生成AI用語を徹底解説｜初心者が知るべき専門用語完全ガイド

悩み

LLMって何？生成AIを使っていく上で覚えておきたい用語を教えて。

今回はこんな悩みを解消します。

本記事の信頼性

• 職業：フリーランスブロガー・Webデザイナー
• 経歴：Web業界13年目・30代未経験で異業種への転職成功（広告代理店・通販会社経験）
• 実績：会社員時代に複数のSEOメディアを立ち上げ・運営(月間30万PV以上)・個人ブログ副業月40万超え

X(Twitter)：トレンディ

こんにちは。トレンディです。

「生成AIに興味があるけれど、専門用語が多すぎてついていけない」「ChatGPTやMidjourneyを使い始めたのに、解説記事の言葉の意味がわからない」と感じている方は多いのではないでしょうか。

生成AIの世界は進化が速く、毎日のように新しい用語が登場します。生成AIの専門用語を正しく理解することは、AIを使いこなすための最初の壁です。

この記事では、生成AIを学ぶ上で知っておくべき専門用語・基本概念・重要キーワードを、初心者にもわかりやすく丁寧に解説します。用語を理解することで、AI学習のスピードが格段に上がります。ぜひ辞書代わりに活用してみてください。

生成AI用語の全体像を把握しよう

生成AIに関する専門用語は、大きく5つのカテゴリに分類できます。まず全体像を把握してから、各用語を学ぶことで理解が深まります。

カテゴリごとに体系的に学ぶことで、個別の用語がつながって理解しやすくなります。では各用語を詳しく見ていきましょう。

基本概念・モデル系の生成AI用語

生成AIを理解する上で最初に押さえておくべき基本的な概念と、AIモデルに関する用語を解説します。

生成AI（Generative AI）

生成AI（Generative AI＝ジェネレーティブ AI）とは、テキスト・画像・動画・音楽・コードなどの新しいコンテンツを自動的に生成できる人工知能のことです。従来のAIが「データを分析して答えを出す」ことが主目的だったのに対し、生成AIは「人間が作ったような新しいコンテンツを生み出す」ことができます。ChatGPT・Claude・Gemini・Midjourney・Sora(サービス終了→復活)などが代表的な生成AIです。

LLM（大規模言語モデル）

LLM（Large Language Model＝大規模言語モデル）とは、膨大な量のテキストデータを学習することで、人間のような文章を理解・生成できるAIモデルのことです。「大規模」という名前の通り、数十億〜数兆個のパラメータ（後述）を持つ巨大なAIです。ChatGPTのベースとなるGPT-4・Claude・Gemini・Llama（メタ社）などがLLMの代表例です。

わかりやすく例えると、LLMは世界中の本・ウェブサイト・会話を何年もかけて読み込み、言語のパターンを学習した「超高速の文章処理装置」のようなものです。

GPT（生成事前学習トランスフォーマー）

GPT（Generative Pre-trained Transformer）とは、OpenAI（オープンAI）が開発したLLMのシリーズ名です。日本語では「生成事前学習トランスフォーマー」と訳されます。GPT-3・GPT-4・GPT-4oなどがあり、ChatGPTはこのGPTモデルを使用したチャット形式のサービスです。

トランスフォーマー（Transformer）

トランスフォーマー（Transformer）とは、現代のLLMのほぼすべてのベースとなっているAIの「設計図（アーキテクチャ）」のことです。2017年にGoogleの研究者が発表した論文「Attention is All You Need」で提唱されました。トランスフォーマーの特徴は「アテンション機構（Attention Mechanism）」と呼ばれる、文章中の重要な単語同士の関係性を効率よく学習できる仕組みを持っていることです。

難しく聞こえますが、「現在のAIブームのほぼすべての基盤になっている重要な技術」と理解しておけば十分です。

パラメータ（Parameter）

パラメータ（Parameter）とは、AIモデルが学習によって調整する「内部の設定値」のことです。パラメータ数が多いほど、AIはより複雑なパターンを学習できると考えられています。「GPT-4は数千億のパラメータを持つ」のように使われます。

わかりやすく例えると、パラメータはAIの「脳の神経回路の数」のようなものです。回路が多いほど、より複雑な思考ができるイメージです。ただし、パラメータが多ければ必ず優秀というわけではなく、学習データの質・学習方法・アーキテクチャも重要な要素です。

マルチモーダル（Multimodal）

マルチモーダル（Multimodal）とは、テキスト・画像・音声・動画など複数の種類の情報（モダリティ）を同時に処理できるAIのことです。「マルチ（複数）」＋「モーダル（情報の種類）」という意味です。

たとえば画像をアップロードして「この画像に写っているものを説明して」という指示ができるChatGPT（GPT-4o）はマルチモーダルAIです。テキストしか扱えないAIは「ユニモーダル（単一モダリティ）」と呼ばれます。

基盤モデル（Foundation Model）

基盤モデル（Foundation Model）とは、膨大なデータで事前学習された大規模AIモデルのことで、さまざまなタスクに応用できる汎用的なベースとなるモデルです。GPT-4・Claude・Geminiなどが基盤モデルにあたります。企業や開発者はこの基盤モデルを活用して、自社のサービスや製品に特化したAIアプリケーションを開発します。

プロンプト・入出力系の生成AI用語

生成AIを実際に使う上で最も頻繁に登場するのが、プロンプトと入出力に関する用語です。

プロンプト（Prompt）

プロンプト（Prompt）とは、生成AIに対して入力する「指示文・質問文・命令文」のことです。ChatGPTに「〇〇について教えて」と入力する文章全体がプロンプトです。同じAIツールを使っていても、プロンプトの書き方次第で出力の品質が大きく変わるため、プロンプト設計（プロンプトエンジニアリング）は非常に重要なスキルとして注目されています。

プロンプトエンジニアリング

プロンプトエンジニアリング（Prompt Engineering）とは、生成AIから目的の出力を引き出すために、プロンプトを最適化・設計するスキルと技術のことです。「エンジニアリング（工学）」という言葉が入っていますが、プログラミングの知識は必須ではありません。誰でも学べるスキルです。

コンテキスト（Context）

コンテキスト（Context）とは、AIが回答を生成する際に参照できる「前後の文脈・情報」のことです。チャット形式のAIでは、会話の履歴全体がコンテキストとして参照されます。コンテキストの長さには上限があり、それを「コンテキストウィンドウ（Context Window）」と言います。

コンテキストウィンドウが大きいほど、より長い会話や長い文書を一度に処理できます。「Claude 3の場合、コンテキストウィンドウは最大20万トークン」のような表現で使われます。

トークン（Token）

トークン（Token）とは、AIがテキストを処理する際の「最小単位」のことです。日本語では大まかに「1〜2文字程度が1トークン」に相当することが多いですが、言語や単語によって異なります。英語では「1単語が約1〜1.5トークン」程度が目安です。

AIの利用料金はトークン数に基づいて計算されることが多く、「1,000トークンあたり〇円」という形で表示されます。コンテキストウィンドウの大きさもトークンで表現されます。

ハルシネーション（Hallucination）

ハルシネーション（Hallucination）とは、生成AIが事実とは異なる情報・存在しない引用・架空のデータを、あたかも正確な事実であるかのように自信を持って生成してしまう現象のことです。日本語では「幻覚」と訳されます。

たとえば「〇〇の研究によれば〜」という文章をAIが生成したとき、その研究が実際には存在しないということがあります。AIの出力を鵜呑みにせず、重要な数字・固有名詞・引用は必ず一次情報で確認することがハルシネーション対策の基本です。

RAG（検索拡張生成）

RAG（Retrieval-Augmented Generation＝検索拡張生成）とは、AIが回答を生成する際に「外部の情報源を検索して取り込む」仕組みのことです。通常のLLMは学習データの範囲内でしか回答できませんが、RAGを使うことで社内マニュアル・最新ニュース・特定のデータベースを参照しながら回答を生成できます。

レストランに例えると、料理人（AI）が自分の知識だけで料理するのが通常のLLM、レシピ本や食材データベースを参照しながら料理するのがRAGです。より正確で最新の情報に基づいた回答が可能になります。

システムプロンプト（System Prompt）

システムプロンプト（System Prompt）とは、会話が始まる前にAIに対して事前設定として与えておく指示のことです。「あなたはカスタマーサポートの専門家です。丁寧な口調で答えてください」のように、AIの役割・行動指針・制約を設定するために使います。チャットGPTのカスタム指示機能やAPI開発で多用されます。

Few-shot・Zero-shot・One-shot

これらはプロンプトの手法に関する用語です。

Zero-shot（ゼロショット）：例を一切示さずに指示だけでAIに出力させる手法。「メールの返信文を書いて」のような指示です。

One-shot（ワンショット）：例を1つだけ示してからAIに同じパターンで出力させる手法。

Few-shot（フューショット）：2〜5つ程度の例を示してからAIに出力させる手法。例が多いほどAIは望む出力のパターンを理解しやすくなります。

学習・技術系の生成AI用語

AIがどのように学習するかに関する技術用語を解説します。完全に理解しなくても、各概念のイメージを掴んでおくことが重要です。

事前学習（Pre-training）

事前学習（Pre-training）とは、LLMが大量のテキストデータを使って「言語の基本的なパターン」を学習する段階のことです。インターネット上のウェブサイト・書籍・論文・コードなど、膨大な量のデータが使われます。事前学習には膨大な計算資源と時間・費用がかかるため、主に大企業・研究機関が行います。

ファインチューニング（Fine-tuning）

ファインチューニング（Fine-tuning）とは、事前学習済みの基盤モデルに対して、特定の目的や分野に特化させるための追加学習を行うことです。「微調整」と訳されます。

たとえば医療分野に特化したAIを作りたい場合、一般的なLLMを基盤に医療文書・カルテ・論文などのデータで追加学習させることで、医療に詳しいAIにカスタマイズできます。ファインチューニングは事前学習より少ないデータ・コスト・時間で行えるため、企業・開発者レベルでも実施可能です。

RLHF（人間のフィードバックからの強化学習）

RLHF（Reinforcement Learning from Human Feedback）とは、人間の評価・フィードバックをもとにAIの出力品質を改善する学習手法のことです。日本語では「人間のフィードバックからの強化学習」と訳されます。

ChatGPTが「人間らしい・役に立つ・安全な」回答を生成できるようになった背景には、このRLHFが大きく貢献しています。人間の評価者がAIの回答に「良い・悪い」の評価をつけ、その評価をもとにAIが改善を重ねるプロセスです。

エンベディング（Embedding）

エンベディング（Embedding）とは、テキスト・画像・音声などの情報を、コンピュータが処理しやすい「数値のベクトル（数字の列）」に変換したものです。意味が近い言葉は数値空間でも近い位置に配置されるため、AIが「似た意味の言葉」を認識できるようになります。

RAGやベクトルデータベースの基盤技術として非常に重要です。難しく感じる場合は「AIが言葉の意味を数字に変換して処理している」という理解で十分です。

ベクトルデータベース（Vector Database）

ベクトルデータベース（Vector Database）とは、エンベディング（数値ベクトル）形式のデータを保存・検索するための特殊なデータベースです。RAGシステムにおいて、外部の情報を素早く検索して参照するために使われます。Pinecone・ChromaDB・Weaviateなどが代表的なサービスです。AIシステムを開発・構築する方にとって重要な概念です。

蒸留（Distillation）

蒸留（Distillation）とは、大きくて高性能なAIモデル（教師モデル）の知識を、より小さなAIモデル（生徒モデル）に移転させる技術のことです。小さなモデルでも高い性能を実現できるようになります。スマートフォン上で動作する軽量AIなど、計算資源が限られた環境での活用に有効です。

トークナイザー（Tokenizer）

トークナイザー（Tokenizer）とは、入力されたテキストをAIが処理できるトークン（単位）に分割するプログラムのことです。「私はブログを書いています」という文章を「私」「は」「ブログ」「を」「書い」「て」「い」「ます」のように分割します。言語や使用するモデルによってトークンの分け方は異なります。

画像・クリエイティブ系の生成AI用語

画像・動画・デザイン生成AIに特有の専門用語を解説します。

拡散モデル（Diffusion Model）

拡散モデル（Diffusion Model）とは、画像生成AIの主流となっている技術です。「ランダムなノイズ（砂嵐のような画像）から、徐々に目的の画像を生成していく」プロセスを使います。Stable Diffusion・Midjourney・DALL-Eなどの画像生成AIはこの拡散モデルをベースにしています。

簡単に例えると、彫刻家が大きな石の塊（ノイズ）から少しずつ不要な部分を削り出して（ノイズを除去して）作品（画像）を作るイメージです。

LoRA（低ランク適応）

LoRA（Low-Rank Adaptation）とは、大規模なAIモデルを効率よくカスタマイズするための学習技術のことです。特定のスタイル・キャラクター・人物の画像を少量のデータで追加学習させ、そのスタイルを維持した画像を生成できるようになります。Stable Diffusionなどでよく使われる技術で「LoRAモデル」として配布・共有されています。

シード値（Seed Value）

シード値（Seed Value）とは、画像生成AIで使われる「乱数の出発点となる数値」のことです。同じプロンプトでも毎回異なる画像が生成されますが、同じシード値を使うと同じ構図・雰囲気の画像を再現できます。特定のキャラクターや構図を固定したい場合にシード値を指定します。

ネガティブプロンプト（Negative Prompt）

ネガティブプロンプト（Negative Prompt）とは、画像生成AIの出力に「含めたくない要素」を指定するプロンプトのことです。「blurry（ぼけた）」「watermark（透かし）」「distorted hands（歪んだ手）」などをネガティブプロンプトとして指定することで、品質を下げる要素を排除できます。Stable Diffusionやいくつかのツールでは専用の入力欄があります。

ControlNet（コントロールネット）

ControlNet（コントロールネット）とは、Stable Diffusionで使われる拡張機能で、画像の生成をより精密にコントロールするための技術です。人物のポーズ・輪郭・深度マップなどを参照画像として指定することで、構図やポーズを維持した画像生成ができます。専門的なAI画像制作に取り組む方向けの技術です。

テキストtoイメージ（Text to Image）

テキストtoイメージ（Text to Image / T2I）とは、テキストのプロンプトから画像を生成する技術のことです。Midjourney・DALL-E・Stable Diffusionが代表例です。同様に「テキストto動画（Text to Video / T2V）」「画像to画像（Image to Image / I2I）」「テキストto音楽（Text to Music）」なども存在します。

インペインティング・アウトペインティング

インペインティング（Inpainting）とは、既存の画像の特定の部分を選択して、AIで書き換えたり修正したりする技術です。たとえば「人物写真の背景だけをAIで変更する」といった使い方ができます。

アウトペインティング（Outpainting）とは、既存の画像の外側をAIで拡張する技術です。「正方形の画像を横長に拡張する」「画像の余白部分をAIで埋める」といった用途に使われます。

活用・ビジネス系の生成AI用語

生成AIをビジネスや実務に活かす際に重要な用語を解説します。

API（アプリケーション・プログラミング・インターフェース）

API（Application Programming Interface）とは、プログラムやサービスが相互に通信・連携するための「接続口・インターフェース」のことです。OpenAI APIを使えば、ChatGPTの能力を自分で作ったアプリケーションやサービスに組み込むことができます。

レストランのウェイターに例えると、APIはお客様（あなたのアプリ）とシェフ（AIモデル）の間に立って注文を伝え、料理（出力）を届けてくれる存在です。プログラミング知識があればAPIを使いこなすことで、独自のAIサービスを構築できます。

AIエージェント（AI Agent）

AIエージェント（AI Agent）とは、人間が細かく指示しなくても、目標を与えるだけで自律的に複数のタスクを計画・実行・完了できるAIのことです。「来週の旅行の計画を立てて、ホテルを調べて、予算もまとめて」という大きな目標を与えると、エージェントが自分で検索・計算・文書作成などのステップを考えて実行します。

生成AI活用の最先端として注目されているキーワードのひとつです。Claude Code・AutoGPT・OpenAIのAgentsなどが実例として挙げられます。

マルチエージェント（Multi-Agent）

マルチエージェント（Multi-Agent）とは、複数のAIエージェントが協調・分担して1つの大きなタスクを達成する仕組みのことです。たとえば「リサーチエージェント」「ライティングエージェント」「品質チェックエージェント」が連携して長編レポートを自動作成するような使い方です。より複雑な業務の自動化を実現する技術として研究・開発が進んでいます。

オーケストレーション（Orchestration）

オーケストレーション（Orchestration）とは、複数のAIエージェントやツールを「指揮者」のように統括・調整することです。オーケストラの指揮者が各楽器奏者（AIエージェント）に役割を与え、全体として美しい音楽（アウトプット）を生み出すイメージです。LangChain・LangGraph・AutoGenなどのフレームワークがオーケストレーションに使われます。

LangChain（ランクチェーン）

LangChain（LangChain）とは、LLMを使ったアプリケーションを効率的に開発するためのPythonベースのフレームワーク（開発の枠組み）のことです。RAGシステムの構築・AIエージェントの開発・複数のAIツールの連携などに幅広く使われています。AIシステムを開発したい方にとって重要な技術です。

Transformer Architectureの各要素

トランスフォーマーを構成する重要な概念も解説します。

アテンション機構（Attention Mechanism）：文章の中で「どの単語がどの単語と強く関係しているか」を計算して重み付けする仕組みです。「彼は猫を飼っています。彼はその動物が大好きです」という文章で「その動物」が「猫」を指すと理解するのは、このアテンション機構のおかげです。

エンコーダー・デコーダー（Encoder/Decoder）：入力情報を処理して内部表現に変換する部分がエンコーダー、その内部表現から出力テキストを生成する部分がデコーダーです。

AIの安全性・倫理に関する用語

生成AIを学ぶ上で、安全性・倫理に関する重要な用語も押さえておきましょう。

主要な生成AIツールとモデルの用語整理

現在よく使われている生成AIツール・モデルの名称と基本情報をまとめて整理しておきましょう。

生成AI学習に役立つその他の重要用語

上記のカテゴリに収まらない重要な生成AI用語をまとめて解説します。

オープンソース・クローズドソース

オープンソース（Open Source）とは、AIモデルのプログラムコード・重みパラメータが公開されており、誰でも無料で利用・改変・配布できるモデルのことです。Llama（Meta）・Stable Diffusion（Stability AI）などが代表例です。

反対にクローズドソース（Closed Source）とは、内部の仕組みが非公開で、APIや製品サービス経由でのみ利用できるモデルのことです。GPT-4・Claude・Geminiはクローズドソースです。オープンソースは自由度が高く、クローズドソースは品質管理が行き届いた最高性能モデルが多い傾向があります。

推論（Inference）

推論（Inference）とは、学習済みのAIモデルが実際に入力を受けて出力を生成するプロセスのことです。「学習（Training）」がAIモデルを育てる段階であるのに対し、「推論」はそのモデルを実際に使って答えを出す段階です。ChatGPTに質問してから回答が返ってくるまでの処理が「推論」です。

エージェント型AI・非エージェント型AI

AIの動作形式を表す用語として「エージェント型」と「非エージェント型」があります。

非エージェント型：ユーザーが1回質問して1回答えが返ってくる対話形式。従来のChatGPT的な使い方です。

エージェント型：目標を与えると、AIが自律的に複数のステップを踏んでタスクを完遂する形式。Claude Code・OpenAI Agentsなどが例として挙げられます。

マルチターン（Multi-turn）

マルチターン（Multi-turn）とは、1回の質問・回答で完結するのではなく、複数回の対話（ターン）を重ねてタスクを進める形式のことです。「まず記事の構成を作ってもらう→各セクションを順番に書いてもらう→全体を修正してもらう」のような使い方がマルチターンです。

バッチ処理（Batch Processing）

バッチ処理（Batch Processing）とは、複数のリクエストをまとめて一括で処理する方法です。OpenAIのBatch APIなどを使うことで、大量の処理を低コストで行えます。AIを使ってたくさんの文書を一括変換したい場合などに使われます。

フィルタリング・ガードレール

ガードレール（Guardrail）とは、AIが有害・不適切なコンテンツを生成しないようにするための安全フィルターのことです。暴力・差別・違法情報などを出力しないよう、モデルの学習段階や出力処理段階に組み込まれています。ChatGPTやClaudeが「その質問には答えられません」と返すのはガードレールが機能している状態です。

生成AI用語を効率よく学ぶためのポイント

生成AIの専門用語を効率よく習得するためのコツを紹介します。

実際に使いながら用語を覚える

用語を暗記しようとするより、ChatGPTやClaudeを実際に使いながら「この現象が〇〇という用語だったな」と体験を通じて覚える方が定着します。たとえばAIが誤った情報を出したときに「これがハルシネーションだ」と気づく体験を重ねることで、用語が自然に身につきます。

英語の原語を合わせて覚える

生成AI用語の多くは英語が原語です。「ハルシネーション（Hallucination）」「ファインチューニング（Fine-tuning）」「RAG（Retrieval-Augmented Generation）」のように、英語の原語と日本語訳をセットで覚えておくと、英語の記事・論文・技術ドキュメントを参照する際に役立ちます。

最新情報を継続的にキャッチアップする

生成AI分野は毎月のように新しい用語・技術が登場します。X（旧Twitter）・YouTube・Zenn（テック系情報共有サービス）・Qiita（同）などで最新情報を継続的に収集する習慣をつけることで、AIリテラシーを維持・向上させることができます。

まとめ｜生成AI用語の理解がAI活用の第一歩

この記事では、生成AIを学ぶ上で知っておくべき専門用語を「基本概念・モデル系」「プロンプト・入出力系」「学習・技術系」「画像・クリエイティブ系」「活用・ビジネス系」の5カテゴリに分けて幅広く解説しました。最後に重要なポイントを振り返ってみてください。

生成AIの専門用語は多岐にわたりますが、すべてを一度に完璧に覚える必要はありません。まず「LLM・プロンプト・ハルシネーション・RAG・ファインチューニング・API・エージェント」の7つの用語を理解するだけでも、生成AIに関する情報の理解度が大幅に上がります。

用語を覚えることよりも「実際にAIツールを使い、体験を通じて用語を理解していく」プロセスが最も効果的な学習方法です。この記事を辞書代わりに活用しながら、生成AIの理解を深めていってみてください。AIの世界は日々進化していますが、基本的な用語と概念をしっかり押さえておけば、新しい情報もスムーズに吸収できるようになります。ぜひ今日から生成AIをどんどん活用してみてください。