AIの種類一覧を徹底解説！知っておくべき技術の全体像とは

はじめに

AIは私たちの暮らしや仕事のあらゆる場面に広がりつつあります。音声アシスタントや画像認識、文章の自動生成など、用途が急速に増える一方で、AIにはどのような種類があり、それぞれ何ができるのかを体系的に把握できている人は多くありません。種類を知らないまま導入を進めると、目的に合わない技術を選んでしまい、コストや時間を無駄にするおそれがあります。

AIの種類は「能力」「機能」「技術・手法」「実用途」といった複数の軸で整理でき、それぞれの特徴と限界を押さえることが適切な選択につながります。この記事では、各分類軸ごとにAIの種類を一覧で示しながら、具体的な技術や事例をもとにその全体像を解説します。

AIとは何か

AIの基本的な定義

AIとは、人間のように考え、学ぶことができる知的な機械の開発を目指すコンピュータサイエンスの一分野です。AIの仕組みを備えたシステムは、データの処理、音声の解釈、パターンの分析、物体の識別、そして自律的な意思決定を行う能力を持ちます（参照*1）。

ここでのポイントは、AIが単なる計算の高速化ではなく、人間の知能そのものを模倣し、さらにその能力を拡張する技術であるという点です。推論、問題解決、意思決定など、従来は人間にしかできなかった作業を機械に任せられるようになることが、AIという概念の根幹にあります。こうした定義を踏まえたうえで種類を見ていくと、各AIが「何を目指しているのか」を理解しやすくなります。

AIと機械学習の関係

AIと機械学習はしばしば同じ意味で使われますが、実際には機械学習はAIという大きな領域の一部です。AIは、推論や問題解決、意思決定など、人間の知能を必要とする作業を機械に行わせるあらゆる手法を包含する広い概念です。機械学習は、そのAIの中でもデータを通じて機械に学習させることに特化した応用分野にあたります（参照*2）。

つまり、機械学習はAIを実現する手段の一つであり、AIのすべてが機械学習というわけではありません。この包含関係を押さえておくと、このあと紹介する技術・手法別の分類で、機械学習がどの位置にあるのかを見通しやすくなります。

AIの分類軸と全体像

AIの種類を一覧で整理するには、まず「何を基準に分けるか」という分類軸を知ることが欠かせません。AIの種類は大きく「能力に基づく分類」と「機能に基づく分類」の2つの軸で整理されてきました（参照*1）。能力に基づく分類では、AIがどの程度の知的水準を持つかで段階を分け、機能に基づく分類では、AIが内部でどのように情報を扱うかに着目します。

さらに近年は、従来の能力・機能による分け方に加えて、実際に何をするかという実用途に注目した分類が広がっています。「どれほど賢いか」ではなく「現実の場面で何を行うか」に焦点を移した区分です（参照*3）。こうした複数の軸を組み合わせると、特化型AIや汎用型AIといった能力の段階、反応型マシンや限定記憶型AIといった機能の違い、そして生成AIや自律型AIといった用途の広がりまでを一つの見取り図として把握できます。

能力別に見る3つのAI

特化型AI（Narrow AI）

特化型AI、正式にはANI（Artificial Narrow Intelligence）と呼ばれるAIは、特定の作業や狭い範囲の仕事をこなすために設計・学習されたものです。与えられた作業には高い性能を発揮しますが、それ以外の作業に応用する力は基本的に持ちません。代表的な例として、SiriやAlexaといった音声アシスタント、セキュリティ分野の顔認識、Netflixなどのおすすめ機能が挙げられます（参照*3）。

また、特化型AIはデータから学ぶ能力を備えており、金融、医療、ロボット工学、小売といった幅広い産業で活用されています（参照*1）。現在、私たちが日常で触れているAIのほとんどはこの特化型AIにあたります。一つの領域に絞って高い精度を出せる反面、想定外の場面には対応できないという特性を理解しておくことが、導入時の期待値を正しく設定するうえで大切です。

汎用型AI（General AI）

汎用型AI（General AI）は「強いAI」とも呼ばれ、人間のようにさまざまな作業を理解し、学び、知識を応用できるとされる、より高度なAIの概念です。ただし、現時点ではまだ仮説上の存在であり、完全に実現した例はありません。想定される事例として、自動運転車やIBM Watson Assistant、法律向けの知的システムであるROSSが挙げられます（参照*2）。

これらは特定の分野で人間に近い判断力を見せますが、あらゆる分野で人間と同等に振る舞えるわけではありません。汎用型AIが実現すれば、一つの学習を別の領域にも転用できるようになるため、特化型AIのように用途ごとに別々のシステムを用意する必要がなくなると考えられています。現在の技術がこの段階にどこまで近づいているかを見極めることが、AI種類の一覧を読む際の重要な視点です。

超知能AI（Super AI）

超知能AI、すなわちASI（Artificial Superintelligence）は、あらゆる面で人間の知能を超えるとされるAIの最終段階です。ASIは自己認識を持ち、いかなる作業においても人間を上回る能力を発揮すると想定されています。しかし、この概念はまだ仮説の域にとどまっており、実現したシステムは存在しません（参照*1）。

超知能AIが人間の知識と能力を超えうるという定義は、AIの種類一覧において最も遠い到達点として位置づけられています（参照*4）。実用面で直接選択肢になるわけではありませんが、この段階を知っておくことで、特化型AIから汎用型AI、そして超知能AIへと続く能力の階段全体を見渡せるようになります。

機能別に見る4つのAI

反応型マシン

反応型マシンは、目の前のデータだけをもとに動作し、過去の経験を記憶したり学習したりする仕組みを持たないAIです。特定の入力に対して決まった出力を返すだけで、状況に応じて自ら適応する能力はありません。代表例として、チェスの盤面パターンに基づいて手を打つDeep Blueが挙げられます。Deep Blueは過去の試合から学ぶのではなく、そのときの盤面だけを見て最適な手を選びます（参照*3）。

反応型マシンは構造が単純であるため、特定のルールが明確な場面では高い処理速度と安定性を発揮します。一方で、環境が変化する状況には弱く、柔軟な対応が求められる場面には向きません。AIの種類一覧の中では最も基礎的な機能段階にあたり、ここを出発点として、次の限定記憶型AIへと進化の方向を理解できます。

限定記憶型AI

限定記憶型AIは、反応型マシンの能力に加えて、過去の経験から学び、そのデータを意思決定に活かすことができるAIです。現在使われているAIのほとんどがこの種類にあたります。チャットボット、自動運転車、音声アシスタントなどが代表例であり、テスラのAutopilotも限定記憶型AIの実例として挙げられます（参照*1）。

限定記憶型AIが広く普及している理由は、過去のデータを蓄積して判断の精度を高められる点にあります。自動運転車であれば、周囲の車両や歩行者の過去の動きを短期間記憶し、次の瞬間の行動を予測します。日常で触れるAIサービスの多くがここに位置づけられるため、AIの種類一覧を理解するうえで最も身近なカテゴリーです。

心の理論型AI

心の理論型AIは、人間の感情や信念、意図を理解し、それに応じた高度なやり取りを目指すAIの概念です。現時点では研究段階にあり、完成したシステムはまだ存在しません。想定される応用先として、感情を検知する人間とロボットの対話や、患者のニーズに合わせて振る舞いを変える医療現場での協働ロボットが挙げられます（参照*3）。

また、心の理論型AIは人間の感情を感知して反応する能力に加え、限定記憶型AIの作業も遂行できると位置づけられています（参照*4）。感情の理解という要素が加わることで、対話や介護など人と密接に関わる領域でのAI活用が大きく広がる可能性があります。

自己認識型AI

自己認識型AIは、他者の感情を認識するだけでなく、自分自身の存在や状態を認識し、人間レベルの知能を備えるとされるAIの最終段階です。この段階は現在のところ仮説上の概念であり、実現には至っていません（参照*1）。

自己認識型AIはAI機能分類の頂点に位置づけられ、他者の感情の認識に加えて自己意識と人間水準の知能を併せ持つと定義されます（参照*4）。仮に実現すれば、機械が自らの判断の根拠を理解し、自律的に目標を設定できるようになると考えられています。反応型マシンから自己認識型AIまでの4段階を一覧で見ることで、AIの機能がどこまで進化しうるかの見通しを持てるようになります。

技術・手法別のAI分類

機械学習と深層学習

機械学習には大きく3つの手法があります。1つ目は教師あり学習で、正解が付いたデータをもとに予測を行います。2つ目は教師なし学習で、正解ラベルのないデータからパターンを見つけ出します。3つ目は強化学習で、試行錯誤を通じて報酬や罰のフィードバックを受け取りながら判断力を高めていく方法です（参照*2）。

深層学習は、機械学習の一分野であり、人間の脳の仕組みを模したニューラルネットワーク（神経回路網）を使ってデータから洞察を得て、より複雑な問題を解く手法です（参照*1）。機械学習の3つの手法がAIに「学び方」を与える仕組みだとすれば、深層学習はその学び方をさらに多層化し、画像認識や音声認識のような高度な処理を可能にする技術です。AIの種類一覧を技術面から理解するうえで、この2つの関係を押さえておくことが出発点になります。

NLPとコンピュータビジョン

自然言語処理（NLP）は、コンピュータと人間の言語との橋渡しを担う技術です。文章や音声を対象とし、チャットボット、言語翻訳、感情分析などに使われています（参照*3）。たとえばチャットボットは、ユーザーが入力した文章の意図を解釈し、適切な返答を生成します。言語翻訳では異なる言語間の変換を行い、感情分析では文章に含まれる肯定・否定などの感情を判定します。

一方、コンピュータビジョンは画像や映像を扱う技術で、AIの種類一覧ではNLPと並ぶ代表的な手法です。顔認識やセキュリティ映像の解析、医療画像の判読など、視覚情報を理解する場面で活用されています。NLPが「言葉」を、コンピュータビジョンが「映像」をそれぞれ入力として扱う点で役割が異なるため、解決したい課題がテキスト中心なのか画像中心なのかによって選ぶ技術が変わります。

エキスパートシステムとその他

エキスパートシステムは、ルールに基づく意思決定の仕組みを使い、複雑な問題を解決するために訓練されたAIです。専門家の知識をルールの集合体として取り込み、条件に応じて結論を導きます。また、ニューロシンボリックAIという手法は、ニューラルネットワークとシンボリックAI（記号推論）を組み合わせたもので、パターン認識と論理的な推論、知識の表現を同時に行える仕組みです（参照*4）。

エキスパートシステムは、判断基準が明確な分野で長く使われてきた実績があります。ニューロシンボリックAIは、深層学習の得意なパターン認識と、エキスパートシステムのような論理推論を融合させる試みです。技術・手法別のAI分類では、機械学習や深層学習だけでなく、こうしたルールベースの手法や融合型の手法も選択肢に含まれることを覚えておくと、目的に合った技術を選びやすくなります。

実用途で広がる最新AI分類

生成AI（Generative AI）

生成AIは、データからパターンを学習し、文章、画像、音声、プログラムコードといった新しいコンテンツを作り出すAIです。トランスフォーマーと呼ばれる深層学習のモデルを基盤としており、質問に答えるチャットボット、AI画像生成ツール、コード生成ツールなどが代表的な例です（参照*3）。

医療分野でも生成AIへの期待が高まっています。1995年から2024年までにFDA（米国食品医薬品局）が認可したAI/ML搭載医療機器1016件を対象にした調査では、画像の定量分析が最も多い用途でしたが、その割合は近年低下傾向にあります。データ生成にAIを活用する機器も100件を超えている一方、大規模言語モデルを使った機器はまだ存在しないと報告されています（参照*5）。こうした動向からも、生成AIは発展途上にありながら、すでに多くの実用場面を持つ種類であるといえます。

Agentic AIと自律型AI

エージェント型AI（Agentic AI）は、人間が逐一指示を出さなくても、自ら計画を立て、判断し、作業を実行して目標を達成する自律型のAIです。価格を比較して航空券を予約するAI、業務を自動化するエージェント、複数の手順をまたいで問題を解決するシステムなどが具体例として挙げられます（参照*3）。

生成AIが「新しいコンテンツを作ること」に軸足を置くのに対し、Agentic AIは「目標に向かって自ら行動すること」に重点があります。たとえば、生成AIが旅行プランの文章を書くのに対して、Agentic AIは航空券や宿泊の予約まで自動で完了させます。AIの種類一覧において、この自律性の違いは用途を選ぶ際の大きな判断材料になります。

目的別AIの選び方と注意点

課題に応じた判断基準

AIの種類を一覧で把握したあとに必要なのは、自分たちの課題に合った種類を見極めることです。まず確認すべきは、入力データの性質です。FDAが認可した1016件のAI/ML搭載医療機器のうち、736の固有機器が特定されており、画像を入力に使うものが621件（84.4%）、信号データが107件（14.5%）、オミクスデータが5件（0.7%）、電子カルテの表形式データが3件（0.4%）でした（参照*5）。このように、扱うデータの種類によって適したAI技術は大きく異なります。

さらに、AIが苦手とする領域も選定の判断材料です。深い共感や感情的な知性が求められる作業、複雑な人間関係を伴うやり取りでは、AIエージェントは人間のような繊細な対応が難しいとされます。また、倫理的に重大な判断が求められる場面では、AIはデータに基づいて判断するものの、道徳的な判断力を持たない点に留意が必要です（参照*6）。

導入時の失敗例とリスク

AIの導入にあたっては、共通して認識しておくべきリスクがあります。まず、偏った判断や不公平な結果を出すおそれがあること、そしてシステムがどのように判断を下したかが見えにくい「透明性の欠如」が挙げられます。加えて、AIの学習には大量のデータが必要であり、特定の仕事が機械に置き換わる可能性も指摘されています（参照*2）。

コスト面のリスクも見逃せません。高度なAIエージェントの開発と運用には大きな計算資源が必要であり、予算が限られた小規模な組織やプロジェクトには適さない場合があります（参照*6）。AIの種類ごとに求められるデータ量、計算資源、そして判断の透明性は異なるため、導入前にこれらの要素を洗い出しておくことがリスクを抑える第一歩になります。

おわりに

AIの種類は、能力・機能・技術手法・実用途という複数の分類軸で一覧として整理できます。特化型AIから超知能AIまでの能力の段階、反応型マシンから自己認識型AIまでの機能の進化、そして生成AIやAgentic AIといった実用途の広がりを把握することで、技術の全体像を見渡せるようになります。

導入の際には、解決したい課題に合ったAIの種類を選び、データの性質やコスト、倫理面のリスクまで含めて検討することが欠かせません。この記事で示した分類の枠組みを手がかりに、自身の目的に合ったAI技術の選択に役立ててみてください。

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））