AI初心者ガイド｜ゼロから始めるAI入門

毎回「結論から書いて」「日本語で答えて」と頼まなくても、すべての会話に自動で効く指示欄に一度書いておけば済みます。ChatGPT の「カスタム指示」、Claude の「Claudeの指示」、Gemini の「Gemini へのカスタム指示」がそれにあたりますが、画面での名前も置き場所も、書ける文字数も違います。ChatGPT は Free と Go が1,500字、Plus 以上が5,000字（2026年7月に引き上げ）、Claude と Gemini は上限を公表していません。この記事では3社の公式ヘルプで場所と上限を確かめ、Anthropic の公式プロンプトガイドをもとに効く書き方と例文を示します。さらに、プロジェクトの中・Gem の中・一時チャット・会社のアカウントなど、公式ヘルプが明記している「指示が効かない場面」をチェックリストにまとめました。

AIが「コードを書く手」を持った今、一人でもプロダクトを作って世に出せる時代になった。だが情報が工程ごとにバラバラで、何から手をつければいいか迷子になりがち。本記事はアイデア→設計→実装→公開→収益化までの全体地図（ロードマップ）で、個人開発を「決める→作る準備→作る→出す→育てる」の5フェーズに整理し、各工程で何をするか・どのツールを使うかを示して、深掘りが必要な工程は個別ガイドへ送る母艦（ハブ）記事。しかもコードをほぼ書かない🌱入門ルートと、AIエディタでコードを書く🔧実践ルートの2レーンで案内するので、自分に合う方をたどれば遠回りせずに動くものまでたどり着ける。仕様駆動・AIアプリビルダー・Claude Code/Cursor・AI機能の組み込み（API/RAG/ゲートウェイ）・デプロイ・SEO/AEO集客・収益化・コスト管理・一人開発×AIのつまずき5つまでを、既存の実践ガイドへの導線付きで一枚にまとめた。

「絵心がないから」とあきらめていた人ほど、AIお絵かきは遊びの宝庫だ。頭の中のイメージを言葉で伝えるだけで絵になり、スマホの写真も子どものラクガキも数十秒で作品に変わる。本記事はツール比較でも本格講座でもなく、家族でもひとりでもニヤッとできる「遊びのネタ帳」。無料で始められる道具（ChatGPT・Google Gemini・Microsoft Copilot・Canvaなど）から、10の遊び方（①ラクガキが作品に②写真を別画風に③自分だけのキャラを旅させる④子どもの絵を絵本の1コマに⑤オリジナル絵文字⑥4コマ・絵本挿絵⑦もし○○が××だったら合成⑧自作ぬりえ⑨部屋の模様替え⑩お絵かき対決）、うまく描かせるちょいコツ、遊ぶ前に知っておく3つ（他人の顔を使わない・権利と商用・AI生成の明示）までを、初心者・ファミリー目線でまとめた。

AIは子どもの「なんで？」に付き合う物知りの友だちにも、寝る前の物語の語り部にもなる。ただし子どもと使うなら面白さの前に安全の準備が欠かせない。本記事はまず安全のための5つの約束（①大人が操作・確認 ②年齢制限を確認 ③個人情報を入れない ④「AIは間違う」を教える ⑤トーンと時間を決める）を整え、サービス別の年齢条件を規約の原文で確かめた表（ChatGPTは13歳以上で18歳未満は保護者の許可、Copilotは13歳以上、Claudeは18歳以上、Geminiは13歳未満でもファミリーリンクで保護者が許可すれば使える地域がある）と、保護者の設定手順（ChatGPTのペアレンタルコントロール、Googleファミリーリンク、Microsoft Family Safety、大人のアカウントでの一時チャット）、よくある失敗を載せる。そのうえで、コピペで試せる子どもと楽しむAI遊びを10個紹介する。物語・ことば（我が子が主人公の読み聞かせ・続きを子どもが決めるお話・寝る前の穏やかな話）、学び・好奇心（物知り博士・動物恐竜クイズ・外国語のあいさつ）、表現・創作（想像した生き物のお絵かき・ぬり絵の線画・工作アイデア・きもちとマナーのごっこ）。年齢別のヒント、保護者が知っておくこと、FAQ付き。

「AIって結局、何を聞けばいいの？」で止まる人向けに、コピペして貼るだけで面白い返事が返ってくる"お題"を30個そろえた。6ジャンル×5問：自分を知る（隠れた強み・価値観・動物にたとえると）、発想が広がる・もしもの世界（平凡なものの意外な使い道・重力が半分になったら・存在しない祝日の発明）、わかった気になれる説明（量子力学を5歳児に・複利を3つの比喩で・ネットの仕組みをピザ宅配で）、ことば遊び（10の文体で書き換え・2文のショートショート・二つ名づくり・回文）、ロールプレイ・相談（厳しい人生コーチ・新作ことわざの賢者・未来の自分からの手紙・困惑する宇宙人）、実用だけど面白い（言い訳を格言に・5段階の断り方・味気ない連絡文の改善・ドラマチックな献立名・ToDoに楽しい寄り道）。無料のChatGPT・Claude・Geminiで試せる。面白くするコツ（もっとを重ねる・役と制約・AI乗り換え）と注意点、姉妹記事「AIの面白い使い方15選」への導線つき。

AIというと仕事の効率化やプログラミングの話ばかりになりがちだが、実はAIがいちばん本領を発揮するのは「遊び」かもしれない。本記事はコピペですぐ試せるプロンプト付きで、AIの面白い使い方を15個紹介する。ことば遊び系（①大喜利バトル ②替え歌・ラップ製造機 ③ネーミング工場）、なりきり・対話系（④偉人と対談 ⑤AI同士を討論させる ⑥全力反対botと議論練習）、ゲーム系（⑦テキストアドベンチャーのゲームマスター ⑧オリジナルクイズ大会 ⑨犯人当て推理ゲーム）、創作系（⑩架空の生き物図鑑 ⑪自分が主人公の物語 ⑫画像生成で遊ぶ）、生活×意外系（⑬冷蔵庫の残り物シェフ ⑭古代ローマ・月への旅行プラン ⑮エンタメ占い師）。無料のChatGPT・Claude・Geminiで試せる（⑫の画像生成はClaudeではできないので、ChatGPTかGeminiで）。面白くするコツは「役割を与える・条件で縛る・もっとを重ねる」の3つで、これはそのまま実務のプロンプト術の基礎になる。事実と創作の区別、個人情報、子どもとの遊び方など注意点とFAQ付き。

Ollama（オラマ）とは、LLMを自分のPCで動かす無料のオープンソースツールで、ollama run の1行でモデルの取得から対話まで済み、localhost:11434 にAPIサーバーが立つ。本記事はツールそのものの使い方に絞り、公式のGitHubとドキュメントの原文（2026年9月29日時点）に沿って、OS別のインストール（Windows は PowerShell の irm https://ollama.com/install.ps1 | iex か OllamaSetup.exe、macOS と Linux は curl -fsSL https://ollama.com/install.sh | sh、Docker の公式イメージ）と要件、ollama -v での確認と更新、ollama --help の全コマンド（run・pull・list(ls)・ps・stop・rm・show・create・cp・push・serve・signin・launch）と対話中の /bye・/set parameter、名前＋サイズタグでのモデル指定、/api/generate・/api/chat・OpenAI互換 /v1 の最小例（PowerShell の書き方も）、Modelfile の最小例と ollama create、OLLAMA_HOST・OLLAMA_MODELS・OLLAMA_KEEP_ALIVE・OLLAMA_CONTEXT_LENGTH などの環境変数と既定値・OS別の設定方法、遅い・落ちる・繋がらない・ログの場所などのつまずき対処、クラウドモデルとプライバシーまでを解説する。ローカルLLMの始め方・モデルの選び方・エディタとの連携は、それぞれ別の記事で扱う。

巨大なAIモデルを丸ごと学習し直すのは高すぎる、でも自分用に少しだけ調整したい、その願いを叶えるのがLoRA（Low-Rank Adaptation／低ランク適応）。元のモデルはそのまま凍結し、ごく小さな追加部品（アダプタ）だけを学習することで学習するパラメータを元のモデルの1%未満に減らす。LoRAはファインチューニングを劇的に安く速くする技術であり、Stable Diffusionなどの画像生成でキャラや画風を足す小さなファイルとしても大人気。本記事は仕組みをパッチ（あて布）のたとえで解説する。LoRAはパラメータ効率の良いファインチューニング（PEFT）の代表格で、核心は巨大な元の重みを一切変えず凍結し各層に小さな追加行列を差し込みそこだけ学習する（W = W₀ + BA、W₀は凍結、BAが小さな追加分）。AIの調整は実はそんなに大きく変える必要がない＝低ランクで足りるという仮説が土台で、原論文の実験が裏づけた（数学やプログラミングでは全体の学習に劣るとの報告もある）。メリットは学習パラメータが元の1%未満（原論文の GPT-3 175B で約1万分の1）・省メモリ高速安い（同じく学習時のGPUメモリ 1.2TB → 350GB）・推論はアダプタを統合すればレイテンシ増なし・元の力を忘れにくい。最大の強みはアダプタの付け替えで、土台共通のまま用途ごとに小さなLoRAを差し替え瞬時に切り替えられる。多くの人が最初に触れるのは画像生成で、Stable Diffusionでは特定キャラ・画風・被写体を覚えた小さなLoRAが無数に共有される（画風を足す、キャラを覚えさせる、軽く共有しやすい）。QLoRAは量子化と組み合わせ土台を4ビットに圧縮したままLoRAを学習し、16ビットで全部を学習すると780GB超が要る65Bのモデルを48GBのGPU 1枚で、33Bを24GBの家庭用GPUで微調整でき、論文の比較では16ビットの方式と同等の成績（33B・65Bで全体学習と並ぶかは未確認と論文自身が書く）。フルファインチューニング（全パラメータ学習）との違いは学習する重み・コスト・成果物・向く場面で、多くの実務ではまずLoRAで十分。土台はそのまま味付けは小さく、が要点。数値は原論文などの実験条件でのもので傾向の参考。

70B（700億パラメータ）の巨大モデルを手元のPC1台でも動かせる（家庭用GPUに収まらない分はCPUとメインメモリに任せる構成で）、それを可能にするのが量子化（quantization）。モデルの重みの数値精度を下げてサイズと必要メモリを劇的に小さくする技術で、モデル蒸留が別の小さいモデルに知識を移すのに対し量子化は同じモデルを軽くする。本記事は仕組みを写真の圧縮のたとえで解説する。量子化は重み（パラメータ）をFP16/FP32の小数からINT8（8ビット）やINT4（4ビット）の整数に置き換え、1重みあたりの容量を減らす（FP32=4バイト、INT8=1バイト、INT4=0.5バイト）。RAW写真をJPEGに圧縮するように少しの精度を犠牲に大きな軽さを得て、驚くのは失うものがこれほど少ないこと。どれだけ軽くなるかは、4ビット化でFP16比約1/4、70Bモデルは140GB→約35GB、8Bモデルは4ビットで約4.5〜5GBとミドルクラスGPU（VRAM 8GB）に収まりローカル実行できる＝LLMの民主化。精度はINT8でほぼ無損失、INT4でも一般的なQ&Aや常識タスクなら劣化4%未満との報告だが、数学・コード生成・難しい推論では低下が目立ちやすく用途に合うビット数を選ぶのが肝心（パープレキシティの微増として現れる）。主な手法はGPTQ（精度を保つ4ビット圧縮の先駆け）、AWQ（重要な約1%の重みを保護、GPTQとの優劣は評価で逆転）、GGUF（llama.cpp/Ollama形式でQ2_K〜Q8_0、CPU+GPU併用可、ローカル向け）、QLoRA（4ビット土台にLoRAで家庭用GPUでも微調整）。蒸留（別の小モデルに移す）・ファインチューニング（特定用途に追加学習）とは狙いが違い、組み合わせて使うのが普通（蒸留した小モデルをさらに量子化、量子化土台にFT等）。始め方はローカルならGGUF（Ollama）を1コマンド、VRAMに合わせてQ4/Q8を選び、コード生成や厳密計算ならINT4を避けINT8以上に。たいてい量子化済みモデルが配布されダウンロードして使うだけ。賢さはそのまま重さだけ落とす最も実用的な一手。数値は各種公表資料の引用で傾向の参考。

巨大で高性能なAIは賢いが重くて高い、その悩みを解くのがモデル蒸留（Knowledge Distillation）。大きな先生（teacher）モデルの知識を小さな生徒（student）モデルに移し、はるかに小さく速いまま先生に近い性能を保ついいとこ取りを狙う技術。本記事は仕組みを先生と生徒のたとえで解説する。カギはソフトラベルで、普通の学習が正解は猫とだけ教える（ハードラベル）のに対し蒸留は先生が出す90%猫8%犬2%キツネといった確率分布ごと生徒に渡し、その迷いの度合いに正解だけでは伝わらない豊かな情報が含まれる。さらに温度（Temperature）で確率をやわらかくし似たもの同士の微妙な関係まで見せる（実例：OpenAIは2024年、大モデルの出力で小モデルを鍛える蒸留機能をAPIに追加）。メリットは速くて安い・大幅に小型でも先生に近い性能（TinyBERTは約7.5分の1で96.8%以上）・エッジで動く・用途特化に強い。方式は先生の重みや内部表現にフルアクセスできるホワイトボックスと、出力（API応答）しか見えないブラックボックスの2つで、後者で他社APIを先生にすると規約違反になりうる。混同しやすい技術との違いは、蒸留＝別の小モデルに知識を移す、量子化＝同じモデルの重みの精度を下げて圧縮、ファインチューニング＝既存モデルを特定タスク向けに追加学習、で排他でなく組み合わせ可能。法的・規約の現実が2026年の大論点で、蒸留技術自体は正当だがOpenAI・Anthropic・xAI等の利用規約には自社出力を競合モデル開発に使うことを禁じる反蒸留条項があり、制限APIの出力を先生に競合を蒸留するのは技術的に可能でも規約違反になりうる。OpenAI対DeepSeekの係争（OpenAIはアクセス制限を回避し出力を蒸留した疑いと主張、一方DeepSeek規約は自社出力の蒸留利用を認めるとされる）やClaude Fable 5/Mythos 5で蒸留と判定されたリクエストを下位のOpusモデルに切り替える設計など緊張は継続。実務は使う先生モデルの規約を必ず確認し、自社・許諾OSSを先生にする、競合開発に当たらないか用途を慎重に判断するのが心得。賢さは大モデル運用は小モデルの両立を可能にするが先生に誰を選ぶかで技術的にも法的にも結果が変わる。数値・事例は各種公表資料・報道の引用で傾向の参考。

マルチエージェントの作り方で「増やす前に全ハンドオフを計測せよ」と書いた、その計測を本番で支える技術がAIオブザーバビリティ（可観測性）。LLMやエージェントが本番で実際に何をしているか（どのモデルをどんなプロンプトで呼び・どのツールや検索を使い・何を返し・何秒いくらかかったか）を記録し問題の原因まで遡れるようにする。普通のアプリ監視との決定的な違いは、AIは200 OK・50msで返しながら堂々と嘘（ハルシネーション）をつくことがある点で、AIの障害の多くはインフラ障害でなく品質障害（ハルシネーション・検索失敗・安全でない回答・タスク未完了・ツール誤用・プロンプト変更後の劣化）。オブザーバビリティは3本柱＝トレース（1リクエストの実行経路をスパンの木で記録・AI観測の主役）・メトリクス（レイテンシ/コスト/トークン/エラー率を数値集計）・ログ（個別イベントの詳細）で語られ、業界標準のOpenTelemetry GenAI規約がプロンプト・応答・トークン・ツール呼び出しをベンダー非依存スキーマで扱う。最も混同しやすい評価（Evals）との違いは、オブザーバビリティが何が起きたかを見る（計測は簡単だが答えの正しさは分からない）のに対し評価は答えの質が良いかを測る（明示的なEvalsが必要）こと。コストとレイテンシは簡単に測れるが答えの質は評価がないと分からないため2026年の主要ツールはトレース表示＋出力スコアリング＋劣化アラートを一体提供する。見るべきメトリクスは運用系（コスト・レイテンシ・トークン・エラー率）と品質系（ハルシネーション・根拠性groundedness＝RAGで最重要・安全性・タスク完了度）に分かれハルシネーション検知にはLLM-as-a-judge/意味的類似度/根拠性スコアを使う。主要ツールはLangSmith（LangChain系）・Langfuse（OSSセルフホスト）・Arize Phoenix（RAGデバッグ）・MLflow（ライフサイクル）・AgentOps（エージェント）・OpenTelemetry（標準規格）。始め方はトレース取得→運用メトリクス可視化→評価接続の順で本番前から入れること。とくにマルチエージェントでは失敗が多段の因果連鎖に隠れるためセッション全体のトレースが必須。観測＋評価の両輪で初めて本番品質。数値・特徴は各種公表資料の引用で傾向の参考。

AIエージェントが当たり前になり、次の課題はエージェント同士をどう連携させるかに移った。MCPがエージェントを道具につなぐ標準なら、A2A（Agent2Agent）はエージェントを別のエージェントにつなぐ標準。異なるベンダー・フレームワークで作られたAI同士が共通の作法で会話し協力できるようにする。Googleが2025年4月に公開し同年6月にLinux Foundationへ寄贈、2026年にv1.0へ到達。本記事は、正体（会社間の業務提携のたとえ）、なぜ必要か（計画→ホテル予約→決済のように専門エージェントがリレーで協力する時代）、MCPとの違い（MCPは縦＝エージェント↔ツール、A2Aは横＝エージェント↔エージェント、両方を重ねる2層構成が標準）、仕組み（Agent Card＝/.well-known/agent-card.jsonに置く能力の名刺で発見→Task＝依頼で進行中（working）・要入力（input-required）・完了（completed）などの状態→Artifact＝結果。HTTP・SSE・JSON-RPC 2.0の上に作られ、各エージェントは内部を隠したまま安全に協力）、現状と実装（2026年4月時点で150超の組織が支持・GitHubスター22,000超・5言語SDK＝Python/JavaScript/Java/Go/.NET、Microsoft・Salesforce・SAP・ServiceNow等が参加）までを初心者向けに解説。道具につなぐ＝MCP、仲間につなぐ＝A2Aが覚え方。