「AIが『学ぶ』って、どういうこと?」
「数式が苦手でも、仕組みをつかめる?」
AIの「学ぶ」の中心にあるのが、ニューラルネットワークです。
ニューラルネットワークとは、脳の神経細胞のつながりをまねて数値を重みで足し合わせ、答えを導く計算の仕組みです。むずかしそうに見えますが、いちばん小さな部品はたし算とかけ算でできています。
この記事であなたは、部品ひとつ（1個のニューロン）を実際の数字で追い、活性化関数が要る理由をつかみ、単層では解けないXOR問題を経て、重みが決まる誤差逆伝播までをたどります。数式は最小限です。G検定のディープラーニング基礎にそのまま効きます。
1. AIが「学ぶ」とは、何をしていることなのか
脳の中では、ニューロン（神経細胞）が無数につながり、電気信号を受け取っては次へ渡して判断をしています。この流れをコンピュータ上の数値計算で再現したのがニューラルネットワークです。入り口で数値を受け取り、層をくぐらせ、出口で答えを出す——この一本の流れが土台です。
その最小の単位がニューロン（人工ニューロン）で、最初期の形がパーセプトロンです。複数の入力を受け取り、それぞれに重みを掛けて足し合わせ、ある基準を超えたら信号を出す。この部品を大量に並べ、何段にも重ねたものが、ニューラルネットワークの正体です。全体像は、データから学ぶ技術である機械学習とはの一手法だと押さえると、あなたの現在地が見えます。
2. 1個のニューロンを、数字で追ってみる
言葉だけだと重みや発火はぼやけます。そこで、入力が2つだけの1個のニューロンに、あなたも実際の数値を入れて出力まで追ってみましょう。使う材料は、入力・重み・バイアスの3つだけです。
| 材料 | 記号 | 今回の値 |
|---|---|---|
| 入力（2つ） | x1 ・ x2 | 1 ・ 0 |
| 重み（入力ごと） | w1 ・ w2 | 0.8 ・ 0.5 |
| バイアス | b | -0.3 |
やることは2ステップです。まず重み付き和を出し、次にそれを活性化関数に通して「発火するか」を決めます。今回の活性化関数は「0より大きければ1（発火）、そうでなければ0」という単純なもの（ステップ関数、閾値0）にします。図と式で追ってください。
重み付き和の計算は、次の1行です。
0.8 × 1 ＋ 0.5 × 0 ＋（-0.3）＝ 0.8 ＋ 0 － 0.3 ＝ 0.5
得られた 0.5 を活性化関数に通すと、0.5 は 0 より大きいので出力は発火（1）。もし2つの入力がどちらも 0 なら、和は -0.3 で 0 以下となり、発火しません。入力の組み合わせしだいで、この1個の部品が発火したりしなかったりする——ニューロンがやっているのは、突き詰めればこれだけです。
3. 活性化関数がないと、何段重ねても意味がない
さきほど、重み付き和をわざわざ活性化関数に通しました。「足し算の結果をそのまま次へ渡せばいいのでは?」とあなたが感じるところです。ところが、ここを省くとネットワークはいくら層を重ねても、たった1回の掛け算・足し算と同じ働きしかできなくなります。
理由は、掛けて足すだけの計算（線形の計算）は、何回つないでも結局「掛けて足す1回」にまとめ直せてしまうからです。まっすぐな計算をいくらつないでも、まっすぐなまま。これでは入り組んだ判断はできません。そこで各ニューロンの出口に活性化関数という「折れ曲がり」を挟むと、層を重ねた効果がはじめて生きてきます。
4. 単層では引けない一本の線、XOR問題
1層だけの単層パーセプトロンには、有名な弱点があります。「XOR（排他的論理和）」という、たった4通りの問題が解けないのです。XORは「2つの入力が違うときだけ1を出す」ルールで、真理値表にすると次の4行になります。
| x1 | x2 | XOR の答え |
|---|---|---|
| 0 | 0 | 0 |
| 0 | 1 | 1 |
| 1 | 0 | 1 |
| 1 | 1 | 0 |
あなたがこの4点を紙に置くと、答えが1の点（斜めの2点）と0の点（もう一方の斜め2点）が、たすき掛けに散らばります。単層パーセプトロンはまっすぐな1本の線でしか区切れないため、この配置を分ける線が引けません。これは1960年代に指摘され、研究が一度停滞する一因になりました。
5. 重みは、どうやって決まるのか（誤差逆伝播の直感）
最初、重みはでたらめな値です。だから出てくる答えも外れだらけ。学習とは、この重みを少しずつ直していく作業で、ここに尽きます。手順は、出した答えと正解のズレ（誤差）を測り、その誤差が小さくなる向きへ各重みを微調整する、の繰り返しです。
問題は、答えを出しているのが何段も重なった層だという点です。「どの重みを、どちらへ、どれだけ動かせば誤差が減るのか」を、出口の誤差から逆算する必要があります。これを担う手法が誤差逆伝播法（バックプロパゲーション）です。出力層で出た誤差を入力層の方向へ逆向きに配り、各重みの直し方を1つずつ求めます。出口から入口へさかのぼるので、この名前です。
現役エンジニアの視点で言うと、G検定でつまずきやすいのはこの「向き」です。データが入口から出口へ流れる順伝播と、誤差が出口から入口へ戻る逆伝播は、流れる向きが逆。ここを取り違えると、頻出語がバラバラの暗記になります。あなたが「入る→発火する→間違える→戻して直す」という1本の流れでつなぐと、選択問題での取り違えが減ります。
次のステップ
1個のニューロンから多層化まで見えたら、次は層を「深く」重ねる意味へ進むのが自然な順序です。ディープラーニングとは で深さが生む力を、画像認識への応用は CNNとは で押さえると、点で覚えた用語が線でつながります。
試験全体でどう問われるかを俯瞰したいなら、G検定の試験範囲と勉強法ガイド で学習の優先順位を立てるのが着実です。手を動かして定着させるなら、G検定 ディープラーニング基礎の問題集 で出題角度に慣れておくと、知識が得点に変わります。