【2026年版】AI用語集｜AI開発の現場で使う専門用語をカテゴリ別に解説

AIの用語は、意味を知らないことよりも取り違えて使うことのほうが実務を止めます。「学習させます」という一言が、ファインチューニングを指すのかRAGへの文書投入を指すのかで、費用も納期も一桁変わるからです。この用語集では、AIプロジェクトの会話に実際に出てくる語を5つの系統に分けて定義し、あわせて現場で最も誤解の多い用語ペアの見分け方をまとめます。定義は法令条文と原論文にあたって確認しました。

まとめ｜AI用語を5系統で押さえる要点

AI用語は次の5系統で覚えると混乱しません。AIそのものの定義と略語、機械学習とディープラーニング、生成AIとLLM、モデルを自社業務に合わせる技術、そして開発工程の用語です。系統をまたいだ語を並列に並べるから分からなくなります。

実務の事故は用語の無知ではなく混同から起きます。とくにLoRAを「モデルの軽量化技術」と説明する資料が広く出回っていますが、軽くなるのは学習側であって、配備時に読み込むモデル本体は元の大きさのままです。社内で「これはAIか」を線引きする場面では、通称AI法の第2条にある法令上の定義が基準に使えます。以下、系統ごとに定義していきます。

AIの定義と略語｜AI・AGI・ASIの線引きと法令上の定義

AI・AGI・ASIの正式名称と、指す範囲の違い

AIはArtificial Intelligenceの略で、日本語では人工知能と訳します。読みは「エーアイ」です。学術的に唯一の定義があるわけではなく、研究者によって「人間のように考えるシステム」から「合理的に行動するエージェント」まで幅があります。実務では、略語が指す到達度の段階を押さえておけば足ります。

現在提供されている製品はすべてANI、つまり特化型です。AGIやASIは研究上の目標であり、製品名として使われていたらマーケティング表現だと考えてください。この3語は、ベンダーの説明が誇大かどうかを判定する物差しになります。

AIの日本語での言い換えと、AI法第2条が定める範囲

AIの言い換えとしては人工知能が唯一の定訳ですが、社内文書では言い換えないほうがよい場面があります。「AIで判定します」ではなく「勾配ブースティングによる二値分類で判定します」と書けば、レビューできる粒度になります。AIという語は総称なので、稟議書や要件定義書では技術名まで下ろしてください。抽象度を上げたまま合意すると、後工程で認識が割れます。

一方、契約や規程でAIの範囲を定義する必要があるときは、法令の定義文が使えます。AI法第2条は「人工知能関連技術」を、「人工的な方法により人間の認知、推論及び判断に係る知的な能力を代替する機能を実現するために必要な技術並びに入力された情報を当該技術を利用して処理し、その結果を出力する機能を実現するための情報処理システムに関する技術」と定めています。

施行時期には注意が要ります。同法（人工知能関連技術の研究開発及び活用の推進に関する法律、令和7年法律第53号）は2025年6月4日に公布され、附則第一条により原則としてその公布の日から施行されました。定義を置く第2条は第一章総則にあるため、2025年6月4日から効力があります。2025年9月1日に施行されたのは、後ろ倒しが定められていた第三章（人工知能基本計画、第十八条）と第四章（人工知能戦略本部）です。定義規定を根拠に使うときに、9月1日を起点だと誤ると社内規程の適用開始日を間違えます。

この条文が実務で効くのは、定義に「知的な能力を代替する技術」だけでなく「情報処理システムに関する技術」まで含まれている点です。機械学習を使っていないルールベースの判定システムであっても、人の判断を代替している以上は対象に含まれうる読み方になります。「うちのは機械学習じゃないからAI規程の対象外」という整理は、この定義に照らすと通りません。

あわせて押さえる政策文書が2つあります。人工知能基本計画は同法第十八条に基づく法定計画で、2025年12月23日に初回が閣議決定され、2026年7月14日に改定版が閣議決定されました。現行はこの2026年版です。もう1つが総務省と経済産業省のAI事業者ガイドラインで、最新は2026年3月31日公表の第1.2版。AI開発者・AI提供者・AI利用者という事業者の立場ごとに求められる取り組みを整理しています。検索すると第1.1版のPDFが上位に出てきますが旧版なので、参照時は版番号を確認してください。

機械学習とディープラーニングの用語｜学習の枠組みからアルゴリズムまで

教師あり学習・特徴量・過学習｜データと学習を指す用語

機械学習（Machine Learning）は、人がルールを書く代わりに、データから規則性を獲得させる手法の総称です。獲得のさせ方で分かれます。教師あり学習は入力と正解のペアを与える方式で、実務のAI案件の大半はこれです。教師なし学習は正解を与えずクラスタリングや異常検知を行います。強化学習は行動に報酬を与えて試行錯誤させる方式で、制御や対戦系に向きます。LLMの事前学習で多用される自己教師あり学習は、文章の一部を隠して当てさせるなど、データ自身から擬似的な正解を作る方式です。

特徴量はモデルへの入力にする変数、アノテーションは生データに正解ラベルを付ける作業を指します。教師あり学習の精度はここで決まるため、案件の工数が最も膨らむ工程でもあります（アノテーションの種類・やり方・品質管理で詳しく扱っています）。データは通常、訓練データ・検証データ・テストデータに分けます。

パラメータは学習によって自動的に決まる重み、ハイパーパラメータは学習率やバッチサイズのように人が事前に指定する設定値です。両者を混同すると「パラメータを調整してください」という依頼の意味が通じません。過学習は訓練データに合わせ込みすぎて未知データで精度が落ちる状態を指します。クロスバリデーションはデータの分割を変えながら評価を繰り返す手法で、主目的は汎化性能の推定とモデル選択、その過程で過学習も見つかります。

ニューラルネットワークとTransformer｜モデル構造の用語

ニューラルネットワークは、入力層・中間層・出力層をつないで信号を伝播させる計算モデルです。中間層を多層にしたものがディープラーニング（深層学習）で、画像や音声のように人が特徴量を設計しづらいデータで威力を発揮します。用途別に構造が分かれ、画像にはCNN（Convolutional Neural Network、畳み込みニューラルネットワーク）、時系列や文章にはRNN（Recurrent Neural Network、再帰型ニューラルネットワーク）とその改良版であるLSTMが使われてきました。

現在の生成AIの土台はTransformerです。2017年の論文「Attention Is All You Need」で提案された構造で、系列を順番に処理せず、アテンション機構によって文中の離れた語どうしの関係を一度に捉えます。並列計算しやすいため大規模化に耐え、これが後述するスケーリング則と組み合わさって現在のLLMにつながりました。

ディープラーニング以外も現役です。決定木は条件分岐でデータを分割する手法で、判断根拠を図で説明できる点が強みになります。決定木を多数束ねる手法は2系統あり、ここが混同されがちです。ランダムフォレストは互いに独立な木を並列に育てて予測を平均します。対して勾配ブースティングは木を1本ずつ逐次的に足す加法モデルで、新しい木は直前までの予測が抱える誤差、正確には損失関数の負の勾配を予測するように学習する点が違います。45データセットを用いた比較研究「Why do tree-based models still outperform deep learning on tabular data?」（arXiv:2207.08815）は、中規模の表形式データでは木ベースが深層学習より依然として強いと報告しており、業務系の予測案件では第一候補にしてかまいません。ベイズ推定は事前の想定と観測データから事後確率を求める手法で、データが少なく不確実性を扱いたい場面で使われます。

ルールベースAIの守備範囲と、ルール爆発という限界

ルールベースAIは、人が書いた条件分岐で判断するシステムです。エキスパートシステムやビジネスルールエンジンがこれにあたります。学習データが不要で、判断根拠が条文のように追え、ルールを1行直せば挙動が即座に変わる。監査や説明責任が求められる領域では、この透明性が機械学習にない強みになります。

限界ははっきりしています。ルール数が増えると条件どうしが干渉し、どのルールがどの順で効いているのか追えなくなります。いわゆるルール爆発です。例外が例外を呼ぶ領域、たとえば自然文の意図解釈や画像の判別では、書き切ること自体が不可能になります。

判断基準はシンプルです。判定条件を人間が言葉で明文化でき、条件の数が数十程度に収まるなら、機械学習は過剰です。ルールベースのほうが安く、速く、説明できます。逆に、条件を明文化しようとして「経験で分かるとしか言えない」と現場が答えるなら、そこが機械学習の出番になります。

生成AIとLLMの用語｜モデル・トークン・スケーリング則

LLM・SLM・基盤モデル｜生成AIの土台を指す用語

生成AI（Generative AI）は、学習した分布に従って新しいデータを出力するAIの総称です。対になるのが非生成AI（non-generative AI、識別系AI）で、分類や検知のように既存の選択肢から答えを選びます。不良品検知は非生成、報告書の下書き作成は生成。案件の性質を最初にこの2択で切り分けると、後の技術選定がぶれません。

言語モデル（LM）は次に来る語の確率を予測するモデル、その大規模版がLLM（大規模言語モデル）です。逆に軽量化してオンプレミスや端末での実行を狙ったものをSLM（小規模言語モデル）と呼びます。言語に限らず幅広いタスクの土台になるモデルは基盤モデル（Foundation Model）で、この呼称はStanford大学のCRFMが2021年の報告書「On the Opportunities and Risks of Foundation Models」（arXiv:2108.07258）で提唱したものです。テキストに加えて画像や音声を扱えるものはマルチモーダルと呼ばれます。

学習の段階を指す語も頻出です。大量のテキストで汎用的な能力を作るのが事前学習、その後に対話形式や安全性を仕込むのが事後学習にあたります。代表例のRLHF（人間のフィードバックによる強化学習）は、人間がどちらの出力を好むかという選好データから報酬モデルを学習し、それを報酬にして強化学習を回す手法です。報酬モデルを介さず選好データから直接最適化するDPOなどの代替手法も広く使われています。出力を人間の意図や社会規範に沿わせる調整全般をアライメントと言います。

公開モデルを検討するときは、オープンソースとオープンウェイトの区別が要ります。オープンウェイトは学習済みの重みが配布されているだけの状態で、学習コードやデータの情報は非公開、商用利用や再配布に条件が付くライセンスも珍しくありません。対してOSI（Open Source Initiative）のOpen Source AI Definition 1.0は、オープンソースAIを名乗る条件として、パラメータに加えて学習と実行に使う完全なソースコード、そして「熟練者が実質的に同等のシステムを構築できる程度に十分詳細な、学習に使ったデータについての情報」の公開を求めています。訓練データそのものの公開までは求めていない点が誤解されやすいところです。LlamaやGemma、Qwen、Mistralといった「オープンソースAI一覧」に並ぶモデルの多くは、この基準に照らせばオープンウェイトにとどまります。

トークンとコンテキストウィンドウ｜料金と入力上限を決める単位

トークンはモデルがテキストを扱う単位で、単語より細かい部分文字列に分割されます。API料金はこの単位で決まり、日本語は英語より1文字あたりのトークン消費が多くなる傾向があります。見積もりに使う倍率はモデルのトークナイザごとに違うので、実際の想定文書を対象モデルのトークナイザにかけて実測してください。一度に扱えるトークン数の上限がコンテキストウィンドウで、長い文書を投げるときの制約になります。上限はモデルによって数千から100万規模まで開きがあり、更新も速いため、選定時は提供元の仕様ページで確認するのが確実です。

埋め込み（Embedding）は語や文を数値ベクトルに変換したもので、意味の近さをベクトルの距離として計算できます。この埋め込みを大量に保存し、近いものを高速に探すために使うのがベクトルデータベースで、RAGの検索部分を支えます。温度（temperature）は出力のばらつきを制御する設定値です。値域は多くのAPIで0から2程度、下げるほど決定的に、上げるほど多様になります。

ハルシネーションは、事実に反する内容をもっともらしく生成する現象です。モデルは確率的に次の語を選んでいるだけで真偽を検証していないため、原理的に完全には消せません。だからこそ、出典を提示させる設計や人によるレビュー工程を業務フローに組み込む必要があります。

スケーリング則が示した、精度を上げる打ち手の優先順位

スケーリング則は、2020年の論文「Scaling Laws for Neural Language Models」（arXiv:2001.08361）が示した経験則です。同論文の要旨は、交差エントロピー損失がモデルサイズ・データセットサイズ・学習に使った計算量に対してべき乗則で減少し、一部の傾向は7桁以上にわたって成立すると述べています。あわせて、ネットワークの幅や深さといった構造上の違いは、広い範囲で影響が小さいとしています。

実務への含意は明確です。精度が頭打ちになったとき、層を1枚増やす、活性化関数を変えるといった構造いじりの費用対効果は低い。効くのは規模のほうです。同論文はさらに踏み込み、計算予算が固定されている場合、最も効率的なのは「比較的控えめな量のデータで非常に大きなモデルを学習させ、収束のかなり手前で打ち切ること」だと結論づけています。大きなモデルほどサンプル効率が高いためです。

ただしこの配分は2022年に修正されました。DeepMindのChinchilla論文（arXiv:2203.15556）は、7,000万から160億超のパラメータのモデルを400以上、50億から5,000億トークンで学習させた結果、当時のLLMは軒並み学習データが不足していると指摘し、計算最適な学習ではモデルサイズと学習トークン数を等しくスケールさせる、つまりモデルを2倍にするならトークン数も2倍にすべきだと示しました。実際、Chinchilla（70B）は同じ計算予算のGopher（280B）を上回っています。スケーリング則を引くときは、どちらの配分を指しているのかまで確認してください。

もう1つ、学習時ではなく回答生成時に計算量を積む推論時スケーリングという考え方があります。モデルに途中の思考を長く書かせて精度を上げる方式で、応答時間と課金トークンが増えるかわりに難問の正答率が上がります。待たせてよい処理か即答が要る処理かで選び分けてください。

モデルを自社業務に合わせる技術の用語｜RAG・ファインチューニング・LoRA

プロンプトエンジニアリングとRAG｜モデルの外に知識を置く方法

既存モデルを自社の仕事に合わせる方法は、手間の軽い順に並びます。プロンプトエンジニアリングは指示文の設計だけで挙動を調整する方法で、システム全体に効かせる固定の指示文をシステムプロンプト、回答例をいくつか見せる手法をFew-shotと呼びます。まずここから試すのが定石です。

RAG（Retrieval-Augmented Generation、検索拡張生成）は、社内文書などを検索して見つかった内容をプロンプトに添えてから回答させる仕組みです。知識をモデルの外に置くため、文書を差し替えるだけで回答が更新され、出典も提示できます。検索精度がそのまま回答品質になるので、複数の検索結果を統合するRRF（Reciprocal Rank Fusion）のようなランキング手法が効いてきます。

そのRAGを含め、外部の道具やデータに自律的にアクセスして多段の作業をこなす仕組みをAIエージェントと呼びます。1回の質問に1回答えるチャット利用と違い、検索・実行・結果の確認を自分で繰り返す点が違いです。エージェントに外部ツールを接続する規格としてMCP（Model Context Protocol）が普及しつつあり、ツール連携の実装を指して「MCPサーバーを立てる」という言い方をします。

ファインチューニングとLoRA｜モデルの中を書き換える方法

ファインチューニングは、事前学習済みモデルを自社データで追加学習し、重みそのものを更新する方法です。出力の形式や文体を固定したいとき、専門領域の言い回しを覚えさせたいときに効きます。ただし知識をモデル内部に焼き込むため、情報が変わるたびに学習をやり直すことになります。

LoRA（Low-Rank Adaptation）は、そのファインチューニングを軽く行う手法です。原論文（arXiv:2106.09685）の要旨によれば、事前学習済みの重みを凍結したうえで、Transformerの各層に学習可能な低ランク分解行列を挿入します。GPT-3 175BにAdamでフルファインチューニングする場合と比べ、学習対象パラメータは1万分の1、GPUメモリ要求は3分の1に減り、アダプタ方式と違って推論時の追加レイテンシが生じないと報告されています。ただしレイテンシには条件があり、論文が前提にしているのはLoRAの行列を元の重みに足し込んでから配備する運用です。足し込まずに動かす構成では、その分の計算が推論時に乗ります。

LoRAで軽くなるのは学習側｜推論を軽くする量子化・蒸留との違い

LoRAを「モデルの軽量化技術」「リソースが限られた端末向けの技術」と説明する解説が多く出回っています。前半は言い方次第ですが、後半は誤りです。軽くなる主語が違うからです。

LoRAが減らすのは、学習時に更新するパラメータ数、学習時のGPUメモリ、そしてタスクごとに保存する差分の容量です。原論文はGPT-3 175Bで、保存するチェックポイントが350GBから35MBへ約1万分の1になったと報告しています。一方で同論文は脚注で「配備時には依然として350GBのモデルが必要である。ただし100個の適応モデルを保存する場合、100×350GB≈35TBではなく350GB＋35MB×100≈354GBで済む」と明記しています。つまり推論時に読み込むモデル本体は元の大きさのままで、節約できているのはタスクごとの追加分です。

推論そのものを軽くしたいなら、別の技術を選びます。重みの数値精度を落としてメモリと計算量を減らす量子化か、大きなモデルの振る舞いを小さなモデルに移す知識蒸留です。端末で動かしたい、推論コストを下げたいという要件にLoRAを提案されたら、目的と手段が噛み合っていません。

使い分けの順序はこうです。まずプロンプトで試し、足りなければ根拠となる社内文書をRAGで参照させる。それでも出力の形式や口調が安定しないときに、初めてファインチューニングやLoRAを検討します。逆順で着手して費用を溶かす案件が後を絶ちません。

AI開発プロジェクトの工程で使う用語｜PoCから運用監視まで

PoC（概念実証）は、本開発の前に技術的な実現性を小規模に確かめる工程です。ここで合格基準を数値で決めずに始めると、いつまでも終わらないPoCになります。続くデータ前処理では、欠損値の補完、外れ値の除去、スケールをそろえる正規化を行う。実装はPythonのライブラリが一般的で、表形式データの機械学習ならscikit-learn、ディープラーニングならPyTorchやTensorFlow、学習済みモデルの入手にはHugging Faceが事実上の標準です。

評価指標は複数を併用します。正解率（Accuracy）だけを見るのは危険です。不良品が全体の1%しかない検査工程では、すべて良品と答えるモデルでも正解率99%になります。実際に使うのは、陽性と判定したもののうち本当に陽性だった割合を示す適合率（Precision）、本当に陽性のもののうち検出できた割合を示す再現率（Recall）、その調和平均であるF1スコアです。見逃しが致命的な検査なら再現率、誤検知のコストが高い業務なら適合率を優先します。

学習済みモデルで実際に予測させる処理が推論です。GPUは画像処理向けに生まれた並列演算プロセッサで、行列演算を大量に並行処理できるため学習では事実上必須ですが、推論はCPUで足りることもあります。学習と推論を分けて見積もらないとインフラ費用を読み違えます。

運用開始後に効いてくるのがMLOpsとドリフトです。MLOpsは、データ収集から学習・デプロイ・監視・再学習までを継続的に回す運用の仕組みと文化を指し、DevOpsの考え方を機械学習に広げたものです。ドリフトには2種類あります。入力データの分布がずれるデータドリフトと、入力と出力の関係そのものが変わるコンセプトドリフトで、後者は入力の見た目が変わらないまま精度だけが落ちるため気づきにくい。AIシステムは作って終わりではなく、精度を監視して再学習する体制まで含めて設計してください。監視設計を欠いた案件では、稼働後しばらくして「最近当たらない」という報告が現場から上がり始めます。

混同されやすい用語ペアの区別｜取り違えが招く実害

用語集を読んで意味を覚えても、似た語の使い分けができていないと会話は噛み合いません。現場で実際に取り違えの多い組み合わせを、区別の軸とあわせて整理します。

この表の中でも、AI・機械学習・ディープラーニングの包含関係は最も基礎でありながら誤用が絶えません。3語を並列の選択肢のように扱った提案書を受け取ったら、その時点で技術的な精度を疑う根拠になります（AI・ML・DLの違いを具体例で確認できます）。

実害が大きいのはRAGとファインチューニングの取り違えです。「社内マニュアルを学習させてチャットボットを作る」という要望を、そのままファインチューニングとして見積もると、学習環境の構築と再学習の運用まで積み上がります。マニュアルが更新されるたびに再学習が必要になるので、運用費も跳ね上がる。求められているのが最新版のマニュアルを参照した回答であれば、RAGのほうが安く、更新にも強く、出典も出せます。

用語を正しく使っても失敗する場面｜合意すべきは語ではなく対象

用語の統一が目的化した会議は、たいてい成果物を生みません。押さえるべきは、その語が自社の何を指しているかの合意です。「学習データ」と全員が正しく言えていても、それが基幹システムのどのテーブルの、いつからいつまでのレコードを指すのかが決まっていなければ、要件定義は一歩も進みません。

ベンダーの提案を評価するときは、用語の定義を尋ねるのではなく、対象を尋ねてください。「独自のAIで最適化します」という説明に対しては、入力は何か、出力は何か、正解データは誰がどう作るのか、精度をどの指標で測るのかを聞きます。ここに答えられない提案は、技術がないか、まだ設計していないかのどちらかです。

用語を知っていることが守りにならない領域もあります。プロンプトインジェクションは、入力文や参照させた外部文書に紛れ込ませた指示でモデルを乗っ取り、システムプロンプトの無視や機密の開示を狙う攻撃です。RAGやAIエージェントのように外部の文書やサイトを読ませる構成では、攻撃文が本文に混ざって届きます。用語集で語を覚えるだけでは防げず、出力先の権限を絞る、外部から取り込んだ文章を指示として扱わない設計にする、といった実装側の対策が要ります。

よくある質問

AI用語はどこまで覚えればよいですか？

役割で決めてください。発注や社内推進の立場なら、本記事の混同ペアの表にある10組を区別できれば実務は回ります。見積もりの妥当性を判断するのに必要な語がそこに集まっているためです。実装を担うなら、これに加えて評価指標（適合率・再現率・F1スコア）と、扱うデータ形式に応じたモデル構造の知識が要ります。網羅的に暗記するより、自社の案件で実際に飛び交う20語程度に絞り、それぞれ自社のシステム名と紐づけて覚えるほうが定着します。

AIに用語集そのものを作らせてもよいですか？

下書きには使えますが、そのまま公開するのは避けてください。生成AIはハルシネーションを起こすため、定義文や略語の展開に誤りが混じります。本記事でも、広く出回っているLoRAの「軽量化技術」という説明が実際には主語を取り違えていることを、原論文にあたって確認しました。用語集は誤りが読者にそのまま伝播する形式なので、AIに列挙とドラフトを任せ、定義の正確性は公式ドキュメント・原論文・法令条文といった一次情報で人が検証する分担にするのが現実的です。

オープンソースAIとして公開されているモデルは商用利用できますか？

モデルごとにライセンス本文を確認してください。「オープンソースAI一覧」に並ぶモデルの多くは、実際には重みだけが配布されたオープンウェイトです。OSIのOpen Source AI Definition 1.0は、パラメータに加えて学習と実行の完全なソースコード、学習データについての十分詳細な情報の公開を求めており、この基準を満たすものは限られます。商用利用の可否、月間利用者数による制限、出力の再学習利用の禁止といった条件がライセンスごとに違うため、社名やモデル名の知名度で判断しないことです。

AIエージェントは従来のLLM利用と何が違いますか？

作業を自分で分割して繰り返すかどうかが違いです。チャットとしてのLLM利用は、1つの入力に対して1つの出力を返すだけ。AIエージェントは、目的を与えると検索・ツール実行・結果の確認を自律的に繰り返し、必要なら手順をやり直します。外部ツールとの接続にはMCP（Model Context Protocol）などの規格が使われます。自律的に動く分だけ権限設計とログの取得が重みを増し、プロンプトインジェクションの影響範囲も広がるため、導入時はエージェントに与える権限を業務上の最小限に絞ってください。

生成AIを業務で使うとき、何に気をつければよいですか？

入力側と出力側の2点です。入力側では、社外秘や個人情報を入れる前に、そのサービスで入力内容が学習に使われるかを利用規約で確認してください。無料版と法人向けプランで扱いが異なるサービスが多くあります。出力側では、ハルシネーションを前提に、数値・固有名詞・法令の条文は一次情報で裏を取ってから使う運用にしてください。判断の枠組みとしては、総務省と経済産業省が2026年3月31日に公表したAI事業者ガイドライン第1.2版が、AI開発者・AI提供者・AI利用者それぞれに求められる取り組みを整理しています。

関連記事

• AI・ML・DLの違いとは？機械学習と深層学習の関係を具体例でわかりやすく解説
• アノテーションとは？AI・機械学習の教師データ作成の種類・やり方・品質管理を解説
• 知識蒸留（Model Distillation）とは？仕組み・実装手順とLLM軽量化の判断基準
• RRF（Reciprocal Rank Fusion）とは？RAG-Fusionでの仕組み・スコア計算・実装を解説
• LSTMとは？仕組み・数式・RNN/GRUとの違いをPython実装で解説