グラフ探索
グラフ探索とは、頂点（ノード）とそれらを結ぶ辺（エッジ）で構成されるグラフ構造上で、目的のデータや最短経路を見つけ出すための基本的なアルゴリズムです。AIの領域では経路計画やゲームAIの思考プロセス、状態空間の探索などに幅広く応用されており、効率的に最適解に到達するための重要な基礎技術となっています。
人工知能のAI用語一覧（4ページ目）
266件人工知能に関するAI用語を266件掲載しています。意味や使い方、関連用語を一覧から確認できます。 現在は4ページ目です。
A*アルゴリズム
A*アルゴリズムは、グラフ探索や経路探索において効率的に最短経路を見つけ出すための代表的な探索アルゴリズムです。スタート地点からの実測コストと、ゴールまでの推定コストを合算した評価関数を用いて探索優先度を決めることで、計算量を抑えつつ最適解を導き出します。ゲームのNPC移動やカーナビの経路案内などで広く利用されています。
光学文字認識
光学文字認識（OCR）は、手書きや印刷された文書の画像をスキャンし、コンピュータが編集・検索可能なテキストデータに変換する技術です。AIやディープラーニングの導入により認識精度が飛躍的に向上し、業務効率化やペーパーレス化に不可欠な基盤技術となっています。
A*探索
A*（エースター）探索は、グラフ探索や最短経路問題を解くための代表的なアルゴリズムです。出発点から目標地点までの最小コストを推定する際、現在の実績コストに「ヒューリスティック関数」による推定残りコストを加算した「評価関数」を用います。これにより、ダイクストラ法よりも効率的に最適な経路を発見できます。
汎用性能
汎用性能とは、AIや機械学習モデルが学習に用いたデータだけでなく、未知のデータや多様なタスクに対しても適切に処理や予測を行える能力のことです。モデルの信頼性や実用性を評価する上で極めて重要な要素であり、過学習を防ぎつつ幅広い状況に対応できる汎用性能の向上が、AI開発における主要な目標となっています。
群知能
群知能は、鳥の群れや蟻の社会など自然界の生物群の行動から着想を得たAI・アルゴリズムの手法です。個体は単純なルールに従って動くだけですが、全体として高度な問題解決や最適化を行うことができ、複雑な分散処理に活用されています。
ニューラルプロセッシングユニット
ニューラルプロセッシングユニット（NPU）は、ディープラーニングなどの人工知能モデル処理を高速かつ省電力で行うために設計された専用のプロセッサです。スマートフォンやPCなどの端末に搭載され、クラウドを使わないエッジAIのリアルタイムな推論処理を効率的に実行する役割を果たしています。
組合せ最適化問題
組合せ最適化問題とは、無数にある離散的な選択肢の組み合わせの中から、特定条件を満たし最も良い結果を与える最適な組み合わせを見つけ出す数理問題です。物流の配送ルート最適化や人員シフト作成など日常の多様な場面に存在し、選択肢が膨大になると全探索が困難になるため、機械学習や量子アニーリングなどの高度なアルゴリズムを用いた効率的な解法が研究されています。
ルールベース
ルールベースとは、人間があらかじめ設定した「もし〜ならば〜である」という明確な条件や規則に従って、推論や処理を行う仕組みです。AIの初期の主流であり、データの確率的な傾向を学習する機械学習とは対照的に、論理的で解釈しやすい点が特徴です。
デバッグ
デバッグとは、プログラムやAIモデルの動作不良やエラーの原因を特定し、修正する作業のことです。AI開発においては、期待通りに動作しないモデルの挙動解析や、エラーの解消に欠かせないプロセスです。
AIアライメント問題
AIアライメント問題とは、人工知能の目的や行動を人間の意図、価値観、倫理的な基準に合致させることの困難さを指す課題です。AIが高度化するにつれて、指示通りに動作しているように見えても開発者の意図とは異なる予期せぬ行動をとる危険性が高まります。安全で社会に有益な生成AIや超知能を実現するために極めて重要な研究分野です。
不確実性の定量化
不確実性の定量化は、AIモデルの予測に含まれる「不確実さ」を数値化する技術です。データ由来の「偶然的不確実性」とモデルの知識不足による「認識的不確実性」を評価します。自動運転や医療診断など、予測の誤りが重大な結果を招く分野において、AIの予測の信頼性を担保し、安全な意思決定を支援するために不可欠な手法です。
OpenAI
OpenAIは、高度な人工知能の開発を進める研究機関および企業です。生成AIである大規模言語モデルのGPTシリーズなどを開発し、AI技術の発展と社会的影響の双方から世界的に注目を集めています。
メタ学習
メタ学習とは、機械学習モデルが「学習する方法を学習する」アプローチです。少量のデータからでも素早く新しいタスクに適応できるため、従来のAIの弱点であった膨大な学習データの必要性を克服する技術として注目されています。
大規模モデル
大規模モデルとは、膨大なデータと無数のパラメーターを用いて構築された人工知能モデルの総称です。深層学習技術の進歩に伴い、文章生成や画像認識などで従来の技術を超える高度な処理能力を実現しました。事前学習によって汎用的な知識を獲得し、多目的なタスクに適応できる点が特徴で、現代の生成AIを支える基盤技術となっています。
自己教師あり学習
自己教師あり学習とは、人間の手による正解ラベルを付与せずに、データ自身から教師信号を作り出して効率的な特徴表現を学ぶ機械学習のパラダイムです。大規模な事前学習モデルの基盤技術として、近年の生成AIの発展に大きく貢献しています。
実行可能解
実行可能解とは、数理最適化や制約充足問題において、設定されたすべての制約条件を満たしているものの、必ずしも最適値とは限らない解のことです。AIや機械学習のルート探索やスケジュール自動作成などで重要な役割を果たします。
モデル重み
モデル重みとは、人工知能や機械学習モデルの内部で情報の重要度を調整し、入力データから正確な出力を導くために使われる数値のパラメータです。学習の過程で最適化され、AIの性能を左右する極めて重要な要素となります。
状態空間探索
状態空間探索とは、問題の初期状態から目標状態に至るまでの経路を、可能な状態の全体（状態空間）から見つけ出す人工知能の基本的な問題解決アプローチです。パズルや経路探索、ゲームのAIなどで広く活用されています。
知識情報
知識情報とは、単なるデータや断片的な情報に、文脈や意味、体系的な関連性を付加して、AIが理解・推論できるように構造化したデータのことです。人工知能の「知識表現」の基盤であり、「ナレッジグラフ」や「オントロジー」などの技術を用いて定義されます。自動推論や検索エンジン、意思決定支援システムなどの高度なAIシステムを支える核心的な要素です。
逐次学習
逐次学習とは、新しいデータが追加されるたびにモデルを効率的に更新していく機械学習の手法です。過去のデータをすべて再読み込みせず学習できるため、計算コストを抑えながらリアルタイムな環境変化や新規情報に対応できるのが特徴です。
学習モデル
学習モデルとは、AIが大量のデータからパターンや規則性を自動的に見つけ出し、予測や判断を行うための仕組みです。人間でいう「経験則」や「脳の神経回路」に似ており、機械学習や深層学習の中核をなす最も重要な要素の一つです。
狭いAI
狭いAIとは、特定の限定されたタスクや領域においてのみ優れた能力を発揮する人工知能のことです。汎用人工知能とは異なり、人間のようにあらゆる課題を自ら考えて解決することはできず、現代社会で実用化されているAIのほとんどがこれに該当します。
構文解析
構文解析とは、自然言語の文を文法規則に従って構造木に分解し、単語同士の関係性を明らかにする自然言語処理の基礎技術です。AIが人間の言葉の意味を正確に理解するための前段階として不可欠な役割を担っています。