AI用語集：やさしい日本語で解説する55の言葉

基礎知識

これはリファレンス版です。55の用語を、まず一文の定義、続けて詳しい説明という順で並べています。最初の1週間に必要な言葉だけをやさしく巡りたいなら、代わりにAI用語をやさしく解説を読んでから、ここに用語が導いてくれたときに戻ってきてください。

人工知能（AI）

人工知能とは、文章を書く、推論する、画像に写っているものを認識するといった、本来は人間の判断が必要な作業をこなすソフトウェアのことです。

2026年の日常的な使われ方では、「AI」はほぼ常に、より広い学術分野ではなく、大規模言語モデルを土台にしたチャットアシスタントを指します。

機械学習

機械学習とは、ルールをプログラムするのではなく、例を見せることでソフトウェアに学ばせる手法のことです。

現代のAIアシスタントはすべてこの方法で作られています。振る舞いは学習データのパターンから生まれるため、同じモデルがよくある作業には秀でていても、めずらしい作業には不安定になることがあります。

モデル

モデルとは、特定の学習済みAIシステムそのもの、つまり実際にプロンプトを送る相手のことです。

GPT、Claude、Geminiはモデルファミリーであり、ひとつのファミリーにはサイズ、速度、価格の異なる個別のモデルが含まれます。タスクごとにどれを選ぶかが、AIをうまく使いこなす核心のスキルです。

LLM（大規模言語モデル）

LLM、つまり大規模言語モデルとは、次にくる文章を予測するために膨大な量のテキストで学習させたモデルのことです。

このひとつの仕組みを大規模に行うことで、回答、下書き、コード、要約が生まれます。「大規模」とは、学習データの量とパラメータ数の両方を指しています。

チャットボット

チャットボットとは、モデルを包む会話用のインターフェース、つまりメッセージ入力欄のあるあの画面のことです。

この区別は製品を比較するときに重要です。2つのチャットボットが同じモデルを包みながら違う印象を与えることもあれば、ひとつのチャットボットが複数のモデルを提供することもあります。Whiziはまさに後者の仕組みです。

プロンプト

プロンプトとは、あなたがモデルに送るすべてのもの、つまり質問、指示、そして添える文章やファイルのことです。

回答の質はプロンプトの質と密接に連動します。背景情報、制約条件、望む出力形式の3つが、初心者が最も見落としがちな要素です。

トークン

トークンとは、モデルが実際に読み書きする文章の小さなかたまりで、英語なら平均して単語のおよそ4分の3にあたります。

価格、速度、コンテキストウィンドウはすべてトークンで測られるため、あらゆるAIの価格ページにこの言葉が登場します。1,000語の文書はおよそ1,300トークンです。

コンテキストウィンドウ

コンテキストウィンドウとは、モデルが一度に考慮できるテキストの最大量のことで、トークンで測ります。

あなたのプロンプト、これまでの会話、添付した書類、そして回答そのものが、すべてこの枠を分け合います。コンテキストウィンドウの比較表には主要モデルごとの現在の数字が載っており、解説記事では、これが「AIが忘れた」という不満の大半を説明する理由を扱っています。

パラメータ

パラメータとは、モデルが学習中に獲得した内部の数値のことで、モデルの大きさを表す一般的な指標です。

数十億単位で数えられ、パラメータが多いほどおおまかには能力もコストも高くなります。しかしこれ単独では買い物の指標として頼りなく、ベンチマークや自分自身のテストのほうがパラメータ数より頼りになります。

レスポンス

レスポンスとは、ひとつのプロンプトに対するモデルの出力のことで、コンプリーションとも呼ばれます。

レスポンスは毎回新しく生成されるため、同じプロンプトを再生成すると言い回しが変わり、ときには答えそのものが変わることもあります。

モデルとの会話

システムプロンプト

システムプロンプトとは、あなたのメッセージより前にモデルが受け取る常設の指示のことで、役割、口調、ルールを設定します。

どの製品にも、目に見えなくても必ず存在します。チャットボットに「個性がある」と感じるとき、たいていその正体はシステムプロンプトです。

プロンプトエンジニアリング

プロンプトエンジニアリングとは、より確実に良い出力を得るために、意図をもってプロンプトを書く実践のことです。

ものものしい名前とは裏腹に、その大半はごく普通の明快さです。目的を述べる、背景を与える、例を示す、形式を指定する、といったことです。初心者向けガイドでは、実際に結果を動かすテクニックを扱っています。

ゼロショット

ゼロショットとは、例をひとつも与えずにモデルへ作業を依頼することです。

現代のモデルは日常的な作業の大半をゼロショットでこなせます。この言葉が生き残っているのは、主にフューショットプロンプトとの対比としてです。

フューショット

フューショットとは、モデルにパターンを真似させるため、プロンプトの中にいくつかの実例を含めることです。

書式が重要な作業において、これは最も手軽な信頼性の底上げです。入力と望む出力の例を2つか3つ示すほうが、説明の段落を書くより効果的です。

思考の連鎖（チェーン・オブ・ソート）

思考の連鎖とは、最終的な答えを出す前に、モデルが途中の手順をたどっていくことです。

モデルに段階を追って考えるよう頼むと、難しい問題では測定できるほど成績が上がります。推論モデルはいまでは、これに近いことを標準で内部的に行っています。

温度（temperature）

温度とは、モデルが次のトークンを選ぶたびにどれだけランダム性を加えるかを制御する設定です。

温度が低いと一貫した手堅い出力になり、高いとばらつきが増え、ときどき意味不明な文が出ます。チャット製品はたいてい、ちょうど中間の値をあらかじめ選んでくれています。

ストリーミング

ストリーミングとは、モデルが完成してから一度に答えを送るのではなく、生成しながらトークンごとに答えを送ることです。

このおかげで回答は自分でタイプしているように表示され、悪い回答なら最後まで待たずに途中で止めることもできます。

再生成

再生成とは、同じプロンプトに対して新しい回答を求めることです。

生成は確率的な仕組みなので、再生成は同じ計算のやり直しではなく、本当に新しい抽選です。2つの結果を比べたり、同じプロンプトを2つのモデルで試したりするのは、手早くできる品質チェックです。

モデルはどう作られるか

学習（トレーニング）

学習とは、予測が良くなるまで、データに対してモデルのパラメータを調整していく工程のことです。

これはあなたがモデルに出会うより前に行われ、提供元は莫大な計算資源を費やします。チャットに打ち込んだ内容がその場でモデルを再学習させることはありませんが、提供元は方針次第で、会話を将来のバージョンの学習に使うことがあります。

学習データ

学習データとは、モデルが学習のもとにしたテキストなどの素材のことです。

その幅広さがモデルの知識を、その欠落が体系的な死角を説明し、その時期の範囲が知識のカットオフを決めます。

事前学習（プリトレーニング）

事前学習とは、学習の最初かつ最大の段階で、モデルが大量のテキストから言語と世界についての知識を学ぶ工程です。

この結果できあがるのは、能力はあるがまだ荒削りなモデルです。役に立つアシスタントらしく振る舞わせる要素は、すべてそのあとに加わります。

ファインチューニング

ファインチューニングとは、事前学習済みのモデルを専門化したり方向づけたりするために、より狭いデータセットで追加学習させることです。

提供元は役立ち度と安全性のためにファインチューニングを行い、企業は自社の業務分野のために行います。ほとんどの利用者にとっては、良いプロンプトと有能な汎用モデルの組み合わせのほうが、ファインチューニングにお金をかけるより勝ります。

RLHF

RLHF、つまり人間のフィードバックからの強化学習とは、人間による回答の評価を基準にモデルを学習させることです。

現代のアシスタントが礼儀正しく、整然としていて、慎重なのは、その大部分がこの手法によるものです。やりすぎると、一部のモデルが拒否したりはぐらかしたりする、あの及び腰な態度も生み出します。

アラインメント

アラインメントとは、モデルの振る舞いを人間の意図や価値観に一致させる取り組みのことです。

実際には、有害な依頼を拒否することから、指示を正確に守るだけのことまで、あらゆることを含みます。モデルが技術的には見事だが望まれていないことをしたとき、それはアラインメントの隙間です。

推論（インファレンス）

推論とは、学習させることとは対照的に、学習済みのモデルを実行して答えを出すことです。

あなたが送るメッセージはすべて推論を引き起こし、トークン価格が測っているのはこの推論のコストです。安く動かせるモデルでも驚くほど有能な場合があり、AIモデル費用インデックスは価格に2,000倍の開きがあることを示しています。

トランスフォーマー

トランスフォーマーとは、現代の言語モデルのほぼすべての土台となっているニューラルネットワークのアーキテクチャです。

その中核の仕組みであるアテンションは、モデルが入力のあらゆる部分を他のすべての部分と照らし合わせて重みづけできるようにします。詳細を知る必要は一切ありませんが、この言葉はAI関連の文章のいたるところに登場します。

うまくいかないとき

ハルシネーション

ハルシネーションとは、モデルが完全な自信を持って誤ったことを述べることです。

次のリリースで直るような不具合ではなく、生成という仕組みそのものから生じます。頻度はモデルとタスクによって大きく変わります。具体的な事実、数字、引用は、確認するまで未確認として扱いましょう。AIが間違える理由がその仕組みを扱っています。

グラウンディング

グラウンディングとは、モデルを記憶に頼らせるのではなく、答えのもとになる確かな資料を与えることです。

契約書を貼り付ける、報告書を添付する、ウェブ検索を有効にする、これらはすべてグラウンディングです。ハルシネーションに対する、日常でもっとも効果的な防御策です。

バイアス

バイアスとは、モデルが学習データから受け継いだかたちで、出力を体系的に偏らせることです。

人、場所、既定値についての思い込みとして現れます。重要な判断に関わる場面では、優秀だが審査を受けていないインターンの仕事をチェックするつもりで、AIの出力を確認してください。

ガードレール

ガードレールとは、有害な出力や方針に反する出力を防ぐために、提供元がモデルの周りに設ける制限のことです。

提供元によって線の引き方は異なり、これは製品ごとの実質的な違いです。同じ依頼でも、あるモデルは答え、別のモデルは拒否することがあります。

ジェイルブレイク

ジェイルブレイクとは、モデルにガードレールを無視させるよう仕組まれたプロンプトのことです。

提供元はこれを継続的に修正しています。一般的な利用者にとっては、主にセキュリティの概念として意味を持ちます。モデルが言いくるめられて行ってしまうことがあるなら、誰かが必ずそれを試みるということです。

レッドチーミング

レッドチーミングとは、有害な失敗のパターンを見つけるために、公開前のモデルを意図的に攻撃することです。

提供元は社内と社外のレッドチームを走らせ、公開されるモデルカードにその結果の要約が載ることも多いです。AIにおける侵入テストの相当物です。

知識のカットオフ

知識のカットオフとは、モデルの学習データがそこで途切れる日付のことです。

それより新しいことを聞くと、モデルは知らないと認めるか、できるならウェブを検索するか、あるいはハルシネーションを起こします。使っているモデルのカットオフを知っておくだけで、ある種の誤りをまるごと防げます。

検索と自分のデータ

RAG（検索拡張生成）

RAG、つまり検索拡張生成とは、まず関連する文書を取り出し、それをもとにモデルに答えさせる仕組みのことです。

「自社の知識ベースとチャットする」製品が裏側でやっているのはこれで、だから出典を示せるのです。RAGはハルシネーションを減らしますが、その品質は取り出した文書の品質をそのまま受け継ぎます。

エンベディング

エンベディングとは、ひとまとまりのテキストの意味を表す数値の列のことです。

似た意味のテキストには近い数値が割り当てられるため、ソフトウェアは数学的に関連する箇所を見つけられます。エンベディングは、意味検索とRAGを支える仕組みです。

ベクトルデータベース

ベクトルデータベースとは、エンベディングを保存し、近いものを高速に見つけるために作られたデータベースのことです。

製品がAI検索のためにあなたの文書を「インデックス化した」と言っているなら、そのすべての断片のエンベディングが、こうしたデータベースのどれかに収まっています。

意味検索（セマンティック検索）

意味検索とは、キーワードの一致ではなく意味でテキストを見つけることです。

「お金の悩み」で検索すると、単語がひとつも一致しなくても、資金繰りの逼迫についての一節が見つかることがあります。これはエンベディングが働いている証拠です。

チャンキング

チャンキングとは、うまくエンベディングして取り出せるくらいの小さな断片に、長い文書を分割することです。

配管作業のように地味に聞こえますし実際そうなのですが、チャンキングの出来が悪いことは、文書チャットツールがファイルの間違った部分から答えてしまう、よくある原因です。

ウェブ検索（AIにおける）

AIにおけるウェブ検索とは、学習時の記憶に頼るのではなく、答える前にモデルが最新のページを取得することです。

速度と引き換えに鮮度を得て、開いて確認できる引用付きの答えを可能にします。モデルの知識のカットオフより後のことについては、これが答えと当て推量の分かれ目になります。

ナレッジベース

ナレッジベースとは、企業が自社のAIに答えの根拠として与える、厳選された文書一式のことです。

入れたものの質がそのまま出てきます。古びたウィキを根拠にしたアシスタントは、引用付きで自信満々に古い答えを返してきます。

この用語集にある3つの言葉は、同じ問い、つまり「どうすればモデルを自分のタスクに合わせて良くできるか」に対する競合する答えを指していて、これらを混同することは、製品会議で最もよくある専門用語の間違いです。並べてみましょう。

アプローチ	何が変わるか	費用と速さ	どんなときに勝つか
良いプロンプト（ゼロショット、フューショット）	送るテキストだけ	無料、数分で済む	ほぼ常に最初の一手。実例を2つか3つ示せば、書式の問題の大半は解決する
RAG	モデルが答える前に読む内容	構築はそこそこ手間がかかるが再学習は不要	情報を最新に保つ必要がある、または自分の文書を引用する必要がある答え
ファインチューニング	モデル自身のパラメータ	遅くて高価、そのあとは固定される	大規模で安定したスタイルや書式の要件。個人ではほとんど出番がない

テキストを超えて

マルチモーダル

マルチモーダルとは、テキストに加えて画像、音声、動画など、複数の媒体を横断して扱えるモデルのことです。

エラーのスクリーンショットを撮って何が悪いのか聞けるのは、この仕組みのおかげです。マルチモーダルAIガイドでは、いま実際にできることを扱っています。

ビジョンモデル

ビジョンモデルとは、写真、スクリーンショット、グラフ、書類といった画像を解釈できるモデルのことです。

読み取ることと生成することは別物です。モデルはあなたの図を完璧に説明できても、同じような図を自分で描けるとは限りません。

画像生成

画像生成とは、テキストの説明から新しい画像を作り出すことです。

品質、表現できるスタイルの幅、画像内の文字の描画は生成AIごとに大きく異なるため、本気で使う人は複数を比較します。画像生成AIの比較記事がこの分野の最新情報を追っています。

拡散モデル（ディフュージョンモデル）

拡散モデルとは、ノイズから出発して、説明に近づくよう段階的に整えていくことで画像を生成するモデルです。

現代の画像生成AIを支える主流の技術です。この言葉が重要なのは主に、製品名に「拡散」や「diffusion」とあれば、その製品が何をするものか分かるからです。

音声認識（スピーチ・トゥ・テキスト）

音声認識とは、話された音声を文字に書き起こすことです。

現代の書き起こしは、会議、ボイスメモ、インタビューを検索可能にできるほど正確で、チャットアプリの音声入力もこの仕組みで動いています。

音声合成（テキスト・トゥ・スピーチ）

音声合成とは、書かれた文字から話し言葉の音声を生成することです。

現在のシステムは自然で表現力のある声を作り出せるようになっており、読み上げ機能やAIとの音声会話を支えています。

エコシステム

API

APIとは、開発者が自分のソフトウェアからモデルにプロンプトを送るための、プログラムからの入り口のことです。

APIの価格はトークン単位で決まり、あらゆるAI製品の1回答あたりの経済性は、最終的にはここに由来します。

オープンウェイト

オープンウェイトとは、モデルの学習済みパラメータが誰でもダウンロードして動かせるかたちで公開されていることです。

これによって自分でホスティングしたり、他の事業者が自社のインフラでそのモデルを提供したりできます。DeepSeekやLlamaがその有名な例です。

オープンソースモデル

オープンソースモデルとは、おおまかに言えば、公開して使用や改変ができるように公開されたモデルのことですが、ライセンスの内容は大きく異なります。

実務上の問いは常に同じ2つです。商用利用できるか、そして誰が自分の代わりにホスティングしてくれるのか。オープンウェイトのエコシステムが特に重要になるのは、プライバシーやコストの都合でホスト型の主力モデルを選べない場合です。

ベンチマーク

ベンチマークとは、モデルを採点し比較するために使われる標準的なテストのことです。

最初のふるい分けには役立ちますが、宣伝の場ではよく過剰に最適化されます。ベンチマークで首位のモデルが、あなたの実際の仕事では負けることもあるため、自分で3つのタスクを比較するほうが、表を眺めるより頼りになります。

エージェント

エージェントとは、一度答えるだけでなく、目標に向かって段階的に行動を起こすAIシステムのことです。

予約、調査、コーディング、チケットの起票などはエージェントの領域です。この能力は本物で、急速に向上していますが、それだけに、重要な場面の前にエージェントが何をしたか確認する必要性も高まっています。

ツール利用

ツール利用、あるいは関数呼び出しとは、検索、計算機、コード、カレンダーといった外部機能をモデルが呼び出すことです。

チャットアシスタントが世界について説明するだけでなく実際に働きかけられるのはこの仕組みのおかげで、エージェントを支える基盤でもあります。

推論モデル

推論モデルとは、答える前に、内部で問題を考え抜くために余分な計算資源を使うモデルのことです。

引き換えにするのは時間とコストで、見返りは難しい問題での精度です。単純な質問では余分な思考は何の得にもならず、これもタスクごとにモデルを切り替えるべき理由のひとつです。

レイテンシ

レイテンシとは、プロンプトを送ってから答えが届く、あるいはストリーミングが始まるまでの待ち時間のことです。

モデルの大きさ、負荷、そして推論モデルかどうかによって変わります。対話的な作業では、速くてそこそこ良いモデルのほうが、遅くて優秀すぎるモデルより勝ることがよくあります。

レートリミット

レートリミットとは、決められた時間の枠内で使えるリクエスト数やトークン数に、提供元が設ける上限のことです。

これに達することが、チャット製品が待つようにあるいはアップグレードするように言ってくる、たいていの理由です。サブスクリプションプランのメッセージ上限は、名前を親しみやすくしたレートリミットにほかなりません。

この用語集を使えるものに保つために

この分野では用語がすぐに古びます。このページはリファレンスとして更新し続けており、使われ方が変わったときには項目を書き直し、定義には収まらない詳細はリンク先の詳しいガイドが担っています。

実際に出会った言葉がここに載っていない場合、いちばん早い方法は、それを見つけた文をそのまま有能なモデルに貼り付けて、文脈に沿った定義を尋ねることです。Whiziでは2つのモデルに同時に聞くことができ、意見が食い違う瞬間に気づけます。新しい専門用語では、これが意外なほどよく起こります。