Contents
概要
人工ニューラルネットワーク（Artificial Neural Network、ANN）は、生物の神経回路の動作原理を計算モデルに落とし込んだアルゴリズムの総称である。1943年、神経科学者ウォーレン・マカロック（Warren McCulloch）と数学者ウォルター・ピッツ（Walter Pitts）が神経細胞の論理的な動作を形式化した論文を発表したことに端を発する。
基本単位は「ノード（ニューロン）」であり、複数の入力値に重みを掛けて総和し、活性化関数を通じて出力値を生成する。このノードが入力層・隠れ層・出力層の三つの層構造に配置され、層間の結合重みをデータから更新することで学習が成立する。
1980年代にバックプロパゲーション（誤差逆伝播法）が実用化されたことで多層ネットワークの訓練が可能になった。2012年、トロント大学のアレックス・クリジェフスキーらが深層畳み込みネットワーク「AlexNet」でImageNet分類競技を圧勝し、ディープラーニング時代の幕が開いた。
構造とメカニズム
順伝播と重みの役割
入力信号はネットワークを前向きに流れる（順伝播）。各ノードでは次の演算が行われる。
- 前層からの出力に結合重みを掛けて総和する
- バイアス項を加算する
- 活性化関数（ReLU・シグモイド・softmax など）を適用して次層へ渡す
重みの初期値はランダムに設定され、学習を通じて更新されていく。この重みの集合体がネットワークの「知識」に相当する。
バックプロパゲーションと損失最小化
訓練時、ネットワークの出力と正解の差（損失）を損失関数で定量化し、その勾配を出力層から入力層へ逆方向に伝播させる（バックプロパゲーション）。確率的勾配降下法（SGD）やその変種（Adam など）により、勾配の方向に重みを微小に更新する操作を繰り返す。
大規模なデータセットと GPU による並列演算の組み合わせが、この反復処理を現実的な時間で完了させた。
主要なアーキテクチャ
ネットワークの構造はタスクに応じて多様に発展した。
- 畳み込みニューラルネットワーク（CNN） — 局所的な空間パターンを階層的に抽出。画像認識の標準構造
- 再帰型ニューラルネットワーク（RNN）・LSTM — 時系列データや文章の系列依存性を扱う
- トランスフォーマー — 2017年に登場した注意機構（Attention）ベースの構造。GPT・BERT 等の大規模言語モデルの基盤となった
- 生成敵対ネットワーク（GAN） — 生成器と識別器を競わせることでリアルなデータを生成する
歴史的経緯
ANNの研究は複数回の「冬」を経験した。1970年代にはマービン・ミンスキーらによる単純パーセプトロンの限界指摘（XOR問題）が研究者の関心を冷却させた。バックプロパゲーションの普及が第二次の盛り上がりを招いたが、サポートベクターマシンなどの台頭により1990年代後半に再び停滞した。
ジェフリー・ヒントン、ヤン・ルカン、ヨシュア・ベンジオの三名——後に「ディープラーニングのゴッドファーザー」と称される——は、この停滞期も研究を継続した。2006年以降の計算資源と大規模データの整備が状況を一変させ、2012年以降は画像・音声・言語の各領域で従来手法を凌駕する性能が次々と報告された。
2017年のトランスフォーマー登場（Google Brain「Attention Is All You Need」）から、大規模言語モデル（LLM）の開発競争が本格化し、ANNは社会インフラとしての地位を確立しつつある。
現代への示唆
1. ブラックボックス問題と意思決定責任
ANNは高い予測精度を持つ一方、判断根拠を人間が追跡しにくい。医療・融資・採用などの高リスク領域で使用する場合、説明可能性（XAI）の確保と、最終判断の責任所在の明確化が経営上の課題となる。
2. データの質が競争優位を決める
ANNの性能はアーキテクチャよりも訓練データの量・質・代表性に依存する。自社に蓄積された業務データを構造化・ラベル化する能力が、AI活用における持続的な差別化要因になる。
3. 汎用技術としての位置づけ
電気・インターネットと同様、ANNは特定用途の道具ではなく、業種横断の汎用技術（General Purpose Technology）として機能し始めている。導入するかどうかの選択ではなく、どの業務プロセスに・どの深度で組み込むかの設計が問われる段階に入っている。
関連する概念
[ディープラーニング]( / articles / deep-learning) / [機械学習]( / articles / machine-learning) / [トランスフォーマー]( / articles / transformer-architecture) / [バックプロパゲーション]( / articles / backpropagation) / [活性化関数]( / articles / activation-function) / [大規模言語モデル]( / articles / large-language-model) / [アラン・チューリング]( / articles / alan-turing)
参考
- 原論文: McCulloch, W. S. & Pitts, W. (1943). “A logical calculus of the ideas immanent in nervous activity.” Bulletin of Mathematical Biophysics, 5, 115–133.
- 原論文: Rumelhart, D. E., Hinton, G. E., & Williams, R. J. (1986). “Learning representations by back-propagating errors.” Nature, 323, 533–536.
- 原論文: Vaswani, A. et al. (2017). “Attention Is All You Need.” NeurIPS 2017.
- 書籍: Ian Goodfellow, Yoshua Bengio, Aaron Courville『深層学習』（岩波書店、2018）
- 書籍: 岡谷貴之『深層学習 改訂第2版』（講談社、2022）