこか。それは「明示的にプログラムされるか否か」です。機械学習の名付け親、アーサー・サミュエルは1959年にこう定義しました。
明示的にプログラムされることなく、コンピュータに学習する能力を与える研究分野。
（Arthur Samuel, 1959）
この一文が、AIを2種類に分けます。
| 観点 | ルールベース（従来型） | 学習ベース（機械学習・生成AI） |
|---|---|---|
| 作り方 | 人が「もしAならBせよ」を一行ずつ手で書く | 見本を大量に見せ、自分でパターンをつかませる |
| 長所 | 透明で監査しやすい | 柔軟で、想定外にもそれなりに対応 |
| 短所 | 想定外に弱い | 判断の根拠が見えにくい |
この対立軸は、業務の割り当てに直結します。説明責任が要る業務（経理・コンプライアンス）はルールベース寄り、柔軟さが要る業務（文章づくり・提案）は学習ベース寄り。たとえば「在庫が10個を切ったら発注」はルールで十分、「来月どの商品が売れそうか」は学習ベースの出番。同じ「自動化」でも中身は別物です。混ぜないのがコツです。
生成AIは「魔法」ではなく「1モデル多用途」の産物
では、近年の生成AI・LLM（大規模言語モデル）は、この地図のどこにあるのか。従来AIと断絶した別物ではありません。機械学習の延長線上にある「基盤モデル（foundation model）」という新しい設計思想の産物です。スタンフォード大の研究チームはこう述べています。
AIは、広範なデータで（多くは大規模な自己教師あり学習によって）訓練され、幅広い下流タスクに適応できるモデル（BERT, DALL-E, GPT-3 など）の登場によって、パラダイムシフトを迎えている。
（Stanford CRFM/HAI「On the Opportunities and Risks of Foundation Models」2021）
新しいのは「技術の魔法」ではなく、「1つの大きなモデルを多用途に転用できる」という構造です。従来は1タスク専用にモデルを作っていました。基盤モデルは、一台で議事録も、営業文も、調査もこなす「万能調理器」のようなもの。同じChatGPTを部署をまたいで横展開できる理由は、ここにあります。
ただし、この汎用性は裏返すと限界でもあります。万能調理器は便利ですが、あなたの会社のやり方を勝手には覚えてくれません。なぜそうなるのか——その答えは、AIの動作原理そのものにあります。次回、「なぜAIは平気で間違えるのか」を、仕組みから解き明かします。
大きい円から順に「人工知能」→「機械学習」→「深層学習」→中心に「ニューラルネットワーク」を配置した同心円（マトリョーシカ）図。右側に「ルールベース（人が書く）」と「学習ベース（データから学ぶ）」の分岐を添え、生成AI/LLMが機械学習の内側「基盤モデル」として位置することを示す。
まとめ
- AI・機械学習・深層学習は入れ子のマトリョーシカ。横並びの別物ではない。
- 本質的な分岐点は「人が手で書くルールベース」か「データから学ぶ学習ベース」か。業務で使い分ける。
- 生成AIは魔法でなく「1モデル多用途の基盤モデル」。汎用ゆえに自社のやり方は勝手に覚えない。
