筆者は機械学習を勉強していた時期があり、過去のデータからパターンを見つける考え方を面白いと感じました。AIの歴史を読むときも、年号を覚えるだけでなく、「人が何を与え、機械が何をするのか」を比べると理解しやすくなります。
最初に整理：4つは横並びの別物ではない
AIは広い研究・技術の分野です。機械学習はその中の手法の一つで、深層学習は機械学習の一種です。生成AIは文章や画像などを生成する仕組みを指し、現在よく使われるものには深層学習を利用したモデルがあります。
「ルールが終わって機械学習になり、それが終わって生成AIになった」という単純な交代ではありません。以前からの方法も用途に応じて使われ、複数の方法が組み合わされます。IBMのAI解説
歴史上の節目を、問いの変化として見る
1950年のTuringの論文は、機械の知性をどう扱うかについて模倣ゲームという考え方を示しました。1956年にはDartmouthでAI研究の会合が開かれます。1950年代には、すでにデータや経験から学ぶ方法やニューラルネットワークも研究されていました。
その後、期待と成果の隔たりから資金や関心が弱まる時期もありました。2010年代には深層学習が画像認識などで大きな成果を示し、文章・画像を生成する技術も広く利用されるようになりました。歴史を一列の進歩だけでなく、重なり合う研究として読むことが大切です。IBMのAI史
同じ迷惑メールの例で、考え方を比べる
以下は違いを理解するための簡略化した例です。実際の迷惑メール対策製品の仕様ではありません。
ルール：特定の条件に当てはまるメールを振り分ける。人が判断条件を記述します。
機械学習：迷惑メールと通常メールの例から、分類に役立つパターンを学ぶ。データや評価方法の設計は必要です。
深層学習：多層のニューラルネットワークを用いて、データから表現を学ぶ。人の設定が不要になるわけではありません。
生成：メール内容の説明文や返信案を作る。分類することと、文章を作ることは目的が違います。
人間らしい文章と、正しい内容は別に確かめる
自然な文章が返ってきても、元の資料と一致するとは限りません。AIの歴史を人間への接近だけで説明すると、流暢さを理解や正確さの証拠として扱いやすくなります。使う目的に応じて、何を正解とするかを先に決めたいところです。
たとえばメールの要約なら、読みやすさに加え、期限・数量・依頼内容が変わっていないかを照合します。コードの説明なら、実際の処理と説明が一致するかを確認します。
学ぶときの3行メモ
筆者が技術の違いを整理するために提案するメモです。
① 入力：ルール、学習データ、指示など何を与えるか。
② 出力：分類、予測、文章など何を得るか。
③ 確認：出力が役に立つか、何と比較するか。
「AIだからできる」という説明から一歩進んで、入力・出力・確認を言葉にする。技術の名前が増えても、この問いに戻ると、自分が分かっていない点を見つけやすくなります。
2026年9月6日改訂：深層学習を機械学習と別物としていた説明、未完の文章、出典と条件を示せない投資額の記述を見直しました。働き方への影響はAIと仕事の記事で扱っています。
コメント