AIの種類

世の中のAIの全体地図。種類と、それぞれの「正体（裏で動くモデル）」を整理する。

2026年7月時点

第 1 部まず全体像 ― 生成AIと従来型AI AIは大きく「生成する／しない」で分かれる。見えているアプリの裏で動く「モデル」まで見る。

1-1まず大きく2つに分かれる ―「生成する」AIと「しない」AI

「AI」と一口に言っても中身はバラバラ。最初の分かれ道は、新しく作り出す「生成AI」と、識別・分類・予測する「従来型AI（識別系AI）」の2つ。出力の性質が根本的に異なる。

生成AI

文章・画像・音声・動画・コードを新しく作り出す。出力＝新規のコンテンツ。

例：ChatGPT（文章）、画像生成、音声合成

従来型AI（識別系AI）

既存データを識別・分類・予測する。「これは何か」を当て、境界線を引く。出力＝ラベル・数値・判定。

例：迷惑メール判定、顔認証、レコメンド、需要予測、異常検知、医療画像診断

従来型AIの各例と役割：迷惑メール判定＝迷惑メールか否かの2分類／顔認証＝登録した本人との照合／レコメンド＝好みそうな商品・動画の予測／需要予測＝発注・在庫の最適化／異常検知＝製造ラインの検品／医療画像診断＝画像からの異常箇所の指摘。

区分の一言：識別系＝見分ける／当てる、生成系＝生み出す／作る。いま世間が沸いている“AIブーム”は生成AIの話だが、検索や通販のおすすめ、スマホの顔認証など、身の回りには従来型AIも数多く動いている。

イメージ従来型AIは仕分け係・鑑定士（持ち込まれた物を○×で判定する係）。生成AIは書き手・描き手（ゼロから文章や絵を起こす創作担当）。

1-2アプリとモデルは別もの

ChatGPT・Claude・Gemini などは、AIを使うための「サービス（アプリ）」の名前。その裏側では GPT・Claude・Gemini といった「モデル（本体）」が動いている。

さらに、世の中の多くのAIアプリや業務サービスは、これらのモデルをAPIで呼び出して作られている。例：文書作成の補助、社内チャットボット、コード補助、検索・要約ツールなど。

つまり利用者から見ると「AIアプリ」に見えても、中身は「アプリ＋API＋モデル」という構造になっていることが多い。表に出ているアプリ名だけでなく、裏で動くモデルの種類まで見ていく。

図利用者に見えるのは「アプリ」。その下で API を通じて「モデル（本体）」が動いている。

第 2 部生成AIカタログ ― 種類と、その正体生成AIをモダリティ（扱うもの）ごとに7ジャンルで並べ、裏で動くモデルまで見る。

ここからが本体。生成AIを「扱うもの（モダリティ）」ごとに並べ、裏でどんなモデルが動いているのかまで見ていく。各ジャンルの見方は共通で、入力→出力／正体（裏のモデル）／代表ツール／使いどころ。ツールのバージョンより「種類・役割」を軸に読むとよい（この分野は主役の入替が速い）。

図生成AIの7ジャンル。この章では1ジャンルずつ、正体まで掘り下げる。

2-1テキスト（LLM）大規模言語モデル

入力→出力

言葉 → 言葉（要約・翻訳・作文・調べ物・分析）

正体

Transformer（2017年の論文「Attention is All You Need」が起点）。中核はAttention＝文中で注目すべき語を判断する仕組み。文章生成の実態は「直前の文脈から次に来る確率が最も高い語を1語ずつ予測してつなげる」こと。

代表ツール

ChatGPT（GPT-5.5系）／ Claude（Fable 5・Opus 4.8・Sonnet 5 など）／ Gemini（3系）／ Ollama（ローカル実行）　※2026年7月時点

使いどころ

メール・資料の下書き、要約、翻訳、調べ物、相談相手。AI活用の入口。

図LLMは「意味を理解して書く」より、次に最も自然な語を1つずつ当て続けている。

イメージ 超高精度の予測変換／連想ゲーム。Attentionは大事な語に引く蛍光ペン。

OpenAI：ChatGPT / APIで使われる代表モデル

モデル	種類	特徴	向く用途
GPT-5.5	文章・推論	複雑な推論、コーディング、専門業務の基準になるフラッグシップ。1M級文脈。	難しい文書、分析、設計、コード、長い資料の処理。
GPT-5.4 mini / nano	軽量LLM	低コスト・低遅延の小型系。日常処理を高速に回しやすい。	要約、分類、短い下書き、大量処理、簡単な自動化。

GPT-5.6 は限定プレビューのため補足扱い。一般的な資料では GPT-5.5 を基準に置く。画像（GPT Image 2）・動画（Sora 2）は 2-2／2-6 で扱う。

Anthropic：Claudeで使われる代表モデル

モデル	種類	特徴	向く用途
Claude Fable 5	最上位	最も高い能力を狙うモデル。長時間の推論・エージェント作業向け。1M文脈。	複雑な調査、長い業務、戦略検討、難しい分析。
Claude Opus 4.8	高性能	複雑なエージェント型コーディング・企業業務向け。1M文脈。	コード、設計、業務文書、企業利用。
Claude Sonnet 5	バランス	速度と知能のバランスがよく、日常業務に使いやすい。1M文脈。	資料作成、要約、調査、コーディング補助。
Claude Haiku 4.5	高速	最速・軽量。短い処理や大量処理に向く。200k文脈。	分類、抽出、チャット、低遅延処理。

Claude Mythos 5 は限定提供のため、通常の代表モデル表では補足扱い。

Google：Geminiで使われる代表モデル

モデル	種類	特徴	向く用途
Gemini 3.5 Flash	文章・推論	Gemini 3系の安定版。エージェント作業やコーディングで高い性能を狙う。	調査、文章作成、業務支援、コーディング。
Gemini 3.1 Pro	高性能	高度な推論、複雑な問題解決、エージェント作業向けのプレビュー。	難しい分析、設計、複雑なタスク分解。

画像（Nano Banana 2）・動画（Veo 3.1）は 2-2／2-6 で扱う。

ローカルで使えるAI：Ollamaで動かす代表モデル

モデル/ツール	種類	特徴	向く用途
Ollama	実行ツール	Mac / Linux / Windowsで、モデルを手元PCに入れて動かすための道具。	社内検証、学習、ネットに出しにくい文章の試作。
gpt-oss 20B / 120B	OpenAI系	OpenAIのオープンウェイトモデル。推論、エージェント、開発用途を意識。	ローカル推論、開発支援、カスタム検証。
Gemma 4	Google系	テキスト・画像入力に対応する軽量/中型のローカル向けモデル群。	画像を含む確認、PC上での試作、教育用途。
Qwen 3 / Llama / DeepSeek-R1	オープン系	サイズや得意分野が異なる定番のオープンモデル。用途に合わせて選ぶ。	文章生成、推論、コード、比較検証。

ローカルAIは「クラウドAIの完全な代替」ではなく、コスト、機密性、実験しやすさを重視するときの選択肢。

図クラウドAIは高性能で更新が速い。ローカルAIは手元PCで動かせるが、速度や扱えるモデルはPC性能に左右される。

2-2画像生成言葉から画像

入力→出力

テキスト指示 → 画像

正体

代表的な方式は拡散モデル（Diffusion）。学習画像に少しずつノイズを加える過程を逆にたどり、純粋なノイズから不要分を段階的に取り除いて画像を復元する。ただし画像生成は一枚岩ではなく、OpenAI の GPT Image 2 のように専用モデルとして提供されるものもある。

代表ツール

Midjourney V8.1／ChatGPT画像・OpenAI API（GPT Image 2）／Gemini画像（Nano Banana 2）／Adobe Firefly／Stable Diffusion 3.5／FLUX.2

使いどころ

資料の挿絵、バナー、SNS画像、モックアップ。

補足

Adobe Firefly は学習データをライセンス済み中心にした商用配慮の設計で、法人業務で選ばれやすい。

図拡散モデル：砂嵐（ノイズ）から不要分を段階的に取り除き、絵を「彫り出す」。

イメージ 砂嵐（ノイズ）＝大理石、AI＝彫刻家。プロンプトを設計図に、余分なノイズを削り落として像を彫り出す。「白紙に描き足す」のではなく「ノイズから不要分を除く」逆転の発想。

画像生成の代表モデル・ツール

モデル/ツール	系統	特徴	向く用途
GPT Image 2	OpenAI	画像生成・編集の専門モデル。ChatGPT から（画像機能）や OpenAI API で使える。	資料挿絵、バナー、画像修正、商品イメージ。
Nano Banana 2 / Pro	Google	画像生成・編集の系列（高速版〜高品質版）。Gemini から画像機能として使える。	画像制作、デザイン案、ビジュアル素材。
Midjourney V8.1	専用サービス	写実感、雰囲気、ライティングに強い画像生成サービス。	ビジュアル案、広告素材、世界観の検討。
Adobe Firefly	制作向け	Adobe製品連携と商用配慮が強み。企業・制作現場で使いやすい。	デザイン業務、ブランド素材、Adobeワークフロー。
Stable Diffusion 3.5 / FLUX.2	オープン/高性能	ローカル実行や細かな調整に向くモデル群。自由度が高い。	研究、検証、カスタム画像生成、ローカル環境。

GPT Image 2（ChatGPT）・Nano Banana 2（Gemini）は、チャットサービスの画像機能として組み込まれており、文章のやり取りの延長で画像を作れる。

2-3画像認識（読み取り）画像・写真を読み取る

入力→出力

写真・図・スクショ → 説明・分析・情報抽出

正体

かつて独立していたビジョンモデルが、現在はLLMに統合（Vision-Language Model）。画像を数値表現に変換し、「見て・読んで・答える」を一体で行う。文字認識（OCR）もここに含まれる――かつては専用の従来型AIだったが、今は画像認識の一機能。

代表ツール

ChatGPT／Claude／Gemini に画像を貼るだけ（専用ツール不要）

使いどころ

OCR（文字認識）＝手書きメモやスクショの文字起こし、請求書・名刺・レシートのデータ化。ほかにグラフ・図の読み取り、エラー画面の解読。

画像認識・読み取りの代表モデル・ツール

モデル/ツール	系統	特徴	向く用途
ChatGPT / GPT-5.5	VLM	画像、表、スクショを見て説明・要約・分析できる。	図表の読み取り、エラー画面の相談、画像付き文書。
Claude	VLM	長い資料や文書画像の読み取りに使いやすい。	PDF、契約書、業務資料、OCR後の整理。
Gemini	マルチモーダル	画像に加え、音声・動画を含む横断的な理解に強い。	動画・画像を含む調査、現場写真の確認。
OCR専用サービス	従来型AI	帳票・請求書などの定型読み取りに強い。	経理、申請書、名刺、レシートのデータ化。

2-4音声合成(TTS)・認識(STT)

入力→出力

合成(TTS)＝文章 → 音声（読み上げ）／認識(STT)＝音声 → 文章（文字起こし）。向きが真逆。

代表ツール

合成＝ElevenLabs（Eleven v3、感情タグで抑揚制御）／認識＝Whisper（large-v3、オープンソース）・ElevenLabs Scribe（話者分離）

使いどころ

合成＝ナレーション、マニュアルの読み上げ、多言語アナウンス／認識＝議事録、取材の書き起こし、字幕、音声メモのテキスト化（話者分離で「誰の発言か」も整理）。

音声の代表モデル・ツール

モデル/ツール	種類	特徴	向く用途
Whisper large-v3	STT	音声を文字にするオープンソース系の定番。	会議録、取材、字幕、自己ホスト検証。
ElevenLabs Scribe	STT	文字起こしに加えて、話者分離に対応。	複数人会議、インタビュー、議事録。
Eleven v3	TTS	感情タグで抑揚や話し方を制御しやすい音声合成。	ナレーション、教材、案内音声。
Realtime / Audio系	会話音声	低遅延で話す・聞く体験を作る音声AI。	音声チャット、接客、通話型アシスタント。

2-5音楽生成曲を作る

入力→出力

テキスト・歌詞 → 歌唱＋伴奏つきのフル楽曲

代表ツール

Suno（v5.5）／Udio／AIVA（劇伴・MIDI書き出し）／ElevenLabs Music

使いどころ

動画・ポッドキャストのBGM、ジングル、店舗・イベントの環境音楽。

音楽生成の代表モデル・ツール

モデル/ツール	種類	特徴	向く用途
Suno v5.5	歌もの	歌詞と指示から、歌唱つきの楽曲を作りやすい。	SNS動画、デモ曲、ジングル案。
Udio	歌もの	楽曲生成に強いが、提供形態や権利状況の確認が重要。	楽曲案、歌入りBGM、試作。
AIVA	劇伴/インスト	インスト曲や劇伴、MIDI書き出しに向く。	動画BGM、ゲーム音楽、店舗BGM。
ElevenLabs Music	音楽生成	音声AI系サービスから拡張された音楽生成。	短いBGM、効果的な音素材の試作。

注意学習データの権利が最大の論点。大手レコード会社との和解が進行中（ユニバーサル×Udio、ワーナー×Suno）だが、ソニーは係争を継続しており、2026年7月に重要な判断が見込まれる。商用利用の際は、各サービスの規約とエクスポート可否（ダウンロード不可のツールもある）を必ず確認する。

2-6動画生成言葉から映像

入力→出力

テキスト・画像 → 短い動画。最近は映像と音声を一体で生成できる。

正体

拡散モデルの動画版。ノイズからの復元を時間軸方向に拡張したもの。

代表ツール

OpenAI Sora 2／Google Veo 3.1／Kling 3.0／Runway Gen-4.5／Seedance 2.0

使いどころ

プロモ・SNSショート動画、商品説明、企画のイメージ映像、研修映像。

動画生成の代表モデル・ツール

モデル/ツール	系統	特徴	向く用途
Sora 2 / Pro	OpenAI	テキスト・画像・動画参照から短い動画を生成・編集できる。	企画動画、説明動画、広告案。
Veo 3.1	Google	高品質な映像生成と音声一体生成が強み。	映像制作、商品紹介、プロモーション。
Runway Gen-4.5	制作向け	動画生成と編集ワークフローをまとめやすい。	映像編集、短尺動画、クリエイティブ制作。
Kling 3.0 / Seedance 2.0	動画特化	短尺動画の生成品質や動きの自然さを競うモデル群。	SNS動画、コンセプトムービー、比較検証。

注意動画生成は特に主役の入替が速い分野。個別ツール名より「拡散モデルの動画版」「映像と音声を一体で生成するモデル」という種類で捉えておくと、流行が変わっても迷わない。

イメージ静止画の拡散が「1枚の絵を彫る」なら、動画版はパラパラ漫画の全ページを、前後のつながりを保ちながら同時に彫る。音声一体生成は「無声映画にアフレコ」から「役者が最初から喋りながら演じる」への移行。

2-7コード生成・PC操作AIエージェント

入力→出力

指示 → プログラム生成に加え、ファイル操作・調査・作業までを自律実行。

正体

LLM＋ツール利用（tool use）。モデルがタスクを分解し、ファイル編集・コマンド実行・ブラウザ操作などの外部ツールを自律的に呼び出す。さらにPC操作（computer use）で、人間と同じようにアプリを操作する。

代表ツール

Claude Code／GitHub Copilot／Cursor／Devin

使いどころ

プログラミング、ファイル整理、Webからの情報収集・入力、定型事務の自動化。非エンジニアの業務にも波及（RPAの後継）。

コード生成・PC操作の代表ツール

ツール	種類	特徴	向く用途
Claude Code	開発エージェント	コードベースを読み、編集・実行・確認まで進める。	実装、修正、リファクタ、調査。
GitHub Copilot	IDE補助	エディタ内で補完・説明・修正を支援する。	日常的なコーディング、レビュー補助。
Cursor	AI IDE	エディタ全体がAI利用を前提に設計されている。	複数ファイル編集、仕様からの実装。
Devin	自律型	タスク単位で調査から実装まで進めるAIエンジニア型。	開発タスクの委任、検証、プロトタイプ。

イメージ「コードを書くだけの新人」から、「自分で調べ・手を動かし・確認まで回す自走する部下」へ。computer use は、画面とマウス・キーボードを渡されたデジタル派遣スタッフ。

第 3 部全体像を押さえる ― マルチモーダルと土台種類の境界が溶ける「マルチモーダル」と、すべての土台にある機械学習・ディープラーニング。

3-1キーワード：マルチモーダル

ここまで種類ごとに分けて説明してきたが、最近はその境界が溶けつつある。マルチモーダル＝1つのAIで文字・画像・音声（一部は動画）を扱うこと。

図文章を書かせ、写真を見せて質問し、声で話す ―― を1つのAIがまとめて扱う。

現状：「理解」のマルチモーダルはほぼ全社標準。主要AI（Claude・ChatGPT・Gemini）で当たり前に。
「LLM＝文字だけ」という理解はもう古い。

3-2AIの全体像 ― 機械学習・ディープラーニング

生成AIも従来型AIも、同じ土台の上に立つ。その土台が「機械学習」、中核技術が「ディープラーニング（深層学習）」。

図包含関係。AI ⊃ 機械学習 ⊃ ディープラーニング。生成AI・従来型AIは一番奥の技術の「2つの使い道」。

生成AI ／従来型AI（私たちが使うAI）

ディープラーニング（深層学習） ― 中核技術

機械学習 ― データからパターンを学ぶ仕組み

機械学習：データからパターンを自動的に学び、予測・判断する手法。
ディープラーニング：機械学習の一分野で、深層ニューラルネットワークを用いる手法。
注意：「生成AI＝ディープラーニング」ではない（同義ではない）。

ここでは位置関係だけ掴めれば十分。

イメージ 同心円／マトリョーシカ。外から順に AI → 機械学習 → ディープラーニング。生成AIと従来型AIは、その一番奥の技術を使った「2つの使い道」。

参考・出典（2026年7月時点）

生成AIと従来型AIの違い（クラウドコンタクトセンター／HubSpot Japan／AI総研）
AI・機械学習・深層学習の関係（AIkentei ほか）
Models / GPT-5.5 Model（OpenAI API 公式）／Models overview（Anthropic 公式）／Models（Gemini API 公式）／Ollama Library・Download（Ollama 公式）
Attention Is All You Need 解説（Grune AI）／LLMの仕組み（Salesforce）
Midjourney 公式 Version／GPT Image 2 Model・Image generation（OpenAI API 公式）／Firefly gen-AI approach（Adobe 公式）／Stable Diffusion 3.5（Stability AI）
Eleven v3（ElevenLabs 公式）／Whisper large-v3（Hugging Face）
Warner×Suno 和解（Forbes）／UMG×Udio 和解（Billboard）／Music AI Lawsuits Tracker 2026（Chartlex）
Video generation with Sora（OpenAI API 公式）／Veo 3.1（Google DeepMind）
Claude computer use（CNBC）／Best AI Coding Agents 2026（Blink）

※ モデルのバージョン・提供状況・訴訟状況は変化が速い。配布前に再確認する。