ニューラルネットワークとは？脳の仕組みをヒントにした計算モデル
人間の脳には約860億個の神経細胞（ニューロン）があり、互いに電気信号をやり取りしています。1つのニューロンは複数のニューロンから信号を受け取り、その合計がある閾値を超えると「発火」して次のニューロンへ信号を送ります。
ニューラルネットワークは、この「信号を受け取り、重みを付けて足し合わせ、閾値を超えたら次へ伝える」という動きを数式で再現したものです。ただし実物の脳の忠実な再現ではなく、あくまで着想を得た数学モデルである点は押さえておきましょう。
AI分野の位置づけとしては、機械学習のアルゴリズムの一種であり、これを深く重ねたものがディープラーニングです。全体像はAIとは？総合ガイドで整理しています。
基本構造：入力層・隠れ層・出力層
ニューラルネットワークは3種類の層で構成されます。データを受け取る「入力層」、計算を重ねて特徴を抽出する「隠れ層（中間層）」、結果を出す「出力層」です。
| 層 | 役割 | 例（手書き数字の認識） |
|---|---|---|
| 入力層 | データを数値として受け取る | 28×28ピクセルの明暗を784個の数値で受け取る |
| 隠れ層 | 特徴を段階的に抽出する | 線の傾き→輪の形→数字らしさ、と抽象化 |
| 出力層 | 最終的な答えを出す | 「0〜9」それぞれの確率を出力 |
隠れ層が2層以上あるものを「ディープニューラルネットワーク」と呼びます。つまりディープラーニングとは、隠れ層を深く重ねたニューラルネットワークによる学習のことです。
ニューロン1個の中で起きていること
人工ニューロン1個の仕事は驚くほど単純です。やっていることは「受け取った数値に重みを掛けて足し合わせ、活性化関数に通して次へ渡す」だけです。
「重み」は入力ごとの重要度を表す数値で、学習によって調整される主役です。たとえば迷惑メール判定なら、「無料」という単語に対応する入力の重みが大きくなっていくイメージです。
「活性化関数」は、合計値をそのまま流すのではなく変換をかける仕組みです。この非線形な変換があるからこそ、層を重ねる意味が生まれ、複雑なパターンを表現できるようになります。現在はReLU（ゼロ未満を切り捨てる関数）が定番です。
単純な部品でも、数を重ねると話が変わります。GPT級のモデルでは、この「重み」が数千億個規模になり、人間には設計不可能な複雑さをデータから獲得します。
学習の仕組み：誤差逆伝播法
ニューラルネットワークの学習とは、予測の誤差が小さくなるように膨大な重みを調整する作業です。その中核が「誤差逆伝播法（バックプロパゲーション）」です。
流れはこうです。まず現在の重みで予測を行い、正解とのズレ（誤差）を計算します。次にその誤差を出力層から入力層へ逆向きにたどり、「各重みが誤差にどれだけ責任があるか」を割り出します。
最後に、責任の大きさに応じて各重みを誤差が減る方向へ少しだけ動かします。この「予測→誤差計算→逆伝播→微調整」を何百万回も繰り返すと、ネットワーク全体が徐々に正解へ近づいていきます。山を下るように少しずつ低い場所（誤差の少ない状態）を探すため、この最適化は「勾配降下法」と呼ばれます。
ニューラルネットワークの歴史：2度の冬を越えて
ニューラルネットワークの原型「パーセプトロン」は1958年に登場し、第1次AIブームを牽引しました。しかし1969年に単純なパーセプトロンの理論的限界が指摘され、研究は一度冬の時代に入ります。
1986年に誤差逆伝播法が普及し、多層化の道が開けて第2次ブームが起きますが、当時は計算機の性能もデータ量も足りず、再び停滞しました。「ニューラルネットは使えない」が長年の常識だった時代です。
転機は2012年。ジェフリー・ヒントンらの深層ニューラルネットワーク「AlexNet」が画像認識コンテストで従来手法を圧倒し、GPUとビッグデータの追い風を得て第3次ブームが始まりました。ヒントンはこの功績などにより2024年のノーベル物理学賞を受賞しています。半世紀にわたり「冬」を耐えた技術が、いまのAIブームの主役になったのです。
代表的な発展形
- CNN（畳み込みニューラルネットワーク）：画像の局所パターン検出に特化。顔認証や外観検査の中核
- RNN／LSTM：時系列・文章など順序のあるデータ向け。音声認識などで活躍した
- Transformer：Attention機構で単語間の関係を一括処理する現在の主役。詳細はTransformer解説記事へ
- GAN（敵対的生成ネットワーク）：生成役と鑑定役の2つのネットワークを競わせて本物そっくりのデータを生成
- 拡散モデル：ノイズ除去の過程を学習する画像生成の主流方式
いずれも「ニューロンの層を重ねる」という基本は同じで、層のつなぎ方（アーキテクチャ）を工夫することで得意分野を変えています。アーキテクチャの発明こそがAI研究のブレイクスルーの源泉であり、2017年のTransformerの登場が生成AIブームを準備したように、次の革新的な構造がAIの次の10年を決める可能性があります。
よくある質問（FAQ）
Q1. ニューラルネットワークとディープラーニングの違いは？
ニューラルネットワークは計算モデルの名前で、ディープラーニングはそれを深く重ねて学習させる手法の名前です。「ニューラルネットワーク＝道具、ディープラーニング＝道具の使い方」と考えるとわかりやすいでしょう。
Q2. 本物の脳と同じ仕組みなのですか？
いいえ。着想は脳から得ていますが、実際の神経科学的な仕組みとは大きく異なる単純化された数学モデルです。「鳥を参考にした飛行機」のような関係だと言われます。
Q3. なぜ層を深くすると賢くなるのですか？
層ごとに「単純な特徴→複雑な特徴」と段階的に抽象化できるからです。線→形→物体、と積み上げる構造は、人間の視覚野の情報処理とも似ていることが知られています。
Q4. ニューラルネットワークの「重み」とは何ですか？
入力の重要度を表す数値で、学習によって自動調整されるパラメータです。「GPT-4のパラメータ数は〜」と言うときのパラメータは、主にこの重みの個数を指しています。
まとめ：単純な部品の膨大な積み重ねが知能を生む
ニューラルネットワークは、「重み付きの足し算と変換」という単純な計算を膨大に積み重ねることで、画像認識から文章生成までを可能にした計算モデルです。パーセプトロンから60年以上、2度の冬を越えて現代AIの土台になった歴史も含めて知っておくと、技術ニュースの見え方が変わります。
この構造を使った学習手法であるディープラーニングの解説、その最大の応用であるLLM（大規模言語モデル）、そしてAI全体の地図であるAIとは？総合ガイドも、あわせてご覧ください。
