AIの種類を徹底解説！機械学習から生成AIまで全体像がわかる

はじめに

AIという言葉は日常に浸透しましたが、その技術には多くの種類があり、それぞれ得意な領域や仕組みが異なります。種類を理解せずにAIを導入・活用しようとすると、目的に合わない技術を選んでしまい、期待した成果が得られないリスクがあります。

AIの種類は「能力レベル」「技術アプローチ」「生成対象」など複数の軸で整理でき、軸ごとの違いを押さえることで自分に合った選択肢が見えてきます。本記事では、機械学習や深層学習といった基盤技術から、生成AIやエージェント型AIといった最新の潮流まで、AIの全体像を体系的に解説します。

AIの定義と基本構造

AIを構成する主要サブフィールド

AIとは、パターン認識や意思決定、データからの学習など、人間の知能を必要とするタスクを遂行する技術の総称です。この広い領域の中には、互いに関連し合う複数のサブフィールドが存在します。

AIを構成する主なサブフィールドとして、データから学習し予測を行う機械学習（ML）、多層のニューラルネットワークで画像認識や音声認識などの複雑な処理を担う深層学習（DL）、放射線画像のような視覚情報を解釈するコンピュータビジョン（CV）、そして電子カルテのような臨床テキストから情報を抽出・解釈する自然言語処理（NLP）の4つが挙げられます（参照*1）。

これらのサブフィールドは独立して機能するのではなく、1つのシステムの中で組み合わされることが多いため、AIの種類を理解するにはまずこの構造を把握しておくことが欠かせません。

ML・DL・NLPの関係性

AIの種類を正しく理解するには、ML・DL・NLPがどのような包含関係にあるかを知る必要があります。MLはAIの一分野であり、明示的にプログラムしなくてもデータからパターンを学習して予測を行う仕組みです。DLはそのMLのさらに一部で、多層のニューラルネットワークを用いて画像や音声といった複雑な入力を処理します（参照*1）。

NLPは人間の言語を扱う分野で、テキストの抽出や解釈を得意とします。がんゲノミクスの領域では、AIとそのサブフィールドであるMLおよびDLが、変異パターンの特定、疾患分類と進行予測、新たな治療法の開発に活用されています（参照*2）。

このように、ML・DL・NLPは入れ子構造や並列の関係で結びついており、AIの種類を分類する際の基本的な枠組みとなっています。

能力レベルによるAIの分類

特化型AI（Narrow AI）の特徴と具体例

AIの種類を能力レベルで分けたとき、現在実用化されているほぼすべてのAIは特化型AI（Narrow AI）に該当します。特化型AIは、あらかじめ設定されたアルゴリズムに基づき、1つのタスクまたは限られた範囲のタスクを高い精度でこなす仕組みです。その一方、プログラムされた範囲外のタスクは実行できません（参照*3）。

具体例としては、スパムフィルタ、Netflixのレコメンデーション、SiriやAlexaといった音声認識、オートコレクト機能などが挙げられます（参照*4）。これらはいずれも特定の目的に対して最適化されており、用途を限定することで高い性能を発揮しています。

特化型AIは身近なサービスの大部分を支えているため、AIの種類を検討する際にまず押さえるべき分類です。

汎用AI（AGI）と超知能AI（ASI）

特化型AIの先に想定されているのが、汎用AI（AGI）と超知能AI（ASI）です。AGIは人間と同等の認知能力を持ち、あらゆる知的タスクを柔軟にこなせるとされる概念上のAIです。ASIはそこからさらに進み、人間の知能を超える水準に達した段階を指します。

現時点で実用化されているAIは特化型AIのみであり、AGIやASIは研究・議論の対象にとどまっています。生成AIや大規模言語モデル（LLM）が登場したことで、あたかもすべてのAIがLLMであるかのように見えることがありますが、実際には追求すべきAIの種類はそれだけではありません（参照*5）。

AGIやASIはまだ実現していないものの、AIの種類を能力レベルで捉える枠組みの中では欠かせない概念です。

技術アプローチ別のAI分類

機械学習と主要アルゴリズム

AIの種類を技術アプローチで分類する場合、最も基本となるのが機械学習（ML）です。MLは、あらゆるシナリオに対して個別にプログラムしなくても、データからパターンを学習し、時間とともに性能が向上していく仕組みです。不正検知や画像認識、予測分析といった幅広い用途で使われています（参照*4）。

MLの中には多様なアルゴリズムが存在します。2つの選択肢のうちどちらに分類されるかを確率で判定するロジスティック回帰、フローチャートのように条件分岐で判定するデシジョンツリー、多数のデシジョンツリーを組み合わせて精度を高めるランダムフォレストなどが代表的です。さらに、データを最適な境界線で分けるサポートベクターマシン（SVM）、類似したデータ同士を比較して分類するK近傍法（KNN）、そして確率に基づいて予測を行うナイーブベイズもよく用いられます（参照*6）。

このように、ひとくちにMLといっても目的やデータ特性に応じて選ぶべきアルゴリズムが異なるため、自社の課題に照らしてどの手法が適切かを見極めることが大切です。

深層学習とニューラルネットワーク

深層学習（DL）は機械学習の一部であり、多層に重なったニューラルネットワークを使って画像認識や音声認識などの複雑なタスクを処理します。ニューラルネットワークは人間の学習や情報処理の仕方に最も近いアルゴリズムとされています（参照*6）。

深層学習で用いられるモデルとして、時系列データなどの順序情報を扱う再帰型ニューラルネットワーク（RNN）、画像の空間的な特徴を捉える畳み込みニューラルネットワーク（CNN）などがあります。また、AIのモデルとしてはデシジョンツリーも挙げられます（参照*1）。

深層学習は特に画像や音声といった非構造化データの処理で強みを発揮するため、AIの種類を選ぶ際に扱うデータの形式を確認することが判断の出発点になります。

生成AI（GenAI）の仕組み

生成AIは、特化型AIの中でもより高度な位置づけにあり、データを分析するだけでなく、学習したパターンをもとにテキスト・画像・音楽などの新しいコンテンツを作り出せる点が特徴です（参照*3）。

生成AIの土台となっているのが、大規模かつ多様なデータセットで訓練された基盤モデルです。ChatGPT、Claude、Geminiなどはこの基盤モデルにあたり、あらゆる分野について幅広い知識を持つ汎用的なAIシステムとして機能します。LLMは基盤モデルの一種で、人間の言語の理解と生成に特化しています（参照*7）。

生成AIはAIの種類の中でも急速に利用が広がっている領域であり、具体的なツールと生成対象ごとの違いを把握しておくと整理しやすくなります。

生成AIの種類と代表ツール

テキスト生成とLLM

テキスト生成AIは、生成AIの種類の中で最も広く普及している分野です。テキスト生成AIのツールは、ウェブページや書籍などの大量のテキストデータを取り込み、人間の言語に含まれるパターンや関係性を分析する訓練過程を経て構築されます。この訓練プロセスから、これらのツールはLLMと呼ばれています。LLMは確率を用いて、次にどの単語が並ぶべきかを予測する仕組みで文章を生成します（参照*8）。

テキスト生成AIの用途は対話だけにとどまらず、文書のレビューやリサーチの自動化など、業務効率化の手段としても活用されています。LLMは生成AIの種類を理解するうえで中核となる技術であるため、その仕組みを押さえておくと他の種類との違いも把握しやすくなります。

画像・音声・動画生成

テキスト以外にも、生成AIにはさまざまな種類が存在します。画像生成AIは、キャプションやテキスト説明が付いた画像のデータセットを学習し、2つの異なる概念を組み合わせて新たな画像を作り出します。代表的なツールにはDALL·E、Midjourney、Stable Diffusionがあります（参照*8）。

音楽生成AIは、楽曲とそのメタデータ（アーティスト名、アルバム名、ジャンル、リリース年、関連プレイリスト）を分析して特定ジャンルのパターンや特徴を識別し、歌詞データも学習に活用します。AIVAやSoundfulがその例です。動画生成AIは音声・映像・テキストの要素を統合して映像を作成するもので、Runway Gen-1やInvideoなどが知られています（参照*8）。

生成対象ごとにツールや学習方法が異なるため、自分が必要とする出力形式に合わせて生成AIの種類を選ぶことが実用上のポイントです。

エージェント型AIの台頭

AIの種類の中で近年存在感を増しているのがエージェント型AIです。生成AIがテキストや画像、動画の作成を自動化するのに対し、エージェント型AIはさらに一歩進んで、人間のように行動し意思決定を行います。MITスローン経営大学院の准教授であるJohn Horton氏は、エージェント型AIを「人間の代わりにデジタル環境で知覚・推論・行動し、ツールの使用や経済的な取引、戦略的なやり取りを行う自律的なソフトウェアシステム」と位置づけています（参照*9）。

同大学院のKate Kellogg教授らは2025年の論文で、エージェント型AIはLLMなどの汎用AIモデルを拡張し、複雑な手順の自動化を可能にすると説明しています。具体的には、複数のステップにわたる計画を実行し、外部ツールを活用し、デジタル環境と対話することで、大規模なワークフローの中で強力な構成要素として機能します（参照*9）。

エージェント型AIは特定の目標を達成するために複数段階の推論と計画を自律的に行える点で、生成AIとは明確に区別される種類です。生成AIが「作る」ことに強みを持つのに対し、エージェント型AIは「判断して実行する」ことに強みを持つため、両者の違いを意識しておくと、AIの種類を選定する際の視野が広がります。

産業別ユースケースと選び方

金融・医療・小売での活用事例

AIの種類によって適した活用先は異なりますが、金融・医療・小売の各分野ではすでに具体的な導入が進んでいます。金融分野では、JPMorgan Chaseがエージェント型AIを用いた不正検知、個別最適化された金融アドバイスの提供、ローン承認や法務・コンプライアンス手続きの自動化を検討しています。小売分野では、WalmartがLLMを搭載したエージェント型AIを構築し、パーソナルショッピング体験の自動化や、商品企画・問題解決といった業務の効率化に取り組んでいます（参照*9）。

医療分野では、胸部画像診断にAIが活用されています。ラジオミクスに基づくCT解析では肺結節の検出において感度86%・特異度84%を達成し、深層残差ネットワークによるCTモデルは肺がん分類で91.07%・88.64%の精度に達しました。さらにPET/CTベースのモデルはリンパ節転移の予測で感度82%・特異度86%を記録しています（参照*1）。

グラフアルゴリズムの応用も広がっており、レコメンデーションエンジン、金融機関における不正検知、そして創薬に活用されています。ドイツの分子診断・製薬研究企業であるQIAGENは、グラフを用いてCOVID-19の臨床試験に有望な薬剤を特定しました（参照*5）。

目的別AI選定の判断基準

AIの種類を選ぶ際には、自社がAI活用のどの段階にいるかを見極めることが出発点になります。ある調査では、回答企業の25%が「まだ大きな取り組みをしていない」、49%が「実験や概念実証の段階」、22%が「積極的に拡大中」、そしてわずか4%だけが業務全体にAIを深く組み込んだ「バリューエンジン」の段階に達していると報告されています（参照*10）。

また、AIの活用姿勢は「テイカー」「シェイパー」「メイカー」の3つに区分されることがあります。テイカーは既存のモデルをそのまま使い、シェイパーは市販のAIを自社に合わせて調整し、メイカーは自ら基盤モデルを構築する企業です（参照*10）。

自社の成熟度と活用姿勢を把握したうえで、特化型AIで十分なのか、生成AIやエージェント型AIが必要なのかを判断すると、AIの種類ごとの特性と自社の目的を一致させやすくなります。

AI導入時の注意点とリスク

AIの種類を正しく選んでも、導入にはリスクが伴います。エージェント型AIにおいては、信頼性のばらつきと非倫理的な振る舞い、サイバーセキュリティの脅威、そして責任の所在の不明確さが課題として指摘されています（参照*9）。自律的に判断・行動するAIであるほど、問題が起きた場合に誰が責任を負うのかという論点が避けられません。

技術面ではデータの品質がAIの性能を左右します。AIの分類や予測は学習データの質に依存しており、ラベル付けが不正確なデータ、整理されていないデータ、セキュリティが確保されていないデータを使うと、予測の不正確さ、偏った結果、コンプライアンス上のリスクにつながります（参照*6）。

どのAIの種類を導入する場合でも、信頼性・セキュリティ・データ品質の3つの観点を事前に点検しておくことが、想定外のリスクを抑える基本的な対策です。

おわりに

AIの種類は、能力レベル、技術アプローチ、生成対象、そしてエージェント型かどうかといった複数の軸で整理できます。それぞれの軸ごとに特性と得意領域が異なるため、目的に合った種類を見極めることが活用の第一歩です。

自社の課題とAI成熟度を照らし合わせながら、特化型AIで足りるのか、生成AIやエージェント型AIが必要なのかを判断し、データ品質やリスク管理の体制も含めて検討することが、AIの導入効果を高めるうえで欠かせないポイントです。

監修者

安達裕哉（あだちゆうや）

デロイトトーマツコンサルティングにて品質マネジメント、人事などの分野でコンサルティングに従事しその後、監査法人トーマツの中小企業向けコンサルティング部門の立ち上げに参画。大阪支社長、東京支社長を歴任したのち2013年5月にwebマーケティング、コンテンツ制作を行う「ティネクト株式会社」を設立。ビジネスメディア「Books&Apps」を運営。
2023年7月に生成AIコンサルティング、およびAIメディア運営を行う「ワークワンダース株式会社」を設立。ICJ2号ファンドによる調達を実施(1.3億円)。
著書「頭のいい人が話す前に考えていること」が、82万部（2025年3月時点）を売り上げる。
（“2023年・2024年上半期に日本で一番売れたビジネス書”（トーハン調べ／日販調べ））