AI（人工知能）— 2026年時点の全体像

AI（Artificial Intelligence / 人工知能）は、データからパターンを学習し、推論・生成・意思決定を行うソフトウェア技術の総称である。2026年時点では、(1) Transformer ベースの大規模言語モデル (LLM: Large Language Model) が基盤技術として確立し、(2) 事前学習＋ RLHF/DPO による事後学習が主流のモデル開発パイプラインとなり、(3) prefill/decode の 2 フェーズ推論と量子化・蒸留による最適化が運用の焦点で、(4) GPU・半導体・データセンタが計算需要のボトルネックとなり、(5) EU AI Act を骨格とする規制環境が成熟しつつある。本記事は AI.canvas のルートハブとして、各専門記事へのエントリポイントを提供する。

AI と機械学習の基礎 — 学習手法とニューラルネットワーク

機械学習 (Machine Learning: ML) は、明示的なルール記述なしにデータからアルゴリズムを自動改善する手法の総称で、AI の中心的サブフィールドである。教師あり学習は入力と正解ラベルのペアからマッピングを学習し（分類・回帰）、教師なし学習はラベルなしデータの構造を発見する（クラスタリング・次元削減・生成モデル）。強化学習 (RL) はエージェントが報酬を最大化するよう方策を学習し、LLM の事後学習 RLHF でも応用されている（→ reinforcement-learning）。深層学習は多層ニューラルネットワークによる表現学習で、2017年以降は Transformer が主流となった（→ neural-networks-and-deep-learning、ml-learning-methods）。

モデルアーキテクチャ — Transformer・Attention・MoE

Transformer は Vaswani ら (2017)「Attention Is All You Need」で提案されたアーキテクチャで、現代 LLM の基盤技術である。GPT 系のデコーダのみ構成が主流（→ transformer）。自己注意機構 (Self-Attention) は入力トークン間の関係スコアを Query/Key/Value 変換で計算し、長距離依存を並列処理で捕捉する（→ attention-mechanism）。位置エンコーディングは Transformer が持たない順序情報を補完し、RoPE ベースのスケーリングが長文対応の標準となった（→ positional-encoding）。MoE（Mixture of Experts） はゲート機構で expert を動的選択する疎アーキテクチャで、Mixtral / DeepSeek / Grok が採用し推論 FLOPs を抑制する（→ mixture-of-experts-moe）。トークンは BPE / SentencePiece で構築された語彙単位で、コンテキストウィンドウは 2026年で数十万〜百万トークン規模（→ token）。

学習プロセス — 事前学習から RLHF・推論特化まで

現代 LLM の学習は段階的なパイプラインで構成される（→ training-paradigm）。事前学習はウェブ・書籍・コードで次トークン予測の自己教師あり学習を行い、スケーリング則（データ量・パラメータ数・FLOPs）に従い損失が冪乗則的に改善する。事後学習は SFT（教師あり微調整）→ RLHF（人間フィードバックで報酬モデルを構築し PPO 最適化）の順で人間選好に整合させる。DPO は報酬モデル不要の代替手法で計算効率が高い。**推論特化モデル（Reasoning Models）**は 2024〜2025年に主流化し、Chain-of-Thought を内在化した「思考」ステップで GPQA Diamond / ARC-AGI-2 等の難問を解く。分散学習はデータ並列 / テンソル並列 / パイプライン並列と ZeRO で数百〜数千 GPU クラスタに展開する（→ distributed-training、training-hyperparameters）。

推論とデプロイ — prefill/decode から MLOps まで

LLM の推論は 2 フェーズで構成される（→ inference-phases）。Prefill はプロンプト全体を並列処理して KV キャッシュを構築し（計算律速）、Decode はキャッシュを参照しながら逐次トークンを生成する（メモリ帯域律速）。主要最適化技術（→ inference-acceleration、model-compression-and-optimization）：量子化（FP16 → INT8/INT4 でモデルサイズとメモリ帯域を削減、AWQ/GPTQ）、蒸留（大型教師から小型生徒への知識転移）、スペキュラティブデコーディング（ドラフトモデルで仮生成→大型モデルで一括検証）、PagedAttention / 連続バッチング（vLLM が KV キャッシュをページ管理してスループット最大化、→ inference-batching、inference-serving）。MLOps はモデルレジストリ・CI/CD・ドリフト検知・再学習トリガのライフサイクル管理（→ mlops-lifecycle、ml-model-deployment）。

代表的な LLM と 2026年のフロンティア

2026年時点のフロンティア LLM は多極体制となっている（→ llm-comparison）。OpenAI GPT 系（→ gpt-family）は GPT-5.x 系でエージェント・マルチモーダル・ツール連携を統合し、o シリーズ推論モデルが数学・科学タスクで高評価。Anthropic Claude 系（→ claude-family）は Claude Opus 4.7（2026-04-16）/ 4.8 が長時間エージェント・Computer Use・Extended Thinking を軸とする。Google Gemini 系（→ gemini-family）は百万トークン超コンテキスト・マルチモーダルと検索統合が優位。OSS・中国勢は DeepSeek / Qwen / GLM / Kimi（→ 各 family 記事）が高性能モデルを公開しクローズドとの差を縮小。Meta Llama 系（→ llama-family）も OSS 基盤として広く利用されている。エージェント AI（計画・ツール使用・多段タスク自律実行）が 2025〜2026年の中心トレンドで、コード実行・ブラウザ操作・外部 API 連携を組み込んだフレームワークが各社から提供されている。

インフラと半導体 — 計算需要のボトルネック

LLM の学習・推論は膨大な計算資源を要求し、インフラが技術採用の制約要因となっている。GPU とアクセラレータ（→ gpu-compute-api、semiconductor-compute-unit）：NVIDIA H100 / H200 / B200 が主力で CUDA が標準 API。AMD ROCm / Google TPU / AWS Trainium2 / 独自 ASIC が競合する。半導体プロセスノードとパッケージング（→ semiconductor-process-node、semiconductor-packaging、semiconductor-foundry）：TSMC N3/N2 が先端ノードの主流で CoWoS により HBM との高帯域接続を実現。HBM3/HBM3E が 2025〜2026年の標準メモリで、HBM4 は 2026〜2027年実用化見込みであるが量産開始時期は 2026-05 時点で外部検証未実施。データセンタ電力・冷却（→ datacenter-physical-infrastructure）：大規模クラスタは数十〜数百 MW を消費し、電力調達・液冷がボトルネック。分散コンピュート（→ ml-cluster-orchestration、ml-network-interconnect）：NVLink / InfiniBand / RoCE で GPU 間を高速接続し Kubernetes / Slurm でジョブをスケジュールする。

法律・倫理・リスク — EU AI Act とモデルの信頼性

AI の社会実装に伴い、法規制・倫理・安全性のフレームワークが整備されつつある（→ ai-regulation-and-compliance）。

EU AI Act（Regulation (EU) 2024/1689、2024-08-01 発効）：リスク分類（禁止 / 高リスク / 限定リスク / 最小リスク）と GPAI（汎用 AI）義務を定める。施行スケジュールは 2025-02 禁止 AI、2025-08 GPAI 義務、2026-08 高リスク AI 執行、既存 GPAI は 2027-08 猶予、製品組込み高リスクは AI omnibus で 2028-08 まで延長。

ハルシネーションと事実性（→ hallucination-and-factuality）：LLM が事実と異なる情報を自信を持って生成する問題は 2026年時点でも未解決の中心課題で、RAG グラウンディング・事実確認パイプラインが主要緩和策。

バイアス・公平性（→ ai-bias-and-fairness）・プロンプトインジェクション（→ prompt-injection-and-jailbreak、OWASP LLM Top 10 最上位リスク、直接注入と外部コンテンツ経由の間接注入）・著作権と学習データ（→ ai-copyright-and-training-data、学習データの著作権処理・記憶化・対価が法的論点、米国・EU・日本で訴訟・立法進行中）。情報カットオフ ~2025-08 のため、法的確定状況は 2026-05 時点で外部検証未実施。

関連記事

基礎・アーキテクチャ: machine-learning / neural-networks-and-deep-learning / ml-learning-methods / transformer / attention-mechanism / mixture-of-experts-moe / positional-encoding / token

学習プロセス: training-paradigm / reinforcement-learning / distributed-training / training-hyperparameters / training-optimization

推論・デプロイ: inference-phases / inference-acceleration / inference-batching / inference-serving / inference-performance-metrics / model-compression-and-optimization / model-compression-techniques / decoding-strategy / mlops-lifecycle / ml-model-deployment / ml-observability

フロンティア LLM: llm-comparison / gpt-family / claude-family / gemini-family / deepseek-family / qwen-family / glm-family / kimi-family / llama-family / mistral-mixtral-family / grok-family / perplexity-ai

インフラ・半導体: semiconductor-process-node / semiconductor-packaging / semiconductor-foundry / semiconductor-compute-unit / gpu-compute-api / datacenter-physical-infrastructure / distributed-compute-infrastructure / ml-cluster-orchestration / ml-network-interconnect / cloud-ml-platform / edge-inference

法律・倫理・リスク: ai-regulation-and-compliance / ai-bias-and-fairness / hallucination-and-factuality / prompt-injection-and-jailbreak / ai-copyright-and-training-data / ai-usage-policy-and-liability

アプリケーション・ツール: llm-sdk-app-development / ml-framework / model-runtime-and-conversion

参考資料

• Vaswani et al., “Attention Is All You Need,” NeurIPS 2017
• Kaplan et al., “Scaling Laws for Neural Language Models,” OpenAI 2020
• Hoffmann et al., “Training Compute-Optimal Large Language Models (Chinchilla),” DeepMind 2022
• Ouyang et al., “Training language models to follow instructions with human feedback (InstructGPT),” NeurIPS 2022
• Regulation (EU) 2024/1689（EU AI Act）、2024-08-01 発効
• NIST AI Risk Management Framework (AI RMF 1.0)、2023
• OWASP LLM Top 10
• 情報カットオフ ~2025-08、confidence: medium 固定。2025〜2026年のモデルリリース情報は 2026-05 時点で外部検証未実施。