分野別生成AIパスポート 用語集
生成AIの仕組みと生成モデルの用語23語｜生成AIパスポート試験対策
生成AIパスポート試験では、生成AIを支える技術が「いつ・誰によって・どんな仕組みで」生まれたかがよく問われます。特にVAE（2013年）、GAN（2014年）、Transformer（2017年）の年号と提唱者、そして各モデルの構成要素（エンコーダとデコーダ、生成器と識別器、Attention機構）の役割は頻出です。まず生成AI・生成モデルという大枠をつかみ、次にVAE→GAN→Transformerの順に歴史の流れに沿って覚えると、用語同士のつながりが理解しやすくなります。
生成AIせいせいえーあい★★★
生成AIとは、学習したデータの特徴をもとに、文章・画像・音声・音楽・動画・プログラムコードなどの新しいコンテンツを作り出すAIの総称です。英語ではGenerative AI、日本語ではジェネレーティブAIとも呼ばれます。
アウトプットのAI革命あうとぷっとのえーあいかくめい★★☆
アウトプットのAI革命とは、AIが文章や画像などの新しいコンテンツを自ら「出力」できるようになった生成AIの登場を表す言葉です。2013年頃にディープラーニングによってAIの認識・学習能力が飛躍した「インプットのAI革命」と対になる表現として、公式テキストで用いられています。
インプットのAI革命いんぷっとのえーあいかくめい★★☆
インプットのAI革命とは、2013年頃にディープラーニングがブレークスルーを起こし、AIが画像・音声・文章などのデータを認識・学習する能力を大きく高めたことを表す言葉です。生成AIの登場を指す「アウトプットのAI革命」と対比して使われ、公式テキストで生成AIの位置づけを説明する際に登場します。
生成モデルせいせいもでる★★★
生成モデルとは、学習したデータがどのような特徴や分布を持っているかを捉え、それをもとに学習データに似た新しいデータを作り出す機械学習モデルです。生成AIの中核となる技術で、公式テキストではその起源として1980年代後半のボルツマンマシンが紹介されています。
識別モデルしきべつもでる★★☆
識別モデルとは、入力されたデータがどのクラス（種類）に属するかを判定したり、値を予測したりすることを目的とした機械学習モデルです。たとえば「この画像は犬か猫か」「このメールは迷惑メールか」を見分けるモデルが該当します。新しいデータを作り出す生成モデルと対比される考え方です。
自己回帰モデルじこかいきもでる★★☆
自己回帰モデルとは、過去のデータをもとにして次に来るデータを予測する手法です。株価や気温の推移のように、時間の流れに沿って並んだ時系列データの予測に特に向いています。公式テキストでは、1990年代から2000年代にかけてディープラーニングとともに技術が進展したと紹介されています。
VAEぶいえーいー★★★
VAEとは、2013年にディーデリック・P・キングマとマックス・ウェリングが提唱した生成モデルの一種で、日本語では変分自己符号化器（変分オートエンコーダ）と呼ばれます。入力データを潜在ベクトルに圧縮するエンコーダと、そこからデータを復元するデコーダで構成され、データの「分布」を学習して新しいデータを生成します。
エンコーダえんこーだ★★★
エンコーダとは、入力されたデータの特徴を読み取り、コンピュータが扱いやすい別の表現（数値のベクトルなど）に変換する仕組みです。VAEでは入力データを低次元の潜在ベクトルに圧縮し、Transformerでは入力文を数値表現に変換する役割を担います。出力側のデコーダと対になって使われます。
デコーダでこーだ★★★
デコーダとは、エンコーダが作り出した潜在ベクトルや数値表現を受け取り、そこから画像や文章などの最終的な出力を生成する仕組みです。VAEでは潜在ベクトルから元データに近いデータを作り、Transformerでは数値表現から翻訳文などを出力します。エンコーダと対になる構成要素です。
潜在ベクトルせんざいべくとる★★☆
潜在ベクトルとは、エンコーダが入力データを変換して得る、データの重要な特徴を凝縮した低次元の数値の組です。潜在変数とも呼ばれます。VAEではエンコーダが画像の特徴を潜在ベクトルに要約し、デコーダがそれを受け取って画像を再構成します。生成モデルの仕組みを理解するうえで欠かせない概念です。
潜在空間せんざいくうかん★☆☆
潜在空間とは、データの特徴を表す情報（潜在ベクトル）が配置された抽象的な空間のことです。似た特徴を持つデータは近い位置に、異なる特徴を持つデータは離れた位置に置かれます。GANの生成器はこの空間から取り出したサンプルを入力として新しいデータを作ることができ、生成モデルの理解に役立つ概念です。
GANがん★★★
GANとは、2014年にイアン・グッドフェローが提唱した生成モデルで、日本語では敵対的生成ネットワークと呼ばれます。データを作る「生成器」と、本物か偽物かを見分ける「識別器」の2つのニューラルネットワークを競い合わせることで、本物そっくりのデータを生成できるようになります。生成モデルの先駆けとされる技術です。
生成器せいせいき★★☆
生成器とは、GANを構成する2つのネットワークのうち、新しいデータを作り出す役割を持つものです。英語ではGenerator（ジェネレーター）と呼ばれます。ランダムノイズのベクトルや潜在空間からのサンプルを入力として受け取り、識別器に本物だと判定させられるような、本物らしいデータを生成するように学習していきます。
識別器しきべつき★★☆
識別器とは、GANを構成する2つのネットワークのうち、入力されたデータが本物の訓練データなのか、生成器が作った偽物なのかを見分ける役割を持つものです。英語ではDiscriminator（ディスクリミネーター）と呼ばれます。真贋を正確に判定できるように学習し、生成器と競い合うことで生成データの質を高めます。
拡散モデルかくさんもでる★★☆
拡散モデルとは、画像などのデータに少しずつノイズを加えていく過程を学習し、その逆に、ノイズだらけの状態から少しずつノイズを取り除いていくことで新しいデータを生成する生成モデルです。Stable Diffusionをはじめとする多くの画像生成AIの基盤となっている技術で、GANやVAEと並ぶ代表的な生成モデルです。
Transformerとらんすふぉーまー★★★
Transformerとは、2017年にGoogleの研究者アシシュ・バスワニらが論文「Attention Is All You Need」で発表したニューラルネットワークのモデルです。RNNやCNNを使わず、Attention（注意）の仕組みだけで構築され、文中の全単語を同時に処理できます。
Attention Is All You Needあてんしょんいずおーるゆーにーど★★★
Attention Is All You Needとは、2017年にGoogleの研究者アシシュ・バスワニらが発表した、Transformerを提案した論文のタイトルです。
Attention機構あてんしょんきこう★★★
Attention機構とは、入力された文中の各単語がどれくらい重要かをスコアとして数値化し、どの単語に注目すれば文の意味をつかみやすいかをモデルに判断させる仕組みです。英語ではAttention Mechanismと呼ばれます。
自己注意機構じこちゅういきこう★★★
自己注意機構とは、文の中の各単語が、同じ文の他のすべての単語とどれくらい関係しているかを同時に計算する仕組みで、英語ではSelf-Attentionと呼ばれます。Transformerが採用した中心的な技術で、RNNやLSTMのように単語を順番に処理するのではなく、全要素を一度に考慮して処理できる点が特徴です。
Attentionスコアあてんしょんすこあ★★☆
Attentionスコアとは、Attention機構において、文中の各単語に割り当てられる重要度を表す数値です。スコアが高い単語ほど、文全体の意味を理解するうえで重要だとモデルが判断していることを示します。Transformerはこのスコアをもとに、どの単語にどれだけ注目するかを決めて文章を処理します。
並列処理へいれつしょり★★☆
並列処理とは、複数の計算を順番に1つずつ行うのではなく、同時にまとめて実行する処理方法です。生成AIの文脈では、Transformerが文中の全単語を一度に処理できること（公式テキストでは「シーケンス全体の並行処理」）を指し、これにより学習速度が大幅に向上して、大規模言語モデルの発展につながりました。
位置エンコーディングいちえんこーでぃんぐ★★☆
位置エンコーディングとは、文中の各単語がシーケンス（並び）のどの位置にあるかという情報を、Transformerに取り込むための手法です。Transformerは全単語を一度に処理するため、そのままでは語順の情報が失われてしまいます。
Seq2Seqしーくとぅーしーく★☆☆
Seq2Seqとは、Sequence to Sequenceの略で、ある系列（シーケンス）データを入力として受け取り、別の系列データに変換して出力するモデルです。たとえば日本語の文を英語の文に翻訳するような処理に使われます。