AIにおける「深度」とは、ニューラルネットワークにおける入力層から出力層までの「層の数（深さ）」を指す言葉です。深度が深いネットワークほど、単純なパターンから高度で抽象的な特徴量までを段階的に学習する高い表現力を持つようになります。ディープラーニングの発展において、この深度を効率的に増やす手法が盛んに研究されています。
深度とは
AIやディープラーニングにおける「深度」とは、ニューラルネットワークを構成する層（レイヤー）の重なりの多さ、すなわち「ネットワークの深さ」を意味する指標です。層の数が多ければ多いほど、そのモデルは「深度が深い」と表現されます。
詳しく解説
ニューラルネットワークは、入力されたデータから徐々に特徴を見つけ出し、最終的な予測や分類を行います。深度が浅い単純なモデルでは単純な境界線しか学習できませんが、深度を深くすることで、各層が前段の出力を受け取り、より複雑で高度な「特徴量」を段階的に抽出できるようになります。これにより、モデル全体の「表現力」が飛躍的に向上します。しかし、単に層を深くするだけでは学習が難しくなります。情報や誤差の伝達が途中で途絶えてしまう「勾配消失問題」や、逆に値が爆発的に大きくなる勾配爆発が発生しやすくなるためです。これを解決するために、残差接続を取り入れたResNetなどのアーキテクチャや、適切な「活性化関数」の選定が開発され、現在では数百以上の深度を持つ巨大なモデルの安定した学習が可能になっています。
具体例・使われ方
深度の具体的な活用例として、画像認識モデルが挙げられます。初期の層（浅い深度）ではエッジ（輪郭）といった単純な要素を検出し、中間の層ではパーツを認識し、深い層（深い深度）に達すると「特定の物体」といった極めて抽象的で高度な概念を識別します。自然言語処理においても、深い深度を持つトランスフォーマーモデルが、文脈の複雑な意味理解を実現しています。
似た用語との違い
「深度」と混同されやすい概念に、ネットワークの「幅（Width）」があります。深度が「層の縦の積み重ねの数」を表すのに対し、幅は「単一の層の中にあるニューロン（チャネル）の数」を指します。一般に、深度を増やす方が、幅を増やすよりも効率的に複雑な関数を近似でき、高い「表現力」を得られやすいとされています。また、コンピュータビジョンの分野における物理的な「奥行き（デプス）」とも文脈によって区別する必要があります。
注意点
深度を深くすればするほどモデルの精度が無制限に向上するわけではありません。過剰な深度は、訓練データに過剰に適合してしまう過学習（オーバーフィッティング）の原因となります。また、層が増えることで計算量やメモリ消費量が増大し、推論速度が低下するという実用上の限界も存在します。そのため、タスクの難易度やハードウェア資源に応じた最適な深度の設計が不可欠です。