xDev Asia

AI、機械学習、深層学習、大規模言語モデルのパノラマ。 1950 年の歴史から 2022 年の ChatGPT の瞬間まで、LLM が急成長している理由、およびシリーズ全体の学習パスまで。

AI と LLM: 基本から高度まで

パート 1: AI およびディープラーニングプラットフォーム

xdev.asia

はじめに

コードの作成やモデルの微調整を開始する前に、この分野の全体像を把握する必要があります。最初のレッスンは、AI とは何か、関連する概念がどのように異なるのか、そして 2022 ～ 2025 年に LLM にとって前例のないブームとなる理由を理解するのに役立ちます。

＃＃１．AIとは何ですか？略歴（1950年→現在）

人工知能 (AI) は、画像の認識、言語の理解、チェスのプレイ、運転など、通常は人間の知能を必要とするタスクを実行できるシステムを作成する方法を研究するコンピューターサイエンスの分野です。

メインタイムライン

年	イベント
1950年	アラン・チューリングは、機械が人間を模倣できるかどうかを確認するテストである「チューリング・テスト」を提案しました。
1956年	ダートマス会議 — 「人工知能」という用語が正式に誕生
1960 年代～70 年代	最初の「AI 冬」: 期待は現実をはるかに超え、資金は枯渇する
1980年代	エキスパートシステムはブームになりましたが、その後衰退しました。「AI Winter」月曜日
1997年	ディープブルー (IBM) がガルリカスパロフを破った — AI の歴史におけるマイルストーン
2006年	ジェフリー・ヒントン、「Deep Belief Networks」で深層学習を復活
2012年	AlexNet が ImageNet に大差で勝利 — 深層学習が主流になる
2017年	Google Brain が記事「Attending Is All You Need」を公開 → Transformer アーキテクチャ
2018年	Google BERT; OpenAI GPT-1
2020年	GPT-3 (1,750 億パラメータ) はコミュニティに衝撃を与えます
2022年	ChatGPT が開始 — AI が 2 か月で 1 億人のユーザーに到達
2023 ～ 2025 年	LLM レース: GPT-4、クロード 3、ジェミニ、LLaMA 3、ミストラル...

2. AI / 機械学習 / 深層学習 / LLM を区別する

多くの人がこれらの用語を同じ意味で使用していますが、これらは入れ子になっており、同義ではありません。

AI、機械学習、深層学習、LLM の間の入れ子になった関係の図

┌─────────────────────────────────────────────────────┐
│  Trí tuệ nhân tạo (AI)                              │
│                                                     │
│   ┌─────────────────────────────────────────────┐   │
│   │  Machine Learning (ML)                      │   │
│   │                                             │   │
│   │   ┌─────────────────────────────────────┐   │   │
│   │   │  Deep Learning (DL)                 │   │   │
│   │   │                                     │   │   │
│   │   │   ┌─────────────────────────────┐   │   │   │
│   │   │   │  Large Language Models      │   │   │   │
│   │   │   │  (LLM)                      │   │   │   │
│   │   │   └─────────────────────────────┘   │   │   │
│   │   └─────────────────────────────────────┘   │   │
│   └─────────────────────────────────────────────┘   │
└─────────────────────────────────────────────────────┘

詳細な比較

コンセプト	定義	例	データが必要
AI	人間知能シミュレーションシステム	チェスエンジン、チャットボット、自動運転車	種類による
ML	AI はハードなプログラミングではなくデータから学習します	スパムフィルター、Netflix の提案	数千～数百万のサンプル
DL	ML は多層ニューラルネットワークを使用します。顔認識、翻訳	数百万から数十億のサンプル
LLM	超大規模DL、テキストベースのトレーニング	ChatGPT、クロード、ジェミニ	数兆のトークン

結論: すべての AI が ML であるわけではなく、すべての ML が DL であるわけではなく、LLM は DL の特殊な形式です。

3. なぜLLMは2022年から2025年に急成長するのでしょうか？

3.1 ChatGPT の瞬間

2022 年 11 月 30 日、OpenAI は ChatGPT を開始しました。最初の 5 日間で、100 万ユーザーに到達しました。これは、史上どのテクノロジー製品よりも早いペースです。 2023 年 1 月までにユーザー数は 1 億人になりました。 AIが研究者だけでなく一般の人々にも普及した初めてのツールです。

3.2 スケーリングの法則 — スケーリングの法則

2020 年、OpenAI は スケーリングの法則 に関する重要な論文を発表しました。つまり、モデルパラメーターの数、データ量、計算能力を同時に特定の比率で増加させると、予測可能な方法でパフォーマンスが向上します。

Hiệu năng ∝ (Tham số)^α × (Dữ liệu)^β × (Compute)^γ

これは、アルゴリズムの画期的な進歩は必要なく、お金と GPU さえあれば、より良いモデルを構築できることを意味します。大企業がAI競争に何十億ドルも注ぎ込んでいるのはこのためだ。

3.3 3 つの要素が収束する

データ: インターネットは何兆語ものテキストを生成します (Common Crawl、Wikipedia、GitHub、書籍など)。
計算: GPU/TPU はより強力になっています (NVIDIA A100、H100)。クラウドコンピューティングが普及している
アーキテクチャ: Transformer (2017) は RNN を置き換えます - より優れた並列化、より優れたスケーリング

3.4 RLHF — ChatGPT の秘密

ChatGPT は単に GPT-3 を大きくしたものではありません。その秘密は RLHF (ヒューマンフィードバックからの強化学習) です。単に「次の単語を推測する」ための最適化ではなく、人間の期待と価値観に従って応答するようにモデルをトレーニングします。これは「言語モデル」から「AIアシスタント」への飛躍です。

4. 注目の LLM: 比較表

モデル	組織	パラメータ (推定値)	オープンソース	強み
GPT-4o	オープンAI	~200B (非表示)	いいえ	多用途、マルチモーダルなツールの使用
クロード 3.5 ソネット	人類	~100B (非表示)	いいえ	長い引数、安全性、コーディング
ジェミニ 1.5 プロ	グーグル	~500B (非表示)	いいえ	コンテキストウィンドウ 1M トークン
LLaMA 3.1 405B	メタ	405B	はい	最も強力なオープンソース、自己ホスト型
ミストラル・ラージ	ミストラルAI	~100B (非表示)	パート	効率的、多言語対応
クウェン2.5 72B	アリババ	72B	はい	コード、数学、中国語/ベトナム語が得意
ファイ-3.5	マイクロソフト	3.8B	はい	コンパクト、ラップトップで実行可能

学習者への注意: 2024 年から 2025 年にかけて、オープンソースとクローズドソースの境界線はますます曖昧になります。「オープンウェイト」は「オープンソース」（オープントレーニングコード）とは異なります。 LLaMA はオープンウェイトであり、従来の意味でのオープンソースではありません。

5. このシリーズのロードマップ

基礎から実践までの学習パス

このシリーズは 5 つの主要な部分に分かれています。

Phần 1: Nền tảng AI & Deep Learning (Bài 1–5)
   ├── Bài 1: Tổng quan (bài này)
   ├── Bài 2: Toán học cho AI
   ├── Bài 3: Neural Networks cơ bản
   ├── Bài 4: Deep Learning Overview (CNN, RNN, LSTM)
   └── Bài 5: Attention Mechanism

Phần 2: Kiến trúc Transformer (Bài 6–9)
   ├── Bài 6: The Transformer Architecture
   ├── Bài 7: BERT & Encoder Models
   ├── Bài 8: GPT & Decoder Models
   └── Bài 9: Modern LLM Architectures

Phần 3: Làm việc với LLM (Bài 10–14)
   ├── Bài 10: Prompting & Prompt Engineering
   ├── Bài 11: OpenAI / Anthropic API
   ├── Bài 12: LangChain & LlamaIndex
   ├── Bài 13: RAG — Retrieval Augmented Generation
   └── Bài 14: Vector Databases

Phần 4: Fine-tuning & Deployment (Bài 15–19)
   ├── Bài 15: Fine-tuning cơ bản
   ├── Bài 16: LoRA & QLoRA
   ├── Bài 17: Quantization & Optimization
   ├── Bài 18: Deployment với vLLM & Ollama
   └── Bài 19: Production MLOps cho LLM

Phần 5: Ứng dụng thực tế (Bài 20–24)
   ├── Bài 20: AI Agents & Tool Use
   ├── Bài 21: Multimodal AI
   ├── Bài 22: Code Generation & AI-assisted Dev
   ├── Bài 23: AI trong doanh nghiệp Việt Nam
   └── Bài 24: Xu hướng & Tương lai

前提条件: 基本的な Python (関数、ループ、クラスの書き方を知っている)。数学的・理論的な問題を最初から解説していきます。

6. 設置環境

6.1 Python のインストール

Python 3.11 を推奨します (2025 年現在、ほとんどの AI ライブラリに対する安定した最良のサポート)。

# Kiểm tra Python đã có chưa
python --version
# hoặc
python3 --version

6.2 Conda — 仮想環境管理

Conda は、Python と C/CUDA ライブラリの両方を処理できるため、AI/ML に最適な環境管理ツールです。

# Tải Miniconda (nhỏ gọn hơn Anaconda)
# Truy cập: https://docs.conda.io/en/latest/miniconda.html

# Tạo môi trường cho series này
conda create -n ai-llm python=3.11 -y
conda activate ai-llm

# Cài các thư viện cơ bản
conda install numpy pandas matplotlib jupyter -y
pip install torch torchvision --index-url https://download.pytorch.org/whl/cu121
pip install transformers datasets accelerate
pip install openai anthropic langchain

6.3 推奨されるディレクトリ構造

ai-llm-series/
├── notebooks/          # Jupyter notebooks cho từng bài
│   ├── 01_overview/
│   ├── 02_math/
│   └── ...
├── src/                # Code Python tái sử dụng
│   ├── models/
│   └── utils/
├── data/               # Dataset nhỏ để thực hành
└── requirements.txt

6.4 ジュピターラボ

pip install jupyterlab
jupyter lab   # Mở trình duyệt tại http://localhost:8888

6.5 環境試験

# Chạy cell này trong Jupyter để kiểm tra
import sys
import numpy as np
import torch

print(f"Python: {sys.version}")
print(f"NumPy: {np.__version__}")
print(f"PyTorch: {torch.__version__}")
print(f"CUDA available: {torch.cuda.is_available()}")

if torch.cuda.is_available():
    print(f"GPU: {torch.cuda.get_device_name(0)}")
    print(f"VRAM: {torch.cuda.get_device_properties(0).total_memory / 1e9:.1f} GB")
else:
    print("Đang chạy trên CPU — vẫn ổn cho các bài đầu!")

6.6 GPU なし

心配する必要はありません。最初のレッスン (レッスン 1 ～ 7) は CPU で適切に実行されます。レッスン 8 以降から GPU が必要になります。次のものが使用できます。

Google Colab (無料、T4 GPU): colab.research.google.com
Kaggle ノートブック (無料、週 30 時間の GPU): kaggle.com/code
Vast.ai / RunPod: 安価な GPU レンタル (RTX 3090 の場合、1 時間あたり ~0.3 ～ 0.5 ドル)

レッスンの概要

AI は幅広い分野です。 ML はデータから学習する AI です。 DL はディープニューラルネットワークを使用した ML です。 LLM はテキストの大規模 DL です
LLM は、巨大なデータ + 強力な GPU + Transformer アーキテクチャ という 3 つの要素が融合することで爆発的に成長します。
ChatGPT (2022 年 11 月) は AI の「iPhone の瞬間」 - テクノロジーを大衆にもたらす
このシリーズでは、数学的基礎から実用的な LLM アプリケーションの構築までを取り上げます。
次のレッスンに備えて、Python 3.11 + Conda + PyTorch を今すぐインストールしてください

演習

Conda 環境をインストールし、セクション 6.5 のテストコードを正常に実行します。
Google Colab でアカウントを作成し、ノートブックをテスト実行します
元の記事「Attending Is All You Need」（2017 年）の要約を次の URL で読んでください。 arxiv.org/abs/1706.03762
あなたが毎日使用している AI アプリケーションを 3 つリストアップし、それらがどのタイプの AI (ML、DL、LLM、またはルールベース AI) であるかを判断します。

レッスン 1: AI、ML、DL、LLM の概要