RUNTEQ公式LINEにご登録いただき、ありがとうございます！

この資料では、生成AIを理解するうえで欠かせない基本用語をまとめています。
近年は、エンジニア以外の方でも生成AIに触れる機会が増えているため、
各用語の意味や特徴をわかりやすく、簡潔に解説しています。

AIに詳しくない方でもスムーズに理解できる内容になっていますので、
まずはAI用語に慣れるところから始めていきましょう！

IT・エンジニア用語20選【生成AI編】
『聞き流しOK！IT・エンジニア用語20選｜生成AIの基礎から徹底解説【初心者向け】』
YouTube動画はこちら：https://youtu.be/6VT9dLYDYYg

AI用語20選

1. 生成AI（Generative AI）

文字や画像、音声、動画など、さまざまなコンテンツを自動で“作り出す”AIのことを指します。
これまでのAIが「正しい答えを選ぶ」ことを得意としていたのに対し、 生成AIは「新しい答えを生み出す」ことを目的としています。
代表的な例としては、文章を生成する「ChatGPT」や、画像を生成する生成AIツールなどがあります。

2. 大規模言語モデル（LLM）

大量のテキストデータを学習し、人間のように自然な文章を理解・生成できるAIのことを指します。
「言語モデル」とは、言葉のつながりや意味を予測する仕組みのことで、
その中でも「大規模言語モデル（Large Language Model：LLM）」は、
膨大な量のデータと高性能な計算技術によって、より高度な理解や表現が可能になったものです。

代表的な例としては、ChatGPTに使われているGPTシリーズなどがあります。

3. トークン

AIが文章を分解して理解するための最小の単位のことを指します。
英語では単語の一部、日本語では1文字程度の大きさになることが多く、AIは文章をそのままではなく、これらトークンの集合として処理しています。
AIはこのトークンを1つずつ読み取り、「次に来るトークン」を予測することで文章を生成します。
また、AIが処理する量や利用料金はトークン数によって決まります。
つまり、文章が長くなるほどトークン数が増え、それに伴い処理にかかる時間やコストも大きくなります。

4. プロンプト

AIに対して「どんな内容を作ってほしいか」や「どのように答えてほしいか」を伝える指示文のことを指します。
人がAIに入力する質問や命令の文章がプロンプトです。

たとえば、「〜を要約して」「〜な口調で説明して」といった入力がプロンプトになります。
AIはこのプロンプトをもとに、どのような情報を使い、どんな形式で答えるかを判断して出力を生成します。
プロンプトの内容や書き方によって、AIの結果の内容や品質が大きく変わります。

5. プロンプトエンジニアリング

AIに対して、より正確で望ましい回答を得るためにプロンプト（指示文）を工夫して設計する技術のことを指します。
目的に合った答えを導き出すために、どのように質問や指示を組み立てるかを考えるのがプロンプトエンジニアリングです。
プロンプトエンジニアリングは、AIを“上手に使いこなすためのスキル”ともいえます。

6. コンテキスト

AIが回答を作るときに参照する文脈や前後の情報のことを指します。
会話や文章の流れ、質問の背景などを理解するために利用される情報です。たとえば、チャットで「それはどう思う？」と入力した場合、
AIは直前の話題や質問内容といった前のやり取り（コンテキスト）をもとに、「それ」が何を指しているのかを判断して答えを作ります。

コンテキストが正しく伝わっていないと、AIの回答がずれたり誤解を招いたりすることがあります。
そのため、AIを使う際には、必要な情報をプロンプトの中で明確に伝えることが大切です。

7. RAG（Retrieval-Augmented Generation）

AIが外部の情報を検索してから回答を作る方法のことを指します。通常の生成AIは、あらかじめ学習したデータをもとに答えを作りますが、
RAGでは、まず外部のデータベースや文書などから関連する情報を検索し、その結果をもとにAIが文章を生成します。
これにより、AIが持っていない最新の情報や社内固有のデータを活用して、より正確で信頼性の高い回答を出すことができます。

8. ベクトルデータベース

AIが扱う情報を意味の近さで検索・管理できるデータベースのことを指します。
通常のデータベースは「キーワード」や「一致する文字列」で検索しますが、
ベクトルデータベースでは、文章や画像などの情報を数値の集まり（ベクトル）として保存し、「意味が似ているデータ」を見つけることができます。

たとえば、「AIの仕組み」と「人工知能の原理」は言葉は違っても意味が近いため、ベクトルデータベースでは同じような内容として扱われます。
この仕組みは、RAGのようにAIが関連情報を検索して回答を作る際にも使われており、より自然で的確な情報検索を実現する重要な技術です。

9. ファインチューニング

すでに学習済みのAIモデルに対して、特定の目的やデータに合わせて再学習させることを指します。
生成AIは大量の一般的なデータで学習していますが、そのままでは企業や業務に特化した内容を十分に理解できない場合があります。
そこで、自社の文書や専門分野のデータを使ってAIを追加で学習させ、より目的に合った回答や表現ができるようにするのがファインチューニングです。

たとえば、医療・法律・社内マニュアルなどの専門分野に特化した回答を得たい場合に有効です。
この手法により、AIの知識や文体を特定領域に最適化することができます。

10. 推論

AIが学習した知識をもとに、新しい入力に対して答えを導き出す処理のことを指します。

たとえば、ユーザーがChatGPTに質問を入力したとき、AIがその質問に合った文章を生成する過程が“推論”にあたります。
つまり、学習が「知識を身につける段階」で、推論は「その知識を使って考える段階」といえます。
この処理はAIが実際に動作する際の中心的な役割を果たしており、生成AIの「答える力」を支える重要な仕組みです。

11. 学習データ

AIが知識やパターンを身につけるために使う学習用のデータのことを指します。
AIモデルは、人間が作成した大量のテキスト・画像・音声などを学習することで、
言葉の意味や文の構成、画像の特徴などを理解できるようになります。このとき使われるデータが「学習データ」です。

たとえば、文章生成AIの場合はニュース記事やWeb上の文章など、画像生成AIの場合は多種多様な画像が学習データとして使われます。
学習データの質と量はAIの性能に大きく影響し、不正確なデータや偏った内容を学習すると、AIの出力にも誤りや偏りが生じることがあります。

12. パラメータ

AIモデルの中で、学習の結果として得られる数値（重み）のことを指します。
AIは大量のデータを学習する中で、「どの特徴をどのくらい重要視するか」を数値として表します。
この数値がパラメータです。たとえば、文章を生成するAIであれば、単語のつながりや意味の関係を学習する過程で、無数のパラメータが調整されていきます。
学習が進むほど、AIはより自然で正確な文章を作れるようになります。
大規模言語モデル（LLM）には数十億〜数兆ものパラメータがあり、このパラメータの多さがAIの知識や表現力の豊かさに関係しています。

13. トランスフォーマー

現在の生成AIの基盤となっている、自然な文章を理解し、生成するためのAIの仕組みのことを指します。
トランスフォーマーは、文章の中で「どの言葉がどの言葉と関係しているか」を同時に考えられるのが特徴です。
これにより、長い文章や複雑な文脈の中でも、意味のつながりを正確に理解することができます。

以前のAIは、文章を順番に一つずつ処理していたため、長文の理解が苦手でしたが、
トランスフォーマーは文全体を一度に見て関係を分析できるため、より自然で人間らしい文章を作り出すことが可能になりました。

14. アテンション機構

AIが文章を理解するときに、「どの部分を重要視すべきか」を判断する仕組みのことを指します。
人間が文章を読むときも、すべての言葉を同じように読むのではなく、文脈や目的に応じて「大事な言葉」に注意を向けます。

たとえば、「昨日見た映画はとても感動的だった」という文では、AIは「映画」や「感動的」といった単語により強く注目し、文の意味を理解します。
この仕組みによって、AIは長い文章の中でも文脈を正確にとらえることができ、自然な文章生成や高精度な翻訳を実現しています。
トランスフォーマーの仕組みは、このアテンション機構を中心に設計されています。

15. マルチモーダル

AIが複数の種類の情報（モード）を組み合わせて理解・処理できる仕組みのことを指します。
これまでのAIは、文字だけ、画像だけといった単一の情報を扱うことが一般的でした。
一方、マルチモーダルAIは「文章」「画像」「音声」「動画」など、異なる種類のデータをまとめて理解し、関連づけることができます。

たとえば、画像を見て「この写真には猫が写っています」と説明文を生成したり、
音声を聞いて内容を文字に起こしたりするのは、マルチモーダルAIの代表的な例です。

16. AIエージェント

AIが自ら状況を理解し、目的に応じて行動や判断を自動で行う仕組みのことを指します。
通常の生成AIは、ユーザーの指示（プロンプト）に対して回答を返すだけですが、
AIエージェントは「目的を達成するために、複数の手順を自分で考えて実行する」ことができます。

たとえば、「この商品の販売戦略をまとめて」と指示すると、
AIエージェントは情報を検索・分析し、必要に応じて別のツールを使いながらレポートを作成する、といった動きをします。
AIエージェントは単なる“会話するAI”ではなく、自律的にタスクを遂行できる“行動するAI”といえます。

17. LangChain（ラングチェーン）

生成AIを「実際に仕事で使えるようにするためのつなぎ役」のような仕組みです。
ChatGPTのようなAIは、それだけでは会話や文章の生成しかできません。

LangChainを使うと、AIが社内データを検索したり、外部ツールを使ったり、複数の手順を順番に実行したりできるようになります。
たとえば、「お客様の問い合わせ内容を調べて、過去の対応をもとに返信文を作る」といった一連の流れを自動化するようなAIシステムを作ることができます。
LangChainはAIに「作業の流れ」を教えて、会話だけでなく“実際に行動できるAI”を作るための仕組みです。

18. MCP（Model Context Protocol）

AIがさまざまなツールやデータに安全かつ柔軟にアクセスできるようにする共通の通信ルールのことを指します。
これまでの生成AIは、与えられたテキストだけで考えることが多く、
外部のデータやシステムと直接やり取りするのが難しいという課題がありました。
MCPはその壁をなくし、AIが必要に応じて他のツールや情報源とやり取りできるようにするための仕組みです。

MCPはAIを“会話する存在”から“他のツールと連携して動く存在”へと進化させるための、新しい共通言語のような仕組みです。

19. ハルシネーション

AIがもっともらしい内容を話しているように見えて、実際には間違った情報や存在しない事実を答えてしまう現象のことを指します。
この現象は、AIが「確率的に最も自然な文章」を生成しているために起こるもので、
“知識の正しさ”よりも“言葉のつながりの自然さ”を優先してしまうことが原因です。
そのため、AIを活用する際は、出力結果を鵜呑みにせず、人間が内容を確認・検証することが大切です。

20. コンテキストウィンドウ

生成AIは、会話のすべてを無制限に覚えているわけではなく、「どこまでの内容を一度に考えられるか」という限られた範囲を持っています。
この範囲のことを「コンテキストウィンドウ」と呼びます。

たとえば、ウィンドウの範囲が広ければ、AIは長い文章や過去のやり取りを踏まえて回答できます。
一方で、範囲を超えるほど会話が長くなると、古い内容はウィンドウの外に押し出され、AIが忘れてしまうような状態になります。

GPT-5では数百万トークン規模まで拡張されており、より長い会話や大規模な文書も理解できるようになっています。

まとめ

いかがでしたでしょうか？
動画とこちらのリストを活用して、AI用語に慣れていってくださいね。