「強いAI / 弱いAI」を取り巻く中核キーワード群です。 検索やインデックス作成で参照する際の手がかりにしてください。 各キーワードは関連する概念・手法・道具立てを含み、 文献検索や学習計画の起点になります。
最も忙しい読者のために、 まず結論だけまとめます。 詳細は以下のセクションへ：
ニュースで「AGI が来年来るかも」 「ChatGPT は強い AI に近づいた」のような話を聞いたとき、 何を意味しているかを判断する基準になります。 また、 SSDSE のような統計データを扱う 普通のデータ分析の AI は明確に 弱い AI に属することを押さえておくと、 過度な期待や恐れに振り回されません。
このページの読み方：まず 30秒結論 と 直感 を読み、 必要に応じて 数式 や 計算例、 落とし穴 に進んでください。
料理に喩えてみましょう。
世の中で動いている AI のほぼ全ては「専門店」です。 翻訳 AI は囲碁を打てないし、 囲碁 AI は翻訳できない。 タスクを変えるたびに 別モデルを学習し直す 必要があります。
一方、 ChatGPT のような 大規模言語モデル は「翻訳もできる、 要約もできる、 コードも書ける」と 多芸 に見えます。 ここから「AGI に近い」という議論が出てきますが、 研究者の見解は分かれています。
強い AI / 弱い AI は数学的定義というより 哲学的・分類的概念 です。 形式化は難しいですが、 「能力の汎用性 G」 と 「人間水準達成率 H」 を使った次のような枠組みで整理されることがあります：
具体例で「弱いか強いか」を判定する練習をしてみましょう。
| システム | 分類 | 理由 |
|---|---|---|
| Google 翻訳 | 弱い AI | 翻訳タスク専用 |
| AlphaGo | 弱い AI | 囲碁専用、 将棋は打てない |
| ChatGPT (GPT-4) | 弱い AI（広範囲） | 汎用的に見えるが、 物理身体や長期記憶を持たない |
| 人間レベルの汎用ロボット | 強い AI | 未実現 |
最小再現コード。 SSDSE-B のような実データを前提に、 4〜8 行で動く例です：
# 「強い/弱い AI」自体は実装するものではなく分類概念。
# ここでは「弱い AI」の代表 — タスク特化モデルの典型例を示す
from sklearn.linear_model import LogisticRegression
from sklearn.datasets import load_iris
X, y = load_iris(return_X_y=True)
clf = LogisticRegression(max_iter=1000).fit(X, y)
print('iris分類精度:', clf.score(X, y)) # 1タスク特化 = 弱いAI
補足：ライブラリのバージョンや前処理状態によって出力は変わります。 自分の環境で動かすときは pip list でバージョンを確認し、 入力 CSV のパス・列名を実態に合わせてください。
強いAI / 弱いAI を実務で扱うとき、 多くの分析者が同じところでつまずきます。 代表的な失敗パターンを先回りで押さえておくと、 後工程のトラブルを大幅に減らせます。
※ 上記は文献調査・現場経験で報告される頻度の高い注意点。 ドメインや手法のバージョンによって追加の落とし穴がある場合があります。
強いAI / 弱いAI は「AI基礎」分野の中で発展してきた概念・手法です。 学術的には継続的な研究で精緻化され、 実務的にはツール・ライブラリの普及で誰でも使えるようになってきました。 用語の使い方・意味は時代と分野で少しずつ変わるため、 文脈に応じた解釈が大切です。 入門書だけでなく、 標準的な教科書（例：データサイエンス・統計学の定本）や信頼できるオンライン教材も併用すると、 ぶれない理解に近づけます。
「強いAI / 弱いAI」は単独で完結する概念ではなく、 より大きな分野の一部です。 上位カテゴリの教材を読むことで、 この用語の 位置づけ が立体的に見えてきます：
「強いAI / 弱いAI」 はこのページで詳しく扱った概念です。 持ち帰ってほしい 3 つの要点：
さらに学ぶには、 関連用語 や 関連グループ教材 を参照してください。 各用語ページを縦断的に読むことで、 体系的な理解が育ちます。