AI・GPU用語集｜たとえ話で小学生にもわかる73語
AI・GPUサーバーの比較で出てくる専門用語を、小学生にもわかるたとえ話付きで解説。GPUの選び方やAIモデルのスペックの読み方がわかるようになります。
全73用語収録（2026年5月更新）
73語 表示中
🖥️ GPU・ハードウェア13語
🎮
GPU
ジーピーユーAI計算を超高速で処理するプロセッサ
たとえるなら
たくさんの計算ドリルを一度に解ける100人の小学生チーム
Graphics Processing Unitの略。もともとはゲームの映像処理用ですが、大量の計算を同時に処理できる能力がAIの学習・推論に最適。NVIDIA社の製品が業界標準で、AIサーバー選びではGPUの性能が最重要です。
🧑💼
CPU
シーピーユーパソコンの頭脳。汎用的な処理を担当
たとえるなら
何でもできる優秀な1人の社員。仕事は正確だけど1人だと遅い
Central Processing Unitの略。パソコン全体の司令塔として、あらゆる処理をこなします。ただし、AI計算のような同じ計算を大量に繰り返す処理はGPUのほうが圧倒的に高速です。AIサーバーではGPUの補助役です。
📦
VRAM（ビデオメモリ）
ブイラムGPU専用メモリ。AIモデルの大きさに直結
たとえるなら
作業机の広さ。机が狭いと大きな模造紙は広げられない
GPUが直接アクセスする専用メモリ。AIモデルはVRAM上に展開されるため、VRAM容量＝扱えるモデルの大きさです。Stable Diffusionには8GB以上、LLMの70Bモデルには80GB以上必要。GPU選びではまずVRAMを確認しましょう。
🗄️
メモリ（RAM）
メモリ / ラムCPU用の作業メモリ。データの一時置き場
たとえるなら
勉強するときの本棚。よく使う本をすぐ取れる場所に置く棚
CPUが処理中のデータを一時的に保管するメモリ。VRAMとは別物で、CPU側の処理に使います。AIサーバーでは16GB以上が推奨。データの前処理やモデルの読み込み時に使われます。
💾
SSD
エスエスディー高速なデータ保存装置
たとえるなら
本の取り出しが超速い図書館の書庫
Solid State Driveの略。従来のHDD（ハードディスク）より数倍高速にデータを読み書きできます。AIモデルのファイルは数GB〜数十GBあるため、SSDならモデルの読み込み時間を大幅に短縮できます。
⚡
NVMe
エヌブイエムイーSSDの超高速接続規格。通常の5〜10倍速い
たとえるなら
普通の道路と高速道路くらいの速さの差
Non-Volatile Memory Expressの略。SSDの中でも特に高速な接続規格で、従来のSATA SSDの5〜10倍の転送速度を実現します。大容量AIモデルを扱うなら必須。GPUSOROBANやエックスサーバーはNVMe SSD採用です。
📊
TFLOPS
テラフロップスGPU性能の単位。1秒に1兆回の計算能力
たとえるなら
1秒間に計算ドリルを1兆問解ける速さ
1 TFLOPSは1秒間に1兆回の浮動小数点演算ができることを意味します。GPU選びではFP16（半精度）のTFLOPS値が重要。例：A100は312 TFLOPS、H100は989 TFLOPS。数値が大きいほど高速です。
🚿
帯域幅（メモリ帯域）
たいいきはばデータの転送速度。太いほど高速
たとえるなら
水道管の太さ。太いほど一度にたくさんの水が流れる
GPUとVRAM間のデータ転送速度のこと。単位はGB/s。帯域幅が広いほど大量のデータを高速にやり取りでき、LLMの推論速度に大きく影響します。H100は3.35TB/s、A100は2TB/sの帯域幅を持ちます。
🔌
消費電力（TDP）
しょうひでんりょくGPUが使う電力量。ランニングコストに直結
たとえるなら
エアコンの電気代。パワーが強いほど電気をたくさん使う
GPUが動作時に消費する最大電力（ワット数）。消費電力が高い＝電気代が高いため、長時間運用ではコストに直結します。H100は700W、L4は72Wと大きな差があり、用途に合ったGPU選びが重要です。
💚
NVIDIA
エヌビディアAI向けGPU市場で圧倒的シェアの半導体メーカー
たとえるなら
AI世界のトヨタ。GPUといえばNVIDIA
AI用GPU市場で90%以上のシェアを持つ半導体メーカー。A100、H100、L4、RTXシリーズなど幅広いGPUを提供。CUDAプラットフォームと合わせて、AI開発の事実上の標準です。
🔴
AMD
エーエムディーNVIDIAのライバル。Instinct/Radeonシリーズ
たとえるなら
NVIDIAが王者なら、AMDは挑戦者
NVIDIAに次ぐGPUメーカー。AI向けにInstinct MI300Xなどを展開中ですが、ソフトウェアエコシステム（CUDA相当のROCm）の成熟度ではまだNVIDIAに差があります。コスパ重視の選択肢として注目されています。
⚙️
CUDAコア
クーダコアNVIDIA GPUの基本的な計算ユニット
たとえるなら
工場の作業員。人数（コア数）が多いほど生産力アップ
NVIDIA GPU内部の演算ユニット。数千個のCUDAコアが並列に動作して大量の計算を同時処理します。コア数が多いほど基本的な演算能力が高くなります。ただしAI処理では、より専門的なTensorコアが重要です。
🧮
Tensorコア
テンサーコアAI計算に特化した専用の計算ユニット
たとえるなら
普通の作業員（CUDAコア）に加えたAI専門のスペシャリスト
NVIDIAがAI計算を高速化するために設計した専用ユニット。行列演算（AIの計算の基本）をCUDAコアの数倍〜数十倍の速さで処理します。A100以降のデータセンター向けGPUには大量のTensorコアが搭載されています。
🧠 AI基礎11語
🤖
AI（人工知能）
エーアイ / じんこうちのう人間の知能をコンピュータで再現する技術
たとえるなら
自分で考えて答えを出せるロボット
Artificial Intelligenceの略。画像認識、言語理解、ゲーム攻略など、従来は人間にしかできなかった知的な処理をコンピュータに行わせる技術の総称です。機械学習やディープラーニングはAIを実現する手法の一つです。
📚
機械学習
きかいがくしゅうデータからパターンを自動で見つける技術
たとえるなら
何百枚も犬の写真を見て「犬の特徴」を自分で覚えること
Machine Learningの略。大量のデータを分析して、パターンやルールを自動的に学習する技術。人間がルールを一つ一つプログラムする必要がないのが特徴です。教師あり学習・教師なし学習・強化学習などの手法があります。
🧬
ディープラーニング
ディープラーニング脳の仕組みを参考にした高度な機械学習
たとえるなら
何層にも重ねたフィルターで情報をどんどん細かく理解する
深層学習とも呼ばれ、ニューラルネットワークを多層に重ねた機械学習手法。画像認識・音声認識・自然言語処理で飛躍的な成果を上げています。ChatGPTやStable Diffusionもディープラーニングの産物。GPUが不可欠です。
🕸️
ニューラルネットワーク
ニューラルネットワーク人間の脳の神経回路を模した計算モデル
たとえるなら
伝言ゲームのように、情報を次々と加工して答えにたどり着く仕組み
人間の脳の神経細胞（ニューロン）のつながりを模倣した数学モデル。入力層・中間層・出力層から成り、層を深くしたものがディープラーニング。画像や言語のパターンを学習するために使われます。
👨🏫
教師あり学習
きょうしありがくしゅう正解データ付きで学習する方法
たとえるなら
答え付きの問題集で勉強するようなもの
入力データと正解ラベルのペアを大量に与えて学習する手法。例：猫の画像に「猫」というラベルを付けて学習させる。分類や予測タスクに適しています。画像認識や迷惑メール判定などに広く使われます。
🔍
教師なし学習
きょうしなしがくしゅう正解なしでデータの構造やパターンを発見
たとえるなら
答えなしで、似た問題を自分でグループ分けするようなもの
正解ラベルなしのデータからパターンや構造を自動で見つける手法。クラスタリング（分類分け）や次元削減に使われます。顧客の購買パターン分析や異常検知などに活用されます。
🎮
強化学習
きょうかがくしゅう試行錯誤で最適な行動を学ぶ方法
たとえるなら
ゲームを何度もプレイして、高得点の取り方を自力で覚える
AIが環境の中で行動し、報酬（ごほうび）を最大化するように学習する手法。囲碁AI「AlphaGo」やロボット制御で有名です。ChatGPTの回答品質向上にも「RLHF（人間のフィードバックによる強化学習）」が使われています。
💬
自然言語処理（NLP）
しぜんげんごしょり / エヌエルピー人間の言葉をAIに理解させる技術
たとえるなら
外国語を理解して翻訳してくれる通訳さん
Natural Language Processingの略。人間の言語（日本語、英語など）をコンピュータに理解・生成させる技術分野。翻訳、要約、感情分析、チャットボットなどに使われます。ChatGPTやClaudeはNLPの最先端です。
👁️
コンピュータビジョン
コンピュータビジョン画像や映像をAIに理解させる技術
たとえるなら
AIに「目」を持たせて、写真の中身を理解させること
画像・映像から情報を抽出・理解するAI技術。物体検出、顔認識、自動運転などに活用されます。ディープラーニングの発展で精度が飛躍的に向上し、スマホの顔認証や監視カメラの分析に使われています。
🎭
マルチモーダルAI
マルチモーダルエーアイテキスト・画像・音声など複数の情報を扱えるAI
たとえるなら
文章も絵も音楽もわかるオールラウンダーな先生
テキスト、画像、音声、動画など複数の種類のデータを同時に理解・生成できるAI。GPT-4oやClaude 3.5は画像を理解でき、Geminiは動画も扱えます。今後のAIの主流になると考えられています。
🌐
AGI（汎用人工知能）
エージーアイ人間と同等の知能を持つ究極のAI
たとえるなら
どんな教科も人間と同じように考えられるスーパーAI
Artificial General Intelligenceの略。現在のAIは特定のタスクに特化していますが、AGIはあらゆる知的タスクを人間レベルでこなせるAI。まだ実現していませんが、OpenAI・Google・Anthropicが開発を目指しています。
📝 生成AI13語
✨
生成AI（Generative AI）
せいせいエーアイテキスト・画像・音声などを新しく作り出すAI
たとえるなら
お題を出すと絵や文章を自分で考えて作ってくれるロボット
既存のデータを分析するだけでなく、新しいコンテンツを「生成」できるAIの総称。ChatGPTによる文章生成、Stable Diffusionによる画像生成、Sunoによる音楽生成などが代表的。2022年以降に爆発的に普及しました。
📖
LLM（大規模言語モデル）
エルエルエムChatGPTのような超大規模テキストAI
たとえるなら
世界中の本を読んだ超物知りな図書館員
Large Language Modelの略。数十億〜数千億のパラメータを持ち、テキスト生成・翻訳・要約・コード生成が可能。代表例：GPT-4、Claude、LLaMA、Mistral。オープンソースLLMを自前GPUサーバーで動かせばAPI料金なしで利用できます。
🎨
Stable Diffusion
ステーブル ディフュージョンテキストから画像を生成するオープンソースAI
たとえるなら
言葉で伝えるだけで絵を描いてくれる画家ロボット
Stability AI社が開発した画像生成AI。テキストプロンプトを入力するだけで高品質な画像を生成。オープンソースのため自前GPUサーバーで無料・無制限に使えます。VRAM 8GB以上のGPUが必要です。
🖼️
FLUX
フラックスStable Diffusionの次世代。より高品質な画像生成
たとえるなら
Stable Diffusionの進化版。特に人の顔や手がうまい
Black Forest Labs社が開発した最新の画像生成モデル。Stable Diffusionより高品質で、人物の手や顔の描画精度が大幅に向上しています。ただしモデルサイズが大きく、VRAM 24GB以上のGPUが推奨されます。
🌄
Midjourney
ミッドジャーニーアート品質が高いクラウド型画像生成AI
たとえるなら
プロの画家が描いたような絵を作ってくれるサービス
Discord上で利用できる画像生成AIサービス。芸術的で美しい画像が生成できるのが特徴。クラウドサービスのため自前のGPUは不要ですが、月額制で利用回数に制限があります。商用利用も可能（有料プラン）。
🎪
DALL-E
ダリOpenAIが開発した画像生成AI
たとえるなら
ChatGPTの仲間で、絵を描くのが得意なAI
OpenAI社が開発した画像生成AI。ChatGPT Plus（有料版）から利用できます。テキスト描画の精度が高く、看板やロゴ入り画像の生成に強みがあります。APIからも利用可能です。
💭
ChatGPT
チャットジーピーティーOpenAI社の対話型AI。生成AIブームの火付け役
たとえるなら
何でも質問に答えてくれる超賢い相談相手
OpenAI社が開発した対話型AIサービス。GPT-4をベースに、質問応答・文章作成・コード生成・画像生成など幅広いタスクに対応。2022年11月の公開後、わずか2ヶ月で1億ユーザーを突破しました。
🟠
Claude
クロードAnthropic社の対話型AI。長文理解に強い
たとえるなら
長い文章を全部読んで正確に答えてくれる読書家AI
Anthropic社が開発した対話型AI。最大100万トークンの超長文を理解でき、安全性への配慮が特徴。Claude 3.5 Sonnetはコーディング能力が非常に高く、開発者からの支持も厚いモデルです。
✏️
プロンプト
プロンプトAIへの指示文。出力の品質を左右する
たとえるなら
料理の注文書。注文が具体的なほど思い通りの料理が出てくる
AIに対する入力テキスト（指示文）のこと。プロンプトの書き方で出力の品質が大きく変わるため、「プロンプトエンジニアリング」という専門分野もあります。画像生成では描きたい内容を英語で詳細に記述します。
🚫
ネガティブプロンプト
ネガティブプロンプト「これは描かないで」とAIに伝える指示
たとえるなら
「ピーマン抜きで」のように、要らないものを伝える注文
画像生成AIで「生成してほしくない要素」を指定するテキスト。例：「low quality, blurry, extra fingers」（低品質、ぼやけ、余分な指）を指定すると、それらを避けた画像が生成されます。品質向上に効果的です。
🧩
トークン
トークンAIがテキストを処理する最小単位
たとえるなら
文章を細かく切ったパズルのピース。1単語が1〜3ピース
LLMがテキストを処理する際の最小単位。英語では1単語≒1トークン、日本語では1文字≒1〜3トークンになります。API料金はトークン数で課金され、モデルの入出力上限もトークン数で表されます。
🔄
Transformer
トランスフォーマー現代AIの基盤となるアーキテクチャ
たとえるなら
文章全体を一度に見渡して、大事な部分に注目できる仕組み
2017年にGoogleが発表した「Attention Is All You Need」論文で提案されたモデル構造。文脈を広く捉える「注意機構（Attention）」が特徴で、GPT、BERT、Stable Diffusionなど現代の主要AIモデルの基盤です。
🌫️
拡散モデル（Diffusion Model）
かくさんモデルノイズから画像を生成するAI技術
たとえるなら
砂嵐のテレビ画面から、少しずつキレイな絵が浮かび上がる感じ
画像にノイズ（ザラザラ）を加える過程を学習し、逆にノイズから画像を復元することで画像を生成する技術。Stable DiffusionやFLUX、DALL-Eの基盤技術です。高品質で多様な画像を生成できます。
⚙️ 学習・チューニング12語
🏋️
学習（Training）
がくしゅう / トレーニングAIにデータを与えてパターンを覚えさせること
たとえるなら
何百問もの問題を解いて、解き方のコツを身につける勉強期間
AIモデルに大量のデータを与え、パターンを学ばせるプロセス。大量のGPU・時間・データが必要で、大規模LLMの学習には数千万〜数億円のコストがかかります。学習済みモデルを使う「推論」とは区別されます。
💡
推論（Inference）
すいろん学習済みAIで予測や生成を実行すること
たとえるなら
勉強で覚えたことを使って、テストの問題を解くこと
学習済みモデルを使って新しいデータを処理する段階。画像生成やチャットAIの応答は全て推論です。推論は学習より必要GPUスペックが低いのが特徴で、初心者はまず推論から始めるのがおすすめです。
🎯
ファインチューニング
ファインチューニング既存AIを特定の用途に合わせて追加学習
たとえるなら
英語が得意な人に、医療英語をさらに勉強させるイメージ
事前学習済みの汎用モデルに特定のデータで追加学習を行い、特定タスクに特化させる手法。ゼロから学習するより少ないデータ・時間で済みます。推論だけの場合より2〜3倍のVRAMが必要になります。
🔗
LoRA
ローラ少ないリソースでAIをカスタマイズする技術
たとえるなら
制服の上にアクセサリーだけ付け替えてイメチェンする方法
Low-Rank Adaptationの略。モデル全体を再学習するのではなく、小さなパラメータだけを追加・学習させます。少ないVRAM・短い時間でモデルをカスタマイズ可能。Stable Diffusionの画風調整によく使われます。
🔧
フルファインチューニング
フルファインチューニングモデル全体のパラメータを再学習する手法
たとえるなら
制服を全部仕立て直すようなもの。手間はかかるが完璧に合う
LoRAと違い、モデルの全パラメータを更新するファインチューニング。最高の品質が得られますが、大量のVRAMと時間が必要です。7Bモデルでも80GB以上のVRAMが推奨されるため、H100クラスのGPUが必要です。
🔀
転移学習
てんいがくしゅう別タスクで学んだ知識を新しいタスクに活用
たとえるなら
サッカーで鍛えた体力を、バスケでも活かすようなもの
あるタスクで学習したモデルの知識を、別のタスクに転用する学習手法。ゼロから学習するより高精度・短時間で結果が出ます。ファインチューニングも転移学習の一種で、現代のAI開発では基本的な手法です。
🔁
エポック
エポックデータセット全体を1回学習すること
たとえるなら
問題集を最初から最後まで1回解き終わること=1エポック
学習データ全体を1回通して学習するサイクルを1エポックと言います。通常は数十〜数百エポック繰り返して学習を進めます。エポック数が多すぎると過学習になるため、適切な数の設定が重要です。
📦
バッチサイズ
バッチサイズ一度に処理するデータの個数
たとえるなら
一度に何枚のプリントを採点するか決める数
1回の学習ステップで処理するデータの数。バッチサイズを大きくすると学習が安定・高速になる反面、VRAMを多く消費します。VRAMが足りない場合はバッチサイズを小さくして対応します。
📐
学習率
がくしゅうりつAIが1回の学習でどれだけ修正するかの度合い
たとえるなら
歩幅の大きさ。大きすぎると通り過ぎ、小さすぎると進まない
モデルのパラメータをどれだけ更新するかを制御する値。大きすぎると学習が不安定に、小さすぎると学習が遅くなります。一般的に0.001〜0.0001程度が使われ、学習の進行に合わせて変化させることもあります。
📝
過学習（Overfitting）
かがくしゅう学習データを丸暗記して応用がきかなくなる状態
たとえるなら
教科書の答えは全部覚えたけど、初めての問題が解けない状態
学習データに対しては高精度だが、未知のデータに対応できなくなる現象。エポック数が多すぎたり、データが少なすぎると発生します。データの増量、早期停止、ドロップアウトなどで対策します。
📂
データセット
データセットAIの学習に使うデータの集まり
たとえるなら
先生が用意した大量の問題プリント集
AI学習に使うデータの集合。画像認識なら画像+ラベル、LLMなら大量のテキスト。データの品質と量がAIの性能を大きく左右します。ImageNet（画像）、Common Crawl（テキスト）などの公開データセットもあります。
🏷️
アノテーション
アノテーションデータに正解ラベルを付ける作業
たとえるなら
写真1枚1枚に「これは犬」「これは猫」と付箋を貼る作業
学習データに正解情報（ラベル）を付与する作業。画像に「猫」とタグ付けしたり、テキストの感情を「ポジティブ」と分類したり。教師あり学習には必須の工程で、大量のデータに対して行うため時間とコストがかかります。
📦 モデル・フォーマット10語
🔢
パラメータ
パラメータAIモデルの「知識量」。7B=70億個
たとえるなら
脳の神経のつながりの数。多いほど賢いけど場所を取る
AIモデルが学習で獲得した数値の集合。パラメータ数が多いほど賢くなるが、必要なVRAMも増加。7B（70億）は16GB、70B（700億）は80GB以上のVRAMが必要（FP16の場合）。用途に合ったサイズ選びが重要です。
🗜️
量子化（Quantization）
りょうしかモデルを圧縮して少ないVRAMで動かす技術
たとえるなら
高画質の写真を軽いJPEGに圧縮するようなもの
AIモデルの数値精度を下げてサイズを削減する技術。FP16を4ビットに量子化するとサイズが約1/4に。70Bモデルでも量子化すればVRAM 24GBで推論可能（品質はやや低下）。GGUF形式やAWQ形式が代表的です。
📄
GGUF
ジージーユーエフCPU/GPUで効率的にLLMを動かすファイル形式
たとえるなら
どのパソコンでも再生できるMP4のような汎用フォーマット
llama.cppで使われるモデルフォーマット。CPU推論にも対応しており、GPUがなくてもLLMを動かせます（速度は遅い）。量子化モデルの配布に広く使われ、Hugging Faceで多数のGGUFモデルが公開されています。
🔌
ONNX
オニキスAIモデルの共通フォーマット。異なる環境で動作
たとえるなら
どのメーカーのプリンターでも使えるUSBケーブル
Open Neural Network Exchangeの略。PyTorchやTensorFlowなど異なるフレームワーク間でモデルを共有するための標準形式。推論の最適化にも使われ、ONNX Runtimeで高速に推論を実行できます。
🔒
SafeTensors
セーフテンサーズ安全で高速なAIモデルの保存形式
たとえるなら
ウイルスが入り込めない安全な保存箱
Hugging Faceが開発した安全なモデルフォーマット。従来のpickle形式と違い、悪意あるコードが混入できない設計で安全。読み込みも高速で、Stable DiffusionやLLMのモデル配布で標準になりつつあります。
📏
FP16/FP32/INT8
エフピー16 / 32 / イントエイト数値の精度。精度が低いほど軽くて速い
たとえるなら
小数点以下何桁まで計算するかの違い
FP32（32ビット浮動小数点）は高精度だが重い、FP16（16ビット）は精度を少し落として速度2倍・メモリ半分。INT8（8ビット整数）はさらに軽量。AI推論ではFP16が主流で、量子化ではINT8/INT4も使われます。
💾
チェックポイント
チェックポイント学習途中のモデルを保存したファイル
たとえるなら
ゲームの「セーブデータ」。途中から再開できる
学習の途中段階でモデルの状態を保存したファイル。学習が途中で止まっても、チェックポイントから再開できます。Stable Diffusionでは完成したモデルのことも「チェックポイント」と呼びます（.ckpt/.safetensors形式）。
🧬
モデルマージ
モデルマージ複数のAIモデルを合体させて新しいモデルを作る
たとえるなら
2つのカレールーを混ぜて、オリジナルの味を作るようなもの
複数の学習済みモデルのパラメータを混合して新しいモデルを作る手法。追加の学習なしで各モデルの長所を組み合わせられます。Stable Diffusionのコミュニティで盛んに行われ、CivitAIなどで共有されています。
🏗️
ベースモデル
ベースモデルファインチューニング前の基本モデル
たとえるなら
トッピング前のプレーンなピザ生地
大量のデータで事前学習された汎用モデル。ここからファインチューニングで用途に合わせてカスタマイズします。LLaMA、Mistral、SDXLなどがベースモデルとして広く使われています。
🌍
オープンソースモデル
オープンソースモデル無料で使える公開AIモデル
たとえるなら
レシピが公開されていて、誰でも作れる料理
モデルの重み（パラメータ）が公開されており、誰でも無料でダウンロード・利用できるAIモデル。LLaMA、Mistral、Stable Diffusionが代表的。自前のGPUサーバーで動かせばAPI料金なしで使い放題です。
🔧 サーバー・インフラ14語
🖥️
GPU VPS
ジーピーユー ブイピーエスGPU付きのレンタルサーバー。AI処理が可能
たとえるなら
高性能パソコンを時間制でレンタルするサービス
VPS（仮想専用サーバー）にGPUを搭載したサービス。従量課金（時間単位）が一般的で、使った分だけ支払います。国内ではGPUSOROBAN、XServer VPS for GPU、ConoHa VPS GPUなどが代表的です。
☁️
クラウドGPU
クラウドジーピーユーインターネット経由で使えるGPU計算環境
たとえるなら
遠くの工場の機械を、ネット経由でリモート操作するイメージ
クラウド上のGPUリソースをインターネット経由で利用するサービス。初期投資不要で、必要なときだけGPUを使えるのが利点。AWS、GCP、Azure、Vast.aiなどが提供。GPU VPSもクラウドGPUの一種です。
🏢
オンプレミス
オンプレミス自前でGPUマシンを購入・運用する形態
たとえるなら
レンタカーではなく、自分の車を買って使うこと
自社でGPU搭載マシンを購入・設置・管理する運用形態。長期的にはコスト安ですが、初期投資（H100は400万円以上）、電気代、保守が必要。月200時間以上GPUを使うならクラウドより有利になる場合があります。
🐳
Docker
ドッカーアプリの実行環境をパッケージ化する技術
たとえるなら
お弁当箱。必要なおかずが全部入っていて、どこでも食べられる
AI実行に必要なソフトウェア（Python、PyTorch、CUDA等）を全て含んだ「コンテナ」を1コマンドで起動できます。環境構築の手間がなくなり、「手元では動くがサーバーでは動かない」問題を防げます。
📦
コンテナ
コンテナアプリとその動作環境をまとめた軽量パッケージ
たとえるなら
引っ越し用コンテナ。中身ごとどこにでも運べる箱
アプリケーションとその依存環境を丸ごとパッケージ化した実行単位。Dockerが代表的なコンテナ技術です。仮想マシンより軽量で起動が速く、AIの実行環境として広く使われています。
⚡
CUDA
クーダNVIDIA GPU上でAI計算を行うプラットフォーム
たとえるなら
NVIDIAのGPUを動かすための「運転免許」のようなもの
NVIDIAが提供するGPU向け並列計算プラットフォーム。PyTorchやTensorFlowは内部でCUDAを使いGPU計算を実行します。AI開発でNVIDIA GPUが標準となっている最大の理由がCUDAエコシステムの存在です。
🔥
PyTorch
パイトーチ最も広く使われるAI開発フレームワーク
たとえるなら
AIを作るための最強の工具セット
Meta（旧Facebook）が開発したPython用の機械学習ライブラリ。Stable Diffusion、LLaMA、Mistralなど主要AIモデルのほとんどがPyTorchで開発されています。GPUサーバーではPyTorch + CUDAのセットアップが基本です。
🧮
TensorFlow
テンサーフローGoogleが開発したAIフレームワーク
たとえるなら
PyTorchのライバル。Google製の工具セット
Googleが開発したオープンソースの機械学習フレームワーク。本番環境へのデプロイに強みがあります。近年はPyTorchに押され気味ですが、Google Cloud上での利用やモバイルAI（TensorFlow Lite）で根強い人気があります。
🐍
Python
パイソンAI開発で最も使われるプログラミング言語
たとえるなら
AI世界の「共通語」。AIをやるならまずPython
シンプルな文法で初心者にも学びやすいプログラミング言語。PyTorch、TensorFlow、Hugging Faceなど主要AIライブラリは全てPython対応。AI開発では事実上の標準言語で、GPUサーバー上でPythonスクリプトを実行します。
🔑
SSH
エスエスエイチサーバーに安全にリモート接続する仕組み
たとえるなら
遠くのパソコンを手元から安全に操作する「リモコン」
Secure Shellの略。GPU VPSにはSSHで接続してコマンドを実行します。Windowsでは「PowerShell」、Macでは「ターミナル」から
ssh username@IPアドレス で接続。初めてでも10分程度で接続可能です。
🔗
API
エーピーアイソフトウェア同士をつなぐ窓口
たとえるなら
レストランの注文窓口。メニューから頼むと料理が出てくる
Application Programming Interfaceの略。OpenAIやAnthropicはAPIを通じてAIモデルを提供しています。自分のアプリからAPIを呼び出すことで、ChatGPTやClaudeの能力を組み込めます。利用量に応じた従量課金が一般的です。
💰
スポットインスタンス
スポットインスタンス空きGPUを割安で使えるが中断の可能性あり
たとえるなら
キャンセルが出たホテルの部屋を格安で使えるけど、急に退室もある
クラウドのGPUに空きが出た際に通常より大幅に安い料金で利用できるプラン。ただし他の利用者が来ると途中で中断される可能性あり。Vast.aiのInterruptibleプランが代表的。推論や実験用途なら大幅コスト削減できます。
🔗
マルチGPU
マルチジーピーユー複数のGPUを同時に使って処理を高速化
たとえるなら
1人では重い荷物を、2人で持てば楽に運べるのと同じ
複数のGPUを連携させて計算を分担する構成。70B以上の大規模LLMの学習や推論ではマルチGPU構成が必須です。NVLinkやNVSwitchで高速接続されたGPU同士で効率的にデータをやり取りします。
🌐
分散学習
ぶんさんがくしゅう複数のマシンやGPUで学習を分担・高速化
たとえるなら
クラス全員で分担して百科事典を読むようなもの
大規模AIモデルの学習を複数のGPU/マシンに分散して行う手法。データ並列（同じモデルで別データ）とモデル並列（モデルを分割）の2種類があります。GPT-4クラスの学習には数千GPU規模の分散学習が行われています。