生成AIとは何か - 基本概念

クリーム色の机の上に、テキスト・画像・音声がそれぞれ静かに生まれていく様子を3つのフレームで並べたヘッダー画像。Ark Journal調の温かいトーンで描かれた静かなスタジオシーン — 2025年、AIは「答える」ものから「作る」ものへと役割を変えた。診断書も、説明資料も、図解も——書き始めない仕事が増えている

「ChatGPTって、結局なに？」と聞かれることが、外来や講演の後によくある。専門用語をなしに、ひと言で答えるなら、こうだ。

新しい文章・画像・音声を、こちらの依頼に合わせて作ってくれる道具。

それまでのAIは、与えたものを分類したり、予測したりするのが仕事だった。生成AIは、こちらが頼むと、ゼロから形のあるものを作ってくれる。

これが、医療現場で起きていることの本質だ。「自分でゼロから書く」前提だった作業——診断書、症例報告書、患者説明、研修医向け資料——が、ドラフトから手直しする作業に置き換わりつつある。

このレッスンでは、生成AIとは何が違うAIで、何ができて、何ができないかを、医療の言葉で整理する。

ㅤ

このレッスンで学ぶこと

このレッスンを完了すると、生成AIの基本概念を理解し、従来のAI（識別AI）との違いを明確に把握できるようになる。さらに、生成AIが医療現場でどのように活用できるかを、具体的な例を通して理解する。

ㅤ

1. 生成AIの定義

左右対比図。左側『識別AI』は胸部X線画像から異常を分類する様子（input → 分類ラベル）、右側『生成AI』は患者情報から診断書を文章として生成する様子（input → 新しいコンテンツ）。両者の役割の違いが矢印と注釈で示されている — 識別AIは『これは何か』に答える。生成AIは『新しい何かを作る』。同じAIでも仕事が違う

生成AI（Generative AI）は、新しいコンテンツを生成するAI。

テキスト、画像、音声、動画など、様々な形式のコンテンツを、こちらの依頼に応じて作り出す。

従来のAI（識別AI）との違いは、根本にある。

	識別AI	生成AI
役割	既存のデータを分析・分類・予測する	新しいコンテンツを作り出す
例	X線画像から異常を検出する	診断書のドラフトを作成する
出力	ラベル・確率・数値	文章・画像・音声

医療AIといえば長らく識別AIが主流だった。X線・CT・心電図の自動診断は識別AIの仕事だ。 2022年以降、ここに**「作る」AI**が加わった。両者は別の道具で、別の用途に向いている。混同しないことが、最初の出発点だ。

ㅤ

生成AIの3つの特徴

第一の特徴は 創造性。学習したデータのパターンに基づいて、新しいコンテンツを作る。これは単なるコピーではなく、パターンを抽象化したうえでの生成。

第二の特徴は 多様性。同じ入力に対して、異なる出力を生成できる。生成プロセスに確率的な要素が含まれているからだ。「もう一度生成して」と頼むと、似ているが少し違う案が返ってくる——これが普通。

第三の特徴は 適応性。コンテキスト（前提情報・対象者・用途）に応じて、内容や言葉遣いを変えられる。同じ「アセトアミノフェンの説明」でも、患者向けと医療職向けで自動的に語彙が変わる。

ㅤ

2. 生成AIの種類

生成AIの3つの種類を3カラムで示す概念図。左『テキスト』にChatGPT・Claude・Gemini、中『画像』にDALL-E・Midjourney・Stable Diffusion、右『音声』にElevenLabs・OpenAI TTSのロゴと活用例が並ぶ — 同じ「生成AI」でも、テキスト・画像・音声で得意分野と限界が違う。医療現場での出番もそれぞれ異なる

テキスト生成AI

代表例: ChatGPT、Claude、Gemini。

医療現場では、診断書のドラフト、症例報告の Introduction、医学文献の要約、患者説明資料、研修医向けの教材など、書く仕事のほぼ全領域でドラフト作成を支援する。

「ゼロから書く」が「ドラフトから直す」に変わるのが、いま起きている変化の中心。

画像生成AI

代表例: DALL-E、Midjourney、Stable Diffusion、Nano Banana Pro。

医療現場では、教育用の医療イラスト、論文の図表、プレゼンテーション資料の挿絵、患者説明用のシンプルな図解などに使われ始めている。 患者の医用画像（X線・CTなど）の生成は、診断目的では絶対に使わない。教材として「こういう所見が見られたら」という説明イラストを補助する用途に限る。

音声生成AI

代表例: ElevenLabs、OpenAI TTS、Google TTS。

医療現場では、現状は限定的。患者向けの音声教材、外国人患者向けの説明音声、教材ナレーションなどが主な用途。

ㅤ

3. 生成AIの仕組み

3段階のフロー図。1段階目『大量のデータを学習』に書籍と論文の山、2段階目『パターンを抽出』に網目状の概念図、3段階目『新しいコンテンツを生成』に新しい文章が現れる様子。各段階を矢印で繋ぐ — 生成AIは、ゼロから創造しているわけではない。学んだパターンを組み合わせ直しているだけ。だから限界もある

生成AIの内側で起きていることを、ひと言でほぐすと、こうだ。

大量のデータからパターンを学習し、そのパターンに基づいて新しいコンテンツを生成する。

ステップは3段階。

大量のデータを学習する: 数千億〜数兆トークンの文章、数十億枚の画像など
パターンを抽出する: 単語の繋がり、文の構造、画像の構図、音声の韻律など
入力に応じて生成する: ユーザーからのプロンプトを受け取り、学んだパターンに基づいて新しい出力を作る

ここに、確率的な要素が含まれている。だから同じ入力でも、毎回少し違う出力が返ってくる。 ゼロから創っているわけではない——ここを正確に理解しておくと、AIの限界も見えてくる。学習データに含まれていない最新ガイドラインや稀少疾患では、出力の信頼度が落ちる。

トークンとコンテキストウィンドウ

日本語の文章「アセトアミノフェンは小児の解熱に用いられる」が短いトークン（『アセト』『アミノ』『フェン』『は』など）に分解される様子と、コンテキストウィンドウの容量限界を示す概念図 — AIは文字単位ではなく『トークン』で文章を処理する。一度に扱える量にも上限がある

生成AIは、テキストを「トークン」という単位で処理する。トークンは単語や文字の断片（日本語では文字数より少なめ、英語ではほぼ単語数に近い）。

一度に処理できるトークン数の上限を「コンテキストウィンドウ」と呼ぶ。最新のAIではこの窓が大幅に拡大し（Claude Opus 4 は1Mトークン、論文約20本相当）、長い文書も丸ごと処理できるようになった。ここまで来ると、症例数十件をまとめて要約する、ガイドライン全文を渡して質問するといった使い方が現実的になる。

ㅤ

4. 生成と識別の使い分け

医療現場での使い分けを示す対比表。左『識別AI（診断・検出）』に画像診断・心電図解析・病理AIの例、右『生成AI（作成・要約）』に診断書ドラフト・文献要約・患者説明資料の例が並び、中央に『目的が違うので併用する』というメモ — どちらが優れているかではなく、どちらが今の作業に向いているか。両方使える状態が、いちばん強い

生成AIと識別AIは、競合しない。役割が違う。

識別AI: 既存の情報を分析し、判断を支援する（X線異常検出、心電図解析、病理画像解析など）
生成AI: 新しいコンテンツを作成し、書く作業を効率化する（診断書ドラフト、文献要約、患者説明資料など）

両方を使い分けると、診断は識別AIの支援を受けつつ、説明やドラフトは生成AIに任せる、という形になる。医療AIを「使う／使わない」の二分法で語るのは、もう古い。 何の作業に何を使うか——道具箱の中を整理する話に変わっている。

ㅤ

今日のまとめ

3行で振り返ります。

生成AIは「作る」AI、識別AIは「分ける」AI。両者は別の道具で、別の用途に向いている
生成AIの3特徴は、創造性・多様性・適応性。同じ入力でも違う出力が出るのが普通で、これは識別AIには無い性質
医療現場では、診断は識別AIの支援、書く仕事は生成AIのドラフト——この使い分けが、いまの実務の本筋

ㅤ

次のレッスンへ

L02「LLMの基礎」では、生成AIの核心技術である大規模言語モデル（LLM）の仕組みを、Transformerアーキテクチャを軸に掘り下げる。

ㅤ

明日のアクション

明日、ChatGPTやClaudeなどの生成AIツールに、自分の診療科でよく使う簡単な文書（例：患者説明資料や症例要約）のドラフト作成を依頼してみる。

依頼の際は、L01で学んだ「役割・タスク・コンテキスト・制約・出力形式」の5要素を意識する。返ってきたドラフトを読んで、「これは生成AIにしかできない仕事だ」と感じる箇所と、「これは自分で書いた方が早い」と感じる箇所をそれぞれ1つずつメモしておく。

両方のメモが、自分なりの使い分け基準の出発点になる。