IT Knowledge Base
エンジニア用語を
わかりやすく学ぶ
Git・GitHub・Web・ターミナル・Claude Code・Python・AIを中心に
現場で使う用語をAI社員の解説付きで整理
/ で検索フォーカス · Esc でクリア
ChatGPT から localhost が見えない理由
ネットワーク概念を視覚化
ChatGPTOpenAIクラウド
インターネット公開ルーティング
NAT / FWルーター・ファイアウォール
あなたのPCプライベートLAN
localhost127.0.0.1
なぜ見えないか — 3つの理由
REASON 01
ループバックアドレス
127.0.0.1 はOSが「自分自身」と解釈する特殊アドレス。パケットがNICに到達する前に折り返され、物理ネットワークへは一切出ない。外部からの経路が存在しない。
REASON 02
NATの壁
家庭・オフィスのルーターはNAT（アドレス変換）で内部を隠蔽する。外→内のルールが設定されていない限り、インターネット側からLAN内のPCには届かない。
REASON 03
ChatGPTはクラウドから通信
ChatGPTのリクエストはOpenAIのサーバーから発生する。LAN外のクラウドから見れば、あなたのlocalhostはプライベートアドレスに閉じたサービス — 到達する手段がない。
解決手段と推奨度
今すぐ試すなら ngrok 一択。コマンド1本で公開URL発行、無料枠あり、導入5分。本番運用・固定URLが必要になったら Cloudflare Tunnel へ移行する。ChatGPT連携には Custom GPT Actions が必要（GPT Plus要）。Claudeだけを使うなら MCP Server で直接ローカル連携できる。
| 手段 | 仕組み | 難易度 | 費用 | 推奨度 |
|---|---|---|---|---|
| ngrok ローカルに公開URLを割り当て |
ngrokのサーバーが中継。コマンド1本でHTTPS URLが発行される | ★★★ | 無料枠あり | ⭐ 今すぐ試す |
| Cloudflare Tunnel 無料・固定URL・高セキュリティ |
cloudflaredがCloudflareネットワーク経由でルーティング。DDoS防御付き | ★★★ | 完全無料 | 固定URL向き |
| クラウドデプロイ Render / Railway / VPS |
本番環境に直接デプロイ。公開URLを恒久的に持てる | ★★★ | 有料（無料枠あり） | 本番運用 |
| Custom GPT Actions ChatGPTから外部APIを叩く |
OpenAPI仕様を登録してChatGPTがAPI呼び出し。localhostは直接不可 — ngrok等で公開が前提 | ★★★ | GPT Plus 必須 | API公開前提 |
| MCP Server（ローカル） Claude専用ローカル連携 |
Claude Code / Claude DesktopがMCPプロトコルでlocalhostのツールに直接接続。ChatGPT非対応 | ★★★ | 無料 | Claude専用 |
CPU・GPU・NPU — 同じ行列計算を3つのチップで
AIの中身＝掛け算と足し算の大量反復
AI（ニューラルネット）の計算の大半は 行列×ベクトル（W × x = y）、つまり「掛けて足す（積和）」の繰り返し。 3つのチップは同じ答えを出すが、何個を同時に計算するかと重みをどこに置くかが違う。
| 2 | 1 | 3 |
| 1 | 0 | 2 |
| 3 | 2 | 1 |
| 1 |
| 2 |
| 3 |
| 13 |
| 7 |
| 10 |
1行目: 2×1 + 1×2 + 3×3 = 2 + 2 + 9 = 13 / 2行目: 1 + 0 + 6 = 7 / 3行目: 3 + 4 + 3 = 10（掛け算9回・足し算6回）
同じ計算の進め方
CPU
1個ずつ順番に
- 手順1: 2×1 → 合計 2
- 手順2: 1×2 → 合計 4
- 手順3: 3×3 → 合計 13（1行目完了）
- … これを3行分＝9手順
得意分岐・判断が多い何でも屋の処理（OS・アプリ）
苦手同じ積和を何億回も繰り返す計算
🧑🔧 何でもできる熟練の職人が1人で順番に片付ける
GPU
全部を同時に
- 手順1: 9個の掛け算を一斉に
→ 2,2,9 / 1,0,6 / 3,4,3 - 手順2: 各行を一斉に足す
→ 13 / 7 / 10 - ＝2手順
得意大量の同じ計算（画像処理・AIの学習）
弱点何にでも使える汎用設計の分、消費電力が大きい
👷 大勢の作業員が同時に1マスずつ担当する
NPU
重みは演算器の近くに置いて、流れ作業
- 準備: 重み W を積和ユニットの近くに読み込んでおく（大きなモデルは分けて順に載せ替える）
- 実行: x を流し込むと、各段で掛けて足して隣へ渡す
- 出口から y = 13 / 7 / 10 が出てくる
得意決まったAIモデルの推論を省電力で（スマホ・PCの顔認識・音声処理）
弱点AI以外の汎用処理はできない・用途が狭い
🏭 工具をセット済みの専用ラインに材料を流す
※ 手順数は3×3の例を極端に単純化した概念モデルで、数え方も厳密ではない（例: 3つの和は本来2回の加算）。実際の速さはクロック・並列数・メモリ帯域で決まる。
本質は「計算」より「データの運搬」
電力を大きく左右するのは、掛け算そのものより、メモリから数値を運ぶこと。NPUはAIの積和計算に絞った専用設計で、読み込んだ重みを演算器の近くで何度も使い回し、運搬と制御の手間を減らしている。だから同じ推論を少ない電力でこなしやすい。GPUも重みを使い回す工夫はするが、何にでも使える汎用設計の分、電力は大きくなりやすい。
代表例の Google TPU は、演算器を格子状に並べて隣へ値を受け渡すシストリックアレイという構成で、重みを演算器に留めたまま入力を流す（weight-stationary＝重み固定）。ただし NPU の作りはメーカーごとに違い、すべてがこの構成ではない。
代表例の Google TPU は、演算器を格子状に並べて隣へ値を受け渡すシストリックアレイという構成で、重みを演算器に留めたまま入力を流す（weight-stationary＝重み固定）。ただし NPU の作りはメーカーごとに違い、すべてがこの構成ではない。
よくある誤解
| 誤解 | 実際 |
|---|---|
| CPUは1個ずつしか計算できない | 図は単純化。実際のCPUも複数コア＋SIMD（1命令で複数データを処理）で並列計算する。ただし並列数はGPUより桁違いに少ない。 |
| NPUは重みが回路に焼き込まれている | 焼き込みではなく書き込み（ロード）。モデルを替えれば重みも入れ替えられる。「置いたまま何度も使い回す」のが要点。 |
| NPUがあればGPUは不要 | 役割が違う。大規模なAIの学習は主にGPU（データセンター）、手元端末での推論はNPUが得意。CPUは全体の司令塔として常に必要。 |
| 手順が少ない＝必ず速い | 行列が小さいと、GPUへデータを送る時間の方が長くなりCPUの方が速いこともある。並列化が効くのは計算量が大きいとき。 |
ブックマーク済み
最近追加された用語
用語データを読み込んでいます...