# AIの「学習」と「推論」とは？違いをテスト勉強とテスト本番のたとえで分かりやすく解説！ > AIの「学習」とは大量のデータからパターンを覚える段階、「推論」とは覚えたことを使って実際に答えを出す段階のことです。本記事では、それぞれの仕組み、計算や時間の違い、AIが最新の情報を知らない理由、画像認識やチャットAIでの具体例を図解で分かりやすく解説します！ - URL: https://toukei-lab.com/training-inference - 公開: 2026.10.28 - サイト: スタビジ（https://toukei-lab.com） :::talk{who="umatan"} 当サイト【スタビジ】の本記事では、AIの「学習」と「推論」について分かりやすく解説していきます！AIが使えるようになるまでの2つの段階の違いから、AIが最新の情報を知らない理由、具体例まで見ていきましょう！ ::: こんにちは！ウマたんです！ ChatGPTに質問したり、スマホの写真アプリで「猫」と検索したり。 AIは、もうすっかり生活の一部になっていますよね。 でも、そのAIが使えるようになるまでに、裏側でどんなことが起きているのかは、意外と知られていません。 実はAIには、大きく分けて「**学習**」と「**推論**」という2つの段階があるんです。 :::talk{who="man" side="left"} ニュースで「AIの学習に〇〇億円」とか「推論のコスト」とか聞くけど、何が違うの？ ::: :::talk{who="woman"} AIが最新のことを知らないことがあるのはなんで？ ::: 本記事では、次の4つを順番に解説していきます。 :::point **・AIの「学習」と「推論」とは？**\ **・学習：AIがパターンを覚える段階**\ **・推論：覚えたことを使って答える段階**\ **・学習と推論の違いと具体例** ::: 以下のYouTube動画でも解説していますので、あわせてチェックしてみてください！ ::youtube{#8cdDHWmhk6g} ## AIの「学習」と「推論」とは？ まずは結論からいきましょう！ **学習とは、AIが大量のデータを使って、パターンを覚える段階**です。 **推論とは、覚えたパターンを使って、実際に答えを出す段階**です。 英語では、学習を「**training（トレーニング）**」、推論を「**inference（インファレンス）**」と呼びます。 ### テスト勉強とテスト本番のたとえ 人間にたとえると、学習はテスト勉強、推論はテスト本番で問題を解くことに近いイメージです。 | | 学習 | 推論 | |---|---|---| | 人間にたとえると | テスト勉強 | テスト本番で問題を解く | | やること | 大量のデータからパターンを覚える | 覚えたことを使って答えを出す | | AIの中身（パラメータ） | 少しずつ書きかえていく | 変えずにそのまま使う | | 英語 | training | inference | テスト勉強では、たくさんの問題を解いて、答え合わせをして、間違えたところを直して……と、時間をかけて力をつけていきますよね。 一方テスト本番では、新しく勉強するのではなく、それまでに身につけた力を使って、目の前の問題をサッと解きます。 AIも、まったく同じなんです！ ## 学習：AIがパターンを覚える段階 まずは、AIがどうやって学習するのかを見ていきましょう。 ### 猫の写真を見分けるAIの例 AIの学習では、大量のデータを使って、AIに経験を積ませます。 たとえば、写真に写っているのが猫かどうかを見分けるAIを作りたいとします。 :::box{title="猫を見分けるAIの学習の流れ"} **1. 猫の写真と、猫ではない写真を大量に集める**\ **2. それぞれに「これは猫」「これは猫じゃない」という正解をつけて、AIに見せる**\ **3. AIは、自分の答えと正解のずれが小さくなるように、中身（パラメータ）を少し書きかえる**\ **4. これを何度も何度もくり返す** ::: 最初のAIは、でたらめに答えるだけです。 でも、答え合わせと修正をくり返すうちに、「とがった耳」「ひげ」「目の形」といった猫らしい特徴を、少しずつつかんでいきます。 この猫の例のように、人が正解をつけたデータで学ぶ方法は「**教師あり学習**」と呼ばれます。 ちなみに、ChatGPTのような大規模言語モデルの最初の学習では、文章の続きを当てる練習をくり返します。「今日は天気が」の次に来る言葉を予測して、実際の文章と答え合わせをするんです。 これなら、文章そのものが正解になるので、人が一つひとつ正解をつけなくても、インターネット上の大量の文章で学習できます。学習の方法はいろいろありますが、答え合わせをしながらパラメータを直していくという基本は同じなんです。 ### 中で起きているのは「パラメータの調整」 AIの中には、「**パラメータ**」と呼ばれるばく大な数の数値が入っています。 学習とは、ひとことで言うと、このパラメータを、正解に近い答えが出るように少しずつ調整していくことです。 どれだけ正解とずれているかを数値で表し、そのずれが小さくなる方向へ、パラメータをちょっとずつ動かしていきます。この「ずれが小さくなる方向へ少しずつ進む」方法は、最急降下法（勾配降下法）と呼ばれます。 ### 学習には大量のデータと計算が必要 学習のポイントは、大量のデータと、ものすごい計算の力が必要になることです。 その計算をこなすために、たくさんのGPU（画像処理用に生まれた、大量の計算を同時にこなすのが得意な半導体）と、ばく大な電力が使われます。 ChatGPTのもとになっているOpenAIのGPTシリーズのような大規模なモデルは、まさにこの巨大な学習を経て作られています。大規模なモデルでは、数千〜数万個のGPUを使って、数週間から数か月かけて学習することもあるんです。 ### 大規模言語モデルの学習は何段階かある ChatGPTのような大規模言語モデル（LLM）の場合、学習はいくつかの段階に分かれています。 | 段階 | やること | |---|---| | 事前学習 | インターネット上などの大量の文章で、言葉や知識を幅広く身につける | | 追加の学習 | 質問への答え方や、人にとって役立つ・安全な答え方を身につける | 追加の学習でよく使われる、人の評価をもとにAIを鍛える「RLHF」という方法については、以下の記事で解説しています。 ## 推論：覚えたことを使って答える段階 では、推論は学習とどう違うのでしょうか？ ### 推論は、学習ずみのAIが実際に答えること 推論は、学習を終えたAIが、実際に問題へ答えるときのプロセスです。 学習で手に入れた知識を使って、さまざまな頼みごとに答えます。 :::box{title="推論でAIがしていること"} **・文章を作る（チャットAIの返事など）**\ **・画像を見分ける（写真に写っているものを答えるなど）**\ **・予測する（明日の売上や需要を予測するなど）**\ **・翻訳する** ::: たとえば、あなたがChatGPTに何か質問を投げかけたとき、裏側で行われているのは、すべて推論なんです！ ### 推論の特徴 推論には、次のような特徴があります。 :::good **・1回あたりの計算は、学習に比べて圧倒的に軽い**\ **・その場ですぐに答えを返せる（リアルタイムで動く）**\ **・モデルが小さければ、スマホやパソコンなどの端末でも動かせる** ::: テスト本番で、1問ごとに教科書を一から読み直したりはしませんよね。身につけた力でサッと解くから、速いんです。 最近のスマホやパソコンには、AIの推論を速く動かすための専用の部品（NPUなど）が入っているものも増えています。 ### 推論のときには、AIの中身は変わらない ここで大事なポイントがあります。 推論のときには、AIの中身（パラメータ）は変わりません。 ChatGPTとたくさん会話しても、その場でAIのパラメータが書きかわって、どんどん賢くなっていくわけではないんです。 :::memo サービスによっては、利用者の会話の内容が、あとで次のモデルを学習するときのデータとして使われることはあります。ただしそれは、会話している最中ではなく、あとでまとめて行う「学習」の段階の話です。会話を学習に使われたくない場合は、各サービスの設定を確かめてみましょう。 ::: ## 学習と推論の違い それでは、学習と推論の違いを整理してみましょう！ ### 学習は1度だけ、推論は毎回 すごい計算と時間がかかる学習は、1度だけ、もしくは定期的に行われます。 一方、推論は、AIが使われるたびに毎回行われます。 ![学習は、ある時点までのデータを使って1回（または定期的に）行う重い処理。推論は、公開後に使われるたびに毎回行う軽い処理](/wp-content/uploads/2026/10/training-inference-timeline.jpg) | | 学習 | 推論 | |---|---|---| | 行うタイミング | 1度だけ、または定期的に | 使われるたびに毎回 | | 1回にかかる時間 | 数時間〜数か月（モデルの大きさによる） | 数秒ほど | | 必要なもの | 大量のデータ、たくさんのGPU、ばく大な電力 | 学習ずみのモデルと、入力されたデータ | | 動かす場所 | 大きなデータセンター | クラウドのサーバー、スマホやパソコンなど | | たとえると | テスト勉強 | テスト本番 | 高い精度のAIを作るための学習は、時間もお金もかかりすぎるので、毎日はできないんです。 ### Pythonで見る、学習と推論 学習と推論の違いは、Pythonで機械学習のコードを書いてみると、とてもよく分かります。 機械学習のライブラリ「scikit-learn」では、学習は `fit`、推論は `predict` という命令ではっきり分かれています。 ```python from sklearn.datasets import load_iris from sklearn.linear_model import LogisticRegression import joblib # 学習用のデータ（アヤメの花の大きさと、品種の正解） X, y = load_iris(return_X_y=True) # 学習：データからパターンを覚える（重い処理は、ここで1回だけ） model = LogisticRegression(max_iter=1000) model.fit(X, y) joblib.dump(model, "iris_model.joblib") # 学習ずみのモデルを保存 # 推論：保存したモデルを読み込んで、新しい花の品種を答える（何度でも） model = joblib.load("iris_model.joblib") new_flowers = [[5.1, 3.5, 1.4, 0.2], [6.7, 3.0, 5.2, 2.3]] print(model.predict(new_flowers)) ``` 実行すると、`[0 2]` と表示されます。1つ目の花は品種0（セトサ）、2つ目の花は品種2（バージニカ）だと答えたわけです。 学習ずみのモデルをファイルに保存しておけば、あとは読み込んで `predict` を呼ぶだけ。もう一度学習し直さなくても、新しいデータに何度でも答えられます。 ChatGPTのような巨大なAIも、規模はまったく違いますが、「重い学習を一度やって保存し、そのモデルで何度も推論する」という流れは同じなんです。 ### AIが最新の情報を知らない理由 ChatGPTなどの生成AIが、ある時期より新しい情報を知らないことがあるのも、この学習の仕組みが理由です。 AIは、ある日付までに集めたデータで学習しています。そして、学習を終えたあとは、パラメータは更新されません。 当たり前ですが、学習に使ったデータより新しいことは、AIは知らないんです。 この「どの時点までのデータで学習したか」は、「知識のカットオフ（締め切り）」と呼ばれます。 :::ref 最近のチャットAIの多くは、質問に答えるときにWeb検索をしたり、社内の資料を探してきたりして、新しい情報を補えるようになっています。これは、AIの中身を学習し直しているのではなく、推論のときに、新しい情報を手がかりとして一緒に渡しているんです。こうした仕組みは「RAG（検索拡張生成）」と呼ばれます。 ::: ### 具体例で見る、学習と推論 最後に、具体的な例で、学習と推論の違いを見てみましょう！ | AIの種類 | 学習の段階 | 推論の段階 | |---|---|---| | 画像認識AI | 数百万枚の画像から、「猫とは何か」を学ぶ | 新しい写真を見て、「これは猫です」と判定する | | チャットAI | 大量の文章を読んで、言葉のパターンを覚える | 質問に、自然な文章で答える | | レコメンドAI | 数百万人のユーザーの行動データから、好みのパターンを学ぶ | あなたの好みに合う動画や商品を表示する | このように、AIがふだんの動作として行っているのは推論です。 でも、その裏には、ばく大な学習が存在しているというわけです！ ## 「推論」という言葉の注意点 最後に、「推論」という言葉について、少しだけ注意しておきたいことがあります。 ### 「推論モデル」の推論は、少し意味が違う 最近、「推論モデル」という言葉をよく聞くようになりました。答える前にじっくり考えてから答えるタイプのAIのことです。 この「推論モデル」の推論は、英語では「**reasoning（リーズニング）**」。筋道を立てて考える、という意味です。 一方、本記事で解説してきた推論は「**inference**」。学習ずみのAIを動かして答えを出すこと全般を指します。 | 日本語 | 英語 | 意味 | |---|---|---| | 推論 | inference | 学習ずみのAIを動かして答えを出すこと | | 推論（推論モデルなど） | reasoning | 答えを出す前に、筋道を立てて考えること | 日本語ではどちらも「推論」と訳されることが多いので、混ざりやすいんです。 ちなみに、推論モデルは、推論（inference）のときに考える時間を長くとることで、難しい問題に強くなっています。そのぶん、1回の推論にかかる計算も増えます。 ### 推論のコストも、どんどん大事になっている 学習は1回ごとの計算がとても重い一方、推論は1回あたりなら軽い処理です。 でも、世界中の人が毎日AIを使うようになると、推論の回数そのものがばく大になります。さらに、じっくり考える推論モデルが広がったことで、1回の推論にかかる計算も増えてきました。 そのため最近は、「いかに速く・安く推論するか」も、AIの会社にとって大きなテーマになっています。小さくて軽いモデルや、推論専用の半導体が次々に登場しているのも、この流れなんです。 :::point 普段の会話で、AIの「学習」の話をしているのか、「推論」の話をしているのかを、しっかり見分けられるようになっておきましょう！ニュースの「AIのコスト」や「GPUが足りない」といった話も、ぐっと分かりやすくなりますよ。 ::: ## AIの学習と推論のまとめ 最後に、今回のポイントをおさらいしましょう！ :::point **・学習は、AIが大量のデータから知識やパターンを覚える段階。計算が重く、時間がかかる**\ **・推論は、覚えたことを使って答えを出す段階。速くて軽い**\ **・学習は1度だけ、または定期的に。推論はAIが使われるたびに毎回行われる**\ **・AIが最新の情報を知らないのは、ある時点までのデータで学習しているから**\ **・推論モデルの「推論（reasoning）」とは、言葉は同じでも意味が少し違う** ::: :::talk{who="umatan"} 要は、学習はAIのテスト勉強、推論はテスト本番なんです！AIを使うとき、裏側でどちらが起きているのかを意識すると、AIとの付き合い方がぐっと上手になりますよ！ ::: AIや機械学習の仕組みを基礎から体系的に学びたいのであれば、当メディアが運営するスクール「**[スタアカ](https://toukei-lab.com/achademy/)**」がオススメです！ :::box **[業界最安級のAIデータサイエンス特化スクール「スタアカ」](https://toukei-lab.com/achademy/)** :::