AIの7つの種類とは?初心者が押さえる分類と学び方
最終更新:November 12, 2026読了時間:約1分
チェスで世界王者を破ったコンピュータと、あなたのスマホで動く音声アシスタントは、同じ「AI」という言葉で呼ばれます。でも、その中身はまったく別物です。この記事では、AIの7つの種類をできるだけやさしく整理して、どこまでが現実で、どこからがSFの話なのかをはっきりさせます。
「AIの7つの種類」という分け方は、大きく2つの軸でできています。ひとつは能力による分類、もうひとつは機能による分類です。この2つを混ぜて並べると7つになる、というのが一般的な説明です。順番に見ていきましょう。
能力で分けた3つのAI
まずは「どこまで賢いか」という視点です。ここは3段階あります。
特化型AI(Narrow AI)
今あなたが日常で触れているAIは、ほぼすべてこれです。ひとつの決まった仕事だけを得意とするAI。たとえば、Netflixのおすすめ表示、Google翻訳、ChatGPT、スパムメールの自動振り分け。どれも一見すると万能そうですが、実際には「決められた範囲の中でしか動けない」という共通点があります。翻訳が得意なAIに将棋を指させることはできません。
汎用型AI(General AI)
人間と同じように、どんな分野でも学んで応用できるAI。初めての問題に出会っても、過去の経験を別の場面に転用して対応する——いわば「人間並みの知能」です。研究は進んでいますが、2025年時点で実用化されたものは存在しません。あくまで目標、あるいは仮説の段階です。
超知能AI(Super AI)
人間の知能をあらゆる面で超えるとされる、理論上のAI。映画に出てくる「人類より賢い機械」のイメージに近いものです。今のところ完全にSFの領域で、技術的な裏付けがあるわけではありません。ニュースで「AIが人類を超える」と煽られるとき、だいたいこの話と現実の特化型AIが混同されています。
機能で分けた4つのAI
次は「どんな仕組みで判断しているか」という視点で、こちらは4段階です。
反応型マシン(Reactive Machines)
記憶を持たず、その場の入力だけに反応するタイプ。過去のデータを蓄積しません。有名な例が、1990年代にチェス王者を破ったIBMのDeep Blueです。盤面を見て最善手を計算するだけで、「前の対局で何が起きたか」は一切覚えていません。
限定記憶(Limited Memory)
直近の情報を一時的に記憶して判断に使うタイプ。自動運転車がこれにあたります。周囲の車のスピードや車線の位置を数秒間覚えておき、それをもとにブレーキやハンドルを操作します。今の機械学習システムの多くはこのカテゴリです。
心の理論(Theory of Mind)
相手の感情や意図、信念を理解して動くAI。人間が「あの人は今イライラしているから話しかけないでおこう」と考えるような判断を、機械が行う段階です。研究レベルでは試みられていますが、まだ実現していません。
自己認識(Self-aware AI)
自分自身の存在や状態を意識するAI。感情や自我を持つとされる、いちばん遠い未来の概念です。現時点では哲学や理論の中だけに存在します。
7つを一枚で見る
| 分類の軸 | 種類 | 現状 | 身近な例 |
|---|---|---|---|
| 能力 | 特化型AI | 実用化済み | ChatGPT、翻訳、レコメンド |
| 能力 | 汎用型AI | 研究段階 | (実在せず) |
| 能力 | 超知能AI | 理論のみ | (実在せず) |
| 機能 | 反応型マシン | 実用化済み | Deep Blue |
| 機能 | 限定記憶 | 実用化済み | 自動運転車 |
| 機能 | 心の理論 | 研究段階 | (実在せず) |
| 機能 | 自己認識 | 理論のみ | (実在せず) |
こうして並べると、私たちが仕事や生活で実際に使っているAIは、7つのうち3つだけだとわかります。残りの4つは、まだ現実の製品になっていません。ニュースの見出しに振り回されず、この区別を頭に入れておくと冷静に判断できます。
「AIかデータサイエンスか」で迷ったら
ここまで読むと、AIとデータサイエンスの違いも気になってくるはずです。ざっくり言うと、データサイエンスは「データから意味を引き出して意思決定を助ける」仕事、AIは「その知見をもとに自動で判断・予測する仕組みを作る」仕事です。実務では重なり合う部分が多く、どちらを学んでも両方の基礎に触れることになります。
たとえば東京のECサイトで「どの商品がよく一緒に買われるか」を分析するのはデータサイエンスの領域。その結果を使って自動でおすすめを出す仕組みを組むとAIの領域に入ります。両者の線引きについては、AIとデータサイエンスの違いと選び方をまとめた解説で具体的に比べています。
私の意見を言えば、初心者はこの2つを分けて考えすぎない方がいいです。PythonとStatisticsの基礎、そして機械学習の考え方は、どちらに進むにしても必ず土台になります。まず手を動かして、興味の方向が見えてから専門を絞る——これが遠回りに見えて一番早いルートです。
どう学び始めるか
独学でも始められますが、つまずきやすいのは「何を・どの順で学ぶか」の設計です。確率統計、Python、データの前処理、機械学習、そして実際のプロジェクト。この順序を自分で組むのは意外と難しい。
体系的に進めたい人は、データサイエンスとAIのブートキャンプのカリキュラムを見ると全体像がつかめます。働きながら自分のペースで学びたいなら、自分のペースで進められるデータサイエンス&AIコースという選択肢もあります。日本在住で、データアナリストや機械学習エンジニアを目指すなら、どちらも入り口として現実的です。
AIの7つの種類を知る本当の価値は、専門用語を暗記することではなく、「今使える技術」と「まだ夢の話」を自分で見分けられるようになることです。その目を持ったうえで一歩踏み出したいなら、データサイエンスとAIを基礎から学べるコースで手を動かしながら確かめてみてください。

Code Labs Academyでオンラインでテックスキルを学ぶ
サポートの手厚いコミュニティに参加して、あなたの可能性を最大限に引き出し、やりがいのあるキャリアへの一歩を踏み出しましょう。
今すぐ申し込む