広告・PR：この記事にはアフィリエイト広告を含みます。
AIを読むときは、「計算する手順」「データから学ぶ方法」「能力の評価」「理解とは何か」を分けると見通しがよくなります。16の言葉を具体例と注意点で比べます。
各項目を「意味・具体例・注意点」の順に読み、気になる言葉は個別記事へ進めます。例は、考え方を比べるために簡略化したものです。
目次
1．アルゴリズム
意味：問題を解くための明確な手順です。入力をどう処理し、どの条件で終わるかを定めます。プログラムの言語ではなく、解き方そのものに注目した言葉です。
具体例：番号カードを左から順に探す方法と、番号順のカードの中央を見て候補を半分ずつ減らす方法は、同じ探し物に対する別の手順です。
注意点：二分探索には、並べ替え済みなどの前提があります。速そうな手順でも、前提が崩れれば正しく探せません。AIでない単純な処理にもアルゴリズムはあります。
もう一歩：番号順でないカードへ二分探索を適用すると、探す半分を捨てる根拠がありません。手順だけでなく入力の条件も説明の一部です。
2．計算量
意味：入力が大きくなると、処理時間や必要な記憶領域がどう増えるかを考える尺度です。O(n)などの記号で、増え方の上限を表すことがあります。
具体例：全員の名前を一度ずつ調べるなら件数に比例し、全員の二人組を調べるなら組数はn(n−1)/2になります。入力が10倍になったときの増え方が異なります。
注意点：実行秒数をそのまま表すものではありません。最悪時か平均時か、前処理を含むかも確認します。小さい入力では定数や端末の性能も結果に影響します。
もう一歩：10人の二人組は45通り、100人なら4,950通りです。人数が10倍でも、組を調べる回数は単純な10倍になりません。
3．チューリングマシン
意味：記号を記録するテープ、読み書きするヘッド、状態と指示表からなる理論上の計算モデルです。「手順に従って計算できる」とは何かを調べます。
具体例：111という記号列を右へたどり、最初の空白へ1を書けば1111になります。小さな読み書きの規則を繰り返すことで、計算を表せます。
注意点：万能という表現は、どんな問いにも答えられるという意味ではありません。計算可能かどうかと、実用的な時間で終わるかどうかも別の問題です。
もう一歩：同じ計算を実行できることと、少ない時間や記憶領域で実行できることは別です。理論モデルと実用性能を分けて読みます。
4．機械学習
意味：データを使ってモデルを調整し、分類や予測などに用いる方法です。人が条件を一つずつ書く場合とは、規則の作り方が異なります。
具体例：迷惑メールと通常メールの例を与え、新しいメールを分類するモデルを作ります。学習に使った例だけでなく、未使用のメールで性能を確かめます。
注意点：AIのすべてが機械学習ではなく、機械学習のすべてが生成AIでもありません。何を正解にしたか、どの誤りが困るかという設計は依然として重要です。
もう一歩：猫を分類する深層学習も機械学習に含まれます。一方、機械学習の決定木を使っただけでは深層学習とは呼びません。
5．過学習
意味：学習用データの特徴に合わせすぎ、新しいデータでの予測がうまくいかない状態です。学習成績と検証成績の差が、調べる手掛かりになります。
具体例：練習に使う猫の写真がたまたま全部青い背景なら、背景に依存して答えてしまうかもしれません。別背景の写真を含む独立した評価が必要です。
注意点：本番での失敗を全部過学習と呼ぶのは不正確です。入力不良や環境の変化も調べます。テスト結果を見ながら何度も調整すると、評価の独立性が失われます。
6．チューリングテスト
意味：会話を通して人間と機械を見分けるという枠組みから、知的な振る舞いを考えるテストです。評価に使う場面と判断の条件が重要になります。
具体例：相手の姿が見えず文章だけで対話するとき、どんな返答を人間らしいと感じるでしょうか。自然さと、事実の正しさを別々に評価する必要があります。
注意点：会話で人を納得させたことだけで、意識や主観的な経験の存在が証明されるわけではありません。試験条件によって評価される能力の範囲も変わります。
7．中国語の部屋
意味：記号を規則に従って操作し、自然に返答できることだけで、意味を理解したと言えるのかを問う思考実験です。サールの議論と、それへの反論があります。
具体例：中国語を知らない人が、手順書に従って中国語の返事を作ります。外から自然に見えても、中の人は意味を理解しないという設定です。
注意点：中の人が理解しないことから、部屋全体も理解しないと言えるかが争点です。AIは絶対に理解できないと決着した実験結果として扱わないようにします。
8．フィルターバブル
意味：個人向けに選ばれた情報に囲まれ、異なる意見や関心外の情報へ触れにくくなる状態を表す言葉です。情報がどう選ばれているかに注目します。
具体例：好みの商品のレビューばかり表示されると、不満や別の選択肢が見えにくくなります。おすすめ欄以外から公式情報や比較材料を探す方法があります。
注意点：全員が完全に隔離されるという意味ではありません。サービスの仕組み、自分の選択、地域や言語など複数の要因が関係し、判断の偏りとは区別して考えます。
判断を広げる、追加の8用語
9．深層学習
多層のニューラルネットワークを用いる機械学習の一群です。画像の分類などで、特徴の表現もデータから調整します。機械学習には決定木など他の方法もあるため、機械学習すべてを深層学習と呼ぶわけではありません。
10．未学習（アンダーフィッティング）
モデルが十分な規則を捉えられず、訓練データにもよい予測ができない状態です。曲線の関係を単純な直線だけで表そうとする場合などが例です。未知のデータで失敗する点だけでは過学習と区別できず、訓練側の性能も見ます。
11．教師あり学習
入力と目標となるラベルなどの組から、対応関係を学ぶ方法です。迷惑メールと通常メールの例を使い、新しいメールを分類します。ラベルが誤っていたり実際の利用状況と違ったりすれば、学習結果にも影響します。
12．教師なし学習
目標ラベルを与えず、データのまとまりや構造を見つける方法です。似た利用パターンをグループに分けるクラスタリングなどがあります。分かれた集団が現実の自然な種類や因果関係を示すとは限りません。
13．強化学習
行動と結果に対する報酬を手がかりに、方策を改善する枠組みです。ゲームで勝敗などの評価を使い、行動を学ぶ例があります。望む行動と報酬の設計がずれると、数値だけを稼ぐ望ましくない行動も生じ得ます。
14．生成AI
学習したパターンをもとに文章・画像などを生成するAIの総称です。文章の下書きを作れても、その内容が事実かは別に確認する必要があります。流暢な説明と、根拠や正確さを同じものと考えないことが大切です。
15．訓練データとテストデータ
モデルの調整に使うデータと、未知のデータへの性能を評価するデータを分けます。練習問題と試験問題を分ける発想です。テスト結果を何度も見ながら調整すると、評価側にも間接的に合わせ込んでしまいます。
16．推論
学習済みモデルを使って、入力から出力を得る処理を指します。写真を入れて分類結果を受け取るのは推論です。人間の論理的な推論と同じ意味で使われているとは限らず、出力の生成と真偽の検証を分けます。
追加項目の参考：Google：Machine Learning Glossary。例は説明用の作例です。
初めて読むなら、この順番で
アルゴリズム → 計算量 → 機械学習 → 過学習で、仕組みと評価を押さえます。その後にチューリングテストと中国語の部屋を読むと、「役立つ性能」と「理解の意味」の違いが見えます。
モデルの一種を掘り下げるならディープラーニング、主張の確かめ方なら科学的に考えるための用語へ進めます。