Skip to the content.

最終更新日:2026年9月25日

まず結論

代表的な違いは、

  • 古典AI → 探索・推論・知識表現など、明示的な構造を使う
  • 機械学習 → データからパターン・パラメータを学ぶ

ことです。

ただし、実際のAIシステムでは両方を組み合わせることもあります。

直感的な説明

古典AI

「どう考えるか」を状態・規則・知識として表現して解きます。

機械学習

多数の例から、入力と出力の関係を学びます。

定義・仕組み

観点 古典AI 機械学習
中心 探索・推論・知識表現 データからの学習
知識 明示的に表現することが多い パラメータに暗黙的に表れることが多い
代表例 A*、エキスパートシステム 回帰、SVM、ニューラルネット

いつ使う?(得意・不得意)

  • 明確なルール・制約 → 古典的手法が扱いやすい場合がある
  • 大量データから複雑なパターン → 機械学習が有効な場合がある

一方、ハイブリッドなシステムもあります。

G検定ひっかけポイント

古典AIはデータを使わない?

❌ データを一切利用しない
⭕ 中心は明示的な探索・推論・知識表現

機械学習はルールを使わない?

❌ 人間が設定した仮定・特徴量・損失・制約は不要
⭕ 学習規則や設計は人が与える

まとめ(試験直前用)

  • 古典AI=探索・推論・知識表現
  • 機械学習=データから学習
  • 明示的知識 vs 学習されたパラメータが代表的違い
  • 完全に排他的ではない
  • 絶対二分法で覚えない

© 2024-2026 stemtazoo. All rights reserved.