本文へ移動
Harch AI Lab AI Learning & Research Mediapowered by Artiql Inc.

ディープラーニング(深層学習/Deep Learning)とは・意味、仕組み・由来・資格

ディープラーニング(深層学習)とは?

ディープラーニング(深層学習/Deep Learning)とは、何層にも重ねたニューラルネットワークに大量のデータで学習させ、データの中の特徴や規則性を自動で見つけ出せるようにする機械学習の手法のこと。

チューリング賞の受賞者 Yoshua Bengio 氏が率いる国際的な報告書 International AI Safety Report の2026年版は、用語集でディープラーニングを、大量の計算資源を使って多層の人工ニューラルネットワークを学習させる機械学習の技術と説明している。大量のデータから自動で情報を学ばせ、パターンを認識して判断する高い能力を持たせるという。

ニューラルネットワークは、データを受け取る入力層と予測を出す出力層のあいだに、隠れ層を持つモデルだ。Google は機械学習の用語集で、隠れ層を2つ以上持つものをディープニューラルネットワーク(deep neural network)と呼んでいる。

「深層学習」と「ディープラーニング」の両方の表記が、日本の公的な資料で使われている。内閣府の知的財産戦略推進事務局が事務局を務める AI時代の知的財産権検討会は、2024年5月の中間とりまとめで「深層学習(ディープラーニング)」と表記した。大規模言語モデル(LLM)などの生成AIの開発では、深層学習を用いるのが一般的だという。

文章や画像の生成などさまざまな作業を行える汎用のAIモデルは、ディープラーニングにもとづいていると、International AI Safety Report は述べている。

ディープラーニングの仕組み

層を重ねたネットワークでデータを段階的に変換する

ディープラーニングでは、つながり合った情報処理の節点を層に並べ、データを層から層へ通して処理する。節点は、生物の脳の神経細胞を大まかに手本にしていることから、ニューロンと呼ばれることが多い。

データは層を進むにつれて、より抽象的な表現に変わる。画像を処理するモデルでは、最初の層が輪郭や簡単な形を捉え、より深い層がそれらを組み合わせて顔や物体のような複雑なパターンを見分けることがある。こうした特徴は、開発者が書き込んだものではなく、モデルがデータから自動で見つけたものだ。

誤りが小さくなるように重みを調整して学習する

学習の中でモデルが誤った答えを出すと、ディープラーニングのアルゴリズムはニューロンのあいだのつながりの強さを調整し、性能を高める。つながりの強さは、重み(weight)と呼ばれることが多い。「ディープ(深い)」という名前の由来として International AI Safety Report が挙げるのは、層を重ねて学習するやり方だ。

重みの調整に使うアルゴリズムが、誤差逆伝播法(バックプロパゲーション)だ。Google は機械学習の用語集で、誤差逆伝播法を使うニューラルネットワークの学習を、予測を出す順方向の処理と重みを直す逆方向の処理の繰り返しと説明している。順方向の処理では、データから予測を出して正解との差(損失)を求める。逆方向の処理では、隠れ層のニューロンの重みを増やすか減らすかを決めて、損失を減らす。

最先端の汎用のAIモデルの多くは Transformer を使う

最先端の汎用のAIモデルの多くは、Transformer と呼ばれるニューラルネットワークの構造にもとづくと、同報告書は説明している。Transformer は注意(attention)の仕組みを使い、入力のうち処理に最も関係の深い部分にモデルが注目できるようにする。

ディープラーニングの由来と広まった経緯

何層ものネットワークで学習させる研究は、ディープラーニングという言い方より古い。Juergen Schmidhuber 氏は2014年に arXiv で公開した概説の論文で、非線形の層を多く持つ学習のネットワークは少なくとも1965年までさかのぼるとしている。

Deep Learning の語を機械学習の分野に持ち込んだのは Dechter 氏の1986年の論文で、ニューラルネットワークの分野に持ち込んだのは Aizenberg 氏らの2000年の本だと、Schmidhuber 氏は2015年の解説で説明している。解説の掲載先は、査読のあるオンラインの百科事典 Scholarpedia だ。

Yann LeCun 氏、Yoshua Bengio 氏、Geoffrey Hinton 氏は、2015年5月に Nature で論文「Deep learning」を発表した。LeCun 氏らの説明では、ディープラーニングは、複数の処理の層でできたモデルに抽象の度合いの違う複数の段階の表現をデータから学ばせる方法だ。

ディープラーニングは、誤差逆伝播法でモデルの内部のパラメーターをどう変えるかを決め、大量のデータの中の複雑な構造を見つけ出すと、LeCun 氏らの論文は説明している。

ACM(米国計算機学会)は2019年3月27日、LeCun 氏、Bengio 氏、Hinton 氏に2018年のチューリング賞を贈ると発表した。授賞の理由は、ディープニューラルネットワークをコンピューティングの重要な構成要素にした、概念と工学の両面での躍進だ。

「ディープラーニング」の語について、ACM は、多くの層を使って深いネットワークを作ることの大切さに LeCun 氏らが気づいていたことから来ていると説明している。

人工ニューラルネットワークを使う方法は、1980年代には導入されていた。2000年代の初めの時点でこの方法を続けていた研究者は少なく、LeCun 氏らはその少数の中にいた。30年にわたって LeCun 氏らが築いた概念と工学の基礎は、GPUを使う強力なコンピューターの普及と大量のデータを使えるようになったことで大きく進んだと、ACM は発表で述べている。

日本では2017年6月1日、ディープラーニングを事業の柱とする企業が中心になって、日本ディープラーニング協会(JDLA)が設立された。同協会は設立の趣旨で、2012年ごろからディープラーニングの技術が急速に進み、画像認識や音声認識などで性能が大きく伸びているとしている。

スウェーデン王立科学アカデミーは2024年10月8日、ノーベル物理学賞を John Hopfield 氏と Geoffrey Hinton 氏に贈ると発表した。授賞の理由は、人工ニューラルネットワークによる機械学習を可能にした基礎的な発見と発明だ。

ディープラーニングに関する主な出来事・ニュース

ディープラーニングに関する研究

東京大学とNTTは光を使う深層学習の計算量を減らした

東京大学大学院情報理工学系研究科とNTTの共同研究グループは2026年11月5日、光を使って計算する物理深層学習の新しい枠組みを開発したと発表した。英国時間の同日付けで、論文が学術誌 Nature Computational Science に掲載された。

研究の背景には、深層学習のモデルが大きくなるにつれて、学習と推論に必要なエネルギーと計算機の資源が急に増えている現状がある。推論は、学習を終えたモデルで答えを出す処理を指す。こうした計算の負担を減らすため、光学系や電子回路などの物理系をニューラルネットワークの計算に使う、物理ニューラルネットワークが広く注目されている。

新しい枠組みは認識の性能を保つか高めながら、計算量と学習で調整するパラメーターの数を従来の深層ニューラルネットワークより最大で約90%減らしたと、研究グループは発表している。光と電気を併用した実機での実験でも、従来の方法に匹敵する性能を出したという。

さらに、グループは新しい枠組みの考え方を ResMLP という現代的な深層学習のモデルにも組み込んだ。組み込んだモデルは、認識の性能を上げたうえで、必要な計算資源を約40%少なくできた。

ディープラーニングを扱う資格・試験

ディープラーニングは、民間の資格と国家試験の両方で出題の範囲に入っている。

試験名 実施団体 ディープラーニングの扱い
G検定(G2024#6から適用のシラバス) 日本ディープラーニング協会 技術分野に「ディープラーニングの概要」「ディープラーニングの要素技術」「ディープラーニングの応用例」の項目がある
E資格(シラバス2026) 日本ディープラーニング協会 2026年8月の試験から適用するシラバスに、「深層学習の基礎」「深層学習の応用」の章がある
ITパスポート試験(今の制度のシラバス Ver.6.5) 情報処理推進機構(IPA) AIの技術の用語例に「ディープラーニング」「バックプロパゲーション」などがある
基本情報技術者試験(2027年度から始める予定の新制度のシラバス案。変更の可能性あり) 情報処理推進機構(IPA) 小分類「ディープラーニング」に、「ディープラーニングの特徴」と「ディープラーニングの応用」の項目がある
生成AIパスポート(2027年2月の試験から適用する新シラバス) 生成AI活用普及協会(GUGA) 「ニューラルネットワーク」の項目で、ニューラルネットワークとディープラーニングの仕組みや代表的なモデルを扱う

※2026年11月時点

G検定はディープラーニングを事業に生かす知識を問う

日本ディープラーニング協会のG検定は、AIとディープラーニングを使いこなすためのリテラシーを習得する検定だ。協会は、基本の知識を備えたうえで適切な活用の方針を決め、事業に生かす能力や知識があるかを確かめるとしている。受験の資格に制限はなく、受験料は一般が1万3,200円(税込)、学生が5,500円(税込)だ。

2026年9月4〜6日に開いた2026年の第5回のG検定は、1万4,908人が受験し、1万1,475人が合格した。合格率は76.97%で、累計の合格者は16万8,037人になった。

E資格は認定プログラムの修了が受験の条件

同協会のE資格は、ディープラーニングの理論を理解したうえで、目的に合った手法を選んで実装できる能力や知識を認定する資格だ。受験には、同協会が認定した教育プログラム(JDLA認定プログラム)を試験日までの2年以内に修了していることが条件になる。受験料は一般で3万3,000円(税込)だ。

同協会は2026年8月の試験から適用したシラバスで、前のシラバス2024から変えた点として、大規模言語モデル(LLM)を小項目に加え、RAGや Next token prediction などのキーワードを足した。2026年8月28〜30日に開いた2026年の第2回のE資格は、1,062人が受験して712人が合格し、累計の合格者は1万1,550人になった。

ディープラーニングの英語での言い方

英語表記 意味 使用主体
deep learning 多層のニューラルネットワークに大量のデータで学習させる機械学習の技術 International AI Safety Report、LeCun 氏らの論文
deep neural network 隠れ層を2つ以上持つニューラルネットワーク Google、ACM
deep model deep neural network と同じ意味の語 Google
artificial neural network コンピューターの上に作ったニューラルネットワーク。脳などの神経系のニューラルネットワークと区別する言い方 Google、スウェーデン王立科学アカデミー
backpropagation 誤差逆伝播法。予測と正解の差をもとに、隠れ層の重みを調整する方法 Google、ACM

ディープラーニングの限界と必要な計算資源

モデルがその出力に至った理由をたどりにくい

深層学習の「学習」は、最終的な出力が開発者の望む結果になるように大量のデータを使ってパラメーターを調整することを指すと、AI時代の知的財産権検討会の中間とりまとめは説明している。パラメーターは大量の数値の並びで、個々のパラメーターの意味やパラメーター同士の関係を理解するのは一般に難しいという。

研究者は、ある入力がどのように特定の出力につながったのかをたどれないことが多いと、International AI Safety Report は指摘している。汎用のAIモデルは情報を多くのニューロンに分散して表すため、特定の振る舞いを生む部分を切り分けるのは技術的に難しいとしている。

大量のデータと計算資源を使う

今のディープラーニングでは大量の計算資源を使い、非常に大きな学習データから複雑な関係や抽象的な特徴をモデルに学ばせると、International AI Safety Report は述べる。モデルの大きさやデータの量、学習の計算量を増やしたときの性能の伸び方は、スケーリング則と呼ばれる経験則で表される。

ディープラーニングに関連する用語

  • 大規模言語モデル(LLM):大量の文章のデータで学習し、文章の生成や翻訳、要約といった言語にかかわる作業を行うAIモデル。
  • MoE(Mixture of Experts):モデルの中の複数のエキスパートのうち、トークンごとに一部だけを選んで計算に使うモデルの作り。
  • スケーリング則:モデルの大きさやデータの量、計算量を増やしたときの性能の伸びを、予測できる形で表した経験則。
  • ファインチューニング:事前学習を終えたAIモデルに特定の用途のデータで追加の学習をさせ、モデルの重みを調整して目的の作業に適応させる手法のこと。
  • AI for Science:仮説を立てる、実験を設計する、データを解析するといった科学研究の各段階にAIを取り入れ、研究の進め方そのものを変えようとする取り組み。
  • Transformer(トランスフォーマー):入力のどの部分どうしが関係が深いかを注意(attention)と呼ぶ仕組みで計算して、文章などを処理するニューラルネットワークの構造。
  • パラメーター:AIモデルが学習の中でデータから調整し、入力を処理して出力を生み出す方法を決める、重みやバイアスなどの数値。

ディープラーニングに関する出典

Yoshua Bengio ほか「International AI Safety Report 2026」(2026年2月3日)
Google「Machine Learning Glossary」(2026年11月6日更新)
AI時代の知的財産権検討会「中間とりまとめ」(2024年5月)
東京大学「物理深層学習を高効率化する新たな学習法とアーキテクチャを開発 ――光ダイナミクスを活用した省資源でスケーラブルな深層学習を実証――」(2026年11月5日)
Juergen Schmidhuber「Deep Learning in Neural Networks: An Overview」(2014年4月30日、10月8日改訂、arXiv)
Yann LeCun ほか「Deep learning」(2015年5月27日、Nature)
ACM「Fathers of the Deep Learning Revolution Receive ACM A.M. Turing Award」(2019年3月27日)
日本ディープラーニング協会「協会について」
The Royal Swedish Academy of Sciences「Press release: The Nobel Prize in Physics 2024」(2024年10月8日)
東京大学大学院情報理工学系研究科「物理深層学習を高効率化する新たな学習法とアーキテクチャを開発~光ダイナミクスを活用した省資源でスケーラブルな深層学習を実証~」(2026年11月5日)
日本ディープラーニング協会「G検定とは」
日本ディープラーニング協会「E資格 試験出題範囲(シラバス2026)」(2025年10月14日)
情報処理推進機構「ITパスポート試験 シラバス Ver.6.5」(2026年1月8日掲載)
情報処理推進機構「基本情報技術者試験 シラバス(案)Ver.0.1」(2026年9月30日掲載)
生成AI活用普及協会「生成AIパスポート試験シラバス(2027年2月試験より適用)」
日本ディープラーニング協会「「2026年 第5回 G検定(ジェネラリスト検定)」オンライン試験/会場試験の開催結果を発表(14,908名が受験し、11,475名が合格)」(2026年9月24日)
日本ディープラーニング協会「E資格とは」
日本ディープラーニング協会「「2026年 第2回 E資格(エンジニア資格)」結果発表・2027年開催スケジュールのお知らせ」(2026年9月18日)
情報処理推進機構「新試験制度のシラバス案について」(2026年6月30日公開、10月30日更新)
Juergen Schmidhuber「Deep Learning」(2015年11月27日、Scholarpedia)

ディープラーニングに関連する記事