2026.05.20

【G検定対策】AIは「何の問題を解決して進化した」のか？流れでわかるAI技術の進化

seo-webmaster

プロモーションが含まれています

AIの用語を学んでいると、CNN・RNN・Transformer・GPT・RAGなど、次々に新しい言葉が出てきて「結局何が違うの？」と混乱しやすくなります。

ですが、AI技術は バラバラに生まれたわけではありません。

実際は、前の技術で起きた問題を解決するために、次の技術が生まれるという流れを繰り返して進化してきました。

この流れがわかると、AIの学習は一気に整理しやすくなります。

単なる用語暗記ではなく「何に困って、どう改善したのか？」で理解できるからです。

これはG検定では非常に重要で、単語だけを覚えるよりも、技術同士のつながりや進化の理由を理解している方が、問い方が変わっても対応しやすくなります。

この記事では、AIの進化を「問題 → 解決」の流れで整理しながら、AI技術がどう発展してきたのかをわかりやすく解説します。

ジャンプするもくじ

AI技術は「問題 → 解決」の連続で進化してきた
単語をどう数値にする？｜one-hotの問題
1. one-hot表現
2. 解決：word2vec・単語埋め込み（Embedding）
順番をどう覚える？｜RNNの登場
1. 解決：RNN
2. RNNの問題
長い文章を忘れる問題｜LSTM
最新情報や専門知識が欲しい｜RAG・ファインチューニング
1. RAG
2. ファインチューニング
AIはどう修正する？｜学習アルゴリズムの進化
1. 勾配降下法の問題
2. 解決：SGD → ミニバッチ → Adam
覚えすぎ問題｜過学習
1. 解決：正則化・ドロップアウト
何をもって「良いAI」なのか？｜評価指標の進化
G検定ではどう問われる？
なぜこの理解が重要なのか？
まとめ
関連記事・おすすめ記事

AI技術は「問題 → 解決」の連続で進化してきた

AI技術は、いきなり今の形になったわけではありません。

基本的には、次の流れを何度も繰り返しています。

問題が起きる

↓

改善方法が考えられる

↓

新しい技術が生まれる

↓

また新しい問題が見つかる

↓

さらに改善される

つまり

　AIの進化 = 問題解決の歴史

とも言えます。

これを知ると、AI用語が「単なる暗記対象」ではなく、前後関係のある流れとして理解できるようになります。

単語をどう数値にする？｜one-hotの問題

AIは文字をそのまま理解できません。

まずは「単語を数値化する」必要がありました。

one-hot表現

例えば「猫」という単語を

　0, 0, 1, 0, 0 …

のような数字に変換します。

これはシンプルですが、大きな問題がありました。

単語同士の意味の近さが分からない
データ量が大きくなる
「猫」と「犬」が全く無関係に見える

解決：word2vec・単語埋め込み（Embedding）

ここで生まれたのが

word2vec
Embedding

です。

これにより

意味が近い単語は近い位置
意味が遠い単語は遠い位置

として表現できるようになりました。

つまり

　「単語を数値にする」から「意味を持った数値にする」へ進化した

のです。

> 単語埋め込み（Embedding）とは？（サイト内リンク）

順番をどう覚える？｜RNNの登場

単語を数値にできても、次の問題がありました。

　「順番」が重要な文章をどう扱うのか？

例えば

私は犬が好き
犬は私が好き

同じ単語でも意味が変わります。

解決：RNN

RNNは 前の情報を次に引き継ぐ 仕組みを持っていました。

これにより、文章の順番を考慮できるようになりました。

しかし、問題もありました。

> CNN・RNN・Transformerとは？（サイト内リンク）

RNNの問題

文章が長くなると…

最初の情報を忘れる
勾配消失が起きる
学習が不安定

という問題が出ました。

長い文章を忘れる問題｜LSTM

RNNの弱点を改善するために生まれたのが LSTM です。

LSTMは

忘れる
残す
出力する

を制御する仕組みを持ちました。

これにより、長い文章でも以前より情報を保持しやすくなりました。

でも、まだ問題がありました。

LSTMの問題

LSTMは順番に処理するため

遅い
並列処理しにくい
長文ではまだ限界がある

という問題がありました。

重要な場所だけ見たい｜Attention

ここで生まれたのが Attention です。

Attentionは 全部を均等に見るのではなく、重要な場所に注目する という考え方です。

例えば「私は昨日買った本を読んだ」なら「読んだ」が何に関係するかを重点的に見ます。

これにより、長い文章の理解がかなり改善しました。

> Attentionとは？（サイト内リンク）

順番処理が遅い問題｜Transformer

Attentionは優秀でしたが、さらに進化したのが Transformer です。

Transformerは

Attentionを中心に使う
並列処理できる
長文に強い
学習速度が速い

という特徴を持ちました。ここでAIは大きく進化します。

この技術が後の生成AIの土台になります。

> Transformerとは？（サイト内リンク）

文章を生成したい｜GPT

Transformerの次に登場したのが GPT です。

GPTは

大量文章を学習
次の単語を予測
自然な文章を生成

できるようになりました。

ここでAIは「分類するAI」から「生成するAI」へ大きく進化しました。

> GPTとは？（サイト内リンク）

しかし、問題もあります。

GPTの問題

GPTは

古い情報を使う
専門知識が弱い
自信満々に間違える（ハルシネーション）

という問題があります。

AIはどう修正する？｜学習アルゴリズムの進化

AIは予測するだけでは終わりません。

問題は どう修正するか です。

ここで必要になったのが

損失関数（間違いを測る）
誤差逆伝播法（原因を後ろから調べる）
勾配降下法（修正する）

です。

でもこれも課題がありました。

勾配降下法の問題

普通の勾配降下法は

遅い
不安定
データ量が多いと大変

という問題がありました。

> 勾配降下法とは？（サイト内リンク）

解決：SGD → ミニバッチ → Adam

SGD

少しずつ更新する

> SGD（確率的勾配降下法）とは？（サイト内リンク）

ミニバッチ

一部データごとに学習する

> ミニバッチとは？（サイト内リンク）

Adam

学習をより安定化・効率化する

> Adamとは？（サイト内リンク）

つまり、AIの「修正方法」も進化してきた のです。

覚えすぎ問題｜過学習

AIは学習すればするほど良い… とは限りません。

問題は 覚えすぎる ことです。これを 過学習 と言います。

過学習すると

訓練では高性能
本番で弱い

という問題が起きます。

> 過学習とは？（サイト内リンク）

解決：正則化・ドロップアウト

これを防ぐために

正則化
ドロップアウト

が使われます。

つまり、覚えすぎないようにする技術 が必要になったのです。

> 正則化とは？（サイト内リンク）
> ドロップアウトとは？（サイト内リンク）

何をもって「良いAI」なのか？｜評価指標の進化

最後の問題は評価です。

「正解率が高い = 良いAI」とは限りません。

例えば医療AIなら病気を見逃す方が危険です。

そこで

精度
適合率
再現率
F1値

が使い分けられます。

つまり、目的に応じて評価方法も進化した のです。

> 精度・適合率・再現率とは？（サイト内リンク）
> 評価指標の使い分け方は？（サイト内リンク）

G検定ではどう問われる？

G検定では、この流れをそのまま問うというより「前の技術の弱点を次の技術がどう改善したか？」という形で出題されることがあります。

例えば

RNNの問題点として適切なものはどれか
Transformerが注目された理由はどれか
RAGの役割として適切なものはどれか
過学習を防ぐ方法として適切なものはどれか
適合率と再現率の違いとして適切なものはどれか

このため、単語単体ではなく「何の問題を解決した技術なのか」で覚えることが重要です。

なぜこの理解が重要なのか？

AIの学習をはじめたばかりの人は、用語を1つずつ暗記しようとして混乱しやすいです。

でも本当は、AIは

問題

↓

解決

↓

新しい問題

↓

新しい解決

の流れで進化しています。

この流れで理解すると

技術同士の関係が見える
覚えやすくなる
問い方変更に強くなる
混同しにくくなる

という大きなメリットがあります。

これはG検定でもかなり重要な考え方です。

まとめ

AI技術は、突然すごい技術が生まれて進化したわけではありません。

実際は、前の技術の問題を解決するために、次の技術が生まれる という流れの連続です。

one-hot → word2vec
RNN → LSTM
LSTM → Attention
Attention → Transformer
Transformer → GPT
GPT → RAG / Fine-tuning
勾配降下法 → SGD / Adam
過学習 → 正則化 / Dropout
精度だけ → 適合率 / 再現率 / F1値

この流れが見えると、AI用語はバラバラな暗記ではなく、「なぜ生まれたのか」で理解できるようになります。

AIを学ぶときは、単語を覚えるより「何の問題を解決したのか？」を見ることが、理解への近道です。