記事のサマリー（TL;DR）
- OpenAI の新モデル Astra（2026年9月リリース）が採用した Opaque Recurrence は、チェーン・オブ・ソートの可読ログを大幅に削減し、AIセーフティ研究者が懸念を表明している
- MCP（Model Context Protocol） は Anthropic が2024年に提案しOpenAI・Google・Microsoftが採用した業界標準で、AI エージェントが外部ツールやDBへ接続するための「USB-C」的規格だ
- RAMageddon と呼ばれるメモリ不足は、大手AIラボの大量調達が引き金となり、スマートフォン出荷や企業データセンターにも波及している
国内 SaaS・EC 事業者が押さえるべき AI 用語の実務インパクト
本記事は TechCrunch が定期更新する「生きた用語集」であり、2026年9月版では Opaque Recurrence と Recurrent Depth という新語が追加された。
日本市場では、kintone や Salesforce を使う業務システム開発において MCP の採用事例が急増しており、外部 DB やファイルサーバーへの接続を「カスタムコネクター不要」で実現できる点は実装コストの大幅削減につながる。MCP が Linux Foundation に移管された事実は、特定ベンダーへのロックインリスクを減らし、国内 SaaS との接続設計にも安定した選択肢を提供する。
また RAMageddon による RAM 調達コスト高騰は、AWS・GCP 上でモデルを稼働させる際のインフラ費用にも直結する。AI 推論を自社データセンターで内製しようとする企業ほど、GPU 調達リードタイムと並んでメモリ単価の上昇を設計段階で織り込む必要がある。Token Throughput の指標は、同時接続ユーザー数が多い EC プラットフォームや問い合わせ対応 Bot の選定基準として国内でも注目度が高まっている。
詳細
AGI（人工汎用知能）
AGI（Artificial General Intelligence）は定義が揺れる用語だ。一般的には「多くのタスクで平均的な人間を上回る AI」を指す。OpenAI CEO の Sam Altman はかつて「採用できる中央値の人間の同僚」と表現した。OpenAI の企業憲章では「ほとんどの経済的に有価な業務で人間を凌駕する高度な自律システム」と定義する。Google DeepMind は「ほとんどの認知タスクで人間と同等以上の AI」と捉えており、三者の定義は一致していない。AI 研究の最前線の専門家たちも同様に、明確なコンセンサスを持っていないのが現状だ。
AI エージェント
AI エージェントとは、基本的なチャットボットを超えた複数タスクを自律的にこなすツールを指す。経費の申請、レストランの予約、コードの作成・保守などが代表例だ。実際には複数の AI システムを組み合わせてマルチステップのタスクを実行するケースが多く、「AI エージェント」という言葉の指す範囲は文脈によって異なる。インフラ整備も進行中であり、用語の意味自体がまだ成熟途上にある。
API エンドポイント
API エンドポイントはソフトウェアの裏側にある「ボタン」だ。他のプログラムがそのボタンを押すことで、特定の機能を呼び出せる。開発者はこのインターフェースを使ってアプリ間の連携を実装し、AI エージェントが人間の操作なしに外部サービスを直接制御することも可能になる。スマートホームデバイスや接続型プラットフォームの多くには、エンドユーザーには見えない形でエンドポイントが用意されている。AI エージェントの能力が向上するにつれ、エンドポイントを自律的に発見・利用する動きが加速しており、自動化の可能性とリスクの両面が広がっている。
チェーン・オブ・ソート（Chain of Thought）
人間は「キリンと猫のどちらが背が高いか？」という質問には即座に答えられる。しかし「40頭・120本の脚を持つ鶏と牛の数は？」のような問題には中間ステップが必要になる（答えは鶏20羽・牛20頭）。LLM における Chain of Thought（CoT）推論とは、問題を小さな中間ステップに分解して最終的な解の精度を高める手法だ。回答に時間はかかるが、ロジックやコーディングの文脈では正解率が上がる。Reasoning モデルは従来の LLM に強化学習を組み合わせて CoT 思考を最適化したものだ。
コーディングエージェント
AI エージェントの特殊形であり、ソフトウェア開発に特化している。単にコードを提案するだけでなく、コードの作成・テスト・デバッグを自律的に実行し、コードベース全体を横断してバグを発見、修正をプッシュする。「寝ない・集中力を切らさない高速インターン」のようなイメージだが、あくまでも人間によるレビューは不可欠だ。
コンピュート（Compute）
AI モデルの学習と推論を支える計算能力の総称。GPU・CPU・TPU などのハードウェアを指す文脈でも使われる。AI 業界の競争力を決定づける根本的なリソースであり、調達力がモデル品質に直結する。
ディープラーニング（Deep Learning）
自己改善型機械学習のサブセット。人間の脳のニューロンの連結構造にヒントを得た多層の人工ニューラルネットワーク（ANN）を使い、線形モデルや決定木より複雑な相関を学習できる。特徴量を人間が定義しなくてもデータから自動抽出し、誤りから学習して出力を改善する。ただし良好な結果を得るには膨大なデータポイント（数百万件以上）が必要で、学習時間と開発コストも高くなる傾向がある。
拡散（Diffusion）
画像・音楽・テキスト生成 AI の多くが採用する技術の中核。物理学の「拡散」現象にヒントを得ており、データ（写真や楽曲など）にノイズを加えて構造を「破壊」していき、最終的に何も残らない状態にする。AI は逆拡散プロセスを学習することで、ノイズからデータを復元する能力を獲得する。
蒸留（Distillation）
大規模な「教師」モデルから小規模な「生徒」モデルへ知識を移転する技術。教師モデルへのリクエストとその出力を記録し、それを生徒モデルの学習データとして使う。蒸留損失を最小化することで、元の大規模モデルの振る舞いを近似する小型で効率的なモデルを作れる。OpenAI が GPT-4 Turbo を開発した際もこの手法が使われたとみられている。競合他社のモデルからの蒸留は通常、API 利用規約に違反する。
ファインチューニング（Fine-tuning）
すでに学習済みの AI モデルに対して、特定のタスクやドメインに特化させるための追加学習。独自の業界知識を持つスタートアップが LLM をベースにした商用プロダクトを開発する際に広く活用されている。汎用モデルに最小限の追加データを投入するだけで、特定用途における精度を引き上げられる。
GAN（Generative Adversarial Network）
生成的敵対ネットワーク。二つのニューラルネットワークを競わせる機械学習フレームワーク。「生成器」は訓練データをもとにリアルなデータを生成し、「識別器」はその真偽を見抜こうとする。互いに競い合うことで、人間の介入なしに出力の品質が向上する。ディープフェイクツールなど特定用途で特に有効だが、汎用 AI には向いていない。
幻覚（Hallucination）
AI が事実と異なる情報を生成してしまう現象をさす業界用語。医療相談で誤った医学的アドバイスが返ってくるようなケースは実害につながるため、品質面での最大課題のひとつだ。学習データの欠落が原因と考えられており、ハルシネーション対策として、ドメイン特化型の垂直 AI モデルへのシフトが進んでいる。
推論（Inference）
AI モデルを実際に動かすプロセス。学習済みのパターンをもとに予測や結論を導き出す。学習なしに推論は存在しない。スマートフォンプロセッサからデータセンターの高性能 AI チップまで様々なハードウェアで実行可能だが、超大規模モデルをラップトップで動かすと推論速度が著しく低下する。
大規模言語モデル（LLM）
ChatGPT・Claude・Google Gemini・Meta Llama・Microsoft Copilot・Mistral Le Chat などの AI アシスタントの中核をなす AI モデル。数十億のパラメータ（重み）で構成される深層ニューラルネットワークであり、膨大な書籍・記事・会話録から言語パターンを学習する。プロンプトを受け取ると、そのパターンに最も合致する出力を生成する。
メモリキャッシュ（Memory Cache）
推論の効率を高めるための最適化技術。AI は高度な数学的計算を繰り返すため電力を大量消費するが、キャッシュは特定の計算結果を保存しておくことで再計算の回数を削減する。Transformer ベースのモデルで広く使われる KV（Key-Value）キャッシュは、回答生成にかかる時間と計算量を減らし、応答速度を向上させる。
MCP（Model Context Protocol）
AI モデルが外部ツールやデータ（ファイル・データベース・Slack・Google Drive など）に接続するためのオープン標準。開発者がペアごとにカスタムコネクターを構築する必要がなくなる。Anthropic が2024年に提案し、後に Linux Foundation へ移管。OpenAI・Google・Microsoft が採用し、近年のAI史上最速で普及した標準規格のひとつとなった。「AI のための USB-C ポート」と形容されることが多い。
MoE（Mixture of Experts）
ニューラルネットワークを多数の小規模な専門サブネットワーク（「エキスパート」）に分割し、タスクごとに最適なエキスパートだけを起動するモデルアーキテクチャ。ルーターが適切な専門家を選択することで、モデル全体を使わなくても高精度な出力を実現できる。Mistral AI の Mixtral がよく知られた例であり、OpenAI の新しい GPT モデルも同様のアプローチを採用していると広く推測されているが、公式確認はない。
ニューラルネットワーク（Neural Network）
ディープラーニング、そして LLM ブームを支える多層アルゴリズム構造。人間の脳のニューロン連結をモデルにしたアイデアは1940年代にさかのぼるが、ゲーム産業から普及した GPU の台頭によって初めて実用化された。GPU の並列処理能力が多層ネットワークの学習を可能にし、音声認識・自律走行・創薬など広範な分野でAIの性能を飛躍的に向上させた。
Neuralese（ニューラリーズ）
モデルが内部の数値表現のみで推論し、人間が読めるログを一切生成しない最悪シナリオを指す仮想用語。現時点で出荷済みのモデルがこれを実装しているわけではない。OpenAI は Astra モデルについて「Chain of Thought は可読状態を維持している」と述べ、Neuralese との同一視を否定している。ただし安全研究者は、後述する Opaque Recurrence の採用がその方向への第一歩だと指摘しており、Astra のリリース報道以降、この用語の検索・言及が急増している。
Opaque Recurrence（オペーク・リカレンス）
AI モデルが平文で段階的に推論する代わりに、同じクエリを内部層に繰り返し通す（ループさせる）手法。より小型のモデルが少ない計算リソースで高い性能を出せる利点がある反面、通常の Chain of Thought に比べて可読なログがほとんど残らない。AIの不正挙動を検出する主要ツールがこのログである以上、監視が著しく困難になると安全研究者は懸念している。OpenAI が2026年9月にリリースした Astra モデルが採用したことで注目を集めた。
オープンソース（Open Source）
ソフトウェア、および AI モデルの基盤となるコードを誰でも利用・検査・改変できる形で公開する概念。AI 分野では Meta の Llama ファミリーが代表例。世界中の研究者・開発者・企業が互いの成果を積み上げられるため技術進歩が加速し、閉鎖システムでは難しい独立した安全監査も可能になる。一方、GPT シリーズのようなクローズドソースではコードは非公開のまま製品のみが提供される。この対比は AI 業界における最大の議論のひとつとなっている。
並列化（Parallelization）
複数の処理を同時並行で実行すること。AI においては学習・推論の両方で不可欠な手法だ。現代の GPU は数千の計算を並列実行できるよう設計されており、AI 業界のハードウェア基盤となっている。モデルが大規模化するにつれ、多数のチップと多数のマシンにわたって処理を並列化できる能力が、モデルをいかに速く・低コストで構築・デプロイできるかを左右する最重要要素になっている。
RAMageddon（ラムゲドン）
RAM（ランダムアクセスメモリ）チップの深刻な供給不足を指す造語。大手 AI ラボがデータセンター向けに大量の RAM を買い占めているため、ゲーム（コンソール価格上昇）・コンシューマーエレクトロニクス（10年超で最大のスマートフォン出荷減）・企業 IT（自社データセンター向け調達困難）など幅広い産業に影響が及んでいる。供給ひっ迫が解消される見通しは現時点ではほとんどない。
Recurrent Depth（リカレント・デプス）
Opaque Recurrence と同じ技術的手法（クエリをモデルの層に繰り返し通す）の工学的正式名称。メディアでは両用語がほぼ互換的に使われる。「Recurrent Depth」はエンジニアリング寄りの表現、「Opaque Recurrence」は安全上の懸念を強調したフレーミングという違いがある。
再帰的自己改善（Recursive Self-Improvement / RSI）
AI モデルが人間の介入なしに自分自身を改善し始めるシナリオを指す。能力と自律性の急速な加速につながると考えられており、一部では「シンギュラリティ」に近い破滅的な瞬間として語られることもある。ただし「AI モデルが自分の後継モデルを設計できるか」という基礎的な工学的問いとしても定義できるため、実際にそれを目標として掲げる AI スタートアップも複数登場している。多くはその黙示録的含意を否定し、RSI を次の研究フロンティアとして位置づけている。
強化学習（Reinforcement Learning）
システムが試行と報酬のフィードバックから学ぶ学習手法。ラベル付きデータセットで学習する教師あり学習とは異なり、モデルが環境を探索しながら行動し、フィードバックに応じて挙動を更新し続ける。ゲームプレイ・ロボット制御・LLM の推論力強化に特に有効であることが実証されており、RLHF（Reinforcement Learning from Human Feedback） は主要 AI ラボがモデルをより有用・正確・安全に仕上げる中心的な技術になっている。
トークン（Token）
人間が使う自然言語と AI が扱うアルゴリズム的データとを橋渡しする最小単位。テキストをトークン化（Tokenization）することで LLM が処理可能な形に変換される。コンパイラが人間の言語をバイナリに変換するのに近い概念だ。エンタープライズ利用においては、ほとんどの AI 企業がトークン単位で料金を課金するため、業務での利用量が直接コストに響く。
トークンスループット（Token Throughput）
一定時間内に処理できるトークン量。AI インフラチームにとって、同時に何人のユーザーにサービス提供できるか・各ユーザーへの応答速度がどれだけ速いかを決める重要指標だ。AI 研究者の Andrej Karpathy は、AI サブスクリプションがアイドル状態のときに感じる「もったいなさ」を、大学院時代に高価な計算機ハードウェアが遊んでいるときの感覚になぞらえた。この感覚がトークンスループット最大化への強い動機になっているという。
学習（Training）
機械学習 AI の開発工程。データをモデルに投入し、パターンを学習させて有用な出力を生成できるようにするプロセス全体を指す。猫の画像認識でも俳句の自動生成でも、目標に向けてシステムの出力を調整していく。大量のデータと計算リソースが必要でコストが高くなる傾向があるため、ルールベース AI へのファインチューニングのようなハイブリッドアプローチがコスト管理の手段として活用されている。
転移学習（Transfer Learning）
既存の学習済みモデルを、異なるが関連するタスクの新モデルの出発点として再利用する技術。開発を効率化し、対象タスクのデータが少ない場合にも有効だ。ただし汎化能力に限界があり、特定ドメインで高精度を発揮するには追加データによる学習が必要になることが多い。
検証損失（Validation Loss）
AI モデルが学習中にどれだけ正しく学べているかを示す指標。値が低いほど良い。研究者はこれをリアルタイムの成績表として監視し、学習停止のタイミング・ハイパーパラメータの調整・問題の検出に活用する。特に注意すべき状態は**過学習（Overfitting）**で、モデルが訓練データを「本当に理解」するのではなく「暗記」してしまい、未知データへの汎化ができなくなる現象だ。「教科書を深く理解した学生」と「昨年の試験を丸暗記した学生」の違いと言える。
重み（Weights）
AI 学習の核をなすパラメータ。学習データの各入力変数（特徴量）にどれだけの重要度を置くかを決定し、モデルの出力を形成する数値だ。学習開始時はランダムに設定されるが、目標出力に近づけるよう逐次調整される。不動産価格予測モデルを例にとると、寝室数・バスルーム数・駐車場の有無といった特徴量がそれぞれ異なる重みを持ち、その重みが物件価値への影響度を反映している。