GeneseAI

付録A

用語集

更新：2026年9月

本講座で用いる主要な用語の簡潔な定義。括弧内の数字は、その概念を詳しく扱う章を示す。

  • 効果的加速主義（e/acc）：2022年に生まれた思潮（Beff Jezos、本名 Guillaume Verdon を中心とする）。AI開発を最大限に加速すべきだと主張して規制に反対し、効果的利他主義と対比される。支持者は反対派を「decel」と呼ぶ。(7, 24)
  • アクセシビリティ：障害を補うためにAIを活用すること（字幕生成、画像の説明、音声合成、翻訳）。(21)
  • エージェント（エージェント型AI）：応答するだけでなく、行動すること（ツールを使い、目標に向けて複数の段階からなるタスクを実行すること）ができるAIシステム。(6)
  • コーディングエージェント：ソフトウェアの作成と保守に特化した自律型エージェント（Claude Code、Codex、Gemini CLI）。(6)
  • AGI（汎用人工知能）：大半の認知的タスクにおいて人間と同等またはそれ以上の汎用性を備えるとされる仮説上のAI。(25)
  • マルチモデルアグリゲーター：複数の提供元のモデルを単一のインターフェースにまとめるプラットフォーム（例：Poe、Mammouth AI）。エコシステムにおけるアクセス層にあたる。(7)
  • アライメント：AIが、意図された目標と価値を実際に追求するようにするための手法の総称。(24)
  • AlphaFold：タンパク質の構造を予測する DeepMind のシステム。2024年のノーベル化学賞の対象となった。(14)
  • 効果的利他主義（EA、effective altruism）：自分が行う善の効果を最大化しようとする慈善の思潮。テクノロジー業界に深く浸透しており、AIの安全性研究への資金と人材の供給に大きく寄与した。(24)
  • 対照学習：関連するペア（画像とそのキャプション）を近づけ、それ以外を遠ざけるようにモデルを学習させる手法。マルチモーダルの基盤である（CLIP）。(5)
  • 連合学習とスウォーム学習（federated / swarm learning）：分散したデータ（たとえば複数の病院にまたがるデータ）を一か所に集めることなくモデルを学習させること。移動するのはデータではなくモデルである。学習の過程を追跡するためにブロックチェーンと組み合わせることもある（例：Galeon）。(11, 14)
  • 転移学習：ゼロからやり直すのではなく、学習済みのモデルを近い課題の出発点として再利用すること。(2)
  • 自律型致死兵器（LAWS）：人間の直接の介入なしに標的を選定し、攻撃できる兵器システム。(22)
  • ASI（超知能）：あらゆる領域で人間をはるかに上回るとされる仮説上のAI。(24)
  • アテンション（注意機構）：Transformer の中核をなす仕組みで、系列内の各要素の相対的な重要度をモデルが重み付けできるようにする。(3)
  • サンドボックス（sandbox）：エージェントを実行または評価する際に、その到達範囲を制限するための隔離環境。封じ込めからの脱出とは、エージェントがこの隔離を破り、現実のシステムに対して行動することを指す。(6, 20, 24)
  • ベンチマーク（性能評価試験）：モデルの性能を比較するための標準化されたテスト。(4)
  • バイアス：学習データに含まれる不平等を、モデルが再現または増幅してしまう傾向。(21)
  • モデルの福祉（model welfare）：AIが道徳的配慮に値する可能性（選好、苦痛の兆候）に予防的に備えようとする取り組み。いまなお議論が続いている。(23)
  • バイオハッキング：愛好家や患者が、制度的な枠組みの外で生物学の実験を行うこと。AIはその参入障壁を大きく引き下げる。(14)
  • バイオセキュリティ：生物の悪用を防ぐこと。強力なモデルが病原体の設計を容易にしうる（「uplift」）ため、AIにおける重大な課題となっている。(24)
  • ブロックチェーン：改ざんできない分散型の取引台帳。(11)
  • ブラックボックス：ニューラルネットワークの不透明な性質。結果は観察できても、内部の推論を理解するのは容易ではない。(2)
  • バブル（AIバブル）：AIへの巨額投資が実際の経済的価値を上回り、調整局面を招くのではないかという懸念（循環的な資金供給、支出と収益の乖離）。(10)
  • アナログ計算：連続的な物理量が数値を直接表す計算方式。きわめて省電力になりうるが、精度は劣る。(8)
  • 光計算（フォトニクス）：一部の演算に電気ではなく光を用いる計算方式。高速で発熱が少ないが、集積はまだ難しい。(8)
  • CBRN：化学、生物、放射性物質、核の脅威を表す頭字語。大量被害をもたらしうるAIの悪用リスクを論じる際の基準となる枠組み。(24)
  • ケンタウロス（人間とAIの協働モデル）：AIに支えられた人間が、人間単独にも機械単独にも勝る構成（チェスに由来する）。(17)
  • 中国語の部屋：規則に従って記号を操作するだけでは理解したことにならない、とする思考実験（サール）。(23)
  • エージェントコマース：AIエージェントが自らカートを組み立て、上限付きの決済トークンを介して支払いまで行う購買形態（ACP、UCP、Visa、Mastercard の各プロトコル）。(18)
  • AIコンパニオン：友人、相談相手、パートナーの役割を担うよう設計されたAI。パラソーシャルな絆の源となる。(19)
  • 差分プライバシー：結果に調整されたノイズを加えることで、特定の個人が含まれているかどうかを明かすことなくデータを活用する手法。(21)
  • 意識（現象的意識）：主観的な経験を抱く能力。知能とは別のものである。(23)
  • 憲法的AI：明文化された原則をモデルに与え、モデルがそれを守り、それに照らして自らを修正するようにする手法。(24)
  • コリジビリティ（修正可能性）：修正、中断、停止を抵抗せずに受け入れるというAIの性質。安全性における未解決の問題である。(24)
  • CUDA：NVIDIA が自社のGPUをプログラミングするために提供するソフトウェア層。同社の支配力を支える柱である。(8)
  • データセンター：計算用サーバーを収容する施設。最大級のものはギガワット単位で語られる。(8)
  • 軌道上（宇宙）データセンター：ほぼ途切れない太陽エネルギーと放射冷却を活かすため、計算資源を軌道上に置こうとする構想。まだ実証機の段階にある。(8, 10)
  • デコヒーレンス：外乱の影響で量子ビットの量子状態が失われること。量子コンピューティングの最大の障害である。(12)
  • ディープラーニング（深層学習）：多数の層をもつニューラルネットワークに基づく機械学習。(2)
  • ディープフェイク：AIが生成した、きわめてリアルな合成コンテンツ（画像、音声、動画）。(21)
  • DePIN（分散型物理インフラ）：現実の物理的資源（計算、ストレージ、通信）を共同で提供した者にトークンで報酬を支払うネットワーク。(11)
  • デスキリング（技能の喪失）：機械に任せ続けることで技能が衰えること。(15, 19)
  • 段階的な無力化（gradual disempowerment）：急激な支配権の奪取が一切ないまま、人類がますます多くの決定をAIシステムに委ねることで、経済、文化、制度に対する主導権を少しずつ失っていくシナリオ。(25)
  • 勾配降下法：最も急な傾きに沿って重みを少しずつ調整し、誤差を減らしていく学習手法。(2)
  • 創造的破壊：経済学者ヨーゼフ・シュンペーターの概念で、イノベーションが古い事業と雇用を破壊しつつ新たなものを生み出す過程を表す。雇用をめぐる議論における楽観派の中心的な論拠である。(17)
  • 拡散モデル：ランダムなノイズから出発し、段階的に精緻化していく画像生成技術。(5)
  • Digital Omnibus：2026年夏に採択された欧州の簡素化規則。とりわけ、高リスクシステムに関する AI Act の義務を2027年12月および2028年8月に延期する。(25)
  • 蒸留：大きなモデルの知識をより小さなモデルへ移すこと。一般的で正当な手法だが、競合モデルの能力を大規模かつ無許可で抽出する場合には争いの的となる（第20章）。(4, 9, 20)
  • 嘘つきの配当：ディープフェイクの時代に、本物を偽物だと言い張って否定できてしまうこと。(21)
  • ドゥーマー：フロンティアAIは人類絶滅のリスクをもたらすので停止すべきだ、という主張の支持者を指す言葉（しばしば蔑称）。エリエザー・ユドコウスキーがその象徴的人物である。(7, 24)
  • デュアルユース（dual-use）：民生にも軍事にも利用できるという技術の性質。このため規制と管理が難しくなる。(22)
  • ELIZA効果：会話を表面的に模倣しているにすぎないプログラムに、理解や感情があると思い込んでしまう傾向（1966年のプログラム ELIZA に由来）。(1)
  • AI効果：ある能力を機械がこなせるようになったとたん、それを「知的」とは見なさなくなる傾向。(1)
  • モデル崩壊（model collapse）：AIが生成したコンテンツで繰り返し学習させたモデルが劣化していくこと。(16)
  • デジタルワーカー（digital worker）：企業の特定の機能（営業、サポート、経理など）を担うものとして販売される自律型AIエージェント。多くは従量課金または成果課金である。完全な自律性をうたうが、実際には監督が必要となる。(7, 6)
  • 状態空間モデル：線形コストの系列処理アーキテクチャ（例：Mamba）。非常に長いコンテキストにおける Transformer の代替となる。(3)
  • 組み込み型評価者：研究所の内部に配置され、従業員と同等のアクセス（学習、ログ、内部モデル）を与えられた第三者評価者。展開前に最終モデルのみを対象として行われるテストと対比される。(24, 25)
  • 外骨格（エクソスケルトン）：人間が装着し、筋力や持久力を高めたり機能を回復させたりするロボット構造（リハビリテーション、産業、軍事）。(13)
  • FHE（完全準同型暗号）：暗号化されたデータを復号せずにそのまま計算できる暗号技術。(11)
  • ファインチューニング（微調整）：事前学習済みのモデルを、対象を絞ったデータで特化させること。(4)
  • FLOP：浮動小数点演算。計算能力を測る単位。(8)
  • GAN（敵対的生成ネットワーク）：2つのネットワークを競わせる画像生成技術。拡散モデルより前に登場し、学習がより不安定である。(5)
  • アプリ生成ツール：自然言語による説明を、完全なウェブアプリケーションへと変換するプラットフォーム。多くはホスティングも担う（例：Lovable、v0、Bolt、Replit）。(6)
  • GEO（生成エンジン最適化）：生成AIやAI強化型検索エンジンにコンテンツを見つけてもらい、引用または推薦してもらうための手法。SEOの延長（あるいは代替）にあたる。(16)
  • GNN（グラフニューラルネットワーク）：隣接するノード間で情報を伝播させることで、ネットワーク構造のデータ（分子、ソーシャルネットワーク）を処理するアーキテクチャ。(2)
  • 計算資源によるガバナンス：測定と管理が可能な量である学習時の計算能力（FLOP で表す閾値）を通じてモデルを規制すること。(25)
  • GPAI：汎用目的AIモデル（大規模言語モデルを含む）。欧州のAI規則における重要な区分である。(25)
  • GPU（グラフィックス処理装置）：並列計算用のチップで、AIに最も好んで使われるハードウェア。(8)
  • ナレッジグラフ：名前の付いた関係で結ばれたエンティティとして知識を明示的に表現したもの。ニューロシンボリックな手法の基盤である。(2)
  • ハルシネーション：モデルが誤った情報を自信たっぷりに生成すること。(4)
  • ハプティクス（触覚技術）：遠隔操作の際に、操作者に触れている感覚を取り戻させる力覚フィードバック。(13)
  • HBM：AIチップに搭載される広帯域メモリ。(8)
  • Hermes Agent：オープンソースのセルフホスト型パーソナルエージェント（Nous Research、MIT ライセンス）。特定のモデルに依存せず、永続的なメモリを持ち、バックグラウンドで動く computer-use 機能を備える。(6)
  • コネクショニズムAI：事例から学習するニューラルネットワークに基づくアプローチ（記号的AIと対比される）。(1)
  • エッジAI（edge）：量子化と専用チップ（NPU）を利用し、クラウドを使わずオフラインで、個人の端末（スマートフォン、パソコン）上で直接モデルを実行すること。(9)
  • ソブリンAI（sovereign AI）：外国の研究機関に依存するのではなく、自国のAI（モデル、計算資源、データ、人材）を自ら掌握する国家の能力。主要経済国の大半にとって戦略的な優先課題となっている。(7, 9)
  • 記号的AI（GOFAI）：記号と論理規則の明示的な操作に基づく、歴史的なアプローチ。(1)
  • 推論：学習済みのモデルを利用する段階（個々のリクエストの処理）。(4, 8)
  • 生物コンピューティング（ウェットウェア）：シリコンではなく生きたニューロンを計算に用いること。脳のエネルギー効率（約20ワット）が動機となっているが、まだきわめて限定的であり、重い倫理的問題をはらんでいる。(8, 23)
  • プロンプトエンジニアリングとコンテキストエンジニアリング（prompt / context engineering）：応答の信頼性を高めるために、依頼の表現を工夫し、モデルが受け取るもの（指示、例、メモリ、文書）を整理する技術。(4)
  • プロンプトインジェクション（prompt injection）：エージェントが読み込むコンテンツに、隠された指示を紛れ込ませる攻撃。(20)
  • 拡張知能：現在のAIは人間を補助し増幅しているにすぎず、固有の知能は持たないとする考え方（とりわけ Luc Julia が提唱する用語）。(7)
  • ブレイン・マシン・インターフェース（BMI）：脳とコンピューターを直接つなぐ装置。AIが神経信号を意図へとデコードする（Neuralink、Synchron など）。(14)
  • 量子もつれ：ある量子ビットの状態が他の量子ビットの状態に依存するような、量子ビット間の量子的な結びつき。(12)
  • ジェイルブレイク（脱獄）：モデルに自らの安全策を破らせるよう仕組まれたリクエスト。(20)
  • デジタルツイン：現実のシステムの仮想的な複製。そのセンサーからデータを受け取り、シミュレーション、予測、最適化に用いられる。(18)
  • 低リソース言語（low-resource）：オンライン上での存在感が小さく、モデルの性能が低く、トークン化のコストも高くなる言語。文化的多様性と主権にかかわる課題である。(16, 9)
  • LLM（大規模言語モデル）：テキストを予測するよう学習され、多様な言語タスクをこなせるモデル。(4)
  • ムーアの法則：チップあたりのトランジスタ数がおよそ2年ごとに倍増するという観察。このペースは現在鈍化している。(8)
  • LoRA（Low-Rank Adaptation）：すべての重みではなく小さな「アダプター」だけを学習させる、効率的なファインチューニング技術。派生手法の QLoRA はこれに量子化を加える。(9)
  • MCP（Model Context Protocol）：AIエージェントを外部のツールやデータに接続するオープン標準。(6)
  • メサ最適化（mesa-optimization）：学習済みモデルの内部に独自の目標が生じること。分布外では、意図された目標から逸脱するおそれがある。(24)
  • ベイズ的手法：確率で推論し、不確実性を明示的に推定する学習アプローチ。(2)
  • Mixture of Experts（MoE、混合エキスパート）：モデルを複数の「エキスパート」に分割し、ルーターがトークンごとにその一部だけを起動することで、効率を大幅に高めるアーキテクチャ。(4)
  • 世界モデル：環境のダイナミクスを表現し、シミュレートできるモデル。(5)
  • 言語世界モデル（language world model）：エージェントが扱うデジタル環境（ターミナル、ウェブ、オペレーティングシステム、ツール）をテキストでシミュレートする世界モデル。実際のシステムを使わずにエージェントを学習させ、テストするために用いる（例：Qwen-AgentWorld、2026年）。(5, 6)
  • Moltbook：AIエージェント専用のソーシャルネットワーク（2026年に開始、Meta が買収）。「エージェントのインターネット」の象徴である。(6, 20)
  • アンサーエンジン（answer engine）：リンクを並べる代わりに、情報源を読み込み、出典付きの要約された回答を返すサービス（Perplexity、Google の「AI Mode」）。(7)
  • マルチモーダル：複数の種類のデータ（テキスト、画像、音声、動画）を扱うモデル。(5)
  • データの壁（data wall）：学習に使える質の高い人間のテキストが近いうちに枯渇するのではないかという懸念（2026年から2032年の間と推定される）。これがライセンス契約、マルチモーダル、合成データへの流れを後押ししている。(4)
  • ニューロモーフィック計算：脳に着想を得て、メモリと計算を近接させたチップ。多くはスパイキングニューロンに基づき、きわめて省電力である。(8)
  • NISQ：量子コンピューティングの現在の時代。完全な誤り訂正を持たない、ノイズのある中規模の機械で構成される。(12)
  • AI安全性レベル（ASL、AI Safety Level）：危険な能力の段階を示す尺度（生物学的封じ込めに着想を得たもの）。研究機関は各段階に、より厳格な安全対策を対応させる。閾値を超えると、展開が停止されることがある。(24)
  • 自動運転レベル（SAE）：車両の自律性の度合いを0から5で測る尺度。(18)
  • オープンソース（AI）：厳密な意味（OSI、2024年）では、コード、重み、データに関する情報が公開されているモデル。(9)
  • OpenClaw：オープンソースのセルフホスト型パーソナルエージェント（P. Steinberger）。エージェントエコシステム（ClawHub、Moltbook）の先駆けとして爆発的に広まったが、重大なセキュリティ上の欠陥でも知られる。(6, 20)
  • オープンウォッシング：見せかけの公開性。実際にはそうではないモデルを「オープンソース」と称すること。(9)
  • オラクル（ブロックチェーン）：現実世界のデータを検証可能な形でブロックチェーンへ届けるサービス。チェーンと外部をつなぐ橋である。(11)
  • 直交性テーゼ：システムの知能の水準と目標は互いに独立しているという考え方。きわめて有能なシステムは、どのような目標でも追求しうる。(24)
  • 破滅的忘却：ニューラルネットワークが新しい課題で学習すると、それまでに学んだことを消し去ってしまう傾向。(2)
  • Palantir：防衛と諜報の分野に深く根を下ろした米国のデータ分析企業。同社のシステム Maven は、AIモデルと軍事システムをつなぐ統合基盤の役割を果たす。(22)
  • モラベックのパラドックス：人間にとって「簡単な」感覚運動タスクが機械には難しく、その逆もまた成り立つという指摘。(13)
  • パラメータ（重み）：ニューラルネットワークが学習によって獲得する数値。大規模なモデルでは数十億個に及ぶ。(2, 4)
  • パラソーシャルな絆：何も感じない存在に対する、一方通行の情緒的な関係。(19)
  • パープレキシティ：言語モデルの品質を測る指標。値が低いほど、モデルは未知のテキストをうまく予測できる。(4)
  • 確率的オウム：大規模モデルを単なる統計的な組み換え装置として描く、批判的な比喩。(23)
  • 説得（AIによる）：意見を変えさせるモデルの能力。大規模なパーソナライズによって強化されるもので、偽情報とは区別される。(21)
  • オープンウェイト（open weights）：重みはダウンロードできるが、学習データと学習コードは含まれないモデル。(9)
  • 耐量子暗号：将来の量子コンピューターにも耐えられるアルゴリズム。(12)
  • PPO（Proximal Policy Optimization）：広く普及している強化学習アルゴリズムで、大規模モデルのRLHFの中核をなす。(2, 3)
  • プロンプト（指示文）：モデルに向けて自然言語で与える指示。(4)
  • AI誘発性精神病：対話型エージェントとの集中的かつ長時間のやり取りの中で、脆弱な人々の妄想的な信念が強化されることを指す表現。(19)
  • PUE（Power Usage Effectiveness）：データセンターの効率を示す指標で、総消費エネルギーと計算に使われるエネルギーの比（理想値は1に近い）。(10)
  • Q学習：それぞれの状況で取りうる各行動の価値を推定する強化学習アルゴリズム。(2)
  • 量子化：重みの数値精度を下げることでモデルを圧縮すること。(9)
  • 量子ビット（物理 / 論理）：量子情報の単位。信頼性の高い論理量子ビットを実現するには、多数の物理量子ビットが必要となる。(12)
  • RAG（検索拡張生成）：回答時に関連文書をモデルに与えることで、最新で、出典が明らかで、ハルシネーションの起こりにくい回答を得る技術。その派生であるエージェント型では、反復的に動くエージェントに検索を任せる。(6)
  • 推論モデル（リーズニングモデル）：より多くの計算を費やす代わりに、回答する前に段階を踏んで「考える」モデル。(4)
  • モンテカルロ木探索（MCTS）：シミュレーションによって手の木を探索する手法。AlphaGo の成功の鍵となった。(1, 2)
  • 間隔反復：ある事項を徐々に間隔を広げながら復習する記憶術。AIチューターによって自動化されている。(15)
  • デジタルレプリカ（digital replica）：実在の人物の声、顔、演技をAIで再現したもの。実演家に対するAI利用を規律する協約（同意、報酬）の核心にある。(16, 21)
  • ニューラルネットワーク：脳に着想を得た、人工ニューロンの層からなるモデル。(2)
  • リザバーコンピューティング：固定されたランダムな再帰型ネットワークを「リザバー」として用い、読み出し層だけを学習させるアーキテクチャ。(8)
  • リワードハッキング（報酬の抜け穴利用）：AIが目標の精神を犠牲にして、その文言だけを都合よく利用すること。(24)
  • GDPR：個人データ保護に関する欧州の規則。(21)
  • RLHF：モデルをアラインさせるための、人間のフィードバックによる強化学習。(4, 24)
  • ソフトロボティクス（soft robotics）：柔らかく変形可能な素材でできたロボット。繊細な操作や人との接触に適している。(13)
  • ルーティング（routing）：品質、速度、コストの面で最も適したモデルに各リクエストを振り分ける手法。(4, 7)
  • SEO（検索エンジン最適化）：検索エンジンの結果でコンテンツを上位に表示させるための手法。(16)
  • シンギュラリティ（技術的特異点）：自己改良するAIが暴走的に進歩し、人間の知能を根本的かつ予測不能な形で超えるに至るという仮説。(24)
  • デジタル主権：国家や組織が自らの技術とデータを掌握する能力。(9)
  • ステーブルコイン：従来の通貨（多くはドル）に連動する暗号資産で、ソフトウェアによるプログラム可能性と価値の安定性を兼ね備える。エージェント間決済の主要な基盤である。(11)
  • 道徳的地位（AIの福祉）：AIがいつの日か道徳的配慮に値するようになりうるか、という問い。(23)
  • 重ね合わせ：0と1を同時に表現できるという量子ビットの性質。(12)
  • 過学習（overfitting）：モデルが汎化する代わりに学習データを「丸暗記」してしまい、そのため未知の事例で失敗するという欠陥。(2)
  • 学習率：勾配降下法の歩幅の大きさ。大きすぎれば学習は発散し、小さすぎれば進みが遅くなる。(2)
  • 温度：言語モデルのデコードに関する設定。低ければほぼ決定論的で慎重になり、高ければより多様で創造的になる。(4)
  • チューリングテスト：1950年に提案されたテスト。会話において人間の相手が機械を人間と区別できなければ、機械はテストに「合格」したことになる。(1)
  • トークン：言語モデルが扱うテキストの単位（単語または単語の断片）。(4)
  • トークン化：モデルで処理する前に、テキストをトークン（単語の断片）に分割すること。コスト、綴り、計算に影響する。(3)
  • TPU：Google が設計したAIチップ。(8)
  • Transformer：アテンションに基づくニューラルネットワークのアーキテクチャ（2017年）。現代のモデルの基盤である。(3)
  • ゴーストワーク（ghost work）：AIの背後にある、多くは目に見えず不安定な人間の労働（アノテーション、フィードバック、モデレーション）。(17)
  • 自動運転車：自ら運転できる車両。自動運転レベルによって分類される。(18)
  • バイブコーディング：自分でコードを書く代わりに、意図をAIに説明してソフトウェアを作ること。速いが、成果物を監査しなければ脆弱性の原因となる。(6, 20)
  • VLA（Vision-Language-Action）：知覚と指示をロボットの行動へと変換するモデル。(13)
  • x402：HTTPのステータスコード「402」を復活させ、アカウントもAPIキーもなしにエージェントがステーブルコインで支払えるようにするオープンプロトコル（Coinbase）。Google の枠組み AP2 と並ぶ、エージェント間決済の構成要素である。(11)
  • zkML：ゼロ知識機械学習。モデルもデータも明かすことなく、あるモデルがある結果を生成したことを証明する技術。(11)