機械学習のモデル訓練において、データの一部（ミニバッチ）を用いてパラメータを1回更新する最小の処理単位、あるいは画像生成AIなどの拡散モデルにおける段階的なノイズ除去プロセスの1回分のステップを指します。文脈により学習時のイテレーション（反復）や、生成時のサンプリング段階を意味し、AIの性能や生成品質を制御する重要な概念です。
ステップとは
「ステップ」とは、AIや機械学習のモデルが学習や推論（画像生成など）を行うプロセスにおける「1回分の処理単位」のことです。文脈に応じて、モデルのパラメータを更新する最小単位、あるいは画像を生成する際の段階的な処理の進捗を指します。
詳しく解説
機械学習、特に深層学習のトレーニングにおいて、大量のデータを一度に処理することは計算負荷の観点から困難です。そのため、データを「ミニバッチ」と呼ばれる小さなグループに分割して学習を進めます。このミニバッチを1つ読み込み、バックプロパゲーション（誤差逆伝播法）を用いてモデルの重みを1回アップデートする処理が「1ステップ」です。一方、画像生成AIの技術である「拡散モデル」においては、ランダムなノイズから段階的にノイズを取り除いて鮮明な画像を作り出していきます。このノイズ除去プロセスにおける、1段階ごとの計算処理のことも「ステップ」と表現します。
具体例・使われ方
例えば、10,000枚の学習用画像データがあり、バッチサイズを100に設定して学習させる場合、全データを1周（1エポック）する間に100回のステップ（パラメータ更新）が実行されます。また、画像生成AIで「サンプリングステップ数」を30に設定した場合、AIは30回に分けて段階的にノイズを除去し、最終的な画像を生成します。
似た用語との違い
混同されやすい概念に「エポック」があります。エポックは「用意されたすべての学習データを1回学習し終えること」を指すのに対し、ステップは「1つのミニバッチを処理してパラメータを更新する1回分の動作」を指します。学習データ全体の規模やバッチサイズによって、1エポックに含まれるステップ数は変動します。
注意点
ステップ数を増やせば増やすほどモデルの性能が向上するわけではありません。学習におけるステップ数が多すぎると、訓練データに過剰に適合してしまう「過学習」を引き起こす原因になります。また、画像生成時のステップ数が多すぎると、1枚の画像を生成するのにかかる時間が大幅に増えるだけでなく、画像の品質が頭打ちになったり、出力が破綻したりすることもあります。