潜在空間(AIが、ものを少しの数にまとめ、点として並べる見えない空間)とは?
別の呼び名:Latent space
1分で解説
潜在空間とは、AIが、写真や声、文などを、元よりずっと少ない数の並びにまとめて表すとき、その数の並びを「場所」と見てできる、目に見えない空間のことです。
コンピューターの中では、絵も数の並びです。手書きの数字の小さな白黒の絵なら、28×28の画素(絵の細かい粒)の明るさで784個の数です(大きな絵やカラーの絵は、もっと多い)。AIは、これを30個の数にまとめ、その30個から784個の明るさを計算して絵に戻す練習を繰り返し、大事な特徴を残すことを覚えます。
2つの数で方眼紙の「右へ3、上へ5」の場所を表せるように、30個の数の並びも、潜在空間の1点と見られます。似た絵は近い点に集まります。「1」の絵の点の数を「7」の点の数へ少しずつ変え、そのたびに絵に戻すと、絵も「1」から「7」へ変わっていきます。
絵を作るAIの Stable Diffusion も、この空間で点を仕上げてから、絵に戻します。
よくある思い込み
「潜在空間の数の1つ1つには、笑顔の強さ・めがねのあるなしのような、人が決めた意味がある」
半分だけ合っています。潜在空間の中に、絵の特徴に合う「向き」が見つかることはあります。点は数の並びなので、2つの点の、同じ順番の数同士を引いたり足したりできます。2015年の研究では、顔の絵を作るAIで、笑った女性の点から笑っていない女性の点を引きました。引いて残った差が「笑顔の分」で、空間の中では1つの向きになります。これを笑っていない男性の点に足して、その点から絵を作ると、笑った男性の顔になりました。でも、どの数に何を受け持たせるかを、人が前もって決めたわけではありません。数は学習の中で決まり、人は後から、笑った顔と笑っていない顔のように、ある特徴がある絵と無い絵の点を比べて、その特徴に合う向きを探します。1つ1つの数が、はっきりした意味を持つことはまれです。同じ研究でも、笑った女性などの顔を1枚ずつ使った計算は結果が安定せず、それぞれ3枚の顔の点を平均して、やっと安定しました。
図で解説
図は、出典(科学なるほど新聞 naru.news)を書けば、授業・資料・ブログなどで自由に使えます(CC BY 4.0)。
たとえるなら
料理を、少しの数のレシピにまとめて、また作る
おいしいカレーを、遠くの友だちに伝えたいとします。カレーそのものを詳しく説明しようとすると、具の形や色、香りなど、きりがありません。そこで、「玉ねぎ2個、肉300グラム、辛さ3、煮る時間30分」のように、作り直すのに大事な所だけを、少しの数のレシピにまとめます。友だちは、そのレシピを見て、同じようなカレーを作り直せます。料理をまとめた少しの数が、潜在空間の点に当たります。
似た料理は、似たレシピになります。辛口のカレーと甘口のカレーのレシピは、辛さの数が違うくらいです。辛さの数を3から5へ少しずつ変えていけば、できるカレーも少しずつ辛くなります。潜在空間の点から点へ少しずつ動くと、作られる絵が少しずつ変わるのと同じです。
ただ、たとえが合わないところもあります。レシピの項目は人が決め、「辛さ」のような名前が付いています。潜在空間の数は、AIがまとめては戻す練習をする中で決まり、1つ1つの数に名前はありません。どの数が何を表すのかは、人にもよく分からないのが普通です。また、潜在空間は、レシピを並べた本棚のような、本当にある場所ではありません。数の並びを「場所」と見立てた、考え方の上の空間です。
ポイント解説
なぜ「潜在」「空間」と呼ぶの?
「潜在」は、表には表れず、内にひそんでいる、という意味です。「潜在能力」(まだ表に出ていない力)の潜在と同じ字です。英語の latent(レイテント)も、「隠れている」という意味のラテン語から来た言葉です。
写真の数は、画素ごとの明るさや色を表しているので、見ればそのまま分かります。潜在空間の数は、そうではありません。AIが学ぶ中で作った数で、写真の上には表れていませんが、写真の大事な特徴を、内にひそめて持っています。だから「潜在」と呼ぶのです。
「空間」と呼ぶのは、数の並びを、場所を表す数と見るからです。方眼紙の上の場所は、横と縦の2つの数で決まり、部屋の中の場所は、横・奥行き・高さの3つの数で決まります。同じように、30個の数の並びは、30の向きがある空間の中の、1つの場所と見られます。場所と見れば、2つの並びが似ているかどうかを、2つの点の離れぐあいで考えられます。
ただし、AIの中に、部屋のような場所が本当にあるわけではありません。AIの中にあるのは数の並びで、それを人が「空間」に見立てているのです。4つ以上の向きがある空間は、人には絵に描けません。
なぜ、小さくまとめるの?
大きなデータを、大事な所だけを残した、少しの数にするためです。そのためのニューラルネットワーク(脳の神経のつながりをまねた計算の仕組み)の1つが、オートエンコーダーです。前半の縮める側(エンコーダー)が、データを少しの数にまとめ、後半の戻す側(デコーダー)が、その数から元のデータを作り直します。元のデータと作り直したもののずれが小さくなるように、両方を一緒に学ばせます。2006年の論文は、層をたくさん重ねたオートエンコーダーでも、うまく学ばせられるやり方を示しました。
真ん中の数が少ないので、AIは何もかもを残すことはできません。元に戻すのに大事な特徴を、選んで残すしかないのです。残す30個の数は、元の画素のどれかを選んだものではなく、AIが学ぶ中で作った数です。この論文で、手書きの数字の小さな絵(28×28の画素で、784個の数)を30個の数にまとめると、昔からある計算のやり方で30個にまとめたときより、ずっと元に近い絵に戻せました。学習に使った6万枚とは別の、1万枚の新しい絵で確かめた結果です。
数を2つにまとめれば、平らな図に描けます。手書きの数字で試すと、昔からあるやり方で2つにまとめたときより、データの様子が分かりやすい図になりました。論文は、データを少しの数にまとめると、仕分ける・目で見えるようにする・送る・しまっておく、といったことがしやすくなる、と書いています。
ただし、戻したものは、元と全く同じにはなりません。少しの数に入りきらない細かい所は、落ちてしまうからです。
戻す側は、どうやって数から絵を描くの?
人のように、筆で線を1本ずつ引くのではありません。画素1つ1つの明るさを、数として計算して出します。手書きの数字なら、潜在空間の点の30個の数を入れると、784個の数が出てきます。それを28個ずつ28行に並べ、大きい数の画素ほど明るく塗ると、絵になります。カラーの絵なら、画素ごとに、赤・緑・青の強さの3つの数を出します。
その計算をするのは、ニューラルネットワーク(数に「重み」という数を掛けて足す計算を、何段にも重ねた仕組み。詳しくは「ニューラルネットワーク」のページ)です。30個の数に重みを掛けて足して次の段の数を作り、その数からまた次の段の数を作る、ということを繰り返して、最後の段で784個の数にします。
重みは、人が決めたのではありません。縮める側と一緒に、たくさんの絵で、元の絵と戻した絵のずれが小さくなるように、少しずつ直していく中で決まりました。だから、学んだ絵をまとめた点を入れると、その絵によく似た絵が出てきます。
新しい絵を作るときも、戻す側がすることは同じです。違うのは、入れる点をどこから持ってくるかです。変分オートエンコーダー(VAE)では、潜在空間の真ん中辺りから点を選びます(下の「絵を作るAIでは、どう使われているの?」)。Stable Diffusion では、でたらめな数(ノイズ)でできた点から始め、頼みの言葉を手がかりに、点に混じったノイズを当てて、少しずつ取り除きます。仕上がった点は、64×64の数の並び4枚分(1万6384個の数)です。これを戻す側に1回通すと、512×512の画素の絵(画素ごとに3つの数で、78万6432個の数)になります。
エンベディング(埋め込み)とは、どう違うの?
とても近い言葉で、重なる所がたくさんあります。エンベディングは、AIが言葉・文・絵などを、似たものほど近くに来るように変えた数の並びです(詳しくは「エンベディング」のページ)。その数の並びが点として集まる空間を「埋め込み空間」と呼びます。潜在空間を、この埋め込み空間と同じ意味の言葉として扱う用語集もあります。
違いは、どこに目を向けた言葉か、です。「エンベディング」は、1つ1つのものに割り当てた数の並び(点)のほうを指し、言葉同士を比べたり、意味の近い文を探したりする話でよく使われます。「潜在空間」は、点が集まる空間のほうを指します。特に、絵を作るAIの研究では、戻す側に通すと絵になる数の並びの集まりを、潜在空間と呼んできました。空間の中を動いたり、点を選んで新しい絵を作ったりする話で使われる言葉です。
言葉のAIの研究でも使われます。2024年の研究は、言葉のAIに、考えの途中を言葉に書き出させず、AIの中の数の並びのまま、次の考えへ渡させました。論文は、これを、人の言葉の代わりに潜在空間で考えさせるやり方、と説明しています(詳しくは「ニューラリーズ」のページ)。
点の間を動くと、何が起きるの?
点から点へ動くとは、片方の点の数の並びを、もう片方の点の数の並びへ、少しずつ変えていくことです。例えば、2つの点のちょうど真ん中の点は、同じ順番の数同士を足して2で割った数の並びです。途中の点を1つずつ戻す側に通して絵にすると、変わっていく様子を目で見られます。
うまく学べた潜在空間では、点から点へ少しずつ動くと、そこから作る絵も、少しずつ滑らかに変わります。2015年の研究は、寝室の絵を作るAIで、これを確かめました。このAIは GAN(2つのAIを競わせて絵を作る仕組み)の一種で、100個の数でできた点を、作る側に通して絵にします。研究者たちは、でたらめに9つの点を選び、点から点へ順に少しずつ動きながら、絵を作りました。絵は滑らかに変わり、途中の絵も、どれも寝室らしく見えました。窓の無い部屋が、少しずつ大きな窓のある部屋に変わったり、テレビのように見えるものが、少しずつ窓に変わったりしました。
研究者たちは、このように物が少しずつ現れたり消えたりする変わり方を、AIが絵の中身に合った表し方を学んだ印だ、と見ています。
足し算・引き算もできました。同じ研究で、顔の絵を作るAIの点を使い、笑った女性・笑っていない女性・笑っていない男性の点を、それぞれ3つずつ平均してから、「笑った女性 − 笑っていない女性 + 笑っていない男性」を計算しました。その点を絵にすると、笑った男性の顔になりました。「めがねの男性 − めがねなしの男性 + めがねなしの女性」では、めがねの女性の顔ができました(どれも、AIが作った顔の絵です)。同じ計算を、画素の明るさのままで行うと、位置のずれた顔同士が重なり、乱れた絵になりました。
数を2つにした潜在空間で、平らに並べた点を1つずつ手書きの数字の絵に戻すと、場所によって数字が変わり、となりあう所では、ある数字が別の数字へ、滑らかに変わっていく様子が見られます。2013年の論文も、こうして作った図を載せています。
絵を作るAIでは、どう使われているの?
潜在空間の点を選んで、戻す側に通せば、新しい絵が作れるはずです。2013年の論文が出した変分オートエンコーダー(VAE)は、そのための工夫をしました。絵をまとめた点が、空間の真ん中辺りに、滑らかにつながって集まるように学ばせるのです。そうすると、その辺りから点を選んで戻す側に通すだけで、新しい絵が作れます。
今よく知られた絵を作るAIでも、潜在空間が使われています。2021年12月に出た論文は、拡散モデル(ノイズだけの状態から、ノイズを少しずつ取り除いて絵を作る仕組み)を、画素のままではなく、前もって学ばせたオートエンコーダーの潜在空間の中で動かしました(潜在拡散モデル)。デジタルの絵の情報の多くは、人の目ではほとんど分からない細かい所です。縮める側でそうした所を落とし、小さな空間で、絵の中身や組み立てを学ばせるのです。絵を作るときは、潜在空間の中でノイズを取り除き終えた点を、戻す側に1回通すだけで、絵にできます。縮める側と戻す側は、1度学ばせれば、いくつもの拡散モデルで使い回せます。
画素のまま動かす拡散モデルは、一番強いもので、学ばせるのに、GPU(AIの計算に使う、計算の速い部品)1台に直すと数百日分の計算がかかることもありました。5万枚の絵を作るのにも、GPU 1台で約5日かかっていました。潜在空間なら、扱う数が少ないので、計算がずっと軽くなります。ただし、縮め方には、ちょうどよい所があります。この論文で、縮めないか、絵の縦と横を2分の1にするだけだと、学習の進みが遅く、32分の1まで縮めると、早いうちに絵の質が伸びなくなりました。縦と横を4分の1〜16分の1に縮めた辺りが、軽さと絵の質の、ちょうどよい所でした。
Stable Diffusion も、このやり方です。縮める側が、絵を、縦と横をそれぞれ8分の1にした大きさの数の並びにまとめ、ノイズの作業は、その潜在空間で行います。頼みの言葉も数の並びに変えて、ノイズを取り除く計算に入れます。学ぶときに、絵をまとめた点に混ぜたノイズを、その絵に付いた説明の言葉を手がかりに当てる練習をしているので、言葉に合う絵の点へと、少しずつ仕上がっていくのです(詳しくは「拡散モデル」のページ)。
分かっていないことや、気を付けることは?
潜在空間の1つ1つの数が何を表しているかは、普通、人にはよく分かりません。数は、AIがまとめては戻す練習の中で決まったもので、人が名前を付けたものではないからです。調べて推し量れることもありますが、いつもではありません(AIの中を読み解く研究は、「解釈可能性」と呼ばれます)。
「笑顔の向き」のような、意味の分かる向きが、いつもきれいに見つかるとは限りません。2015年の研究でも、顔を1枚ずつ使った足し算・引き算は結果が安定せず、それぞれ3枚の顔の点を平均して、やっと安定しました。
似たものが近くに集まるのも、学習の結果としてそうなったもので、AIが人のように意味を分かって並べたわけではありません。点と点の近さや、空間の中の向きが、人の感じる「似ている」と、いつも同じとは限りません。
確認問題
問1オートエンコーダーというAIは、手書きの数字の絵(784個の数)を30個の数にまとめてから、元の絵に戻す練習を繰り返す。この練習で、AIが身につけることは?
答えと解説
答え:C 戻すのに使う30個の数を、学びながら作るやり方
真ん中の数が30個しかないので、AIは何もかもを残すことはできず、元に戻すのに大事な特徴を選んで残すようになります。残す30個の数は、元の画素から選んだものでも、絵を決まったマスに分けて平均したものでもなく、元の絵と戻した絵のずれが小さくなるように学ぶ中で、AIが作った数です。少しの数に入りきらない細かい所は落ちるので、戻した絵は、元の絵と全く同じにはなりません。
問22015年の研究で、寝室の絵を作るAIの潜在空間に、でたらめに9つの点を選び、点から点へ順に少しずつ動きながら、絵を作っていった。途中の絵は、どうなった?
答えと解説
答え:B どれも寝室らしいまま、窓などが少しずつ変わった
途中の絵は、どれも寝室らしく見え、窓の無い部屋が少しずつ大きな窓のある部屋に変わるなど、滑らかに変わりました。研究者たちは、物が少しずつ現れたり消えたりするこの変わり方を、AIが絵の中身に合った表し方を学んだ印だ、と見ています。途中で寝室らしさが薄れて、別の種類の部屋になることはありませんでした。
問3Stable Diffusion のような絵を作るAIが、画素(絵の細かい粒)のままではなく、絵を縮めた潜在空間の中で絵を作るのは、なぜ?
答えと解説
答え:A 扱う数が少なくなり、計算がずっと軽くなるから
絵を縮めた潜在空間では、扱う数が少ないので、ノイズを取り除く作業の計算がずっと軽くなります。仕上がった点は、最後に戻す側に1回通して、絵の大きさに戻します。人の目ではほとんど分からない細かい所は、縮める側でむしろ落とします。潜在拡散モデルの論文の実験では、縮めすぎると、かえって絵の質が伸びなくなり、絵の縦と横を4分の1〜16分の1に縮めた辺りが、ちょうどよい所でした。また、潜在空間でも、でたらめな数(ノイズ)の点から始めて、頼みの言葉を手がかりに少しずつノイズを取り除いて仕上げます。ノイズが入らないわけではありません。
関連用語
- エンベディング(埋め込み)
- オートエンコーダー
- 変分オートエンコーダー(VAE)
- 敵対的生成ネットワーク(GAN)
- 拡散モデル
- 生成AI
- ニューラルネットワーク
- 深層学習
- 機械学習
- パラメーター
- ニューラリーズ
- 解釈可能性
- 次元削減
参考文献と確かめ方
- Hinton・Salakhutdinov「Reducing the Dimensionality of Data with Neural Networks」(トロント大学、Science 313巻5786号、504〜507ページ、2006年7月28日。著者のページの PDF で、要旨・本文〔エンコーダーとデコーダー、曲線・手書きの数字・顔・文書の実験、まとめ〕・図2〜4の説明を読んだ。2026年11月13日に読んだ)
- Kingma・Welling「Auto-Encoding Variational Bayes」(変分オートエンコーダー、arXiv、第1版2013年12月20日、第11版2022年12月。要旨・2.1節・2.3節・3章・5章・図4・図5の説明。2026年11月13日に読んだ)
- Radford・Metz・Chintala「Unsupervised Representation Learning with Deep Convolutional Generative Adversarial Networks」(DCGAN。indico Research・Facebook AI Research、arXiv、2015年11月、第2版2016年1月〔ICLR 2016 に投稿〕。要旨・6.1節「潜在空間の中を歩く」・6.3節・図4・図7〔図の中の札も見た〕・図8の説明。2026年11月13日に読んだ)
- Rombach ほか「High-Resolution Image Synthesis with Latent Diffusion Models」(潜在拡散モデル、CVPR 2022、arXiv、2021年12月、第2版2022年4月。要旨・1章・図2の説明・3章〔3.1節・3.2節〕・4.1節・図6の説明。2026年11月13日に読んだ)
- CompVis「Stable Diffusion」(GitHub の説明。縦横8分の1に縮めるオートエンコーダーと、256×256の絵で学ばせた後、512×512の絵で仕上げたこと。2026年11月13日に読んだ)
- CompVis「stable-diffusion-v1-4」のモデルカード(Hugging Face。学ばせ方の節:絵を潜在の表し方にする縮める側、H×W×3 を H/8×W/8×4 にすること、頼みの言葉の入れ方。2026年11月13日に読んだ)
- Hao ほか「Training Large Language Models to Reason in a Continuous Latent Space」(Coconut。Meta の FAIR・カリフォルニア大学サンディエゴ校、arXiv、2024年12月、第4版2026年8月。要旨・1章・表1。2026年11月13日に読んだ)
- Google「Machine Learning Glossary」(機械学習の用語集。latent space〔embedding space と同じ意味〕・embedding space・autoencoder・encoder・decoder の項。2026年11月13日に読んだ)
- Google「Embeddings: Embedding space and static embeddings」(Machine Learning Crash Course。近い点ほど似ていること、1つ1つの数の意味は分かりにくいこと。2026年11月13日に読んだ)
- TensorFlow「Convolutional Variational Autoencoder」(TensorFlow の手引き。VAE が絵を確率の分布の値にまとめ、なめらかで整った潜在空間になること、2次元の潜在空間で数字がとなりの数字へ変わっていく図。2026年11月13日に読んだ)
- IBM「潜在空間とは」(日本語の説明、2025年1月28日。「潜在空間」の呼び名と、似たデータの点が近くに来るという説明。2026年11月13日に読んだ)
- Weblio 辞書「潜在」(デジタル大辞泉。表面には表れず内にひそんで存在すること。2026年11月13日に読んだ)
- Wiktionary「latent」(英語版。言葉の成り立ち〔ラテン語の latēns。「隠れている」〕と意味。2026年11月13日に読んだ)
このページは、上の資料をもとにAIが書き、書いたAIとは別のAIが、資料の本文と照らして確かめました(2026年11月13日)。理学の修士号と、高校理科の教員免許を持つ人も読んで確かめてから出しています。数字は、その時点のものです。わかりにくかったところ、誤りのご指摘、解説してほしい用語は、[email protected] へお寄せください。
AIの用語
- アライメント偽装
- AIアライメント
- AIエージェント
- エンベディング
- 解釈可能性
- 過学習
- 拡散モデル
- 機械学習
- 強化学習(RL)
- 形式検証
- 検索拡張生成(RAG)
- 混合エキスパート(MoE)
- コンテキストウィンドウ
- 再帰言語モデル(RLM)
- 再帰的自己改善(RSI)
- サブリミナル学習
- 時間地平線
- 思考の連鎖(CoT)
- システムプロンプト
- 事前学習
- 自動形式化
- シャットダウン抵抗
- シンギュラリティ
- 人工知能(AI)
- 深層学習
- 推論モデル
- スリーパーエージェント
- 生成AI
- 読んでいるページ潜在空間
- 創発的ミスアライメント
- 大規模言語モデル(LLM)
- 脱獄
- 段階的無力化
- 知能爆発
- 超知能(ASI)
- ディープフェイク
- データポイズニング
- 敵対的生成ネットワーク(GAN)
- 転移学習
- トークン
- トランスフォーマー
- ニューラリーズ
- ニューラルネットワーク
- ハイパーパラメーター
- バックドア
- パラメーター
- ハルシネーション
- 汎化
- 汎用人工知能(AGI)
- 評価認識
- ファインチューニング
- プロンプト
- プロンプトインジェクション
- ペルソナベクトル
- ベンチマーク
- 報酬ハッキング
- Lean
- レッドチーム