一色政彦

AIモデルとの対話が長く続く中で、「本筋とは無関係な話題」や「途中で行き止まりになった試行」といったノイズがコンテキスト内に蓄積し、その結果として出力品質が急速に低下していく現象。やり取りが進むほど回答が乱れたり、急に話がかみ合わなくなったりする際の主因と考えられる。

「指標が意思決定に使われるほど、目的を見失って行動が偏り、プロセス（＝制度や活動の進め方）がゆがむ」という経験則。もともとは教育改革におけるテストスコアの扱われ方を問題提起したものだが、現在では企業のKPI運用や政策評価、AIモデルの性能指標などで引用される。

「私たちは、技術の短期的な影響を過大評価し、長期的な影響を過小評価する」という言葉で知られる経験則。近年では生成AIの議論でもこの傾向が指摘されている。なお、アマラの法則における“過大評価”はハイプサイクルの「過度な期待のピーク」に、“過小評価”は「幻滅期」に重ねて語られることもある。

かわさきからは「自称“Python祭り”について」というタイトルでPython 3.14の新機能を紹介する連載記事の紹介と紹介しきれなかったトピックについて、一色からは「飛行機内でもAIプログラミングしたい」というタイトルで、16GBメモリのMacBook Pro（M4）上でVS CodeとローカルLLMを使ってプログラミングを試した体験とその感想について書きました。

最初に「何を実現すべきか」を“仕様”として明文化し、それを唯一の基準としてコード生成や検証を進めていく新しい開発スタイル。人間の意図を表した“仕様”が基準となるため、“雰囲気”を重視するバイブコーディングよりも高精度な開発が可能。

「こういうアプリが欲しい」といった“雰囲気”（＝Vibe）をAIに伝え、対話を通じてコードを生成していく新しいプログラミングスタイル。厳密な仕様や細かな指示を与えなくても、AIが意図をくみ取り、実際のコードとして形にしてくれるのが特徴。高度な専門知識がなくても試せるため、非エンジニアにも広がりつつある。

2つの確率分布間の“距離”を測る指標で、「ある分布をもう一方に重ねるために、どれだけ“確率質量”を動かす必要があるか」を表す。値が0なら「完全一致」、大きいほど「異なる」ことを意味する。主に統計学や機械学習で使われ、データドリフト検出や生成モデル（WGAN）などに応用される。別名「アースムーバー距離」。

2つの確率分布間の“距離”を測る指標で、値は0（一致）〜1（不一致）の範囲に収まる。ユークリッド距離に似た計算式で定義されており、確率分布の違いを直感的に扱えるのが特徴である。主に統計学や機械学習の分野で、確率分布間の比較や類似度評価に利用されている。

2つ（以上）の確率分布間のズレを測る指標で、KLダイバージェンスをベースに「対称化」し、「値の範囲が0以上〜1以下に収まる」ようにしたもの。複数の分布間の類似度を測ることができ、主に自然言語処理や生成モデルの評価、クラスタリングなどで利用されている。

「成功には必要条件を全て満たさなければならないが、失敗は1つ欠けるだけで起こる」という原則。文学作品の一節に由来し、生態学や経営学など幅広い分野で引用されてきたが、近年では機械学習の分野においても言及されるようになった。

センサーやデータを通じて現実世界を認識、理解し、それに基づいて行動するAIのこと。ロボットや自動運転車など、物理的な環境の中で自律的に動く機械の頭脳として注目されている。特にNVIDIAや学術分野で関心が高まっており、今後は社会での実用が本格化すると見込まれている。

「効率化によって、かえって消費が増えてしまう」という逆説的な現象のこと。もともとは、産業革命期に見られた蒸気機関の効率化と、それに伴う石炭消費の増加をめぐって提起されたが、現代でも電力やAIの計算資源を語る際に引き合いに出されることがある。

一色からは「ずんだもん校正術」という題で、ずんだもんに原稿を読ませて文章のミスをチェックする方法を紹介。かわさきからは「自分で実装する浮動小数点数値の加算」という題で、浮動小数点数の内部構造を解説しつつ、Pythonで加算処理を再現する関数の実装に挑戦しました。

人気連載を電子書籍として無料ダウンロードできる＠IT eBookシリーズ。第143弾は連載『やさしい確率分布』全編を収録。身近な疑問を題材に、Excelで楽しく体験しながら、確率分布の基本と活用法をやさしく学べます。前提知識は不要。ここからデータ分析を始めましょう！

AIに関する発言や議論の中では、ある特徴や本質をひと言で表した「明言」や、現場で広く知られる「経験則」がたびたび登場します。そうした「明言」や「経験則」の中でもAIを設計／運用／理解する当たって役立つ5つをピックアップしてご紹介します。取り上げるのは「オッカムの剃刀」「パレートの法則（80対20）」「GIGO（Garbage In, Garbage Out）」「イライザ効果」「スケーリング則」の5つです。

今、Pythonパッケージ管理は「uv」が新定番になりつつあります。驚くほど高速で柔軟だからです。この記事では、pipやcondaとの違いから、uvでのプロジェクト作成、パッケージ管理、スクリプト実行まで、特に筆者が理解しづらかったポイントを重点的に解説します。この機会に、一緒にuvへ乗り換えてみませんか？

AIには、その仕組みや性能上の限界、人間とは根本的に異なる特性などを浮き彫りにする「○○問題」と呼ばれる用語が幾つかあります。その中でも特に代表的なものをピックアップしてご紹介します。取り上げるのは「シンボルグラウンディング問題」「フレーム問題」「トロッコ問題」「ブラックボックス問題」「コールドスタート問題」の5つです。

「知識ゼロから学べる」をモットーにした機械学習入門連載の第5回。いよいよ今回から、「Yes／No」や「スパムかどうか」といった“分類”予測を扱います。これを実現する代表的な手法が「ロジスティック回帰」です。図を使って仕組みや考え方をやさしく学び、Pythonとscikit-learnでの実装も体験します。初めての人でも安心して取り組める内容です。

AIに関してギャップや矛盾を感じる現象には、“逆説”として法則化されているものがあります。AIの本質や限界、人間との根本的な違いを映し出すヒントになる、“逆説”にまつわる用語として「AI効果」「モラベックのパラドックス」「ポランニーのパラドックス」「グッドハートの法則」「シンプソンのパラドックス」の5語を紹介します。

「未知の選択肢を試す（探索）」か、「既知の選択肢を使い続ける（利用）」か。一方を重視すれば他方がおろそかになる難しさがあり、うまくバランスを取ることが求められる。このジレンマは、さまざまな意思決定に共通する課題であり、特に強化学習ではそのバランスの調整がモデルの性能に大きく影響する。

初期データが不足しているために、適切な推薦や予測ができない問題。レコメンデーション（推薦）システムやAI／機械学習では、大量のデータを用いた学習が前提となるが、新たなサービスの開始直後や、新規ユーザーの登録直後、新しい商品が追加された直後には、十分なデータが得られずにこの問題が発生する。

かわさきからは「Pythonクイズの原稿執筆とChatGPT」というタイトルで日々の原稿執筆で「どのようにChatGPTを“相棒”として活用しているか」について、一色からは「ChatGPT×Obsidianでつくる“最強の自習フロー”」というタイトルで数学のつまずきから始まった最新AI技術を活用した“ぼくのかんがえたさいきょうの自習スタイル”について書きました。

「不要な仮定はそぎ落として、必要以上の複雑さは避けるべき」とする考え方。古くは哲学の世界で提唱された原則だが、現在では科学から日常の意思決定まで幅広く応用されている。AI／機械学習／統計／データ分析の分野でも、モデル選択や仮説評価の原則としてしばしば引き合いに出される。

「指標が目標になると、それは“良い指標”ではなくなる」という逆説的な法則のこと。もともとは経済政策の現場で知られてきたが、教育評価や業績管理など、目標を数値化する場面でも応用されることが多い。AIや機械学習の文脈でも、評価指標に関する議論などで言及されることがある。

「MCPってよく聞くけど、自分には関係ない？」──そんな人にこそ読んでほしい！　Claude Desktopを使えば、“AIが外部サービスとつながる新時代”を誰でも簡単に体験できます。MCPとは何か？　なぜ注目されているのか？　気になる課題や今後の進化まで、思いの丈を語りました。未来を切り開くのは、“今”試してみるその一歩かもしれません。

成果の大半（80％）は、一部の要素（20％）から生まれる──この構図を示す経験則が「80:20の法則（パレートの法則）」。経済やビジネスの世界で広く知られ、しばしば引用される。この法則はAI・機械学習の分野でも比喩的に用いられることがあるが、そこに理論的な根拠があるわけではない点には留意しておきたい。

人間は経験（＝暗黙知）として知識を身に付けるが、それを言葉（＝形式知）にして他人に伝えるのは難しい、という逆説を指す。このため、知的活動をAIに教えることも困難とされてきた。これはルールベースのAIの話であり、近年の機械学習では暗黙知に近い振る舞いを模倣できるようになってきている。ただし、本質的な課題は依然として残されている。

用語「交差エントロピー」について説明。分類タスクを解くための機械学習モデルの訓練に広く用いられる損失関数の一つで、「“正解ラベルの確率分布”から“モデル出力の確率分布”がどれくらいズレている（＝不一致）か」を数値で表す。特に、ロジスティック回帰やニューラルネットワークの分類タスクでよく使用される。

用語「KLダイバージェンス」について説明。2つの確率分布間のズレを測る指標で、「ある確率分布が別の確率分布とどれだけ異なるか」を評価するために使用される。値が0なら「完全一致」、大きいほど「異なる」ことを意味する。主に統計解析や機械学習モデルの評価、データドリフト検出などで利用されている。

GitHub Copilot Free（無料版）、みんな使ってる？　実際にリアルな開発で活用し、その実力を検証！　AIアシストはどこまで使える？　ソフトウェアエンジニアの仕事はどう変わる？　そして、AI時代に求められるスキルとは？　AIエージェントの可能性も交えつつ、未来の開発を好き勝手に語ります。

一色からは「株価が下がったら……」という題でバーゲンセールのように安くなった時に株を購入するインジケーターのスクリプトを作成してシミュレーションしたことについて、かわさきからは「なぜ『Pythonクイズ』なのか？」という題で「なぜ『解決！Python』の代わりに『Pythonクイズ』を始めたのか」──その理由と背景、そして込めた思いについて書きました。

社会人から学生まで、今や現代人の大半は生成AIと無縁ではいられないでしょう。もはや“常識”となりつつある用語として「AI」「生成AI」「AGI」「ASI」「AIアライメント」「LLM」「ローカルLLM」「マルチモーダルAI」「エッジAI」「AIエージェント」の10語を紹介します。

2024年はChatGPTなどチャットAIのマルチモーダル化が進み、自律型AIエージェントも脚光を浴びました。2025年はどう進化し、社会に何をもたらすのか？　本稿では最新動向を踏まえ、8つの予測を紹介します。

ローカルLLMとは、ユーザーが所有するローカル環境（PCやエッジデバイスなど）で直接動作するLLM（大規模言語モデル）、またはその仕組みのこと。データをクラウドに送信せずにローカル環境内で処理するため、プライバシーが保護される。特定のタスクや業界向けの調整がしやすいメリットもある。

「知識ゼロから学べる」をモットーにした機械学習入門連載の第4回。過学習を抑えて予測精度を向上させるための「正則化」手法として、ラッソ回帰とリッジ回帰に注目。その概要と仕組みを図解で学び、Pythonとscikit-learnライブラリを使った実装と正則化の効果も体験します。初心者でも安心！　易しい内容です。

用語「AIエージェント」について解説。特定の目標を達成するために、必要なタスクを自律的に作成し、計画的に各タスクを実行するAIシステムのこと。これにより、人間の作業を大幅に自動化できる可能性がある。また、複数のAIエージェントを組み合わせることで、より高度な自動化が期待されるAIマルチエージェントも登場している。

かわさきからは「買っちゃった！」というタイトルでNPU搭載のノートPCを手に入れてローカルLLMを動かしてみたことについて、一色からは「文章を引き締める技術」というタイトルで「する」や「行う」などの抽象的な表現を具体的な動詞や表現に置き換える技術について書きました。

用語「AIアライメント」について解説。AIシステム（主に大規模言語モデル）が人間の意図や倫理観に沿うように、AIを訓練、調整するための技術や理念のこと。これにより、AIが社会や人間にとって安全（つまり無害かつ正直）で、役立つ存在にすることを目指す。

エッジAIとは、エッジデバイス（＝インターネットにつながる“IoT”対応機器やスマートフォンなど、利用者に近い場所にある端末）上で動作するAIのこと。データをクラウドに送信せずにデバイス内で処理するため、プライバシーが保護され、限られたリソースで効率的かつ高速に動作する特徴がある。

用語「ASI（人工超知能）」について解説。AGI（汎用人工知能）が人間と同等の知能を持つのに対し、ASIはそれを超えて、人間をはるかに超える知能を持ち、あらゆる分野で最も優れた能力を発揮するAIのことを指す。また、ASIは自律的に自己改善を行う特徴を持つとされている。

用語「ジャッカード距離」について説明。集合間の「異なり」（＝非類似度）を評価する尺度で、「2つの集合がどれだけ異なっているか」を測定するために使用される。集合間の「重なり」（＝類似性）を測定するジャッカード類似度と対になる概念。値は0〜1で、1に近いほど「異なっている（＝似ていない）」を意味する。

用語「オーバーラップ係数」について説明。集合間の類似性を評価する尺度で、「2つの集合の共通部分が、いずれかの集合のうち小さい方の集合の大きさと比べて、どれだけ大きいか」を測定するために使用される。値が1に近いほど「似ている」を、0に近いほど「似ていない」を意味する。部分的な一致が重要視される場面で利用されている。

用語「ダイス係数」について説明。集合間の類似性を評価する尺度で、「2つの集合の共通部分が、それぞれの集合の大きさと比べて、どれだけ大きいか」を測定するために使用される。値が1に近いほど「似ている」を、0に近いほど「似ていない」を意味する。少数の一致でもその正確性が重要視される場面で利用されている。

用語「ジャッカード類似度」について説明。集合間の類似性を評価する尺度で、「2つの集合がどれだけ重なり合っているか」（＝全体の要素数に対する共通部分の割合）を測定するために使用される。値が1に近いほど「似ている」を、0に近いほど「似ていない」を意味する。主にクラスタリングや文書比較などで利用されている。

「知識ゼロから学べる」をモットーにした機械学習入門連載の第3回。数値予測に使われる「線形回帰」は、最も基本的な機械学習のアルゴリズムです。その概要と仕組みを図解で学び、Pythonとscikit-learnライブラリを使った実装と実践も体験します。初心者でも安心して取り組める易しい内容です。

一色からは「ONEXPLAYER X1 AMD版で楽しむChatGPT×プログラミング」という題でX1を数週間使って気付いた問題と、その解決のために始めたChatGPTを駆使したプログラミングについて、かわさきからは「何をもってPythonicなのか（refrain）」という題でforループとif文を使って書いたコードとリスト内包表記で書いたコードのどちらが「初心者にとって分かりやすいか」「Pythonicなのか」について書きました。

用語「レーベンシュタイン距離」について説明。2つの系列（文字列やDNA配列など）を比較して、一方から他方へ変換するのに最も少ない編集操作（挿入／削除／置換）の回数をカウントすることで、2系列間の距離を計測する方法。文章の編集作業量の計測、スペルチェック、データクリーニング、DNA配列の比較などに利用され、データ間の違いや類似度を評価できる。

用語「ハミング距離」について説明。同じ長さの2つの系列（文字列やビット列）を比較して、異なる位置の数をカウントすることで、2系列間の距離（または類似度）を計測する方法。エラーチェックやデータ比較、クラスタリングに利用され、データ間の違いや類似度を直感的に評価できる。

用語「マハラノビス距離」について説明。2点間の距離を計測する方法の一つで、「“普通の距離”（＝ユークリッド距離）を一般化したもの」とも言われる。データの分布（共分散行列）を考慮することで、データのばらつき具合や相関関係を反映した距離を計算できる。異常値や外れ値を識別するために有効であり、特に多次元データにおいて正確な距離測定が可能。

データ分析、AI／機械学習の実装、生成AIの活用（まとめてデータサイエンス）は、もはや多くの人に必要な知識となっています。これらの基礎はどうやって学べばよいのでしょうか？　オススメの勉強方法を紹介します。