生成系人工知能（生成系AI）とは、既存のデータからパターンを学習して再現することで、新しい独自のコンテンツ（テキスト、画像、コード、音声、動画）を作成する人工知能の一分野です。機械学習技術の最新の進化であり、すでに日常生活の一部となっています。オンラインショッピング時に提案される「おすすめ」、写真アプリでの自動編集、サポートの質問に回答するチャットボットなど、生成系AI は創造、コミュニケーション、業務の進め方を変えています。
重要なポイント
- 生成系AIは、既存のデータからパターンを学習することで、テキスト、画像、コード、音声、動画などの新しい独自のコンテンツを作成する人工知能の一分野です。
- パターンを認識して、予測を行う従来の AI とは異なり、生成系AI の主な目的は新しいものを生み出すことにあります。
- 生成系AI はニューラルネットワークを基盤に構築されており、敵対的生成ネットワーク（GAN）、変分オートエンコーダー（VAE）、トランスフォーマー、拡散モデルなどのアーキテクチャを使用しています。
- ヘルスケアや金融からクリエイティブワーク、ソフトウェア開発に至るまで、さまざまな業界でコンテンツ制作やオートメーションに生成系AIが活用されています。
- 生成系AI には現実的なリスクが伴います。その例として、ハルシネーションや偏りのある出力、著作権やプライバシーをめぐる紛争、ディープフェイクや誤情報、一部の職種への悪影響などが挙げられます。
目次
- 生成系AIは従来のAIとどのように異なりますか？
- 生成系AIモデルは時間の経過とともにどのように進化しましたか？
- さまざまな種類の生成系AIはどのように機能するのですか？
- 生成系AIを支える技術とは何ですか？
- 生成系AI基盤モデルはどのようにトレーニングされますか？
- 生成系AIはさまざまな業界でどのように活用されていますか？
- 生成系AI の実装にはどのような課題がありますか？
- アプリケーションに生成系AIを追加するにはどうすればよいですか？
- 結論: 生成系AI の真価を認める
- よくある質問
- 関連リソース
生成系AIは従来のAIとどのように異なりますか？
生成系AI と従来の AI との主な違いは、その構築目的に起因します。
- 従来の AI による分析: パターンの認識、予測の実行、データの分類、ルールに基づくタスクの実行が主な目的であり、すでに存在する情報から結論を導き出します。
- 生成系AI による成果: これまで存在しなかった新しい独自のコンテンツの生成を主な役割とします。
生成系AI のスタート地点はプロンプト: プロンプトは、AI エージェントなどの人間またはマシンによって作成される可能性があり、テキスト、画像、動画、または AI システムが処理可能なあらゆる入力を含めることができます。モデルはプロンプトに回答するために書籍、ウェブサイト、コードリポジトリ、インターネットなどの幅広いデータにアクセスし、トレーニング中に学習した推論、パターン、統計的関係を使用して、具体的なリクエストに合わせてカスタマイズされた新しいコンテンツを生成します。
予測テキストは単なる第一歩: 初期の生成系AI アプリケーションは予測テキストや音声アシスタントなどの基本的な機能を備えていましたが、今日の生成系AI モデルを支える大規模言語モデル（LLM）はより洗練されています。長文記事を出典付きで作成、カスタムビジュアルをデザイン、音楽を作曲、実際に動作するコードを生成などのアクションが可能です。これらの用途に加え、生成系AI の他のモデルを専門的なデータでトレーニングすると、ヘルスケア、金融、法律、ソフトウェア開発などの業界に役立てることも可能です。
生成系AIモデルは時間の経過とともにどのように進化しましたか？
現在使用されている生成系AI の起源は、70年近く前に遡ります。現在に至るまでの経緯と今後の展開を理解するために、今日の生成系AI を可能にした画期的進歩を見ていきましょう。
機械学習の黎明期: 1950年代～1980年代
データに基づき学習し、間違いを教訓にするという生成系AI の土台は、登場する数十年前に築かれていました。
初期の機械は、学習はできても、単純な内容に限定: 1957年、フランク・ローゼンブラットは、意思決定ロジックを人間が事前にプログラムするのではなく、データからパターンを学ぶ、「パーセプトロン」という初の AI システムを構築しました。ただし、この単層パーセプトロンには重大な限界がありました。比較的単純な問題しか解決できず、パターンがより複雑または微妙になると失敗してしまうのです。
機械が自身の誤りから学ぶ段階に: 次の画期的な変革は1970年に訪れました。セッポ・リンナインマーが自動微分のリバースモード（後に「バックプロパゲーション」として広く知られるようになる中核的な数学的手法）を発表したのです。この手法により勾配の計算が効率的になりました。具体的には、この手法によりニューラルネットワークは、各結合が誤りに寄与する程度を計算し、その結果に応じて調整することで、試行錯誤しながら学習できるようになりました。
1986年の論文がついに、より困難な問題を解決しました。 David Rumelhart、Geoffrey Hinton、Ronald Williamsによる1986年の先駆的な論文（Nature誌の論文Learning Representations by Back-propagating Errorsとして頻繁に引用される）は、このバックプロパゲーション（誤差逆伝播）技術によって単層パーセプトロンの限界を克服し、多層ニューラルネットワークを正常にトレーニングできることを実証しました。
メモリ：1990年代
1990年代、研究者たちは再帰型ニューラルネットワーク（RNN）を発表しました。これは、言語や音声などのタスクで有用な、一種の短期メモリをモデルに持たせるものです。ただ、初期のRNNは、入力が長いか複雑になるとその処理に苦戦しました。この状況は、1997年の長短期記憶（LSTM）ネットワークの登場で一変し、モデルは時間をかけることで、より複雑なパターンを捉えられるようになりました。ニューラルネットワーク設計におけるこれらの進歩は、ハードウェアの改良と相まって、今日のシステムをサポートする深層生成モデルの訓練の基礎を築きました。
競争、対話、創造: 2014～2022
この時期に起きた3つの革新により、初期の機械学習モデルは、現在認識される生成系AI に転換しました。その革新とは敵対的生成ネットワーク（GAN）、トランスフォーマー、拡散モデルです。
敵対的生成ネットワーク
2014年にイアン・グッドフェローとその同僚は敵対的生成ネットワークを発表しました。これは2つのニューラルネットワークを互いに競い合わせることで、人間が作成したコンテンツと区別がつかないコンテンツを生成するものです。
一方のネットワーク（ジェネレータ）が合成コンテンツを生成し、もう一方（ディスクリミネータ）がそれが本物か偽物かを検出しようとします。 この敵対的な設定により、ラウンドごとにジェネレータの改善が促され、最終的には高解像度の画像やビデオのようなリアルな出力を生成するようになります。 GAN は、高解像度の写真やビデオフレームの生成、画質の向上、欠落した視覚データの補完に広く使用されています。
GANは、上記以外にも次のような複数の分野に役立っています。
- アート生成: オリジナルの画像、アート作品、ビジュアルデザインの作成
- 写真の復元と色付け: 破損した写真の修復と白黒画像への色付け
- 医療画像: スキャンの強化と合成医療画像の生成
- 創薬: 研究者の試験対象となる新薬化合物の提案
- データ拡張: 他のモデル用訓練データセットの拡張
Transformer アーキテクチャ、2017年
2017年に発表されたニューラルネットワークアーキテクチャの一種である「トランスフォーマー」は、研究者が事前にすべてのデータにラベルを付けることなく、より大規模なモデルを学習できるようにするものです。一度に一語ずつ処理するのではなく、一連のデータ全体を同時に分析します。この進歩により、最新の AI チャットボットや言語モデルの実現可能性が高まり、翻訳、要約、対話システムへの道が開かれました。
現在広く利用されている：Generative Pre-trained Transformer アーキテクチャは、OpenAI の ChatGPT、Google の Gemini、Anthropic の Claude など、今日見られる多くの生成系AIモデルの基盤となっています。
拡散モデル、2020年代初頭
拡散モデルは、DALL-E や Midjourney など、今日の主要な画像生成ツールの原動力です。このモデルでは、画像にノイズを加えるプロセスを逆にたどります。静的ノイズを起点に、複数の改良ステップを経て、鮮明で高品質な画像を徐々に明らかにしていきます。この手法は、実際の写真とほとんど見分けがつかないリアルな画像の生成に役立ち、Stable Diffusion はこの手法の代表的な実用例です。
一般大衆への浸透、マルチモーダル、エージェント: 2022年～現在
2020年代初期以降も、生成系AI の開発ペースが衰えることはありませんでした。2022年11月の ChatGPT の発表により、生成系AI は瞬く間に一般大衆に普及し、研究段階のツールから、何百万人もの人々にとっての日常的なツールへと変化しました。以降、生成系AI は同時に多方向へ展開し始めています。
- マルチモーダルモデルでは、テキスト、画像、音声、動画は専用のモデルではなく、単一システム内で処理されます。
- 推論モデルは回答を生成する前に段階的に問題を処理するため、複雑なタスクにおける正確性が向上します。
- AIエージェントは、単にプロンプトに応答するだけでなく、アクションを実行し、ツールを使用し、ユーザーに代わって複数ステップのタスクを完了します。多くの場合、人がリクエストするのを待つのではなく、自ら根底にあるモデルにプロンプトを出します。
さまざまな種類の生成系AIはどのように機能するのですか？
多くの最新システムでは、単一のマルチモーダルシステム内でテキスト、画像、コード、ビデオなどの異なる種類のコンテンツを作成しますが、それぞれの種類は依然として異なるアプローチと訓練方法を使用して機能します。
テキスト生成
大規模言語モデルは、現在広く利用されている最も高性能な機械学習システムです。
- 主な役割：自然言語処理（NLP）を活用し、コンピューターが人間の言語を理解して生成できるようにすることに重点を置いています。
- 仕組み: トランスフォーマーアーキテクチャに基づいて構築され、人間とほぼ同様に文脈や単語間の関係を理解します。
- 重要な理由： NLPにおけるこの画期的な進歩により、より正確でコンテキストに応じた言語処理が可能になりました。
ChatGPT のようなシステムと交流する際、ユーザーは何十億もの Web ページ、書籍、記事で学習し、文法、トーン、専門知識を習得してあらゆる自然言語クエリを流暢に取り扱う LLM を使用しています。
画像生成
AI による画像の生成は魔法のように思えるかもしれませんが、その背後では、プロンプトの文章を解釈し、求められるビジュアルを生成するために高度なテクノロジーが使われています。これらの画像生成モデルは、高度なテキストエンコーダーを使用してユーザーの説明を理解し、拡散モデルなどのアーキテクチャを使用して実際の画像を生成します。
コード生成
AI コードツールのトレーニングに使用されるオープンソースコードの大規模なライブラリは、プログラミングパターンや、開発者が問題を解決する背景にあるロジックを認識できるようにモデルを訓練します。ユーザーが平易な英語で必要な内容を説明すると、Python や JavaScript などのプログラミング言語で動作するソフトウェアコードが出力されます。
動画と音声の生成
AI は短い動画を生成する場合、あるフレームから次のフレームにシーンがどのように展開するかを予測します。まず、コンセプト（たとえば、人が歩くなど）を決め、動きを構成する各ステップを作成し、スムーズで自然な連続シーンに仕上げます。音声生成では、AI が書かれたテキストをリアルな音声へと変換し、トーン、ペース、強弱を調整して、実際の会話のリズムやニュアンスに合わせます。
生成系AIを支える技術とは何ですか？
生成系AI の能力は、一連の強力な技術的基盤の上に構築されています。その背後で起きていることを、以下で詳しく説明します。
ニューラルネットワークとディープラーニング
ニューラルネットワークは、ほとんどの生成系AI システムを支えるエンジンです。人間の脳の仕組みを簡略化したものと考えることができます。ノードと呼ばれる接続された処理ユニットのレイヤーを情報が流れ、各レイヤーがデータ内のさまざまなパターンや機能を認識することを学習します。このレイヤーが多い場合、このアプローチはディープラーニングと呼ばれます。
これらのネットワークは、訓練中に、画像内のピクセルの色や単語の意味など、データのさまざまな特性をベクトルと呼ばれる数学的表現に変換します。何百万もの例を分析することで、パターンと関係の識別方法を学び、その知識を使用して新しい類似のコンテンツを生成します。
ニューラルネットワークの開発は長期にわたって進められており、タスクの違いに応じて次のように複数のタイプがあります。
- 再帰型ニューラルネットワーク（RNN）は、AI が音声やテキストなどを処理できるようにするために初期のシステムで使用されていました。一度に一語を解釈し、その情報を引き継いで次の単語を予測していました。
例: 直前に話した内容に基づいて新しい単語を予測し、音声をリアルタイムの字幕に変換する音声テキスト変換アプリ。 - 畳み込みニューラルネットワーク（CNN）は、コンピュータービジョンタスクの画像の分析と、エッジ、形状、テクスチャなどのパターン検出を専門的に扱います。
例: AI を使用して集合写真内の友人の顔を検出し、タグ付けする写真アプリ。 - 変分オートエンコーダー（VAE）は、データをコンパクトな数学的形式に圧縮してから再構築し、ノイズを滑らかに除去しながら新しいバリエーションの生成方法を学習します。
例: 照度の低い場所で撮影した写真からざらつきを除いたり、画像の微妙なバリエーションを生成したりする写真アプリ。 - トランスフォーマーネットワークは、現在、生成系AI の最新モデルの基盤となっており、入力のすべての部分を同時に処理するため、複雑な言語を理解し、より長く一貫性のある応答を生成する能力に非常に優れています。
例: メッセージ全体を瞬時に理解することで、「いいですね、ではそのときに」のような完全な文章による返信を提案するメールアプリ。
生成系AI基盤モデルはどのようにトレーニングされますか？
タスクごとに個別のモデルを訓練する代わりに、ChatGPTのような基盤モデルは、質問への回答、コードの記述、テキストの要約など、さまざまなタスクを実行するように訓練されています。
これらのモデルの訓練には、膨大な演算能力や厳選されたデータセットなど、多大なリソースが必要です。
モデルの訓練には次のように、複数のタイプのデータとフィードバックが使用されます。
- ラベル付きデータとラベルなしデータ: 初期学習で使用される組み合わせであり、モデルが直接的な監督（ラベル）なしに、幅広いコンテンツにまたがるパターンを一般化するのに役立ちます
- 合成データ: 特に機密情報や限定的な情報を扱う場合に、実際のデータセットを補完するためによく使用されます
- 人間のフィードバック: ユーザーによる出力の評価や修正に伴うデータであり、「人間のフィードバックによる強化学習」（RLHF）と通常呼ばれます。回答内容の有用性、正確性、ユーザーの期待への適合性を高める目的があります
トレーニング後は次のようないくつかの方法で、モデルを適応させることができます。
- 特定のタスクを実行するために独自のデータでファインチューニングする
- カスタムの知識ベースを追加する
- 特定の領域やユースケースを支援する追加レイヤーをトレーニングする
- 科学論文、法律文書、技術マニュアルなどのソースから、新規または複雑なデータを追加する
生成系AIはさまざまな業界でどのように活用されていますか？
生成系AIは、コンテンツ作成とオートメーションのために複数の業界で活用されています。たとえば、創薬や合成医療データのためのヘルスケア、レポート作成やカスタマーサービスのための金融、音楽作曲や動画生成のためのメディアなどです。
各業界での生成系AI の活用方法を以下にご紹介します。
- 医療：医療プロバイダはこれを使用して、医療画像の強化、臨床文書の作成支援、治療のパーソナライズを行います。 また、機密情報を公開することなく、機械学習モデルの訓練用の合成患者データを生成することもできます。
- 創薬：製薬会社やバイオテクノロジー企業は、化合物の特定や分子構造の改良を行い、初期段階の新薬開発を加速させるために生成系AIを活用しています。 また、臨床試験の設計を支援することもできます。
- ビジネスプロセスのオートメーション: 生成AIは、レポートの作成、スプレッドシートの要約、お客様からの問い合わせ対応などの反復的なタスクを自動化することで操作を効率化し、チームがより価値の高い業務に専念できるようにします。
- クリエイティブ業界と AI アート：デザイナーやアーティストは、DALL-E、Midjourney、Adobe Firefly などのツールを使用して、テキストプロンプトからコンセプトアートやカスタムグラフィックを生成します。 また、生成AIはビデオゲームやシミュレーション向けの音楽を作曲し、環境、キャラクター、アバターを作成することもでき、かつて何時間もかかっていた作業をわずか数分に短縮します。
- ソフトウェア開発の強化：生成系AIは、開発者による定型コードの書き込み、レガシーシステムのリファクタリング、自然言語のプロンプトからの関数作成を支援します。MongoDB Atlasのようなプラットフォームと組み合わせることで、データベースクエリ、スキーマ定義、アプリケーションロジックも生成できます。
- マーケティングおよびメッセージングツール：マーケティングチームは生成系AIを使用して、ブログ記事、広告コピー、メールキャンペーンをより迅速に作成できます。 Jasper、Copy.ai、Persadoなどのツールでは、さまざまなオーディエンスに合わせてトーンや形式を調整できます。
生成系AI の実装にはどのような課題がありますか？
生成系AI の導入には、モデルの設定やパフォーマンスの向上、その他多くの課題が伴う可能性があります。たとえば、次のような課題が考えられます。
- ハルシネーション: モデルは、もっともらしく聞こえても不正確な出力（ハルシネーション）を生成することがあります。
- 著作権: 許可なくウェブスクレイピングされた素材や著作権で保護された素材を使用してモデルを訓練する行為をきっかけに、フェアユース（公正な使用）やクリエイターへの対価をめぐる法的紛争が発生しており、AI 生成作品に対して著作権が認められるかどうかという根本的問題はなお未解決のままです。
- バイアス：モデルは訓練データ内の偏見を取り込んで増幅させ、採用やローン審査などの分野で不公平または差別的な結果を生み出す可能性があります。そのため、多様な訓練データと継続的な評価が重要になります。
- 悪用：生成系AIはディープフェイク—リアルなAI生成動画で人物の外見や音声を再現し、実際には言っていないことや行っていないことをあたかも言ったり行ったりしたように見せかけるもの—に悪用される可能性があります。
アプリケーションに生成系AIを追加するにはどうすればよいですか？
アプリケーションに生成系AI を追加する場合は、ニーズに合った方法を決定する必要があります。AI の実装はごく単純なケースもあれば、非常に複雑なケースもあります。単純なケースの代表例として、メールを要約するチャットボットの追加が挙げられます。複雑なケースとしては、LLM のファインチューニング、エージェント型ワークフローの確立、検索拡張生成（RAG）システムの構築、MongoDB などのベクトルデータベースを使用した独自のベクトルストアの構築などが挙げられます。
より高度なアプリケーションでは、チームはメモリ、検索、ガバナンスをアプリケーションアーキテクチャに組み込むエージェントプラットフォームを使用できます。
生成系AI アプリケーションを単発の応答からビジネスコンテキストに基づいた多段階のワークフローへ移行させると、有用度が高まります。MongoDB Atlas Agent Engine にはメモリと検索機能が組み込まれており、エージェントの構築、展開、ガバナンス用プラットフォームとして利用できます。エージェントはゼロからアクションを始めたり断片化されたパイプラインに依存したりせずに、正確なコンテキストを用いてタスクを実行できます。単一のコントロールプレーンとしてエージェントのアクションを統制する一方で、さまざまな LLM、フレームワーク、環境に対応するためユースケースの変化に合わせてアーキテクチャを進化させることもできます。
判断に役立つ主な質問には、次のようなものがあります：既存の AI サービスを利用した、迅速でシンプルなソリューションをお探しですか？ それとも、独自のデータや特定のビジネスロジックに対応した、より高度なものが必要ですか？
詳しい情報を読み、Atlas で構築し始めるには、今すぐクラスターをセットアップするか、ドキュメントをご覧ください。
ゼロから始めたい場合や、どこから始めればよいかわからない場合は、生成AIアプリ構築ラーニングバッジパスをご覧いただくか、RAG実力バッジを取得しましょう！
ソリューションをご覧になりたいですか？ AI のユースケースをご覧ください
結論: 生成系AI の真価を認める
生成系AI は情報の分析手段から創造手段へ移行しており、私たちが文章を書き、コードを作成し、コミュニケーションする方法を変えています。ただ、生成系AI の真価を引き出すには、アクセスするだけでは不十分です。その限界を理解し、安全対策を追加し、慎重に統合する必要があります。組織はこの変化に対応する中で、イノベーションと責任のバランスを取る必要があります。