小学生用 AIとはなにか？ 一回目 ディープラーニング

Atraはディープラーニングと何が違うのかの前に、ディープラーニングとは何なのかを簡単に説明しちゃうよ。

AIは、魔法のように考えているわけではありません。

今のディープラーニングの多くは、画像、音、文章を数字に変えて、その数字を何度も計算する仕組みです。

ディープラーニング（深層学習）って何？

1. まず、ディープラーニングは「コンピュータが自分でたくさん学ぶ方法」だよ。

人間の脳は、目で見たものや耳で聞いたものを、神経細胞（ニューロン） がつながって覚えたり考えたりするよね。
ディープラーニングは、人間の脳のニューロンの考え方をヒントにした、数字計算の仕組みだよ。

2. じゃ、どうやって学ぶの？ → たくさんの「層（レイヤー）」で学ぶ

• 一番下の層：写真の点々（色や明るさ）を見る
• 次の層：線や模様（耳や目っぽい形）を見つける
• もっと上の層：全体の形（「猫の顔だ！」）を理解する
• 一番上の層：最終的に「猫！」と答える

これが深い（deep） から「ディープラーニング」っていうんだよ。
層が何十層も重なってるんだ！

1. いっぱいの猫と犬の写真をコンピュータに見せる（たくさん！）
2. 最初は全然わかんない
3. でも何度も「これは猫」「これは犬」と正解を教えてあげる
4. コンピュータは自分で「耳が三角っぽい＝猫」「鼻が平ら＝犬」みたいにルールを勝手に覚える
5. 最後には新しい写真を見せても「わかった！猫だ！」って言えるようになる

これが学習だよ。人間の赤ちゃんが写真を見ながら覚えるのと似てるよね。

ディープラーニングは大量のデータとたくさんの計算が必要だけど、人間が全部教えてあげなくてもいいところがすごいんだ！

普通のプログラミングだと、
「耳が三角だったら＋1点、鼻が黒かったら＋2点……」
みたいに人間が一つ一つルールを全部書かないといけないでしょ。
でもディープラーニングは、正解の写真をたくさん見せるだけで、コンピュータが自分で「大事なところ」を探し出してくれる。

これを「教師あり学習」と言っているんだ。
（先生が「これ猫、これ犬」と教えてくれるから教師あり）人間の赤ちゃんが
「わあ、猫だ！」って覚えていくのと、すごく似てるよね。

コンピュータは「数字の箱」で考える


まず、コンピュータには 配列 という箱があります。
たとえば　python（パイソンという言語）を例にしてみるよ。

配列（はいれつ）

[1, 2, 3, 4, 5]

普通は、数字を順番に入れておく普通の箱みたいな括りをいうんだけど、たとえば、体育でグループ分けしたときにAというグループという括りの中に皆が順番に並んでいるような状態のことだね。
でもディープラーニングでは、何億個、何兆個もの数字を扱います。
世界中の子供が集まってグループわけしてるような状態だね。

ひとつずつ手で計算していたら、いつまでたっても終わらない！そこで、NumPy配列 という「計算が得意な特別な箱」を使います。

import numpy as np a = np.array([1, 2, 3]) b = np.array([4, 5, 6]) a + b # → [5, 7, 9]

急に難しくなっちゃったけど、コンピューターが読めるようにcode化したんだ。

イメージ

• 普通の配列 → 1個ずつ手で運ぶ
• NumPy配列 → ベルトコンベア でまとめて運ぶ
  
  

これで少しは速くなるけど、ディープラーニングはもっともっと巨大です。画像1枚 = 横の点 × 縦の点 × 色（赤・緑・青）
文章 = たくさんの単語を数字に変換したもの
音声 = 時間ごとの波の数字これらを ベクトル・行列・テンソル という「巨大な数字のかたまり」にして扱います。

入力 → 大きな行列をかける → 少し変形 → また行列をかける → …
を何十層、何百層も繰り返します。学習のときは
「答えを出す → 間違ってる → 間違いを逆に戻す → 数字を少し直す」
を何億回もやるから、ものすごく計算が必要になります。
凄いよね！

そこで出てくるのが「GPU」普通の CPU は、頭のいい職人さんみたいなもの。
何でもできるけど、1回にできる仕事は少ない。

でもディープラーニングで必要なのは、
同じ計算を何百万回も一気にやる こと。そこで GPU が大活躍します！GPUはもともと、ゲームの画面を描くために生まれたんだ。
画面は「たくさんの点（ピクセル）」でできているから、同じ作業を同時に大量にやる のが得意なんだ。

• CPU → 何でもできる少数の賢い職人
• GPU → 同じ作業を一斉にやる大量の作業員

ディープラーニングでは「数字をかけ算する」「足し算する」「行列を計算する」といった同じ作業が山ほど出てくるので、GPUがぴったり。

よくニュースに出てくるNVIDIAのGPUなら CUDA、AMDのGPUなら ROCm という「命令の言葉」を使って、GPUに「こう計算して！」と指示を出します。

こうして大量の数字を高速で計算 できるようになったからこそ、
ニューラルネットワーク（NN）を何層も重ねて動かせるようになったんだ。

思い出してみてね。

• 数字の箱（テンソル）に入れた情報を
• ニューロンという小さな判断係に通して
• 重みで「どの情報を大事にするか」を決めて
• 何層も重ねて複雑な判断をする
  
  
  

これがディープラーニングの仕組み。



また、少しハードルをあげちゃうよ。

重み（weight）ってわかるかな？
「大事にする度合い」や「注目する強さ」

「この情報、どれくらい大事に聞くか」の数字 だよ。
たとえば、犬か猫かを見分けるとき

• 耳の形　→　重み　0.9（すごく大事！　よく見る）
• 目の位置　→　重み　0.8（かなり大事）
• しっぽ　→　重み　0.6（まあまあ大事）
• お腹の色　→　重み　0.1（ほとんど気にしない）

数字が大きいほど「この情報、めっちゃ信用する！」ってこと。

学習は「間違えたら少し直す」

ニューラルネットワーク（NN）は、最初から賢いわけじゃないよ。
最初の重みはほとんど適当（ランダム）です。だから最初はよく間違えます。


例：

犬の写真を見せる → NN「猫です！」
人間「ちがうよ、犬だよ」

→ NNが重みを少しだけ直す

これを何百万回、何億回も繰り返すんだ。

間違える → 直す → また間違える → また直す…
を繰り返しているうちに、だんだん正解に近づいていくんだ。
この「どれくらい間違えたか」を数字で表したのが 損失（loss） だよ。

• lossが大きい → めっちゃ間違ってる
• lossが小さい → だいたい合ってる

学習とは、lossを小さくするように重みを直すことなんだ。

逆伝播（backpropagation）＝ 間違いの原因を後ろから探す
ひぇー難しいね～！
でも大事なところ。

NNは間違えたとき、最後だけ直せばいいわけじゃない。
途中の層も悪かったかもしれない。

入力 → 第1層 → 第2層 → 第3層 → 出力（間違い！）

間違えたら逆向きにさかのぼって調べるよ。

「出力が変 → 第3層の重みが悪かった？ → 第2層も？ → 第1層も少し…」

これを 誤差逆伝播（backpropagation） と言うんだ。

例えばね

工作でロボットを作って、完成したら腕が曲がってた…

→ 最後の組み立てが悪い？
→ その前の部品の切り方が悪かった？
→ 最初の線の引き方が悪かった？

と、後ろから順番に原因を探す感じだよ。

勾配（gradient）＝ どっちに直せばいいか
（少し難しいから、軽く読み流してね）

重みを直すとき、適当に直すんじゃなくて、
「この数字を少し大きくしたら良くなる？ 小さくしたら良くなる？」を計算する。その「どっち方向に直せば間違いが減るか」を 勾配 と言うよ。

例え話

山の頂上（間違いが多い）から谷の底（ほとんど合ってる）に向かって下りるイメージ。
少しずつ「間違いが減る方向」に進む。これを 勾配降下法 と言うんだ。

なんか、難しいね。

坂道を目隠しで下りてると思って。
足で地面を軽く探って、「こっちに傾いてる！ こっちの方が下だ！」という方向の矢印が勾配

学習率（learning rate）＝ 一歩の大きさ坂を下りるときの歩幅が学習率だよ。

• 歩幅が大きすぎる → 谷を飛び越えて反対側に行っちゃう（失敗）
• 歩幅が小さすぎる → 全然進まない（遅すぎる）

ちょうどいい歩幅を見つけるのが大事！

モデル＝「計算の形」の違い

今まで話したNNは「基本の形」だけど、
実際のAIは計算の形（設計図） がいろいろ違うんだ。

それがモデルだよ。主なものを簡単に言うと

• CNN（畳み込みニューラルネットワーク）
  → 画像を見るのがとっても得意！
  （目で写真を見るみたいに、線→形→全体を見る）
• RNN（再帰型ニューラルネットワーク）
  → 順番や時間の流れを覚えるのが得意だった
  （お話の続きを覚えるみたいな感じ）
• Transformer
  → 今一番使われている形！
  文章や関係性をすごく上手に理解できる。
  Attention（注意機構） という「大事なところにちゃんと注目する」仕組みが入ってるよ。
  
  

今のChatGPTなどのLLM（大規模言語モデル）は、ほとんどこのTransformer がベースになってるんだ。